pandas保存、读取外部数据1，pandas保存、读取csv文件import numpy as npimport pandas as pdimport numpy as npnp.random.seed(4)day_data = np.random.normal(0,1,(500,507))day_data = np.round(day_data,1)stock_list = ["股票"+ st

本文将介绍如下内容：近似求导tf.GradientTape基本使用方法tf.GradientTape与tf.keras结合使用一，近似求导在近似求导中，本质是取求导参数前后的两个偏移量的点，带入函数中，近似求导。该偏移量约小，其近似求导的数值约接近真实值。1，对一元方程的近似求导# 对一元方程的近似求导def f(x):return 3. * x ** 2 + 2. * x - 1def appr

共压80000数据，同时请求500数据。

本文将会简单介绍自然语言处理（NLP）中的命名实体识别（NER）。  命名实体识别（Named Entity Recognition，简称NER）是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类（实体类、时间类和数字类）、七小类（人名、机构名、地名、时间、日期、货币和百分比）

pass

一，retry模块1，pip安装retry模块pip install retry2，retry介绍def retry(exceptions=Exception, tries=-1, delay=0, max_delay=None, backoff=1, jitter=0, logger=logging_logger):"""Return a retry decorator.:param excep

    词形还原（Lemmatization）是文本预处理中的重要部分，与词干提取（stemming）很相似。一，什么是词形还原    简单说来，词形还原就是去掉单词的词缀，提取单词的主干部分，通常提取后的单词会是字典中的单词，不同于词干提取（stemming），提取后的单词不一定会出现在单词中。比如，单词“cars”词形还原后的单词为“car”，单词“ate”词形还原后的单词为“eat”。   

一，数组的拼接1，竖直拼接import numpy as npt1 = np.arange(30).reshape(6,5).astype(float)t2 = np.arange(30,60).reshape(6,5).astype(float)t1[:,3] = np.nant2[3,:] = np.nan# 竖直拼接t = np.vstack((t1,t2))print(t)2，水平拼接im

一，python中储存时间的三种格式1，时间元组（结构体时间）共有九个元素组2,时间戳时间戳表示的是从1970年1月1日00:00:00开始按秒计算的偏移量3,格式化时间已格式化的结构使时间更具可读性。包括自定义格式和固定格式。二、time库1，time.time()创建时间戳返回当前时间的时间戳（1970纪元后经过的浮点秒数）。import time# 返回当前...

本文将介绍：使用keras实现resnet50模型实现迁移学习-finetune一，下载kaggle-cifar10数据通过下面的链接，下载dataset到本地目录cifar10中kaggle-cifar10下载地址二，