小编edn*_*edn的帖子

我正在使用 Flutter 开发一个应用程序，并在物理 iOS 设备 (iPhone 7) 上测试该应用程序。

iOS版本是：15.3.1
Flutter版本是：2.10.3

当我测试我的应用程序时，偶尔会发生崩溃。崩溃给出以下错误。它并不总是在同一个地方崩溃，所以我不知道在这里分享什么代码。错误消息本身对我来说并没有说明太多，而且我在网上找不到有关此错误的任何有用信息。

* thread #1, queue = 'com.apple.main-thread', stop reason = EXC_BAD_ACCESS (code=1, address=0x443b8000443b8000)
    frame #0: 0x0000000198405048 libobjc.A.dylib`objc_msgSend + 8
libobjc.A.dylib`objc_msgSend:
->  0x198405048 <+8>:  ldr    x13, [x0]
    0x19840504c <+12>: and    x16, x13, #0xffffffff8
    0x198405050 <+16>: mov    x15, x16
    0x198405054 <+20>: ldr    x11, [x16, #0x10]
Target 0: (Runner) stopped.
Lost connection to device.
Exited (sigterm)

接下来我可以检查什么？

附录

我想知道我的 Stream Builder 是否做错了什么。这是我的代码的缩短版本：

class PrepareList extends StatefulWidget {
  final String place;
  const PrepareList({
    Key? …

I use the Tensorflow v 1.14.0. I work on Windows 10. And here is how relevant environment variables look in the PATH:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp
C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common
C:\Users\sinthes\AppData\Local\Programs\Python\Python37
C:\Users\sinthes\AppData\Local\Programs\Python\Python37\Scripts
C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\cuda\bin

Maybe also worth to mention, just in case it might be relevant.. I use Sublime Text 3 for development and I do not use Anaconda. I find it a bit cumbersome to …

我按照此处的说明安装和测试 Firebase Crashlytics：

以下是其中一个步骤中需要完成的操作：

iOS系统

在 Xcode 中，从项目导航中选择 Runner。

选择“构建阶段”选项卡，然后单击“+”>“新建运行脚本阶段”。

将以下内容添加到 Shell 属性下方的“键入脚本...”文本框中：

我按照上面的说明将以下内容粘贴到 XCode 中：

$PODS_ROOT/FirebaseCrashlytics/upload-symbols --build-phase --validate -ai <googleAppId>
$PODS_ROOT/FirebaseCrashlytics/upload-symbols --build-phase -ai <googleAppId>

哦！我<googleAppId>用从 Firebase 获得的真实 AppId 进行更改。

当我再次启动我的应用程序时，出现以下错误：

 2021-12-23 19:16:50.044 upload-symbols[31089:256482] Unable to get file attributes for dSYM file at path "/Users/ednuser/Developer/FlutterProjects/MyProject/build/ios/Debug-iphoneos/Runner.app.dSYM/Contents/Resources/DWARF/Runner"
        2021-12-23 19:16:51.049 upload-symbols[31089:256482] Unable to get file attributes for dSYM file at path "/Users/ednuser/Developer/FlutterProjects/MyProject/build/ios/Debug-iphoneos/Runner.app.dSYM/Contents/Resources/DWARF/Runner"
        2021-12-23 19:16:52.054 upload-symbols[31089:256482] Unable to get file attributes for dSYM file at path "/Users/ednuser/Developer/FlutterProjects/MyProject/build/ios/Debug-iphoneos/Runner.app.dSYM/Contents/Resources/DWARF/Runner"
        2021-12-23 19:16:53.060 upload-symbols[31089:256482] …

ReduceLROnPlateauKeras中的回调似乎是用于训练模型的有趣工具。但是我无法真正弄清楚该cooldown参数ReduceLROnPlateau在Keras 的回调函数中究竟意味着什么。

文档说明如下：

一，功能接口：

keras.callbacks.ReduceLROnPlateau(monitor='val_loss', 
                                  factor=0.1, 
                                  patience=10, 
                                  verbose=0, 
                                  mode='auto', 
                                  min_delta=0.0001, 
                                  cooldown=0, 
                                  min_lr=0)

ReduceLROnPlateau：一旦学习停滞，模型通常会受益于将学习率降低2-10倍。此回调监视数量，并且如果没有发现“耐心”时期的改善，则会降低学习率。

cooldown：减少lr之后恢复正常操作之前要等待的时期数。

这种解释对我来说并不十分清楚。是不是在说：-那样说lr=A。如果在时期patience数期间相关监视指标未改善，则学习率会降低。（并说lr=B减少之后）。然后，将学习率设置为历元数lr=A后的第一个值（再次）cooldown。

我的理解正确吗？如果不是，那么cooldown参数的真正功能是什么？

PS。当我用google搜索它时，我看到一些例子，人们将cooldown参数设置为零，这使我认为我对这个参数的看法是错误的。

Keras 有一个名为 flow_from_directory 的函数，其中一个参数称为 target_size。这是它的解释：

target_size: Tuple of integers (height, width), default: (256, 256). 
The dimensions to which all images found will be resized.

我不清楚的是它是否只是将原始图像裁剪成 256x256 矩阵（在这种情况下我们不拍摄整个图像）或者只是降低图像的分辨率（同时仍然向我们显示整个图像） ？

如果是 - 比方说 - 只需降低分辨率：假设我有一些尺寸为 1024x1024 的 X 射线图像（用于乳腺癌检测）。如果我想将迁移学习应用于仅接受 224x224 输入图像的预训练卷积神经网络，当我将图像的大小（和分辨率）从 1024x1024 减小到 224x224 时，我不会丢失重要的数据/信息吗？难道就没有这样的风险吗？

先感谢您！

为了使模型的训练更快，在CPU上填充/生成批次并在GPU上并行运行模型的训练似乎是一个好习惯。为此，可以使用Python编写一个生成器类来继承Sequence该类。

这是文档的链接：https : //www.tensorflow.org/api_docs/python/tf/keras/utils/Sequence

该文档指出的重要内容是：

Sequence是进行多处理的更安全方法。这种结构保证了网络在每个时期的每个样本上只会训练一次，而生成器则不会。

它给出了一个简单的代码示例，如下所示：

from skimage.io import imread
from skimage.transform import resize
import numpy as np
import math

# Here, `x_set` is list of path to the images
# and `y_set` are the associated classes.

class CIFAR10Sequence(Sequence):

    def __init__(self, x_set, y_set, batch_size):
        self.x, self.y = x_set, y_set
        self.batch_size = batch_size

    def __len__(self):
        return math.ceil(len(self.x) / self.batch_size)

    def __getitem__(self, idx):
        batch_x = self.x[idx * self.batch_size:(idx + 1) *
        self.batch_size]
        batch_y = self.y[idx * self.batch_size:(idx …

我正在尝试实现一个时间序列模型，但得到了一些奇怪的异常，但这些异常对我来说没有任何意义。我想知道我是否犯了一个错误，或者这是否完全是预料之中的。详细信息来了...

训练模型时，我尝试进行网格搜索以找到最佳（p、d、q）设置。这是完整的代码（我将在下面解释这里发生的事情）：

下面的可重现代码本质上是来自https://machinelearningmastery.com/grid-search-arima-hyperparameters-with-python/的副本，有一些细微的变化......：

import warnings
from pandas import Series
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error

# evaluate an ARIMA model for a given order (p,d,q)
def evaluate_arima_model(X, arima_order):
    # prepare training dataset
    train_size = int(len(X) * 0.66)
    train, test = X[0:train_size], X[train_size:]
    history = [x for x in train]
    # make predictions
    predictions = list()
    for t in range(len(test)):
        model = ARIMA(history, order=arima_order)
        model_fit = model.fit(disp=0)
        yhat = model_fit.forecast()[0]
        predictions.append(yhat)
        history.append(test[t])
    # calculate out of …

我正在尝试实现一个连体网络（通过使用三元组损失方法）。我就是不能让它训练。经过多次尝试，我想我的问题出现在生成器中（我准备输入数据流用于训练），但到目前为止我无法定位问题。帮助！:)

这是我的模型定义（它基于 ResNet50）。

model = ResNet50(weights='imagenet')
model.layers.pop()
for layer in model.layers:
    layer.trainable = False
x = model.get_layer('flatten_1').output
model_out = Dense(128, activation='sigmoid',  name='model_out')(x)
new_model = Model(inputs=model.input, outputs=model_out)

这里我定义了要训练的模型：

anchor_in = Input(shape=(224, 224, 3))
positive_in = Input(shape=(224, 224, 3))
negative_in = Input(shape=(224, 224, 3))

anchor_out = new_model(anchor_in)
positive_out = new_model(positive_in)
negative_out = new_model(negative_in)

merged_vector = concatenate([anchor_out, positive_out, negative_out], axis=-1)
# Define the model to be trained
siamese_model = Model(inputs=[anchor_in, positive_in, negative_in],
                      outputs=merged_vector)
siamese_model.compile(optimizer=Adam(lr=.001), loss=triplet_loss)

能够训练模型。我需要使用生成器为它提供数据，这是我定义它的方式：

（请注意，我特意在每个文件夹中只放了 1 张图片只是为了开始。如果可以的话，我稍后会增加每个文件夹中的 # 个图片。）

def generator_three_imgs(): …

我需要"有条件地"向现有的numpy数组添加2个新列,并希望在没有太多复杂性的情况下解决它.

假设我有以下数组:

a = np.array([[1,  2], 
              [-1, 4],
              [1,  6],
              [-1, 8]])

对于这个数组,我需要添加2个新列,这将使数组看起来如下所示:

a = np.array([[1,  2, 2, 0 ], 
              [-1, 4, 2, 4 ],
              [1,  6, 8, 4 ],
              [-1, 8, 8, 12]])

这是它背后的逻辑:

原始数组有2列.输出有4列.(3.和4.列是新的.)

3.列本质上是第二列的增量和,但只有在数组的第一列中相应的值为1时,才会继续添加第2列中的值(来自[:,1])(a: ,0]).例如:

• a [0,2]是2,因为[0,1]是2,我们接受它因为[0,0] = 1
• a [1,2]仍然为"2"因为[1,0] =( - 1)所以我们跳过a [1,1]的值
• a [2,2]变为(2 + 6 =)8.它是[0,2]和[2,2]之和.只要第一列中相应的行值为NOT(-1),我们只对2.列中的值求和.
• a [3,2]保持为8,因为[3,0] =( - 1)因此a [3,1]不加到总和中.

创建4.列是相同的,但这次只需添加第二列(a [:,1])中的值,只要第一列的行值为-1即可.

是否有任何库函数以一种很好的方式支持这样的操作？

我需要开发一个 RNN 模型，并希望使用数据生成器来提供训练/评估循环。

首先，我在从 csv 文件中获取数据时使用了这个帮助功能。

RECORD_DEFAULTS_TRAIN = [[0], [0.0], [0.0], [0.0], [0.0], [0.0], [0.0]]

def decode_csv(line):
   parsed_line = tf.decode_csv(line, RECORD_DEFAULTS_TRAIN)
   label =  parsed_line[-1]      # label is the last element of the list
   del parsed_line[-1]           # delete the last element from the list
   del parsed_line[0]            # even delete the first element bcz it is assumed NOT to be a feature
   features = tf.stack(parsed_line)  # Stack features so that you can later vectorize forward prop., etc.
   return features, label 

这是我的数据生成器功能：

def …