show parameters如何格式化输出

在PL/SQL中，使用SHOW PARAMETERS命令不能格式化输出。但是，您可以使用以下SELECT语句查询V$PARAMETER视图来获取参数信息，并使用一些技巧来格式化输出：

SELECT name, value, description
FROM V$PARAMETER
WHERE name LIKE '%<your_parameter>%';

将 `<your_parameter>` 替换为您想要查询的参数名称。此命令将返回参数名称、当前值和描述。您可以使用其他SQL技巧来格式化输出，如使用LPAD函数对名称进行左对齐，使用TO_CHAR函数格式化值等等。

相关问题

def unzip_infer_data(src_path,target_path): ''' 解压预测数据集 ''' if(not os.path.isdir(target_path)): z = zipfile.ZipFile(src_path, 'r') z.extractall(path=target_path) z.close() def load_image(img_path): ''' 预测图片预处理 ''' img = Image.open(img_path) if img.mode != 'RGB': img = img.convert('RGB') img = img.resize((224, 224), Image.BILINEAR) img = np.array(img).astype('float32') img = img.transpose((2, 0, 1)) # HWC to CHW img = img/255 # 像素值归一化 return img infer_src_path = '/home/aistudio/data/data55032/archive_test.zip' infer_dst_path = '/home/aistudio/data/archive_test' unzip_infer_data(infer_src_path,infer_dst_path) para_state_dict = paddle.load("MyCNN") model = MyCNN() model.set_state_dict(para_state_dict) #加载模型参数 model.eval() #验证模式 #展示预测图片 infer_path='data/archive_test/alexandrite_6.jpg' img = Image.open(infer_path) plt.imshow(img) #根据数组绘制图像 plt.show() #显示图像 #对预测图片进行预处理 infer_imgs = [] infer_imgs.append(load_image(infer_path)) infer_imgs = np.array(infer_imgs) label_dic = train_parameters['label_dict'] for i in range(len(infer_imgs)): data = infer_imgs[i] dy_x_data = np.array(data).astype('float32') dy_x_data=dy_x_data[np.newaxis,:, : ,:] img = paddle.to_tensor (dy_x_data) out = model(img) lab = np.argmax(out.numpy()) #argmax():返回最大数的索引 print("第{}个样本,被预测为：{},真实标签为：{}".format(i+1,label_dic[str(lab)],infer_path.split('/')[-1].split("_")[0])) print("结束") 以上代码进行DNN预测，根据这些写GUI页面，实现输入图片并安装CNN训练结果进行对比识别，最终输出识别结果

为了实现输入图片并进行识别，你可以使用Python的GUI库来创建一个简单的界面，例如使用Tkinter库。下面是一个简单的示例代码，可以创建一个包含“选择文件”按钮和“识别”按钮的界面：

import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageTk
import numpy as np
import paddle

# 加载模型参数
para_state_dict = paddle.load("MyCNN")
model = MyCNN()
model.set_state_dict(para_state_dict)
model.eval()

# 预测图片预处理
def load_image(img_path):
    img = Image.open(img_path)
    if img.mode != 'RGB':
        img = img.convert('RGB')
    img = img.resize((224, 224), Image.BILINEAR)
    img = np.array(img).astype('float32')
    img = img.transpose((2, 0, 1)) # HWC to CHW
    img = img/255 # 像素值归一化
    return img

# 打开文件选择对话框
def choose_file():
    file_path = filedialog.askopenfilename()
    if file_path:
        img = Image.open(file_path)
        img = img.resize((200, 200))
        img = ImageTk.PhotoImage(img)
        img_label.config(image=img)
        img_label.image = img # keep a reference to prevent garbage collection
        global infer_path
        infer_path = file_path

# 进行预测
def predict():
    try:
        infer_imgs = []
        infer_imgs.append(load_image(infer_path))
        infer_imgs = np.array(infer_imgs)
        label_dic = train_parameters['label_dict']
        for i in range(len(infer_imgs)):
            data = infer_imgs[i]
            dy_x_data = np.array(data).astype('float32')
            dy_x_data = dy_x_data[np.newaxis, :, :, :]
            img = paddle.to_tensor(dy_x_data)
            out = model(img)
            lab = np.argmax(out.numpy()) # argmax():返回最大数的索引
            result_label.config(text="识别结果为：{}".format(label_dic[str(lab)]))
    except:
        result_label.config(text="识别失败，请检查输入文件是否正确")

# 创建界面
root = tk.Tk()
root.title("图像识别")

# 创建“选择文件”按钮
choose_button = tk.Button(root, text="选择文件", command=choose_file)
choose_button.pack(pady=10)

# 创建图像显示标签
img_label = tk.Label(root)
img_label.pack()

# 创建“识别”按钮
predict_button = tk.Button(root, text="识别", command=predict)
predict_button.pack(pady=10)

# 创建识别结果标签
result_label = tk.Label(root, font=("Arial", 16))
result_label.pack(pady=10)

root.mainloop()

在这个示例代码中，我们首先定义了一个`load_image`函数来进行预处理，然后在“选择文件”按钮的回调函数`choose_file`中打开文件选择对话框，并将选择的图片显示在界面上。在“识别”按钮的回调函数`predict`中，我们将选择的图片进行预处理，然后输入模型进行预测，并将预测结果显示在界面上。注意，我们使用了`try`和`except`语句来捕获可能出现的错误，例如输入的文件格式不正确等。你可以根据自己的需求对这个示例代码进行修改和扩展。

请随机创建一份单输入单输出的200个数据点的数据集，以7:3的比例分为训练集和测试集。并用以paddlepaddle框架写一份单输入单输出，中间层待定的全连接神经网络代码，对训练集进行回归训练，对测试集进行预测，并进行mae和rmse评估，绘出R图。最后将模型保存。要求代码每一步骤有详细的注释

生成数据集

为了生成数据集，我们使用numpy库。我们随机生成200个数据点，每个数据点有一个输入x和一个输出y。其中，x是在0到1之间均匀分布的随机数，y是x的平方加上一个正态分布的噪声。代码实现如下：

import numpy as np

# 设置随机数种子，确保每次运行结果一致
np.random.seed(42)

# 生成200个数据点
num_points = 200

# 生成输入x，范围在0到1之间
x = np.random.uniform(0, 1, num_points)

# 生成输出y，y = x^2 + noise，其中noise是正态分布的噪声
noise = np.random.normal(0, 0.1, num_points)
y = x ** 2 + noise

# 将数据集拆分为训练集和测试集，比例为7:3
train_ratio = 0.7
num_train = int(num_points * train_ratio)
indices = np.random.permutation(num_points)
train_indices, test_indices = indices[:num_train], indices[num_train:]
x_train, y_train = x[train_indices], y[train_indices]
x_test, y_test = x[test_indices], y[test_indices]

创建模型

我们使用PaddlePaddle框架来创建一个单输入单输出的全连接神经网络。该网络有一个输入层、一个中间层和一个输出层。输入层只有一个神经元，输出层也只有一个神经元。中间层的神经元个数待定，可以通过调整来找到最优值。代码实现如下：

import paddle
import paddle.nn as nn

# 定义模型
class Net(nn.Layer):
    def __init__(self, hidden_size):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1, hidden_size)
        self.fc2 = nn.Linear(hidden_size, 1)

    def forward(self, x):
        x = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x

# 定义超参数
hidden_size = 10   # 中间层神经元个数
learning_rate = 0.01
num_epochs = 1000

# 实例化模型
model = paddle.Model(Net(hidden_size))

# 定义损失函数和优化器
loss_fn = nn.MSELoss()
optimizer = paddle.optimizer.SGD(learning_rate=learning_rate, parameters=model.parameters())

训练模型

在训练模型之前，我们需要将数据集转换为PaddlePaddle框架所需的格式。我们使用paddle.to_tensor函数将输入和输出转换为张量。然后，我们使用paddle.io.Dataset和paddle.io.DataLoader来创建数据集和数据加载器。最后，我们使用model.train()函数来训练模型。代码实现如下：

# 将数据集转换为张量
x_train_tensor = paddle.to_tensor(x_train.reshape(-1, 1).astype('float32'))
y_train_tensor = paddle.to_tensor(y_train.reshape(-1, 1).astype('float32'))
x_test_tensor = paddle.to_tensor(x_test.reshape(-1, 1).astype('float32'))
y_test_tensor = paddle.to_tensor(y_test.reshape(-1, 1).astype('float32'))

# 创建数据集和数据加载器
train_dataset = paddle.io.TensorDataset(x_train_tensor, y_train_tensor)
train_loader = paddle.io.DataLoader(train_dataset, batch_size=10, shuffle=True)

# 训练模型
model.prepare(loss_fn, optimizer)
history = model.fit(train_loader, epochs=num_epochs, verbose=1)

预测并评估模型

在模型训练完成后，我们使用model.evaluate()函数来对测试集进行预测，并计算MAE和RMSE。我们还使用matplotlib库来绘制R图。代码实现如下：

import matplotlib.pyplot as plt

# 对测试集进行预测
y_pred_tensor = model.predict_batch(x_test_tensor)
y_pred = y_pred_tensor.numpy()

# 计算MAE和RMSE
mae = np.mean(np.abs(y_pred - y_test))
rmse = np.sqrt(np.mean((y_pred - y_test) ** 2))
print('MAE:', mae)
print('RMSE:', rmse)

# 绘制R图
plt.scatter(y_test, y_pred)
plt.plot(y_test, y_test, 'r')
plt.xlabel('True values')
plt.ylabel('Predictions')
plt.show()

保存模型

最后，我们使用model.save()函数来保存模型。代码实现如下：

# 保存模型
model.save('model')

完整代码

下面是完整的代码：