我想在Ubuntu上安装GPU版本的lightgbm，基于以下命令：
pip install lightgbm --install-option=--gpu
安装过程中出现错误“请先安装 CMake”。安装CMake后，我再次遇到同样的错误。为了确保已安装 CMake，我运行以下命令并获取已安装 CMake 的正确版本：
/opt/cmake/bin/cmake -version
该错误的可能原因是什么？
在以下代码中，None用来声明占位符的大小。
x_data = tf.placeholder(tf.int32, [None, max_sequence_length])
y_output = tf.placeholder(tf.int32, [None])
据我所知，这None用于指定可变批次尺寸。但是，在每个代码中，我们都有一个显示批处理大小的变量，例如：
batch_size = 250
那么，None在这种情况下，有什么理由要使用，而不是简单地将占位符声明为吗？
x_data = tf.placeholder(tf.int32, [batch_size, max_sequence_length])
y_output = tf.placeholder(tf.int32, [batch_size])
我正在 Keras 中训练 LSTM：
iclf = Sequential()
iclf.add(Bidirectional(LSTM(units=10, return_sequences=True, recurrent_dropout=0.3), input_shape=(None,2048)))
iclf.add(TimeDistributed(Dense(1, activation='sigmoid')))
每个单元格的输入是一个 2048 向量，它是已知的，不需要学习（如果你愿意，它们是输入句子中单词的 ELMo 嵌入）。因此，这里我没有Embedding层。
由于输入序列具有可变长度，因此使用pad_sequences以下方法填充它们：
X = pad_sequences(sequences=X, padding='post', truncating='post', value=0.0, dtype='float32')
现在，我想告诉 LSTM 忽略这些填充元素。官方的方法是使用 Embedding 层与mask_zero=True. 但是，这里没有嵌入层。如何通知 LSTM 屏蔽零元素？
当我尝试在我的系统上安装Quartz时pip install Quartz,我面临以下错误.我使用Mac OSX和Anaconda.任何帮助表示赞赏.
Complete output from command python setup.py egg_info:
Traceback (most recent call last):
File "<string>", line 1, in <module>
File "/private/var/folders/sb/llj7h5px227_5b0__3v0sw5r0000gn/T/pip-build-qf8ezbu5/Quartz/setup.py", line 35, in <module>
install_requires=read_dependencies("requirements.txt"),
File "/private/var/folders/sb/llj7h5px227_5b0__3v0sw5r0000gn/T/pip-build-qf8ezbu5/Quartz/setup.py", line 7, in read_dependencies
with open(req_file) as req:
FileNotFoundError: [Errno 2] No such file or directory: 'requirements.txt'
我有两个numpy的阵列，X并且Y，具有形状(n,d)和(m,d)分别。假设我们要计算每行X和每行之间的欧几里德距离Y，并将结果存储在Z形状为 的数组中(n,m)。我有两个实现。第一个实现使用两个 for 循环，如下所示：
for i in range(n):
for j in range(m):
Z[i,j] = np.sqrt(np.sum(np.square(X[i] - Y[j])))
第二种实现通过向量化只使用一个循环：
for i in range(n):
Z[i] = np.sqrt(np.sum(np.square(X[i]-Y), axis=1))
当我在特定运行这些代码X和Y数据时，首先执行需要近30秒，而第二个执行需要近60秒。我希望第二个实现更快，因为它使用矢量化。它运行缓慢的原因是什么？我知道我们可以通过完全矢量化代码来获得更快的实现，但我不明白为什么第二个代码（部分矢量化）比非矢量化版本慢。
这是完整的代码：
n,m,d = 5000,500,3000
X = np.random.rand(n,d)
Y = np.random.rand(m,d)
Z = np.zeros((n,m))
tic = time.time()
for i in range(n):
for j in range(m):
Z[i,j] = np.sqrt(np.sum(np.square(X[i] - Y[j])))
print('Elapsed time 1: ', …