Python School

2022-11-02 13:00:17 Зачем использовать namedtuple вместо обычного словаря

Основным преимуществом namedtuple является то, что он занимает меньше места (памяти), чем аналогичный словарь.

Поэтому, в случае больших данных именованные кортежи эффективны.

Выполняя приведенный выше код, вы обнаружите, что namedtuple имеет размер 64 байта, тогда как словарь занимает гораздо больше — 240 байт. Это почти в 4 раза больше памяти. Открыть/Комментировать

2022-11-02 11:00:05 Нужен новичок в Python веб-разработке, который уже писал небольшие программы. Поможем устроиться на позицию middle в топовую компанию!

Если вы хотите:
Работать в топовых компаниях с интересными задачами,
Получать хорошую зарплату,
Перестать ходить по бесплатным стажировкам,

Это предложение для вас!

Школа Devman поможет выйти на рынок труда сразу мидлом и гарантированно трудоустроиться в компанию.

Сейчас Devman открыли набор на курс «От джуна до мидла». Первая пробная неделя — бесплатная!

У вас будет личный ментор.
Командная разработка. В портфолио будет до 9 проектов.
Полностью оплачиваемая стажировка.
Полностью боевые проекты, реальные заказчики.

Регистрируйтесь на бесплатную неделю курса «От джуна до мидла» Открыть/Комментировать

2022-10-31 13:10:42 Альтернативный способ создания namedtuple

В качестве альтернативы вы можете передать список, состоящий из имен полей, вместо просто имен полей, разделенных пробелом.

Доступ к элементам в namedtuple возможен как по индексу, так и по идентификатору. Открыть/Комментировать

2022-10-31 11:10:00 Расширьте свои знания в программировании на Python, уделив этому всего 3 вечера по 1,5 часа!

На бесплатном онлайн-интенсиве Skillbox по программированию вы попробуете себя в роли разработчика на Python и узнаете, как работают популярные алгоритмы этого языка. Проанализируете данные с помощью Data Science. Получите базовые навыки по разным направлениям и советы по развитию карьеры. Мощный компьютер не нужен.

Подробная программа: https://clc.to/TIR9KA

Всех участников ждут подарки.

Выберите свой путь в мире IT с 3 по 5 ноября в 19:00 по московскому времени! Открыть/Комментировать

2022-10-30 16:05:12 Сохранение и загрузка модели

Передайте model.state_dict() в качестве первого аргумента. Это просто словарь, который сопоставляет слои с их соответствующими изученными параметрами (весами и смещениями).

В качестве второго аргумента дайте имя вашей модели (принято сохранять модели PyTorch с использованием расширений .pth или .pt). Также можно указать полный путь, если вы хотите сохранить его в определенном каталоге.

torch.save(model.state_dict(), "cifar_fc.pth")

Если вы хотите загрузить свою модель для логического вывода, используйте torch.load(), чтобы получить сохраненную модель, и сопоставьте изученные параметры с помощью load_state_dict. Открыть/Комментировать

2022-10-30 13:47:11 ​​​​Илон Маск теперь в телеграм!

Железный человек 21 века, колонизатор Марса, создатель Tesla, новый владелец Твиттера, инженер гражданского огнемета, отправитель первого туриста на Луну.

Канал посвящённый гению, миллиардеру, плейбою и филантропу: ElonMusk

#промо Открыть/Комментировать

2022-10-29 23:20:35 Обучение модели

Укажите количество epochs, на которых вы хотите обучить модель. Каждая эпоха будет проходить цикл train, который выводит прогресс каждые 2000 выборок. Затем он проверяет модель на тестовом наборе и выводит точность и потери на тестовом наборе. Открыть/Комментировать

2022-10-29 21:13:32 Первая карта с кэшбеком в 42% на покупки у партнеров и до 3% на все покупки — такие условия предлагает дебетовая карта Уралсиб.

· Перестаньте терять деньги: получайте 11% на остаток в первые 2 месяца и бесплатное обслуживание!
· Не теряйте на комиссиях при переводах — до 100.000р без комиссии
· Получение карты — в день обращения

Не ленитесь, оформляйте новую карту и получайте прибыль: https://go.redav.online/06e1242ecffd1910 Открыть/Комментировать

2022-10-29 18:14:08 Определение метода тестирования

Это нужно для того, чтобы мы могли оценивать нашу модель и выводить точность на тестовом наборе. Большие отличия от метода тестирования заключаются в том, что мы используем model.eval(), чтобы перевести модель в режим тестирования, и torch.no_grad(), который отключит вычисление градиента, так как мы не используем обратное распространение во время тестирования. Наконец, мы вычисляем средние потери для набора тестов и общую точность. Открыть/Комментировать

2022-10-28 19:10:40 Результат обратного распространения и обучения

Для шага обратного распространения нам нужно сначала запустить optimizer.zero_grad(). Это устанавливает градиент в ноль перед запуском обратного распространения, поскольку мы не хотим накапливать градиент за последующие проходы.

Метод loss.backward() использует потери для вычисления градиента, затем мы используем Optimizer.step() для обновления весов. Открыть/Комментировать