compile 方法完成的。它接收三个参数： • 优化器 optimizer。它可以是现有优化器的字符串标识符，如 rmsprop 或 adagrad，也可以 是 Optimizer 类的实例。详见：optimizers。 • 损失函数 loss，模型试图最小化的目标函数。它可以是现有损失函数的字符串标识符，如 categorical_crossentropy 或 mse，也可以是一个目标函数。详见：losses。 mse，也可以是一个目标函数。详见：losses。 • 评估标准 metrics。对于任何分类问题，你都希望将其设置为 metrics = ['accuracy']。 评估标准可以是现有的标准的字符串标识符，也可以是自定义的评估标准函数。 # 多分类问题 model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) 中为模型设置权重。列表中的数组必须与 get_weights() 返回的权重具有相同的尺寸。 • model.to_json(): 以 JSON 字符串的形式返回模型的表示。请注意，该表示不包括权重， 只包含结构。你可以通过以下代码，从 JSON 字符串中重新实例化相同的模型（带有重新 初始化的权重）： from keras.models import model_from_json json_string

normalize=True, tz='Asia/Hong_Kong') 25 时间序列的频率、偏移量 默认生成的时间序列数据是按天计算的，即 频率为“D”。 • “D”是一个基础频率，通过用一个字符串 的别名表示，比如“D”是“day”的别名 。 • 频率是由一个基础频率和一个乘数组成的 ，比如，“5D”表示每5天。 26 时间序列的频率、偏移量 通过一张表来列举时 间序列的基础频率。 重采样 05 数据统计—滑动窗口 06 时序模型—ARIMA 33 创建时期对象 pd.Period(2018) 创建Period类对象的方式比较简单，只需要在构造 方法中以字符串或整数的形式传入一个日期即可。 Period类表示一个标准的时间段或时期，比 如某年、某月、某日、某小时等。 pd.Period('2017/6') 34 创建时期对象 Period对象能够参与数学运算。如果Period Period对象1 Period对象2 ... Period对象N 38 创建时期对象 除了使用上述方式创建PeriodIndex外，还 可以直接在PeriodIndex的构造方法中传入 一组日期字符串。 str_list = ['2010', '2011', '2012'] pd.PeriodIndex(str_list, freq='A-DEC') 39 创建时期对象 DatetimeIndex是用来指代一系列时间点

安装过程照着提示一步步操作就可以了。 注意：安装路径尽量不使用带有 中文或空格 的目录，这样在之后的使用过程 中减少一些莫名的错误。 Python 的环境的安装 54 Python 的主要数据类型 ⚫字符串 ⚫整数与浮点数 ⚫布尔值 ⚫日期时间 ⚫其它 55 Python 的数据结构 ⚫列表(list) 用来存储一连串元素的容器，列表用[ ]来表示，其中元素的类型可不相同。 ⚫元组(tuple) 里面的元素的值不能修改，只能读取。元组的符号是( ) ⚫集合(set) 集合主要有两个功能，一个功能是进行集合操作，另一个功能是消除重复元素。 集合的格式 是：set( )，其中()内可以是列表、字典或字符串，因为字符串是以列表的形式存储的 ⚫字典(dict) 字典dict也叫做关联数组，用大括号{ }括起来，在其他语言中也称为map，使用键-值（ key-value）存储，具有极快的查找速度，其中key不能重复。

安装过程照着提示一步步操作就可以了。 注意：安装路径尽量不使用带有 中文或空格 的目录，这样在之后的使用过程 中减少一些莫名的错误。 Python 的环境的安装 55 Python 的主要数据类型 ⚫字符串 ⚫整数与浮点数 ⚫布尔值 ⚫日期时间 ⚫其它 56 Python 的数据结构 ⚫列表(list) 用来存储一连串元素的容器，列表用[ ]来表示，其中元素的类型可不相同。 ⚫元组(tuple) 里面的元素的值不能修改，只能读取。元组的符号是( ) ⚫集合(set) 集合主要有两个功能，一个功能是进行集合操作，另一个功能是消除重复元素。 集合的格式 是：set( )，其中()内可以是列表、字典或字符串，因为字符串是以列表的形式存储的 ⚫字典(dict) 字典dict也叫做关联数组，用大括号{ }括起来，在其他语言中也称为map，使用键-值（ key-value）存储，具有极快的查找速度，其中key不能重复。

张量的基础操作方法十分重要。只有掌握了这些操作方法，才能随 心所欲地实现各种复杂新奇的网络模型，也才能深刻理解各种模型算法的本质。 4.1 数据类型 首先来介绍 PyTorch 中的基本数据类型，包含数值类型和布尔类型。虽然字符串类型 在 Python 语言中使用频繁，但是机器学习主要以数值运算为主，因此 PyTorch 并没有对字 符串类型单独提供支持。 4.1.1 数值类型 数值类型的张量是 PyTorch 的 每个点的特征长度。 考虑自然语言处理(Natural Language Processing，简称 NLP)中句子的表示，如评价句 子的是否为正面情绪的情感分类任务网络，如图 4.3 所示。为了能够方便字符串被神经网 络处理，一般将单词通过嵌入层(Embedding Layer)编码为固定长度的向量，比如“a”编码 为某个长度 3 的向量，那么 2 个等长(单词数量为 5)的句子序列可以表示为 shape tf.summary.scalar 函数记录监控数据，并指定时 间戳 step 参数。这里的 step 参数类似于每个数据对应的时间刻度信息，也可以理解为数据 曲线的?坐标，因此不宜重复。每类数据通过字符串名字来区分，同类的数据需要写入相 同名字的数据库中。例如： with summary_writer.as_default(): # 写入环境 # 当前时间戳

如果我们使用macOS，假设Python版本是3.9（我们的测试版本），将下载名称包含字符串“MacOSX”的bash脚 本，并执行以下操作： # 以Intel处理器为例，文件名可能会更改 sh Miniconda3-py39_4.12.0-MacOSX-x86_64.sh -b 如果我们使用Linux，假设Python版本是3.9（我们的测试版本），将下载名称包含字符串“Linux”的bash脚 本，并执行以下操作： 有益数据科学家的职业成长。 4.10.1 下载和缓存数据集 在整本书中，我们将下载不同的数据集，并训练和测试模型。这里我们实现几个函数来方便下载数据。首先， 我们建立字典DATA_HUB，它可以将数据集名称的字符串映射到数据集相关的二元组上，这个二元组包含数据 集的url和验证文件完整性的sha‐1密钥。所有类似的数据集都托管在地址为DATA_URL的站点上。 import hashlib import y2 = torch.load('x-files') (x2, y2) (tensor([0, 1, 2, 3]), tensor([0., 0., 0., 0.])) 我们甚至可以写入或读取从字符串映射到张量的字典。当我们要读取或写入模型中的所有权重时，这很方便。 mydict = {'x': x, 'y': y} torch.save(mydict, 'mydict') mydict2

= 1 ? ෍ ? 1??≠?? 汉明距离是使用在数据传输差错控制编码里 面的，汉明距离是一个概念，它表示两个（ 相同长度）字对应位不同的数量，我们以表 示两个字之间的汉明距离。对两个字符串进 行异或运算，并统计结果为1的个数，那么 这个数就是汉明距离。 9 距离度量 余弦相似度 两个向量有相同的指向时，余弦相似度的值为1；两 个向量夹角为90°时，余弦相似度的值为0；两个向

assistant ，表示消息的角色；content 则是消息的文本内容。而 source 字 段代表了数据来源，可能包括 self-made 、alpaca 、open-hermes 或其他任意字符串。 你需要用 json 将一个字典列表存入 jsonl 文件中： import json with open('data.jsonl', 'w') as f: for sample in samples: