小编kma*_*ace的帖子

我想打印出我的nn每个训练步骤的学习率.

我知道亚当有一个自适应学习率,但有没有办法可以看到这个(对于张量板中的可视化)

有没有办法在R中分割驼峰案例字符串？

我试过了:

string.to.split = "thisIsSomeCamelCase"
unlist(strsplit(string.to.split, split="[A-Z]") )
# [1] "this" "s"    "ome"  "amel" "ase" 

我想计算两个不同长度的列表之间的相似性.

例如:

listA = ['apple', 'orange', 'apple', 'apple', 'banana', 'orange'] # (length = 6)
listB = ['apple', 'orange', 'grapefruit', 'apple'] # (length = 4)

如您所见,单个项目可以在列表中多次出现,并且长度大小不同.

我已经考虑过比较每个项目的频率,但这并不包含每个列表的大小(一个列表只是另一个列表的两倍应该是相似的,但不完全相似)

EG2:

listA = ['apple', 'apple', 'orange', 'orange']
listB = ['apple', 'orange']
similarity(listA, listB) # should NOT equal 1

所以我基本上想要包含列表的大小以及列表中项目的分布.

有任何想法吗？

我看到如果我以两种不同的方式对函数使用memoise,我会得到两种不同的行为,我想了解原因.

# Non Memoised function
fib <- function(n) {
  if (n < 2) return(1)
  fib(n - 2) + fib(n - 1)
}

system.time(fib(23))
system.time(fib(24))

library(memoise)

# Memoisation stragagy 1
fib_fast <- memoise(function(n) {
  if (n < 2) return(1)
  fib_fast(n - 2) + fib_fast(n - 1)
})

system.time(fib_fast(23))
system.time(fib_fast(24))

# Memoisation strategy 2
fib_not_as_fast <- memoise(fib)

system.time(fib_not_as_fast(23))
system.time(fib_not_as_fast(24))

策略1,真的很快,因为它重用了递归结果,而stratagy 2只有在之前看到过确切的输入时才会很快.

有人能解释一下为什么会这样吗？

我试图在张量流中编写自己的成本函数,但显然我不能"切割"张量对象？

import tensorflow as tf
import numpy as np

# Establish variables
x = tf.placeholder("float", [None, 3])
W = tf.Variable(tf.zeros([3,6]))
b = tf.Variable(tf.zeros([6]))

# Establish model
y = tf.nn.softmax(tf.matmul(x,W) + b)

# Truth
y_ = tf.placeholder("float", [None,6])

def angle(v1, v2):
  return np.arccos(np.sum(v1*v2,axis=1))

def normVec(y):
  return np.cross(y[:,[0,2,4]],y[:,[1,3,5]])

angle_distance = -tf.reduce_sum(angle(normVec(y_),normVec(y)))
# This is the example code they give for cross entropy
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

我收到以下错误: TypeError: Bad slice index [0, 2, 4] of type <type 'list'>

假设我想根据他们的cyl分组将mtcars分成3个csv文件.我可以使用mutate来做到这一点,但它会NULL在输出中创建一个列.

library(tidyverse)
by_cyl = mtcars %>% 
           group_by(cyl) %>%
           nest()
by_cyl %>%
  mutate(unused = map2(data, cyl, function(x, y) write.csv(x, paste0(y, '.csv'))))

有没有办法在by_cyl对象上执行此操作而不调用mutate？

我正在尝试生成所有可能的字节来测试机器学习算法(8-3-8壁画网络编码器).有没有办法在没有8个循环的python中做到这一点？

排列有帮助吗？

我更喜欢优雅的方式来做这件事,但我会采取我目前所能得到的.

期望的输出:

[0,0,0,0,0,0,0,0]
[0,0,0,0,0,0,0,1]
[0,0,0,0,0,0,1,0]
[0,0,0,0,0,0,1,1]
[0,0,0,0,0,1,0,0]
[0,0,0,0,0,1,0,1]
.
.
.
[1,1,1,1,1,1,1,1]

我希望用docker建立一些生物信息学分析.

我找到了两个我想使用的docker图像:

1. jupyter /数据科学笔记本
2. Bioconductor的/ devel_base

我已成功地独立运行这些图像,但我不知道如何将它们合并在一起.

是否可以合并两个泊坞容器？或者你从一个开始,然后手动安装另一个的功能？

下面，我绘制了一个典型的前馈神经网络：

现在我的问题是，就行话而言，一层是什么？

可以将每个单独的过程（矩形）视为一个层吗？还是层的组合是流程图的单行？有时我会将“乘+加”视为一个单独的层，将非线性函数（relu）视为一个单独的层。但是，我真的很希望得到一个明确的答案。

我经常在在线视频上教人们有关神经网络的知识，而讲师本身将一个示例中的层数混合在一起。

我希望将我的代码提供给其他人来运行，他们需要正确的csv文件来运行我的代码。

一旦他们git克隆了我的仓库，他们就需要获取数据

所以我目前有：

u = 'https://someURL/data/RegularSeasonCompactResults.csv'
download.file(u,'RegularSeasonCompactResults.csv')
data = read.table('RegularSeasonCompactResults.csv')

但是，如果用户第二次运行此文件，即使没有必要，它也会重新下载文件。

对于人们来说，这似乎是一个反复出现的问题，所以我想知道是否有针对此的内置解决方案？