return f"{s} {size_name[i]}"这种怎么写接受变量

时间: 2024-03-24 18:41:41 浏览: 50
如果你想将函数的返回值赋值给一个变量,可以这样写: ```python import os import math def convert_size(size_bytes): if size_bytes == 0: return "0B" size_name = ("B", "KB", "MB", "GB", "TB", "PB", "EB", "ZB", "YB") i = int(math.floor(math.log(size_bytes, 1024))) p = math.pow(1024, i) s = round(size_bytes / p, 2) return f"{s} {size_name[i]}" file_path = 'your_file_path' file_size = os.path.getsize(file_path) file_size_converted = convert_size(file_size) print(f"The file size of {file_path} is {file_size_converted}") # 将文件大小转换后的结果赋值给一个变量 converted_size = convert_size(1234567890) print(converted_size) ``` 在上面的代码中,将函数convert_size()的返回值赋值给变量file_size_converted,然后将该变量打印出来。同时,也演示了如何将函数的返回值直接赋值给一个变量。

相关推荐

def evaluate(self, datloader_Test): Image_Feature_ALL = [] Image_Name = [] Sketch_Feature_ALL = [] Sketch_Name = [] start_time = time.time() self.eval() for i_batch, sampled_batch in enumerate(datloader_Test): sketch_feature, positive_feature = self.test_forward(sampled_batch) Sketch_Feature_ALL.extend(sketch_feature) #草图特征 模型的 Sketch_Name.extend(sampled_batch['sketch_path']) #草图名 for i_num, positive_name in enumerate(sampled_batch['positive_path']): #遍历正例图像 if positive_name not in Image_Name: Image_Name.append(positive_name) Image_Feature_ALL.append(positive_feature[i_num]) rank = torch.zeros(len(Sketch_Name)) Image_Feature_ALL = torch.stack(Image_Feature_ALL) Image_Feature_ALL = Image_Feature_ALL.view(Image_Feature_ALL.size(0), -1) for num, sketch_feature in enumerate(Sketch_Feature_ALL): s_name = Sketch_Name[num] sketch_query_name = os.path.basename(s_name) # 提取草图路径中的文件名作为查询名称 position_query = -1 for i, image_name in enumerate(Image_Name): if sketch_query_name in os.path.basename(image_name): # 提取图像路径中的文件名进行匹配 position_query = i break if position_query != -1: sketch_feature = sketch_feature.view(1, -1) distance = F.pairwise_distance(sketch_feature, Image_Feature_ALL) target_distance = F.pairwise_distance(sketch_feature, Image_Feature_ALL[position_query].view(1, -1)) rank[num] = distance.le(target_distance).sum() top1 = rank.le(1).sum().item() / rank.shape[0] top10 = rank.le(10).sum().item() / rank.shape[0] print('Time to Evaluate: {}'.format(time.time() - start_time)) return top1, top10

import os import random import numpy as np import cv2 import keras from create_unet import create_model img_path = 'data_enh/img' mask_path = 'data_enh/mask' # 训练集与测试集的切分 img_files = np.array(os.listdir(img_path)) data_num = len(img_files) train_num = int(data_num * 0.8) train_ind = random.sample(range(data_num), train_num) test_ind = list(set(range(data_num)) - set(train_ind)) train_ind = np.array(train_ind) test_ind = np.array(test_ind) train_img = img_files[train_ind] # 训练的数据 test_img = img_files[test_ind] # 测试的数据 def get_mask_name(img_name): mask = [] for i in img_name: mask_name = i.replace('.jpg', '.png') mask.append(mask_name) return np.array(mask) train_mask = get_mask_name(train_img) test_msak = get_mask_name(test_img) def generator(img, mask, batch_size): num = len(img) while True: IMG = [] MASK = [] for i in range(batch_size): index = np.random.choice(num) img_name = img[index] mask_name = mask[index] img_temp = os.path.join(img_path, img_name) mask_temp = os.path.join(mask_path, mask_name) temp_img = cv2.imread(img_temp) temp_mask = cv2.imread(mask_temp, 0)/255 temp_mask = np.reshape(temp_mask, [256, 256, 1]) IMG.append(temp_img) MASK.append(temp_mask) IMG = np.array(IMG) MASK = np.array(MASK) yield IMG, MASK # train_data = generator(train_img, train_mask, 32) # temp_data = train_data.__next__() # 计算dice系数 def dice_coef(y_true, y_pred): y_true_f = keras.backend.flatten(y_true) y_pred_f = keras.backend.flatten(y_pred) intersection = keras.backend.sum(y_true_f * y_pred_f) area_true = keras.backend.sum(y_true_f * y_true_f) area_pred = keras.backend.sum(y_pred_f * y_pred_f) dice = (2 * intersection + 1)/(area_true + area_pred + 1) return dice # 自定义损失函数,dice_loss def dice_coef_loss(y_true, y_pred): return 1 - dice_coef(y_true, y_pred) # 模型的创建 model = create_model() # 模型的编译 model.compile(optimizer='Adam', loss=dice_coef_loss, metrics=[dice_coef]) # 模型的训练 history = model.fit_generator(generator(train_img, train_mask, 4), steps_per_epoch=100, epochs=10, validation_data=generator(test_img, test_msak, 4), validation_steps=4 ) # 模型的保存 model.save('unet_model.h5') # 模型的读取 model = keras.models.load_model('unet_model.h5', custom_objects={'dice_coef_loss': dice_coef_loss, 'dice_coef': dice_coef}) # 获取测试数据 test_generator = generator(test_img, test_msak, 32) img, mask = test_generator.__next__() # 模型的测试 model.evaluate(img, mask) # [0.11458712816238403, 0.885412871837616] 94%

import sys import re import jieba import codecs import gensim import numpy as np import pandas as pd def segment(doc: str): stop_words = pd.read_csv('data/stopwords.txt', index_col=False, quoting=3, names=['stopword'], sep='\n', encoding='utf-8') stop_words = list(stop_words.stopword) reg_html = re.compile(r'<[^>]+>', re.S) # 去掉html标签数字等 doc = reg_html.sub('', doc) doc = re.sub('[0-9]', '', doc) doc = re.sub('\s', '', doc) word_list = list(jieba.cut(doc)) out_str = '' for word in word_list: if word not in stop_words: out_str += word out_str += ' ' segments = out_str.split(sep=' ') return segments def doc2vec(file_name, model): start_alpha = 0.01 infer_epoch = 1000 doc = segment(codecs.open(file_name, 'r', 'utf-8').read()) vector = model.docvecs[doc_id] return model.infer_vector(doc) # 计算两个向量余弦值 def similarity(a_vect, b_vect): dot_val = 0.0 a_norm = 0.0 b_norm = 0.0 cos = None for a, b in zip(a_vect, b_vect): dot_val += a * b a_norm += a ** 2 b_norm += b ** 2 if a_norm == 0.0 or b_norm == 0.0: cos = -1 else: cos = dot_val / ((a_norm * b_norm) ** 0.5) return cos def test_model(file1, file2): print('导入模型') model_path = 'tmp/zhwk_news.doc2vec' model = gensim.models.Doc2Vec.load(model_path) vect1 = doc2vec(file1, model) # 转成句子向量 vect2 = doc2vec(file2, model) print(sys.getsizeof(vect1)) # 查看变量占用空间大小 print(sys.getsizeof(vect2)) cos = similarity(vect1, vect2) print('相似度:%0.2f%%' % (cos * 100)) if __name__ == '__main__': file1 = 'data/corpus_test/t1.txt' file2 = 'data/corpus_test/t2.txt' test_model(file1, file2) 有什么问题 ,怎么解决

最新推荐

recommend-type

***+SQL三层架构体育赛事网站毕设源码

资源摘要信息:"***+SQL基于三层模式体育比赛网站设计毕业源码案例设计.zip" 本资源是一个完整的***与SQL Server结合的体育比赛网站设计项目,适用于计算机科学与技术专业的学生作为毕业设计使用。项目采用当前流行且稳定的三层架构模式,即表现层(UI)、业务逻辑层(BLL)和数据访问层(DAL),这种架构模式在软件工程中被广泛应用于系统设计,以实现良好的模块化、代码重用性和业务逻辑与数据访问的分离。 ***技术:***是微软公司开发的一种用于构建动态网页和网络应用程序的服务器端技术,它基于.NET Framework,能够与Visual Studio IDE无缝集成,提供了一个用于创建企业级应用的开发平台。***广泛应用于Web应用程序开发中,尤其适合大型、复杂项目的构建。 2. SQL Server数据库:SQL Server是微软公司推出的关系型数据库管理系统(RDBMS),支持大型数据库系统的存储和管理。它提供了丰富的数据库操作功能,包括数据存储、查询、事务处理和故障恢复等。在本项目中,SQL Server用于存储体育比赛的相关数据,如比赛信息、选手成绩、参赛队伍等。 3. 三层架构模式:三层架构模式是一种经典的软件架构方法,它将应用程序分成三个逻辑部分:用户界面层、业务逻辑层和数据访问层。这种分离使得每个层次具有独立的功能,便于开发、测试和维护。在本项目中,表现层负责向用户提供交互界面,业务逻辑层处理体育比赛的业务规则和逻辑,数据访问层负责与数据库进行通信,执行数据的存取操作。 4. 体育比赛网站:此网站项目专门针对体育比赛领域的需求而设计,可以为用户提供比赛信息查询、成绩更新、队伍管理等功能。网站设计注重用户体验,界面友好,操作简便,使得用户能够快速获取所需信息。 5. 毕业设计源码报告:资源中除了可运行的网站项目源码外,还包含了详尽的项目报告文档。报告文档中通常会详细说明项目设计的背景、目标、需求分析、系统设计、功能模块划分、技术实现细节以及测试用例等关键信息。这些内容对于理解项目的设计思路、实现过程和功能细节至关重要,也是进行毕业设计答辩的重要参考资料。 6. 计算机毕设和管理系统:本资源是针对计算机科学与技术专业的学生设计的,它不仅是一套完整可用的软件系统,也是学生在学习过程中接触到的一个真实案例。通过学习和分析本项目,学生能够更深入地理解软件开发的整个流程,包括需求分析、系统设计、编码实现、测试调试等环节,以及如何将理论知识应用到实际工作中。 7. 编程:该项目的核心是编程工作,涉及到的技术主要包括*** Web Forms(或MVC)用于构建网站界面,C#作为后端开发语言处理逻辑运算,以及SQL语言进行数据库的操作和维护。学习和掌握这些编程技术对于计算机专业的学生来说是基本要求,也是他们未来从事软件开发工作的基础。 资源下载后,用户需要根据项目文档中的指导进行环境配置,包括数据库的搭建、服务器的配置等,然后通过Visual Studio等开发工具加载源码,最后编译和部署网站。一旦配置正确,用户即可通过浏览器访问网站,并体验到系统的所有功能。对于计算机专业学生来说,本资源不仅提供了实践学习的机会,而且还可以作为未来工作中的参考案例。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【Python与XML:终极初学者指南】:从0到1打造高效数据交换

![【Python与XML:终极初学者指南】:从0到1打造高效数据交换](https://www.askpython.com/wp-content/uploads/2020/03/xml_parsing_python-1024x577.png) # 1. Python与XML基础概念 ## 1.1 什么是Python和XML Python是一种广泛使用的高级编程语言,以其简洁明了的语法和强大的功能库支持而闻名。XML(Extensible Markup Language)是一种标记语言,用于存储和传输数据。它允许多样化的信息存储和应用程序间的交换。 ## 1.2 Python与XML的关系
recommend-type

怎么将图像转换成numpy数组

将图像转换为NumPy数组,你可以使用Python的Pillow库,它是处理图像文件非常方便的一个工具。以下是一个简单步骤: 1. 首先安装Pillow库,如果没有安装,可以用pip安装: ```bash pip install pillow ``` 2. 然后,加载图像文件,例如`image.jpg`: ```python from PIL import Image image = Image.open("image.jpg") ``` 3. 使用`numpy.array()`函数将PIL Image对象转换为NumPy数组。默认情况下,如果是
recommend-type

深入探索AzerothCore的WoTLK版本开发

资源摘要信息:"Masuit.MyBlogs"似乎是一个指向同一目录多次的重复字符串,可能是出于某种特殊目的或者是一个错误。由于给出的描述内容和标签都是一样的,我们无法从中获取具体的知识点,只能认为这可能是一个博客项目或者是某个软件项目的名称。 在IT行业中,博客(Blog)是一种在线日记形式的网站,通常用来分享个人或组织的技术见解、最新动态、教程等内容。一个博客项目可能涉及的技术点包括但不限于:网站搭建(如使用WordPress、Hexo、Hugo等平台)、内容管理系统(CMS)的使用、前端技术(HTML、CSS、JavaScript)、后端技术(如PHP、Node.js、Python等语言)、数据库(MySQL、MongoDB等)以及服务器配置(如Apache、Nginx等)。 另一方面,"azerothcore-wotlk-master"在给出的文件名称列表中,这看起来像是一个GitHub仓库的名称。AzerothCore是一个开源的魔兽世界(World of Warcraft,简称WoW)服务器端模拟程序,允许玩家在私有的服务器上体验到类似官方魔兽世界的环境。WoW TBC(The Burning Crusade)和WoW WOTLK(Wrath of the Lich King)是魔兽世界的两个扩展包。因此,"wotlk"很可能指的就是WoW WOTLK扩展包。 AzerothCore相关的知识点包含: 1. 游戏服务器端模拟:理解如何构建和维护一个游戏服务器,使其能够处理玩家的连接、游戏逻辑、数据存储等。 2. C++编程语言:AzerothCore是用C++编写的,这要求开发者具有扎实的C++编程能力。 3. 数据库管理:游戏服务器需要数据库来存储角色数据、世界状态等信息,这涉及数据库设计和优化的技能。 4. 网络编程:游戏服务器必须能够与多个客户端进行实时通信,这需要网络编程知识,包括TCP/IP协议、多线程、网络同步等。 5. Linux操作系统:AzerothCore是一个跨平台的项目,但通常服务器端程序倾向于在Linux环境下运行,因此要求有一定的Linux服务器运维能力。 6. 安全性:游戏服务器要防止作弊和攻击,需要了解相关的安全知识,如何加强系统的安全性。 7. 开源社区:参与开源项目可以培养团队协作和交流能力,了解开源许可证,参与代码提交和版本控制(如Git)的实践。 8. 游戏开发:AzerothCore作为一个游戏服务器,与游戏开发紧密相关。这可能包括游戏设计理论、游戏平衡、游戏世界构建等知识。 综上所述,给定文件的标题和标签可能指向一个博客项目,而文件名称列表中的"azerothcore-wotlk-master"则表明可能涉及到魔兽世界服务器端模拟相关的IT知识点。由于信息量有限,无法提供更详细的技术细节和背景故事。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【边缘检测高手】:高级图像处理技巧之mahotas应用

![【边缘检测高手】:高级图像处理技巧之mahotas应用](https://www.i2tutorials.com/wp-content/media/2020/08/Image-Processing-using-Mahotas-and-Python-1024x576.jpg) # 1. 边缘检测技术简介 边缘检测是计算机视觉和图像处理领域的一个基础且关键的技术。它的核心目标是识别图像中亮度变化显著的区域,这些区域通常对应物体的边界。边缘检测技术的实现方式多种多样,其中包括经典的Sobel算子、Prewitt算子、Roberts算子,以及更为先进的Canny边缘检测方法。这些技术在不同的应用
recommend-type

Linux系统下python 2.7中缺失文件

在Linux系统下,如果你遇到Python 2.7中缺失某个文件的问题,这通常是因为该模块并未安装,或者是Python的包管理器没有找到正确的路径来加载它。Python 2.7默认使用的包管理工具是`easy_install`或`pip`(对于较新的系统),但现在推荐使用`pip`。 1. 检查是否已安装:首先确认你想要的模块是否已经通过`pip list`命令列出来。如果没有,说明需要安装。 ```sh pip install <缺失的模块名> ``` 如果`pip`不可用,可以尝试用`easy_install`: ```sh easy_install <缺失的模块名> ``` 2
recommend-type

Jupyter中实现机器学习基础算法的教程

资源摘要信息: "在探索机器学习和数据分析的世界中,基础算法的实现是学习过程的核心。本资源主要关注使用Jupyter Notebook环境来实现机器学习和数据分析的基础算法。Jupyter Notebook是一种开源的Web应用,能够让用户创建和共享包含代码、可视化以及解释性文本的文档,非常适合于数据分析和机器学习的教学与实践。" 在机器学习领域,基础算法是构建更复杂模型和理解算法工作原理的关键。这些基础算法包括但不限于线性回归、逻辑回归、决策树、随机森林、支持向量机、k-最近邻算法等。通过在Jupyter Notebook中实现这些算法,学习者可以更直观地观察算法如何处理数据,模型是如何被训练和优化的,以及如何评估模型的性能。 此外,本资源还专注于介绍和实践梯度下降法,这是一种在机器学习中广泛使用的优化算法。梯度下降法的基本思想是:通过迭代的方法逐步寻找损失函数的最小值。在参数优化的上下文中,损失函数衡量的是模型预测与真实数据之间的差异。通过计算损失函数对参数的导数(即梯度),算法可以确定在参数空间中下降的方向,然后更新参数,以减少损失。 神经网络作为一种受人脑启发的机器学习模型,也是本资源的一个重要组成部分。神经网络通过多层的节点(或称为神经元)来学习数据的表示,每层之间通过可调的权重连接。深度学习的核心是通过反向传播算法调整这些权重,以最小化预测误差。在Jupyter Notebook中实现和调试神经网络模型,可以加深对深度学习工作原理的理解,并为构建复杂的神经网络模型打下坚实的基础。 值得注意的是,在使用Jupyter Notebook进行机器学习和数据分析时,用户可以利用Python语言中丰富的数据科学库。例如,NumPy和Pandas库可以用于数据预处理和操作,Matplotlib和Seaborn可以用于数据可视化,而scikit-learn库则提供了一个简单且高效的数据挖掘和数据分析工具集,涵盖了大多数基础算法的实现。 通过本资源的学习,用户不仅可以掌握基础算法的理论知识,还能通过动手实践提高解决实际问题的能力。Jupyter Notebook的交互式特性也鼓励用户在学习过程中进行实验和探索,这对于深入理解复杂概念至关重要。本资源的实践性设计使得它非常适合初学者在学习机器学习和数据分析的早期阶段使用,并为其后续的深入研究打下坚实的基础。
recommend-type

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本:卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学,2017年。英语。NNT:2017PA066480。电话:01803188HAL ID:电话:01803188https://theses.hal.science/tel-01803188提交日期:2018年HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院(巴黎)巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者:Ludovic DOS SAntos主管:Patrick GALLINARI联合主管:本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员:先生蒂埃里·A·退休记者先生尤尼斯·B·恩