axis

from sklearn . datasets import make_circles from sklearn . svm import SVC import matplotlib . pyplot as plt from mpl_toolkits . mplot3d import Axes3D from sklearn . linear_model import LogisticRegression import numpy as np #创建样本点 ''' n_samples：创建多少啊个样本 noise ：噪音 factor ：方差 ''' X , y = make_circles ( noise = .1 , factor = .1 ) plt . scatter ( X [ : , 0 ] , X [ : , 1 ] , c = y ) plt . axis ( 'equal' ) #画轮廓图 x1_min , x1_max = X [ : , 0 ] . min ( ) - 1 , X [ : , 0 ] . max ( ) + 1 x2_min , x2_max = X [ : , 1 ] . min ( ) - 1 , X [ : , 1 ] . max ( ) + 1 x1 = np . linspace ( x1_min , x1_max , 50 ) x2

目录 1. Axis的数量即为数据的维度 2. 从内到外"扒开"张量 3. 列几个对axis进行操作的tensorflow op，加深印象（argmax/gather） 1. Axis的数量即为数据的维度 axis（轴，维度） 在数学和物理中，维度通常被解释为空间中描述一个位置所需的最少坐标个数(基底的位数)。 然而在 numpy 中 axis 的个数就是数据的维度，体现在具体数据上就是 括号的层数 。 [[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]] —— axis=2，二维Tensor 可以认为有多少个"["维度就为几，“轴”是从外向里的，axis从外层到内层依次增大(0,1…) 2. 从内到外"扒开"张量 input = [ [[1,2,3,4], [2,3,4,1]], [[1,2,9,4], [2,0,6,1]], [[1,0,3,4], [2,3,5,1]], ] # 3x2x4 axis = 0 : 沿着axis=0，划分出单个元素，就是最外层中括号括住的元素 元素个数：3，每个元素的shape=2x4，如下： [[1,2,3,4], [2,3,4,1]] / [[1,2,9,4], [2,0,6,1]] / [[1,0,3,4], [2,3,5,1]] axis = 1: 单个元素为中间层的中括号包围的元素

目录 Pandas 1、Pandas简介 1.1 Pandas的主要功能： 1.2 安装方法：pip install pandas 2、Series 3、DataFrame 4、时间对象处理 时间序列类型 5、数据分组和聚合 5.1、分组(GroupBY机制) 5.2、聚合(组内应用某个函数) 5.3、apply 6、其他常用方法 Pandas 1、Pandas简介 pandas是一个强大的Python数据分析的工具包，它是基于Numpy构建的，正因pandas的出现，让Python语言也成为使用最广泛而且强大的数据分析环境之一。 1.1 Pandas的主要功能： ​ -具备对其功能的数据结构DataFrame，Series ​ -集成时间序列功能 ​ -提供丰富的数学运算和操作 ​ -灵活处理缺失数据 1.2 安装方法：pip install pandas ​ 引用方法：import pandas as pd 2、Series Series是一种类似于一维数组的对象，由一组数据和一组与之相关的数据标签(索引)组成 2.1、创建方法 第一种：pd.Series([4,5,6]) # 默认索引 执行结果： 0 4 1 5 2 6 第二种： 自定义索引，index是一个索引列表，里面包含的是字符串，依然可以通过默认索引取值。 pd.Series([4,5,6,7,8],index=[

引入模块 import numpy as np 1. numpy.sum(a, axis=None) / a.sum(axis=None) 根据给定轴 axis 计算数组 a 相关元素之和， axis 整数或元组,不指定轴则默认求全部元素之和。 若 a 的 shape 为 (d0,d1,..,dn) ,当 axis=(m1,m2,...mi) 时，返回结果应是一个 shape 为 (d0,d1,...,dn)-(dm1,dm2,...dmi) ,每个元素是轴 m1,m2,...mi 上元素之和 例： a = np.arange(24).reshape((2, 3, 4)) print("数组a:\n", a) print("np.sum(a):", np.sum(a)) # 全部元素和 print("np.sum(a, axis=0):\n", np.sum(a, axis=0)) # 第0轴（最外围）的元素和 print("np.sum(a, axis=1):\n", np.sum(a, axis=1)) # 第1轴元素和 print("np.sum(a, axis=(0, 1)):\n", np.sum(a, axis=(0, 1))) # 第0轴和第1轴元素之和 print("np.sum(a, axis=(0, 2)):\n", np.sum(a, axis=(0, 2))

一．什么是 WebService ？ Web 服务是一个软件接口，它描述了一组可以在网络上通过标准化的 XML 消息传递访问的操作。它使用基于 XML 语言的协议来描述要执行的操作或者要与另一个 Web 服务交换的数据。一组以这种方式交互的 Web 服务在面向服务的体系结构（ Service-Oriented Architecture ， SOA ）中定义了特殊的 Web 服务应用程序。 一句话概括就是： Webservice 使一种跨编程语言和跨操作系统平台的远程调用技术。 还可以从多角度来理解 WebService ，从表面看， WebService 就是一个应用程序向外界暴露出一个能通过 Web 进行调用的 API ，也就是说能用编程的方法通过 Web 来调用这个应用程序。我们把调用这个 WebService 的应用程序叫做客户端，而把提供这个 WebService 的应用程序叫做服务端。从深层次看， WebService 是建立可互操作的分布式应用程序的新平台，是一个平台，是一套标准。它定义了应用程序如何在 Web 上实现互操作性，你可以用任何你喜欢的语言，在任何你喜欢的平台上写 Web service ，只要我们可以通过 Web service 标准对这些服务进行查询和访问。 二． WebService 平台技术三要素 SOAP ， WSDL ， UDDI 三者构成了

函数定义 @tf_export('layers.flatten') def flatten(inputs, name=None): """Flattens an input tensor while preserving the batch axis (axis 0).保留axis(axis0)的同时平移输入张量，即把一个输入大小为n*h*w的Tensor变成n*(hw),相当于reshape特殊操作 Arguments: inputs: Tensor input. name: The name of the layer (string). Returns: Reshaped tensor. Examples: ``` x = tf.placeholder(shape=(None, 4, 4), dtype='float32') y = flatten(x) # now `y` has shape `(None, 16)` x = tf.placeholder(shape=(None, 3, None), dtype='float32') y = flatten(x) # now `y` has shape `(None, None)` ``` """ layer = Flatten(name=name) return layer.apply(inputs) 注意事项： 1

函数签名： def norm(x, ord=None, axis=None, keepdims=False) 其中ord参数表示求什么类型的范数，具体参见下表 下面是用代码对一个列表求上面的范数 1 import numpy as np 2 3 x = [1,2,3,4] 4 x1 = np.linalg.norm(x=x, ord=1) 5 x2 = np.linalg.norm(x=x, ord=2) 6 x3 = np.linalg.norm(x=x, ord=np.inf) 7 print(x1) 8 print(x2) 9 print(x3) 运行结果如下 其中的axis=0表示对矩阵的每一列求范数，axis=1表示对矩阵的每一行求范数， keeptime=True表示结果保留二维特性，keeptime=False表示结果不保留二维特性 示例代码如下 1 import numpy as np 2 3 x = np.array([[0, 1, 2], 4 [3, 4, 5]]) 5 x1 = np.linalg.norm(x=x, ord=1, axis=0, keepdims=True) 6 x2 = np.linalg.norm(x=x, ord=1, axis=1, keepdims=True) 7 x3 = np.linalg.norm(x=x, ord=1,

1、linalg=linear（线性）+algebra（代数），norm则表示范数。 2、函数参数 x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False) 　 　　①x: 表示矩阵（也可以是一维） 　　②ord：范数类型 　　 向量的范数： 　　 　　矩阵的范数： 　　　　ord=1：列和的最大值 　　　　ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根 　　　　ord=∞：行和的最大值 　　③axis：处理类型 　　　　axis=1表示按行向量处理，求多个行向量的范数 　　　　axis=0表示按列向量处理，求多个列向量的范数 　　　　axis=None表示矩阵范数。 　　④keepding：是否保持矩阵的二维特性 　　　　True表示保持矩阵的二维特性，False相反 3、代码实现 import numpy as np x = np.array([ [0, 3, 4], [1, 6, 4]]) #默认参数ord=None，axis=None，keepdims=False print "默认参数(矩阵2范数，不保留矩阵二维特性)：",np.linalg.norm(x) print "矩阵2范数，保留矩阵二维特性：",np.linalg.norm(x,keepdims=True) print

应用场景：可以根据不同的轴做简单的融合 pd.concat(objs,axis=0,join='outer',join_axes=None,ignore_index=False,keys=None,levels=None,verify_integrity=False) 常用参数介绍： 　　　　objs 你要合并的数据（series或者dataframe或者列表），传入形式为列表或者字典； 　　　　axis 默认为0,即以行合并；为1时是以列合并。 　　　　join 默认为'outer'，即取并集；join='inner'时为取交集。 　　　　keys axis=0时keys为可以创建一个层次化索引；axis=1时keys会成为dataframe 的列索引名。 来源： https://www.cnblogs.com/mmmmiles/p/12397919.html

以下对Deformable convolutional networks（可变形卷积）keras/tensorflow主要的代码进行理解和注释 代码原地址： https://github.com/kastnerkyle/deform-conv layers.py from __future__ import absolute_import, division import tensorflow as tf from keras.layers import Conv2D from keras.initializers import RandomNormal from deform_conv.deform_conv import tf_batch_map_offsets class ConvOffset2D(Conv2D): #继承2D卷积 """ConvOffset2D""" def __init__(self, filters, init_normal_stddev=0.01, **kwargs): """Init""" self.filters = filters super(ConvOffset2D, self).__init__( self.filters * 2, (3, 3), padding='same', use_bias=False, #由于要计算x,y坐标的偏移量