小编lea*_*ner的帖子

下面的问题是针对使用 PyCharm 的人。\n有嵌套for循环，tqdm用于与每个for循环对应的进度条。代码如下所示。

from tqdm import tqdm\nimport time\n\nfor i in tqdm(range(5), desc="i", colour='green'):\n    for j in tqdm(range(10), desc="j", colour='red'):\n        time.sleep(0.5)\n

但问题是，每次进度条中有更新时，内部循环的进度条都会以换行符显示，如下所示。

i:   0%|          | 0/5 [00:00<?, ?it/s]\nj:   0%|          | 0/10 [00:00<?, ?it/s]\nj:  10%|\xe2\x96\x88         | 1/10 [00:00<00:04,  1.94it/s]\nj:  20%|\xe2\x96\x88\xe2\x96\x88        | 2/10 [00:01<00:04,  1.94it/s]\nj:  30%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88       | 3/10 [00:01<00:03,  1.96it/s]\nj:  40%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88      | 4/10 [00:02<00:03,  1.96it/s]\nj:  50%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88     | 5/10 [00:02<00:02,  1.97it/s]\nj:  60%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88    | 6/10 [00:03<00:02,  1.97it/s]\nj:  70%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88   | 7/10 [00:03<00:01,  1.97it/s]\nj:  80%|\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88\xe2\x96\x88  | 8/10 [00:04<00:01, …

我有 2 个二维数组。我试图沿轴 1 进行卷积。np.convolve没有提供axis参数。这里的答案是，使用 1 个 2D 数组与 1D 数组进行卷积np.apply_along_axis。但它不能直接应用于我的用例。这里的问题没有答案。

MWE如下。

import numpy as np

a = np.random.randint(0, 5, (2, 5))
"""
a=
array([[4, 2, 0, 4, 3],
       [2, 2, 2, 3, 1]])
"""
b = np.random.randint(0, 5, (2, 2))
"""
b=
array([[4, 3],
       [4, 0]])
"""

# What I want
c = np.convolve(a, b, axis=1)  # axis is not supported as an argument
"""
c=
array([[16, 20,  6, …

我有一个具有以下结构的神经网络：

class myNetwork(nn.Module):
    def __init__(self):
        super(myNetwork, self).__init__()
        self.bigru = nn.GRU(input_size=2, hidden_size=100, batch_first=True, bidirectional=True)
        self.fc1 = nn.Linear(200, 32)
        torch.nn.init.xavier_uniform_(self.fc1.weight)
        self.fc2 = nn.Linear(32, 2)
        torch.nn.init.xavier_uniform_(self.fc2.weight)

我需要通过重置神经网络的参数来将模型恢复到未学习的状态。nn.Linear我可以使用以下方法对图层执行此操作：

def reset_weights(self):
    torch.nn.init.xavier_uniform_(self.fc1.weight)
    torch.nn.init.xavier_uniform_(self.fc2.weight)

但是，要重置图层的权重nn.GRU，我找不到任何此类片段。

我的问题是如何重置图层nn.GRU？重置网络的任何其他方法也可以。任何帮助表示赞赏。

我有一个数据矩阵，a并且我有存储在 array 中的索引列表idx。我想从idx. 现在我使用for循环来实现这一点。但它非常慢，因为我必须在迭代中提取大约 1000 次数据。下面是一个最小的工作示例。

import numpy as np
a = np.random.random(1000)
idx = np.array([1, 5, 89, 54])

# I want "data" array to have np.array([a[1:11], a[5:15], a[89:99], a[54:64]])
# I use for loop below but it is slow
data = []

for id in idx:
    data.append(a[id:id+10])  
data = np.array(data)

有没有办法加快这个过程？谢谢。

编辑：我的问题与这里提出的问题不同。在问题中，与我的问题中的固定块大小相比，块的大小是随机的。存在其他差异。我不必用完整个数组a，一个元素可以出现在多个块中。我的问题不一定“拆分”数组。

我正在尝试生成仅包含0's 和1's 的序列。我编写了以下代码，并且可以正常工作。

import numpy as np

batch = 1000
dim = 32

while 1:
    is_same = False
    seq = np.random.randint(0, 2, [batch, dim])
    for i in range(batch):
        for j in range(i + 1, batch):
            if np.array_equal(seq[i], seq[j]):
                is_same = True
    if is_same:
        continue
    else:
        break

我的batch变量是数以千计。上面的这个循环大约需要 30 秒才能完成。这是另一个for循环的数据生成部分，该循环运行了大约 500 次迭代，因此非常慢。有没有更快的方法来生成这个序列列表而不重复？谢谢。

期望的结果是一个batch_size序列的集合，每个序列的长度dim只包含0s 和1s，这样集合中没有两个序列是相同的。

我正在尝试实现一个神经网络，其中我只需要内核与输入的乘法。Tensorflow 中的致密层还增加了偏差，我试图将其设置为零。从文档中，唯一可以使用的变量是bias_regularizer。所以我尝试执行以下操作：

def make_zero(_):
    return np.zeros(21,)

out1 = tf.layers.dense(inputs=codeword, units=21, activation=None, bias_regularizer=make_zero)

但我仍然看到偏差值不为零。还有其他方法可以实现这一目标吗？

我有一个a形状张量(1, N, 1)。我需要沿维度左移张量1并添加一个新值作为替换。我找到了一种方法来完成这项工作，下面是代码。

a = torch.from_numpy(np.array([1, 2, 3]))
a = a.unsqueeze(0).unsqeeze(2)  # (1, 3, 1), my data resembles this shape, therefore the two unsqueeze
# want to left shift a along dim 1 and insert a new value at the end
# I achieve the required shifts using the following code
b = a.squeeze
c = b.roll(shifts=-1)
c[-1] = 4
c = c.unsqueeze(0).unsqueeze(2)
# c = [[[2], [3], [4]]]

我的问题是，有没有更简单的方法来做到这一点？谢谢。

我正在运行一段简单的代码来返回和batch之间的整数数量（无需替换）。02**63

from random import sample

batch = 1000
n = 63
rand_nos = sample(range(2**n), batch)

我收到错误

Python int too large to convert to C ssize_t

random.sample我认为这与函数内部将范围长度转换为值有关int。但我找不到任何可以设置的参数，要求函数使用更大范围的数据类型。我该怎么办？谢谢。

我有一个处理复杂数据类型的函数，我正在使用它numba来加快处理速度。我声明了一个零数组numpy，使用复杂数据类型，稍后在函数中填充。但在运行时numba不能使零发生函数过载。为了重现错误，我提供了一个 MWE。

import numpy as np
from numba import njit

@njit
def my_func(idx):
    a = np.zeros((10, 5), dtype=complex)
    a[idx] = 10
    return a

my_func(4)

以下错误显示在a初始化数组的位置。

numba.core.errors.TypingError: Failed in nopython mode pipeline (step: nopython frontend)

No implementation of function Function(<built-in function zeros>) found for signature:
zeros(Tuple(Literal[int](10), Literal[int](5)), dtype=Function(<class 'complex'>))
There are 2 candidate implementations:

 Of which 2 did not match due to:
  Overload of function 'zeros': File: numba\core\typing\npydecl.py: Line 511.
    With argument(s): '(UniTuple(int64 …

我有两个 numpy 数组a和 ，b形状分别为[5, 5, 5]和[5, 5]。对于两者来说a，b形状中的第一个条目是批量大小。当我执行矩阵乘法选项时，我得到一个 shape 数组[5, 5, 5]。MWE如下。

import numpy as np

a = np.ones((5, 5, 5))
b = np.random.randint(0, 10, (5, 5))
c = a @ b
# c.shape is (5, 5, 5)

假设我要对批量大小运行一个循环，即a[0] @ b[0].T，它将产生一个 shape 的数组[5, 1]。最后，如果我沿着轴 1 连接所有结果，我将得到一个 shape 的结果数组[5, 5]。下面的代码更好地描述了这些行。

a = np.ones((5, 5, 5))
b = np.random.randint(0, 10, (5, 5))
c …

我正在编写一个多线程程序来并行计算矩阵。换句话说，每个线程独立计算一个大矩阵，然后将其附加到从保存的文件加载的数组中。最后，附加的变量被保存回磁盘（使用np.save）。但是，当两个线程同时写入/访问文件时，就会出现问题。我的问题是，当一个线程写入文件时是否设置了一个锁，以便其他线程可以等待锁被释放来写入/访问文件？

MWE 如下所示

import os
import time
import numpy as np
from multiprocessing import Pool


def main():
    p = Pool(processes=8)
    files = os.listdir("matrices/dummy")
    for f in files:
        try:
            os.remove(f)
        except FileNotFoundError:
            print("File not found while deleting")
    a = np.random.randn(1, 10, 10)
    np.save("matrices/dummy/saved_mat.npy", a)
    p.starmap(save_mat, enumerate(np.random.rand(8)))


def save_mat(index, sleep_dur):
    # time.sleep(sleep_dur)
    np.random.seed(index)
    try:
        a = np.load("matrices/dummy/saved_mat.npy")
        new_val = np.random.randn(1, 10, 10)
        a = np.concatenate([a, new_val], axis=0)
    except FileNotFoundError:
        a = np.random.randn(1, 10, 10)
    np.save("matrices/dummy/saved_mat.npy", a)


if __name__ == "__main__": …