小编Mik*_*e C的帖子

我一直在疯狂地想弄清楚我在这里做错了什么蠢事.

我正在使用NumPy,我有特定的行索引和特定的列索引,我想从中选择.这是我的问题的要点:

import numpy as np

a = np.arange(20).reshape((5,4))
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15],
#        [16, 17, 18, 19]])

# If I select certain rows, it works
print a[[0, 1, 3], :]
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [12, 13, 14, 15]])

# If I select certain rows and a single column, it works
print …

我有一个Python Tornado应用程序.该应用程序包含请求处理程序,我将数据传递给喜欢(下面的代码不完整,只是为了说明我想要的):

configs = {'some_data': 1, # etc.
          }

class Application(tornado.web.Application):
    def __init__(self):
        handlers = [('/pageone', PageOneHandler, configs),
                    ('/pagetwo', PageTwoHandler, configs)]
        settings = dict(template_path='/templates',
                    static_path='/static', debug=False)
        tornado.web.Application.__init__(self, handlers, **settings)

# Run the instance
# ... code goes here ...
application = Application()
http_server = tornado.httpserver.HTTPServer(application)
# ... other code (bind to port, etc.)

# Callback function to update configs
some_time_period = 1000 # Once an second
tornado.ioloop.PeriodicCallback(update_configs, some_time_period).start()
tornado.ioloop.IOLoop.instance().start()

我希望update_configs函数更新configs上面定义的变量,并让此更改通过处理程序传播.例如(我知道这不起作用):

def update_configs():
    configs['some_data'] += 1

# …

如何让UITextView将其文本包装在UIImage中,就像在这张图片中一样？

图像尺寸不一定是先前已知的.

我在将自定义数据集加载到pylearn2时遇到问题.我正在尝试使用一个小的XOR数据集来训练一个简单的MLP.我有一个xor.csv与我的yaml文件在同一目录中命名的数据集,该文件与pylearn2的train.py脚本不在同一目录中.

这是以下内容的全部内容xor.csv:

label,x,y
0,0,0
1,0,1
1,1,0
0,1,1

这是我的YAML文件的全部内容:

!obj:pylearn2.train.Train {
    dataset: &train !obj:pylearn2.datasets.csv_dataset.CSVDataset {
        path: 'xor.csv',
        task: 'classification'
    },
    model: !obj:pylearn2.models.mlp.MLP {
        layers: [
                 !obj:pylearn2.models.mlp.Sigmoid {
                     layer_name: 'h0',
                     dim: 10,
                     irange: 0.05,
                 },

                 !obj:pylearn2.models.mlp.Softmax {
                     layer_name: 'y',
                     n_classes: 1,
                     irange: 0.
                 }
                ],
        nvis: 2,
    },
    algorithm: !obj:pylearn2.training_algorithms.sgd.SGD {
        learning_rate: 1e-2,
        batch_size: 1,
        monitoring_dataset:
            {
                'train' : *train
            },
        termination_criterion: 
                !obj:pylearn2.termination_criteria.EpochCounter {
                    max_epochs: 10000
                },
    },
    extensions: [
        !obj:pylearn2.train_extensions.best_params.MonitorBasedSaveBest {
             channel_name: 'valid_y_misclass',
             save_path: "best.pkl" …