- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在分割 np.数组和列表分为两种。这是我的代码:
X = []
y = []
for seq, target in ConvertedData:
X.append(seq)
y.append(target)
y = np.vstack(y)
train_x = np.array(X)[:int(len(X) * 0.9)]
train_y = y[:int(len(X) * 0.9)]
validation_x = np.array(X)[int(len(X) * 0.9):]
validation_y = y[int(len(X) * 0.9):]
这是为神经网络准备数据的代码示例。效果很好,但会产生“内存不足错误”(我板上有 32GB):
Traceback (most recent call last):
File "D:/Projects/....Here is a file location.../FileName.py", line 120, in <module>
validation_x = np.array(X)[int(len(X) * 0.9):]
MemoryError
看起来它保存在内存列表X和np.array y中,并将其复制为单独的变量train_x,train_y,validation_x,validation_y>。你知道如何处理这个问题吗?
X 的形状:(324000, 256, 24)
y 的形状:(324000,10)
train_x 的形状:(291600, 256, 24)
train_y的形状:(291600,10)
validation_x 的形状:(32400, 256, 24)
validation_y 的形状:(32400,10)
最佳答案
X = []
y = []
for seq, target in ConvertedData:
X.append(seq)
y.append(target)
X
是 seq
的列表。我假设那些是数组。 X
只是有指向这些的指针,
y = np.vstack(y)
train_x = np.array(X)[:int(len(X) * 0.9)]
从X
创建一个数组,然后是该数组的一个切片。完整的np.array(X)
仍然存在于内存中
train_y = y[:int(len(X) * 0.9)]
validation_x = np.array(X)[int(len(X) * 0.9):]
从X
创建另一个数组。 train_x
和 validation_x
是单独数组的 View 。
validation_y = y[int(len(X) * 0.9):]
正在做
X1 = np.array(X)
train_x = X1[:...]
validation_x = X1[...:]
将消除重复。两者都是同一个 X1
的 View 。
另一种方法是首先对列表进行切片:
train_x = np.array(X[:...])
validation_x = np.array(X[...:])
我的猜测是,内存使用,至少在数组中是相似的。
创建X1
后的
del X
也可能有所帮助,允许对 X
及其引用的数组进行垃圾收集。
但请注意,一旦您在代码中的某个位置开始遇到内存错误,像这样的技巧可能会推迟它。计算很容易最终生成大小相当的副本或临时缓冲区。
<小时/>您的分割使用 2 个切片;这会产生 View ,但不会增加原始内存使用量。但如果你进行随机分割,训练和验证部分将是副本,并且一起占用与源一样多的内存。
关于Python:如何在不使用更多 RAM 的情况下将 np 数组/列表拆分为两个数组/列表,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55528911/
有时评估积分非常困难,但很容易验证解是否正确。在我看来它至少应该是 np,但我对这个概念的理解是有限的,我可能会遗漏一些东西 编辑:为了清楚起见,我很好奇算法的复杂性,该算法找到函数的反导数以解决不定
我对这三个类别的理解是否正确? 要证明问题 X 是 NP: 表明 X 可以在多项式时间内确定性地得到验证(或者X 可以使用 NTM 解决) 要证明问题 X 是 NP 完全的: 表明 X 可以在多项式时
有什么区别NP , NP-完全和 NP-Hard ? 我知道网上有很多资源。我想阅读你的解释,原因是它们可能与外面的不同,或者有一些我不知道的东西。 最佳答案 我假设您正在寻找直观的定义,因为技术定义
我正在寻找一种方法来检查 numpy 数组是 np.float64 还是 np.float32。这适用于 np.float64: a = np.random.rand(10) if not issub
我知道 np.nanargmin 找到列表中不是 NaN 的最小数字。但是,如果调用数组 [np.nan, np.inf],它会产生 0,这是一个 NaN。我发现这种行为很奇怪,我只是想知道以这种方式
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 关闭 8 年前。 Improve
我很好奇使用 np.empty 到底有多大不同?而不是 np.zeros ,以及关于 np.ones 的区别.我运行这个小脚本来对每个创建大型数组所花费的时间进行基准测试: import numpy
在操作矩阵的时候,不同的接口对于矩阵的输入维度要求不同,输入可能为1-D,2-D,3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种: 1、np.newaxis扩充
除了使用一组 or 语句之外 isinstance( x, np.float64 ) 或 isinstance( x, np.float32 ) 或 isinstance( np.float16 )
我尝试了以下代码,但没有发现 np.dot 和 np.multiply 与 np.sum 之间的区别 这里是 np.dot 代码 logprobs = np.dot(Y, (np.log(A2)).T
我编写了一些程序来更新 numpy在每次迭代中列出并对其进行一些操作。迭代次数取决于时间。例如在 1 秒内,可能有 1000 到 2500 次迭代。这意味着 numpy 列表中的项目对于运行程序 1
我有以下两个数据框: a = pd.DataFrame([[1,2, 3],[4,3,6], [np.nan, 2, np.nan]]) 0 1 2 0 1.0 2 3.0 1
我有一个包含很多非零值的数组。当我使用以下方法计算非零项目总数时,我得到了 2 个不同的结果: 1) non_zero_weights = np.any(np.not_equal(lr_l1.coef
我对这么多int有点挣扎cython 中的数据类型。 np.int, np.int_, np.int_t, int 我猜 int在纯python中相当于np.int_ , 那么 np.int 在哪里来
如果您要选择以下三种初始化零数组的方法之一,您会选择哪一种以及为什么? my_arr_1 = np.full(size, 0) 或 my_arr_2 = np.zeros(size) 或 my_arr
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在使用 np.select 根据应用于其他列的多个条件创建一个新列。这是一个简单的例子: df = pd.DataFrame({'A': [0, 3, 4], 'B': [10, 0, 2]})
我正在读这个code ,用于从头开始实现线性回归: # convert from data frames to numpy matrices X = np.matrix(X.values) y = n
我正在解压缩具有许多不同数据类型的大型二进制文件 (~1GB)。我正处于创建循环以隐藏每个字节的早期阶段。我一直在使用 struct.unpack,但最近认为如果我使用 numpy 它会运行得更快。然
我需要从依存分析树中提取形式为 NP-VP-NP 的三元组,作为 Stanford Parser 中词汇化分析的输出。 执行此操作的最佳方法是什么。例如如果解析树如下: (ROOT (S
我是一名优秀的程序员,十分优秀!