Тима's questions

class Tensor:

    def __init__(self, value, requires_grad=False, local_gradients=None):
        self.value = value

    def __add__(self, other):
        print("adding")
        other = other if isinstance(other, Tensor) else Tensor(other)
        value = self.value + other.value
        return Tensor(value)

    def __radd__(self, other):
        print("radding")
        other = other if isinstance(other, Tensor) else Tensor(other)
        value = self.value + other.value
        return Tensor(value)

    @staticmethod
    def ones(shape):
        return Tensor(np.ones(shape))


a = np.random.randn(4, 3, 2, 1)
b = Tensor.ones((3, 2, 1))
b + a
a + b

我们得到以下结论

adding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding
radding

我们看到__add__它被执行了一次。正如我想要的那样。但是__radd__它被执行了 24 次（数组中有 24 个元素），所以它似乎是__radd__逐个元素地执行的。这不是我们所期望的。有什么方法可以纠正这种行为吗？

假设由于某种原因我需要创建自己的类，在其中以某种方式添加一些内容（不影响算术运算的逻辑）。

def __mul__(self, other):
   ....
   return self * other

a = Class(10)

a * 10 # 100

но что-делать, если я хочу переставить множители

10 * a # unsupported operand type(s) for *: 'int' and 'Class'

这个错误是合乎逻辑的，但非常不方便 - 因为在不同的公式中你必须考虑因素的顺序。有什么办法可以解决这个问题吗？

pytorch 深度学习库具有这种设计，允许您从不同层组装神经网络。

import torch.nn as nn
import torch.nn.functional as F

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x) # activation function
        x = self.conv2(x)
        return F.relu(x)

我正在编写自己的库，其外观与pytorch类似（一切都是出于教育目的，同时我每次都了解深度学习的新方面。）我对字符串感兴趣

self.conv1 = nn.Conv2d(1, 20, 5)
self.conv2 = nn.Conv2d(20, 20, 5)

我们创建两个类对象Conv2d并将它们的引用分配给该类对象Model。在学习过程（反向传播）期间，梯度从末端开始依次穿过此类网络的所有层（首先通过self.conv2，然后通过self.conv1）。这就引出了一个问题，算法如何了解该类对象的所有层Model？这个讨论部分回答了我的问题。我意识到还有另一个类在创建“层”类的对象时将对它们的引用收集到某个列表中。我自己是这样实现的

class Parameter:
    layers = []
    calling = dict()
    number_of_classes = 0

    def __init__(self, info):
        Parameter.layers.append(info[0])
        Parameter.calling[info[0]] = info[1:]


class Conv2d:
    def __init__(self, input_channels: int, output_channels: int, kernel_size: tuple, bias = True):
        # something happen here
        Parameter([self, self.kernel_array, self.bias_array])

这个方法有效。然而，目前只有Model一个类对象。一旦创建了另一个对象（另一个神经元），Parameter.layers该类的不同对象的引用就已经存储在其中Model，因此，一切都停止工作。

您有什么想法可以避免这种情况吗？

我为自己编写了一个小神经元来识别 MNIST 数据库中的数字（可以说是从头开始）。它可以很好地处理现成的数据，但是当我想识别我的手写数字时，我会遇到错误 -他们在这里解释了原因。我想问，我应该将图片乘以什么矩阵才能获得数字移位或旋转？

我是数据库新手，不太明白为什么输入mysql -u root -p密码后一切顺利，我开始在 mysql 系统上工作

当我输入 mysql -u root --password = 'password' 显示问候语

mysql  Ver 8.0.21 for Win64 on x86_64 (MySQL Community Server - GPL)
Copyright (c) 2000, 2020, Oracle and/or its affiliates. All rights reserved.

Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.

然后是命令列表，我仍然在命令行上工作

即这里 c:\path>>> ，在第一种情况下 mysql>>>

有 2 个文件 - 洗衣机和烘干机。但是，当在命令行上调用时

py redis_washer.py &

首先，第一个程序完全执行，然后才能调用第二个程序。

但它们必须协同工作，洗衣机洗了一个盘子，烘干机立即将其烘干。

我这样理解

C:\Users\User>py redis_washer.py &
Washer is starting
Washed salad
Washed bread
Washed soup
Washed oil chicken
Washer is done

C:\Users\User>py redis_dryer.py
Dryer is working
Dried salad
Dried bread
Dried soup
Dried oil chicken
dishes are dried

没发现问题

我不会乱扔资源，但我有一个误解。

plt.plot(range(-2,5), range(4,-3,-1)) - спокойно рисует линию

使用参数，我经常出错。我仍然无法弄清楚为什么它不起作用？它只适用于其他人，plt.plot(range(-2,4), range(3,-3,-1)) 但不适用于其他人 -

plt.plot(range(-2,6), range(2,-3,-1))

plt.plot(range(-3,6), range(4,-4,-1))

PS错误说x和y必须具有相同的维度

plt.plot([2,4],[2,5])

但是这里的维度不同，为什么它在这里起作用？

这个问题无法回答，我重新考虑了我的问题！

这是课程中的代码

y_pred_train=logreg.predict(x_train)

y_predict_train=logreg.predict_proba(x_train)[:,1]

logreg.score(x_test,y_train)

这是我找到的一个很好的解释。

model.predict(X_test) - 预测目标变量的值

model.predict_proba() - 给出答案的“置信度”（概率） - 对于某些模型

model.score() - 大多数模型都有用于评估其性能的内置方法

1）我不太明白置信度是什么意思？为什么你不能给出一个你百分百确定的答案？

2) 如果输入 x_train 和 y_train， score() 如何评估模型的性能？虽然，从逻辑上讲，应该 y_pred 和 y_train 吗？评价是什么意思？

某处提到了行列式，虽然我不熟悉这个概念。

score(self, X, y, sample_weight=None)[source] 返回预测的决定系数 R^2。...一个始终预测 y 的期望值的常量模型，不考虑输入特征，将获得 0.0 的 R^2 分数。来自 sklearn 文档

3. 最后，为什么我们要将所有内容分配给不同的变量？

   为什么不 a=predict(x_test) b=a.predict_proba()

我怀疑我们侥幸逃脱，因为我预定义了 random_state，也就是说，无论您调用多少次 predict()，系数或权重都是相同的。但我不太确定）

开始使用 Python 和 sklearn 库进行机器学习。有 2 种方法 fit () 和 predict () 老实说，在某些网站之后，我了解到它们确实非常模糊。

lin_reg.fit(x_train[num_features], y_train)

fit(x,y) 在训练集 X, y 上训练模型（训练） -来自论坛的引用

这是什么意思？

1) 模型查看 x_train，给出一个随机数并将其与 y_train 进行比较？

2) 模型查看 x_train 和 y_train 并试图找到某种关系或调整系数？

在这里，我有一个昏迷。

predict(X) 对数据 X的预测也是一个引用。

也就是说，模型建立起来了，我们可以给它输入数据吗？

y_pred=lin_reg.predict(x_train[num_features])

但这让我很困惑，为什么我们使用相同的数据进行训练和预测？会不会失败，或者模型会记住所有答案并给出 100% 的结果？