HLBoy_happy的博客

函数 function 将一个数据集合（链表，元组等）iterable[, initializer] 中的所有数据进行下列操作：用传给 reduce 中的函数 function（有两个参数）先对集合中的第 1、2 个元素进行操作，得到的结果再与第三个数据用 function 函数运算，最后得到一个结果。lambda 函数通常用于编写简单的、单行的函数，通常在需要函数作为参数传递的情况下使用，例如在 map()、filter()、reduce() 等函数中。来调用 reduce() 函数。

8位ASCII表有几种不同的变体。下表按照Windows-1252（CP-1252）的标准列出，它是ISO 8859-1的超集，也称为ISO Latin-1，以可打印字符为准，但在128到159范围内使用的是可显示字符，而不是控制字符。表示字母、数字、标点符号和一些杂项符号。您会在键盘上找到几乎每个字符。其中127 表示命令 DEL。ASCII 表中的前 32 个字符（0-31）是不可打印的控制代码，用于控制打印机等外围设备。

表示元素点积，也就是Hadamard积Hadamard product。除了装饰器的作用外，也可直接用作矩阵乘法运算，与numpy（在Python 3.5之后，python 的。

findfont: Font family 'Times New Roman' not found.

方法二：t的值在[0, 1]之间，也可以在[0, 255]之间的numpy数组，形状为。方法一：t的值在[0, 255]之间的numpy数组，形状为。python debug时需要图像化展示数据，有三种方法。（使用t.permute(1,2,0)变换通道）方法三：t是一个PIL实例，形状为。（3为channel数）

获取自纪元以来的当前时间（以秒为单位）。如果系统时钟提供它们，则可能存在秒的分数。所以这个地方返回的是一个浮点型类型。返回程序开始或第一次被调用clock()以来的CPU时间。这具有与系统记录一样多的精度。返回的是一个浮点类型。程序执行时间 = cpu执行时间 + io时间 + 休眠或者等待时间；获取的是当前日期，在程序执行结束之后，这个方式获得的时间值为。只记录CPU执行时间。

matplotlib.cm (cmap) 颜色查看

python下载问题包

python格式化输出与保存

Python内置函数：eval()

python内置函数：vars()

vscode 远程Python调试、日常使用技巧

Conda 虚拟环境安装

python 有一组内置（built-in）方法，__call__就是其中一种。__call__方法使python类的实例化对象可以像函数一样被调用。具体而言，当一个类定义了__call__方法，则它的实例化对象作为函数调用时：x(arg1, arg2, ...)等价于x.__call__(arg1, arg2, ...).例子一class Example: def __init__(self): print("Instance Created") # 定

import torchimport numpy as npimport randomtorch.mamual_seed(seed) # 为CPU设置种子torch.cuda.manual_seed(seed) # 为GPU设置种子torch.cuda.manual_seed_all(seed) # 当有多张GPU时，为所有GPU设置种子np.random.seed(seed) # 为Numpy设置随机种子random.seed(seed) # # 下面一行会大幅增加模型训练时间

文件 – 设置–构建、执行、部署–Python调试器中勾选Gevent兼容

文件 – 设置 – 工具 – python集成工具 – 测试中切换“默认测试运行程序”为Unittest

参考文献：迭代、列表生成式、生成器、迭代器可迭代对象（Iterable）可以直接作用于for循环的对象统称为可迭代对象str、list、set、tuple、dict都是可迭代对象可以通过collections.abc模块的Iterable类型判断[1] from collections.abc import Iterable[2] isinstance('abc', Iterable) # str是否可迭代>>> True[3] d = {'a': 1, 'b': 2,

本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。1. 降维可以缓解维度灾难问题；2. 降维可以在压缩数据的同时让信息损失最小化；3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。。

它大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。下面，我举个例子让大家更好的理解一下：# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7x = np.array([0, 1, 1, 3, 2, 1, 7])# 索引0出现了1次，索引1出现了3次......索引5出现了0次......np.bincount(x)#因此，输