小编Gen*_*ius的帖子

给定TensorFlow tf.while_loop,如何计算x_out每个时间步长相对于网络所有权重的梯度？

network_input = tf.placeholder(tf.float32, [None])
steps = tf.constant(0.0)

weight_0 = tf.Variable(1.0)
layer_1 = network_input * weight_0

def condition(steps, x):
    return steps <= 5

def loop(steps, x_in):
    weight_1 = tf.Variable(1.0)
    x_out = x_in * weight_1
    steps += 1
    return [steps, x_out]

_, x_final = tf.while_loop(
    condition,
    loop,
    [steps, layer_1]
)

一些笔记

1. 在我的网络中,条件是动态的.不同的运行将以不同的次数运行while循环.
2. 呼叫tf.gradients(x, tf.trainable_variables())崩溃AttributeError: 'WhileContext' object has no attribute 'pred'.似乎tf.gradients在循环中使用的唯一可能性是仅计算相对于weight_1和x_in/时间步的当前值的梯度而不反向传播时间.
3. 在每个时间步骤中,网络将输出概率分布而不是动作.然后,需要渐变来实现策略梯度.

什么是在给定的DataFrame中查找相同行的索引而不迭代各行的pandas方法？

虽然有可能找到所有唯一的行,unique = df[df.duplicated()]然后在这些唯一的条目上迭代并借助unique.iterrows()提取相同条目的索引,pd.where()但是大熊猫的做法是什么？

示例: 给定以下结构的DataFrame:

  | param_a | param_b | param_c
1 | 0       | 0       | 0
2 | 0       | 2       | 1
3 | 2       | 1       | 1
4 | 0       | 2       | 1
5 | 2       | 1       | 1
6 | 0       | 0       | 0

输出:

[(1, 6), (2, 4), (3, 5)]

我正在调用 FD_SET() 来设置非阻塞套接字的 write_fd，而 select() 在另一个线程中阻塞——问题是即使 fd 准备好写入，select() 也会一直阻塞。

我真正想做的是：准备数据以在另一个线程中为此套接字写入，然后将套接字添加到 write_fd。select() 线程应该识别并处理准备好的数据。

select() 在阻塞时不识别 fd 中的更改吗？如果是 - 是否有类似 epoll() EPOLL_CTL_MOD 而不是 FD_SET() 之类的东西来更新集合；或者是识别更改以设置 select() 函数超时的唯一方法？

在我看来，这不是一个解决方案，因为那会“很慢”并且会产生 CPU 开销......

编辑：

// This thread is running all day long ...
static void * workman() {
    FD_ZERO(&fd_read);
    FD_ZERO(&fd_write);
    FD_SET(socketId , &fd_read);

    while(1) {
        // PROBLEM Keeps blocking when box() is called
        select(socketId+1, &fd_read, &fd_write, NULL, NULL);

        if(FD_ISSET(socketId, &fd_read)) {
            // RECIVE DATA
        }
        else if(FD_ISSET(socketId, &fd_write)) {
            FD_CLR(socketId, &fd_write);
            pthread_mutex_lock(&interface.mutex);
                strncpy(conn.outBuffer, interface.buffer, strlen(interface.buffer)); …