目录 一、ndarray对象 列表的缺点： NumPy的优点： 使用方法： 多维数组 ndarray对象：形状，shape 元素类型 元素类型强制转换 从数列创建ndarray数组 用from系列方法创建ndarray 结构数组 掩膜数组 数组下标使用技巧 二、ufunc函数 ufunc的算术运算符/比较运算符 ufunc函数测速 ufunc
Dropout torch.nn.Dropout(p=0.5, inplace=False) p – probability of an element to be zeroed. Default: 0.5inplace – If set to True, will do this operation in-place. Default: False 训练过程中以概率P随机的将参数置0，其中P为置0的概率，例如P=1表示将网络参数全部
torch.nn.AdaptiveAvgPool2d torch.nn.AdaptiveAvgPool2d(output_size) output_size：可以为tuple类型(H, W)，也可以为一个数字H表示(H, H)，H,W可以为int或者None类型，如果是None默认与输入相同大小 二维平均自适应池化，只需要给出输出的参数就可以自动寻找相应的kernal size以及s
1.层级索引 import numpy as np import pandas as pd s1 = pd.Series(np.random.randn(12),index = [['a','a','a','b','b','b','c','c','c','d','d','d&#
import numpy as np import pandas as pd df=pd.DataFrame([[1.4,np.nan],[7.1,-4.5], [np.nan,np.nan],[0.75,-1.3]], index=['a','b','c','d'], columns=['one','
from PIL import Image import numpy as np import cv2 pillow # PIL库给影像添加alpha通道 img = Image.open("cut\\gf2_934_Clip.png") img = img.convert('RGBA') r, g, b, alpha = img.split() alpha = alpha.point(lambda i: i>0 and 178) img.putalph
Pytorch学习笔记 张量Tensor 张量是一个统称，其中包含很多类型： 0阶张量：标量、常数，0-D Tensor 1阶张量：向量，1-D Tensor 2阶张量：矩阵，2-D Tensor 3阶张量 Pytorch中创建张量 使用python中的列表或者序列创建tensor torch.tensor([[1., -1.], [1., -1.]]) tensor([[ 1.0000,
数据API 整个数据API都围绕着数据集的概念。通常，使用的是逐步从磁盘中读取数据的数据集，但为了简单起见，使用 tf.data.Dataset.from_tensor_slices()在RAM中完全创建一个数据集合 import keras.activations import tensorflow as tf X = tf.range(10) dataset = tf.data.Dataset.fr
import torch import torch.nn as nn def transposed_conv_official(): feature_map = torch.as_tensor([[1, 0], [2, 1]], dtype=torch.float32).reshape([1, 1, 2, 2]) print(feature_map) trans_conv = nn.ConvTranspose
求业之精，别无他法，日专而已矣！ 一、概论 1.机器学习是什么 2.机器学习做什么 3.机器学习基本概念 二、机器学习四剑客（Numpy、Pandas、PIL、Matplotlib） 1.Numpy Numpy（Numerical Python的简称）是高性能科学计算和数据
Tensors 1. Tensors 简单来说，张量是在Tensorflow中使用的多维数组 我们做如下的定义： Rank：表示的是向量所拥有的维数 下面，我们将定义不同种类的张量并使用 tf.rank 函数显示它们的Rank tensor = tf.constant(0) print("Print constant tensor {} of rank {}".format(tensor,
关于Python常见的报错类型及解决方法 TypeError: ‘numpy.float32’ object does not support item assignment 表示的是你的数据形状不匹配： 例如： a = np.zeros(2,dtype = int) a[1][2] = 5 #就会报错，原因是一位数组，确当成二维数组使用 #应该为 a = np.zeros((2,3),dtype = i
1、torch.empty（） torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor 返回一个size大小的tensor，里面的数值是随机的，主要用到size，其它都是可选内容。 szie可以是列表，元组等。 2、torch.rand() t
pandas读取文件 读取csv文件 import pandas as pd #读取csv文件 fpath="test.csv" df=pd.read_csv(fpath,encoding='gbk') #查看前几行 df.head() 编号操作方式催化剂总质量（mg）HAP:Co/SiO2Co/SiO2（wt%）乙醇浓度（ml/min）温度乙醇转化率（%）乙烯选择性（%）C4烯烃选择性（%）乙醛选择性（%）碳
一、pytorch 基础练习 主要学习了如何使用torch定义数据以及对数据的一些操作 示例代码中进行点积运算(m @ v)要求数据类型是float，因此前面v定义的时候需要指定dtype，如下所示， # Create tensor of numbers from 1 to 5 # 注意这里结果是1到4，没有5,即前闭后开 v = torch.arange(1, 5
Series 结构，也称 Series 序列，是 Pandas 常用的数据结构之一，它是一种类似于一维数组的结构，由一组数据值（value）和一组标签组成，其中标签与数据值之间是一一对应的关系。Series 可以保存任何数据类型，比如整数、字符串、浮点数、Python 对象等，它的标签默认为整数，从 0 开始依次递增。
目录稀疏矩阵为什么稀疏矩阵常用稀疏矩阵1. coo：Coordinate matrix2. csr和csc：Compressed Sparse Row/Column matrixpython中的scipy.sparse支持的稀疏格式常用api 稀疏矩阵 插播一期稀疏矩阵。 为什么稀疏矩阵 在实际应用中，矩阵大多时候都是稀疏的（例如大图的邻接矩阵），稀疏矩阵能减
pandas是python的第三方库所以使用前需要安装一下，直接使用pip install pandas 就会自动安装pandas以及相关组件。 1、Series模块 1.1 Series的索引默认是从 0 开始的整数。 from pandas import Series import pandas as pd s = Series([1,4,'ww','tt']) s.index
默认情况下，Python 拥有以下数据类型： strings - 用于表示文本数据，文本用引号引起来。例如 "ABCD"。 integer - 用于表示整数。例如 -1, -2, -3。 float - 用于表示实数。例如 1.2, 42.42。 boolean - 用于表示 True 或 False。 complex - 用于表示复平面中的数字。例如 1.0 + 2.0j，1
了解引入的需要神经网络解决的问题 学习用神经网络的基本结构、表达方式和编程实现 学习训练神经网络的基本方法 三好学生成绩问题 总分 = 德育分 * 60% + 智育分 * 60% + 体育分 * 60% 假设家长不知道这个规则，已知： 学校一定是以德育分、智育分和体育分三项分数的总分来确定三
在Relay中注册新TVM算子 在本文件中，将介绍在Relay中注册新TVM算子所需的步骤。将以添加累积算子的PR为例。PR本身建立在另一个PR的基础上，该PR添加了一个累积和运算。 注册新算子需要几个步骤： Add an attribute node declaring fixed arguments which are known at compile time W
#包导入方法: import numpy import numpy as np from numpy import * # 数组与列表的差别 #数组:元素类型dtype相同 否则会强制类型转换 a=[1,2,3,4,5] [x+1 for x in a] b=[2,3,4,5,6,7] [c+d for (c,d) in zip(a,b)]#压缩成元组数组 #数组的计算 a=np.array([1,2,3
文章目录 Numpy简单例子数组创建打印数组基本操作通函数索引、切片和迭代形状操纵改变数组的形状 将不同数组堆叠在一起将一个数组拆分成几个较小的数组（分割）纵向分割横向分割错误的分割不等量的分割 拷贝和视图完全不复制视图或浅拷贝深拷贝 功能和方法概述Less 基础广播（B
Pandas中apply()使用(仅用于记录方便以后查看) https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.apply.html pandas.Series.apply DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) 该函数最有用的是第一
该代码编写过程中主要有3个雷： 1.输入数据的类型开头已经被dtype=float.32确定了，要看数据集符不符合标准 2.使用新数据集要注意x的维度 3.使用pytorch的dataset,dataloader要注意其与win系统不兼容的问题，训练循环要在一个if语句里，是这样：
