小编Jen*_*sun的帖子

在 Julia 中，使用@editREPL 中的宏调用函数将打开编辑器并将光标放在定义方法的行上。所以，这样做：

julia> @edit 1 + 1

跳转到julia/base/int.jl并将光标放在该行上：

(+)(x::T, y::T) where {T<:BitInteger} = add_int(x, y)

一样的函数形式：edit(+, (Int, Int))

Python 中是否有与 Python REPL 相同的装饰器/函数？

在 Keras 中，为什么input_shape当作为参数传递给层时不包括批处理维度，Dense但在input_shape传递给build模型的方法时包含批处理维度？

import tensorflow as tf
from tensorflow.keras.layers import Dense

if __name__ == "__main__":
    model1 = tf.keras.Sequential([Dense(1, input_shape=[10])])
    model1.summary()

    model2 = tf.keras.Sequential([Dense(1)])
    model2.build(input_shape=[None, 10])  # why [None, 10] and not [10]?
    model2.summary()

这是 API 设计的有意识选择吗？如果是，为什么？

Tensorflow提供参差不齐的张量（https://www.tensorflow.org/guide/ragged_tensor）。但是，PyTorch不提供这种数据结构。有没有在PyTorch中构造类似内容的解决方法？

import numpy as np
x = np.array([[0], [0, 1]])
print(x)  # [list([0]) list([0, 1])]

import tensorflow as tf
x = tf.ragged.constant([[0], [0, 1]])
print(x)  # <tf.RaggedTensor [[0], [0, 1]]>

import torch
# x = torch.Tensor([[0], [0, 1]])  # ValueError

一个pip install有所有额外功能的怎么办？我知道做这样的事情：

pip install -e .[docs,tests,others]

是一种选择。但是，是否可以执行以下操作：

pip install -e .[all]

这个问题类似于setup.py/setup.cfg install all extras。但是，那里的答案要求setup.cfg编辑该文件。是否有可能做到这一点无需修改setup.py或setup.cfg？

在编写机器学习模型时，我发现自己需要计算指标，或者在回调中运行额外的前向传递以实现可视化目的。在PyTorch中，我使用 执行此操作torch.no_grad()，这可以防止计算梯度，因此这些操作不会影响优化。

1. 这种机制在TensorFlow/Keras中如何工作？
2. Keras模型是可调用的。所以，类似的事情model(x)是可能的。但是，也可以说model.predict(x)，这似乎也援引了call. 两者有区别吗？

评估

bitstring(Int8(3))

返回"00000011"。Julia 中是否有内置函数来执行将位串解析为整数的逆运算？