小编cha*_*ies的帖子

在Pytorch中，是否有类似于Scipy的三次样条插值？给定一维输入张量x和y，我想对这些点进行插值并在 处求值xs以获得ys。另外，我想要一个积分器函数来查找，即从到 的Ys样条插值的积分。x[0]xs

我使用的是 Windows 11，使用 WSL2（适用于 Linux 的 Windows 子系统）。我最近将 RAM 从 32 GB 升级到 64 GB。

虽然我可以让我的计算机使用超过 32 GB 的 RAM，但 WSL2 似乎拒绝使用超过 32 GB 的内存。例如，如果我这样做

>>> import torch
>>> a = torch.randn(100000, 100000) # 40 GB tensor

然后我看到内存使用量上升，直到达到 30 GB，此时，我看到“已杀死”，并且 python 进程被杀死。检查后dmesg，它说它杀死了该进程，因为“内存不足”。

知道问题可能是什么，或者解决方案是什么？

绘制类似于本文底部的排序网络的好方法是什么？非常感谢 python 包或 LaTeX typsetting 包。

我想n用比较排序对项目列表进行排序。但是，该算法进行的比较之一将与它应该的情况相反。具体来说，有一对项目的比较器函数始终给出错误的结果。

什么是n*log(n)对这种错误比较具有鲁棒性的有效排序算法？健壮，我的意思是每个项目都k与它的真实位置相差最多点，对于一些相当小的k.

如果可能的话，我希望它在最坏的情况下是稳健的（对抗性选择的错误比较），但我会在平均情况下满足于稳健。

一个示例稳健算法（效率不高）是进行所有n*(n-1)/2成对比较，并根据他们赢得的比较次数来放置每个项目。然后，无论对手进行什么比较，每个项目索引都不会超过k=1。

非鲁棒算法的一个例子是快速排序，因为对手可以选择最大的项目位于第一个枢轴的错误一侧，使其平均n/2偏离其正确索引。

我的音频信号很长x，是100000个样本的一维列表。

为简单起见，假设我要对长度为15的滤波器进行卷积处理，最后输出y100000个样本的目标滤波信号。

因此，基本上，我正在尝试y = conv(x, h)处理一维CNN，并且h训练滤镜。

在Keras中执行此操作的最佳方法是什么？我发现的所有示例似乎都具有以下形式：“每个样本都是一个长度为400个单词的序列，而卷积是沿着这400个单词的序列进行的”。由此看来，我唯一的选择似乎是将音频信号分解成大小的块sequence_length，但我真的宁愿避免这种情况，因为我基本上只有1个长度为100000的输入序列。

理想情况下，代码看起来像

import matplotlib.pylab as P
from keras.models import Model
from keras.layers import Conv1D, Input

x_train = P.randn(100000)
y_train = 2*x_train
x_val = P.randn(10000)
y_val = 2*x_val

batch_size = 64

myinput = Input(shape=(None, 1)) # shape = (BATCH_SIZE, 1D signal)
output = Conv1D(
    1, # output dimension is 1
    15, # filter length is 15
    padding="same")(myinput)

model = Model(inputs=myinput, outputs=output)

model.compile(loss='mse',
              optimizer='rmsprop',
              metrics=['mse'])


model.fit(x_train, …

在vim脚本中,col("$")将返回行尾的列#.我想要一些类似的东西来获得第一行的#列,类似于col("^").但这不起作用,我也找不到那样做的东西.

我想要这个,以便我知道一行开头的空白量.

标题说明了一切。pytorch中是否有一个方便的函数可以执行类似的操作（通过梯形规则对np.trapz(y, x)点进行积分）？xy

例如，在代码中：

a = [1, 2, 3, 4] # huge list

y = sum(a)

print( do_stuff(y) )

在程序结束之前列表的内存会a被释放吗？函数调用是否必须在不断占用内存的情况do_stuff下完成所有工作，即使s 永远不会再次使用？aa

如果a没有收集垃圾，是否可以a=None在使用完毕后手动设置解决方案？