model

最新推荐文章于 2024-07-23 14:36:35 发布
最新推荐文章于 2024-07-23 14:36:35 发布
阅读量27 收藏
点赞数
分类专栏： Pytorch学习笔记 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43057295/article/details/132859006
版权 
import time

time.strftime('%Y %m %d %X')

'2023 09 13 16:56:33'

# 结构化时间转换为格式化时间
struct_time = time.localtime()
print(time.strftime('%Y-%m-%d',struct_time))

2023-09-13

# 将结构化时间转化为时间戳
timestep = time.mktime(struct_time)
print(timestep)

1694595393.0

# 格式化时间转化为结构化时间
format_time = time.strftime('%Y-%m-%d')
time.strptime(format_time,'%Y-%m-%d')

time.struct_time(tm_year=2023, tm_mon=9, tm_mday=13, tm_hour=0, tm_min=0, tm_sec=0, tm_wday=2, tm_yday=256, tm_isdst=-1)

# 时间戳转化为结构化时间
time_flow = time.time()
print(time.localtime(time_flow))
# time.localtime(secs=) 传进去的参数是秒

time.struct_time(tm_year=2023, tm_mon=9, tm_mday=13, tm_hour=16, tm_min=56, tm_sec=33, tm_wday=2, tm_yday=256, tm_isdst=0)

# 睡眠：
time.sleep(3)

# datetime 模块（掌握）
import datetime
now = datetime.datetime.now()
now = str(now)
print(now.split()[0])
print(now.split()[1])


2023-09-13
16:56:36.903949

now = datetime.datetime.now()
print(now + datetime.timedelta(3)) #默认为天（增加天）

2023-09-16 16:56:36.920904

# 等同于
print(now + datetime.timedelta(days=3)) # 无法加年和月
print(now + datetime.timedelta(hours=3))
print(now + datetime.timedelta(minutes=30))
print(now + datetime.timedelta(seconds=30))

2023-09-16 16:56:36.920904
2023-09-13 19:56:36.920904
2023-09-13 17:26:36.920904
2023-09-13 16:57:06.920904

# random 模块（掌握）
# 随机数
import random
# print(random.random())# 0~1
# print(random.randint(1,6)) # 整数
# print(random.uniform(1,3))
# print(random.randrange(2,6))# 打印[n,m)的整数
# print(random.choice([1,'a',2,'b']))# 从容器中选择一个
# # print(random.choice([1000,10,2,3,4]))# 例如
res = random.choice([1000,10,2,3,4])
while True:
    if  res == 1000:
        print('再来一次')
    else:
        print(f'恭喜您获得{res}')
        break
    break

恭喜您获得2

# 从容器中随机选择多个
print(random.sample([1,'a',2,'b'],2))

[1, 'b']

# 打乱容器
lis = [1,2,3,4]
random.shuffle(lis)
print(lis)

[2, 1, 4, 3]

# nvshen_lis = ['高圆圆','刘亦菲']
# choice = int(input('请输入您的选择》》》》'))
# count =0
# while count < 3:
#     count += 1
#     if choice == 0:
#         print(random.sample(nvshen_lis))
#     else:
#         print('大傻逼，你还想要？？？')
#     break

 # logging模块 日志

import logging
# info（没有任何问题） -> debug -->warning(可以去做也可以不去做)-->error(必须去做)-->critical(崩溃)
# 消费
name = input('name->>>')
total_price = input('total_price')
# logging.info('')
# logging.critical()
# logging.debug()
# logging.warning()
# logging.error()

import numpy as np
# int/float/str/dict/list/tuple/set
# list 一维数组
lis = [1,2,3]
lis # 只有一行

[1, 2, 3]

np.array(lis) # 定义一维数组

array([1, 2, 3])

# 二维数组 装两个列表 小列表装一维数组（用的最多的）
pp = np.array([[1,2,3],[4,5,6]])

# 三维 三个列表:大列表装二维数组
ll = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]],[[8,8,8],[9,9,9]]])

# list:索引、切片、长度、成员运算、for循环.....

区别

1.np.array是多维的,list是一维的
2.list对一维数组做一些操作,numpy其实就是对多维做操作
获取多维数组的行和列

pp.shape

(2, 3)
  • 中括号加索引，行和列用逗号隔开
pp[1,2]

6

pp

array([[1, 2, 3],
       [4, 5, 6]])

pp[0,:]

array([1, 2, 3])

pp[:,0]

array([1, 4])

高级

  • 有一个多维数组存储的是人的年龄,表格里有200岁以上的年龄（没用的）
ppp = np.array(
                [[1000,45,56],[55,1000,56],
                [1000,45,65],[45,55,85],
                [55,65,75],[88,99,999]
                ])
ppp

array([[1000,   45,   56],
       [  55, 1000,   56],
       [1000,   45,   65],
       [  45,   55,   85],
       [  55,   65,   75],
       [  88,   99,  999]])

ppp > 998

array([[ True, False, False],
       [False,  True, False],
       [ True, False, False],
       [False, False, False],
       [False, False, False],
       [False, False,  True]])

ppp[ppp>100]

array([1000, 1000, 1000,  999])

# 多维数组的元素替换
# 例如
lis[0] = 0
lis

[0, 2, 3]

ppp[ppp>100] = 55
ppp

array([[55, 45, 56],
       [55, 55, 56],
       [55, 45, 65],
       [45, 55, 85],
       [55, 65, 75],
       [88, 99, 55]])

# 合并
new_ppp = np.vstack((lis,ppp))
new_ppp
# 垂直合并

array([[ 0,  2,  3],
       [55, 45, 56],
       [55, 55, 56],
       [55, 45, 65],
       [45, 55, 85],
       [55, 65, 75],
       [88, 99, 55]])

# 水平合并(维度必须相同)
nn = np.hstack([ppp,ppp])
nn

array([[55, 45, 56, 55, 45, 56],
       [55, 55, 56, 55, 55, 56],
       [55, 45, 65, 55, 45, 65],
       [45, 55, 85, 45, 55, 85],
       [55, 65, 75, 55, 65, 75],
       [88, 99, 55, 88, 99, 55]])

nn = np.hstack((ppp,ppp))
nn

array([[55, 45, 56, 55, 45, 56],
       [55, 55, 56, 55, 55, 56],
       [55, 45, 65, 55, 45, 65],
       [45, 55, 85, 45, 55, 85],
       [55, 65, 75, 55, 65, 75],
       [88, 99, 55, 88, 99, 55]])

长春 = np.concatenate((ppp,ppp),axis=0) # 默认垂直 axis=0 为列
榆树 = np.concatenate((ppp,ppp),axis=1)# axis=1 为行
长春
榆树

array([[55, 45, 56, 55, 45, 56],
       [55, 55, 56, 55, 55, 56],
       [55, 45, 65, 55, 45, 65],
       [45, 55, 85, 45, 55, 85],
       [55, 65, 75, 55, 65, 75],
       [88, 99, 55, 88, 99, 55]])

长春

array([[55, 45, 56],
       [55, 55, 56],
       [55, 45, 65],
       [45, 55, 85],
       [55, 65, 75],
       [88, 99, 55],
       [55, 45, 56],
       [55, 55, 56],
       [55, 45, 65],
       [45, 55, 85],
       [55, 65, 75],
       [88, 99, 55]])

在numpy中,为了统一做处理,只要 有axis参数的,axis=0就是列,axis=1就是行

# 通过函数方法创建多维数组
# ones、zeros

np.ones((3,4))

array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

np.zeros((3,4))

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

np.eye(5)

array([[1., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0.],
       [0., 0., 1., 0., 0.],
       [0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 1.]])

np.zeros((3,4,5)) # 5控制（列）1维，4,5控制2维,3，4，5控制三维

array([[[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]]])

np.zeros((3,4))

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

np.zeros((4,3,4))

array([[[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]]])

+   两个矩阵对应元素相加
-   两个距阵对应元素相减
*   两个矩阵对应元素相乘
/   两个矩阵对应元素相除，如果都是整数则取商
%   两个矩阵对应元素相除后取余数
**n 单个矩阵每个元素都取n次方，如**2:每个元素都取平方天

ppp2 = ppp+ppp

list2= np.zeros((3,4,5))
list2

array([[[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]]])

list1 = np.zeros((3,4,5))

if list1.shape == list2.shape :
    print('ok')
else:
    print('sb')


ok

np.dot(ppp,ppp2.T)

array([[16372, 17272, 17380, 19420, 20300, 24750],
       [17272, 18372, 18280, 20520, 21600, 26730],
       [17380, 18280, 18550, 20950, 21650, 25740],
       [19420, 20520, 20950, 24550, 24850, 28160],
       [20300, 21600, 21650, 24850, 25750, 30800],
       [24750, 26730, 25740, 28160, 30800, 41140]])

# 求逆
np.linalg.inv(np.dot(ppp,ppp2.T))

array([[ 3.83114753e+11,  2.82232782e+11, -4.94633977e+11,
         1.78725324e+11, -2.31507143e+11, -5.33976409e+10],
       [-3.31053361e+11,  7.72648056e+11, -2.39202973e+10,
        -2.08471005e+11,  7.48273782e+10, -2.01209119e+11],
       [-2.22334930e+11, -6.15128139e+11,  4.87447766e+11,
        -7.97300855e+10,  1.89949530e+11,  1.40812175e+11],
       [-2.59373038e+11,  2.12744318e+11,  1.55577132e+11,
         5.43809482e+10, -1.68593723e+11,  9.46988059e+09],
       [ 5.03015905e+11, -3.95651248e+11, -3.09238179e+11,
        -1.95253866e+08,  1.76240334e+11,  1.61205877e+10],
       [-7.53300400e+10, -1.36353115e+11,  1.33158942e+11,
         4.07359489e+10, -4.47311126e+10,  5.62036959e+10]])

# 最大值，最小值
ppp.max()

99

ppp.min()

45

# numpy生成随机数
# 随机种子，固定随机数，让他不随机
seed = np.random.seed(3)
np.random.rand(3,4)

array([[0.5507979 , 0.70814782, 0.29090474, 0.51082761],
       [0.89294695, 0.89629309, 0.12558531, 0.20724288],
       [0.0514672 , 0.44080984, 0.02987621, 0.45683322]])

re = np.random.RandomState(1)
re.rand(3,4)

array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],
       [1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],
       [3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])
llddycidy
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AttributeError: ‘BaichuanTokenizer‘ object has no attribute ‘sp_model‘解决方案
weixin_43178406的博客
11-22 6万+
本文主要介绍了AttributeError: ‘BaichuanTokenizer’ object has no attribute 'sp_model’解决方案，希望能对学习python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
ImportError: cannot import name ‘prepare_model_for_kbit_training‘ from ‘peft‘解决方案
weixin_43178406的博客
07-18 5万+
本文主要介绍了ImportError: cannot import name ‘prepare_model_for_kbit_training’ from 'peft’解决方案，希望能对使用peft的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
全网最详细的v-model讲解
热门推荐
zayyo的博客
11-29 15万+
v-model的基本使用 表单提交是开发中非常常见的功能，也是和用户交互的重要手段： 比如用户在登录、注册时需要提交账号密码； 比如用户在检索、创建、更新信息时，需要提交一些数据； 这些都要求我们可以在代码逻辑中获取到用户提交的数据，我们通常会使用v-model指令来完成： v-model指令可以在表单 input、textarea以及select元素上创建双向数据绑定； 它会根据控件类型自动选取正确的方法来更新元素； 尽管有些神奇，但 v-model 本质上不过是语法糖，它负责监听用户的输入事件来更新数据
model.addattribute()
06-19 5万+
代表 Model-View-Controller（模型-视图-控制器） 模式。这种模式用于应用程序的分层开发。Model（模型）- 模型代表一个存取数据的对象或 JAVA POJO。它也可以带有逻辑，在数据变化时更新控制器。View（视图）- 视图代表模型包含的数据的可视化。Controller（控制器）- 控制器作用于模型和视图上。它控制数据流向模型对象，并在数据变化时更新视图。它使视图与模型分离开。
vue3【实用教程】v-model（原生标签和组件上使用 v-model ，v-model 参数，绑定多个 v-model ，v-model 内置修饰符，自定义 v-model 修饰符等）
朝阳39的博客
04-18 3602
以为例：自动将第一个字母转为大写具体实现详见注释-- 选项式 API --> < script > export default {props : {modelValue : String , // 新增了名 modelModifiers 的 prop，用于获取自定义的修饰符 modelModifiers : {
ModelCheckpoint
无聊的豆奶
09-20 6508
以指定频率保存 Keras 模型或权重。
13 VUE学习：组件v-model
百锦再的博客
05-21 8万+
这两个选项在从模型引用中读取或设置值时会接收到当前的值，并且它们都应该返回一个经过处理的新值。返回的值是一个 ref。值且父组件没有为该 prop 提供任何值，会导致父组件与子组件之间不同步。在下面的示例中，父组件的。参数]小节中学到的指定参数与事件名的技巧，我们可以在单个组件实例上创建多个。把这个 ref 绑定到一个原生 input 元素上，在提供相同的。这里是另一个例子，展示了如何在使用多个不同参数的。在某些场景下，你可能想要一个自定义组件的。的返回值，可以在子组件中访问添加到组件。
ModelMapper
唐僧洗发用飘柔
03-21 3899
在项目中很多时候需要把Model和DTO两个模型类来回转换,保证Model对外是隐私的,同时类似密码之类的属性也能很好地避免暴露在外了. 那么ModelMapper就是为了方便转换而实现的一个类库,下面根据使用场景不断增加案例. 1.ModelMapper入口类 ModelMapper这个工具的入口类就是ModelMapper,因此转换就需要从这个类入口.简单看下API addConvert...
model java_编程中的 Model 到底是什么？
weixin_39772566的博客
02-12 1万+
MVC 中 Model - View - Controller 中 Model 到底是啥？常见翻译 Model 为 模型，数据，实体类，百度也这么讲的：model_百度百科在各大 MVC 框架中，Java 的 Spring MVC 最有代表性，下文以Java为例。实际编程时，常有用户的个人资料：基本资料一般包含"名字"、"年龄"、"城市"等，英文字段：id, gender, age, city这些...
pytorch 模型并行 model parallel
LEILEI18A的博客
09-19 8373
pytorch model parallel 模型并行训练 左侧：是网络太大，一张卡存不了，那么拆分，然后进行模型并行训练。 右侧：多个显卡同时采用数据训练网络的副本。 其实还有另一个：组卷积，每个组分到不同的GPU上，这样也可以做到并行。 官方model parallel链接：https://pytorch.org/tuto...
medsam model
02-21
medsam model
tensorflow_model_optimization安装包
01-07
tensorflow_model_optimization离线安装包
ThinkPHP中实例Model方法的区别说明
10-28
在实际开发中，我们常常会遇到两种不同的Model实例化方法，即`D('ModelName')`和`new Model('ModelName')`，它们在功能上存在一些差异。 首先，我们来看第一种实例化方法：`D('Test')`。这种方法是ThinkPHP提供的...
mxGraphModel.xmind
04-15
这是mxGraphModel的逻辑图。mxGraph中的一种存储图的模型，或者数据结构。
使用Python的Turtle库绘制动态风车
爱写代码的小朋友
07-20 398
python绘制风车
随机数种子的作用
最新发布
帆的博客
07-23 598
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
【Python如何将字符串连接在一起并使用`join()`方法】
qq_36253366的博客
07-19 449
方法是字符串对象的方法，而不是列表或元组等序列类型的方法。因此，你需要先指定一个用作分隔符的字符串，然后调用这个字符串的。方法将字符串连接在一起，你需要首先确保这些字符串被存储在一个序列类型中（如列表或元组），然后调用这个序列的。方法是一个字符串方法，它用于将序列（如列表、元组等）中的元素以指定的字符连接生成一个新的字符串。列表中的所有字符串元素使用空格作为分隔符连接成一个新的字符串。方法，并将你想要作为分隔符的字符串作为参数传递给。方法，并将包含要连接字符串的序列作为参数传递。
【Python 中的内存管理有哪些优缺点】
qq_36253366的博客
07-19 444
Python中的内存管理是一个复杂而高效的系统，它通过自动化和抽象化的方式极大地简化了程序员的内存管理负担，但同时也存在一些潜在的缺点。
model explorer
06-02
Model Explorer是Visual Studio Code的一个扩展，它可以帮助您在模型（例如TensorFlow或Keras）中浏览和查看变量和张量的值。您可以使用此扩展程序监视模型中的张量，并在执行您的代码时查看它们的值，以便更轻松地...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值