标签: multiple-input

我有一个 ID REST API，我需要对其进行扩展以支持多个（最多 10K）ID。基本上是在所有相关 ID 上运行更新，而不是在网络中发送 10Ks 请求。

当前端点：

@POST
@Path("{id}/update")
@Produces(MediaType.APPLICATION_JSON)
@Consumes(MediaType.APPLICATION_JSON)
public ResponseVO updateBlockReason(@PathParam("id") int id, List<RequestVo> requestVo) {

建议的一种选择是以逗号分隔的值作为stackexchange 的 answer-by-ids

/answers/{ids} GET 的使用

{ids} 最多可以包含 100 个分号分隔的 ID。要以编程方式查找 id，请在答案对象上查找 answer_id。

这是类似答案的情况

http://our.api.com/Product/<id1>,<id2> :as James 建议可以作为一个选项，因为 Product 标签之后是一个参数

但这对我来说似乎很尴尬，并且RequestVo对于所有 ID 都是一样的（目前很好，但以后添加此类支持会更难）

看来我需要将 Path 变量更改为将其添加到 RequestVO 中

这意味着 Id 将是一个 JSON 密钥，例如

[{
"id" : "1",
"name": "myAttribute"
"toggle": true
},
{
"id" : "2",
"name": "mySecondAttribute"
"toggle": false …

是否可以使用panda 的扩展函数使用window 对象的几列来计算多项式回归的系数？

我有一个数据框，它有两列，一个预测器和一个响应。我想使用熊猫的扩展（）函数来计算每个扩展系列对的二阶多项式回归的相应系数。对于每一行，我想从应用于所有先前行的回归中获取更新的系数。

import pandas as pd
import numpy as np

def func1(df):
   # some processing
   return np.polyfit(df['Input'], df['Response'], 2)
   
def func2(x, y):
   # some processing
   return np.polyfit(x, y, 2)

np.random.seed(0)
df = pd.DataFrame(np.random.rand(10, 2).round(2), 
                  columns=['Input', 'Response'])

df[['Coef1', 'Coef2', 'Coef3']] = df.expanding(min_periods=3).apply(func)

我希望输出如下所示：

>>> df

   Input Response Coef1  Coef2  Coef3
0  0.63  0.23     NaN    NaN    NaN
1  0.45  0.11     NaN    NaN    NaN
2  0.17  0.71     NaN    NaN    NaN
3  0.17  0.32     0.19   0.54   0.50
4  0.65  0.99     0.48   0.23 …

我正在尝试将 TensorFlow 数据集（从 .csv 文件读取）输入到使用功能 API 定义的多输入 tf.keras 模型中。当我传递这些与标签压缩在一起的数据集时，训练效果很好。当我想调用predict()（大概是在一些未标记的不同数据集上）时，它会抛出一个错误（无论是在急切执行还是非急切执行中）

这是我当前的代码：

import tensorflow as tf
import numpy as np

tf.enable_eager_execution()

# Define model.
input_A = tf.keras.layers.Input(shape=(None, 5), name='sensor_A_input')
x_1 = tf.keras.layers.LSTM(5, return_sequences=False, recurrent_initializer='glorot_uniform')(input_A)

input_B = tf.keras.layers.Input(shape=(None, 4), name='sensor_B_input')
x_2 = tf.keras.layers.LSTM(5, return_sequences=False, recurrent_initializer='glorot_uniform')(input_B)

x = tf.keras.layers.concatenate([x_1, x_2], name='concat_test')
output = tf.keras.layers.Dense(1, activation='sigmoid', name='output')(x)

model = tf.keras.Model(inputs=[input_A, input_B], outputs=output)

model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.run_eagerly = tf.executing_eagerly()

# Define input data.
# Dataset 1 is read from 10 .csv files where one …