Horizon Max

GCN Note

1.1 Base Layer

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(2, 64)
        self.conv2 = GCNConv(64, 256)
        self.conv3 = GCNConv(256, 512)
        self.linear = torch.nn.Linear(512, 512)
        self.linear2 = torch.nn.Linear(512, 10)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x, _ = scatter_max(x, data.batch, dim=0)
        action_mean = self.linear(x)
        x = self.linear2(action_mean)
        return x

Output

epoch: 1 loss: 1.311  Test Accuracy: 76.31 %%  Test Loss: 0.714           
epoch: 2 loss: 0.592  Test Accuracy: 87.32 %%  Test Loss: 0.398           
epoch: 3 loss: 0.414  Test Accuracy: 88.37 %%  Test Loss: 0.371           
epoch: 4 loss: 0.350  Test Accuracy: 89.79 %%  Test Loss: 0.326           
epoch: 5 loss: 0.308  Test Accuracy: 92.77 %%  Test Loss: 0.235           
epoch: 6 loss: 0.282  Test Accuracy: 92.79 %%  Test Loss: 0.243           
epoch: 7 loss: 0.262  Test Accuracy: 93.78 %%  Test Loss: 0.209           
epoch: 8 loss: 0.250  Test Accuracy: 93.91 %%  Test Loss: 0.203           
epoch: 9 loss: 0.240  Test Accuracy: 94.03 %%  Test Loss: 0.199           
epoch: 10 loss: 0.226  Test Accuracy: 93.88 %%  Test Loss: 0.196           
epoch: 11 loss: 0.227  Test Accuracy: 93.72 %%  Test Loss: 0.199           
epoch: 12 loss: 0.218  Test Accuracy: 94.05 %%  Test Loss: 0.204           
epoch: 13 loss: 0.200  Test Accuracy: 95.10 %%  Test Loss: 0.168           
epoch: 14 loss: 0.206  Test Accuracy: 94.79 %%  Test Loss: 0.169           
epoch: 15 loss: 0.196  Test Accuracy: 93.98 %%  Test Loss: 0.191           
epoch: 16 loss: 0.190  Test Accuracy: 95.16 %%  Test Loss: 0.158           
epoch: 17 loss: 0.194  Test Accuracy: 95.03 %%  Test Loss: 0.165           
epoch: 18 loss: 0.189  Test Accuracy: 93.57 %%  Test Loss: 0.209           
epoch: 19 loss: 0.181  Test Accuracy: 95.27 %%  Test Loss: 0.158           
epoch: 20 loss: 0.183  Test Accuracy: 95.68 %%  Test Loss: 0.148           
epoch: 21 loss: 0.183  Test Accuracy: 94.40 %%  Test Loss: 0.179           
epoch: 22 loss: 0.181  Test Accuracy: 94.76 %%  Test Loss: 0.180           
epoch: 23 loss: 0.175  Test Accuracy: 94.42 %%  Test Loss: 0.180           
epoch: 24 loss: 0.175  Test Accuracy: 95.25 %%  Test Loss: 0.158           
epoch: 25 loss: 0.165  Test Accuracy: 94.72 %%  Test Loss: 0.175           
epoch: 26 loss: 0.166  Test Accuracy: 94.91 %%  Test Loss: 0.173           
epoch: 27 loss: 0.164  Test Accuracy: 94.91 %%  Test Loss: 0.157           
epoch: 28 loss: 0.164  Test Accuracy: 95.60 %%  Test Loss: 0.145           
epoch: 29 loss: 0.169  Test Accuracy: 93.82 %%  Test Loss: 0.213           
epoch: 30 loss: 0.163  Test Accuracy: 95.81 %%  Test Loss: 0.139

1.2 Change channel

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(2, 16)
        self.conv2 = GCNConv(16, 128)
        self.conv3 = GCNConv(128, 512)
        self.linear = torch.nn.Linear(512, 512)
        self.linear2 = torch.nn.Linear(512, 10)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x, _ = scatter_max(x, data.batch, dim=0)
        action_mean = self.linear(x)
        x = self.linear2(action_mean)
        return x

Output

epoch: 1 loss: 1.472  Test Accuracy: 65.24 %%  Test Loss: 1.006           
epoch: 2 loss: 0.881  Test Accuracy: 78.00 %%  Test Loss: 0.671           
epoch: 3 loss: 0.671  Test Accuracy: 82.65 %%  Test Loss: 0.546           
epoch: 4 loss: 0.555  Test Accuracy: 85.86 %%  Test Loss: 0.447           
epoch: 5 loss: 0.486  Test Accuracy: 86.88 %%  Test Loss: 0.418           
epoch: 6 loss: 0.434  Test Accuracy: 87.71 %%  Test Loss: 0.384           
epoch: 7 loss: 0.415  Test Accuracy: 87.27 %%  Test Loss: 0.379           
epoch: 8 loss: 0.394  Test Accuracy: 89.62 %%  Test Loss: 0.328           
epoch: 9 loss: 0.374  Test Accuracy: 90.03 %%  Test Loss: 0.314           
epoch: 10 loss: 0.360  Test Accuracy: 89.25 %%  Test Loss: 0.329           
epoch: 11 loss: 0.341  Test Accuracy: 90.24 %%  Test Loss: 0.300           
epoch: 12 loss: 0.339  Test Accuracy: 91.68 %%  Test Loss: 0.270           
epoch: 13 loss: 0.310  Test Accuracy: 91.38 %%  Test Loss: 0.277           
epoch: 14 loss: 0.308  Test Accuracy: 88.32 %%  Test Loss: 0.352           
epoch: 15 loss: 0.299  Test Accuracy: 91.20 %%  Test Loss: 0.278           
epoch: 16 loss: 0.297  Test Accuracy: 90.05 %%  Test Loss: 0.303           
epoch: 17 loss: 0.280  Test Accuracy: 92.57 %%  Test Loss: 0.240           
epoch: 18 loss: 0.281  Test Accuracy: 92.48 %%  Test Loss: 0.246           
epoch: 19 loss: 0.271  Test Accuracy: 92.20 %%  Test Loss: 0.243           
epoch: 20 loss: 0.271  Test Accuracy: 93.02 %%  Test Loss: 0.217           
epoch: 21 loss: 0.264  Test Accuracy: 92.10 %%  Test Loss: 0.257           
epoch: 22 loss: 0.262  Test Accuracy: 92.76 %%  Test Loss: 0.226           
epoch: 23 loss: 0.264  Test Accuracy: 92.85 %%  Test Loss: 0.222           
epoch: 24 loss: 0.259  Test Accuracy: 93.21 %%  Test Loss: 0.219           
epoch: 25 loss: 0.249  Test Accuracy: 92.30 %%  Test Loss: 0.254           
epoch: 26 loss: 0.250  Test Accuracy: 92.40 %%  Test Loss: 0.241           
epoch: 27 loss: 0.246  Test Accuracy: 93.26 %%  Test Loss: 0.225           
epoch: 28 loss: 0.242  Test Accuracy: 93.48 %%  Test Loss: 0.216           
epoch: 29 loss: 0.242  Test Accuracy: 93.39 %%  Test Loss: 0.215           
epoch: 30 loss: 0.244  Test Accuracy: 92.83 %%  Test Loss: 0.227

1.3 Change Linear

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(2, 64)
        self.conv2 = GCNConv(64, 256)
        self.conv3 = GCNConv(256, 1024)
        self.linear = torch.nn.Linear(1024, 512)
        self.linear2 = torch.nn.Linear(512, 10)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x, _ = scatter_max(x, data.batch, dim=0)
        action_mean = self.linear(x)
        x = self.linear2(action_mean)
        return x

Output

epoch: 1 loss: 1.250  Test Accuracy: 78.13 %%  Test Loss: 0.663           
epoch: 2 loss: 0.586  Test Accuracy: 86.19 %%  Test Loss: 0.432           
epoch: 3 loss: 0.414  Test Accuracy: 90.19 %%  Test Loss: 0.321           
epoch: 4 loss: 0.337  Test Accuracy: 92.22 %%  Test Loss: 0.258           
epoch: 5 loss: 0.295  Test Accuracy: 91.20 %%  Test Loss: 0.273           
epoch: 6 loss: 0.271  Test Accuracy: 93.45 %%  Test Loss: 0.215           
epoch: 7 loss: 0.256  Test Accuracy: 92.12 %%  Test Loss: 0.262           
epoch: 8 loss: 0.242  Test Accuracy: 93.78 %%  Test Loss: 0.204           
epoch: 9 loss: 0.233  Test Accuracy: 94.60 %%  Test Loss: 0.185           
epoch: 10 loss: 0.225  Test Accuracy: 93.80 %%  Test Loss: 0.213           
epoch: 11 loss: 0.226  Test Accuracy: 91.60 %%  Test Loss: 0.262           
epoch: 12 loss: 0.217  Test Accuracy: 94.44 %%  Test Loss: 0.179           
epoch: 13 loss: 0.212  Test Accuracy: 94.99 %%  Test Loss: 0.179           
epoch: 14 loss: 0.206  Test Accuracy: 94.28 %%  Test Loss: 0.193           
epoch: 15 loss: 0.205  Test Accuracy: 93.70 %%  Test Loss: 0.200           
epoch: 16 loss: 0.192  Test Accuracy: 94.47 %%  Test Loss: 0.186           
epoch: 17 loss: 0.192  Test Accuracy: 95.10 %%  Test Loss: 0.161           
epoch: 18 loss: 0.187  Test Accuracy: 93.66 %%  Test Loss: 0.210           
epoch: 19 loss: 0.186  Test Accuracy: 94.01 %%  Test Loss: 0.200           
epoch: 20 loss: 0.184  Test Accuracy: 95.57 %%  Test Loss: 0.150           
epoch: 21 loss: 0.190  Test Accuracy: 95.52 %%  Test Loss: 0.150           
epoch: 22 loss: 0.173  Test Accuracy: 94.39 %%  Test Loss: 0.178           
epoch: 23 loss: 0.178  Test Accuracy: 94.41 %%  Test Loss: 0.190           
epoch: 24 loss: 0.170  Test Accuracy: 94.87 %%  Test Loss: 0.170           
epoch: 25 loss: 0.177  Test Accuracy: 95.66 %%  Test Loss: 0.143           
epoch: 26 loss: 0.167  Test Accuracy: 94.76 %%  Test Loss: 0.174           
epoch: 27 loss: 0.168  Test Accuracy: 95.22 %%  Test Loss: 0.147           
epoch: 28 loss: 0.168  Test Accuracy: 96.14 %%  Test Loss: 0.129           
epoch: 29 loss: 0.165  Test Accuracy: 95.70 %%  Test Loss: 0.143           
epoch: 30 loss: 0.160  Test Accuracy: 95.86 %%  Test Loss: 0.140

1.4 Add Layer

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(2, 16)
        self.conv2 = GCNConv(16, 64)
        self.conv3 = GCNConv(64, 256)
        self.conv4 = GCNConv(256, 512)
        self.linear = torch.nn.Linear(512, 512)
        self.linear2 = torch.nn.Linear(512, 10)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv4(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x, _ = scatter_max(x, data.batch, dim=0)
        action_mean = self.linear(x)
        x = self.linear2(action_mean)
        return x

Output

epoch: 1 loss: 1.427  Test Accuracy: 71.44 %%  Test Loss: 0.855           
epoch: 2 loss: 0.723  Test Accuracy: 80.81 %%  Test Loss: 0.577           
epoch: 3 loss: 0.506  Test Accuracy: 86.76 %%  Test Loss: 0.436           
epoch: 4 loss: 0.427  Test Accuracy: 89.07 %%  Test Loss: 0.352           
epoch: 5 loss: 0.389  Test Accuracy: 90.06 %%  Test Loss: 0.318           
epoch: 6 loss: 0.361  Test Accuracy: 89.33 %%  Test Loss: 0.336           
epoch: 7 loss: 0.336  Test Accuracy: 90.64 %%  Test Loss: 0.318           
epoch: 8 loss: 0.321  Test Accuracy: 90.05 %%  Test Loss: 0.316           
epoch: 9 loss: 0.313  Test Accuracy: 91.52 %%  Test Loss: 0.265           
epoch: 10 loss: 0.299  Test Accuracy: 90.85 %%  Test Loss: 0.303           
epoch: 11 loss: 0.287  Test Accuracy: 92.03 %%  Test Loss: 0.258           
epoch: 12 loss: 0.279  Test Accuracy: 91.43 %%  Test Loss: 0.271           
epoch: 13 loss: 0.276  Test Accuracy: 92.56 %%  Test Loss: 0.238           
epoch: 14 loss: 0.268  Test Accuracy: 92.25 %%  Test Loss: 0.253           
epoch: 15 loss: 0.261  Test Accuracy: 92.45 %%  Test Loss: 0.248           
epoch: 16 loss: 0.254  Test Accuracy: 92.98 %%  Test Loss: 0.218           
epoch: 17 loss: 0.246  Test Accuracy: 93.73 %%  Test Loss: 0.203           
epoch: 18 loss: 0.244  Test Accuracy: 92.39 %%  Test Loss: 0.241           
epoch: 19 loss: 0.243  Test Accuracy: 93.30 %%  Test Loss: 0.216           
epoch: 20 loss: 0.236  Test Accuracy: 93.71 %%  Test Loss: 0.204           
epoch: 21 loss: 0.235  Test Accuracy: 93.94 %%  Test Loss: 0.195           
epoch: 22 loss: 0.228  Test Accuracy: 93.81 %%  Test Loss: 0.196           
epoch: 23 loss: 0.229  Test Accuracy: 93.58 %%  Test Loss: 0.206           
epoch: 24 loss: 0.225  Test Accuracy: 93.66 %%  Test Loss: 0.206           
epoch: 25 loss: 0.222  Test Accuracy: 94.21 %%  Test Loss: 0.187           
epoch: 26 loss: 0.219  Test Accuracy: 92.57 %%  Test Loss: 0.244           
epoch: 27 loss: 0.223  Test Accuracy: 94.35 %%  Test Loss: 0.182           
epoch: 28 loss: 0.210  Test Accuracy: 93.73 %%  Test Loss: 0.202           
epoch: 29 loss: 0.212  Test Accuracy: 94.18 %%  Test Loss: 0.187           
epoch: 30 loss: 0.208  Test Accuracy: 94.16 %%  Test Loss: 0.187

1.5 Dec Layer

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = GCNConv(2, 16)
        self.conv2 = GCNConv(16, 64)
        self.conv3 = GCNConv(64, 256)
        self.conv4 = GCNConv(256, 512)
        self.linear = torch.nn.Linear(512, 512)
        self.linear2 = torch.nn.Linear(512, 10)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv3(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv4(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x, _ = scatter_max(x, data.batch, dim=0)
        action_mean = self.linear(x)
        x = self.linear2(action_mean)
        return x

Output

epoch: 1 loss: 1.294  Test Accuracy: 73.58 %%  Test Loss: 0.827           
epoch: 2 loss: 0.765  Test Accuracy: 80.89 %%  Test Loss: 0.593           
epoch: 3 loss: 0.600  Test Accuracy: 84.10 %%  Test Loss: 0.498           
epoch: 4 loss: 0.532  Test Accuracy: 85.91 %%  Test Loss: 0.436           
epoch: 5 loss: 0.474  Test Accuracy: 86.62 %%  Test Loss: 0.429           
epoch: 6 loss: 0.428  Test Accuracy: 88.02 %%  Test Loss: 0.378           
epoch: 7 loss: 0.389  Test Accuracy: 90.22 %%  Test Loss: 0.316           
epoch: 8 loss: 0.370  Test Accuracy: 89.78 %%  Test Loss: 0.332           
epoch: 9 loss: 0.345  Test Accuracy: 91.19 %%  Test Loss: 0.281           
epoch: 10 loss: 0.325  Test Accuracy: 89.05 %%  Test Loss: 0.340           
epoch: 11 loss: 0.307  Test Accuracy: 92.12 %%  Test Loss: 0.261           
epoch: 12 loss: 0.294  Test Accuracy: 92.69 %%  Test Loss: 0.231           
epoch: 13 loss: 0.274  Test Accuracy: 91.27 %%  Test Loss: 0.297           
epoch: 14 loss: 0.272  Test Accuracy: 93.50 %%  Test Loss: 0.215           
epoch: 15 loss: 0.264  Test Accuracy: 92.89 %%  Test Loss: 0.238           
epoch: 16 loss: 0.257  Test Accuracy: 93.26 %%  Test Loss: 0.215           
epoch: 17 loss: 0.249  Test Accuracy: 91.77 %%  Test Loss: 0.269           
epoch: 18 loss: 0.251  Test Accuracy: 92.26 %%  Test Loss: 0.248           
epoch: 19 loss: 0.246  Test Accuracy: 92.76 %%  Test Loss: 0.231           
epoch: 20 loss: 0.243  Test Accuracy: 92.68 %%  Test Loss: 0.230           
epoch: 21 loss: 0.237  Test Accuracy: 93.94 %%  Test Loss: 0.194           
epoch: 22 loss: 0.229  Test Accuracy: 93.74 %%  Test Loss: 0.205           
epoch: 23 loss: 0.230  Test Accuracy: 91.84 %%  Test Loss: 0.262           
epoch: 24 loss: 0.228  Test Accuracy: 93.90 %%  Test Loss: 0.190           
epoch: 25 loss: 0.221  Test Accuracy: 94.03 %%  Test Loss: 0.195           
epoch: 26 loss: 0.218  Test Accuracy: 94.27 %%  Test Loss: 0.194           
epoch: 27 loss: 0.217  Test Accuracy: 94.02 %%  Test Loss: 0.189           
epoch: 28 loss: 0.221  Test Accuracy: 94.17 %%  Test Loss: 0.187           
epoch: 29 loss: 0.215  Test Accuracy: 94.27 %%  Test Loss: 0.188           
epoch: 30 loss: 0.212  Test Accuracy: 94.44 %%  Test Loss: 0.190

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
理解Gunicorn：Python WSGI服务器的基石范范0825 ipython linux 运维
理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
python os.environ 江湖偌大 python 深度学习
os.environ['TF_CPP_MIN_LOG_LEVEL']='0'#默认值，输出所有信息os.environ['TF_CPP_MIN_LOG_LEVEL']='1'#屏蔽通知信息（INFO）os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#屏蔽通知信息和警告信息（INFO\WARNING）os.environ['TF_CPP_MIN_LOG_LEVEL']='
Python中os.environ基本介绍及使用方法鹤冲天Pro #Python python 服务器开发语言
文章目录python中os.environos.environ简介os.environ进行环境变量的增删改查python中os.environ的使用详解1.简介2.key字段详解2.1常见key字段3.os.environ.get()用法4.环境变量的增删改查和判断是否存在4.1新增环境变量4.2更新环境变量4.3获取环境变量4.4删除环境变量4.5判断环境变量是否存在python中os.envi
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
Python教程：一文了解使用Python处理XPath 旦莫 Python进阶 python 开发语言
目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
python是什么意思中文-在python中%是什么意思编程大乐趣
Python中%有两种：1、数值运算：%代表取模，返回除法的余数。如：>>>7%212、%操作符（字符串格式化，stringformatting），说明如下：%[(name)][flags][width].[precision]typecode(name)为命名flags可以有+，-，''或0。+表示右对齐。-表示左对齐。''为一个空格，表示在正数的左侧填充一个空格，从而与负数对齐。0表示使用0填
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
python八股文面试题分享及解析(1) Shawn________ python
#1.'''a=1b=2不用中间变量交换a和b'''#1.a=1b=2a,b=b,aprint(a)print(b)结果：21#2.ll=[]foriinrange(3):ll.append({'num':i})print(11)结果:#[{'num':0},{'num':1},{'num':2}]#3.kk=[]a={'num':0}foriinrange(3):#0,12#可变类型，不仅仅改变
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
Python快速入门 —— 第三节：类与对象孤华暗香 Python快速入门 python 开发语言
第三节：类与对象目标：了解面向对象编程的基础概念，并学会如何定义类和创建对象。内容：类与对象：定义类：class关键字。类的构造函数：__init__()。类的属性和方法。对象的创建与使用。示例：classStudent:def__init__(self,name,age,major):self.name&#
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Python 实现图片裁剪（附代码） | Python工具剑客阿良_ALiang
前言本文提供将图片按照自定义尺寸进行裁剪的工具方法，一如既往的实用主义。环境依赖ffmpeg环境安装，可以参考我的另一篇文章：windowsffmpeg安装部署_阿良的博客-CSDN博客本文主要使用到的不是ffmpeg，而是ffprobe也在上面这篇文章中的zip包中。ffmpy安装：pipinstallffmpy-ihttps://pypi.douban.com/simple代码不废话了，上代码
【华为OD技术面试真题 - 技术面】- python八股文真题题库（4) 算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选**1.Python中的`with`**用途和功能自动资源管理示例：文件操作上下文管理协议示例代码工作流程解析优点2.\_\_new\_\_和**\_\_init\_\_**区别__new____init__区别总结3.**切片（Slicing）操作**基本切片语法
python os 环境变量 CV矿工 python 开发语言 numpy
环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
Python爬虫解析工具之xpath使用详解 eqa11 python 爬虫开发语言
文章目录Python爬虫解析工具之xpath使用详解一、引言二、环境准备1、插件安装2、依赖库安装三、xpath语法详解1、路径表达式2、通配符3、谓语4、常用函数四、xpath在Python代码中的使用1、文档树的创建2、使用xpath表达式3、获取元素内容和属性五、总结Python爬虫解析工具之xpath使用详解一、引言在Python爬虫开发中，数据提取是一个至关重要的环节。xpath作为一门
【华为OD技术面试真题 - 技术面】- python八股文真题题库（1）算法大师华为od 面试 python
华为OD面试真题精选专栏：华为OD面试真题精选目录:2024华为OD面试手撕代码真题目录以及八股文真题目录文章目录华为OD面试真题精选1.数据预处理流程数据预处理的主要步骤工具和库2.介绍线性回归、逻辑回归模型线性回归（LinearRegression）模型形式：关键点：逻辑回归（LogisticRegression）模型形式：关键点：参数估计与评估：3.python浅拷贝及深拷贝浅拷贝（Shal
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
Python中深拷贝与浅拷贝的区别 yuxiaoyu.
转自：http://blog.csdn.net/u014745194/article/details/70271868定义：在Python中对象的赋值其实就是对象的引用。当创建一个对象，把它赋值给另一个变量的时候，python并没有拷贝这个对象，只是拷贝了这个对象的引用而已。浅拷贝：拷贝了最外围的对象本身，内部的元素都只是拷贝了一个引用而已。也就是，把对象复制一遍，但是该对象中引用的其他对象我不复
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python编译器鹿鹿~ Python编译器 Python python 开发语言后端
嘿嘿嘿我又来了啊有些小盆友可能不知道Python其实是有编译器的，也就是PyCharm。你们可能会问到这个是干嘛的又不可以吃也不可以穿好像没有什么用，其实你还说对了这个还真的不可以吃也不可以穿，但是它用来干嘛的呢。用来编译你所打出的代码进行运行（可能这里说的有点不对但是只是个人认为）现在我们来说说PyCharm是用来干嘛的。PyCharm是一种PythonIDE，带有一整套可以帮助用户在使用Pyt
Algorithm 香水浓 java Algorithm
冒泡排序 public static void sort(Integer[] param) { for (int i = param.length - 1; i > 0; i--) { for (int j = 0; j < i; j++) { int current = param[j]; int next = param[j + 1];
mongoDB 复杂查询表达式开窍的石头 mongodb
1:count Pg: db.user.find().count(); 统计多少条数据 2:不等于$ne Pg: db.user.find({_id:{$ne:3}},{name:1,sex:1,_id:0}); 查询id不等于3的数据。 3：大于$gt $gte(大于等于) &n
Jboss Java heap space异常解决方法, jboss OutOfMemoryError : PermGen space 0624chenhong jvm jboss
转自 http://blog.csdn.net/zou274/article/details/5552630 解决办法： window->preferences->java->installed jres->edit jre 把default vm arguments 的参数设为-Xms64m -Xmx512m ----------------
文件上传下载解析相对路径不懂事的小屁孩文件上传
有点坑吧，弄这么一个简单的东西弄了一天多，身边还有大神指导着，网上各种百度着。下面总结一下遇到的问题：文件上传，在页面上传的时候，不要想着去操作绝对路径，浏览器会对客户端的信息进行保护，避免用户信息收到攻击。在上传图片，或者文件时，使用form表单来操作。前台通过form表单传输一个流到后台，而不是ajax传递参数到后台，代码如下: <form action=&
怎么实现qq空间批量点赞换个号韩国红果果 qq
纯粹为了好玩！！逻辑很简单 1 打开浏览器console；输入以下代码。先上添加赞的代码 var tools={}; //添加所有赞 function init(){ document.body.scrollTop=10000; setTimeout(function(){document.body.scrollTop=0;},2000);//加
判断是否为中文灵静志远中文
方法一： public class Zhidao { public static void main(String args[]) { String s = "sdf灭礌 kjl d{';\fdsjlk是"; int n=0; for(int i=0; i<s.length(); i++) { n = (int)s.charAt(i); if((
一个电话面试后总结 a-john 面试
今天，接了一个电话面试，对于还是初学者的我来说，紧张了半天。面试的问题分了层次，对于一类问题，由简到难。自己觉得回答不好的地方作了一下总结：在谈到集合类的时候，举几个常用的集合类，想都没想，直接说了list,map。然后对list和map分别举几个类型： list方面：ArrayList,LinkedList。在谈到他们的区别时，愣住了
MSSQL中Escape转义的使用 aijuans MSSQL
IF OBJECT_ID('tempdb..#ABC') is not null drop table tempdb..#ABC create table #ABC ( PATHNAME NVARCHAR(50) ) insert into #ABC SELECT N'/ABCDEFGHI' UNION ALL SELECT N'/ABCDGAFGASASSDFA' UNION ALL
一个简单的存储过程 asialee mysql 存储过程构造数据批量插入
今天要批量的生成一批测试数据，其中中间有部分数据是变化的，本来想写个程序来生成的，后来想到存储过程就可以搞定，所以随手写了一个，记录在此： DELIMITER $$ DROP PROCEDURE IF EXISTS inse
annot convert from HomeFragment_1 to Fragment 百合不是茶 android 导包错误
创建了几个类继承Fragment, 需要将创建的类存储在ArrayList<Fragment>中; 出现不能将new 出来的对象放到队列中,原因很简单; 创建类时引入包是:import android.app.Fragment; 创建队列和对象时使用的包是:import android.support.v4.ap
Weblogic10两种修改端口的方法 bijian1013 weblogic 端口号配置管理 config.xml
一.进入控制台进行修改 1.进入控制台: http://127.0.0.1:7001/console 2.展开左边树菜单域结构->环境->服务器-->点击AdminServer(管理) &
mysql 操作指令征客丶 mysql
一、连接mysql 进入 mysql 的安装目录； $ bin/mysql -p [host IP 如果是登录本地的mysql 可以不写 -p 直接 -u] -u [userName] -p 输入密码，回车，接连；二、权限操作［如果你很了解mysql数据库后，你可以直接去修改系统表，然后用 mysql> flush privileges; 指令让权限生效］ 1、赋权 mys
【Hive一】Hive入门 bit1129 hive
Hive安装与配置 Hive的运行需要依赖于Hadoop，因此需要首先安装Hadoop2.5.2，并且Hive的启动前需要首先启动Hadoop。 Hive安装和配置的步骤 1. 从如下地址下载Hive0.14.0 http://mirror.bit.edu.cn/apache/hive/ 2.解压hive，在系统变
ajax 三种提交请求的方法 BlueSkator Ajax jqery
1、ajax 提交请求 $.ajax({ type:"post", url : "${ctx}/front/Hotel/getAllHotelByAjax.do", dataType : "json", success : function(result) { try { for(v
mongodb开发环境下的搭建入门 braveCS 运维
linux下安装mongodb 1）官网下载mongodb-linux-x86_64-rhel62-3.0.4.gz 2）linux 解压 gzip -d mongodb-linux-x86_64-rhel62-3.0.4.gz; mv mongodb-linux-x86_64-rhel62-3.0.4 mongodb-linux-x86_64-rhel62-
编程之美-最短摘要的生成 bylijinnan java 数据结构算法编程之美
import java.util.HashMap; import java.util.Map; import java.util.Map.Entry; public class ShortestAbstract { /** * 编程之美最短摘要的生成 * 扫描过程始终保持一个[pBegin,pEnd]的range,初始化确保[pBegin,pEnd]的ran
json数据解析及typeof chengxuyuancsdn js typeof json解析
// json格式 var people='{"authors": [{"firstName": "AAA","lastName": "BBB"},' +' {"firstName": "CCC&
流程系统设计的层次和目标 comsci 设计模式数据结构 sql 框架脚本
流程系统设计的层次和目标
RMAN List和report 命令 daizj oracle list report rman
LIST 命令使用RMAN LIST 命令显示有关资料档案库中记录的备份集、代理副本和映像副本的信息。使用此命令可列出： • RMAN 资料档案库中状态不是AVAILABLE 的备份和副本 • 可用的且可以用于还原操作的数据文件备份和副本 • 备份集和副本，其中包含指定数据文件列表或指定表空间的备份 • 包含指定名称或范围的所有归档日志备份的备份集和副本 • 由标记、完成时间、可
二叉树:红黑树 dieslrae 二叉树
红黑树是一种自平衡的二叉树,它的查找,插入,删除操作时间复杂度皆为O(logN),不会出现普通二叉搜索树在最差情况时时间复杂度会变为O(N)的问题. 红黑树必须遵循红黑规则,规则如下 1、每个节点不是红就是黑。 2、根总是黑的 &
C语言homework3，7个小题目的代码 dcj3sjt126com c
1、打印100以内的所有奇数。 # include <stdio.h> int main(void) { int i; for (i=1; i<=100; i++) { if (i%2 != 0) printf("%d ", i); } return 0; } 2、从键盘上输入10个整数，
自定义按钮, 图片在上, 文字在下, 居中显示 dcj3sjt126com 自定义
#import <UIKit/UIKit.h> @interface MyButton : UIButton -(void)setFrame:(CGRect)frame ImageName:(NSString*)imageName Target:(id)target Action:(SEL)action Title:(NSString*)title Font:(CGFloa
MySQL查询语句练习题，测试足够用了 flyvszhb sql mysql
http://blog.sina.com.cn/s/blog_767d65530101861c.html 1.创建student和score表 CREATE TABLE student ( id INT(10) NOT NULL UNIQUE PRIMARY KEY , name VARCHAR
转：MyBatis Generator 详解 happyqing mybatis
MyBatis Generator 详解 http://blog.csdn.net/isea533/article/details/42102297 MyBatis Generator详解 http://git.oschina.net/free/Mybatis_Utils/blob/master/MybatisGeneator/MybatisGeneator.
让程序员少走弯路的14个忠告 jingjing0907 工作计划学习
无论是谁，在刚进入某个领域之时，有再大的雄心壮志也敌不过眼前的迷茫：不知道应该怎么做，不知道应该做什么。下面是一名软件开发人员所学到的经验，希望能对大家有所帮助 1.不要害怕在工作中学习。只要有电脑，就可以通过电子阅读器阅读报纸和大多数书籍。如果你只是做好自己的本职工作以及分配的任务，那是学不到很多东西的。如果你盲目地要求更多的工作，也是不可能提升自己的。放
nginx和NetScaler区别流浪鱼 nginx
NetScaler是一个完整的包含操作系统和应用交付功能的产品，Nginx并不包含操作系统，在处理连接方面，需要依赖于操作系统，所以在并发连接数方面和防DoS攻击方面，Nginx不具备优势。 2.易用性方面差别也比较大。Nginx对管理员的水平要求比较高，参数比较多，不确定性给运营带来隐患。在NetScaler常见的配置如健康检查，HA等，在Nginx上的配置的实现相对复杂。 3.策略灵活度方
第11章动画效果（下） onestopweb 动画
index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
FAQ - SAP BW BO roadmap blueoxygen BO BW
http://www.sdn.sap.com/irj/boc/business-objects-for-sap-faq Besides, I care that how to integrate tightly. By the way, for BW consultants, please just focus on Query Designer which i
关于java堆内存溢出的几种情况 tomcat_oracle java jvm jdk thread
【情况一】：　　 java.lang.OutOfMemoryError: Java heap space：这种是java堆内存不够，一个原因是真不够，另一个原因是程序中有死循环；　　如果是java堆内存不够的话，可以通过调整JVM下面的配置来解决：　　<jvm-arg>-Xms3062m</jvm-arg> 　　<jvm-arg>-Xmx
Manifest.permission_group权限组阿尔萨斯 Permission
结构继承关系 public static final class Manifest.permission_group extends Object java.lang.Object android. Manifest.permission_group 常量 ACCOUNTS 直接通过统计管理器访问管理的统计 COST_MONEY可以用来让用户花钱但不需要通过与他们直接牵涉的权限 D

GCN Note

1.1 Base Layer

Output

1.2 Change channel

Output

1.3 Change Linear

Output

1.4 Add Layer

Output

1.5 Dec Layer

Output

你可能感兴趣的:(Notes,深度学习,python,人工智能)