小编Jam*_*ugh的帖子

我想使用argparse库,因为它具有灵活性,但我无法禁用默认帮助对话框以显示文本文件中的自定义文件.我想要做的就是在传递"-h"或"--help"选项时显示文本文件中的文本.以下是我尝试此操作的示例:

parser = argparse.ArgumentParser(add_help=False)
parser.add_argument("file", type=str, nargs='+')
parser.add_argument("-xmin", type=float)
parser.add_argument("-xmax", type=float)
parser.add_argument("-ymin", type=float)
parser.add_argument("-ymax", type=float)
parser.add_argument("-h", "--help", action="store_true")

args = parser.parse_args()

if args.help is True:
    print isip_get_help()
    exit(-1)

但它仍然输出:

nedc_[1]: python isip_plot_det.py -h
usage: isip_plot_det.py [-xmin XMIN] [-xmax XMAX] [-ymin YMIN] [-ymax YMAX]
                        [-h]
                        file [file ...]
isip_plot_det.py: error: too few arguments

有任何想法吗？

我试图在 Keras 中创建一个自定义的 Dense 层来绑定自动编码器中的权重。我已经尝试按照在卷积层中执行此操作的示例here，但似乎某些步骤不适用于 Dense 层（而且，代码来自两年多前）。

通过绑定权重，我希望解码层使用编码层的转置权重矩阵。本文（第 5 页）也采用了这种方法。以下是文章的相关引用：

在这里，我们选择编码和解码激活函数都为 sigmoid 函数，并且只考虑绑定权重的情况，其中 W ？= W ^T （其中 W ^T 是W的转置），就像大多数现有的深度学习方法一样。

在上面的引用中，W是编码层中的权重矩阵，W'（等于W的转置）是解码层中的权重矩阵。

我在密集层没有太大变化。我tied_to在构造函数中添加了一个参数，它允许您传递要绑定到的层。唯一的其他更改是对build函数的更改，其代码段如下：

def build(self, input_shape):
    assert len(input_shape) >= 2
    input_dim = input_shape[-1]

    if self.tied_to is not None:
        self.kernel = K.transpose(self.tied_to.kernel)
        self._non_trainable_weights.append(self.kernel)
    else:
        self.kernel = self.add_weight(shape=(input_dim, self.units),
                                      initializer=self.kernel_initializer,
                                      name='kernel',
                                      regularizer=self.kernel_regularizer,
                                      constraint=self.kernel_constraint)
    if self.use_bias:
        self.bias = self.add_weight(shape=(self.units,),
                                    initializer=self.bias_initializer,
                                    name='bias',
                                    regularizer=self.bias_regularizer,
                                    constraint=self.bias_constraint)
    else:
        self.bias = None …