我可以在构造函数中指定 pandas DataFrame 索引名称吗？
换句话说，我想做以下事情：
df = pd.DataFrame({"a":[1,2],"b":[3,4]})
df.rename_axis(index='myindex', inplace=True)
使用一行代码（仅调用构造函数）
这是代码：
from enum import Enum
class EFoo(str, Enum):
A = 'e1'
B = 'e2'
print(EFoo.A)
d = {
EFoo.A : 'eA',
EFoo.B : 'eB'
}
first_key = list(d.keys())[0]
first_key_type = type(first_key)
print("Keys: " + str(d.keys()))
print("Type of first key: " + str(first_key_type))
print("d[EFoo.A] = '" + d[EFoo.A] + "'")
print("d['e1'] = '" + d['e1'] + "'")
这是输出（Python 3.5）
EFoo.A
Keys: dict_keys([<EFoo.A: 'e1'>, <EFoo.B: 'e2'>])
Type of first key: <enum 'EFoo'>
d[EFoo.A] = 'eA'
d['e1'] = 'eA'
现在字典键的类型是<enum 'EFoo'>. …
我正在学习 TensorFlow 的图像分割教程。其中有以下几行：
train_dataset = train.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()
train_dataset = train_dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
cache()作用？官方文档相当晦涩且自引用：缓存此数据集中的元素。
prefetch()作用？官方文档又相当晦涩难懂：创建一个从该数据集中预取元素的数据集。
conda 文档说当你使用
conda create --name myenv
新环境
使用与您当前使用的 Python 版本相同的版本，因为您没有指定版本。
然而，对我来说情况并非如此。我有 Windows 10 和 Anaconda。我进入了默认创建的“基础”环境。
如果我跑
conda create --name testenv
然后当我激活环境时
conda activate testenv
没有Python。如果我写
python
到控制台，Microsoft Store 已打开。
为了拥有 Python 解释器，我需要手动指定它
conda create --name testenv2 python=3.8
tf.compat 模块的目的是什么？看起来这个模块中只是复制了整个 Tensorflow API。该文件指出
用于 Python 2 与 3 兼容性的函数。
那么为什么会有一个“v1”和一个“v2”子模块呢？tf.compat 具体解决了哪些兼容性问题？
我有一个图像分割问题，我必须在 TensorFlow 2 中解决。
特别是我有一个由航拍图像与各自的面具配对组成的训练集。在面具中，地形为黑色，建筑物为白色。目的是预测测试集中图像的掩码。
我使用带有最终 Conv2DTranspose 的 UNet，带有 1 个过滤器和一个 sigmoid 激活函数。对最终 sigmoid 层的输出按以下方式进行预测：如果 y_pred>0.5，则为建筑物，否则为背景。
我想实现一个骰子的损失，所以我写了下面的函数
def dice_loss(y_true, y_pred):
print("[dice_loss] y_pred=",y_pred,"y_true=",y_true)
y_pred = tf.cast(y_pred > 0.5, tf.float32)
y_true = tf.cast(y_true, tf.float32)
numerator = 2 * tf.reduce_sum(y_true * y_pred)
denominator = tf.reduce_sum(y_true + y_pred)
return 1 - numerator / denominator
我通过以下方式传递给 TensorFlow：
loss = dice_loss
optimizer = tf.keras.optimizers.Adam(learning_rate=config.learning_rate)
metrics = [my_IoU, 'acc']
model.compile(optimizer=optimizer, loss=loss, metrics=metrics)
但在训练时 TensorFlow 抛出以下错误：
ValueError：没有为任何变量提供梯度：
python image-segmentation tensorflow loss-function tensorflow2.0
为什么math.nan不同于numpy.nan？
>>> import math
>>> import numpy as np
>>> math.nan is math.nan
True
>>> np.nan is np.nan
True
>>> np.nan is math.nan
False
有两个不同的 NaN 有什么意义？
考虑这个例子：
library(dplyr)
df <- data.frame(a=1:5,b=6:10)
> df
a b
1 1 6
2 2 7
3 3 8
4 4 9
5 5 10
colname <- "a"
df |> filter(!!as.symbol(colname)<3)
a b
1 1 6
2 2 7
df |> filter(!!colname<3)
[1] a b
<0 rows> (or 0-length row.names)
!!应用于字符串而不是符号会实现什么效果，为什么它会返回空数据帧而不是错误？
Anaconda对于支持和不支持 GPU 的 Tensorflow 有不同的软件包。
特别是，要安装带有 GPU 的 Tensorflow，您应该运行：
conda install tensorflow-gpu
对于非 GPU 版本，您应该安装：
conda install tensorflow
通过检查安装包的版本，conda安装Tensorflow版本2.1。
但截至今天，Tensorflow 的最新版本是 2.3。此外，正如Tensorflow 官方文档中所示，可以使用以下命令安装最新版本
pip install tensorflow
文档中称该软件包适用于 Tensorflow 的 CPU 和 GPU 版本。此外，文档指出“对于 1.15 及更早版本”，CPU 和 GPU 的软件包是不同的。
鉴于 1.15 以上的任何版本的包都应该相同，为什么 Anaconda 在两个不同的包中提供 2.1？
我应该安装哪一个，pip 版本还是 conda 版本？Anaconda博客中的一篇文章指定conda提供的版本更快，但该文章是旧的（2018）并且引用了旧版本的Tensorflow（1.10）
我想用&in\&替换R&D。
我该怎么做？
stringr::str_replace("R&D","&","\\&")仍然给出R&D而不是R\&D，我不知道为什么。