data 为 numpy 数组 size 为扩充的大小 axis 为扩充的维度
将 data 数组的 第2维度 数据扩充为 size 大小, 如果 data.shape = (100,1), 扩充后结果为 (100,size), 以第2维数据作为填充值。
data.repeat(size, axis=1) # 扩展数据
np.repeat
将列表等数据转换为 numpy 数组
data = np.asarray(data)
np.swapaxes
更换 data 数组的 0 - 1 维度
np.swapaxes(data, 0, 1)
np.expand_dims
扩展 data 的维度, axis 代表要扩维度的轴
np.expand_dims(data, axis=3) # 扩展维度
numpy.squeeze(axis=None)
去除 numpy 数组 轴 = 1 的对应维度
numpy.squeeze(axis=1)
torch 常用函数 torch.cuda.is_available
测试 GPU 是否可用
torch.cuda.is_available()
tensor.to
将数据转换到设备上进行运算
device= 'cpu' | 'cuda'
trainX.to(device)
torch.tensor
将 numpy 数据转换为 tensor 格式
torch.tensor(test_segments)
tensor.detach().numpy()
将 tensor 数据转换为 numpy 格式
test_predict.detach().numpy()
数据处理函数 train_test_split
from sklearn.model_selection import train_test_split
将数据集根据划分比例划分, 默认乱序。
test_size = 小数 | 整数 小数代表划分比例, 整数代表测试集个数
shuffle = True | False 开启或关闭乱序
X_train, X_test, y_train, y_test = train_test_split(self.train_data, self.train_label,test_size=1,random_state=None, shuffle=False) # 开启随机
metrics.r2_score()
from sklearn import metrics
对预测结果的置信度进行评价
metrics.r2_score(labels, prediction)
