小编pet*_*ich的帖子

我在输入中有多个时间序列,我想正确构建LSTM模型.

我真的很困惑如何选择参数.我的代码:

model.add(keras.layers.LSTM(hidden_nodes, input_shape=(window, num_features), consume_less="mem"))
model.add(Dropout(0.2))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))

optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

我想了解每行,输入参数的含义以及如何选择这些参数.

实际上我对代码没有任何问题,但我需要清楚地了解参数以获得更好的结果.

非常感谢!

我是深度学习的新手.我有这个问题:我正在尝试使用这些数据训练网络.一切都在一个文件夹中,标签在不同的mat文件中.

我知道我可以用scipy.io读取数据.但是如何在一个文件夹中获得火车X？如果我使用内置的flow_from_directory它没有显示图像,因为每个类都应该拥有它自己的文件夹.

如何只用一个文件夹创建X？现在它显示了Found 0 images belonging to 0 classes

只有一个带图像的文件夹.所有图像都在1个文件夹中.我的意思是没有类文件夹.使用flow_from_directory你应该有像汽车/奔驰,汽车/宝马,汽车/奥迪这样的东西,但我的数据没有子文件夹.

所以我的问题是有没有其他方法来创建X数据？

我正在处理一项记录 WebRTC 视频对话然后将其转换为文本的任务。

为了录制音频，我使用RecordRTC，而对于语音识别，我想使用 Web Speech API。

是否可以将录制的音轨传递给 Web Speech API，然后从中获取文本？如果可能的话 - 有没有关于它的文章？

我只能找到有关 Google Speech API 的文章，但此 API 不是免费的...

我目前正在使用来自 pytorch 预训练 Faster-RCNN 模型（如 torchvision教程）的迁移学习对自定义数据集进行对象检测。我想在每个时代结束时计算验证损失字典（如在训练模式下）。我可以在训练模式下运行模型进行验证，如下所示：

model.train()
for images, targets in data_loader_val:
    images = [image.to(device) for image in images]
    targets = [{k: v.to(device) for k, v in t.items()} for t in targets]

    with torch.no_grad():
         val_loss_dict = model(images, targets)
         print(val_loss_dict)

但我不认为，这是验证的“正确”方式（因为某些特殊层，如 dropout 和 batch norm 在 eval/train 模式下的工作方式不同）。在 eval 模式下，模型返回预测的 bbox（如预期）。我可以为此使用一些内置函数吗？

谢谢。

我正在尝试实现一个层(通过lambda层),它执行以下numpy过程:

def func(x, n):
    return np.concatenate((x[:, :n], np.tile(x[:, n:].mean(axis = 0), (x.shape[0], 1))), axis = 1)

我被卡住了,因为我不知道如何获得x的第一个维度的大小(这是批量大小).后端函数int_shape(x)返回(None, ...).

所以,如果我知道batch_size,相应的Keras过程将是:

def func(x, n):
    return K.concatenate([x[:, :n], K.tile(K.mean(x[:, n:], axis=0), [batch_size, 1])], axis = 1)

假设我有两个相同采样率的音频段，它们是从 Pydub 中的 .wav 文件导入的，并假设我知道哪个更短。现在假设我想将较长的音频文件分成两段，以便第一段与较短的音频文件具有完全相同的长度（下降到完全相同的样本数！）并将这两个段中的每一个分配给新的音频段. 我怎样才能在 Pydub 中做到这一点？ 如果我不能使用 Pydub 达到这种精度水平，你能给我一个同样有效的替代方案吗？

基本上我只想在样本完美级别将较长的音频片段分成两部分。这是我想要的插图：

我想知道 Scikit-learn 的 LDA 实现中的困惑度和分数意味着什么。这些功能是晦涩难懂的。

至少，我需要知道当模型更好时这些值是增加还是减少。我已经搜索过，但有些不清楚。我觉得困惑应该减少，但我想要一个关于这些值应该如何上升或下降的明确答案。

• 文档中的困惑
• 文档中的分数
• LDA源码及其方法

float(1.0) is float(1.0) #True
float(1) is float(1) #False

我已将float()奇怪性与此对象创建顺序隔离开来,因为

x1 = float(1)
x2 = float(1)
x1 is x2 #False
id(x1) == id(x2) #False
y1 = float(1.0)
y2 = float(1.0)
y1 is y2 #True
id(y1) == id(y2) #True

注意:我已经检查了浮点数的精度,这不是发生这种情况的原因.

我想了解Python为何以及如何决定创建浮动对象.为什么float(1.0)指向同一个对象,而float(1)指向两个不同的对象,当它们被创建两次时？

另外,有待进一步参考:

float(1) is float(1) #False
id(float(1)) == id(float(1)) #True
float(1.0) is float(1.0) #True
id(float(1.0)) == id(float(1.0)) #True

我想运行一次运行它们的产品的多个版本的测试.以下是代码示例:

import unittest

suite = unittest.TestLoader().discover("./tests")
runner = unittest.TextTestRunner()

for build in [build1, build2]:
    get_the_build(build)
    runner.run(suite)

第一次迭代运行良好,但在第二次迭代开始时出现错误:

Traceback (most recent call last):
  File "D:/Path/to/my/folder/run_tests.py", line 9, in <module>
    runner.run(suite)
  File "C:\Program Files (x86)\Python36-32\lib\unittest\runner.py", line 176, in run
    test(result)
  File "C:\Program Files (x86)\Python36-32\lib\unittest\suite.py", line 84, in __call__
    return self.run(*args, **kwds)
  File "C:\Program Files (x86)\Python36-32\lib\unittest\suite.py", line 122, in run
    test(result)
TypeError: 'NoneType' object is not callable

怎么了？什么结果runner要求？为什么会失败？任何想法如何解决问题？

我需要打印文件中的所有列，但我得到的结果是这样的......

您知道如何显示数据框的所有列吗？

代码是这样的：

file = pl.read_excel('1.xlsx')

file = file.drop_nulls()

print(file)