小编Mer*_*klT的帖子

白天，我觉得Visual Studio的明亮标准主题令人愉悦，而晚上，当环境光线减弱时，我经常切换到黑暗主题。在Visual Studio Code中，有一些插件可以在时间控制的主题之间进行切换。

Visual Studio 2019中有等效的功能吗？

我目前正在测试支持向量回归（SVR）是否有两个输出的回归问题。这意味着Y_train_data每个样本都有两个值。由于SVR只能产生单个输出，因此我使用scikit的MultiOutputRegressor 。

svr_reg = MultiOutputRegressor(SVR(kernel=_kernel, C=_C, gamma=_gamma, degree=_degree, coef0=_coef0))
svr_reg.fit(X_train_data, Y_train_data)

现在我已经注意到，即使在超参数优化之后，SVR的结果也比单个决策树差得多。

将SVR与多个输出一起使用时，这是一个已知问题吗？

并且创建具有不同超参数的两个单独的SVR模型会更好吗？

我想在C ++中实现等效的matlab icdf函数，我已经找到了这个有用的文章：https ://www.johndcook.com/blog/cpp_phi_inverse/ 。但是我希望它具有可选的mu和sigma参数，如在matlab中一样。

我应该改变什么？

I want to set my LSTM hidden state in the generator. However, the set of the state only works outside the generator:

K.set_value(model.layers[0].states[0], np.random.randn(batch_size,num_outs)) # this works

def gen_data():
    x = np.zeros((batch_size, num_steps, num_input))
    y = np.zeros((batch_size, num_steps, num_output))
    while True:
        for i in range(batch_size):
            K.set_value(model.layers[0].states[0], np.random.randn(batch_size,num_outs)) # error
            x[i, :, :] = X_train[gen_data.current_idx]
            y[i, :, :] = Y_train[gen_data.current_idx]
            gen_data.current_idx += 1
        yield x, y
gen_data.current_idx = 0

The generator is invoked in the fit_generator function:

model.fit_generator(gen_data(), len(X_train)//batch_size, 1, validation_data=None) …

我使用 Keras 创建了一个 LSTM，并以 TensorFlow 作为后端。在 num_step 为 96 的小批量进行训练之前，LSTM 的隐藏状态被设置为前一个时间步的真实值。

首先是参数和数据：

batch_size = 10
num_steps = 96
num_input = num_output = 2
hidden_size = 8
X_train = np.array(X_train).reshape(-1, num_steps, num_input)
Y_train = np.array(Y_train).reshape(-1, num_steps, num_output)
X_test = np.array(X_test).reshape(-1, num_steps, num_input)
Y_test = np.array(Y_test).reshape(-1, num_steps, num_output)

Keras 模型由两个 LSTM 层和一层将输出修剪为 num_output（即 2）：

model = Sequential()
model.add(LSTM(hidden_size, batch_input_shape=((batch_size, num_steps, num_input)),
               return_sequences=True, stateful = True)))
model.add(LSTM(hidden_size, return_sequences=True)))
model.add(Dropout(0.2))
model.add(TimeDistributed(Dense(num_output, activation='softmax')))

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

生成器以及训练（hidden_​​states[x] 的形状为 (2,)）：

def gen_data():
        x = np.zeros((batch_size, num_steps, …

我有一个线性优化问题，可以用这样的成本函数代码表示：

value_to_minimize = 0.0;
for i in range(0, len(v_1)):
    value_to_minimize += np.abs(v_1[i] - (v_2[i] * c1 + v_3[i] * c2 + v_4[i] * c3));

求解器的任务应该是找到变量c1,的值c2，c3从而使该值最小化。作为边界条件，c1, c2,c3一起应该导致 1.0 而不是负数。 v_1，v_2，v_3和v_4与10000个浮点值向量。

这是在 cvxpy 中解决这个最小化问题的大纲，但没有 cp.Minimize(...) 中的参数传递：

V1 = np.array(v_1).reshape(10000, 1)
V2 = np.array(v_2 + v_3 + v_4).reshape(10000, 3)
c = cp.Variable((3,1),nonneg=True)

prob = cp.Problem(cp.Minimize(..., # ???
                [sum(c) == 1])) 
prob.solve(verbose=True)

在这种情况下，cvxpy 的最小化函数看起来如何？