小编dan*_*451的帖子

如何在matplotlib图上更改所有元素(刻度,标签,标题)的字体大小？

我知道如何更改刻度标签尺寸,这是通过以下方式完成的:

import matplotlib 
matplotlib.rc('xtick', labelsize=20) 
matplotlib.rc('ytick', labelsize=20) 

但是如何改变其余部分呢？

我最近遇到了tf.nn.sparse_softmax_cross_entropy_with_logits,我无法弄清楚与tf.nn.softmax_cross_entropy_with_logits相比有什么不同.

是训练矢量唯一的区别y必须是独热编码使用时sparse_softmax_cross_entropy_with_logits？

阅读API,我找不到任何其他差异softmax_cross_entropy_with_logits.但是为什么我们需要额外的功能呢？

如果提供单热编码训练数据/向量,不应softmax_cross_entropy_with_logits产生相同的结果sparse_softmax_cross_entropy_with_logits吗？

虽然"googl'ing"并进行了一些研究,但我无法在AMD硬件上找到任何用于科学GPGPU计算和OpenCL的严肃/流行框架/ sdk .我错过了哪些文献和/或软件？

特别是我对深度学习感兴趣.

据我所知,deeplearning.net推荐使用NVIDIA硬件和CUDA框架.此外,我所知道的所有重要的深度学习框架,如Caffe,Theano,Torch,DL4J,......都专注于CUDA而不打算支持OpenCL/AMD.

此外,人们可以找到大量科学论文以及基于CUDA的深度学习任务的相应文献,但基于OpenCL/AMD的解决方案几乎没有.

在2015/16学年,是否有可能出现基于OpenCL/AMD的新解决方案或现有科学框架？

使用OpenCL/AMD进行深度学习的良好开端是什么？有文献吗？教程？杂项来源？

我并不陌生matplotlib,我很惭愧地承认我一直将它作为一种工具,尽可能快速简便地获得解决方案.所以我知道如何获得基本情节,子图和东西,并且有不少代码可以不时重复使用......但我没有"深入(呃)知识" matplotlib.

最近我想我应该改变这个并通过一些教程自己动手.但是,我仍然对matplotlibs感到困惑plt,fig(ure)并且ax(arr).真正的区别是什么？

在大多数情况下,对于一些"quick'n'dirty"绘图,我看到人们只使用pyplot as plt和直接绘图plt.plot.由于我经常使用多种内容进行绘制,我经常使用f, axarr = plt.subplots()...但是大多数时候你只看到代码放置数据进入axarr并忽略了这个数字f.

所以,我的问题是:什么是使用matplotlib的干净方式？何时使用plt,应该使用什么或应该figure使用什么？子图是否只包含数据？或者,对于样式,清理情节,......,在子图中,它是否有效且良好的做法？

我希望这不是广泛的.基本上我要求为plt< - > fig< - > ax(arr)(以及何时/如何正确使用它们)的真正目的提出一些建议.

教程也是受欢迎的.matplotlib文档对我来说相当混乱.当人们搜索一些非常具体的东西时,比如重新标记一个图例,不同的情节标记和颜色等等,官方文档确实非常准确,但在我看来,一般信息并不是那么好.太多不同的例子,没有真正的目的解释......看起来或多或少像是所有可能的API方法和参数的大清单.

我编写了一个小脚本来分配4个线程之间的工作负载,并测试结果是否保持有序(关于输入的顺序):

from multiprocessing import Pool
import numpy as np
import time
import random


rows = 16
columns = 1000000

vals = np.arange(rows * columns, dtype=np.int32).reshape(rows, columns)

def worker(arr):
    time.sleep(random.random())        # let the process sleep a random
    for idx in np.ndindex(arr.shape):  # amount of time to ensure that
        arr[idx] += 1                  # the processes finish at different
                                       # time steps
    return arr

# create the threadpool
with Pool(4) as p:
    # schedule one map/worker for each row in the original data …

我有一个项目,我想在其他目录中使用一些python类.

结构示例:

/dir
 +../subdirA
 +../subdirB
 +../mydir

绝对路径不同,因为该项目在不同的机器上运行.

执行位于/ mydir中的MySampleClass的 python文件时,如何导入位于/ subdirA中的/ dir或OtherClassA中的OtherClassRoot？

我尝试过这样的事情:

from . import MySampleClass as msc

要么

from ../ import MySampleClass as msc

但这总是失败或给我错误消息,如非包装中尝试相对导入

那么,什么是相对导入python文件的正确方法？

任何输入都非常感谢:)

我有数百个非常大的矩阵,如(600,800)或(3,600,800)形状的矩阵.

因此,我想在我不再需要的时候尽快取消分配使用的内存.

我想:

some_matrix = None

应该做的工作,还是只是将引用设置为None但是在Memory的某个地方仍然分配了空间？(比如为some_matrix将来的某些重新初始化保留分配的空间)

另外:有时我正在切割矩阵,计算一些东西并将值放入缓冲区(列表,因为它会一直追加).因此将列表设置为None肯定会释放内存,对吧？

或者是否unset()存在某种方法,其中整个标识符及其引用的对象被"删除"？

我可以访问计算集群,特别是一个带有两个12核CPU的节点,它与Slurm Workload Manager一起运行.

我想在该系统上运行TensorFlow,但遗憾的是我无法找到有关如何执行此操作的信息,或者甚至是否可能.我是新手,但据我所知,我必须通过创建Slurm作业来运行TensorFlow,并且不能通过ssh直接执行python/tensorflow.

有没有人有关于这个主题的想法,教程或任何类型的来源？

我刚注意到TensorFlow中的一个意外(至少对我来说)行为.我认为tf.argmax( - argmin)从外到内操作Tensor的行列,但显然它没有？!

例:

import numpy as np
import tensorflow as tf

sess = tf.InteractiveSession()

arr = np.array([[31, 23,  4, 24, 27, 34],
                [18,  3, 25,  0,  6, 35],
                [28, 14, 33, 22, 20,  8],
                [13, 30, 21, 19,  7,  9],
                [16,  1, 26, 32,  2, 29],
                [17, 12,  5, 11, 10, 15]])

# arr has rank 2 and shape (6, 6)
tf.rank(arr).eval()
> 2
tf.shape(arr).eval()
> array([6, 6], dtype=int32)

tf.argmax有两个参数:input和dimension.由于数组的索引arr …

我刚刚注意到,通过仅将乘法变为除法,我的脚本的执行时间几乎减半.

为了研究这个,我写了一个小例子:

import numpy as np                                                                                                                                                                                
import timeit

# uint8 array
arr1 = np.random.randint(0, high=256, size=(100, 100), dtype=np.uint8)

# float32 array
arr2 = np.random.rand(100, 100).astype(np.float32)
arr2 *= 255.0


def arrmult(a):
    """ 
    mult, read-write iterator
    """
    b = a.copy()
    for item in np.nditer(b, op_flags=["readwrite"]):
        item[...] = (item + 5) * 0.5

def arrmult2(a):
    """ 
    mult, index iterator
    """
    b = a.copy()
    for i, j in np.ndindex(b.shape):
        b[i, j] = (b[i, j] + 5) * 0.5

def arrmult3(a):
    """
    mult, vectorized
    """ …