일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 데이터과학
- I'm Sorry
- 네트워크보안
- 보안
- 사이버보안
- 데이터구조
- 2
- 컴퓨터공학
- 자바스크립트
- 소프트웨어공학
- 코딩
- 웹개발
- 파이썬
- 프로그래밍
- 빅데이터
- 클라우드컴퓨팅
- 네트워크
- 프로그래밍언어
- 머신러닝
- 소프트웨어
- 데이터베이스
- 알고리즘
- 컴퓨터비전
- 인공지능
- 자료구조
- 버전관리
- Yes
- 딥러닝
- 데이터분석
- 컴퓨터과학
- Today
- Total
목록딥러닝 (38)
스택큐힙리스트
저는 설치된 TensorFlow의 버전을 찾아야 합니다. 저는 우분투 16.04 LTS를 사용하고 있습니다.답변 1이것은 TensorFlow를 설치한 방법에 따라 다릅니다. 나는 TensorFlow's installation instructions이 사용한 동일한 제목을 사용하여 이 답변을 구성할 예정입니다.파이프 설치달리다: python -c 'import tensorflow as tf; print(tf.__version__)' # for Python 2python3 -c 'import tensorflow as tf; print(tf.__version__)' # for Python 3일부 리눅스 배포판에서 python 가 /usr/bin/python3 in 에 심볼릭 링크되어 있으므로 이러한 경우에는 ..
나는 여러 개의 데이터베이스 ( Oracle , SQL Server , 등)를 가지고 있기 때문에 SQL과 동등한 명령어 시퀀스를 만들 수 없어 Pandas를 데이터베이스 대신 사용하고 있습니다.저는 몇 개의 열이 있는 DataFrame에 로드된 테이블을 가지고 있습니다. YEARMONTH, CLIENTCODE, SIZE, etc., etc.SQL에서는 연도별로 다른 고객의 수를 계산하는 것이다. SELECT count(distinct CLIENTCODE) FROM table GROUP BY YEARMONTH;그 결과는 될 것입니다. 201301 5000201302 13245판다스에서 그걸 어떻게 할 수 있나요?답변 1나는 이게 당신이 원하는 것이라고 믿어요. table.groupby('YEARMONTH..
저는 공통된 몇 개의 행이 있는 두 개의 판다 데이터 프레임을 갖고 있습니다.가정하자면 dataframe2는 dataframe1의 하위 집합이다.데이터프레임1에서 데이터프레임2에 없는 행을 어떻게 가져올 수 있나요? df1 = pandas.DataFrame(data = {'col1' : [1, 2, 3, 4, 5], 'col2' : [10, 11, 12, 13, 14]}) df2 = pandas.DataFrame(data = {'col1' : [1, 2, 3], 'col2' : [10, 11, 12]})df1 (데이터프레임1) col1 col20 1 101 2 112 3 123 4 134 5 14df2 col1 col20 1 101 2 112 3 12예상 결과: col1 col23 4 134 5 14답변..
나는 Numpy 배열 형태의 행렬을 가지고 있습니다. 이것을 이미지 파일로 디스크에 저장하는 방법은 무엇인가요? 어떤 형식이든 상관 없습니다 (png, jpeg, bmp 등). 중요한 제약 조건 중 하나는 PIL이 없다는 것입니다.답변 1PIL 를 사용한 대답 (만약에 유용하다면).주어진 numpy 배열 A: from PIL import Imageim = Image.fromarray(A)im.save(your_file.jpeg)jpeg를 원하는 형식으로 거의 모두 바꿀 수 있습니다. 형식에 대한 자세한 내용은 here을(를) 참조하십시오.답변 2아래는 Numpy 어레이를 이미지로 저장하는 방법입니다. 이 작업은 수치 분석에서 중요한 작업 중 하나입니다. 이미지화된 데이터는 더 쉽게 시각화할 수 있기 때문..