小编geb*_*imo的帖子

setuptools 允许您指定最低 python 版本，如下所示：

from setuptools import setup

[...]

setup(name="my_package_name",
      python_requires='>3.5.2',
      [...]

但是，如何使用pyproject.toml做到这一点？以下两件事不起作用：

[project]
...
# ERROR: invalid key 
python_requires = ">=3"

# ERROR: no matching distribution found
dependencies = ["python>=3"]

诸如 google colab、Paperspace Gradient 等云实例以大约 10 美元/月的价格提供免费或非常便宜的选项，用于存储、GPU 计算、即用型容器和 Jupyter 笔记本/实验室 IDE。它非常适合业余爱好原型。

然而，就我个人而言，我更喜欢使用 VSCode 等 IDE 来开发小型项目。鉴于 VSCode 提供对机器甚至 docker 容器的 ssh 远程访问，实现这一点的最佳选择是什么？已经尝试过colab-ssh，它可以工作，但感觉有点迟缓。也许有更好的选择？

另一方面，人们可以租用像 AWS p2.xlarge 这样的实例，但由于成本为 1 美元/小时，它们比上述选项要贵得多（旁注：为什么会出现这样的差异？）

我目前的理解是：

不同map_func：两个 interleave和flat_map期望“的函数映射数据集元素的数据集”。相反，map期望“将数据集元素映射到另一个数据集元素的函数”。

参数：两个interleave和map报价参数num_parallel_calls，而flat_map不会。此外，interleave 提供了这些神奇的参数 block_length 和 cycle_length。对于 cycle_length=1，文档说明 interleave 和 flat_map 的输出是相等的。

最后，我已经看到了数据加载管道没有交错以及与交错的人。任何建议何时使用interleavevs.map或flat_map将不胜感激

//编辑：如果我们从不同的数据集开始，我确实看到了 interleave 的值，例如在下面的代码中

  files = tf.data.Dataset.list_files("/path/to/dataset/train-*.tfrecord")
  dataset = files.interleave(tf.data.TFRecordDataset)

但是，在如下场景中使用interleaveover有什么好处map吗？

files = tf.data.Dataset.list_files("/path/to/dataset/train-*.png")
dataset = files.map(load_img, num_parallel_calls=tf.data.AUTOTUNE)

我已经使用 keras 模型功能 API 定义了一个简单的模型。它的一个层是一个完全顺序模型，所以我得到了一个嵌套的层结构（见下图）。

如何将此嵌套层结构转换为平面层结构？（使用脚本，而不是手动...）

我拥有的：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 32, 32, 1)         0         
_________________________________________________________________
sequential_1 (Sequential)    (None, 8, 8, 12)          720       
_________________________________________________________________
flatten_1 (Flatten)          (None, 768)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 769       
=================================================================

我想将其转换为：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 32, 32, 1)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 32, 32, 6)         60        
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 16, 16, 6)         0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 16, …