_id
stringlengths 2
7
| title
stringclasses 1
value | partition
stringclasses 3
values | language
stringclasses 1
value | meta_information
dict | text
stringlengths 5
1.76k
|
|---|---|---|---|---|---|
c79260
|
train
|
{
"resource": ""
}
|
Извлекает невалидированное JSON Web Token из указанного значения заголовка "Authorization".
|
||
c79280
|
train
|
{
"resource": ""
}
|
Индекс верхней строки в вертикальном диапазоне этой ячейки.
|
||
c79300
|
train
|
{
"resource": ""
}
|
Количество точек на дюйм для высоты этого изображения. По умолчанию равно 72, если не указано в файле, что часто бывает.
|
||
c79320
|
train
|
{
"resource": ""
}
|
Создать экземпляр |IfdEntry| для каждой записи в директории.
|
||
c79340
|
train
|
{
"resource": ""
}
|
Возвращает шкалу цветов
Параметры:
-----------
scale : str
Название шкалы цветов
Если название цвета предшествует знаку минус (-),
то шкала будет инвертирована
n : int
Количество цветов
Если n < от количества доступных цветов для данной шкалы,
тогда будет возвращено минимальное количество
Если n > от количества доступных цветов для данной шкалы,
тогда будет возвращено максимальное количество
Пример:
get_scales('accent', 8)
get_scales('pastel1')
|
||
c79360
|
train
|
{
"resource": ""
}
|
Возвращает словарь с фактическими именами столбцов, которые соответствуют каждому из значений OHLCV.
df_or_figure : DataFrame или Figure
open : строка
Имя столбца, которое должно использоваться для значений OPEN
high : строка
Имя столбца, которое должно использоваться для значений HIGH
low : строка
Имя столбца, которое должно использоваться для значений LOW
close : строка
Имя столбца, которое должно использоваться для значений CLOSE
volume : строка
Имя столбца, которое должно использоваться для значений VOLUME
validate : строка
Проверяет, что указанный столбец существует.
Пример:
validate='ohv' | Убедится в существовании значений Open,
High и close.
|
||
c79380
|
train
|
{
"resource": ""
}
|
Обновить общие и относительные показатели учетных единиц
|
||
c79400
|
train
|
{
"resource": ""
}
|
Оценивает предсказательную производительность Классификатора на всех задачах
Аргументы:
data: PyTorch DataLoader, Dataset или кортеж из Тензоров (X,Y):
X: Входные данные для метода предсказания
Y: Тензор размером [n] или [n, 1] torch.Tensor или np.ndarray с целевыми метками
в {1,...,k}
metric: На основе чего (строка) производится оценка производительности или список таких метрик
break_ties: Политика разрыва ничьих (см. Classifier._break_ties())
verbose: Уровень подробности для этого метода оценки; он не обновит конфиг класса.
print_confusion_matrix: Печатать матрицу ошибок (переопределяется на False, если verbose=False)
Возвращает:
scores: Одно (вещественное) значение или список таких значений, если в качестве аргумента metric передан список
|
||
c79420
|
train
|
{
"resource": ""
}
|
Возвращает модифицированную версию L, где каждый столбец является индикатором
для того, голосовал ли определенный источник или набор источников в определенном
паттерне.
Аргументы:
L: матрица меток scipy.sparse размером [n,k] с значениями в множестве {0,1,...,k}.
|
||
c79440
|
train
|
{
"resource": ""
}
|
Сгенерируйте расписание Hyperband в соответствии с документом.
Аргументы:
R: максимальное количество ресурсов на конфигурацию.
eta: доля конфигураций, которые следует отбросить на каждой
итерации последовательного сокращения.
Возвращает: расписание Hyperband, представленное в виде списка скобок, где каждая скобка
содержит список (количество конфигураций,
количество ресурсов на конфигурацию).
См. документ для получения дополнительных сведений.
|
||
c79460
|
train
|
{
"resource": ""
}
|
Векторизированная функция для расчета евклидова расстояния между двумя точками или между векторами точек.
Параметры
----------
y1 : float или массив из float
x1 : float или массив из float
y2 : float или массив из float
x2 : float или массив из float
Возвращает
-------
distance : float или массив из float
расстояние или вектор расстояний от (x1, y1) до (x2, y2) в графических единицах
|
||
c79480
|
train
|
{
"resource": ""
}
|
Проекция гео-фрейма на UTM зону, соответствующую центроидам его геометрий.
Простой расчёт в этой функции работает хорошо для большинства широт, но не подходит для некоторых очень северных мест, например, для Шпицбергена и частей северной Норвегии.
Параметры
---------
gdf : Гео-фрейм
гео-фрейм для проекции
to_crs : dict
если не None, то просто проектировать на данный CRS вместо UTM
to_latlong : bool
если True, тогда проектировать на географическую систему координат вместо UTM
Возвращает
---------
Гео-фрейм
|
||
c79500
|
train
|
{
"resource": ""
}
|
Создайте фильтр для выполнения запроса в OSM для указанного типа сети.
Параметры
----------
network_type : строка
{'walk', 'bike', 'drive', 'drive_service', 'all', 'all_private', 'none'}
тип улицы или другой сети, которую требуется получить
Возвращает
-------
строку
|
||
c79520
|
train
|
{
"resource": ""
}
|
Определить следы в некотором многоугольнике:
Параметры
----------
многоугольник : shapely Polygon или MultiPolygon
форма для получения данных внутри. Координаты должны быть в единицах широты-долготы в градусах.
тип_следа : строка
тип следа, который необходимо загрузить. Например, ключ тега OSM, такой как 'building', 'landuse', 'place' и т.д.
retain_invalid : bool
если False, то отбросить любые следы с недопустимой геометрией.
Возвращает
-------
GeoDataFrame
|
||
c79540
|
train
|
{
"resource": ""
}
|
Вычислите значение политики.
Параметры
----------
sigma : array_like(int, ndim=1)
Вектор политики, длиной n.
Возвращает
-------
v_sigma : ndarray(float, ndim=1)
Вектор значения `sigma`, длиной n.
|
||
c79560
|
train
|
{
"resource": ""
}
|
Получить кортеж смешанных действий из развёрнутого профиля действий.
Параметры
----------
x : array_like(float, ndim=1)
Массив развернутого профиля смешанных действий длиной, равной n_0 + ... + n_N-1, где `out[indptr[i]:indptr[i+1]]` содержит миксованное действие игрока i.
indptr : array_like(int, ndim=1)
Массив указателей индексов длиной N+1, где `indptr[0] = 0` и `indptr[i+1] = indptr[i] + n_i`.
Возвращаемое значение
-------
action_profile : tuple(ndarray(float, ndim=1))
Кортеж из N смешанных действий, каждое из которых имеет длину n_i.
|
||
c79600
|
train
|
{
"resource": ""
}
|
Сгенерировать случайный выборок в соответствии с функцией распределения накопленного вероятности, заданное `cdf`. Оптимизировано с использованием Numba, рабочий режим безопасности для Python.
Параметры
----------
cdf : array_like(float, ndim=1)
Массив, содержащий функцию распределения накопленного вероятности.
size : скаляр(int), опционально (по умолчанию=None)
Размер выборки. Если это целое число, возвращается ndarray `size` независимых экземпляров; в противном случае, возвращается один экземпляр в виде скаляра.
Возвращает
-------
скаляр(int) или ndarray(int, ndim=1)
Примеры
--------
>>> cdf = np.cumsum([0.4, 0.6])
>>> qe.random.draw(cdf)
1
>>> qe.random.draw(cdf, 10)
array([1, 0, 1, 0, 1, 0, 0, 0, 1, 0])
|
||
c79620
|
train
|
{
"resource": ""
}
|
Создает начальное пространство для метода Нелдера-Мейда. Компилируется JIT в режиме `nopython` с использованием Numba.
Параметры
---------
x0 : ndarray(float, ndim=1)
Начальная гипотеза. Массив действительных элементов размерности (n,), где 'n' - количество независимых переменных.
bounds: ndarray(float, ndim=2)
Последовательность пар (min, max) для каждого элемента в x0.
Возвращает
----------
vertices : ndarray(float, ndim=2)
Начальное пространство с размерностью (n+1, n).
|
||
c79640
|
train
|
{
"resource": ""
}
|
Оператор B, отображающий P в
.. math::
B(P) := R - \beta^2 A'PB(Q + \beta B'PB)^{-1}B'PA + \beta A'PA
и также возвращающий
.. math::
F := (Q + \beta B'PB)^{-1} \beta B'PA
Параметры
----------
P : array_like(float, ndim=2)
Матрица, которая должна быть размером n x n
Возвращает
----------
F : array_like(float, ndim=2)
Матрица F, как определено выше
new_p : array_like(float, ndim=2)
Матрица P после применения оператора B
|
||
c79680
|
train
|
{
"resource": ""
}
|
Реконструируйте декодированный пакет с использованием предоставленного списка двоичных приложений.
|
||
c79700
|
train
|
{
"resource": ""
}
|
Создайте и настройте экземпляр приложения Flask.
|
||
c79720
|
train
|
{
"resource": ""
}
|
Получить решение с минимальной дисперсией
|
||
c79740
|
train
|
{
"resource": ""
}
|
Проверяет новый адрес электронной почты на предмет его использования другими пользователями.
|
||
c79760
|
train
|
{
"resource": ""
}
|
Верните количество конфигураций, которые нужно сохранить и продолжить.
|
||
c79780
|
train
|
{
"resource": ""
}
|
Если это новый запуск эксперимента, мы должны возобновить работу с последней точки контроля.
|
||
c79800
|
train
|
{
"resource": ""
}
|
Анализируйте операции с масштабируемыми значениями.
Масштабируемая операция может быть одной из следующих:
- единичное значение: start_date:12, metric1:>0.9, metric1:>=-0.12
- отрицание единичного значения: metric1:~1112, metric1:~<1112 эквивалентно metric1:>=1112
Этот парсер не позволяет использовать `|` и `..`.
|
||
c79820
|
train
|
{
"resource": ""
}
|
Генерируйте события разбора YAML в поток. Если поток равен None, возвращайте произведенную строку вместо этого.
|
||
c79860
|
train
|
{
"resource": ""
}
|
Возьми экстрактор микшера из словаря и верни его, если он существует,
в противном случае создай экстрактор и добавь его в словарь.
|
||
c79880
|
train
|
{
"resource": ""
}
|
Вернуть и закешировать список метрик для сбора.
|
||
c79900
|
train
|
{
"resource": ""
}
|
Вычислите процентное соотношение занятого дискового пространства для данных и метаданных.
|
||
c79920
|
train
|
{
"resource": ""
}
|
В зависимости от версии PostgreSQL используйте ACTIVITY_METRICS_LT_8_3, ACTIVITY_METRICS_8_3 или ACTIVITY_METRICS_9_2 в сочетании с ACTIVITY_QUERY_10 или ACTIVITY_QUERY_LT_10. Используйте словарь для сохранения результата для каждого экземпляра.
|
||
c79940
|
train
|
{
"resource": ""
}
|
Запросить у Pgbouncer различные метрики
|
||
c79960
|
train
|
{
"resource": ""
}
|
Очистите наш сервер, пометьте его как Неизвестный и проверьте его в ближайшее время.
|
||
c79980
|
train
|
{
"resource": ""
}
|
Запустить запрошенный HTTP-URL и вернуть статистические строки
|
||
c80000
|
train
|
{
"resource": ""
}
|
Примените манипуляторы к входному объекту SON, прежде чем его будет сохранено.
:Параметры:
- `son`: объект SON, который имеет место быть в базе данных
- `collection`: коллекция, в которую сохраняется объект SON
|
||
c80020
|
train
|
{
"resource": ""
}
|
Получите машинную часть ObjectId.
|
||
c80040
|
train
|
{
"resource": ""
}
|
Получите данные бинов Namenode из конечной точки JMX
|
||
c80060
|
train
|
{
"resource": ""
}
|
При подаче метрики в качестве гаужа, дополнительные теги будут добавлены к
тем, которые указаны в метках через объект метрик.
`custom_tags` — массив 'tag:value', который будет добавлен к метрике при
отправке гаужа в Datadog.
|
||
c80080
|
train
|
{
"resource": ""
}
|
Извлечение проверок разрешительной службы из varnishadm.
Пример вывода:
Backend b0 ошибочен
Текущие состояния: хорошо: 2 порог: 3 окно: 5
Время отклика хороших запросов в среднем: 0.000000
Старейшие Недавние
==============================================================
---------------------------------------------------------444 Хорошо IPv4
---------------------------------------------------------XXX Хорошо Отправка
---------------------------------------------------------RRR Хорошо Приём
-------------------------------------------------------HHH--- Счастливый
Backend b1 ошибочен
Текущие состояния: хорошо: 2 порог: 3 окно: 5
Время отклика хороших запросов в среднем: 0.000000
Старейшие Недавние
==============================================================
-------------------------------------------------------HHH--- Счастливый
Пример вывода (новый формат вывода):
Имя бэкенда Админ Исследование
boot.default узнавать Здоров (без исследования)
boot.backend2 узнавать Здорово 4/4
Текущие состояния: хорошо: 4 порог: 3 окно: 4
Среднее время ответа хороших исследований: 0.002504
Самый старый ================================================== Самый новый
--------------------------------------------------------------44 Хорошо IPv4
--------------------------------------------------------------XX Хорошо Отправка
--------------------------------------------------------------RR Хорошо Приём
----------------------------------------------------------HHHH Счастливый
|
||
c80100
|
train
|
{
"resource": ""
}
|
Преобразовать JSON-регулярное выражение в bson.regex.Regex.
|
||
c80120
|
train
|
{
"resource": ""
}
|
Подтвердите, что 'value' является положительным целым числом, которое не включает 0.
|
||
c80140
|
train
|
{
"resource": ""
}
|
Получить статистику по конкретным командам из команды INFO с параметром COMMANDSTATS в Redis.
|
||
c80160
|
train
|
{
"resource": ""
}
|
Ограничивает количество документов, возвращаемых в одной партии. Каждая партия требует обратного вызова на сервер. Это можно настроить для оптимизации производительности и ограничения объема передаваемых данных.
.. примечание:: Параметр `batch_size` не может переопределить внутренние ограничения MongoDB по количеству данных, которые оно возвращает клиенту в одной партии (т.е. если вы установите размер партии в 1,000,000,000, MongoDB в настоящее время вернет максимум 4-16 МБ результатов в одной партии).
Возникает исключение :exc:`TypeError`, если `batch_size` не является целым числом.
Возникает исключение :exc:`ValueError`, если `batch_size` меньше ``0``.
:Параметры:
- `batch_size`: Размер каждой партии запрашиваемых результатов.
|
||
c80180
|
train
|
{
"resource": ""
}
|
Отправить сырое сообщение BSON или выбросить ConnectionFailure.
Если возникнет сетевое исключение, сокет закроется.
|
||
c80200
|
train
|
{
"resource": ""
}
|
Сохраните метаданные для данного ключа экземпляра.
|
||
c80220
|
train
|
{
"resource": ""
}
|
Упорядочивает результаты этого курсора.
Передайте имя поля и направление, либо
:data:`~pymongo.ASCENDING`, либо :data:`~pymongo.DESCENDING`::
for doc in collection.find().sort('field', pymongo.ASCENDING):
print(doc)
Чтобы упорядочить по нескольким полям, передайте список пар (key, direction)::
for doc in collection.find().sort([
('field1', pymongo.ASCENDING),
('field2', pymongo.DESCENDING)]):
print(doc)
Начиная с MongoDB версии 2.6, результаты текстового поиска могут быть упорядочены по релевантности::
cursor = db.test.find(
{'$text': {'$search': 'some words'}},
{'score': {'$meta': 'textScore'}})
# Упорядочить по полю 'score'.
cursor.sort([('score', {'$meta': 'textScore'})])
for doc in cursor:
print(doc)
Возникает :class:`~pymongo.errors.InvalidOperation`, если этот курсор уже использован. Результатом имеет только последняя :meth:`sort`, применённая к этому курсору.
:Параметры:
- `key_or_list`: одно ключевое слово или список пар (ключ, направление), определяющих ключи для упорядочивания
- `direction` (опционально): используется только если `key_or_list` является одним ключом, если не указано, то :data:`~pymongo.ASCENDING` предполагается
|
||
c80240
|
train
|
{
"resource": ""
}
|
Возвращаем курсор для выполнения запроса в базу данных. Курсоры кэшируются в словаре self.connections.
|
||
c80260
|
train
|
{
"resource": ""
}
|
Декодируйте BSON бинарный код в bson.binary.Binary или Python UUID.
|
||
c80280
|
train
|
{
"resource": ""
}
|
Декодирование BSON-данных из файла в несколько документов с помощью генератора.
Функционирует аналогично функции decode_all, считывая данных из объекта файла
построчно и парсит BSON построчно, выдавая один документ за раз.
:Параметры:
- `file_obj`: Объект файла, содержащий BSON-данные.
- `codec_options` (опционально): Экземпляр класса
:class:`~bson.codec_options.CodecOptions`.
.. versionchanged:: 3.0
Заменены параметры `as_class`, `tz_aware` и `uuid_subtype` на
`codec_options`.
.. versionadded:: 2.8
|
||
c80300
|
train
|
{
"resource": ""
}
|
Обертка для совместимости для агентов, которые не отправляют показания инструментов метрик с пользовательскими временными метками.
|
||
c80320
|
train
|
{
"resource": ""
}
|
Верните проверки служб, полученные под заданным именем.
|
||
c80340
|
train
|
{
"resource": ""
}
|
Проверьте, чтобы версии проверок были синхронизированы с файлом requirements-agent-release.txt.
|
||
c80360
|
train
|
{
"resource": ""
}
|
Отрисовывает линию единичной функции под углом в 45 градусов так, чтобы для всех точек в заданных пределах осей x и y выполнялось y = x. Эта функция также регистрирует обратный вызов, чтобы при изменении фигуры диаграмму обновляли и линия оставалась правильно отображенной.
Параметры
----------
ax : объект Axes matplotlib, по умолчанию: None
На график на котором будет отображена фигура. Если в качестве параметра будет передан пустой объект, активные в данный момент диаграммы будут использоваться (или создаваться, если необходимо).
dynamic : bool, по умолчанию : Истина
Если диаграмма динамическая, будут регистрироваться обратные вызовы на обновление линии единичной функции при изменении диаграммы.
kwargs : dict
Ключевые аргументы, которые будут переданы в функцию графиков matplotlib для стилизации линии единичной функции.
Возвращает
---------
ax : объект Axes matplotlib
График с отрисованной на нем линией.
Пояснения
---------
.. seealso:: Дискуссия на StackOverflow: У matplotlib есть функция для отрисовки диагональных линий в координатах осей? <https://stackoverflow.com/questions/22104256/does-matplotlib-have-a-function-for-drawing-diagonal-lines-in-axis-coordinates>
|
||
c80380
|
train
|
{
"resource": ""
}
|
Проверяет, существуют ли числовые столбцы функций в ndarray
|
||
c80400
|
train
|
{
"resource": ""
}
|
Возвращает True, если данное объект является датафреймом Pandas.
Параметры
----------
obj: экземпляр
Объект для проверки является ли он датафреймом Pandas.
|
||
c80420
|
train
|
{
"resource": ""
}
|
Нарисуйте совместную диаграмму для данных в x и y.
Параметры
----------
x, y : массивы 1D типа array-like
Данные для построения по оси x и оси y
xlabel, ylabel : str
Названия для оси x и оси y.
|
||
c80440
|
train
|
{
"resource": ""
}
|
Выполняет подгонку оценщика для расчета корреляции признаков с зависимой переменной.
Параметры
---------
X : ndarray или DataFrame размерности n x m
Матрица с n экземплярами и m признаками.
y : ndarray или Series длиной n
Массив или серия значений целевой переменной или классов.
kwargs : dict
Ключевые аргументы, передаваемые в метод fit оценщика.
Возвращает
----------
self : visualizer
Метод fit должен всегда возвращать self для поддержки пайплайнов.
|
||
c80480
|
train
|
{
"resource": ""
}
|
Соотнесите RFECV с обернутой моделью на заданные данные и нарисуйте кривую RFECV с оптимальным числом найденных признаков.
Параметры
----------
X : массив, похожий на массив, форма (n_samples, n_features)
Тренировочный вектор, где n_samples — количество выборок и n_features — количество признаков.
y : массив, похожий на массив, форма (n_samples) или (n_samples, n_features), необязательный
Целевое значение относительно X для классификации или регрессии.
Возвращает
----------
self : экземпляр
Возвращает экземпляр визуализатора RFECV.
|
||
c80500
|
train
|
{
"resource": ""
}
|
Рисует значения альфа по отношению к их связной ошибке в схожем
духе с визуализатором AlphaSelection.
|
||
c80520
|
train
|
{
"resource": ""
}
|
Загрузить набор данных по имени и вернуть указанный формат.
|
||
c80540
|
train
|
{
"resource": ""
}
|
Отображает отчет о классификации вдоль каждой оси.
|
||
c80560
|
train
|
{
"resource": ""
}
|
Перемешать разреженную матрицу, закодированную как SciPy COO-matrix.
Аргументы:
sparse_matrix: SciPy COO разреженной матрицы.
dropout_rate: если dropout_rate > 0, то ненулевые элементы входной матрицы
будут выбросаться равномерно случайным образом.
min_dropout_rate: минимальное значение для dropout rate. Если None,
используется FLAGS.min_dropout_rate.
max_dropout_rate: максимальное значение для dropout rate. Если None,
используется FLAGS.max_dropout_rate.
Возвращает:
SciPy csr_matrix, содержащая случайные взаимодействия.
|
||
c80580
|
train
|
{
"resource": ""
}
|
Удалить завершенные задания из кластера
|
||
c80600
|
train
|
{
"resource": ""
}
|
Вернуть имена файлов набора данных.
|
||
c80620
|
train
|
{
"resource": ""
}
|
Подготовьте и запустите подпроцесс командной строки, проверяя успешное завершение.
|
||
c80640
|
train
|
{
"resource": ""
}
|
Разбивает токен на подтокены, определенные в словаре подтокенов.
|
||
c80660
|
train
|
{
"resource": ""
}
|
Создает новый генератор псевдослучайных чисел (RNG), семя зависит от текущего индекса эпохи.
|
||
c80680
|
train
|
{
"resource": ""
}
|
Сгенерируйте логиты для каждого значения в выходной последовательности.
Аргументы:
targets: набор целевых значений для выходной последовательности.
целочисленный тензор с формой [batch_size, target_length]
encoder_outputs: непрерывное представление входной последовательности.
вещественный тензор с формой [batch_size, input_length, hidden_size]
attention_bias: вещественный тензор с формой [batch_size, 1, 1, input_length]
Возвращает:
вещественный тензор с плавающей запятой с формой [batch_size, target_length, vocab_size]
|
||
c80700
|
train
|
{
"resource": ""
}
|
Реализация Caffe2 использует XavierFill, что фактически соответствует kaiming_uniform_ в PyTorch.
|
||
c80720
|
train
|
{
"resource": ""
}
|
Возвращает функцию input_receiver_fn, которая может быть использована в процессе подачи.
Ожидается, что примеры будут поступать как кубические функции с плавающей запятой, и эта функция просто оборачивает их в объекты TensorServingInputReceivers.
Возможно, следовало бы разместить ее в tf.estimator.export. Сначала тестируем здесь.
Аргументы:
shape: список, представляющий множество размерностей для одного примера.
dtype: ожидаемый тип данных входных примеров
batch_size: количество кубических функций размещения, которые будут переданы для предсказания
Возвращает:
Функцию, которая в свою очередь возвращает объект TensorServingInputReceiver.
|
||
c80740
|
train
|
{
"resource": ""
}
|
Возвращает до num_records золотых фрагментов для обучения.
Возвращает:
Список золотых фрагментов до длины num_records, отсортированный по пути.
|
||
c80760
|
train
|
{
"resource": ""
}
|
Выполняет детокенизатор Moses на файл eval_path и сохраняет результат в
файле eval_path + ".detok".
:параметр eval_path: путь к токенизированному вводу
|
||
c80780
|
train
|
{
"resource": ""
}
|
Возвращать словарь начального состояния и его неизменные формы.
Аргументы:
initial_ids: начальные идентификаторы, передаваемые в функцию symbols_to_logits_fn.
целочисленный тензор со значением [batch_size, 1]
initial_cache: словарь, содержащий значения, передаваемые в функцию symbols_to_logits_fn.
Возвращает:
Словарь с состоянием и неизменными формами, ключи которого соответствуют _StateKeys
|
||
c80800
|
train
|
{
"resource": ""
}
|
Найдите все модели и верните список номеров моделей и имен, отсортированных по возрастанию.
Возвращает: [(13, 000013-modelname), (17, 000017-modelname), ...и т.д]
|
||
c80820
|
train
|
{
"resource": ""
}
|
Преобразовать тип строки в тип tf, и установить значение по умолчанию для loss_scale по мере необходимости.
Аргументы:
flags: объект-пространство имен, возвращенный парсером аргументов.
Призывы:
ValueError: Если предоставлен недопустимый тип данных.
|
||
c80840
|
train
|
{
"resource": ""
}
|
Вычисляет среднюю точность F1 по показателю ROUGE-N для двух коллекций текстов с предложениями.
Источник: https://www.microsoft.com/en-us/research/publication/rouge-a-package-for-automatic-evaluation-of-summaries/
Аргументы:
eval_sentences: Предсказанные предложения.
ref_sentences: Предложения из набора справочных данных.
n: Размер n-граммы. По умолчанию — 2.
Возвращает:
Показатель точности F1 для ROUGE-N.
|
||
c80860
|
train
|
{
"resource": ""
}
|
Возвращает значение из контейнера или None, если это значение не задано.
:param key: строка с использованием дот-нотации для вложенных поисков в словарях
|
||
c80880
|
train
|
{
"resource": ""
}
|
Установлю криптовалютный ключ для этого объекта.
|
||
c80900
|
train
|
{
"resource": ""
}
|
Задача оптимизации настройки с использованием оптимизатора Tensorflow.
:param model: Модель GPflow.
:param session: Сессия Tensorflow.
:param var_list: Список переменных Tensorflow для обучения.
:param feed_dict: Словарь feed_dict Tensorflow.
:param kwargs: Дополнительные параметры, передаваемые методу `make_optimize_tensor`.
:return: Действие оптимизации.
|
||
c80920
|
train
|
{
"resource": ""
}
|
Очень простой парсер значений конфигурации.
|
||
c80940
|
train
|
{
"resource": ""
}
|
Печатает сводную информацию о времени выполнения задач.
|
||
c80960
|
train
|
{
"resource": ""
}
|
Выясните, что является разумным типом для массива. Если тип по умолчанию — float32, приведите 64-битный float к float32. Для целых чисел предположим, что это int32.
|
||
c80980
|
train
|
{
"resource": ""
}
|
Именно одна W переворачивается через частичный контрольно-фазовый спин-спиновый импульс.
[Где W(a) — это сокращенное обозначение PhasedX(phase_exponent=a).]
Используется следующее тождество:
──────────@─────
│
───W(a)───@^t───
≡ ───@──────O──────@────────────────────
| | │ (делится на случаи включено/выключено)
───W(a)───W(a)───@^t──────────────────
≡ ───@─────────────@─────────────O──────
| │ | (выключено не взаимодействует с включено)
───W(a)──────────@^t───────────W(a)───
≡ ───────────Z^t───@──────@──────O──────
│ | | (пересечение вызывает отскок)
─────────────────@^-t───W(a)───W(a)─── (X Z^t X Z^-t = exp(pi t) I)
≡ ───────────Z^t───@────────────────────
│ (объединяет случаи включено/выключено)
─────────────────@^-t───W(a)──────────
≡ ───Z^t───@──────────────
│
─────────@^-t───W(a)────
|
||
c81020
|
train
|
{
"resource": ""
}
|
Создает матрицу самого себя при помощи унитарных матриц базовых ворот.
Raises:
TypeError: если какой-либо из ворот в self не имеет унитарной матрицы.
|
||
c81040
|
train
|
{
"resource": ""
}
|
Знакомит каждую тройку кубитов.
Использует факт, что в простой линейной сети перестановок каждая пара логических кубитов, которая начинается на расстоянии два, остаётся на этом расстоянии (исключая временно близко к краю), и что каждый третий идёт через пару в какой-то момент в сети. Тогда стратегия итерируется по серии отображений, в которых кубиты i и i + k располагаются на расстоянии два, для k = 1 через n / 2. Линейные сети перестановок используются между этими шагами для осуществления перестановки.
|
||
c81060
|
train
|
{
"resource": ""
}
|
Устанавливает минимальную высоту для блоков в ряду с координатой y.
|
||
c81080
|
train
|
{
"resource": ""
}
|
Убирает запланированную операцию из расписания, если она есть.
Аргументы:
scheduled_operation: Операция, которую нужно попытаться удалить.
Возвращает:
Истина, если операция была присутствующей и была удалена, ложь, если она и так не была присутствующей.
|
||
c81100
|
train
|
{
"resource": ""
}
|
Получает две ветки, включая их общего предка.
Ограничивает глубину получения, чтобы избежать ненужной работы. Увеличивает глубину экспоненциально и пытается снова, если первоначальная оценка недостаточно глубока.
Аргументы:
remote: Расположение удалённого репозитория в формате, который понимает команда git.
actual_branch: Удалённая ветка или ссылка, которую нужно получить.
compare_branch: Ещё одна удалённая ветка или ссылка для получения,
verbose: При установке выдаётся больше информации об ходе выполнения.
Возвращает:
Объект ComparableCommits, содержащий идентификатор коммита действительной ветки и идентификатор коммита для сравнения (например, при выполнении инкрементных проверок).
|
||
c81120
|
train
|
{
"resource": ""
}
|
Найдите первый индекс элемента-цели в списке списков.
Аргументы:
seqs: Объект `list of lists`, в котором необходимо найти элемент-цель.
target: Элемент, который нужно найти.
Возникает:
ValueError: Если элемент отсутствует.
|
||
c81140
|
train
|
{
"resource": ""
}
|
Накапливает двухквебитовые фазовые гейты в закладках-кускек.
|
||
c81160
|
train
|
{
"resource": ""
}
|
Обратное фермионное преобразование Фурье, реализованное на 4 кубитах,
расположенных в линейном порядке, которое переводит из моменты-представления
в представление с координатами.
Используя алгоритм быстрого преобразования Фурье, цепочка может быть разложена
на фермионное преобразование Фурье с 2-ю модами, на фермионные взаимные SWAP-ворота и
вращения одиночных кубитов.
Аргументы:
qubits: список из четырех кубитов
|
||
c81180
|
train
|
{
"resource": ""
}
|
Определяет, имеются ли операции данного момента, касающиеся указанных кубитов.
Аргументы:
qubits: Кубиты, которые могут или не могут быть затронуты операциями.
Возвращает:
Имеются ли в этом моменте операции, связанные с кубитами.
|
||
c81200
|
train
|
{
"resource": ""
}
|
Функция Maps проецирует функции преобразования на узлы OP_TREE.
Аргументы:
root: Операция или дерево операций для преобразования.
op_transformation: Как преобразовывать операции (т.е. листья).
iter_transformation: Как преобразовывать итерируемые (т.е. внутренние узлы).
preserve_moments: Нужно ли оставлять моменты нетронутыми. Если True, функции преобразования не будут применяться к моментам или операциям внутри них.
Возвращает:
Преобразованное дерево операций.
Вызывает:
TypeError: root не является допустимым OP_TREE.
|
||
c81220
|
train
|
{
"resource": ""
}
|
Попытаться разложить объект cirq.Operation или cirq.Gate и вернуть его унитарный форм.
Возвращает:
Если `val` можно разложить на унитарные компоненты, рассчитать результатирующий унитарный оператор и вернуть его. Если унитарный оператор не существует, возвращается None.
|
||
c81240
|
train
|
{
"resource": ""
}
|
Использовать einsum из numpy для применения канала многоквантового состояния.
|
||
c81260
|
train
|
{
"resource": ""
}
|
Жадно назначает операции моментам.
Аргументы:
operations: Операции, которые нужно назначить на моменты.
start: Первый момент, который рассматривается для назначения.
frontier: Первый момент, к которому может быть назначена операция, действующая на кубит.
Обновляется на месте по мере назначения операций.
Возвращает:
Границу, давая индекс момента после последнего, к которому назначена операция, действующая на каждый кубит.
Если фронт с заданным параметром был указан в качестве аргумента, это тот же объект.
|
||
c81280
|
train
|
{
"resource": ""
}
|
Конструирует цепь HHL.
A — единичная матрица Хермитова входа.
C и t — настраиваемые параметры для алгоритма.
register_size — размер регистра собственных значений.
input_prep_gates — список гейтов, который применяется к |0> для генерации желаемого состояния ввода |b>.
|
||
c81300
|
train
|
{
"resource": ""
}
|
Преобразовать метки в нормализованную кодировку.
Параметры
----------
y : array-like of shape [n_samples]
Целевые значения.
Возвращает
-------
y : array-like of shape [n_samples]
|
||
c81320
|
train
|
{
"resource": ""
}
|
Конвертируем длинное целое число из шестнадцатеричного формата в строку, удаляя '0x' и 'L', и возвращаем эту строку.
Аргументы:
iValue: длинное целое число в шестнадцатеричном формате
Возвращает:
Строка этого длинного целого числа без "0x" и "L"
|
||
c81340
|
train
|
{
"resource": ""
}
|
Получить ожидаемый глобальный универсальный адрес IPv6 устройства Thread
Аргументы:
filterByPrefix: заданный ожидаемый префикс глобального IPv6, который нужно сопоставить
Возвращает:
глобальный адрес IPv6
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.