小编Mil*_*der的帖子

据我了解，tf.reset_default_graph()只创建一个新图形并将其设置为等于默认图形。因此，先前创建的张量将只是躺在周围占据内存。我也读过未引用的张量不是垃圾收集的（就像 Python 中的普通变量一样）。

如果我正在运行交叉验证来搜索一组超参数并因此一次又一次地创建相同的图形，我如何摆脱以前创建的张量？

假设我们有一些关系数据。为零售连锁店做一个简单的例子：

• 数据集 1 --> Store_id、Daily_sales
• 数据集 2 --> Customer_id, store_id, Time in, Time out

让我们说任务是预测Daily_sales。

我知道如何为单个 CSV 创建数据批次。我可以使用tf.data.experimental.make_csv_dataset并迭代它返回的可迭代数据集以懒惰地读取批次。

然而，我想在批次读取来自Dataset 1和Dataset 2上述其中公共ID是描述store_id使得批读出与相同的行store_id来自两个数据集秒。我想这样做是因为我将在两个数据集Dataset 2上运行两个网络（RNN和单个完全连接层Dataset 1），然后将它们合并到最终的完全连接层中。

您能否指导我如何在以下情况下解决此问题：

• 数据集可以放入内存
• 数据集无法放入内存

这是我正在寻找的一致批处理创建的具体示例：

import pandas as pd
Dataset_1 = pd.DataFrame({'id':['a','b','c','d'],'col1':[1,2,3,4]})
print(Dataset_1)
  id  col1
0  a     1
1  b     2
2  c     3
3  d     4
Dataset_2 = pd.DataFrame({'id':['a','a','b','c','c','c','d'],'col1':[10,11,12,13,14,15,16]})
print(Dataset_2)
    id  col1
0   a   10
1   a   11
2   b   12 …

我在很多地方都读过序列化的定义。他们似乎都说这是一种将对象（在 Java 或 Python 等 OOP 语言中）转换为字节流的方法。

不是所有的对象都已经在最基本的层面上以字节流的形式存在了吗？或者当我们将任何内容保存到任何磁盘时，不是所有内容都已经只是保存的 1 和 0 并且稍后会读取吗？什么不是字节流？什么是将对象转换为相应的字节流？

我有一个数组a，我想b用重复指定次数的特定字符串创建另一个数组a

a = np.array([1,2,3])
s = 'a'

我希望b成为np.array(['a','aa','aaa'])。没有循环的麻木方式是什么？

虽然我的用例不需要它，但是总的来说

a = np.array([1,2,3])
s = np.array(['a','b','c'])

如何b做到np.array(['a','bb','ccc'])没有循环？