知识搬运者

这里，Si是一个字典，关键词有"S1", “S2”, “ST”, “S1_conf”, “S2_conf”, and “ST_conf”。由图可知，在x=0时，y完全由参数a决定，参数b由于x而消失，x的绝对值越大，参数b对变化贡献越大，参数a相应越小。当您要分析的模型取决于不属于灵敏度分析的参数时，如位置或时间，可以分别对每个时间/位置进行分析。使用这些指数，你可以了解每个参数的独立贡献以及不同参数之间的相互作用对输出的影响。如果总阶指数基本上比一阶指数大，则可能发生了高阶交互作用，可以查看二阶指数。

6、画好的虚线可以调整大小吗？这个当然可以，我们可以在属性面板的描边后设置虚线的大小，如下图所示。，新建一个大小任意的画板，画板大小根据自己的需要来设置。5、当然，我们也可以调整虚线的大小。1、打开ai的软件，执行菜单栏中的。，会出现一个下拉的描边，我们在。，画一条直线段，如下图所示。，点击后直线就变成虚线了。3、我们现在就来将这条。

fvcore是Facebook开源的一个轻量级的核心库，它提供了各种框架中常见且基本的功能。其中就包括了统计模型的参数以及FLOPs等。

矩形训练或验证是一种数据处理技术，其中在训练或验证过程中，输入数据会被调整为具有相同宽高比的矩形形状。用于指定在训练过程中冻结前 n 层或指定层索引的列表，以防止它们的权重更新。输入的图片的大小，可以是整数就代表图片尺寸为int*int，或者list分别代表宽和高[w，h]用于控制是否启用确定性模式，在确定性模式下，算法的执行将变得可重复，即相同的输入将产生相同的输出。模型的文件，可以是官方的预训练模型，也可以是训练自己模型的yaml文件。模型的地址，可以是文件的地址，也可以是配置好地址的yaml文件。

源码没有这个函数，直接在plots里面添加一个新的。

但是shap还是提示报错。

安装后记住安装路径，并找到bin的文件夹。

选择与操作系统相对应的版本进行下载，并且与谷歌安装目录安装在同一位置，注意http status要为200才是正常可用。本例中，我的Chrome版本是120.0.6099.110，下载版本120.0.6099.71，可以正常使用。可以看到，当前chrome是最新版本：120.0.6099.110（正式版本） （64 位）。意思就是说：你的Chrome版本是118，但你的ChromeDriver版本是114。点击系统变量中的path，点击新增，并将chrome的安装目复制填入后，点击确定。

例如，如果我们有一个形状为 (batch_size, timesteps, input_dim) 的三维张量作为输入，应用一个具有 10 个单位的 “TimeDistributed” 密集层将产生一个形状为 (batch_size, timesteps, 10) 的三维张量作为输出。“Time-distributed” 是一种用于深度学习处理序列数据的技术，它将神经网络中的层或网络独立地应用于序列的每个时间步长。在典型的前馈神经网络中，输入数据会被馈送到网络中，并且相同的权重会被应用于所有的输入特征。

LSTM的另外两个输入是 h0 和 c0，可以理解成网络的初始化参数，用随机数生成即可。

因为我们的这些要素是不同质的东西的指标，因此可能会有的数字很大有的数字很小，但是这并不是由于它们内禀的性质决定的，而只是由于量纲不同导致的，因此我们需要对它们进行无量纲化。这个操作一般在数据处理领域叫做。可以看到，归一化以后的数据，量级差别变小了，这是为了后面提供铺垫，因为我们关注的实际上是曲线的形状的差异，而不希望绝对数值对后面的计算有影响。顾名思义，就是把这一个序列的数据统一除以最开始的值，由于同一个因素的序列的量级差别不大，所以通过除以初值就能将这些值都整理到1这个量级附近。

控制点，又分为固结型的控制点和游离型的控制点。分别控制图形的大小及长宽比例，和形状。对一个图形的操作方式可以分为4种类型。，将之逆时针旋转90度。在此之外，可以选中图形后按下。鼠标对图形的操作主要体现在对。键可以实现保持长宽比例不变。小键盘上的上下左右，称为。,将之顺时针旋转90度。上述两表中的操作，称为。画面以鼠标为中心点放大。画面以鼠标为中心点缩小。画面以原点为中心点放大。画面以原点为中心点缩小。

pathlib 模块提供了表示文件系统路径的类，可适用于不同的操作系统。使用 pathlib 模块，相比于 os 模块可以写出更简洁，易读的代码。

【代码】Python 将打印print的内容保存到日志文件。

在训练时我们都是使用 batch_size 批次训练，对于TorchMetrics也是一样的，在一个批次前向传递完成后将目标值Y和预测值Y_pre传递给torchmetrics的评价指标对象，评价指标对象会计算该批次评价指标并保存它(在其内部被称为state)。当所有的批次完成时（也就是训练的一个Epoch完成），我们就可以从评价指标对象返回最终结果(这是对所有批计算的结果)。更新度量状态并返回当前批次上计算的度量结果。如果您愿意，也可以使用metric(pred, target)，没有区别。

如果出现以下报错，则需要安装Microsoft Visual C++选择安装（Windows 10 SDK可以不安装 ）安装完成后，再次运行命令即可编译成功。

注意：计算时统一单位。同时，更值得注意的是，计算的分辨率是基于镜头所能采集到的最大分辨率（即像素）来计算的，这个分辨率就是我们常看见的8192*5460这种。例如这个，计算出来的分辨率就是在1392*1040这个条件下的，如果这个改动了，就需要根据相应的比例自己进行修改了。GSD：无人机/遥感卫星的空间分辨率，指航片/遥感影像一个像素点代表的空间距离。可采用以下公式计算，省去单位换算。（直接按照上述单位下的值带入计算即可）假设s=4.4µm、f=35mm，

就是从光谱中分别抽取的第29,19,9个波段来当替代RGB三个波段。(原因是谱相机可能避开了可见光部分波段，无法形成真RGB图)这里注意，打开的窗口产生空白画布（未显示立方体)，如果是显示器不支持32位深度缓冲区，可以使用如下命令改变缓冲器大小位16位等。双击原始图或者缩放窗口中的点，将会显示该点的全波段信息。键盘键，将打开变焦窗口，显示图像的放大视图。以下特点是基于在第3部分显示的基础上。，缩放窗口将显示原始窗口中选中的像素。安装好了就可以显示了，输入以下代码。原始窗口中用鼠标左键单击。

一、混淆矩阵混淆矩阵（confusion matrix）是一种特定的矩阵用来呈现算法性能的可视化效果，其每一列代表预测值，每一行代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。下面是二分类的混淆矩阵：预测值与真实值相同为，反之则为。混淆矩阵的，期望TP和TN越大越好，FN和FP越小越好。

【代码】python计算分类模型的评价指标。

header：开头字符串(存储为csv文件时可以生成标题)。如果每一列都要加上标题的话，可以使用指定的分隔符分开。如果不加分隔符，那就默认的加上一列。fmt: 要存储的数据格式。“%d”表示设置为int型，“%s”表示为字符型，“%f”表示保留几位小数。delimiter:加载分隔符，默认是空格。newline：行分隔符，默认换行符。使用分隔符分开，给每一列都添加上标题。

是函数名，该函数将会针对每个元素进行调用。以下讲一下map() 的用法。

【代码】Python将png、jpg图片转为EPS矢量格式图片。

打开Windows设置，点击【系统】-【存储】-【临时文件】，勾选所有临时文件项目，点击【删除文件】，即可清理临时文件，释放空间内存。Windows系统内置的磁盘，都带有清理功能，我们可以先来清理磁盘空间，鼠标选择C盘，右键【属性】，可以看到有个【磁盘清理】选项。”这串代码，即可跳转到【Temp】文件夹，这里面主要是应用程序留下的临时文件，当电脑空间不足时，便可以将文件全部删除。进入磁盘清理面板，勾选所有【要删除的文件】，接着点击【确定】按钮，开始删除这些文件，彻底清理磁盘空间。”指令，点击【确定】。

2、然后打开刚刚下载好的MathType文件夹，在如下图所示的路径中找到MathPage.wll，将其复制到上述word加载项路径下（注意，我电脑的word版本是64位，此处根据自己word版本进行选择，如果是32位，请选择32位文件夹下的MathPage.wll进行复制粘贴）。3、接下来再打开下载好的MathType文件夹，在如图相应的地址下选择框选的两个文件复制，粘贴到上述word加载项路径下的STARTUP文件夹下（此处32位还是64位扔根据自己电脑进行选择）。

【代码】统计np数组中数字出现的次数、存在哪些数字。

有个隐藏的bool参数_use_new_zipfile_serialization，默认是True，将其修改为False保存的模型就可以在新旧版中使用。出现该报错的原因是pytorch1.6以上版本保存的方式使用了新版的保存方式。重新读取模型，并使用该方法重新保存后就解决了该问题。因此只需要使用新版的。

我们的回传某个网络的loss时，是不能有其他网络输出的可求导数据的，也就是我们在将其他网络的输出传入需要回传的网络进行结果的损失计算时，需要将其他网络的输出加上detach()才不会报错。这时候，我们就需要用上分步回传了，结果是不变的。，当我们的对相同的loss回传多次，只有最后一次不加retain_graph参数外，其余都得加，否则报错。在Pytorch中，我们有时候会进行多个loss的回传，然而回传中，会发生一些错误。3、当然，以上回传我们还可以加在一起，一并回传，那么梯度也会叠加，同上面的结果等价。

这两个文件放到C:\Program Files\Microsoft Office\root\Office16\STARTUP中。这个文件放到C:\Program Files\Microsoft Office\root\Office16中。3. 打开word文件-选项-信任中心-信任中心设置-受信任位置，然后将刚刚拷进去的文件夹设置为信任文件夹。之前参照网上的一直没成功，也不知道哪个环节出了问题，但是全部卸载重新安装之后就可以正常使用了。选择刚刚拷过的文件，点确定，退出word重启就ok了。

step3：打包生成exe文件，使用如下命令，将其打包为单一exe（去掉-F则不是单一exe，-w是不生成window窗口）文件的内容（不是pyc文件，所以得把pyc后缀去掉，然后，用vs打开，pycharm和记事本打开会乱码），可以看出是以。文件的内容，注意看第一行，这个就是缺的信息。文件中提取出来（一般是前16个字节，可以对比打包前的源文件），将。文件体中的前16个字节提取出来，然后在添加到文件中，然后再执行。文件夹，有个hello文件，此为被解压出的pyc文件，需通过。添加到pyc文件中。

2、找到Tools--->Python Scientific。找到“Python Scientific”，去除右边候选框中的勾号。如图所示，不想图片显示在右边，而是单独的一个窗口，这样可以进行点击交互。

的Scripts文件夹路径，Anaconda安装在D:\Anaconda，所以对应的路径就是：D:\Anaconda\Scripts，复制该路径。2、点击“我的电脑”右键属性--高级系统设置 --3、系统变量--path--编辑。4、新建--将找到的路径输入进去。--在文本框里输入conda -V。5、确定--win+r--...

代码】Savitzky-Golay平滑滤波的python。

# pip list 查看安装的库# -----------换源安装------------# pip install 库名 -i 换源地址# 例如：pip install SomePackage -i https://pypi.tuna.tsinghua.edu.cn/simple# ------------------------------# pip install SomePackage 最新版本# pip install SomePackage==1.0.4 指定版本# pip.

安装、更新同一个python -m pip install --upgrade pip

# conda常用的命令# conda info -e 查看当前存在哪些虚拟环境# conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。# activate your_env_name 激活虚拟环境# conda create -n env_name numpy matplotlib pyth.

你

# coding=gbk# encoding:utf-8# -*- coding:gb2312 -*-import osimport os.pathdef dir_tree(path,sub_tree): if sub_tree == 0: print(path) # 输出第一级目录 path_tree = os.listdir(path) #获取当前目录下的文件和目录 for item in path_tree: .

from sklearn.model_selection import LeaveOneOutimport numpy as np# 创建数据data = np.random.random((10,3,15,15))label = np.linspace(1,data.shape[0],data.shape[0])# 留一法交叉验证函数loo = LeaveOneOut()for train_id, test_id in loo.split(label): # 获取的是索引值 .

这种方式是在前向传播进行中还没得到最终输出时，将所需要的中间层输出从前向数据流中提取出来，利用到了pytorch中的register_hook()函数。这一函数可以为模型中的某个module设置一个回调函数，形如：hook(module, input, output) -> None or modified output 函数的输入值为module的名字、module的输入和输出。通过前置定义一个数组，在hook()函数中将对应module的输入或输出加入该数组以实现中间层提取。实际过程中