有什么区别torch.optim.Adam(weight_decay=0.01)和torch.optim.AdamW(weight_decay=0.01)？
链接到文档：torch.optim
我使用张量进行转换，然后将其保存在列表中。稍后，我将使用它作为数据集Dataset，最后DataLoader训练我的模型。为此，我可以简单地使用：
l = [tensor1, tensor2, tensor3,...]
dataset = Dataset.TensorDataset(l)
dataloader = DataLoader(dataset)
我想知道这样做的最佳实践是什么，以避免 RAM 溢出（如果大小增长）l？类似的事情Iterator可以避免吗？
我有一个如下所示的数据框：
| 指数 | 9 | 1 | 8 | 3 | 7 | 6 | 2 | 5 | 0 | 4 |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 32941 | 3545 | 2829 | 2423 | 1945年 | 1834年 | 1213 | 1205 | 1096 | 969 |
| 1 | 24352 | 2738 | 2666 | 2432 | 1388 | 7937 | 第682章 | 3539 | 2705 | 第1561章 |
| 2 | 第2137章 | 第1271章 | 2401 | 540 | 3906 | 第1446章 | 3432 | 24855 | 1885年 | 8127 |
我想使用 barplot 来绘制这些值，并使用索引作为色调。我怎样才能做到这一点？它可以是 matplotlib 或 seaborn 或任何工具，但我更喜欢前两个。
如果我使用 Keras 回调ModelCheckpoint，并输入save_best_only = True和period=3，模型将如何保存？3 个周期后，它会保存该 3 个周期中的最佳结果，还是仅保存所有 epoch 中的最佳结果？
我使用的一段代码：
mcp = tf.keras.callbacks.ModelCheckpoint("my_model.h5", monitor="val_accuracy",
save_best_only=True, period=3)
我有一个n包含行和23列（不包括索引）的 DataFrame。
首先我将它们分为X和Y：
Y = df.pop("Target").values
X = df.values # now X has 22 columns
然后我用来train_test_split分割它们：
X_tr, X_val, y_tr, y_val = train_test_split(X, Y)
我将它们转换为Dataset：
dataset = tf.data.Dataset.from_tensor_slices((X_tr, y_tr))
dataset = dataset.batch(32)
valid_ds = tf.data.Dataset.from_tensor_slices((X_val, y_val))
问题是，当我创建模型时，我输入了错误input_shape，如下所示：
def create_model():
tfkl = tf.keras.layers
inp = tf.keras.Input(shape=(None, 22))
x = tfkl.Dense(128, activation="linear")(inp)
x = tfkl.Dense(64, activation="linear")(x)
x = tfkl.Dense(1, activation="linear")(x)
model = tf.keras.models.Model(inp, x)
model.compile(loss="mae", optimizer="adam", metrics=["mae"])
return model …