小编hir*_*hme的帖子

以下短代码旨在使用 numpy 创建一个数组，使用 PIL 将其转换为图像对象，然后插入到 tkinter 窗口上的画布中。

from tkinter import *
from PIL import Image

root = Tk()
array = np.ones((40,40))*150
img = Image.fromarray(array)
canvas = Canvas(root,width=300,height=300)
canvas.pack()
canvas.create_image(20,20,anchor=NW,image=img)

root.mainloop()

这会引发错误：

TclError: image "<PIL.Image.Image image mode=F size=40x40 at 0x7F42D3BC3290>" doesn't exist

我有一个二进制3D numpy数组，我想为其寻找连接的组件，即ID值为1的邻居元素。

data = np.random.binomial(1, 0.4, 1000)
data = data.reshape((10,10,10))

或者，我可以获取值为1的每个元素的坐标，并获取包含三个元素的一组列表，以获取相邻的簇

coordinates = np.argwhere(data > 0)

connected_elements = []
for node in coordinates:
  neighbors = #Get possible neighbors of node
  if neighbors not in connected_elements:
    connected_elements.append(node)
  else:
    connected_elements.index(neighbor).extend(node)

如何执行此操作，或为3D设置实现2D connected_components函数？

我有一个用 pandas 导入的电子表格，如下所示：

df = pd.read_excel('my_spreadsheet.xlsx',header = [0,1],index_col=0,sheetname='Sheet1')

df.columns 的输出是：

MultiIndex(levels=[[u'MR 1', u'MR 10', u'MR 11', u'MR 12', u'MR 13', u'MR 14', u'MR 15', u'MR 16', u'MR 17', u'MR 18', u'MR 19', u'MR 2', u'MR 20', u'MR 21', u'MR 22', u'MR 3', u'MR 4', u'MR 5', u'MR 6', u'MR 7', u'MR 8', u'MR 9'], [u'BIRADS', u'ExamDesc', u'completedDTTM']],
       labels=[[0, 0, 0, 11, 11, 11, 15, 15, 15, 16, 16, 16, 17, 17, 17, 18, 18, 18, 19, 19, 19, 20, 20, …

如果我想训练 Keras 模型并拥有多个可用的 GPU，有多种有效使用它们的方法：

1. 将每个 GPU 分配给不同的模型，并并行训练它们（例如，用于超参数调整或不同架构之间的比较）。例如，我将 model1 分配给 GPU1，将 model2 分配给 GPU2，在一次全局数据加载操作之后，Keras 会在每个 GPU 上并行运行每个模型的 model.fit()。

2. 划分一个模型并在所有 GPU 上并行训练。这是通过将模型分割成连续的块，然后计算整个模型的所有梯度来完成的。它的实现方式不适用于不同的独立模型。

3. 挖掘数据并将不同批次输入到不同 GPU 上的同一模型。

似乎有很多关于 2) 和 3) 的文档

https://keras.io/guides/distributed_training/

https://www.run.ai/guides/multi-gpu/keras-multi-gpu-a-practical-guide/

https://www.pyimagesearch.com/2017/10/30/how-to-multi-gpu-training-with-keras-python-and-deep-learning/

但我找不到 1) 的任何解决方案，并且要求它的帖子没有解决方案：

在不同的 GPU 上同时训练多个 keras/tensorflow 模型

看起来，既然这些选项已经可用，那么为每个模型分配不同的 GPU 并并行训练的选项应该很简单。我有什么遗漏的吗？

编辑：一种建议的解决方案是运行不同的 python 脚本。但这并不是最优的，因为它是按脚本划分每个 GPU，而不是按模型划分，这意味着脚本的所有其他部分都需要冗余地运行两次。如果数据加载部分很昂贵，这将非常低效，因为两个脚本都会竞争数据访问。

这里的常见问题：我安装了Python，然后安装了Spyder，现在当我使用“pip install”安装软件包时，Spyder找不到模块，但是如果我在命令提示符下调用Python（使用Windows），它会找到所有已安装的软件包与点。

我注意到在 Spyder 中，一个新的控制台显示它正在运行 Python 3.7.9，但是如果我在命令提示符上运行“python -V”，它会显示 Python 3.9.1 ，也适用于“py -0”和“py -” 0p”它只显示Python的一个安装，即

>>> py -0p
Installed Pythons found by py Launcher for Windows                                                                       
-3.9-64        C:\Users\my_name\AppData\Local\Programs\Python\Python39\python.exe *   

那么这是怎么回事呢？为什么 Spyder 似乎有自己的 Python 版本？这就是用 pip 安装的软件包无法与 Spyder 通信的原因吗？

我注意到，当我使用 conda 创建新环境时，我可以在该环境中导入未安装的 python 模块。

以 keras 为例：尽管该模块不在该环境中：

(py2) user@user-Precision-7920-Tower:~$ conda list keras
# packages in environment at /home/user/anaconda3/envs/py2:
#
# Name                    Version                   Build  Channel

我仍然可以导入它，显然是从系统（用户）安装，在 conda 之外！

(py2) user@user-Precision-7920-Tower:~$ python
Python 2.7.15 | packaged by conda-forge | (default, Mar  5 2020, 14:56:06) 
[GCC 7.3.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.

>>> import keras
Using TensorFlow backend.
>>> keras.__file__
'/home/user/.local/lib/python2.7/site-packages/keras/__init__.pyc'

事实上，conda 内部的 python 可以访问非 conda 路径！

>>> import sys
>>> 
>>> sys.stdout.write("\n".join(sys.path))

/home/user/anaconda3/envs/py2/lib/python27.zip
/home/user/anaconda3/envs/py2/lib/python2.7
/home/user/anaconda3/envs/py2/lib/python2.7/plat-linux2 …

根据我的理解，使用 pack() 管理器，每个帧都会相对于代码中其他帧的位置放置。所以如果我这样做：

frame1 = tk.Frame(root)
frame1.pack()

frame2 = tk.Frame(root)
frame2.pack()

frame3 = tk.Frame(root)
frame3.pack()

然后frame2将出现在下方/之后frame1和之前frame3。

我的问题是，当使用该功能时frame2.pack_forget()，每当我再次这样做时，frame2.pack()顺序都不会恢复，但现在我有frame1，，，，好像是最后一个。frame3frame2frame2pack

我如何使用pack_forget()然后pack()在创建它的完全相同的位置？

就像这样简单的事情：

conda create -n py2 python=2.7

然后在那个环境下

conda install spyder=3

未能解决环境问题。虽然这里唯一的东西是 python=2.7 basics 和spyder=3，它们在他们自己的网站上指定需要 python 2.7 https://www.psych.mcgill.ca/labs/mogillab/anaconda2/lib/python2.7/site-包/spyder/doc/installation.html#requirements

为什么会失败？如何才能让这么基本的东西发挥作用？

新的尝试：（最后一个是我知道可以一起工作的特定版本，因为我将它们安装在我的主系统范围内）。

conda create -n py2 python=2.7 spyder                    --> Fails to solve env

conda create -n py2 python=2.7 spyder -c free            --> installs spyder4

conda create -n py2 python=2.7 spyder=3 -c free          --> AttributeError on launch

conda create -n py2 python=2.7.17 spyder=3.2.3 -c free   --> AttributeError on launch

全部失败。如果我不指定spyder=3，conda会安装spyder=4，这是不行的，因为这些版本的python和spyder不能一起工作（为什么conda在检查兼容性时不知道这一点？）。当指定spyder=3时，环境无法解决，除非使用channel free，如评论中所建议的。但是这个方法在启动Spyder时也会失败，抛出AttributeErrors。

我已经安装了CUDA和cuDNN,但是最后一个没有用,在theano中提供了很多错误消息.现在我在Keras/Tensorflow中训练中等大小的深度网络,没有收到任何cuDNN错误消息.如何检查cuDNN现在是否正在使用？