deeppsycoder

Логическое И можно получить через НЕ и ИЛИ.

Приведу свой пример. Мне нужно было найти все слова на любом языке. То есть все \w И \D. Через НЕ и ИЛИ будет так:

re.findall('[^\W\d]+', 'cat, 123, кот')

>>> ['cat', 'кот']

Чтобы проверить вхождение в массив значений словаря нужно:

d = {'k': 'v'}
'v' in d.values()
>>>True

Я так понимаю, что если B - матрица, то речь идёт о numpy? Тогда циклы, скорей всего, неуместны, и надо решать методами numpy.

Например так.

# import numpy as np


# B = np.array([[0, -1, 1], [2, 1, 2], [3, -1, -1]])
B[B <= 0] = B.max()  # или можно B[B <= 0] = np.inf, если значения типа float
B.min(0)

Я бы для этих целей использовал библиотеку selenium.

Я бы использовал либо subplots с разными участками графика, либо библиотеку для построения интерактивных графиков plotly, чтобы при необходимости можно было масштабировать нужный участок графика.

Столкнулся с подобным явлением переполнения памяти GPU. Но в моем случае это происходило не сразу, а после обработки нескольких пакетов. То есть дело оказалось не в размере входного тензора, а в том, что у меня на определённом этапе сохранялись метрики в виде скалярных тензоров, а значения из них я извлекал на CPU уже позже.

Если a - многомерный массив, а x - значение массива, индекс которого нужно найти, то можно так.

import numpy as np

indeces = np.unravel_index((a == x).argmax(), a.shape)

Создать свой датасет и обучить на нём нейросеть, которая будет генерировать из чужой фактически уже свою картинку.

У BERT есть режим проверки логичности двух фраз. Думаю, можно это использовать.

Вариант 1: return_sequences=False.

Вариант 2: model.add(GlobalMaxPool1D()) между LSTM и Dense.

Faster-RCNN точно справится.

Лучше говорить, не "функция ошибки" (error), а "функция потерь" (loss), в качестве которых может выступать среднеквадратичная ошибка (MSE), средняя абсолютная ошибка (MAE), перекрёстная энтропия и пр. С помощью этой функции оценивается отличие полученного результата от ожидаемого. Задача стоит в её минимизации. Производные нужны, чтобы рассчитать градиент для последующей коррекции весов. Градиенты рассчитываются по всем элементам сети, начиная с функции потерь, постепенно распространяя ошибку назад ко входу в виде коррекции весов.