问题

float16可以在 numpy 中使用，但不能在 Tensorflow 2.4.1 中使用，从而导致错误。

float16 是否仅在具有 16 位支持的 GPU 的实例上运行时才可用？

混合精度

如今，大多数模型都使用 float32 数据类型，它占用 32 位内存。但是，有两种较低精度的数据类型：float16 和 bfloat16，每种数据类型都占用 16 位内存。现代加速器可以在 16 位数据类型中更快地运行操作，因为它们具有专门的硬件来运行 16 位计算，并且可以更快地从内存中读取 16 位数据类型。

NVIDIA GPU 在 float16 中运行操作的速度比在 float32 中快，TPU 在 bfloat16 中运行操作的速度比在 float32 中快。因此，应尽可能在这些设备上使用这些较低精度的数据类型。然而，由于数字原因，变量和一些计算仍应采用 float32 格式，以便模型训练到相同的质量。Keras 混合精度 API 允许您将 float16 或 bfloat16 与 float32 混合使用，以获得 float16/bfloat16 的性能优势以及 float32 的数值稳定性优势。

那么在CPU上测试时，是否需要手动将类型改为float32才能运行呢？根据[TF2.0]全局更改默认类型，目前没有选项可以更改默认浮点精度。

麻木

import numpy as np
np.arange(12, dtype=np.float16).reshape(3,4)
---
array([[ 0.,  1.,  2.,  3.],
       [ 4.,  5.,  6.,  7.],
       [ 8., …

我正在使用 pandas datareader 来提取给定日期范围内的股票信息。例如：

import pandas_datareader.data as web
import datetime as dt

start = dt.datetime(2018,3,26)
end = dt.datetime(2018,3,29)

web.DataReader('IBM','yahoo', start, end).reset_index()

这将为 IBM 返回以下数据帧：

这包含我正在寻找的信息，但我想自动遍历多个股票代码（而不是手动更改股票代码）。理想情况下，我可以通过所需的股票行情列表循环此代码。

我是 Tensorflow 新手，并尝试使用下面的示例代码来处理它：

def build_model():
    model = keras.Sequential([
            layers.Dense(10, activation=tf.nn.relu),
            layers.Dense(10, activation=tf.nn.relu),
            layers.Dense(1)
        ])
    optimizer = tf.keras.optimizers.RMSprop(0.001)

    model.compile(loss='mean_squared_error',
            optimizer=optimizer,
            metrics=['mean_absolute_error', 'mean_squared_error'])
    return model

model = build_model()
model.fit(training_dataset, epochs=5, steps_per_epoch=179)

训练数据集如下，有 179 行：

features:[29225 29259 29210 29220] Label:2
features:[29220 29236 29201 29234] Label:1
features:[29234 29241 29211 29221] Label:2
features:[29221 29224 29185 29185] Label:2
features:[29185 29199 29181 29191] Label:2
features:[29191 29195 29171 29195] Label:1
features:[29195 29228 29189 29225] Label:1
features:[29225 29236 29196 29199] Label:2
features:[29199 29222 29197 29218] Label:1
features:[29218 29235 29207 …

我用来拟合SVM，我想知道所有拟合模型的GridSearchCV支持向量的数量。目前我只能访问此 SVM 的属性以获得最佳模型。

import numpy as np
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
y = np.array([1, 1, 2, 2])
clf = SVC()
params = {'C': [0.01, 0.1, 1]}
search = GridSearchCV(estimator=clf, cv=2, param_grid=params, return_train_score=True)
search.fit(X, y);

search.best_estimator_.n_support_