Vindicar

А с чего ты взял, что ты обрабатываешь только колонки mpg и weight? astype(float) ты применяешь ко всему датасету.
Ты бы и сам догадался, если бы не пытался засунуть всю команду в однострочник - у тебя exception бы вылетел как раз на строке с astype().

CUDA тут не нужна, просто не следует перебирать массив numpy питоновскими циклами.
Если есть возможность - выражай желаемое через операции над массивом в целом. Тогда цикл организует numpy, и он это делает через нативный код, ЕМНИП - работает в разы быстрее.
Подход ниже сожрёт больше памяти, но зато короткий, выразительный и использует только средства numpy.

image = cv2.imread("image.png")
image = image.astype(numpy.uint32)  # смена типа нужна, иначе при сдвиге потеряются разряды
image_clone = (image[..., 0] << 16) | (image[..., 1] << 8) | image[..., 2]

Если хочется заморочиться по памяти:

image = cv2.imread("image.png")
image_clone = numpy.zeros(image.shape[:2], numpy.uint32)
# краткие формы операций не создают новый массив, а изменяют существующий по месту
image_clone |= image[..., 0]
image_clone <<= 8
image_clone |= image[..., 1]
image_clone <<= 8
image_clone |= image[..., 2]

P.S.: как там, у imread() починили уже неумение работать с юникодными путями?

Почему ты делаешь np.mean(result)?
Если я верно помню, softmax-слой даст наибольший отклик в элементе, соответствующем выбранному классу. Т.е. нужно сделать argmax по этому слою, чтобы узнать ответ сети.

P.S.: обалдеть, я и не знал что в питоне есть оператор @.

По умолчанию каналы изображения в opencv идут в порядке blue, green, red.
Так что 0 - это blue, ну и так далее.

1. Определи длину points через свойство shape.
2. Раздели общий интервал на длину points.
3. Полученное значение используй в time.sleep().

Насколько я знаю, из коробки такого способа нет.
Вообще это будет уже НЕ нормальное распределение, и я бы посоветовал попробовать применить другую модель распределения. Например, бета-распределение даёт довольно широкий диапазон форм графика плотности вероятности, и при определённом соотношении между параметрами a и b выглядит как раз как смещённое нормальное распределение.

Если я правильно понял решаемую задачу, то polyfit()

Погоди, а что за ересь ты вообще творишь?

im = Image.open('IMG_7760.JPG')
a = np.asarray(im) # a - трёхмерный массив numpy (высота; ширина; каналы)

for bb in a: # перебираешь элементы по первому индексу (высоте), т.е. строки изображения
    np.random.random((1,1,1)) * a #умножаешь каждый элемент (кортеж RGB) строки на одно и то же случайное число
    #и всё. Полученное произведение выбрасывается за ненадобностью. Оригинальное значение ты не заменяешь ведь.
    im = Image.fromarray(bb) #*строку* превращаешь в объект PIL.Image
    im.save('2222.JPG') #и сохраняешь этот объект в файл
    print(bb) #и выводишь на экран

Питон делает ровно то, что ты у него просишь.

Какие числа могут быть в парах? Если любые, то дело осложняется.
Если же небольшие целые положительные, то можно посчитать так.
Строишь двумерный массив, где первый индекс - первое число из пары, второй - второе.
Заполняешь нулями, потом увеличиваешь элемент на единицу каждый раз, когда встречена такая пара.
Если две пары имеют общее число, они будут лежать на одной строке или на одном столбце.
Тогда если пара не имеет общих чисел с другими, то сумма значений на её строке и её столбце будет 1.
Если две пары имеют общее число, то сумма значений на их общем строке/столбце будет 2. И так далее.
Отсюда вывод: для каждой строки и каждого столбца посчитай сумму значений минус 1 (но ограничь снизу по нулю!). Просуммируй полученные числа, и получишь ответ.

метод reshape() возвращает версию массива с другими размерами, а не меняет эти размеры на месте.
Так как вы игнорируете возвращаемое значение, вы пытаетесь повернуть одномерный вектор.
Но там ещё будут проблемы с sorted(arr_b), так как sorted() интерпретирует двумерный массив как коллекцию одномерных, и пытается сортировать только эту коллекцию.