我正在使用h2o版本3.10.4.8.
library(h2o)
h2o.init(nthreads = -1)
df <- as.h2o(data.frame(x = 1:5, y = 11:15))
我正在尝试了解如何使用该apply()功能H2O.
以下按预期工作:
h2o::apply(df, 2, mean)
h2o::apply(df, 2, sum)
h2o::apply(df, 2, function(x) {2*x + 1})
但这不是:
h2o::apply(df, 2, sd)
返回的错误是:
[1]"查找无法找到is.H2OFrame".process.stmnt中的错误(stmnt,formalz,envs):不知道如何处理语句:is.H2OFrame x
我还以为它H2O实际上是使用自己的函数来进行计算,所以下面应该有效:
h2o::apply(df, 2, h2o.mean)
h2o::apply(df, 2, h2o.sum)
h2o::apply(df, 2, h2o.sd)
但事实并非如此.前两行给出以下错误:
[1]"查找无法找到.newExpr".process.stmnt中的错误(stmnt,formalz,envs):不知道如何处理语句:.newExpr sd x na.rm
而第三行给出以下错误:
[1]"查找无法找到.newExpr".process.stmnt中的错误(stmnt,formalz,envs):不知道如何处理语句:.newExpr sd x na.rm
FUN在将apply()函数传递给函数中的参数时,我应该注意什么？文档简单地描述FUN为"要应用的功能".
我正在编写一个名为testpkg的程序包，并将quantmod放在DESCRIPTION文件的Depends部分中。
我编写了以下功能：
#' hello1
#'
#' @return NA
#' @export
hello1 <- function() {
print("hello1!")
quantmod::is.HLC("Hello, world!")
}
#' hello2
#'
#' @return NA
#' @export
hello2 <- function () {
x <- structure(c(25.85, 25.639999, 26.700001, 26.26, 26.92, 27.870001,
25.26, 25.52, 26.66, 25.610001, 26.85, 27.74, 26352700, 32512200,
64264600, 25.610001, 26.85, 27.74),
.indexCLASS = "Date", tclass = "Date", .indexTZ = "UTC", tzone = "UTC",
src = "yahoo", updated = structure(1437653990.9303, class = c("POSIXct",
"POSIXt")),
class = c("xts", "zoo"), index = structure(c(1167782400, …在Tensorflow的tf.estimator指南中的Createing Estimators中，示例使用了tf.metrics模块中已预定义的指标。
是否有任何资源描述如何定义可用于评估估算器的自定义指标？我想实施F1指标。
假设我有一个 2 x 3 矩阵，我想创建一个 6 x 2 x 3 矩阵，其中第一维中的每个元素都是原始的 2 x 3 矩阵。
在 PyTorch 中，我可以这样做：
import torch
from torch.autograd import Variable
import numpy as np
x = np.array([[1, 2, 3], [4, 5, 6]])
x = Variable(torch.from_numpy(x))
# y is the desired result
y = x.unsqueeze(0).expand(6, 2, 3)
在 TensorFlow 中执行此操作的等效方法是什么？我知道unsqueeze()相当于tf.expand_dims()但我不知道 TensorFlow 有任何相当于expand(). 我正在考虑使用tf.concat1 x 2 x 3 张量的列表，但不确定这是否是最好的方法。
鉴于以下数据:
sample <- xts(c( 1,1,1,1,1,4,4,4,4,4,4,4,4,4,4,4,4,4,4,4,1,1,1,1,1,3,3,3,3,3,3,4,4,4,4,4,4,2,2,1,1,1,1,4,4,4,4,4,4,4,4,4),
as.Date(x = "2014-11-03")+1:52)
我想生产以下内容:
[,1]
2014-11-05 0
2014-11-06 0
2014-11-07 0
2014-11-08 0
2014-11-09 1
2014-11-10 2
2014-11-11 3
2014-11-12 4
2014-11-13 5
2014-11-14 6
2014-11-15 7
2014-11-16 8
2014-11-17 9
2014-11-18 10
2014-11-19 11
2014-11-20 12
2014-11-21 13
2014-11-22 14
2014-11-23 15
2014-11-24 0
2014-11-25 0
2014-11-26 0
2014-11-27 0
2014-11-28 0
2014-11-29 1
2014-11-30 2
2014-12-01 3
2014-12-02 4
2014-12-03 5
2014-12-04 6
2014-12-05 7
2014-12-06 8
2014-12-07 9
2014-12-08 10
2014-12-09 11 …我一直在阅读一些方法来使圆圈适合数据(像这样).我想看看这些方法如何处理真实数据以及为此使用R的想法.我试着在rseek上搜索可以帮助解决这个问题的软件包,但是却找不到任何有用的东西.
那么,是否有包可以帮助轻松计算给定数据集的最佳拟合圆(类似于lm()线性模型如何适应数据集)？否则,如何在R中执行这样的任务？
请考虑以下代码:
import tensorflow as tf
from tensorflow.python.estimator.model_fn import EstimatorSpec
from tensorflow.contrib.keras.api.keras.layers import Dense
def model_fn_1(features, labels, mode):
x = [[1]]
labels = [[10]]
m = tf.constant([[1, 2], [3, 4]], tf.float32)
lookup = tf.nn.embedding_lookup(m, x, name='embedding_lookup')
preds = Dense(1)(lookup)
loss = tf.reduce_mean(labels - preds)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss, tf.train.get_global_step())
eval_metric_ops = {'accuracy': tf.metrics.accuracy(labels, preds)}
return EstimatorSpec(mode=mode, loss=loss, train_op=train_op, eval_metric_ops=eval_metric_ops)
model_1 = tf.estimator.Estimator(model_fn_1)
model_1.train(input_fn=lambda: None, steps=1)
正如预期的那样,我可以执行model_1.train(input_fn=lambda: None, steps=1)多次,并且训练将从之前的执行继续进行.
现在,请考虑以下代码:
import tensorflow as tf
import numpy as np
from tensorflow.python.estimator.model_fn import …import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
x = tf.range(1, 11, dtype=tf.float32)
x = tf.reshape(x, (5, 1, 2))
cell = tf.contrib.rnn.LSTMCell(10)
initial_state = cell.zero_state(5, dtype=tf.float32)
y1, _ = tf.nn.dynamic_rnn(cell, x, dtype=tf.float32, initial_state=initial_state)
y2, _ = tf.nn.dynamic_rnn(
tf.contrib.rnn.DropoutWrapper(cell, input_keep_prob=1.0, output_keep_prob=0.5, state_keep_prob=1.0),
x,
dtype=tf.float32,
initial_state=initial_state)
我正在使用 Tensorflow 1.8.0。
我期望的输出y2与y1因为y2使用相同的 LSTM 单元相似，y1除了它也通过一个 dropout 层。由于 dropout 仅应用于 LSTM 单元的输出，我认为除了这里和那里的几个 0 之外，的值y2将相同y1。但这就是我得到的y1：
<tf.Tensor: id=5540, shape=(5, 1, 10), dtype=float32, numpy= …我正在读《Data Mining with R》一书，发现了这段代码：
library(DMwR)
clean.algae <- knnImputation(algae, k = 10)
x <- sapply(names(clean.algae)[12:18],
function(x,names.attrs) {
f <- as.formula(paste(x,"~ ."))
dataset(f,clean.algae[,c(names.attrs,x)],x)
},
names(clean.algae)[1:11])
我认为x可以重写为：
y <- sapply(names(clean.algae)[12:18],
function(x) {
f <- as.formula(paste(x,"~ ."))
dataset(f,clean.algae[,c(names(clean.algae)[1:11],x)],x)
}
)
然而，identical(x,y)回报FALSE。
我决定通过将注意力限制在这些列表的第一个元素上来调查原因。
我找到：
identical(attributes(x[[1]])$data,
attributes(y[[1]])$data)
[1] FALSE
然而：
which(!(attributes(x[[1]])$data == attributes(y[[1]])$data))
integer(0)
对我来说，这意味着数据框中的所有元素都是相等的，因此两个数据框必须相同。为什么情况并非如此？
我对对象的公式属性也有类似的问题：
> identical(attributes(x[[1]])$formula,
+ attributes(y[[1]])$formula)
[1] FALSE
>
> attributes(x[[1]])$formula == attributes(y[[1]])$formula
[1] TRUE