qq_44980390的博客

每一行的数字代表该级目录下的文件总数（包括子目录），下面还会给出每个子目录的统计情况，以及非目录文件数量。

这里的本意，是想要在b后额外连接上[4, 5]这个列表，但是坑点在于使用+=会导致a的值也发生了变化，打印a和b的结果都是[1, 2, 3, 4, 5]。如果不想改变a，那么应该写成。这时a就仍然是[1, 2, 3]。当然，对b赋值的时候使用a.copy()也可以避免a被改变，这里的要点是不能简单把+=和=后+完全等同。

借助set，并使用原列表的index方法作为比较函数进行排序即可。use_last_duplicate为False时，重复元素以在原列表中第一次出现的位置为准，这也是因为index方法返回的就是第一次出现的下标；而use_last_duplicate为True时，重复元素以在原列表中最后一次出现的位置为准

This program was compiled against version 3.1.0 of the Protocol Buffer runtime library, which is not compatible with the installed version (3.20.3).

安装paddlepaddle后运行代码报错ImportError: core_avx.so: undefined symbol: _dl_sym, version GLIBC_PRIVA。改成下面这个版本就好了：python -m pip install paddlepaddle==2.4.0rc0 -i https://pypi.tuna.tsinghua.edu.cn/simple

今天学习到了一种使用位运算进行大小写转换的方法，分享出来。常见的英语字母大小写转换有三种需求：大小写互换、全转为小写、全转为大写。最常规的做法就是首先判断一下字符是大写字母还是小写字母，然后对应加或减大小写字母的ASCII码差值。注意到这个固定的ASCII码差值等于32，也就是1^5，同时所有大写字母的二进制第6位都是0、小写字母的二进制第6位都是1。基于此，可以写出三种需求的位运算实现版本代码

whl文件是可以使用pip install命令离线安装的Python包。使用whl文件最讨厌的一点在于，由于文件名里指定了其兼容的操作系统版本等信息，在一台机器上可以使用的whl文件放到另一台机器上可能就没法用了。要解决这个问题最直接的做法就是修改whl文件名，如果需要安装的whl文件特别多的时候就会很费时间，写了一个Python脚本批量处理，可以把目录下的所有whl文件统一重命名成大多数平台都支持的py3-none-any版本，代码如下

为了美观以及便于代码维护的需要，我们一般会使用函数注解标明每个参数以及返回值的类型。另外，如果写了函数注解，我们在编写代码时编译器也会根据参数的类型提供代码补全提示。但是这样写编译器是会有错误提示的，执行代码会报错“”，并且使用self.right时也没有Node相关属性及方法的补全提示（这里以Pycharm为例）。简单来说，这是因为在内部Node类还没有完成定义，现在类名是无法使用的状态，更加具体的解释感兴趣的同学可以自行搜索，这里不再赘述。解决方法也很简单，就是给类名加上引号。

Pytorch：解决使用yolov5时网络不佳导致无法下载数据集的问题

debug的时候，有时希望打印某些东西，但是如果代码段刚好在一个循环或者是其他会被执行很多次的部分，那么用来print的语句也会被执行很多次，看起来就不美观。例如：a = 0for i in range(3): a += 1print(a)这里在中间希望确认一下a的类型，debug的时候改成：a = 0for i in range(3): print(type(a)) a += 1print(a)''' 打印结果：<class 'int'><c

使用内置的all函数，函数定义形式：def all(__iterable: Iterable[object]) -> bool使用示例：array = [None, None, None, None]if all(array[i] is None for i in range(len(array))): print('All None')

Python是动态语言，不像C++和Java等静态语言一样需要定义变量的类型。这使得Python使用起来非常方便，但是有的时候会带来代码理解上的问题，并且由于参数类型不确定，编译器没法很好进行代码补全提示。使用 参数名:类型 的语法可以在定义类和方法时像静态语言那样指定参数类型，如：def fun(a: list): return a这样参数a就被指定为了list类型，编译器会在调用时做类型检查，并且后续代码编写的时候可以提供list类型相关的代码补全提示。而Python内置的typi

首先将监听函数设置为打印按键key，获得组合键对应的键码from pynput.keyboard import Listenerdef on_press(key): print(key)with Listener(on_press=on_press) as listener: listener.join()比如ctrl+c就是’\x03’，ctrl+v是’\x16’，注意是有单引号的。然后根据这个键码监听组合键，需要注意的有两点，一个是键码需要保留单引号并且不能转义，一个是

问题：对于一个一维数组的坐标，如何转换为多维矩阵的坐标？举例：对于一维数组坐标35，在尺寸为[5, 4, 3]的多维矩阵中对应的坐标为(2, 3, 2)。验证：35 = 2 × 12 + 3 × 3 + 2看了上面的问题，我们首先应该联想到的是进制转换或者提取整数各位数的问题（实际上后者就是前者在十进制下的特殊场景）。比如，对于尺寸为[2, 2, 2]的矩阵，一维坐标6在多维矩阵中坐标为(1, 1, 0)，对应其二进制表示110。而对于尺寸为[10, 10, 10]的矩阵，一维坐标163在多维矩阵中

正常情况下，Python继承的写法是这样的：class Human(object): def __init__(self, name): print(f'I am human, my name is {name}.') def eat(self, something): print(f'Eat {something}')class Emperor(Human): def __init__(self, name): super(

比如一个(4,100,224,224,3)的数组想将维度前两个维度合并，变成(400,224,224,3)，可以直接new_array = ori_array.reshape([400,224,224,3])为了推广到数组各个维度未知的情况，可以改成new_array = ori_array.reshape([ori_array.shape[0] * ori_array.shape[1]] + list(ori_array.shape[2:]))...

忘了在哪里见到的一张归纳图了，mark一下，侵删

做机器学习的时候某个需求不确定输入的形状是类似(224, 224, 3)还是(1000, 224, 224, 3)，分别代表了单张图像和一批图像，想对它/它们进行切片只取每一张图像左上角的(112, 112, 3)部分。使用…可以用来代表未知形状数组前面的维度，效果有点类似于索引中的-1，进行倒序处理。代码如下：import numpy as npimg = np.empty([224, 224, 3])img = img[..., :112, :112, :]print(img.shape) #(

import numpy as npfrom tensorflow.keras.layers import Flatten, Densefrom keras.models import Modelimport tensorflow.keras.applications as KerasModelsupported_model = np.array([ ['xception', 'Xception'], ['vgg16'

在线下载经常报错，可以预先下载好数据集放到本地。下载数据集（官网页面：http://www.cs.toronto.edu/~kriz/cifar.html 下载地址：http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz），使用IDM很快就下载完了，不要听某些人瞎忽悠去下载还要积分的资源，百度云也大可不必。把cifar-10-python.tar.gz更名为cifar-10-batches-py.tar.gz并放到本地文件夹里，这里放到./data

sympy库用着稍微有点问题，解简单的方程还行，稍微复杂点的结果就不太行，要么打印出了一堆奇怪的东西，要么会运行失败。自己写了一个解方程的函数，原理是穷尽搜索解的值，代码如下。left和right是把等式两边变成函数，x_range是解的搜索范围，step是搜索步长，error是允许的误差。import numpy as npdef solve_equation(left, right, x_range:list, step:float, error:float): result = []

import sysMAX_INT = sys.maxsizeclass SelfAdder(): def __init__(self, maximum:int = MAX_INT): self.maximum = maximum self.i = 0 def __call__(self): if self.i == self.maximum: self.i = 1 else:

使用self.training，这样就可以让forward函数采用两种执行方式，然后就可以做一些骚操作了import torch.nn as nnclass myNet(nn.Module): def __init__(self): super(myNet, self).__init__() def forward(self): if self.training: print('training') else:

先转成list，然后再借助count查找（ndarray没有count方法）list= ndarray.tolist()for i in range(len(list)): if list.count(list[i]) > 1: print(list[i])

保存Shap生成的神经网络解释图（shap.image_plot）调用shap.image_plot后发现使用plt.savefig保存下来的图像为空白图，经过查资料发现这是因为调用plt.show()后会生成新画板。（参考链接：保存plot_如何解决plt.savefig()保存的图片为空白的问题？）找到了一篇介绍如何保存Shap图的博客（原文地址：shap解释模型特征，多张图保存的实现（要改源码）），但是里面并没有提到image_plot怎么处理。此外，前面那个链接里提到的“先在画图前调用myfig

Python查看函数源码有些包的源代码不太好找，IDE可能也没给提供方便的源代码查看方式，这个时候就可以用这个方法。如下：import inspect as istdef getSource(fun): f = open('./' + fun.__name__ + '.py', 'w') f.write(ist.getsource(fun)) f.close调用的时候传入想查看源码的函数就行了，比如import matplotlib.pyplot as pltgetS

ImageDataGenerator读取的数据集转Numpy array常用的数据集类型可以分为两种：（1）一种是网上的经典数据集，比如mnist，一般会给写好的读取方法，比如mnist.load_data()，读取出来的返回值是Numpy array；（2）一种是自己本地的数据集，路径下每个文件夹代表一类图像，目录结构类似于data--type1----img1-1----img1-2--type2----img2-2----img2-2--type3----img3-2----

解决使用ployfit拟合曲线得到折线图（不够光滑）的问题使用polyfit拟合曲线，代码如下import numpy as npimport matplotlib.pyplot as plt #定义x、y散点坐标x = np.arange(0, 5)y = [0.472,0.469,0.447,0.433,0.418] #用3次多项式拟合f1 = np.polyfit(x, y, 3)p1 = np.poly1d(f1)yvals1 = p1(x) #拟合y值 #绘图plo