cumulative_mean = np.zeros()

`np.zeros()` requires an argument to specify the shape of the array. For example, if you want to create a 1D array of length 5 filled with zeros, you can use:

cumulative_mean = np.zeros(5)

If you want to create a 2D array with 3 rows and 4 columns filled with zeros, you can use:

cumulative_mean = np.zeros((3, 4))

The shape can be specified as a tuple or as separate arguments.

相关问题

def sample_probs(probs, temperature=1.0, top_p=0.85): sorted_probs = np.sort(probs)[::-1] cumulative_probs = np.cumsum(sorted_probs) cutoff = sorted_probs[np.argmax(cumulative_probs > top_p)] probs[probs < cutoff] = 0 probs = probs**(1/temperature) return np.random.choice(a=len(probs), p=probs/np.sum(probs))

这段代码定义了一个名为 `sample_probs` 的函数，用于根据概率分布进行采样。下面是对代码的逐行讲解：

1. `sorted_probs = np.sort(probs)[::-1]`: 这行代码将给定的概率数组 `probs` 进行排序，并且倒序排列。

2. `cumulative_probs = np.cumsum(sorted_probs)`: 这行代码计算了累积概率数组，即将排序后的概率数组进行累加。

3. `cutoff = sorted_probs[np.argmax(cumulative_probs > top_p)]`: 这行代码找到了累积概率超过给定阈值 `top_p` 的最大概率值，将其作为截断点。

4. `probs[probs < cutoff] = 0`: 这行代码将低于截断点的概率值置为0，剩下的概率值保持不变。

5. `probs = probs**(1/temperature)`: 这行代码将概率值按照给定的温度值进行指数变换。

6. `return np.random.choice(a=len(probs), p=probs/np.sum(probs))`: 这行代码使用经过处理后的概率分布进行采样，返回一个在0到`len(probs)`之间的整数值，作为采样结果。

总结来说，这个函数的作用是根据给定的概率分布进行采样。首先，将概率数组进行排序，并计算累积概率。然后，根据给定的阈值截断概率分布，将低于阈值的概率置为0。接着，根据给定的温度值对概率进行指数变换。最后，根据处理后的概率分布进行采样，返回一个整数值作为采样结果。

import cProfile import pstats def UtiFml(A): D=np.linalg.det(A)#calculer le déterminant def Min(A,i,j): #calculer le mineur de A(i,j) up=np.hstack((A[:i,:j],A[:i,j+1:])) lo=np.hstack((A[i+1:,:j],A[i+1:,j+1:])) N=np.vstack((up,lo)) return((-1)**(i+j))*np.linalg.det(N) def tComatrice(A): Comat=np.zeros((10,10)) tComat=np.zeros((10,10)) for i in range(10): for j in range(10): Comat[i,j]=Min(A,i,j)#obtenir la comatrice for i in range(10): for j in range(10): tComat[i,j]=Comat[j,i] #faire la transposition return tComat tComatrice=tComatrice(A) return(1/D*(tComatrice)) # 运行函数并记录 profile 数据 pr = cProfile.Profile() pr.enable() UtiFml(M) pr.disable() # 对 profile 数据进行统计和分析 stats = pstats.Stats(pr) stats.strip_dirs() stats.sort_stats('cumulative') stats.print_stats()这段代码我想修改一下，使它只要输出函数调用次数和所花时间就可以了，如何修改

你可以使用以下代码来输出函数的调用次数和所花时间：

import cProfile
import pstats

def UtiFml(A):
    D = np.linalg.det(A)
    def Min(A,i,j):
        up = np.hstack((A[:i,:j],A[:i,j+1:]))
        lo = np.hstack((A[i+1:,:j],A[i+1:,j+1:]))
        N = np.vstack((up,lo))
        return((-1)**(i+j))*np.linalg.det(N)
    def tComatrice(A):
        Comat = np.zeros((10,10))
        tComat = np.zeros((10,10))
        for i in range(10):
            for j in range(10):
                Comat[i,j] = Min(A,i,j)
        for i in range(10):
            for j in range(10):
                tComat[i,j] = Comat[j,i]
        return tComat
    tComatrice = tComatrice(A)
    return(1/D*(tComatrice))

pr = cProfile.Profile()
pr.enable()
UtiFml(M)
pr.disable()

# 输出函数调用次数和所花时间
pr.print_stats()

这样，你就可以只输出函数调用次数和所花时间了。