我有这个代码：
import torch
list_of_tensors = [ torch.randn(3), torch.randn(3), torch.randn(3)]
tensor_of_tensors = torch.tensor(list_of_tensors)
我收到错误：
ValueError：只有一个元素张量可以转换为Python标量
如何将张量列表转换为pytorch中的张量张量？
我有pytorch脚本。
import torch
torch.cuda.is_available()
# True
device=torch.device('cuda:0')
# I moved my tensors to device
但是当 pytorch 脚本运行时，Windows 任务管理器显示 GPU (NVIDIA GTX 1050TI) 使用率为零，我的脚本速度很好，如果我将 torch.device 更改为 CPU 而不是 GPU，速度会变慢，因此 cuda (GPU) 正在工作。为什么 Windows 任务管理器不显示 GPU 使用情况？
我的代码示例：
device=torch.device("cuda:0")
model=torch.load('mymodel.pth', map_location=torch.device(device))
image=Image.open('picture.png').convert('RGB')
transform=transforms.Compose([
transforms.Resize(224),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
input=transform(image)
input=torch.unsqueeze(input, 0)
input=input.to(device)
output=model(input)
我已经使用 tf.keras 创建了一个自定义计划，并且在保存模型时遇到了这个错误：
NotImplementedError：学习率计划必须覆盖 get_config
这个类看起来像这样：
class CustomSchedule(tf.keras.optimizers.schedules.LearningRateSchedule):
def __init__(self, d_model, warmup_steps=4000):
super(CustomSchedule, self).__init__()
self.d_model = d_model
self.d_model = tf.cast(self.d_model, tf.float32)
self.warmup_steps = warmup_steps
def __call__(self, step):
arg1 = tf.math.rsqrt(step)
arg2 = step * (self.warmup_steps**-1.5)
return tf.math.rsqrt(self.d_model) * tf.math.minimum(arg1, arg2)
def get_config(self):
config = {
'd_model':self.d_model,
'warmup_steps':self.warmup_steps
}
base_config = super(CustomSchedule, self).get_config()
return dict(list(base_config.items()) + list(config.items()))
python machine-learning transformer-model keras tensorflow2.0
我正在尝试使用 setattr 将属性添加到 Numpy ndarray，但出现错误：
import numpy as np
x = np.array([1, 2, 4])
setattr(x, 'new_attr', 1)
AttributeError：numpy.ndarray 对象没有属性 new_attr
如何向 Numpy ndarray 添加新属性？
我真的开始使用python了。我从互联网下载项目。但是当我尝试运行时，出现了这些错误。我认为该项目不支持我的安装模块。如何解决这个问题？
错误
回溯（最近一次调用）：文件“compare.py”，第 20 行，在 sift = cv2.xfeatures2d.SIFT_create() cv2.error: OpenCV(4.2.0) /Users/travis/build/skvark/opencv-python /opencv_contrib/modules/xfeatures2d/src/sift.cpp:1210: error: (-213:The function/feature is not implementation) 这个算法是专利的，被排除在这个配置中；设置 OPENCV_ENABLE_NONFREE CMake 选项并在函数“create”中重建库
完整代码
import cv2
import numpy as np
original = cv2.imread("images/original_golden_bridge.jpg")
image_to_compare = cv2.imread("images/george-washington-bridge.jpg")
# 1) Check if 2 images are equals
if original.shape == image_to_compare.shape:
print("The images have same size and channels")
difference = cv2.subtract(original, image_to_compare)
b, g, r = cv2.split(difference)
if cv2.countNonZero(b) == 0 and cv2.countNonZero(g) == 0 and cv2.countNonZero(r) == 0:
print("The images are completely Equal") …来自 Pytorch-Pyro 的网站：
我们很高兴地宣布发布 NumPyro，这是一个 NumPy 支持的 Pyro，使用 JAX 进行自动微分和 JIT 编译，HMC 和 NUTS 的速度提高了 100 倍以上！
我的问题：
额外的：
pytorch pyro.ai probabilistic-programming tensorflow-probability numpyro
我有一个数据框：
id info
1 Name: John Age: 12 Sex: Male
2 Name: Sara Age: 22 Sex: Female
3 Name: Mac Donald Age: 32 Sex: Male
我希望将信息列拆分为 3 列，以便获得最终输出：
id Name Age Sex
1 John 12 Male
2 Sara 22 Female
3 Mac Donald 32 Male
我尝试使用熊猫拆分功能。
df[['Name','Age','Sex']] = df.info.split(['Name'])
我可能需要多次执行此操作才能获得所需的输出。
有没有更好的方法来实现这一目标？
PS：信息列也包含NaN值
我正在尝试实现一个多页面 Dash Web 应用程序，但在跨页面来回切换时，我很难“存储”组件中的更改。也就是说，每次移动到新页面时，布局都会刷新。
下面有一个（最小？）用于重现性目的的代码示例，其中第 1 页有一个 html 表格，第一行允许用户输入和添加按钮，然后也可以删除插入的行。第2页只是一个用于来回切换的占位符。
我想一种策略可能是使用不同的dcc.Stores 并记录发生的情况，并在切换时从中填充页面。但我希望有更好的策略:)
索引.py
import dash
from dash import html, dcc
import dash_bootstrap_components as dbc
# Dash app
app = dash.Dash(
__name__,
external_stylesheets=[
dbc.themes.FLATLY,
dbc.icons.BOOTSTRAP,
],
use_pages=True,
)
sidebar = dbc.Col(
id="sidebar",
children=[
dbc.Nav(
id="sidebar-nav",
children=[
dbc.NavLink(children="page1", id="page1", href="/page1", active="exact"),
dbc.NavLink(children="page2", id="page2", href="/page2", active="exact")
],
),
],
)
main_content = dbc.Col(
id="main-content",
className="main-content-expanded",
children=dash.page_container,
)
page = dbc.Row(
id="page",
children=[
sidebar,
main_content,
],
)
url = dcc.Location(id="url", refresh=False)
# App …给定一个二维 numpy 矩阵，如何保留每行中的 N 个最小元素并将其余元素更改为0（零）。
例如：N=3
输入数组：
1 2 3 4 5
4 3 6 1 0
6 5 3 1 2
预期输出：
1 2 3 0 0
0 3 0 1 0
0 0 3 1 2
以下是我尝试过的代码，它可以工作：
# distance_matrix is the given 2D array
N=3
for i in range(distance_matrix.shape[0]):
n_th_largest = np.sort(distance_matrix[i])[N]
for j in range(distance_matrix.shape[1]):
distance_matrix[i][j] = np.where(distance_matrix[i][j]<n_th_largest,distance_matrix[i][j],0)
# return distance_matrix
但是，此操作涉及迭代每个元素。有没有更快的方法来解决这个使用np.argsort()或任何其他功能？
我有一个相关矩阵，但指定为对，例如：
cm = pd.DataFrame({'name1': ['A', 'A', 'B'],
'name2': ['B', 'C', 'C'],
'corr': [0.1, 0.2, 0.3]})
cm
name1 name2 corr
0 A B 0.1
1 A C 0.2
2 B C 0.3
将它变成一个 numpy 二维数组相关矩阵的最简单方法是什么？
A B C
A 1.0 0.1 0.2
B 0.1 1.0 0.3
C 0.2 0.3 1.0