小编ilo*_*ewt的帖子

我试图很好地绘制一个混淆矩阵，所以我遵循了scikit-learn 的新版本 0.22 的内置绘图混淆矩阵函数。但是，我的混淆矩阵值的一个值是 153，但它在混淆矩阵图中显示为 1.5e+02：

按照scikit-learn 的文档，我发现了这个名为 的参数values_format，但我不知道如何操作这个参数以抑制科学记数法。我的代码如下。

from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import plot_confusion_matrix

# import some data to play with

X = pd.read_csv("datasets/X.csv")
y = pd.read_csv("datasets/y.csv")

class_names = ['Not Fraud (positive)', 'Fraud (negative)']

# Split the data into a training set and a test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)

# Run classifier, using a model that is too regularized (C …

我编写了一个机器学习管道的蓝图，可以在许多项目中重复使用。当我遇到一个新项目时，我会创建一个分支并在该分支上工作。很多时候，当我在分支机构工作时，我会发现以下几点：

1. 在分支上发现的一些代码更改/改进应该合并到主干。
2. 一些代码更改应该只发生在分支上，因为每个项目都有其细微差别，但模板应该或多或少与主项目相同。

我在结合第 1 点和第 2 点时遇到了麻烦。有没有办法将一些更改从分支合并到主干，这对我来说似乎很棘手，因为这是一个连续的过程。

最近，我换了一台新计算机，并在main使用简单的保护规则推送到我自己的分支时遇到了此“警告消息”。

保护规则为：

我面临以下警告消息：

remote: Bypassed rule violations for refs/heads/main:
remote: 
remote: - At least 1 approving review is required by reviewers with write access.

当推送到我的main分支时。我想知道这是否值得关注？由于我是所有者，我认为该消息不会出现。

此示例逐字取自PyTorch 文档。现在我确实对深度学习有了一些一般的背景，并且知道很明显forward调用代表一个前向传递，通过不同的层并最终到达终点，在这种情况下有 10 个输出，然后你取前向传递并loss使用定义的损失函数计算。现在，我忘记了forward()在这种情况下传递的输出到底是什么......我认为神经网络中的最后一层应该是某种激活函数，例如sigmoid()or softmax()，但我没有看到这些被定义在任何地方，此外，我现在做项目的时候才发现softmax()稍后调用。所以我只想澄清到底outputs = net(inputs)给我的是什么，从这个链接，在我看来，默认情况下 PyTorch 模型的前向传递的输出是 logits？请帮我清理一些空气，如果我的问题不好，请告诉我并指出正确的方向:)

transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 …