小编Mus*_*ser的帖子

我有 950 个训练视频样本和 50 个测试视频样本。每个视频样本有 10 帧，每帧的形状为 (n_row=28, n_col=28, n_channels=1)。我的输入 (x) 和输出 (y) 具有相同的形状。

x_train 形状: (950, 10, 28, 28,1),

y_train 形状：(950, 10, 28, 28,1),

x_test 形状：(50, 10, 28, 28,1),

y_test 形状：(50, 10, 28, 28,1)。

我想将输入视频样本 (x) 作为输入到我的模型以预测输出视频样本 (y)。

到目前为止，我的模型是：

from keras.layers import Dense, Dropout, Activation, LSTM
from keras.layers import Convolution2D, MaxPooling2D, Flatten, Reshape
from keras.models import Sequential
from keras.layers.wrappers import TimeDistributed

import numpy as np
########################################################################################
model = Sequential()

model.add(TimeDistributed(Convolution2D(16, (3, 3), padding='same'), input_shape=(None, 28, 28, 1))) 
model.add(Activation('sigmoid'))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, …

我有一个 df ，它有一些 NaN 值。例如，这里是 df：

import numpy as np
import pandas as pd

np.random.seed(100)
data = np.random.rand(10,3)
data[3,0] = np.NaN
data[6,0] = np.NaN

data[5,1] = np.NaN
data[7,1] = np.NaN

data[1,2] = np.NaN
data[8,2] = np.NaN
data[6,2] = np.NaN

df = pd.DataFrame(data)
df

这是上面代码的运行结果：

    0           1           2
0   0.543405    0.278369    0.424518
1   0.844776    0.004719    NaN
2   0.670749    0.825853    0.136707
3   NaN         0.891322    0.209202
4   0.185328    0.108377    0.219697
5   0.978624    NaN         0.171941
6   NaN         0.274074    NaN
7   0.940030    NaN         0.336112
8 …

我正在尝试为我的 CNN 模型实现自定义损失函数。我找到了一个IPython notebook，它实现了一个名为Dice的自定义损失函数，如下：

from keras import backend as K
smooth = 1.

def dice_coef(y_true, y_pred, smooth=1):
    intersection = K.sum(y_true * y_pred, axis=[1,2,3])
    union = K.sum(y_true, axis=[1,2,3]) + K.sum(y_pred, axis=[1,2,3])
    return K.mean( (2. * intersection + smooth) / (union + smooth), axis=0)

def bce_dice(y_true, y_pred):
    return binary_crossentropy(y_true, y_pred)-K.log(dice_coef(y_true, y_pred))

def true_positive_rate(y_true, y_pred):
    return K.sum(K.flatten(y_true)*K.flatten(K.round(y_pred)))/K.sum(y_true)

seg_model.compile(optimizer = 'adam', 
              loss = bce_dice, 
              metrics = ['binary_accuracy', dice_coef, true_positive_rate])

我之前从未使用过 keras 后端，并且真的对 keras 后端的矩阵计算感到困惑。所以，我创建了一些张量来查看代码中发生了什么：

val1 = np.arange(24).reshape((4, 6))
y_true = K.variable(value=val1)

val2 …

我正在一个 Django 项目中工作，我试图从我的数据库中获取所有栅格数据。

这是我在 models.py 中的模型

from django.contrib.gis.db import models
class RasterWithName(models.Model):
    raster = models.RasterField()
    name = models.TextField()

这是我用来从 django 的 shell 中的数据库中获取所有行的方法。

首先我必须做一个python manage.py shell然后运行下面的代码，一个接一个：

all_objects = RasterWithName.objects.all()
first_object_in_database = all_objects[0]
print(first_object_in_database)

它打印：

RasterWithName object (1)

此外，运行以下行，

print(type(first_object_in_database))

印刷：

<class 'geo.models.RasterWithName'>

然后我运行下面的两行：

raster = first_object_in_database.raster
print(type(raster))

哪个打印：

<class 'django.contrib.gis.gdal.raster.source.GDALRaster'>

如何将此GDALRaster对象转换为更知名的对象，例如gdal Dataset（可以像这样导入：）from osgeo.gdal import Dataset或xarray Dataset（可以像这样导入：）from xarray import Dataset？

############################################### ###

编辑？#1：

############################################### ###

感谢Val，这是一个有效的解决方案：

all_objects …

每当我尝试运行代码时

import matplotlib.pyplot as plt

from sklearn.preprocessing import PowerTransformer
ptt = PowerTransformer()
plt.plot(ptt.fit(df))

出现此错误：

ImportError: cannot import name 'PowerTransformer'

我的 scikit-learn 当前版本是 0.19.1

出现这个错误的原因是什么？

通过使用下面的代码,我可以使用re来更改这样的字符串:*12.2到这样的浮点数12.2:

import re
numeric_const_pattern = '[-+]? (?: (?: \d* \. \d+ ) | (?: \d+ \.? ) )(?: [Ee] [+-]? \d+ ) ?'
rx = re.compile(numeric_const_pattern, re.VERBOSE)
print('converted string to float number is', float(rx.findall("*12.2")[0]))

converted string to float number is 12.2

但是我有一只熊猫df,它是:

df = pd.DataFrame([[10, '*41', '-0.01', '2'],['*10.5', 54, 34.2, '*-0.076'], 
                        [65, -32.01, '*344.32', 0.01], ['*32', '*0', 5, 43]])


       0         1         2          3
0      10       *41      -0.01        2
1     *10.5      54       34.2      *-0.076
2 …

我有一个这样的 df：

import numpy as np
import pandas as pd
import matplotlib.pylab as plt
np.random.seed(100)
data = np.random.rand(200,3)

df = pd.DataFrame(data)
df.columns = ['a', 'b', 'y']

df['y_roll'] = df['y'].rolling(10).mean()
df['y_roll_predicted'] = df['y_roll'].apply(lambda x: x + np.random.rand()/20)

在上面的代码中，我创建了一个随机的 pandas df。然后用于rolling(10).mean()执行一个moving averageondf['y']并将其保存为df['y_roll'].

情节df['y']如下：

因为我的模型无法预测 的尖​​锐边缘df['y']，所以我决定对其进行滚动.mean() 操作并尝试预测滚动数据df['y_roll']。现在我的模型能够预测df['y_roll']，它的名字是：df['y_roll_predicted'].

如何在此预测列上执行滚动操作的反向操作，以便将其与df['y']值进行比较？

df['y_roll_predicted']vs的情节df['y_roll']如下：