Drug discovery

这会将所有输出同时显示在屏幕上并追加到日志文件中。

函数就可以了，但是这个函数有一个缺点，就是它是按照从第一位开始的顺序排列的。为了解决这个问题，可以使用natsort包。

今天重新回顾一下函数有多个return值，我们应该怎么定义调用的函数首先定义一个函数，他有两个返回值。

【代码】numpy ceil()、floor() 的用法。

这两个是python中的可变参数。*args表示任何多个无名参数，它是一个tuple。**kwargs表示关键字参数，它是一个dict。并且同时使用*args和**kwargs时，必须*args参数列要在**kwargs前。

当然，它可以输出已经load的model所属于哪个class。此时你就可以知道它是属于哪个class了（ResNet）当你想要获取一个对象实例的类名称时，你可以结合使用。得到该model属于的class。得到该class的名字ResNet。假如模型是这样的，你可以通过。

Python 的基础数据类型中的字典类型分为：无序字典 与 有序字典 两种类型1.无序字典（普通字典）dict()：输出：可以看见，遍历一个普通字典，返回的数据和定义字典时的字段顺序是不一致的2.有序字典 OrderedDict()输出：有序字典可以按字典中元素的插入顺序来输出。注意：有序字典的作用只是记住元素插入顺序并按顺序输出。如果有序字典中的元素一开始就定义好了，后面没有插入元素这一动作，那么遍历有序字典，其输出结果仍然是无序的，因为缺少了有序插入这一条

//与列表一样，元组也是不可变的，但与列表不同的是元组可以包含不同类型的元素。//元组的实际类型取决于它的元素的类型， val x = (1, 3.14, "Fred") val t = (4,3,2,1) //我们可以使用 t._1 访问第一个元素， t._2 访问第二个元素，如下所示： val sum = t._1 + t._2 + t._3//你可以使用 Tuple.productIterator() 方法来迭代输出元组的所有元素： t.productIterator.for

在PyTorch中，不同类型任务的主要SigmoidBCELossSoftmaxSoftmaxSigmoidBCELossMSELoss。

入门文章：初探强化学习对应的github：GitHub - boyu-ai/Hands-on-RL: https://hrl.boyuai.com/对应的视频：伯禹学习平台

运行命令之后packageB文件夹下就有packageA文件夹了。

你要是上传大文件，肯定是需要压缩，然后使用OSS的，因为比较快，Xftp有点慢。

globals()[变量名]来调用这个加了字符串的变量。想要使用这个变量的话，

可以通过为某一个参数设置默认值，从而变为可选参数，就相当于为你默认设置了参数，而不需要自己再次设置但是对于复杂的需要传参的函数，这种设置默认参数的行为并没有什么太大的作用。

经常看到偏函数partial，一句话解释：“把一个函数的某些参数给固定住（也就是设置默认值），返回一个新的函数，调用这个新函数会更简单（调用新函数的时候不需要输入默认的参数了就）“

列表推导式（又称列表解析式）提供了一种简明扼要的方法来创建列表。它的结构是在一个中括号里包含一个表达式、然后是一个for语句、然后是 0 个或多个 for 或者 if 语句。那个表达式可以是任意的，意思是你可以在列表中放入任意类型的对象。返回结果将是一个新的列表，在这个以 if 和 for 语句为上下文的表达式运行完成之后产生。列表推导式的执行顺序：左边第二个语句是最外层，依次往右进一层，左边第一条语句是最后一层。他的执行顺序是:例如2：Python 列表推导式

如果你知道java中的this，那么Self的作用和他们是一样的为了说清楚Self是个什么东西，你首选需要搞清实例与类之间的关系.人就是一种类，人有名字，身高，体重等属性，不同人这些属性都是不一样的，除此之外，人还有很多方法(功能)，例如，思考、跑步、睡觉等等.class Person: def __init__(self,name): self.name = name def think(self): print("{} is thinking"

函数1--add_params(a,b):a,b两个数字 返回：a+b函数2--mult_params(func,a,b,c): a,b,c 为数字，func是函数 返回：func(a,b)*creturn a+b。

我们通常看到那么这一行代码的意义是什么呢？实例：class Root(object): def __init__(self): self.x = '这是属性' def fun(self): print('这是方法')class A(Root): # A 继承 Root def __init__(self): super(A,self).__init__() print('实例化执行')t.

python中next()的具体的形式为：next(iterobject,defalt)通过调用。迭代器是一种对象，它允许你逐个访问集合中的元素，而无需提前加载整个集合到内存中。使用迭代器可以节省内存并提高效率，特别是当处理大型数据集时。需要注意的是，如果迭代器已经达到了最后一个元素，再次调用next方法将会引发异常。你可以使用try-except块来捕获这个异常并进行相应的处理。

return out在上面的代码中，我们定义了一个名为SimpleNet的神经网络模型，它继承自 PyTorch 中的nn.Module类。我们在__init__()方法中定义了三层网络结构，分别是输入层fc1、激活层relu和输出层fc2。其中，输入层和输出层都使用了全连接层（nn.Linear），而激活层使用了 ReLU 激活函数。在forward()方法中，我们按照输入数据x经过fc1relu和fc2三层的顺序进行计算，最终返回输出结果out。

python 目录层级

不同文件夹下的图像拼接在一起

Python munch包 /Munch() 的使用

https://blog.youkuaiyun.com/lly1122334/article/details/97234728这里不建议下载低一个版本的cuda，应该要控制面板里面建议多少就多少，不然会提示系统不兼容而导致安装不了。我亲测了Windows 10上安装PyTorch 1.8（GPU版）https://www.bilibili.com/read/cv10177961/......

Python 全局变量与global关键字​ 在Python的变量使用中，经常会遇到这样的错误:local variable 'a' referenced before assignment它的意思是：局部变量“a”在赋值前就被引用了。​ 比如运行下面的代码就会出现报错这样的问题：a = 3def Fuc(): print (a) a = a + 1Fuc()​ 原来，在Python中，a=3 定义了全局变量a，作用域从定义处到代码结束，在 a=3 以下的函数中是...

单冒号：二、定义array数组X=array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]])X输出为5x4的矩阵：三、X[:,0]就是取矩阵X的所有行的第0列的元素，X[:,1] 就是取所有行的第1列的元素。 X[:, m:n]即取矩阵X的所有行中的的第m到n-1列数据，含左不含右。 X[0,:]就是取矩阵X的第0行的所有元素，X[1,:]取矩阵X的第一行的所有元素。...

抽象方法：抽象方法表示基类的一个方法，没有实现，所以基类不能实例化，子类实现了该抽象方法才能被实例化。@abstractmethod：见下图的代码，基类Foo的fun方法被@abstractmethod装饰了，所以Foo不能被实例化；子类SubA没有实现基类的fun方法也不能被实例化；子类SubB实现了基类的抽象方法fun所以能实例化。完整代码：在Python3.4中，声明抽象基类最简单的方式是子类话abc.ABC；from abc import ABC, abstractmet.

从变量5开始，一直遍历到9，总共5个变量current = 5for i in range(current,10): print(i)在python中是无法给i赋值的，所以只能通过这种方式，控制循环的次数和开始结束位置

# -*- coding:utf8 -*-import osclass BatchRename(): ''' 批量重命名文件夹中的图片文件 ''' def __init__(self): self.path = 'C:/Users/.../Data/Image' #表示需要命名处理的文件夹 def rename(self): filelist = os.listdir(self.path) #获取文件路径 .

描述enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。Python 2.3. 以上版本可用，2.6 添加 start 参数。语法以下是 enumerate() 方法的语法:enumerate(sequence, [start=0])参数sequence -- 一个序列、迭代器或其他支持迭代对象。 start -- 下标起始位置。返回值返回 enumerate(枚举)

https://blog.youkuaiyun.com/qq_38861587/article/details/104241558?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242但是此时youyige

修改代码的注释行颜色：settings->Editor->Color Scheme->python

调用tf.nn.conv2d()实现卷积首先是调用卷积函数实现卷积操作：这里说明一下conv2d的定义及参数含义： 参考【定义：】tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)【参数：】input : 输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，

命名空间其实就是给几个变量包一层名字，方便变量管理。函数是：tf.name_scope另外，就像操作系统文件夹命名一样，不同的顶层文件夹下，可以有同名文件夹。这里，不同的命名空间下，可以有名字相同的变量。tf.name_scope 主要结合 tf.Variable() 来使用，方便参数命名管理。Signature: tf.name_scope(*args, **kwds)Docstring:Returns a context manager for use when defining a P

with是一种上下文管理协议，目的在于从流程图中把 try,except 和finally 关键字和资源分配释放相关代码统统去掉，简化try….except….finlally的处理流程。with 语句适用于对资源进行访问的场合，确保不管使用过程中是否发生异常都会执行必要的“清理”操作，释放资源，比如文件使用后自动关闭、线程中锁的自动获取和释放等。with语句的基本语法格式:with expression [as target]:with_body参数说明：expression：是一

在使用TensorFlow跑深度学习的时候，经常出现显存不足的情况，所以我们希望能够随时查看GPU时使用率。如果你是Nvidia的GPU，那么在命令行下，只需要一行命令就可以实现。1. 显示当前GPU使用情况Nvidia自带了一个nvidia-smi的命令行工具，会显示显存使用情况：nvidia-smi输出：2. 周期性输出GPU使用情况但是有时我们希望不仅知道那一固定时刻的GPU使用情况，我们希望一直掌握其动向，此时我们就希望周期性地输出，比如每 10s 就更新显示。 这时候就需要

1、运行python脚本命令$ nohup python -uProductCatDataImport.py> out.log 2>&1 &2、查看输出日志：tail -f out.log3、查看进程：ps -ef|grep pix2pix.py4、结束进程kill -9 4424

'' ： 当前同级目录'/'：根目录'./' ：当前同级目录'../' ：上级目录

nn.ReLU(inplace=True)参数inplace=True:inplace为True，将计算得到的值直接覆盖之前的值inplace：can optionally do the operation in-place. Default: False注： 产生的计算结果不会有影响。利用in-place计算可以节省内（显）存，同时还可以省去反复申请和释放内存的时间。但是会对原变量覆盖，只要不带来错误就用。例如：x = x+1即对原值x进行+1操作后得到的值，直接赋值给x，而不是如下找