我是python的新手.这似乎是一个要问的基本问题.但我真的想了解这里发生的事情

import numpy as np 
import pandas as pd 
tempdata = np.random.random(5)
myseries_one = pd.Series(tempdata)
myseries_two = pd.Series(data = tempdata, index = ['a','b','c','d','e'])
myseries_three = pd.Series(data = tempdata, index = [10,11,12,13,14])


myseries_one
Out[1]: 
0    0.291293
1    0.381014
2    0.923360
3    0.271671
4    0.605989
dtype: float64

myseries_two
Out[2]: 
a    0.291293
b    0.381014
c    0.923360
d    0.271671
e    0.605989
dtype: float64

myseries_three
Out[3]: 
10    0.291293
11    0.381014
12    0.923360
13    0.271671
14    0.605989
dtype: float64

索引每个数据帧的第一个元素

myseries_one[0] #As expected
Out[74]: 0.29129291112626043

myseries_two[0] …

我正在使用并发.futures 模块来进行多处理和多线程处理。我在具有 16GB RAM、英特尔 i7 第八代处理器的 8 核机器上运行它。我在 Python 3.7.2 甚至 Python 3.8.2 上尝试过这个

import concurrent.futures
import time

def double_value(x):
  y = []
  for elem in x:
    y.append(2 *elem)
  return y

def double_single_value(x):
  return 2* x

import numpy as np
a = np.arange(100000000).reshape(100, 1000000)

 def get_double_value(x):
  with concurrent.futures.ThreadPoolExecutor() as executor:
    results = executor.map(double_single_value, x)
  return list(results)

下面显示的代码运行时间为 115 秒。这仅使用多处理。这段代码的CPU利用率是100%

t = time.time()

with concurrent.futures.ProcessPoolExecutor() as executor:
  my_results = …

I have trained a TensorFlow model and convert it to TensorFlow lite using the below code:

# Convert the model
import tensorflow as tf
import numpy as np
# path to the SavedModel directory is TFLITE_PATH
converter = tf.lite.TFLiteConverter.from_saved_model(TFLITE_PATH) 

tflite_model = converter.convert()

# Save the model.
with open('model_1.tflite', 'wb') as f:
  f.write(tflite_model)

Attaching my model_1.tflite model in case you want to investigate. I have tested it inside my python environment, where it is producing output using the below script:

import …

我创建了一个 tf 记录并用它来训练我的模型。在训练过程中，每当我调用数据来执行评估时，我总是收到消息

GeneratorDatasetOp::Dataset 的输入不会被优化，因为数据集没有实现应用优化所需的 AsGraphDefInternal() 方法。

在创建 tf 记录期间，我尝试包含以下代码来优化数据集，但这没有成功

AUTO = tf.data.experimental.AUTOTUNE # used in tf.data.Dataset API
option_no_order = tf.data.Options()
option_no_order.experimental_deterministic = False

option_no_order.experimental_optimization.noop_elimination = True
option_no_order.experimental_optimization.apply_default_optimizations = True

请建议我可以尝试或遵循的优化数据集的步骤

我创建了从00:00:00到23:00:00的时间序列.在总和小于或等于23:00:00之前,添加任意小时数都很容易.在总和超过23:00:00后,它开始显示天数的时间,这是非常直观的.但我希望输出在一个时钟时间内,无论我是减法还是加法

假设我想像下面这样做

library(chron)
times("23:00:00")+ times("01:00:00")
Time in days:
[1] 1 

我想要的输出低于一.而不是得到我想要的日子

00:00:00 

我也试过减法

times("00:00:00")- times("01:00:00")
[1] -0.04166667

期望的输出

 "23:00:00"

我也尝试使用POSIXct,但它在各种情况下都会出现各种错误

 as.POSIXct("00:00:00", format = "%H:%M:%S", tz = "UTC")
    [1] "2017-02-07 UTC" #Not printing time. Only dates 

使用POSIXct减法

as.POSIXct("00:00:00", format = "%H:%M:%S", tz = "UTC") -as.POSIXct("01:00:00", format = "%H:%M:%S", tz = "UTC")
        Time difference of -1 hours
        Warning message:
        In 1:0:0 : numerical expression has 2 elements: only the first used

使用POSIXct添加

as.POSIXct("23:00:00", format = …

我想要使​​用Bokeh 进行如下所示的类似可视化。由于我是Bokeh 的新手，我可能想知道是否有任何代码像下面使用Seaborn 的代码一样简洁？

我的主要重点是如何在 Bokeh 中为相同的可视化编写代码

数据集

data = pd.read_csv('http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv',index_col = 0)

绘制数据集

import seaborn as sns  

sns.pairplot(data, x_vars = ['TV', 'Radio','Newspaper'], y_vars = ['Sales'],               
             size =7, aspect =.7, kind = 'reg')

此外，Seaborn 中的代码不需要输入最佳拟合线。它会自动生成图中带有置信区间阴影的最佳拟合线。在 Bokeh 中可以进行这种绘图吗？

我正在运行 2000 个时代的多类模型（总共 40 个类）。该模型运行良好，直到 828 epoch 但在 829 epoch 它给了我一个 InvalidArgumentError （见下面的截图）

下面是我用来构建模型的代码。

n_cats = 40 
input_bow = tf.keras.Input(shape=(40), name="bow")
hidden_1 = tf.keras.layers.Dense(200, activation="relu")(input_bow)

hidden_2 = tf.keras.layers.Dense(100, activation="relu")(hidden_1)

hidden_3 = tf.keras.layers.Dense(80, activation="relu")(hidden_2)

hidden_4 = tf.keras.layers.Dense(70, activation="relu")(hidden_3)

output = tf.keras.layers.Dense(n_cats, activation="sigmoid")(hidden_4)

model = tf.keras.Model(inputs=[input_bow], outputs=output)

METRICS = [
    tf.keras.metrics.Accuracy(name="Accuracy"),
    tf.keras.metrics.Precision(name="precision"),
    tf.keras.metrics.Recall(name="recall"),
    tf.keras.metrics.AUC(name="auc"),
    tf.keras.metrics.BinaryAccuracy(name="binaryAcc")
]

checkpoint_cb = tf.keras.callbacks.ModelCheckpoint(
    "my_keras_model.h5", save_best_only=True)
lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(initial_learning_rate=1e-2,
                                                             decay_steps=10000,
                                                             decay_rate=0.9)


adam_optimizer = tf.keras.optimizers.Adam(learning_rate=lr_schedule)
model.compile(loss="categorical_crossentropy",
              optimizer="adam", metrics=METRICS)

training_history = model.fit(
    (bow_train),
    indus_cat_train,
    epochs=2000,
    batch_size=128,
    callbacks=[checkpoint_cb],
    validation_data=(bow_test, indus_cat_test)) …

我正在使用预训练模型来训练图像分类器。下面的代码在 CPU 和单个 GPU 上运行良好（即当 #GPU=1 时）

class Metrics(tf.keras.callbacks.Callback):
    def __init__(self, train_tf_data, val_tf_data, CLASSES, logs={}, **kwargs):
        super().__init__(**kwargs)
        # self.keras_metric = tf.keras.metrics.Mean("val_f1_after_epoch")
        self.train_tf_data = train_tf_data
        self.val_tf_data = val_tf_data
        # self.model = model
        self.CLASSES = CLASSES

    def on_epoch_end(self, epoch, logs={}):
        # self.keras_metric.reset_state()
        # for train data
        self.train_reports = test_model(model=self.model, data=self.train_tf_data, CLASSES=self.CLASSES)
        self.train_f1_after_epoch = self.train_reports['f1_score']
        self.train_recall_after_epoch = self.train_reports['recall']
        self.train_prec_after_epoch = self.train_reports['precision']

        # for val data
        self.val_reports = test_model(model=self.model, data=self.val_tf_data, CLASSES=self.CLASSES)
        self.val_f1_after_epoch = self.val_reports['f1_score']
        self.val_recall_after_epoch = self.val_reports['recall']
        self.val_prec_after_epoch = self.val_reports['precision']

        # saving train results …

我正在使用 tensorflow 版本 2.0.0-beta1。打电话时

tf.estimator.inputs.pandas_input_fn

它给了我一个错误。

module 'tensorflow_estimator.python.estimator.api._v2.estimator' has no attribute 'inputs'

为了找出我尝试过的问题

tf.estimator.inputs

这给了我以下错误

module 'tensorflow_estimator.python.estimator.api._v2.estimator' has no attribute 'inputs'

我曾尝试在本地机器和 Google Colab 上重新安装 tensorflow，但这似乎不起作用。与先前版本的 tensorflow ie（tf 版本 1.x）相比，新版本的 tensorflow 中的此功能是否有任何变化

我的项目有以下结构

Object_Detection/
                 setup.py
                 setup.cfg
                 requirement.txt
                 object_detection/
                                  models
                                  __init__.py #contains from . import models
                 tests/ 
                       # inside tests dir
                       test_utils_image.py
                       __init__.py #empty
                 utils/
                      # inside utils dir
                      __init__.py #inside 
                      utils_image_preprocess.py
                      utils_image.py
                      utils_tfrecord.py

现在utils 目录中的init .py 包含以下代码。

# inside __init__.py
from . import utils_image_preprocess
from . import utils_image
from . import utils_tfrecord

在init .py 文件之上运行会出现错误：

ImportError: attempted relative import with no known parent package

测试目录中的 test_utils.py 包含以下代码

# inside test_utils.py
from object_detection.utils import utils_image

运行 test_utils.py 时出现以下错误

ImportError: cannot import name …