在此示例中,首先使用`plt.axes`获得轴。 一旦有了这些轴对象,就可以对其进行调整。 通过调用`set_xlim`,我可以将 x 范围设置为 -5 到 5,并通过设置`set_ylim`来将 y 范围设置为 0 到 1。您可以在下面的输出中看到,我的 x 值的范围是`-5`到`5`,并且 y 从 0 到 1。我还可以明确控制轴上刻度线的位置。 因此,在前面的代码中,我想让 x 刻度线位于`-5`,`-4`,`- 3`等位置,而 y 刻度线则使用`set_xticks()`和`set_yticks()`功能。 现在,我可以使用`arange`函数来更紧凑地执行此操作,但要点是您可以明确控制那些刻度线的确切位置,也可以跳过一些标记。 您可以按所需的增量或分布进行配置。 除此之外,这是一回事。
在此示例中,首先使用`plt.axes`获得轴。 一旦有了这些轴对象,就可以对其进行调整。 通过调用`set_xlim`,我可以将 x 范围设置为 -5 到 5,并通过设置`set_ylim`来将 y 范围设置为 0 到 1。您可以在下面的输出中看到,我的 x 值的范围是`-5`到`5`,并且 y 从 0 到 1。我还可以明确控制轴上刻度线的位置。 因此,在前面的代码中,我想让 x 刻度线位于`-5`,`-4`,`- 3`等位置,而 y 刻度线则使用`set_xticks()`和`set_yticks()`函数。 现在,我可以使用`arange`函数来更紧凑地执行此操作,但要点是您可以明确控制那些刻度线的确切位置,也可以跳过一些标记。 您可以按所需的增量或分布进行配置。 除此之外,这是一回事。
@@ -314,7 +314,7 @@ data = data.append(dataFrameFromDirectory(
如果您在这里玩耍,请确保修改传递给`dataFrameFromDirectory()`函数的路径以匹配您在系统中安装书籍资料的位置! 同样,如果您使用的是 Mac 或 Linux,请注意反斜杠和正斜杠以及所有其他内容。 在这种情况下,这没关系,但是如果您不在 Windows 上,则不会有驱动器号。 因此,只需确保这些路径实际上指向此示例的`spam`和`ham`文件夹所在的位置即可。
由于使用 Jupyter 时 Windows 中存在多处理问题,因此以下示例只能在 Linux 机器上运行,或者如果转换为脚本后只能在 Windows 机器上运行,[正如以下 Stack Overflow 答案所建议的那样](https://stackoverflow.com/questions/37103243/multiprocessing-pool-in-jupyter-notebook-works-on-linux-but-not-windows)。
为了缩短此类计算延迟,您可以通过创建`parallel_apply`函数来利用多处理程序包。 这样的函数将一个`DataFrame`,一个函数以及该函数的参数作为输入,并创建一个工作池(许多 Python 复制内存中,理想情况下每个线程都在系统的不同 CPU 上运行) 并行执行所需的转换:
为了缩短此类计算延迟,您可以通过创建`parallel_apply`函数来利用多处理包。 这样的函数将一个`DataFrame`,一个函数以及该函数的参数作为输入,并创建一个工作池(许多 Python 复制内存中,理想情况下每个线程都在系统的不同 CPU 上运行) 并行执行所需的转换:
*`ggplot`是流行的 R 库[`ggplot2`](https://ggplot2.tidyverse.org/)的端口,它基于 Leland Wilkinson 的书《图形语法》中提出的可视化语法。 R 库是不断开发的,它提供了很多功能; [Python 移植](http://ggplot.yhathq.com/)具有[基础知识](http://ggplot.yhathq.com/docs/index.html),[并且其完整的开发工作仍在进行中](https://github.com/yhat/ggpy)。
实际上,可以通过所谓的**迁移学习技术**来训练预训练的模型甚至识别全新的课程。 这项技术不在本书的讨论范围之内,[但是您可以从 Keras 的博客中的示例中了解它](https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html)。
实际上,可以通过所谓的**迁移学习技术**来训练预训练的模型甚至识别全新的类别。 这项技术不在本书的讨论范围之内,[但是您可以从 Keras 的博客中的示例中了解它](https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html)。