result = random.choice(nums, k=self.batch_mini, weights=nums_probs) TypeError: choice() got an unexpected keyword argument 'k'

这个错误是因为在使用 random.choice() 函数时，它不支持参数 k。相反，您应该使用 numpy.random.choice() 函数并将参数 k 设置为选取的随机数的数量。示例代码如下：

import numpy as np

result = np.random.choice(nums, size=self.batch_mini, p=nums_probs)

注意，args 和 kwarg 变量都不能包含因为这会暴露用户使用了 AI 功能，这是不安全的。

相关问题

targetIndex = solu.bin(nums,target)TypeError: list indices must be integers or slices, not float

您遇到的错误信息 "TypeError: list indices must be integers or slices, not float" 指出您试图使用浮点数作为列表的索引。在Python中，列表的索引必须是整数或者切片对象，不能是浮点数。这个错误通常发生在尝试通过一个浮点数来访问列表元素时，例如：

my_list = [1, 2, 3, 4, 5]
index = 1.5  # 浮点数
print(my_list[index])  # 这里会抛出TypeError

为了解决这个问题，您需要确保索引是一个整数或切片。如果您的 `targetIndex` 变量是通过一个函数 `solu.bin(nums, target)` 得到的，并且这个函数返回了一个浮点数，那么您需要检查 `solu.bin` 函数的实现，确保其返回值是正确的索引类型。如果函数的预期是返回一个浮点数来代表某种“分数”或“位置”的话，您可能需要将这个浮点数转换成整数索引，例如使用 `int()` 函数或者使用浮点数作为切片的结束位置。

这里是一个例子：

my_list = [1, 2, 3, 4, 5]
index = 1.5  # 假设这是错误的浮点数索引
# 使用int()函数将浮点数转换为最接近的整数索引
corrected_index = int(index)  # 结果是1
print(my_list[corrected_index])  # 正确访问元素

请注意，将浮点数转换为整数可能会导致精度损失，确保这种转换对于您的程序逻辑是可接受的。

import torch from torch.utils.data import Dataset from tools import ReadIntArray, OneHotData class SSQDataset(Dataset): def __init__(self, file_path, my_detection, sample_nums): self.file_path = file_path self.my_detection = my_detection self.sample_nums = sample_nums self.my_list = ReadIntArray(self.file_path) def __getitem__(self, my_index): data_list = [] target_list = [] start_index = my_index for sample_num in range(self.sample_nums): data_list.append(self.my_list[start_index + sample_num]) if self.my_detection in self.my_list[start_index + self.sample_nums]: target_list = [1, 0] else: target_list = [0, 1] data_list = OneHotData(data_list) data_list = torch.tensor(data_list, dtype=torch.float32) target_list = torch.tensor(target_list, dtype=torch.float32) return data_list, target_list def __len__(self): return len(self.my_list) - self.sample_nums

这段代码定义了一个名为SSQDataset的数据集类，用于读取文件并将其转换为模型可接受的数据格式。其中：

- `file_path`表示数据文件路径；
- `my_detection`表示要检测的目标，例如在双色球中是要预测的红球还是蓝球；
- `sample_nums`表示每个样本中包含的数据点数；
- `ReadIntArray`函数用于读取数据文件并将其转换为整数列表；
- `__getitem__`函数用于获取某个索引位置的数据，并将其转换为模型可接受的数据格式，同时将该数据对应的目标标签也转换为模型可接受的格式；
- `OneHotData`函数用于将原始数据转换为独热编码格式；
- `__len__`函数用于返回数据集的长度。

这个数据集类可以用于训练模型，例如：

from torch.utils.data import DataLoader
from model import MyModel

dataset = SSQDataset(file_path='data/ssq.txt', my_detection='red', sample_nums=5)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

model = MyModel()
for data, target in dataloader:
    output = model(data)
    loss = compute_loss(output, target)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

这里假设模型类为`MyModel`，使用PyTorch内置的`DataLoader`类将数据集分成批次进行训练。在每个批次中，将数据输入模型，计算损失并进行反向传播和优化。