小编Pen*_*uin的帖子

我刚买了一台新电脑并下载了 Visual Studio 代码。我正在尝试运行与我在另一台电脑上的代码完全相同的图（只是plt.plot(losses)），但现在matplotlib似乎有深色背景而不是白色：

我发现这个和这个有相反的问题。为了澄清，我问如何将 matplotlib 背景图更改为白色（请注意，在我的另一台机器上，我不必硬编码任何 matplotlib 背景信息，所以我认为这是一个 Visual Studio 问题，但无法弄清楚出去）

我有以下图表networkx：

import matplotlib.pyplot as plt
import networkx as nx

G = nx.Graph()
G.add_edge(1, 2, weight = 1)
G.add_edge(2, 3, weight = 3)
G.add_edge(4, 5, weight = 2)
G.add_edge(6, 3, weight = 4)
G.add_edge(6, 4, weight = 6)


plt.figure(figsize=(12,12))
edges = G.edges()
pos = nx.spring_layout(G, k = 0.5) # k regulates the distance between nodes
weights = [G[u][v]['weight'] for u,v in edges]
nx.draw(G, with_labels=True, node_color='skyblue', font_weight='bold',  width=weights, pos=pos)

有没有办法将这个 2D 图形转换为 3D 图形？坐标并不重要。我只对绘图的交互能力感兴趣（即我能够旋转图表）。我知道plotly有能力做这样的图，但我不确定如何结合我的二维networkx图并 …

我正在尝试按照本指南设置 GitHub 页面网站。我按照jekyllrb.com 教程安装了 Homebrew、chruby 和 Jekyll 。

当我跑步时，ruby -v我得到了ruby 3.1.2p20 (2022-04-12 revision 4491bb740a) [x86_64-darwin18]。当我跑步时，chruby -V我得到了chruby: 0.3.9。安装 Jekyll 后，gem install jekyll我得到了Successfully installed jekyll-4.3.1 Parsing documentation for jekyll-4.3.1 Done installing documentation for Jekyll after 0 seconds 1 gem installed.

但是当我运行jekyll -v（或任何Jekyll命令）时，我收到一条很长的消息，其中包含以下错误：

<internal:/Users/my_username/.rubies/ruby-3.1.2/lib/ruby/3.1.0/rubygems/core_ext/kernel_require.rb>:85:in `require': dlopen(/Users/my_username/.gem/ruby/3.1.2/gems/google-protobuf-3.21.12-x86_64-darwin/lib/google/3.1/protobuf_c.bundle, 9): no suitable image found.  Did find: (LoadError)
    /Users/my_username/.gem/ruby/3.1.2/gems/google-protobuf-3.21.12-x86_64-darwin/lib/google/3.1/protobuf_c.bundle: cannot load 'protobuf_c.bundle' (load command 0x80000034 is unknown) …

假设我有以下模型（来自此脚本）：

from transformers import AutoTokenizer, GPT2LMHeadModel, AutoConfig\n\nconfig = AutoConfig.from_pretrained(\n    "gpt2",\n    vocab_size=len(tokenizer),\n    n_ctx=context_length,\n    bos_token_id=tokenizer.bos_token_id,\n    eos_token_id=tokenizer.eos_token_id,\n)\nmodel = GPT2LMHeadModel(config)\n

我目前正在为 Trainer 使用以下训练参数：

from transformers import Trainer, TrainingArguments\n\nargs = TrainingArguments(\n    output_dir="codeparrot-ds",\n    per_device_train_batch_size=32,\n    per_device_eval_batch_size=32,\n    evaluation_strategy="steps",\n    eval_steps=5_000,\n    logging_steps=5_000,\n    gradient_accumulation_steps=8,\n    num_train_epochs=1,\n    weight_decay=0.1,\n    warmup_steps=1_000,\n    lr_scheduler_type="cosine",\n    learning_rate=5e-4,\n    save_steps=5_000,\n    fp16=True,\n    push_to_hub=True,\n)\n\ntrainer = Trainer(\n    model=model,\n    tokenizer=tokenizer,\n    args=args,\n    data_collator=data_collator,\n    train_dataset=tokenized_datasets["train"],\n    eval_dataset=tokenized_datasets["valid"],\n)\ntrainer.train()\n

我如何对此进行调整，以便训练器将使用多个 GPU（例如 8 个）？

我发现了这个问题，但他们没有使用 Trainer，只是使用 PyTorchDataParallel

model = torch.nn.DataParallel(model, device_ids=[0,1])\n

关于使用多个 GPU 进行训练的Huggingface文档对我来说并不是很清楚，并且没有使用 Trainer 的示例。相反，我在这里发现他们使用 …

我正在遵循有关从维基数据查询的指南。

我可以使用以下命令获取某个实体（如果我知道其代码）：

from wikidata.client import Client
client = Client()
entity = client.get('Q20145', load=True)
entity
>>><wikidata.entity.Entity Q20145 'IU'>
entity.description
>>>m'South Korean singer-songwriter, record producer, and actress'

但是我怎样才能获得该实体的 RDF 三元组呢？即所有出边和入边的形式为（主语、谓语、宾语）

看起来这个SO问题设法获得了三元组，但只能从这里的数据转储中获得。我正试图从图书馆本身获取它。

我有一个矩阵：

t = torch.rand(2,3)\nprint(t)\n>>>tensor([[0.5164, 0.3651, 0.0882],\n        [0.4488, 0.9824, 0.4067]])\n

我正在关注这个规范简介，并想在 PyTorch 中尝试一下。

看起来像：

\n
• norm向量的大小或长度是一个非负数，描述向量在空间中的范围，有时称为向量\xe2\x80\x99s 大小或范数”
\n
• 1-Norm是“绝对向量值的总和，其中标量的绝对值使用符号 |a1|。实际上，范数是距向量空间原点的曼哈顿距离的计算。”
\n
• 2-Norm是“向量坐标距向量空间原点的距离。L2 范数计算为向量值平方和的平方根。”
\n

我目前只知道这个：

print(torch.linalg.norm(t, dim=1))\n>>>tensor([0.6385, 1.1541])\n

但我无法从这里弄清楚三个（范数，1-范数，2-范数）中的哪一个计算出这三个（范数、1-范数、2-范数）中的哪一个，以及如何计算其余的

我正在尝试readme.md在我的 git repo上的文件中显示图像。我之前在我的其他 repos 中做过这个，但由于某种原因，这一次不起作用。

目前我的代码在readme文件中生成以下内容：

我试过：

![Model](path_to_img.pdf)

这只是使链接打开图像所在的文件夹并显示它

我也试过

![Model](link_address_to_image)

它做同样的事情。

我也试过

![Model](path_to_img.pdf?raw=true)

这使得链接下载图像

我有一个简单的神经网络：

import torch
import torch.nn as nn
import torch.optim as optim

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc1 = nn.Linear(1, 5)
        self.fc2 = nn.Linear(5, 10)
        self.fc3 = nn.Linear(10, 1)

    def forward(self, x):
        x = self.fc1(x)
        x = torch.relu(x)        
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Model()

opt = optim.Adam(net.parameters())

我还有一些输入功能：

features = torch.rand((3,1)) 

我可以使用一个简单的损失函数来正常训练它，该函数将被最小化：

for i in range(10):
    opt.zero_grad()
    out = net(features)
    loss = torch.mean(torch.square(torch.tensor(5) - torch.sum(out)))
    print('loss:', loss)
    loss.backward()
    opt.step()

但是，如果我添加另一个我想要最大化的损失分量loss2——：

loss2s = [] …

我有一个非常大（~100k）的字典列表：

[{'sequence': 'read the rest of this note', 'score': 0.22612378001213074, 'token': 3805, 'token_str': 'note'}, {'sequence': 'read the rest of this page', 'score': 0.11293990164995193, 'token': 3674, 'token_str': 'page'}, {'sequence': 'read the rest of this week', 'score': 0.06504543870687485, 'token': 1989, 'token_str': 'week'}]

给定一个tokenID（例如1989），我如何才能score有效地找到对应的ID？我必须为每个列表多次执行此操作（我有几个这样的大列表，并且对于每个列表我都有几个令牌 ID）。

我目前正在迭代列表中的每个字典并检查它们是否与ID我的输入 ID 匹配，如果匹配，我将获得score. 但速度相当慢。

考虑以下网络：

%%time
import torch
from torch.autograd import grad
import torch.nn as nn
import torch.optim as optim

class net_x(nn.Module): 
        def __init__(self):
            super(net_x, self).__init__()
            self.fc1=nn.Linear(1, 20) 
            self.fc2=nn.Linear(20, 20)
            self.out=nn.Linear(20, 400) #a,b,c,d

        def forward(self, x):
            x=torch.tanh(self.fc1(x))
            x=torch.tanh(self.fc2(x))
            x=self.out(x)
            return x

nx = net_x()

#input
val = 100
t = torch.rand(val, requires_grad = True) #input vector
t = torch.reshape(t, (val,1)) #reshape for batch

#method 
dx = torch.autograd.functional.jacobian(lambda t_: nx(t_), t)

这输出

CPU times: user 11.1 s, sys: 3.52 ms, total: 11.1 s
Wall time: …