小编Out*_*ime的帖子

我正在尝试为 Blazor 构建一个输入文本，如果技能尚未为空，则它会保留一个占位符，因此会创建为新技能，因为我想使用相同的剃刀组件进行编辑和创建新技能：

      <div class="form-group">
        <label>Skillname</label>
        @if (Skill == null)
        {
          <InputText class="form-control" placeholder="Enter Skillname" @bind-Value="Skill.Name"/>
        }
        else
        {
          <InputText @bind-Value="Skill.Name" class="form-control"/>
        }
      </div>   

我尝试设置placeholder=".."没有任何效果。placeholder 经过研究，我发现他们在这里使用，尽管它对我不起作用。

我只在 Telerik 前端框架中发现了这种可能性。

我在文档中找不到任何对占位符的引用。

安迪知道为什么placeholder不在这里工作，或者是否有其他解决方法可以实现这一目标？

N我想要一个循环卷积函数，我可以根据需要设置数字。

我在这里和这里查看的所有示例都假设需要完整填充，但这不是我想要的。

我想要得到不同值的结果N

\n
• 所以输入将是Nand 和 两个不同的值数组
\n
• 输出应该是N点卷积信号
\n

这是循环卷积的公式。SubN可以看作是求模运算。

\n

摘自这个基本介绍

\n

更新可能的解决方案

当数组a根据 的不同情况进行相应堆积时，这个答案N是一个合适的解决方案。

当我有时间时，我会发布完整的答案，同时请随意这样做。

感谢@Andr\xc3\xa9 在评论中指出这一点！

输入/输出的示例来自此处

数 = 4

N = 7，带零填充

我正在尝试为信号实现一维卷积。

它应该具有与以下内容相同的输出：

ary1 = np.array([1, 1, 2, 2, 1])
ary2 = np.array([1, 1, 1, 3])
conv_ary = np.convolve(ary2, ary1, 'full')

>>>> [1 2 4 8 8 9 7 3]

我想出了这个方法：

def convolve_1d(signal, kernel):
    n_sig = signal.size
    n_ker = kernel.size
    n_conv = n_sig - n_ker + 1

    # by a factor of 3.
    rev_kernel = kernel[::-1].copy()
    result = np.zeros(n_conv, dtype=np.double)
    for i in range(n_conv):
        result[i] = np.dot(signal[i: i + n_ker], rev_kernel)
    return result

但我的结果是[8,8]我可能必须对数组进行零填充并更改其索引。

有没有更顺利的方法来达到预期的结果？

我正在尝试使用 pytorch 实现线性回归的简单梯度下降，如文档中的此示例所示：

import torch
from torch.autograd import Variable

learning_rate = 0.01
y = 5
x = torch.tensor([3., 0., 1.])
w = torch.tensor([2., 3., 9.], requires_grad=True)
b = torch.tensor(1., requires_grad=True)

for z in range(100):
    y_pred = b + torch.sum(w * x)
    loss = (y_pred - y).pow(2)
    loss = Variable(loss, requires_grad = True)
    # loss.requires_grad = True
    loss.backward()
    
    with torch.no_grad():
        w = w - learning_rate * w.grad
        b = b - learning_rate * b.grad
        
        w.grad = None
        b.grad = None …