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
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？