《机器学习实战》程序4-5报错

最新推荐文章于 2025-01-08 14:26:28 发布

wvrains

最新推荐文章于 2025-01-08 14:26:28 发布

阅读量235

点赞数

文章标签： python

本文链接：https://blog.youkuaiyun.com/fq_wallow/article/details/104335645

版权

报错：TypeError: ‘range’ object doesn’t support item deletion

解决办法：将trainingSet的数据类型改为‘list’,即trainingSet=list(range(50))

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wvrains

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

ChatGLM模型的ptuning predict返回为空值的解决方案

m0_47037246的博客

05-28

936

在使用ChatGLM模型进行文本生成时，有时会出现调用ptuning函数后返回空值的情况。这是由于在训练模型时未正确设置GPU参数所致。下面是一份Python代码，可以帮助解决ptuning predict返回空值的问题。然后加载GPT-2模型和tokenizer，并将模型移动到设备上。为了确保模型在inferencing时不会进行dropout操作，我们使用。通过以上代码，我们可以避免使用ptuning函数时返回空值的问题。变量用于输入文本，将其转换为张量并移动到设备上。在上面的代码中，我们首先使用。

C++程序启动报错和启动失败的常见原因分析与排查经验总结

热门推荐

dvlinker的技术专栏

12-24

4万+

本文对引发C++程序启动报错或启动失败的常见原因及相关排查办法进行了详细地总结，并给出具体的项目问题实战分析实例。相关的总结及实战分析案例均来自于项目实战，有很强的实战参考价值。

参与评论您还未登录，请先登录后发表或查看评论

ROUGE评价指标

涛涛不绝蕾蕾于冬

03-28

5678

1、Ubuntu安装ROUGE教程2、在Ubuntu下配置pyrouge3、学习笔记———《自动文档摘要评价方法---Edmundson和ROUGE》4、pyrouge0.1.3官方教程5、pyrouge在Ubuntu下的使用

Python异常 ValueError的问题详解

Linuxprobe18的博客

04-11

1217

这篇文章主要介绍了Python异常 ValueError的问题，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教。规避方法：int函数参数应该合法使用。int函数使用传送门：Python中的int函数使用。Python只允许对字典key的遍历，因此上面的遍历方式是错误的。方法一：使用dict[key]的方式同时获取value。试图将一个与数字无关的类型转化为整数，会抛出该异常。规避方法：避免使用encoding关键字。试图遍历字典时同时遍历键和值。方法二：使用items方法。

机器学习实战（基于Scikit-Learn和TensorFlow）（1）

qinhe123的博客

05-12

3233

一、下载数据 import os import tarfile from six.moves import urllib DOWNLOAD_ROOT = "https://raw.githubusercontent.com/ageron/handson-ml/master/" HOUSING_PATH = "datasets/housing" HOUSING_URL = DOWNLOAD_RO...

深度学习实战1--决策树与随机森林（最新版本不报错）

m0_63860007的博客

08-28

951

1.乳腺癌数据集简介乳腺癌数据集包含了美国威斯康星州记录的569个病人的乳腺癌的病情，包含30个维度的生理指标数据(特征),以及乳腺癌是恶性还是良性的标签。因为这是一个二分类问题，也叫二类判别数据集。这数据主要包含569个样本。每个样本有30个特征(30个生理指标数据)和1个标签(良性还是恶性)。对于本次任务，并不需要了解30个生理指标的含义。只要知道，这30个指标和恶性、良性之间存在某种关联。3.思路。

机器学习实战（基于Scikit-Learn和TensorFlow）（第2章）

qq_41959329的博客

07-07

690

第二章：端到端的机器学习项目 1.环境配置： python和jupyter notebook，同时需要下载一些依赖包来辅助我们做机器学习比如numpy，scipy，matplotlib，sklearn，jupyter，pandas等等，这些包可以通过pip命令一键安装，这里就不说了。 2.下载数据：从书中给出的网站可以下载一个压缩过的数据集，然后将其解压，就是我们的原始数据集了。这里...

微信小程序-控制台报错:“ wx:key=“{{index}}“ does not look like a valid key name (did you mean wx:key=“index“ “

特战程序员

11-21

3151

<view class="main">  <MyTitle></MyTitle>  <view class="nav_wrap"> <scroll-view class="nav" scroll-x="x"> <view bindtap="activeNav" data-

rouge:ROUGE指标的完整Python实现（不是包装器）

05-28

胭脂完整的Python库，用于ROUGE指标。免责声明此实现独立于“官方” ROUGE脚本（又名ROUGE-155 ）。结果可能是slighlty不同，看。快速开始克隆并安装 git clone https://github.com/pltrdy/rouge cd rouge python setup.py install # or pip install -U . 或从点子： pip install rouge 从外壳使用它（JSON输出） $rouge -h usage: rouge [-h] [-f] [-a] hypothesis reference Rouge Metric Calculator positional arguments: hypothesis Text of file path reference Text or file

【python】raise ValueError(‘str‘)用法

最新发布

lele_ne的博客

01-08

291

为了防止控制台报错，提前抛出错误。

Python异常 ValueError

黄佳俊的博客

02-15

5627

ValueError: invalid literal for int() with base 10: '*' 试图将一个与数字无关的类型转化为整数，会抛出该异常。 ✏️规避方法：int函数参数应该合法使用。 ValueError: too many values to unpack (expected 2) 试图遍历字典时同时遍历键和值。 Python只允许对字典key的遍历，因此上面的遍历方式是错误的。 ✏️规避方法：方法一：使用dict[key]的方式同时获取value 方法二：使用items

学好机器学习必会的统计学知识（第二篇）

踩风火轮的乌龟

08-13

2万+

引言在机器学习应用中，我们不可能离开数据。没有了数据，机器学习算法就像没有了灵魂。更好地理解数据，可以使我们把它更好地应用在机器学习上。在这篇文章中，我会介绍一些在统计学中，理解数据的一些重要概念，从而使大家更准确地操作数据，玩转数据。注意：在这篇文章中会涉及到很多名词和定义，我就直接用英文了，因为这更加容易理解，翻译成汉语以后会让人更加混乱了。Populations and Parameters

评估 | 自动摘要评估

以秘

10-11

725

1.rouge评估，英文中文都可以。中文，都可以使用rouge评估，代码： # -*- coding: utf-8 -*- from rouge import Rouge hypothesis = "我爱最美的中国" reference = "我爱中国" rouge = Rouge() scores = rouge.get_scores(hypothesis, reference) print("rouge-1:",scores[0]['rouge-1']) print("rouge-2

python raise valueerror_Python初学者：raise ValueError（'长度键和值必须相等'）

weixin_39607447的博客

02-19

2845

我想在一个现有的数据帧另一列。列将包含字典的值。这些值是令牌的列表。到目前为止，它还不起作用，有没有办法把它们添加到数据帧中？在df = pd.read_csv(sys.argv[1], na_values=['no info', '.'], encoding='Cp1252', delimiter=';')s = pd.DataFrame(dict1).T.reset_index()print(...

动态异长分区内存分配与去配的最佳适应算法，伪代码如下：以下是该程序使用的最佳适应分配算法的伪代码： INFERENCE PROCEDURE: 接收输入的数据集 D 和目标函数 f(x) create an empty hypothesis set H for each element h in D: add h to H for each hypothesis h in H: for each element x in data set D: if f(x) is less than or equal to the score of h: replace h with the current best hypothesis in H evaluate the quality of each hypothesis in H choose the best hypothesis as the one with the highest quality return the best hypothesis 其中，data set D 是指训练数据集，目标函数 f(x) 是指对于每个数据点 x，计算它所属的类别。hypothesis set H 是指保存所有可能的预测假设的集合。inference procedure 是指推理过程，它接收输入的数据集 D 和目标函数 f(x),然后根据数据集和当前保存的所有假设来更新 H，并最终选择最好的假设。。写出程序代码，代码的数据结构分析，算法分析，算法分析流程图，

05-31

这里给出最佳适应算法的实现代码，并附有注释： ``` // 定义一个结构体表示一个分区 struct Partition { int startAddr; // 分区起始地址 int endAddr; // 分区结束地址 int size; // 分区大小 bool isFree; // 是否空闲 }; // 定义一个动态数组来保存所有分区 vector<Partition> partitions; // 分配内存的函数 int allocateMemory(int size) { int minSize = INT_MAX; // 初始化最小分区大小为一个极大值 int index = -1; // 初始化最小分区的下标为-1 // 遍历所有分区，找到大小大于等于所需大小且最小的空闲分区 for (int i = 0; i < partitions.size(); i++) { if (partitions[i].isFree && partitions[i].size >= size && partitions[i].size < minSize) { minSize = partitions[i].size; index = i; } } // 如果找到了合适的分区，则进行分配 if (index != -1) { int startAddr = partitions[index].startAddr; // 分配起始地址 partitions[index].startAddr += size; // 更新分区起始地址 partitions[index].size -= size; // 更新分区大小 if (partitions[index].size == 0) { partitions[index].isFree = false; // 如果分区大小为0，说明已被完全占用，将其标记为不可用 } return startAddr; } else { return -1; // 找不到合适的分区，分配失败 } } // 回收内存的函数 void freeMemory(int startAddr) { // 遍历所有分区，找到起始地址等于给定地址的分区 for (int i = 0; i < partitions.size(); i++) { if (partitions[i].startAddr == startAddr) { partitions[i].isFree = true; // 将该分区标记为空闲 // 如果该分区前后都是空闲分区，则将它们合并 if (i > 0 && partitions[i-1].isFree) { partitions[i].startAddr = partitions[i-1].startAddr; // 更新合并后的分区的起始地址 partitions[i].size += partitions[i-1].size; // 更新合并后的分区的大小 partitions.erase(partitions.begin() + i - 1); // 删除被合并的前一个分区 i--; } if (i < partitions.size() - 1 && partitions[i+1].isFree) { partitions[i].endAddr = partitions[i+1].endAddr; // 更新合并后的分区的结束地址 partitions[i].size += partitions[i+1].size; // 更新合并后的分区的大小 partitions.erase(partitions.begin() + i + 1); // 删除被合并的后一个分区 } break; } } } ``` 数据结构分析：本算法使用一个动态数组来保存所有分区，每个分区用一个结构体来表示。结构体包含分区的起始地址、结束地址、大小和是否空闲等属性。算法分析：最佳适应算法是一种动态分配内存的算法，它会在所有空闲分区中找到大小最接近所需内存大小的分区来进行分配。分配完成后，如果分配后的分区大小为0，则将该分区标记为不可用。回收内存时，会将被释放的分区标记为空闲，并检查前后是否有空闲分区可以与其合并。算法分析流程图： ![最佳适应算法流程图](https://img-blog.csdnimg.cn/20211109111230796.png)