当前位置：首页 > news >正文

购物网站常用的多组图左右轮播的js图片特效代码seo网站有哪些

news 2025/7/7 13:14:23

购物网站常用的多组图左右轮播的js图片特效代码,seo网站有哪些,建设银行大连分行社会招聘网站,中国建筑第八工程局有限公司文章目录前言一、原始代码二、对每一行代码的解释：总结前言这是该系列原型网络的最后一段代码及其详细解释，感谢各位的阅读！ 一、原始代码 if __name__ __main__:##载入数据labels_trainData, labels_testData load_data() # labels_…

在这里插入图片描述

文章目录

前言
一、原始代码
二、对每一行代码的解释：
总结

前言

这是该系列原型网络的最后一段代码及其详细解释，感谢各位的阅读！

一、原始代码

if __name__ == '__main__':##载入数据labels_trainData, labels_testData = load_data()  # labels_trainData是字典，是key:value形式class_number_train = max(list(labels_trainData.keys())) #963class_number_test = max(list(labels_testData.keys())) #658wide = labels_trainData[0][0].shape[0]  # 105      #二维张量，shape[0]代表行数，shape[1]代表列数length = labels_trainData[0][0].shape[1]  # 105for label in labels_trainData.keys():labels_trainData[label] = np.reshape(labels_trainData[label], [-1, 1, wide, length])for label in labels_testData.keys():labels_testData[label] = np.reshape(labels_testData[label], [-1, 1, wide, length])##初始化模型protonets = Protonets((1, wide, length), 10, 5, 5, 60, './log/', 50)  # '''根据需求修改类的初始化参数，参数含义见protonets_net.py'''##训练prototypical_networkfor n in range(100):  ##随机选取x个类进行一个episode的训练protonets.train(labels_trainData, class_number_train)if n % 2 == 0 and n != 0:  # 每5次存储一次模型，并测试模型的准确率，训练集的准确率和测试集的准确率被存储在model_step_eval.txt中torch.save(protonets.model, './log/model_net_' + str(n) + '.pkl')protonets.save_center('./log/model_center_' + str(n) + '.csv')test_accury = protonets.evaluation_model(labels_testData, class_number_test)print(test_accury)str_data = str(n) + ',' + str('       test_accury     ') + str(test_accury) + '\n'with open('./log/model_step_eval.txt', "a") as f:f.write(str_data)print(n)

二、对每一行代码的解释：

if __name__ == '__main__':
这是一个Python的惯用写法，表示当脚本直接被运行时（而不是被作为模块导入时），才会执行下面的代码块。
labels_trainData, labels_testData = load_data()
调用 load_data() 函数加载数据，并将返回的标签训练数据和标签测试数据保存到 labels_trainData 和 labels_testData 变量中。
class_number_train = max(list(labels_trainData.keys()))
获取标签训练数据中的最大键（即最大类别数），并将其保存到 class_number_train 变量中。
class_number_test = max(list(labels_testData.keys()))
获取标签测试数据中的最大键（即最大类别数），并将其保存到 class_number_test 变量中。
wide = labels_trainData[0][0].shape[0]
获取标签训练数据中第一个样本的宽度，并将其保存到 wide 变量中。
length = labels_trainData[0][0].shape[1]
获取标签训练数据中第一个样本的长度，并将其保存到 length 变量中。
for label in labels_trainData.keys():
遍历标签训练数据中的所有键。
labels_trainData[label] = np.reshape(labels_trainData[label], [-1, 1, wide, length])
对每个标签训练数据进行重塑，将其形状改为 [-1, 1, wide, length]，其中 -1 表示自动计算维度大小。
for label in labels_testData.keys():
遍历标签测试数据中的所有键。
labels_testData[label] = np.reshape(labels_testData[label], [-1, 1, wide, length])
对每个标签测试数据进行重塑，将其形状改为 [-1, 1, wide, length]。
protonets = Protonets((1, wide, length), 10, 5, 5, 60, './log/', 50)
创建一个 Protonets 类的实例，传入模型的初始化参数。
for n in range(100):
从0到99的循环中，执行以下代码块。
protonets.train(labels_trainData, class_number_train)
调用 protonets 实例的 train() 方法进行模型训练，传入标签训练数据和类别数。
if n % 2 == 0 and n != 0:
如果 n 是偶数且不为0，则执行以下代码块。
torch.save(protonets.model, './log/model_net_' + str(n) + '.pkl')
保存模型到 './log/model_net_' + str(n) + '.pkl' 的文件路径。
protonets.save_center('./log/model_center_' + str(n) + '.csv')
调用 protonets 实例的 save_center() 方法，将模型的中心点保存到 './log/model_center_' + str(n) + '.csv'。
test_accury = protonets.evaluation_model(labels_testData, class_number_test)
调用 protonets 实例的 evaluation_model() 方法，对模型进行评估并返回测试准确率，将其保存到 test_accury 变量中。
print(test_accury)
打印测试准确率。
str_data = str(n) + ',' + str(' test_accury ') + str(test_accury) + '\n'
构建一个字符串以保存到文件中。
with open('./log/model_step_eval.txt', "a") as f:
打开一个文件，以追加模式写入。