Есть ли возможность как-то по другому скрыть консоль?
Ну для начала вы можете и не создавать консоль используя только функцию winmain
В случае если у вас Visual Studio, в настройках линковки Project->Properties->Linker->System->Subsystem указываете подсистему Windows (/SUBSYSTEM:WINDOWS). Консоль исчезла, а нагрузка будет минимальная.
Несколько дней назад я создавал тему с похожим вопросом: Проблема с обучением сети в Keras: нет обобщающей способности сети, и там получил резонное замечание и совет. Решив попробовать поработать с данными, в которых информация не утрачена (нежели в прошлом топике), я собрал подобную ИНС, предварительно нормализовав данные (использование StandardScaler оказалось лучше MinMax).
Дано:
База из 71 осциллограммы с 3002 отсчетами. Диапазон данных: от 0 до 10Е6. Данные векторы разбиты на обучающую выборку и тестовую (36 и 35).
Задача:
входным векторам присваивать значения на выходе в виде определенного числа (от 30 до 100).
Ограничения:
нет возможности получить огромный датасет (из тысяч векторов) и возможный максимум - сотня-полторы векторов.
Текущая конфигурация сети довольно неплохо обучается (в сравнении с предыдущей), однако проблема с обобщением результатов все также существует. Хоть результат и лучше он все еще не устраивает меня. Меняя конфигурации многослойного персептрона (число нейронов в слое, число слоев) мне не удавалось сильно изменять выходной результат (разве что, кроме времени обучения, что логично). Возможно я не подобрался к самой оптимальной структуре ИНС, но пока есть только это. Кстати да, функцию обучения выбирал методом научного тыка. Перепробовал разные методы и данный показал себя лучше всего.
Итак, отсюда у меня вопросы:
Какие возможные пути изменения ИНС для улучшения результата? К сожалению я все еще новичок в этой области и знаком только с персептронами. Быть может вы сможете посоветовать какие-то другие типы сетей? Если после нормализации у меня диапазон значений вектора от -2 до 6, то как это влияет? На сколько мне известно, то на вход сети следует подавать данные в диапазоне [0 1] или [-1 1].
Код сети:
#загружаем файл с образами
TRAIN_FILE="TRAIN30_100km.csv"
TEST_FILE="TEST30_100km.csv"
# размер вектора
img_rows, img_cols = 1, 3002
# Загружаем данные для обучения
train_dataset = np.loadtxt(TRAIN_FILE, skiprows=0, dtype='int',
delimiter=",")
test_dataset = np.loadtxt(TEST_FILE, skiprows=0, dtype='int', delimiter=",")
# Выделяем данные для обучения
X_train = train_dataset[:, 1:]
X_test = test_dataset[:, 1:]
# нормализуем данные
scaler = StandardScaler()
x_train=scaler.fit_transform(X_train)
x_test=scaler.fit_transform(X_test)
# Выделяем правильные ответы
y_train = train_dataset[:,0]
y_test = test_dataset[:,0]
# рисуем график нормализованного вектора и оригинального
y10 = x_train[6, :]
y11=X_train[6, :]
plt.figure(figsize=(8, 8))
plt.plot(y10)
plt.show()
plt.figure(figsize=(8, 8))
plt.plot(y11)
plt.show()
# Выделяем правильные ответы
y_train = train_dataset[:,0]
y_test = test_dataset[:,0]
model = Sequential()
model.add(Dense(10, input_dim=3002,
activation="relu",kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(15, activation='relu',
kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(5, activation='relu',
kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(5, activation='relu'))
model.add(Dense(1))
model.compile( optimizer='Adagrad', loss="mse", metrics=['mae'])
print(model.summary())
model.fit(x_train, y_train, epochs=30, batch_size=1,
verbose=2,validation_data=(x_test, y_test))
Epoch 30/30
- 0s - loss: 0.9548 - mean_absolute_error: 0.1053 - val_loss: 102.0822 - val_mean_absolute_error: 7.7214
mse, mae = model.evaluate(x_test, y_test, verbose=0)
predictions=model.predict(x_test)
print(predictions)
# ответы (правильные 31 33 35 37)
[20.31354 ]
[18.931906]
[21.085878]
[20.537167]
Ссылка на датасет
Немного подумав, решил упростить НС по-максимуму и получил лучшие показатели.
Архитектура:
model = Sequential()
model.add(Dense(128, input_dim=3002, activation="relu", kernel_regularizer=l2(0.01)))
model.add(BatchNormalization())
model.add(Dense(1))
model.compile( optimizer='Adagrad', loss="mse", metrics=['mae', 'mse'])
hist = model.fit(x_train, y_train, epochs=300, batch_size=3,
verbose=2,validation_data=(x_test, y_test),
callbacks=callbacks)
вывод:
Epoch 00147: val_mean_squared_error did not improve from 13.76798
Epoch 148/300
- 0s - loss: 183.8615 - mean_absolute_error: 10.9775 - mean_squared_error: 180.3115 - val_loss: 23.7155 - val_mean_absolute_error: 3.2763 - val_mean
_squared_error: 20.1659
Epoch 00148: val_mean_squared_error did not improve from 13.76798
Epoch 00148: early stopping
оценка:
In [206]: model = load_model(model_fn)
In [207]: model.evaluate(x_test, y_test, verbose=1)
18/18 [==============================] - 2s 135ms/step
Out[207]: [17.30735206604004, 3.1715924739837646, 13.767986297607422]
сравнение тестового набора с предсказанными значениями:
In [208]: from sklearn.metrics import mean_absolute_error, mean_squared_error
In [209]: df = pd.DataFrame({'y_test':y_test.ravel(), 'y_pred':model.predict(x_test).ravel()})
In [210]: mean_squared_error(df['y_test'], df['y_pred'])
Out[210]: 13.76798614917061
In [211]: mean_absolute_error(df['y_test'], df['y_pred'])
Out[211]: 3.171592500474718
In [212]: df['abs_err'] = np.abs(df['y_test'] - df['y_pred'])
In [213]: df
Out[213]:
y_test y_pred abs_err
0 39.0 41.414223 2.414223
1 41.0 38.207268 2.792732
2 43.0 49.000561 6.000561
3 73.0 73.476303 0.476303
4 33.0 32.048149 0.951851
5 78.0 76.682877 1.317123
6 53.0 57.643074 4.643074
7 54.0 58.276382 4.276382
8 67.0 63.092651 3.907349
9 49.0 53.009842 4.009842
10 89.0 87.252930 1.747070
11 65.0 62.399197 2.600803
12 63.0 68.281502 5.281502
13 58.0 55.078934 2.921066
14 48.0 43.649544 4.350456
15 80.0 72.487808 7.512192
16 60.0 60.331455 0.331455
17 47.0 45.445320 1.554680
In [217]: df[['y_test','y_pred']].plot()
Out[217]:
Есть список словарей вида:
[{"first_name":"Ivan", "last_name":"Ivanov", "city":"Moscow"}, {"first_name":"Sergey", "last_name":"Sidorov", "city":"Sochi"}...]
Мне нужно этот список записать в xml формат вида:
Как это реализовать, используя стандартные библиотеки python?
Вот мой код:
import xml.etree.ElementTree as ET
root = ET.Element('root')
person = ET.SubElement(root,'person')
a=[] # тот список
for key in a:
ET.SubElement(person,'first_name').text = key['first_name']
ET.SubElement(person,'last_name').text = key['last_name']
ET.SubElement(person,'city').text = key['city']
tree = ET.ElementTree(root)
tree.write('xmlf.xml')
Но этот цикл неправильный, выход такой:
Как его исправить?
Исправил код в вопросе:
items = [
{"first_name": "Ivan", "last_name": "Ivanov", "city": "Moscow"},
{"first_name": "Sergey", "last_name": "Sidorov", "city": "Sochi"},
]
import xml.etree.ElementTree as ET
root = ET.Element('root')
for i, item in enumerate(items, 1):
person = ET.SubElement(root, 'person' + str(i))
ET.SubElement(person, 'first_name').text = item['first_name']
ET.SubElement(person, 'last_name').text = item['last_name']
ET.SubElement(person, 'city').text = item['city']
tree = ET.ElementTree(root)
tree.write('xmlf.xml')
Результат (с добавлением отступов):
Каким образом указать, что знак + может быть только один и только в начале строки?
preg_match('#^([+{1}0-9]*)$#ui', $_POST['tel'])
Внутри символьного класса большинство символов не являются специальными символами. Это касается и квантификаторов. [+{1}] находит +, {, 1 или }
Чтобы шаблон ^([+{1}0-9]*)$ находил + только в начале строки, его необходимо вынести за скобки, удалить квантификатор {1} (это поведение по умолчанию) и экранировать его. Модификаторы ui тут не нужны, так как в шаблоне нет букв.
preg_match('#^(\+[0-9]*)?$#', $_POST['tel'])
См. демо регулярного выражения
Необязательная захватываемая группа (...)? добавлена для того, чтобы находилась также пустая строка (как в оригинальном случае).
Если знак + необязателен, добавьте квантификатор ?
preg_match('#^\+?[0-9]*$#', $_POST['tel'])
^
См. демо регулярного выражения
После всех элементов в html файле располагаю скрипт. В объекте page есть объект obj со значением $(".container_main"). В следующем объекте обращаюсь к obj, но браузер выдаёт ошибку.
Пример кода:
Если не использовать объект obj, а напрямую обращаться к $(".container_main"), всё в порядке.
Пример кода, который работает:
В чем проблема?
var page = {
obj: $(".container_main"),
height: this.obj.height(), // this в этом месте это глобальный объект window, а не объект, который Вы создаете, - его еще нет
width: this.height * 9/16
}
Сделайте так:
var page = {
obj: $(".container_main"),
height: function() { return this.obj.height(); },
width: function() { return this.height() * 9/16; }
}
console.log(page.height(), page.width());
Недавно ознакомился с лямбда-выражениями и узнал, что с их помощью можно реализовать Comparator. Но мне не даёт покоя то, что в этом интерфейсе объявлено два не статических и не реализованных по умолчанию метода: compare() и equals(). И несмотря на это, интерфейс считается функциональным, и метод compare() может быть реализован с помощью лябда-выражений.
Как так? Почему метод equals() не воспринимается?
Интерфейс Comparator функциональный, потому что equals() - относится к public-методу класcа Object.
Интерфейсы объявляют абстрактные методы относящиеся к public методам Object, но обычно делают это неявным образом и эти методы не учитываются.
Есть такая задача => Дана некая svg картинка, предположим кот, которая прорисована в разных цветовых оттенках (имеет разные размеры масштабирования, положения на холсте и т.д..)
Возможно ли как-то через css переназначить цвет для других частей повторяющегося элемента?
Приведу пример
body {
margin: 0;
padding: 0;
background-color: #000;
}
#preloader_cats {
position: absolute;
top: 50%;
left: 50%;
width: 60vh;
height: 60vh;
transform: translate(-50%, -50%) rotate(0deg);
transform-origin: 50% 50%;
border: 1px solid #f00;
}
.cat_body {
fill: #ea8023
}
.cat_body:nth-of-type(2) {
fill: #ff0
}
Можно ли как-то переназначить "цвет тела" второму, третьему и тд коту, а так же цвет глаз если помещать это всё в ОДИН тег символ (ну или другой элемент)? Вопрос больше про минимизацию кода, поскольку я понимаю что можно каждую часть повторяемых элементов завернуть в символы и уже их менять
При использовании команды
