小编Nic*_*aiF的帖子

我有两个字典,我想要联合,以便保留第一个字典中的每个值,并将第二个字典中的所有键:值对添加到新字典中.

dict1 = {'1': 1, '2': 1, '3': 1, '4': 1}
dict2 = {'1': 3, '5': 0, '6': 0, '7': 0}

函数dictUnion(dict1,dict2)返回的位置

{'1': 1, '2': 1, '3': 1, '4': 1, '5': 0, '6': 0, '7': 0}

我可以,并且通过使用简单的循环完成它,虽然在大字典上操作时这很慢.更快更"pythonic"的方式将不胜感激

我有一个pytorch稀疏张量,我需要切片行/列使用此切片[idx][:,idx],其中idx是索引列表,使用提到的切片在普通浮点张量上产生我想要的结果.是否可以在稀疏张量上应用相同的切片？这里的例子:

#constructing sparse matrix
i = np.array([[0,1,2,2],[0,1,2,1]])
v = np.ones(4)
i = torch.from_numpy(i.astype("int64"))
v = torch.from_numpy(v.astype("float32"))
test1 = torch.sparse.FloatTensor(i, v)

#constructing float tensor
test2 = np.array([[1,0,0],[0,1,0],[0,1,1]])
test2 = autograd.Variable(torch.cuda.FloatTensor(test2), requires_grad=False)

#slicing
idx = [1,2]
print(test2[idx][:,idx])

输出:

Variable containing:
 1  0
 1  1
[torch.cuda.FloatTensor of size 2x2 (GPU 0)]

我持有250.000 x 250.000邻接矩阵,我需要使用随机idx 对n行和n列进行切片,只需对n随机idx进行采样.由于数据集太大,转换为更方便的数据类型是不现实的.

我可以在test1上实现相同的切片结果吗？它甚至可能吗？如果没有,是否有任何解决方法？

现在我正在使用以下"hack"解决方案来运行我的模型:

idx = sorted(random.sample(range(0, np.shape(test1)[0]), 9000))
test1 = test1AsCsr[idx][:,idx].todense().astype("int32")
test1 = autograd.Variable(torch.cuda.FloatTensor(test1), requires_grad=False)

test1AsCsr是我的test1转换为numpy CSR矩阵的地方.这个解决方案有效,但速度非常慢,并且使我的GPU利用率非常低,因为它需要不断地从CPU内存中读/写.

编辑:结果很好,非稀疏张量

医院正在改变他们对设备进行消毒的方式.此前,当地的外科医生保留了所有自己的设备并制作了自己的手术托盘.现在他们必须限制在全国范围内.他们想知道他们可以用现有库存制造多少新托盘,以及他们需要购买多少新设备.

医疗设备库存如下:

http://pastebin.com/rstWSurU

每家医院都有各种医疗设备的代码,然后是相应项目的数量

3个手术托盘及其相应的项目显示在这本词典中.

http://pastebin.com/bUAZhanK

共有144个不同的操作托盘

医院将被告知他们需要25个托盘x,30个托盘y等...

他们希望最大化他们可以用现有库存完成的托盘数量.他们还想知道他们需要购买哪些设备才能完成剩余的托盘.

我考虑过两种可能的解决方案,一种是将问题表示为线性规划问题.另一个解决问题的方法是通过循环蛮力解决问题的前90%,并通过多次随机算法解决剩余的10%,然后选择那些尝试的最佳解决方案.

我很想知道是否有人知道如何解决这个问题的聪明方法!

我有两个包含NaN的numpy数组:

A = np.array([np.nan,   2,   np.nan,   3,   4])
B = np.array([   1  ,   2,     3   ,   4,  np.nan])

是否有任何聪明的方法使用numpy删除两个数组中的NaNs,并删除其他列表中相应索引的什么？看起来像这样:

A = array([  2,   3, ])
B = array([  2,   4, ])

如何用 torch 中的值填充对角线？在 numpy 中你可以这样做：

a = np.zeros((3, 3), int)
np.fill_diagonal(a, 5)

array([[5, 0, 0],
       [0, 5, 0],
       [0, 0, 5]])

我知道torch.diag()返回对角线，但如何使用它作为掩码来分配新值超出了我的范围。我无法在这里或 PyTorch 文档中找到答案。

我有一个coo_matrix:

from scipy.sparse import coo_matrix
coo = coo_matrix((3, 4), dtype = "int8")

我想要转换为pytorch稀疏张量.根据文档https://pytorch.org/docs/master/sparse.html它应该遵循coo格式,但我找不到一种简单的方法来进行转换.任何帮助将不胜感激!

我有许多音频文件，我想在语音开始和结束时自动添加时间戳。因此，话语开始时的“开始”时间戳。以及话语结束时的“停止”时间戳。

喜欢：

start,stop
0:00:02.40,0:00:11.18
0:00:18.68,0:00:19.77
...

我测试了以下解决方案，它工作正常：使用静音检测分割音频文件问题是我只能从中获取块，这使得将时间戳与原始音频进行匹配有点困难

任何正确方向的解决方案或推动都将受到高度赞赏！

我有以下列表：

[[1, 1, 1, 1, 3, 0, 0, 1],
 [1, 1, 1, 1, 3, 0, 0, 1],
 [1, 1, 1, 1, 2, 0, 0, 1],
 [1, 1, 0, 2, 3, 1, 0, 1]]

我想计算评估者间的可靠性分数，有多个评估者（行）。我不能使用 Fleiss 的 kappa，因为行的总和不等于相同的数字。在这种情况下，什么是好的方法？

我有140个阵列,其尺寸为734 x 1468.我需要在734 x 1468条目中的140个阵列中的平均值,我开始通过嵌套for循环迭代数据,但它太慢了.我试过使用这个np.mean功能

res = np.mean([megadatalist[i].variables['analysed_sst'][0] for i in range(0,140)], axis=2)

res.shape 给出(140,734)

我需要尺寸734,1468的结果

megadatalist 由140个netCDF文件组成.

I have defined an unsupervised problem in tensorflow, I need to update my B and my tfZ with every iteration, but I don't know how to update my tfZ using the tensorflow session.

tfY = tf.placeholder(shape=(15, 15), dtype=tf.float32)

with tf.variable_scope('test'):
    B = tf.Variable(tf.zeros([]))
    tfZ = tf.convert_to_tensor(Z, dtype=tf.float32)

def loss(tfY):
    r = tf.reduce_sum(tfZ*tfZ, 1)
    r = tf.reshape(r, [-1, 1])
    D = tf.sqrt(r - 2*tf.matmul(tfZ, tf.transpose(tfZ)) + tf.transpose(r) + 1e-9)
    return tf.reduce_sum(tfY*tf.log(tf.sigmoid(D+B))+(1-tfY)*tf.log(1-tf.sigmoid(D+B)))

LOSS = loss(Y)
GRADIENT = tf.gradients(LOSS, [B, tfZ])

sess = …

我需要一个带有N个簇的图，该图多少代表了社交网络的结构。我计划通过创建具有barabasi albert结构的N个图，然后通过单个节点将它们连接来解决此问题。

import networkx as nx

a = nx.barabasi_albert_graph(10,2)
b = nx.barabasi_albert_graph(10,2)

nx.draw(a)

nx.draw(b)

我想要的是像这样连接它们： 但是我看不到或没有找到任何简单的方法来做到这一点，是否有任何networkX功能可以做到这一点？

我需要注释大量的训练数据，为此，我需要听一堆声音片段并记下我听到的声音。为此，我在笔记本中编写了一个小脚本。

我的主要问题是IPython显示循环显示。举个例子：

import numpy
import IPython.display as ipd

sr = 22050# sample rate
T = 2.0# seconds
t = numpy.linspace(0, T, int(T*sr), endpoint=False)# time variable
x = 0.5*numpy.sin(2*numpy.pi*440*t)
ipd.Audio(x, rate=sr)

会出现一个音频框，我将可以播放正弦波。

但是尝试在for循环中播放任何内容都不会产生任何结果（例如：）

for i in range(10000000):
    x = 0.5*numpy.sin(i*numpy.pi*440*t)
    ipd.Audio(x, rate=sr)

如果有人有一个很好的解决方案来遍历（和收听）一堆音频文件（一次，一个，因为我需要遍历可能成千上万的声音片段），我将非常感激！