当我尝试在 Shinyapps.io 中发布 R 应用程序时，它显示一个错误：
Preparing to deploy application...Error: HTTP 404
GET https://api.shinyapps.io/v1/applications/461629
Not Found
Execution halted
我该如何解决这个错误？
我试图通过shinyBSbsTooltip()包的功能向我的shiny应用程序中的不同操作按钮添加一些工具提示，并且我想修改特定工具提示框的宽度。为此，我可以在 UI 开头指定 HTML 标签并直接修改 CSS，但如果我使用简单元素，我会修改代码中每个工具提示的宽度：.tooltip {...}
您可以在下面找到一个带有两个不同操作按钮的最小可重现示例：
library(shiny)
library(shinyBS)
library(shiny)
ui <- fluidPage(
tags$head(tags$style(HTML(".tooltip {width: 300px;}"))),
br(),
actionButton(inputId = "button1",
label = "First"),
bsTooltip(id = "button1",
title = "Bonjour!",
placement = "right",
trigger = "hover"),
br(),
br(),
actionButton(inputId = "button2",
label = "Second"),
bsTooltip(id = "button2",
title = "Hello!",
placement = "right",
trigger = "hover")
)
server <- function(input, output, session) {
}
shinyApp(ui, server)
我以前遇到过这种情况，例如当我必须修改特定小部件的占位符的颜色textInput()时。为此，HTML()我在函数中指定：
tags$head(tags$style(HTML("#textinput_ID::placeholder {color: #EEE1525;}")))
但这在这种情况下似乎不起作用。 …
我有一个包含4个班级的庞大训练数据集.这些类是非连续标记的.为了能够应用顺序神经网络,必须重新标记类,以便类中的唯一值是连续的.此外,在脚本结束时,我必须将它们重新标记回旧值.
我知道如何用循环重新标记它们:
def relabel(old_classes, new_classes):
indexes=[np.where(old_classes ==np.unique(old_classes)[i]) for i in range(len(new_classes))]
for i in range(len(new_classes )):
old_classes [indexes[i]]=new_classes[i]
return old_classes
>>> old_classes = np.array([0,1,2,6,6,2,6,1,1,0])
>>> new_classes = np.arange(len(np.unique(old_classes)))
>>> relabel(old_classes,new_classes)
array([0, 1, 2, 3, 3, 2, 3, 1, 1, 0])
但这不是很好的编码,需要花费很多时间.
知道如何对这种重新贴图进行矢量化吗？
为了清楚起见,我还希望能够将它们重新标记为旧值:
>>> relabeled_classes=np.array([0, 1, 2, 3, 3, 2, 3, 1, 1, 0])
>>> old_classes = np.array([0,1,2,6])
>>> relabel(relabeled_classes,old_classes )
array([0,1,2,6,6,2,6,1,1,0])
我正在使用带有Tensorflow后端的Keras.当我尝试使用'selu'激活功能时:
model.add(Dense(32, input_shape=(input_length - 1,)))
model.add(Activation('selu'))
我得到的错误是:
ValueError: Unknown activation function:selu
这有什么解决方案吗？
python ×2
r ×2
shiny ×2
css ×1
deployment ×1
html ×1
keras ×1
numpy ×1
performance ×1
shinyapps ×1
shinybs ×1
tensorflow ×1