_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.