小编Eka*_*Eka的帖子

我使用hyperopt优化了我的keras模型。现在，我们如何将最佳优化的keras模型及其权重保存到磁盘。

我的代码：

from hyperopt import fmin, tpe, hp, STATUS_OK, Trials
from sklearn.metrics import roc_auc_score
import sys

X = []
y = []
X_val = []
y_val = []

space = {'choice': hp.choice('num_layers',
                    [ {'layers':'two', },
                    {'layers':'three',
                    'units3': hp.uniform('units3', 64,1024), 
                    'dropout3': hp.uniform('dropout3', .25,.75)}
                    ]),

            'units1': hp.choice('units1', [64,1024]),
            'units2': hp.choice('units2', [64,1024]),

            'dropout1': hp.uniform('dropout1', .25,.75),
            'dropout2': hp.uniform('dropout2',  .25,.75),

            'batch_size' : hp.uniform('batch_size', 20,100),

            'nb_epochs' :  100,
            'optimizer': hp.choice('optimizer',['adadelta','adam','rmsprop']),
            'activation': 'relu'
        }

def f_nn(params):   
    from keras.models import Sequential
    from keras.layers.core import Dense, Dropout, Activation
    from …

我正在尝试学习python,为此我使用python 2.7.3做了一个简单的添加程序

print("Enter two Numbers\n")
a = int(raw_input('A='))
b = int(raw_input('B='))
c=a+b
print ('C= %s' %c)

我将文件保存为add.py,当我双击并运行它时,程序运行并在不显示答案的情况下立即退出.

然后我尝试了这个问题的代码简单的加法计算器在python中它接受用户输入但是在输入两个数字之后python退出而没有显示答案.

对上述代码的任何建议.感谢您的帮助

我正在学习 q-learning 并找到了一个维基百科帖子和这个网站。

根据教程和伪代码，我用 R 写了这么多

#q-learning example
#http://mnemstudio.org/path-finding-q-learning-tutorial.htm
#https://en.wikipedia.org/wiki/Q-learning

set.seed(2016)
iter=100
dimension=5;
alpha=0.1 #learning rate
gamma=0.8 #exploration/ discount factor

# n x n matrix
Q=matrix( rep( 0, len=dimension*dimension), nrow = dimension)
Q

# R -1 is fire pit,0 safe path and 100 Goal state########
R=matrix( sample( -1:0, dimension*dimension,replace=T,prob=c(1,2)), nrow = dimension)
R[dimension,dimension]=100
R #reward matrix
################

for(i in 1:iter){
  row=sample(1:dimension,1)
  col=sample(1:dimension,1)
  I=Q[row,col] #randomly choosing initial state

  Q[row,col]=Q[row,col]+alpha*(R[row,col]+gamma*max(Qdash-Q[row,col])
  #equation from wikipedia

}

但是我有一个问题max(Qdash-Q[row,col]，根据网站是Max[Q(next state, all …

我有一个分类神经网络，我在非常大的数据集中以相当大的准确性和预测对其进行了训练。现在我要进行反向预测（正常预测：input-> output反向预测input <-output）。

这是针对此问题的示例神经网络。在这里，我采用自然数，并尝试使用神经网络将其分类为奇数或偶数。

from keras.models import Sequential
from keras.layers import Dense
import numpy as np

#model
model = Sequential()
model.add(Dense(1,input_dim=1))
model.add(Dense(4))
model.add(Dense(4))
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'])
model.summary

#creating natural number features and binary odd and even targets
n=500
#natural numbers
x=np.arange(1,n)
x=x.reshape(n-1,1)
#even
y1=np.where(x%2==0,1,0)
#odd
y2=np.where(x%2!=0,1,0)

#target
Y=np.column_stack([y1,y2])

#model training
model.fit(x,Y,validation_split=0.3)

y_dash=np.arange(n,n+10)

#model prediction
model.predict(y_dash)

其准确度为50％（对于此样本ANN来说已经足够了）

349/349 [==============================] - 0s - loss: 0.7077 - acc: 0.4871 - val_loss: 0.6991 - val_acc: 0.5000

如何反向预测该神经网络？

例如，如果我想要这个神经网络输出一些奇数。

我正在学习 pytorch 的基础知识，并考虑创建一个带有 dropout 的简单 4 层神经网络来训练 IRIS 数据集进行分类。在参考了很多教程后，我编写了这段代码。

import pandas as pd
from sklearn.datasets import load_iris
import torch
from torch.autograd import Variable

epochs=300
batch_size=20
lr=0.01

#loading data as numpy array
data = load_iris()
X=data.data
y=pd.get_dummies(data.target).values

#convert to tensor
X= Variable(torch.from_numpy(X), requires_grad=False)
y=Variable(torch.from_numpy(y), requires_grad=False)
print(X.size(),y.size())

#neural net model
model = torch.nn.Sequential(
    torch.nn.Linear(4, 10),
    torch.nn.ReLU(),
    torch.nn.Dropout(),
    torch.nn.Linear(10, 5),
    torch.nn.ReLU(),
    torch.nn.Dropout(),
    torch.nn.Linear(5, 3),
    torch.nn.Softmax()
)

print(model)

# Loss and Optimizer
optimizer = torch.optim.Adam(model.parameters(), lr=lr)  
loss_func = torch.nn.CrossEntropyLoss()  

for i in range(epochs):
    # …

我正在google colab中运行深度学习模型，并且可以在colab笔记本中正常工作。问题在于，随着在Cloud Colab笔记本中进行深度学习模型的训练的进行，我自己的计算机的CPU和内存使用率也开始上升。仅colab笔记本浏览器窗口的RAM使用量就超过500 MB，并且随着培训的进行而不断攀升。

在谷歌合作实验室，我们必须保持打开我们正在运行的笔记本来训练模型，否则我们将失去我们以前的所有工作，并且它将停止训练。我可以从终端窗口而不是浏览器运行google colab吗？有什么方法可以强迫Google colab仅在云中运行，即在不打开计算机的情况下运行笔记本？

在观看 Andrew Ng 关于Bleu Score的视频后，我想用 Python 从头开始​​实现一个。我用 python 和 numpy 编写了完整的代码。这是完整的代码

import numpy as np

def n_gram_generator(sentence,n= 2,n_gram= False):
    '''
    N-Gram generator with parameters sentence
    n is for number of n_grams
    The n_gram parameter removes repeating n_grams 
    '''
    sentence = sentence.lower() # converting to lower case
    sent_arr = np.array(sentence.split()) # split to string arrays
    length = len(sent_arr)

    word_list = []
    for i in range(length+1):
        if i < n:
            continue
        word_range = list(range(i-n,i))
        s_list = sent_arr[word_range]
        string = ' …

我想模拟自杀烧伤来学习和理解火箭着陆。OpenAI 健身房已经有一个 LunarLander 环境，用于训练强化学习代理。我正在使用这个环境来模拟 python 中的自杀烧伤。我已经(x,y)从这个环境的状态向量的前两个值中提取了坐标。根据这些值，将y坐标视为高度；我已经使用这些方程计算了降落着陆器的速度和加速度

velocity(v) = delta_y/ delta_t
acceleartion(a) = delta_v/delta_t

随着模拟逐步递增，时间差delta_t被视为 1。无法找到 LunarLander 的重力参数，我给了它一个默认值g=1。然后使用此reddit 评论中的以下等式

开始自杀燃烧的高度 = [（当前高度）（重力加速度）+（1/2）（当前速度）2 ] /（发动机加速度）

我试图计算高度以开始自杀烧伤。这是我的完整 python 代码。我只计划使用四个可能操作中的两个操作 0（什么都不做）和 2（启动主引擎）。

import gym
env = gym.make('LunarLander-v2')
env.seed(0)

g = 1
delta_t = 1
action = 0

state = env.reset()

# x0 = state[0]
y0 = state[1]
v0 = 0

for t in range(3000):
    state, reward, done, _  = env.step(action)
    y = …

我是 django Rest Framework (DRF) 的新手，我需要POST使用基于函数的视图 (FDV) 的一些数据。我成功地使用了GET这种方式的方法，但不知道如何使用 POST 方法将值添加到数据库。

# app/models.py

class Item(models.Model):
    name = models.CharField(max_length=50)
    quantity = models.IntegerField()
    price = models.FloatField()


# app/urls.py

urlpatterns = [
path('', views.get_data_list, name='list'),
path('post_val/', views.post_data, name='post_val'), # need to implement
]

# app/serializers.py

class ItemSerializer(serializers.ModelSerializer):
    class Meta:
        model = Item
        fields = ('id', 'name', 'quantity','price')



# app/views.py

from django.http.response import JsonResponse
from rest_framework.parsers import JSONParser 
 
from .models import Item
from .serializers import ItemSerializer
from rest_framework.decorators import api_view

@api_view(['GET',]) …

我已在计算机中下载了最新的引导程序css版本 4，它包含两个文件夹 one和 other js。css 文件夹包含大约 12 个 css 文件，而 js 文件夹包含大约 5 个 javascript 文件。我们需要将所有这 17 个文件链接到我们的 html 页面吗？有没有一种简单的方法可以通过文件夹链接 css 和 js？