sor

TensorFlow2.0不支持tensor在GPU和CPU之间相互转移？（） A.TRUEB.FALSE正确答案：B

个人反而是比较推荐游戏显卡. 当然当张是比不上专业显卡如tesla系列, 但专业显卡常常是数倍的价格, 但速度并不是数倍, 因此不如多买几张游戏显卡, 比较有效.

1、解压tensor_toolbox_2.5.zip 2、将解压出来的文件夹tensor_toolbox_2.5拷贝到malab安装文件中的toolbox文件夹下，并将tensor_toolbox_2.5改名为tensor_toolbox 3、启动malab，在matlab窗口中中找到Current Folder，从根目录中找到tensor_tool.

from tensorflow.python import pywrap_tensorflowimport osmodel_dir = "your model directory"checkpoint_path = os.path.join(model_dir, "model.ckpt")reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)var_to_shape_map = reader.get_variable_to_shape_map()for key in var_to_shape_map:print("tensor_name: ", key)#print(reader.get_tensor(key)) # Remove this if you want to print only variable names

定义一个稀疏tensor。 将一个稀疏tensor转换成稠密tensor。 计算ctc_loss。 主要参数1：labels: int32 SparseTensor 是数据的真实标签，一般是先用sparse_placeholder()，然后在session中feed训练数据batch_y。batch_y为 SparseTensor 利用sparse_tuple_from(y)函数计算得到。 sparse_tuple_from(y)函数的输入是在train_y中随机选择大小为 batch_size 的数据，输出是一个(indices, values, shape)形式的三元组。 主要参数2：inputs:是三维 float Tensor .logits是网络向前传播inference计算的结果。形状为[max_time_step, batch_size, num_classes]这里的num_classes是中文字典的大小，及992个汉字加1个空白，所以num_classes=993。输入图像经过卷积之后的大小为[batch_size, 11, 1, 512]，max_time_step=512,是通道数，可以看作是512个图片特征序列。 主要参数3：sequence_length：一维 int32 向量【注意是向量，不是 Tensor ！！！】长度为batch_size（批处理大小）,值为max_len（ctc的最大输出长度，这个长度是自己定义的！合理即可！）的可以按照下面的方式定义。 占位符。在session中feed训练数据。

5月12日消息，今日凌晨，谷歌I/O2022开发者大会正式开幕。开发者大会上，谷歌接连发布了五款硬件新品，包括智能手机、智能手表、TWS耳机、平板电脑和一款概念AR眼镜。其中，谷歌Pixel平板电脑为娱乐用途设计，但需到2023年才会上市。这也是谷歌自2018年推出搭载Chrome操作系统的PixelSlate以来首次推出平板电脑。PixelSlate此前曾拥有后继机型，但谷歌随后表示将停止平板电脑的计划。在此之前，最后一款运行Android系统的谷歌平板电脑是2015年推出的PixelC。谷歌表示，计划让这款Pixel平板电脑成为“Pixel手机的完美伴侣”。此外，2023款Pixel平板电脑将与手机一样搭载GoogleTensor芯片。不过，谷歌并未透露这款平板电脑的价格。预告图显示，Pixel平板电脑正面采用白色边框，搭配后置单摄设计，谷歌G标识下方为四个白色触点，拥有灰白和绿灰两款配色。

原因之一是因为没有把tensor toolbox 的路径加到matlab工具包下将tensor包拷贝到matlab的安装文件下的toolbox文件目录下，然后在matlab中运行addpath D:/MATLAB/toolbox/tensor toolbox（中间的目录依个人而定） ，然后运行 help ‘tensor"，若成功则安装成功

无论怎样，都要相信自己前途无量

训练完一个模型后，为了以后重复使用，通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络，所要保存的就是神经网络中的各项权重值。建议可以使用Saver类保存和加载模型的结果。1、使用tf.train.Saver.save()方法保存模型sess: 用于保存变量操作的会话。save_path: String类型，用于指定训练结果的保存路径。global_step: 如果提供的话，这个数字会添加到save_path后面，用于构建checkpoint文件。这个参数有助于我们区分不同训练阶段的结果。2、使用tf.train.Saver.restore方法价值模型sess: 用于加载变量操作的会话。save_path: 同保存模型是用到的的save_path参数。下面通过一个代码演示这两个函数的使用方法假设保存变量的时候是checkpoint_filepath="models/train.ckpt"saver.save(session,checkpoint_filepath)则从文件读变量取值继续训练是saver.restore(session,checkpoint_filepath)

基本使用使用 TensorFlow, 你必须明白 TensorFlow:使用图 （graph） 来表示计算任务。在被称之为 会话 （Session） 的上下文 （context） 中执行图。使用 tensor 表示数据。通过 变量 （Variable） 维护状态。使用 feed 和 fetch 可以为任意的操作（arbitrary operation） 赋值或者从其中获取数据。综述TensorFlow 是一个编程系统， 使用图来表示计算任务。 图中的节点被称之为 op（operation 的缩写）。 一个 op 获得 0 个或多个 Tensor, 执行计算，产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组。例如， 你可以将一小组图像集表示为一个四维浮点数数组，这四个维度分别是 [batch, height, width, channels].一个 TensorFlow 图描述了计算的过程。 为了进行计算， 图必须在 会话 里被启动。会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上， 同时提供执行 op 的方法。这些方法执行后， 将产生的 tensor 返回。 在 Python 语言中， 返回的 tensor 是numpy ndarray 对象； 在 C 和 C++ 语言中， 返回的 tensor 是tensorflow::Tensor 实例。计算图TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。 在构建阶段， op 的执行步骤被描述成一个图。 在执行阶段， 使用会话执行执行图中的 op.例如， 通常在构建阶段创建一个图来表示和训练神经网络， 然后在执行阶段反复执行图中的训练 op.TensorFlow 支持 C, C++, Python 编程语言。 目前， TensorFlow 的 Python 库更加易用，它提供了大量的辅助函数来简化构建图的工作， 这些函数尚未被 C 和 C++ 库支持。三种语言的会话库 （session libraries） 是一致的。构建图构建图的第一步， 是创建源 op （source op）。 源 op 不需要任何输入， 例如 常量 （Constant）。 源 op 的输出被传递给其它 op 做运算。Python 库中， op 构造器的返回值代表被构造出的 op 的输出， 这些返回值可以传递给其它op 构造器作为输入。TensorFlow Python 库有一个默认图 （default graph）， op 构造器可以为其增加节点。 这个默认图对许多程序来说已经足够用了。 阅读 Graph 类 文档

不知道是什么开发语言，JAVA中可以如下：List转换为Array可以这样处理：ArrayListlist=newArrayList();String[]strings=newString[list.size()];list.toArray(strings);反过来，如果要将数组转成List怎么呢？如下：String[]s={"a","b","c"};Listlist=java.util.Arrays.asList(s);

[1] 【Pytorch | Tensorflow】--- label与one-hot独热编码向量之间的相互转换 [2] Pytorch中，将label变成one hot编码的两种方式 [3] Pytorch中，将label变成one hot编码的两种方式 [4] Pytorch 类别标签转换one-hot编码

用tf.train.saver方法保存和恢复参数，然后运行一下图不更新参数就好了

import tensorflow as tf# 创建一个常量op， 产生一个1x2矩阵，这个op被作为一个节点# 加到默认视图中# 构造器的返回值代表该常量op的返回值matrix1 = tr.constant([[3., 3.]])# 创建另一个常量op, 产生一个2x1的矩阵matrix2 = tr.constant([[2.], [2.]])# 创建一个矩阵乘法matmul op，把matrix1和matrix2作为输入：product = tf.matmul(matrix1, matrix2)

矢量用黑体；张量用简体

import tensorflow as tf# 创建一个常量op， 产生一个1x2矩阵，这个op被作为一个节点# 加到默认视图中# 构造器的返回值代表该常量op的返回值matrix1 = tr.constant([[3., 3.]])# 创建另一个常量op, 产生一个2x1的矩阵matrix2 = tr.constant([[2.], [2.]])# 创建一个矩阵乘法matmul op，把matrix1和matrix2作为输入：product = tf.matmul(matrix1, matrix2)

见图，简单明了

下列属性中TensorFlow2.0不支持创建tensor的方法是？（） A.zerosB.fillC.createD.constant正确答案：C

基本使用使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.综述TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op(operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.例如, 你可以将一小组图像集表示为一个四维浮点数数组,这四个维度分别是 [batch, height, width, channels].一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动.会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法.这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.计算图TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用,它提供了大量的辅助函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持.

眼看着市场上折叠屏手机越来越多，谷歌终于坐不住了。近日疑似谷歌折叠屏手机PixelFold被曝光，虽然说有就是好事，但这款手机的搭载的处理器却让人颇感意外。据悉，新款谷歌PixelFold折叠屏手机搭载的处理器参数与Pixel7系列上使用的TensorG2相同，TensorG2使用的是三星5nm制程工艺打造，在之前的曝光中，TensorG2的性能勉强与骁龙888持平，在游戏方面甚至只能对标骁龙870。PixelFold采用内外屏内折设计，内屏分辨率为1840*2208，尺寸为123mm*148mm，峰值亮度为1200尼特，平均亮度为800尼特，但不确定是否支持高刷新率。手机的后置影像模组与Pixel7系列保持统一风格，但并没有一直延伸到边缘，不过让人意外的是，手机共有两个9.5MP前置镜头。其他方面，PixelFold共有黑白两款，其定价为1799美元，约合12549.4元人民币，这个价和三星GalaxyFold4的定价一模一样。王者之心2点击试玩

蓝海大脑高性能计算液冷服务器事业部杨博士：并不是Tensor Core在HPC应用里面，因为精度的关系用不上就是浪费，不管是FP64的Tensor Core还是更低精度的Tensor Core，有一些是直接就可以用起来，像64位的矩阵乘，如果HPC应用里面有大量的double矩阵乘，直接就可以获得很好的加速，精度也不会有任何的影响。甚至很多的HPC任务里面，用更低的精度做一些前期的快速迭代，之前应该是有很多的研究的文章，并不是Tensor Core在HPC应用里才能用起来，其实有很多的应用。另外也不能简简单单的理解成把一个FP32的矩阵乘能用几个FP16或其他精度的一些矩阵乘去做替代，好像数值上也是不可行的，它并不是一个简单的等价关系，而是从很多的迭代算法里面，用一些更低精度，其实可以对于更高精度可以做一些数值上的逼近。

一、环境TensorFlow API r1.12CUDA 9.2 V9.2.148cudnn64_7.dllPython 3.6.3Windows 10二、官方说明1、tf.shape(tensor)参数：input：张量或稀疏张量name：可选参数，操作的名称out_type：可选参数，指定输出张量的数据类型（int32 或 int64），默认是 tf.int32返回：指定 out_type 数据类型的张量2、tensor.shape张量的形状属性返回一个表示该张量的形状 tf.TensorShape对于每个操作，通过注册在 Op 中的形状推断函数来计算该张量的形状，形状表示的更多信息请参考 tf.TensorShape

sess.run( tf.size(tensor) )

最近想用pytorch识别本地的图片库，于是打算用一个最基础的网络，没有用到Conv 由cv2读取本地图形方式为： 第一行选取图形目录，cv2.IMREAD_GRAYSCALE为转为灰度 第二行为转为tensor形式，可以进入计算 基础的网络如下： 这里还需要一个y来表示样本的种类。 目前困惑 ： 这里有个x，y的例子，但是x是每一行一个y对应，对于一个非向量的矩阵块，我还不明白怎么进行分类。 初步想法 ： 如果有大佬看到希望能给予小白指导orz

目前市面上的主流旗舰手机，无非是搭载了高通骁龙8Gen1芯片、天玑9000芯片、苹果A15仿生处理器、谷歌Tensor芯片，其中主流的旗舰手机搭载的骁龙8Gen1芯片和苹果A15仿生处理器这两款，并且深受消费者的欢迎。 而这四款芯片目前具备代表性的旗舰手机，分别为三星S22Ultra、红米K50Pro、iPhone13ProMax、谷歌Pixel6Pro，那么搭载这四款芯片的手机，在性能方面都有哪些差距呢，让我们一起来看下整个测试过程。 第一轮的测试环节，是在三星S22Ultra、红米K50Pro、iPhone13ProMax、谷歌Pixel6Pro这四部手机上，连续打开同样数量的软件，然后分别记录所耗费的时间。打开同样数量的软件，iPhone13ProMax耗费的时间最少，为1分35秒。第二名是三星S22Ultra，耗时为1分56秒。第三名是红米K50Pro，耗时为2分钟2秒。而谷歌Pixel6Pro排名第四，耗时为2分钟13秒。 在机身温度的表现方面，三星S22Ultra、红米K50Pro、iPhone13ProMax、谷歌Pixel6Pro的机身温度，分别为32 、33.6 、32.2 、32.3 ，三星S22Ultra的机身温度最低，红米K50Pro的机身温度最高。 第二轮测试环节是在三星S22Ultra、红米K50Pro、iPhone13ProMax、谷歌Pixel6Pro上运行软件的视频解码测试，这个测试环节也比较考验手机的性能表现。 从测试结果来看，视频解码速度最快的，是iPhone13ProMax，耗时20秒。视频解码排名第二的是三星S22Ultra，耗时30秒。视频解码速度排名第三的是红米K50Pro，耗时32秒。而视频解码速度垫底的是谷歌Pixel6Pro耗时36秒。 视频解码速度测试的结果和软件打开速度测试的结果基本上一致，这四部手机的排名在两个测试环节中也基本上一致。 第三个测试环节是运行软件解压缩测试，这四部手机对于软件解压缩的表现也完全不同。 软件解压缩排名第一的，依然是iPhone13ProMax，耗时为14秒。排名第二的是谷歌Pixel6Pro，耗时为19秒。第三名是三星S22Ultra，耗时为22秒。第四名则是红米K50Pro，耗时为25秒。 第三轮的测试结果发生了变化，谷歌Tensor处理器的表现跃居第二名，比第一轮和第二轮的测试环节表现都要出色。 最后一轮测试，是在三星S22Ultra、红米K50Pro、iPhone13ProMax、谷歌Pixel6Pro上运行GeekBench和安兔兔软件跑分。 GeekBench的跑分结果为，多核分别是3237分、4132分、4728分、2427分。安兔兔跑分测试结果为，904260分、961112分、813448分、589731分。 从两款不同的软件中的跑分可以看出来，这四部手机的跑分结果和排名也是完全不同，看样子这两款软件的侧重点也完全不同。 从多轮的测试结果来看，表现最好的依然是搭载苹果A15仿生处理器的iPhone13ProMax，除了安兔兔跑分的结果不高之外，在GeekBench的跑分和实际测试环节中的表现都非常优秀。所以如果预算充足的话，性能旗舰手机还是首选iPhone13ProMax，因为从使用体验上来看，iPhone13ProMax在多种测试环节中的表现是最好的，性能是最强的。

类型转换同上同上创建数组同上 stronglily: python numpy操作以及用pytorch在服务器训练模型中遇到的一些问题以及一些论文解释(conv-tasnet) scipy.signal的函数 Python保留两位...

在numpy里取矩阵数据非常方便，比如： 这样就把矩阵a中的1,3,5行取出来了。 如果是只取某一维中单个索引的数据可以直接写成 tensor[:, 2] , 但如果要提取的索引不连续的话，在tensorflow里面的用法就要用到tf.gather. tf.gather_nd允许在多维上进行索引: matrix中直接通过坐标取数（索引维度与tensor维度相同）: 取第二行和第一行: 3维tensor的结果: 另外还有tf.batch_gather的用法如下： tf.batch_gather(params, indices, name=None) Gather slices from params according to indices with leading batch dims. This operation assumes that the leading dimensions of indices are dense, and the gathers on the axis corresponding to the last dimension of indices . Therefore params should be a Tensor of shape [A1, ..., AN, B1, ..., BM], indices should be a Tensor of shape [A1, ..., AN-1, C] and result will be a Tensor of size [A1, ..., AN-1, C, B1, ..., BM] . 如果索引是一维的tensor，结果和 tf.gather 是一样的.

为 会话 (Session) 的上下文 (context) 中执行图. 使用 tensor 表示数据. 通过 变量 (Variable) 维护状

原因之一是因为没有把tensortoolbox的路径加到matlab工具包下将tensor包拷贝到matlab的安装文件下的toolbox文件目录下，然后在matlab中运行addpathD:/MATLAB/toolbox/tensortoolbox（中间的目录依个人而定），然后运行help‘tensor"，若成功则安装成功

local part2 = self.convModel:forward({linputs, rinputs})local length = part2:size(1)local file = io.open("/home/xbwang/Desktop/part2original","a")for j = 1,length donumber = part2[j]file:write(tostring(number).." ")end

进口的当然OK啦

使用反向传播法训练神经网络时，模型的参数依据损失函数与对应参数的梯度来调整，即： 自动微分 是机器学习工具包必备的工具，它可以自动计算整个计算图的微分。 PyTorch 内建了一个叫做 torch.autograd 的自动微分引擎，该引擎支持的数据类型为：浮点数Tensor类型 ( half, float, double and bfloat16) 和复数Tensor 类型(cfloat, cdouble) PyTorch 中与自动微分相关的常用的Tensor属性和函数： TensorFlow 通过 tf.GradientTape API来自动追踪和计算微分，GradientTape，翻译为微分带，Tape有点儿历史上磁带机的味道，即在Tape上记录下所有的计算和计算结果。 tf.GradientTape 在tf.Variable而非tf.Tensor上计算，因为在TensorFlow中，tf.Tensor为不可变对象，tf.Variable为可变对象；通常 用tf.Variable来存储模型参数 。 tf.Variable 有一个trainable属性，该属性tf.Tensor没有，类似PyTorch Tensor的requires_grad, 即告知自动微分引擎是否追踪该tf.Variable，并自动计算该tf.Variable的微分。 范例： 从上述可以看到，TensorFlow的自动微分实现方式与PyTorch大不相同，而且 没有把参数和参数的微信封装成一个对象，这点非常不User-Friendly，或者说封装的不好 ！ 为了方便实现模型，模型的参数，与模型参数的微分，TensorFlow又提供了另外一套机制： 模型的微分(Gradients with respect to a model) , 意思是：TensorFlow开发团队也知道了用tf.Variable实现模型参数，然后用tape.gradient()方法计算微分，tf.Variable和它对应的微分是分离的，是没有封装好的，这种方式对开发者不友好，所以，TensorFlow开发者团队对于构建模型的基础类： tf.Module 或者它的子类 ( layers.Layer , keras.Model )，提供了一个 Module.trainable_variables 的属性，该属性把模型参数都封装好了，使用起来比较方便。不过对应微分还是没封装，坚持自己的个性...对于我们开发者，还是选择遵循... 范例： 参考资料：

>>> arr[[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],[11, 12, 13, 14, 15, 16, 17, 18, 19, 20],[12, 13, 14, 15, 16, 17, 18, 19, 20, 21],[13, 14, 15, 16, 17, 18, 19, 20, 21, 22],[14, 15, 16, 17, 18, 19, 20, 21, 22, 23],[15, 16, 17, 18, 19, 20, 21, 22, 23, 24],[16, 17, 18, 19, 20, 21, 22, 23, 24, 25],[17, 18, 19, 20, 21, 22, 23, 24, 25, 26],[18, 19, 20, 21, 22, 23, 24, 25, 26, 27],[19, 20, 21, 22, 23, 24, 25, 26, 27, 28],[20, 21, 22, 23, 24, 25, 26, 27, 28, 29],[21, 22, 23, 24, 25, 26, 27, 28, 29, 30]]>>> l = [x[0] for x in arr]>>> l[10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21]>>>

知道thunder不错

谷歌手机的影像系统一直都是一大卖点，这次谷歌Pixel 7 Pro还可能搭载了一颗潜望式长焦镜头，其拍照能力或许值得我们期待。核心SoC上，

基本使用使用 TensorFlow, 你必须明白 TensorFlow:使用图 (graph) 来表示计算任务.在被称之为 会话 (Session) 的上下文 (context) 中执行图.使用 tensor 表示数据.通过 变量 (Variable) 维护状态.使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.综述TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op(operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.例如, 你可以将一小组图像集表示为一个四维浮点数数组,这四个维度分别是 [batch, height, width, channels].一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动.会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法.这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.计算图TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用,它提供了大量的辅助函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持.三种语言的会话库 (session libraries) 是一致的.构建图构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 常量 (Constant). 源 op 的输出被传递给其它 op 做运算.Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它op 构造器作为输入.TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对许多程序来说已经足够用了. 阅读 Graph 类 文档来了解如何管理多个图.import tensorflow as tf# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点# 加到默认图中.## 构造器的返回值代表该常量 op 的返回值.matrix1 = tf.constant([[3., 3.]])# 创建另外一个常量 op, 产生一个 2x1 矩阵.matrix2 = tf.constant([[2.],[2.]])# 创建一个矩阵乘法 matmul op , 把 "matrix1" 和 "matrix2" 作为输入.# 返回值 "product" 代表矩阵乘法的结果.product = tf.matmul(matrix1, matrix2)默认图现在有三个节点, 两个 constant() op, 和一个matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵乘法的结果, 你必须在会话里启动这个图.在一个会话中启动图构造阶段完成后, 才能启动图. 启动图的第一步是创建一个 Session 对象, 如果无任何创建参数,会话构造器将启动默认图.欲了解完整的会话 API, 请阅读Session 类.# 启动默认图.sess = tf.Session()# 调用 sess 的 "run()" 方法来执行矩阵乘法 op, 传入 "product" 作为该方法的参数. # 上面提到, "product" 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回# 矩阵乘法 op 的输出.## 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.# # 函数调用 "run(product)" 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.## 返回值 "result" 是一个 numpy `ndarray` 对象.result = sess.run(product)print result# ==> [[ 12.]]# 任务完成, 关闭会话.sess.close()Session 对象在使用完后需要关闭以释放资源. 除了显式调用 close 外, 也可以使用 "with" 代码块来自动完成关闭动作.with tf.Session() as sess: result = sess.run([product]) print result在实现上, TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU或 GPU). 一般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow会尽可能地利用找到的第一个 GPU 来执行操作.如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow使用这些 GPU, 你必须将 op 明确指派给它们执行. with...Device 语句用来指派特定的 CPU 或 GPU执行操作:with tf.Session() as sess: with tf.device("/gpu:1"): matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) ...设备用字符串进行标识. 目前支持的设备包括:"/cpu:0": 机器的 CPU."/gpu:0": 机器的第一个 GPU, 如果有的话."/gpu:1": 机器的第二个 GPU, 以此类推.阅读使用GPU章节, 了解 TensorFlow GPU 使用的更多信息.交互式使用文档中的 Python 示例使用一个会话 Session 来启动图, 并调用 Session.run() 方法执行操作.为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用InteractiveSession 代替Session 类, 使用 Tensor.eval()和 Operation.run() 方法代替Session.run(). 这样可以避免使用一个变量来持有会话.# 进入一个交互式 TensorFlow 会话.import tensorflow as tfsess = tf.InteractiveSession()x = tf.Variable([1.0, 2.0])a = tf.constant([3.0, 3.0])# 使用初始化器 initializer op 的 run() 方法初始化 "x" x.initializer.run()# 增加一个减法 sub op, 从 "x" 减去 "a". 运行减法 op, 输出结果 sub = tf.sub(x, a)print sub.eval()# ==> [-2. -1.]TensorTensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor.你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank, 和一个 shape. 想了解 TensorFlow 是如何处理这些概念的, 参见Rank, Shape, 和 Type.变量Variables for more details.变量维护图执行过程中的状态信息. 下面的例子演示了如何使用变量实现一个简单的计数器. 参见变量 章节了解更多细节.# 创建一个变量, 初始化为标量 0.state = tf.Variable(0, name="counter")# 创建一个 op, 其作用是使 state 增加 1one = tf.constant(1)new_value = tf.add(state, one)update = tf.assign(state, new_value)# 启动图后, 变量必须先经过`初始化` (init) op 初始化,# 首先必须增加一个`初始化` op 到图中.init_op = tf.initialize_all_variables()# 启动图, 运行 opwith tf.Session() as sess: # 运行 "init" op sess.run(init_op) # 打印 "state" 的初始值 print sess.run(state) # 运行 op, 更新 "state", 并打印 "state" for _ in range(3): sess.run(update) print sess.run(state)# 输出:# 0# 1# 2# 3代码中 assign() 操作是图所描绘的表达式的一部分, 正如 add() 操作一样. 所以在调用 run()执行表达式之前, 它并不会真正执行赋值操作.通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中.在训练过程中, 通过重复运行训练图, 更新这个 tensor.Fetch为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor,这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个tensor:input1 = tf.constant(3.0)input2 = tf.constant(2.0)input3 = tf.constant(5.0)intermed = tf.add(input2, input3)mul = tf.mul(input1, intermed)with tf.Session() as sess: result = sess.run([mul, intermed]) print result# 输出:# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。Feed上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor.feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为 run() 调用的参数.feed 只在调用它的方法内有效, 方法结束, feed 就会消失. 最常见的用例是将某些特殊的操作指定为 "feed" 操作,标记的方法是使用 tf.placeholder() 为这些操作创建占位符.input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32)output = tf.mul(input1, input2)with tf.Session() as sess: print sess.run([output], feed_dict={input1:[7.], input2:[2.]})# 输出:# [array([ 14.], dtype=float32)]for a larger-scale example of feeds.如果没有正确提供 feed, placeholder() 操作将会产生错误.MNIST 全连通 feed 教程(source code)给出了一个更大规模的使用 feed 的例子.

可以直接取tensor变量的一部分，但是不能给tensor变量赋值>>> import numpy as np>>> import theano>>> from theano.tensor.basic import as_tensor_variable>>> b=np.random.rand(4,2)>>> m=as_tensor_variable(b)>>> m[0][0]Subtensor{int64}.0>>> n=m[0][0] #取m的第一个值，n是Subtensor>>> nSubtensor{int64}.0>>> n.eval()array(0.3710058805503049)>>> m.eval()array([[ 0.37100588, 0.95565751],[ 0.86516759, 0.94976681],[ 0.09564244, 0.65019287],[ 0.59892358, 0.4180284 ]])>>> type(m)<class "theano.tensor.var.TensorConstant">>>> m[0][0]=0Traceback (most recent call last):File "<stdin>", line 1, in <module>TypeError: "TensorVariable" object does not support item assignment>>> m[0][0].eval()=0File "<stdin>", line 1SyntaxError: can"t assign to function call>>> n =m[1:3] #取m的第23行>>> n.eval()array([[ 0.86516759, 0.94976681],[ 0.09564244, 0.65019287]])

调试程序时候，有时候需要打印tensor的值的时候，直接print显示的是如下tensor的shape、dtype等信息 使用如下方法可打印tensor值 结果：

我们已经知道pytorch的tensor由“头信息区”和“storage”两部分组成，其中tensor的实际数据是以一维数组（storage）的方式存于某个连续的内存中的。。 view 从字面意思上就是“ 视图 ”的意思，就是将原tensor以某种排列方式展示给我们， view()不会改变原storage、也不会新建storage，只新建头信息区 。 本质上， view()返回的是针对一维storage的某种排列视图，并且这种视图只能是连续、等距切分storage再连续竖向叠加形成的视图，不能跳跃式切分 ，如下图例子。 注意：如果tensor是不连续的，则不能使用view()（ https://www.jianshu.com/p/51678ea7a959 ）。 我们知道，tensor不连续是不能使用 view() 方法的。 只有将不连续tensor转化为连续tensor（利用contiguous()， https://www.jianshu.com/p/51678ea7a959 ）后，才能使用view()。 reshape()正是先完成连续化，然后再进行view() 。 reshape() 和 view() 的区别： （1）当 tensor 满足连续性要求时，reshape() = view()，和原来 tensor 共用存储区； （2）当 tensor不满足连续性要求时，reshape() = **contiguous() + view()，会产生有新存储区的 tensor，与原来tensor 不共用存储区。 前面说到的 view()和reshape()都必须要用到全部的原始数据，比如你的原始数据只有12个，无论你怎么变形都必须要用到12个数字，不能多不能少。因此你就不能把只有12个数字的 tensor 强行 reshap 成 2×5 的。 但是 resize_() 可以做到，无论原始存储区有多少个数字，我都能变成你想要的维度，数字不够怎么办？随机产生凑！数字多了怎么办？就取我需要的部分！ 1.截取时： 会改变原tensor a，但不会改变storage（地址和值都不变），且a和b共用storage（这里是2638930351680 ）。 2.添加时：会改变原tensor a，且会改变storage（地址和值都变），但a和b还是共用storage（这里是2638924338752 ）。

Tensor 是 TensorFlow 中基础的计算单元，它包括以下四个主要组成部分： 当不知道某个维度的大小时， 可以用 None 代替， 表示 Unknown 实际使可能遇到的几种Shape 的情况 因为TensorFlow 是先定义， 后执行， 有些信息在运行 Computation Graph 的时候再运算， 所以会出现上述在定义时， 未知的情况。 参考文档： [1] Understanding Tensorflow"s tensors shape: static and dynamic, Paolo Galeone, 01/28/2018

可以利用in运算符来进行判断。如果在指定的序列中找到值返回True，否则返回False。运算符notin表示如果在指定的序列中没有找到值返回True，否则返回False。Python字典in操作符用于判断键是否存在于字典中，如果键在字典dict里返回true，否则返回false。此方法用于列表可以判断元素是否在列表中。

ValueError:only one element tensors can be converted to Python scalars问题解答 1.1 list 转 numpy ndarray = np.array(list) 1.2 numpy 转 list list = ndarray.tolist() 2.1 list 转 torch.Tensor tensor=torch.Tensor(list) 2.2 torch.Tensor 转 list 先转numpy，后转list list = tensor.numpy().tolist() 3.1 torch.Tensor 转 numpy ndarray = tensor.numpy() *gpu上的tensor不能直接转为numpy ndarray = tensor.cpu().numpy() 3.2 numpy 转 torch.Tensor tensor = torch.from_numpy(ndarray)

数据的预处理以及数据集的构建会经常使用到tensor的切分操作，现整理如下： 功能 ：输入数据与想要切分的块数 chunks ，将数据尽可能 (如果数据个数与块数能整除的话) 平均的切分为 chunks 块 注意 ：没有进行数据的拷贝 参数 Test Output 功能 ： 注意 ：没有对输入数据进行拷贝 参数 ： Test 1 输入整型数据 Output 1 Test 2 输入为整型序列 Output 功能 ：torch支持numpy中对数据的切片操作 Test Output 功能 ：删除tensor的一个维度，返回各个子块组成的 tuple 参数 ： Test Output 感谢你的阅读，如果文中存在错误，还请在评论区指出~

tensorg2芯片相当于骁龙888处理器。GoogleTensor芯片相当于骁龙888处理器，GoogleTensorG2芯片单核成绩是1068，多核成绩是3149，而骁龙888处理器Geekbench单核成绩在1100分左右。谷歌TensorG2处理器由两颗CortexX1超大核、两颗CortexA76大核和四颗CortexA55小核组成，基于三星4nm工艺制程打造，CPU性能仅仅提升了10％左右。GoogleTensorG2超大核CortexX1主频仅提升50MHz，达到2、85GHz，CortexA76大核提升100MHz，达到2、35GHz，其对手高通骁龙8＋CPU超大核主频达到了3、2GHz。谷歌自研Tensor处理器芯片由GooglePixel7Pro首发搭载，从GoogleTensorG2跑分来看，在今年安卓旗舰阵营中，谷歌Pixel7Pro性能属于垫底级别，相比上代没有太大提升。骁龙芯片特征：骁龙是QualcommTechnologies（美国高通）旗下移动处理器和LTE调制解调器的品牌名称。骁龙处理器具备高速的处理能力，可提供令人惊叹的逼真画面以及超长续航时间。随着产品系列不断丰富，可带来目前最先进的移动体验。2013年1月，QualcommTechnologies宣布为骁龙处理器引入全新命名方式和层级，包含骁龙800系列、骁龙600系列、骁龙400系列和骁龙200系列处理器。骁龙处理器是高度集成的移动优化系统级芯片（SoC），它结合了业内领先的3G/4G移动宽带技术与强大的多媒体功能、3D图形功能和GPS引擎，可为移动终端带来极高的处理速度、极低的功耗、逼真的多媒体和全面的连接性。以上内容参考：百度百科-骁龙

我们的目的是要用数学量来表示物理量，可是标量加上向量，都不足以表达所有的物理量，所以就需要扩大数学量的概念，张量就出现了。 几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。 张量的严格定义是利用线性映射来描述的。与矢量相类似，定义由若干坐标系改变时满足一定坐标转化关系的有序数组成的集合为张量。 从几何角度讲， 它是一个真正的几何量，也就是说，它是一个不随参照系的坐标变换（其实就是基向量变化）而变化的东西。最后结果就是基向量与对应基向量上的分量的组合（也就是张量）保持不变，比如一阶张量（向量） a 可表示为 a = x* i + y* j 。由于基向量可以有丰富的组合，张量可以表示非常丰富的物理量。 换一种定义方式 一个(p,q)型张量，就是一个映射： 啰嗦一下 如果一个物理量，在物体的某个位置上只是一个单值，那么就是普通的标量，比如密度。如果它在同一个位置、从不同的方向上看，有不同的值，而且这个数恰好可以用矩阵乘观察方向来算出来，就是张量。 张量积这种东西有很多种理解方式，在不同的语境下面会有不同的看法。但是如果拿来跟矩阵乘积比较的话，我觉得比较好的说法是，张量积是一种万有乘积，而矩阵乘法是一种具体化。 我们现在手里有很多矩阵，然后希望把两个矩阵乘起来。一开始肯定想不到怎么乘，但是可以猜一些乘积的最基本的性质，比如说要和数乘是匹配的，也要和加法匹配也就是分配律。不管这个乘积是什么，都应当有这些基本的性质。那么这个时候张量积就出现了，他代表了最广的乘积，也是最弱的乘积，就仅仅满足上面说的那些基本性质。正因为是最弱的，所以一切具体的乘积都可以看成是从张量积的结果具体化得到的，也就是可以看成是万有乘积，或者是一个包络的乘积。 在 数学 中， 张量积 ，记为 向量可以表示什么？ 比如，我们可以用一个平面的法向量代表这个平面；物理上可以用向量代表力等。看来，向量可以表示很多东西，不过仔细想想向量也只表示了幅度（magnitude）与方向（direction）两个要素而已。 一个向量有很多种表示方式，我们可以用[0, 1]表示一个二维向量，也可以用平面、三维或更高维空间中的一条带箭头的线表示一个向量。我们都是知道（0， 0） —> （1， 1）可表示一个从（0， 0）到（1， 1）的有向线段（向量），那么，为什么可以用[0, 1]表示一个向量呢？ 根据前面的讲解，我们知道一个向量就是空间中的一条有向线段，可以用一组坐标系的基和向量相应分量的乘积组合来表示。由于坐标系有很多种定义方式，基也就有很多种，对应的分量也会有很多种，但如果大家默认使用同一套基向量，那么基向量都不需要了，此时，想要表示一个向量，只要给定这三个分量即可，比如用0, 1表示一个向量，如果加上两个括号，这就是我们在书上经常看到的向量的列表示（0， 1），三维的有（1， 2， 1）。贴一个很有爱的图

在指定的维度dim上对序列seq进行连接操作。 参数： 例子： torch.Tensor.expand( sizes)* → Tensor 返回张量的一个新视图，可以将张量的单个维度扩大为更大的尺寸。 张量也可以扩大为更高维，新增加的维度将附在前面。 扩大张量不需要分配新内存，仅仅是新建一个张量的视图。任意一个一维张量在不分配新内存情况下都可以扩展为任意的维度。 传入-1则意味着维度扩大不涉及这个维度。 参数： 例子： torch.squeeze(input, dim=None, out=None) → Tensor 除去输入张量input中数值为1的维度，并返回新的张量。如果输入张量的形状为（ [图片上传失败...(image-786ec5-1580566115084)] ），那么输出张量的形状为（ [图片上传失败...(image-a0a179-1580566115084)] ）。 当通过dim参数指定维度时，维度压缩操作只会在指定的维度上进行。如果输入向量的形状为（ [图片上传失败...(image-1088a1-1580566115084)] ），squeeze(input, 0)会保持张量的维度不变，只有在执行squeeze(input, 1)时，输入张量的形状会被压缩至（ [图片上传失败...(image-759892-1580566115084)] ）。 如果一个张量只有1个维度，那么它不会受到上述方法的影响。 输出的张量与原张量共享内存，如果改变其中的一个，另一个也会改变。 参数: 例子： torch.Tensor.repeat( sizes)* 沿着指定的维度重复张量。不同于expand()方法，本函数复制的是张量中的数据。 参数： 例子： torch.Tensor.unfold(dim, size, step) → Tensor 返回一个新的张量，其中元素复制于有原张量在dim维度上的数据，复制重复size次，复制时的步进值为step。 参数： 例子： torch.Tensor.narrow(dimension, start, length) → Tensor 返回一个经过缩小后的张量。操作的维度由dimension指定。缩小范围是从start开始到start+length。执行本方法的张量与返回的张量共享相同的底层内存。 参数： 例子： torch.Tensor.view( args)* → Tensor 返回一个有相同数据但是不同形状的新的向量。 返回的装两必须与原张量有相同的数据和相同的元素个数，但是可以有不同的尺寸。 参数： 例子： torch.Tensor.resize_( sizes)* 将张量的尺寸调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。 如果元素个数比当前内存小，则底层存储不会被改变。原来张量中被保存下来的元素将保持不变，但新内存将不会被初始化。 参数： 例子： torch.Tensor.permute( dims)* 将执行本方法的张量的维度换位。 参数： 例子： torch.Tensor.element_size() → int 查看某类型张量单个元素的字节数。 例子：

tensor就是容纳推理框架中间数据的一个数据结构，常用的有关函数如下： 这其中第一个参数是tensor的维度信息，第二个参数是是否指定数据指针，第三个参数是数据在内存中的排布信息，如果是CAFFE证明是NCHW类型，如果是TENSORFLOW证明是NHWC类型，默认的类型是TENSORFLOW类型，这里经常会有一些坑，比如最终想要得到一个1 3 1024*1024的数据时候，如果没有指定是CAFFE类型的数据排布，而是使用默认的情况（TENSORFLOW），读出来的数据channel维度就在最后。 得到各种维度和长度： 得到shape向量和数据总数： 得到数据指针： Interpreter就是一个MNN的从模型得到的一个网络，有关Interpreter的tenosr操作，肯定就是涉及到输入的tesnor和输出的tensor的设置，由于可能在不同的设备上运行，因此可能有内存拷贝的操作。 获取Interpreter的输入tensor： 获取Interpreter的输出tensor： 将host的tensor数据拷贝给Interpreter的tensor 将Interpreter的tensor数据拷贝给host tensor

张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。张量之所以重要，在于它可以满足一切物理定律必须与坐标系的选择无关的特性。张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。张量的理论来源。亚瑟·凯莱（Arthur Cayley)着力研究的不变量理论（invariant theory)导致了矩阵理论的建立，引进了现代意义上的行列式的代数表达，这成为射影几何的重要工具。凯莱的不变量理论产生于19世纪前半叶的英国着重对代数及代数在几何方面的应用研究这样的背景下。矩阵理论对线性变换的研究引进了向量的代数定义，而这是张量概念的先导。

本文是对 官方文档 的学习笔记。 Tensor 的特点： 这是一个 0 阶 Tensor， 没有“轴” 一阶 Tensor 类似一个 List， 有一个“轴” 二阶 Tensor 类似一个 Matrix ， 有两个“轴” 高阶 Tensor, 这是个 3阶 Tensor ， shape 是 [3, 2, 5] 注意：shape 的规则，最内部的数据个数， 在最后边。 比如上例， 它的shape 是 [3, 2, 5]， 意思是最内部的数组（不再包含其他数组）所包含的元素是 5个， 次内部的数组，每个包含2个元素， 以此类推。 对于一般的 Tensor 来说 tf.Tensor （之前我们讨论的） 要求内部数据形状必须是矩形 （所有轴上的数据长度相等）， 但也有比较特殊的Tensor ， 支持不规则数据形状。 Tensor 支持常见的数学运算 关于 Tensor 的词汇 关于这一段， 原文里面大部分说的很抽象， 没啥指导意义。 倒是这张图， 还有其中的一句话比较有意义。 右边的数值，更加local ，而且在内存上距离更近。 比如上面图所示， 右边的feature 就表示一个sample 的中的feature ，他们之间距离更近。 TensorFlow index 规则： 把 [3,1] shape 转换成 Python list ： as_list reshape 是转换Tensor shape 的最简单的方式 reshape 以后， Tensor 对象会更新， 新的Tensor 还指向相同的数据（The data maintains its layout in memory and a new tensor is created, with the requested shape, pointing to the same data. ） 用： tf.reshape(some_tensor, [-1]) reshape 一般用于增加、减少一个维度。对于上面 3* 2 * 3 Tensor 的例子，减少维度的例子： 如下， 改变轴的顺序应该用 tf.transpose 有人称为是动态形状 Tensor 广播是从NumPy中的等效功能中借用的概念。简而言之，在某些情况下，在对它们进行组合操作时，较小的张量会自动“拉伸”以适合较大的张量。 最简单和最常见的情况是尝试将张量乘或加到标量时。在这种情况下，标量被广播为与其他自变量相同的形状。 在大多数情况下，广播既节省时间又节省空间，因为广播操作永远不会实现内存中扩展的张量。 注意， 这不和上面广播不一样， broadcast_to 产生的新 Tensor 并不会节约内存。 TF2 中很多函数都会要求参数是 Tensor ，如果参数不是 Tensor 则会调用 convert_to_tensor 来做转换。 有些类型， 比如 ndarray， TensorShape，Python list， tf.Variable 已经“注册”了， 他们可以自动转换成 Tensor。 对于自定义类型， 可以 tf.register_tensor_conversion_function 来注册转换函数。 沿某个轴具有可变数量元素的张量称为“Ragged Tensors”。使用 tf.ragged.RaggedTensor处理不整齐的数据。 例如 普通 Tensor 处理不了长短不一的情况 tf.string是dtype，也就是说您可以将数据表示为张量中的字符串（可变长度字节数组）。 这些字符串是原子的，无法像Python字符串那样被索引。字符串的长度不是张量的轴之一。有关操作它们的功能，请参见 tf.strings 。 在上面的打印输出中，b前缀表示tf.string dtype不是unicode字符串，而是字节字符串。有关在TensorFlow中处理Unicode文本的更多信息，请参见Unicode教程。 如果传递unicode字符，则它们是utf-8编码的。 可以在tf.strings中找到一些带有字符串的基本功能，包括tf.strings.split。 其他更多关于 String Tensor ，可以参考 string_tensors Sparse tensors 用来存储稀疏矩阵类型的数据。

A

把最近学习的liunx命令做一个总结，方便复习使用。 grep是 行 过滤工具，用于根据关键字进行 行过滤 1、语法： 2、常见选项： 3、常见的案例使用 cut是 列 截取工具，用于列的截取 1、语法 2、常见选项 3、常见的案例使用 关于sed命令的使用，大家可以搜索网上相关文章，这里只列举了部分我工作中常用的用法。 1、常见的案例使用 sort工具用于 排序 ，它将文件的每一行作为一个单位，从首字符向后，依次按ASCII码值进行比较，最后将他们按升序输出。 1、语法和选项 2、常见的案例使用 tee工具是从标准输入读取并写入到标准输出和文件，即：双向覆盖重定向（屏幕输出|文本输入） 1、常见的案例使用 diff工具用于逐行 比较文件的不同 注意：diff描述两个文件不同的方式是告诉我们怎样改变第一个文件之后与第二个文件匹配 1、语法 2、常用选项 paste工具用于 合并文件行 1、常用选项 2、常见的案例使用 tr用于字符转换，替换和删除；主要用于删除文件中控制字符或进行字符转换。 tr工具是一对一替换 ，是将匹配中的字符替换为另外一个字符。 1、常用选项 2、常见的案例使用 自己现在写文章越来越不用心了，总觉得太忙，要把所有时间用在学习上，多总结多写文章。

都是长音“奥”吧

frees英 [f"ri:z] 美 [f"ri:z]v.免除，释放( free的第三人称单数 )； 使…免除，使…释放，使…。。摆脱or英 [ɔ:(r)] 美 [ɔr]conj.或，或者； 还是； 不然，否则； 左右prep.<古、诗>在…之前，比…更早n.[纹章]黑金色、黑色

C 试题分析：考查独立主格结构。当分词做状语的时候，如果分词的逻辑主语不是句子的主语，就在分词前面直接加上分词的逻辑主语。本题现在分词permitting的逻辑主语是time，而不是句子的主语I；独立主格结构不是句子，但是它的作用就相当于一个句子。本题的Time permitting="If" time permits；句意：如果时间允许，在你离开日本之前我会安排你去见李教授的。故C正确点评：独立主格结构不是句子，但是它的作用就相当于一个句子。适用于：当分词做状语的时候，如果分词的逻辑主语不是句子的主语，就在分词前面直接加上分词的逻辑主语。

test and sorry for inconvenient对不方便的测试和抱歉inconvenient英[u02ccu026anku0259nu02c8vi:niu0259nt]美[u02ccu026anku0259nu02c8vinju0259nt]adj. 不便; 不方便的; 打扰人的，麻烦的;[网络] 不方便; 不便的; 不便利的;[例句]Can you come at 10.30? I know it"s inconvenient for you, but I must see you.你能10点半来吗？我知道你不方便，但是我必须见你。

一、详细释义： , 【惊叹词】（道歉时用）对不起，抱歉，不好意思 , 例句： ,Sorry I"m late!,对不起我迟到了！, 例句： ,Sorry to bother you, could I talk to you for a moment?,抱歉打扰了，我能跟你说几句话吗？, 【英】（请某人重复你没听清的话）你说什么，请再说一遍 , 例句： ,Sorry? Can you repeat your question?,抱歉？能重复一下你的问题吗？, 例句： ,Sorry? What did you say?,抱歉？你说什么？, （纠正自己说错的话）不对，应该是 , 例句： ,Barcelona will be hoping to bring the trophy back to Spain — sorry, Catalonia — for the first time.,巴塞罗那将有望首次把奖杯捧回西班牙——抱歉，是捧回加泰罗尼亚。, 例句： ,The meeting room is in the third floor, sorry, the fourth floor.,会议室在三楼，抱歉，是四楼。, adj. , 难过，惋惜，同情 , 例句： ,I"m sorry to hear that your father"s in hospital.,听说你父亲住院了，我很难过。, 例句： ,I am very sorry for the family.,我十分同情这家人。, 歉疚，惭愧，过意不去 , 例句： ,The criminal was sorry for what he had done.,罪犯对他所做过的事感到歉疚。, 例句： ,I"m awfully sorry about it. I assure you it won"t happen again.,对这事我很抱歉，我向你保证这种事不会再发生了。, 后悔，遗憾，不忍 , 例句： ,You"ll be sorry if you drop out of school now.,如果你现在辍学，你会后悔的。, 例句： ,Get back in there, or you"ll be sorry.,滚回那边去，否则你会后悔的。, 悲惨的，破败的，可怜的 , 例句： ,She is a sorry sight.,她的样子看上去糟透了。, 例句： ,His business is in a sorry state now.,他的公司现在糟透了。, feel sorry for oneself（为自己的遭遇等）感觉不幸，自我怜悯 , 例句： ,What he must not do is to sit around at home feeling sorry for himself.,他万万不可宅在家里自艾自怜。, 例句： ,Stop feeling sorry about yourself and think about others.,别老可怜兮兮的，也为别人想想。, （引出坏消息）很遗憾 , 例句： ,I"m sorry to tell you that you flunk math.,我只能很遗憾地告诉你， 你数学不及格。, 二、词义辨析： , miserable,wretched,unhappy,sorry ,这些形容词均含“不幸的”之意。miserable指因贫穷、不幸或屈辱等外部因素给人造成精神痛苦、烦恼或肉体折磨，令人同情和可怜。wretched多指由于疾病、担忧、忧伤等造成的不幸和痛苦，在外表上显得沮丧、可怜、失望，语气比miserable强。unhappy侧重指精神上的不快或失望。sorry常作礼貌用词，表遗憾、婉惜。也指说话人表示同情、悲哀等，感 *** 彩较强。, 三、参考例句： ,Sorry – sensible.,不好意思－敏感。,Sorry I"m late!,对不起我迟到了！,Sorry, I"m late.,对不起，我迟到了。,Sorry, Ms. Clark.,对不起，克拉克小姐。,Sorry to interrupt you.,对不起，打断一下。,I"m sorry, sir.,抱歉，先生。,Sorry for the inconvenience.,给您造成不便，我们深表歉意。,Sorry to disturb you.,抱歉打扰一下。,Sorry for interrupting.,对不起，打扰您了。,Sorry, Nono is out.,对不起，喏喏出去了。

难过的、惋惜的”sorry for+人,sorry about+物.

表达内疚的感情，意思是：抱歉宝贝。重点词汇：sorry。英［＇su0252ri］释义：adj.抱歉的，惭愧的，歉疚的；表示同情的，难过的；后悔的，懊悔的；可怜的，糟糕的。int.（用于表示歉意）对不起，抱歉；没听清，请再讲一遍；（纠正自己说错的话）不对，应该是。［比较级sorrier或more sorry；最高级：sorriest或most sorry］短语：I＇m sorry蔡卓妍；很抱歉；抱歉。词语辨析：miserable，wretched，unhappy，sorry。这些形容词均含“不幸的”之意。1、miserable指因贫穷、不幸或屈辱等外部因素给人造成精神痛苦、烦恼或肉体折磨，令人同情和可怜。2、wretched多指由于疾病、担忧、忧伤等造成的不幸和痛苦，在外表上显得沮丧、可怜、失望，语气比miserable强。3、unhappy侧重指精神上的不快或失望。4、sorry常作礼貌用词，表遗憾、婉惜；也指说话人表示同情、悲哀等，感情色彩较强。

It"s not matter

助教：tutor 讲师 lecturer 教授 professor 导师supervisor 博士生导师：doctoral supervisor或者是PHD supervisor

一、sorry不是动词。sorry是形容词“抱歉的，难过的”。二、truly是true的副词形式，意思是“真地，的确”。三、副词除了修饰动词外，还可以修饰形容词。句中truly修饰sorry，即truly sorry，其意思是“真地很难过”。四、类似副词修饰形容词的用法还有很多，如very tall，really beautiful等。五、句意:我听到这个坏消息，心里非常难过。加油！

professional 英[prə"feʃənl] 美[prəˈfɛʃənəl] .adj. 专业的;专业性的;职业的 n. 专业人士 名词复数:professionals [例句]That spouse tends to be a wealthy professional as well.而且，这样的配偶往往也是富有的专业人士。

应该是try doing吧!try doing是尝试去做什么,看看结果会怎么样! ;而try to do 是尝试去做什么,但不可能成功.sorry通常搭配,that,about(for), to do....

有时生活过于平和陷入麻木的寂静如同没有月光的黑暗一心使我坚强如此熟悉古老谎言的气息改变了我双眸的颜色不久他将给和平打上一个个的网眼哀伤弥漫了这个夜晚我将带着你的回忆离开希望只为永恒存在只为我感受到的完整的一秒钟当你飞掠过我的身体孤独地被遗弃，只余记忆的回音面对着那个令我窒息的老妖婆她比我的痛苦更加靠近他知道每一滴未曾掉落的泪不久他将给和平打上一个个的网眼哀伤弥漫了这个夜晚我将带着你的回忆离开希望只为永恒存在只为我感受到的完整的一秒钟当你飞掠过我的身体我们再次互吻歌唱着属于两人的谎言刀剑粉碎了这个难题因此我再不会被他圣洁的光芒蒙骗哀伤弥漫了这个夜晚我将带着你的回忆离开希望只为永恒存在只为我感受到的完整的一秒钟当你飞掠过我的身体消失在璀璨的群星欢乐即将到来

英语单词：scissors读音："Scissors" 的英式读音为 /u02c8su026azu0259z/，美式读音为 /u02c8su026azu0259rz/。释义：名词，剪刀（复数形式）。用法："Scissors" 是指一种用来剪断物体的工具，由两个交叉的刀片和一个手柄组成。它常用于剪纸、剪布、修剪等活动中。词形变化：复数形式：scissors词语搭配：1. A pair of scissors（一把剪刀）2. Use scissors（使用剪刀）3. Cut with scissors（用剪刀剪）4. Scissors sharpener（剪刀磨刀器）5. Scissors handle（剪刀柄）词义解析："Scissors" 指的是一种用来剪断物体的工具，通常由两个交叉的刀片和一个手柄组成。剪刀的使用广泛，常用于家庭、办公室、工作场所等各种情境中。双语例句：1. Can you pass me the scissors, please?请把剪刀递给我好吗？2. I need a pair of sharp scissors to cut this paper.我需要一把锋利的剪刀来剪这张纸。3. She is skilled at using scissors to create beautiful paper cuttings.她擅长用剪刀制作漂亮的剪纸。4. The tailor used the scissors to trim the fabric.裁缝用剪刀修剪面料。5. It"s important to handle the scissors with care to avoid accidents.使用剪刀时要小心操作，避免事故发生。

R u 硕

四大中advisory和consulting这两个词语的区别，advisory是指一个部门，一种大的业务类型，一种比较广泛、涵盖面比较大的咨询——如商务咨询和税务咨询（这两个部门）；consultancy是指单独一个engagement，这个engagement具体的工作是咨询类，对特定问题出具report或者memo，即，这个case，我们要做的是consultancy咨询类的，而不是compliance，不是M&A，也不是Due D。

可以理解成是申办方中有研究者，或者很懂这个试验的申办方中的人，可被作为sponsor-investigator!

investigator是调查的意思又investigator-sponsor相连，所以sponsor是名词sponsor 主办study研究

前者

在解释为“种类”时，4词可以交换使用。

kind n.（名词）A group of individuals linked by traits held in common. 同种，同类：因具有共同的特性而联系在一起的个体的集合A particular variety; a sort: 特定的种类；类别： What kind of soap do you like best?See Synonyms at type 你最喜欢哪一种肥皂?参见 typesort n.种类, 类别type n.（名词）A number of people or things having in common traits or characteristics that distinguish them as a group or class. 类型：一定数量的人或事物，具有把他们与一个集体或种类区分开的共同特征或特点The general character or structure held in common by a number of people or things considered as a group or class. 标志，特质：作为一个集体或种类的人或事物共同拥有的总体特征或结构A person or thing having the features of a group or class. 典型：拥有一个集体或种类特征的人或事物varietyn.The quality or condition of being various or varied; diversity. 多样化：多种多样或变化多端的性质或状况；多样性A number or collection of varied things, especially of a particular group; an assortment: （多种东西的）组和：许多不同东西或不同东西的集合，尤其是一个特殊群体的；一套物品： brought home a variety of snacks. 带回家许多种零食A group that is distinguished from other groups by a specific characteristic or set of characteristics. 种类：由于一种具体的特性或一组特性而区别于其它种群的一群

kind n.（名词） A group of individuals linked by traits held in common. 同种,同类：因具有共同的特性而联系在一起的个体的集合 A particular variety; a sort: 特定的种类；类别： What kind of soap do you like best?See Synonyms at type 你最喜欢哪一种肥皂?参见 type sort n.种类,类别 type n.（名词） A number of people or things having in common traits or characteristics that distinguish them as a group or class. 类型：一定数量的人或事物,具有把他们与一个集体或种类区分开的共同特征或特点 The general character or structure held in common by a number of people or things considered as a group or class. 标志,特质：作为一个集体或种类的人或事物共同拥有的总体特征或结构 A person or thing having the features of a group or class. 典型：拥有一个集体或种类特征的人或事物 variety n. The quality or condition of being various or varied; diversity. 多样化：多种多样或变化多端的性质或状况；多样性 A number or collection of varied things,especially of a particular group; an assortment: （多种东西的）组和：许多不同东西或不同东西的集合,尤其是一个特殊群体的；一套物品： brought home a variety of snacks. 带回家许多种零食 A group that is distinguished from other groups by a specific characteristic or set of characteristics. 种类：由于一种具体的特性或一组特性而区别于其它种群的一群

#include <iostream>#include <algorithm>#include <functional>#include <vector>using namespace std;class myclass { public: myclass(int a, int b):first(a), second(b){} int first; int second; bool operator < (const myclass &m)const { return first < m.first; }};bool less_second(const myclass & m1, const myclass & m2) { return m1.second < m2.second;}int main() { vector< myclass > vect; for(int i = 0 ; i < 10 ; i ++){ myclass my(10-i, i*3); vect.push_back(my); } for(int i = 0 ; i < vect.size(); i ++) cout<<"("<<vect[i].first<<","<<vect[i].second<<") "; sort(vect.begin(), vect.end()); cout<<"after sorted by first:"<<endl; for(int i = 0 ; i < vect.size(); i ++) cout<<"("<<vect[i].first<<","<<vect[i].second<<") "; cout<<"after sorted by second:"<<endl; sort(vect.begin(), vect.end(), less_second); for(int i = 0 ; i < vect.size(); i ++) cout<<"("<<vect[i].first<<","<<vect[i].second<<") "; return 0 ;}

如下就实现了降序算法：bool Comp(const int &a, const int &b){ return a > b ;}void main(){ vector v ; for (i = 0 ; i < 10 ; i++) { v.push_back(i) ; } sort(v.begin(), v.end(), Comp) ;}

张量积(tensorproduct)，可以应用于不同的上下文中如向量、矩阵、张量、向量空间、代数、拓扑向量空间和模。在各种情况下这个符号的意义是同样的:最一般的双线性运算。在某些上下文中也叫做外积。tensor是矩阵分析里面的张量，表示高维数组，或者叫多路数据。二阶张量就是矩阵，一阶张量就是向量。高阶SVD相对于矩阵SVD更能提取出高维数据的内在结构。Vector类在java中可以实现自动增长的对象数组;vector在C++标准模板库中的部分内容，它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。(1)矢量：具有方向性的量。(2)编程语言方面：vector是C++标准模板库中的部分内容，中文偶尔译作“容器”，但并不准确。它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。vector之所以被认为是一个容器，是因为它能够像容器一样存放各种类型的对象，简单地说，vector是一个能够存放任意类型的动态数组，能够增加和压缩数据。

张量积(tensor product) ，可以应用于不同的上下文中如向量、矩阵、张量、向量空间、代数、拓扑向量空间和模。在各种情况下这个符号的意义是同样的: 最一般的双线性运算。在某些上下文中也叫做外积。tensor是矩阵分析里面的张量，表示高维数组，或者叫多路数据。二阶张量就是矩阵，一阶张量就是向量。高阶SVD相对于矩阵SVD更能提取出高维数据的内在结构。 Vector 类在 java 中可以实现自动增长的对象数组; vector在C++标准模板库中的部分内容，它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。 (1) 矢量：具有方向性的量。 (2) 编程语言方面：vector是C++标准模板库中的部分内容，中文偶尔译作“容器”，但并不准确。它是一个多功能的，能够操作多种数据结构和算法的模板类和函数库。vector之所以被认为是一个容器，是因为它能够像容器一样存放各种类型的对象，简单地说，vector是一个能够存放任意类型的动态数组，能够增加和压缩数据。

1、空号： 中文：您好!您所拨打的号码是空号，请核对后再拨。 英文：Sorry! The number you dialed does not exist, please check it and dial later. 2、被叫用户关机： 中文：您好!您所拨打的电话已关机。 英文：Sorry! The subscriber you dialed is power off. 3、被叫不在服务区： 中文：对不起!您拨打的用户暂时无法接通，请稍后再拨。 英文：Sorry!The subscriber you dialed can not be connected for the moment, please redial later. 4、主叫欠费停机/单向停机 中文：对不起!您的电话已欠费，请您续交话费，谢谢! 英文：Sorry, your telephone charge is overdue, please renew it, thank you! 5、用户申请临时停机/其他原因暂时停机： 中文：对不起!您的电话已停机。详情请垂询"1860"。 英文：Sorry! Your telephone service is suspended, for more information, please dial "1860". 6、被叫停机： 中文：对不起!您拨打的电话已停机。 英文：Sorry! The number you dialed is out of service. 7、被叫忙： （1）被叫用户登记了呼叫等待功能 中文：您好!请不要挂机，您拨打的电话正在通话中。 英文：Sorry! Please hold on，the subscriber you dialed is busy now,. （2）被叫用户未登记呼叫等待功能 中文：您好!您拨打的电话正在通话中，请稍后再拨。 英文：Sorry! The subscriber you dialed is busy now, please redial later. 8、中继忙/网络忙： 中文：对不起!您拨打的用户暂时无法接通，请稍后再拨。 英文：Sorry!The subscriber you dialed can not be connected for the moment, please redial later. 9、被叫用户设置了呼入限制： 中文：对不起!您拨打的用户已设置呼入限制. 英文：Sorry! The subscriber you dialed has set barring of incoming calls. 10、 国际长权限制： 中文：您好!您的电话尚未登记国际长途业务，请办理登记手续。详情请垂询"1860"。 英文：Sorry! You have not applied for IDD service, please make registrations. For more information, please dial "1860". 11、GSM手机拨GSM手机加"0"： 中文： 请直接拨打对方手机号码，无需加"0"。 英文：Sorry! Please dial mobile phone number directly, no need to dial "0". 12、 固定网拨本地GSM手机加"0"： 中文：请直接拨打对方手机号码，无需加"0"。 英文：Sorry! Please dial mobile phone number directly, no need to dial "0". 13、 拨号未加长途区号： 中文：您好!请在号码前加拨长途区号。 英文：Sorry! Please dial area code before the number you dialed. 14、112紧急呼叫： 中文：您好!匪警请拨110，火警请拨119，急救中心请拨120，交通故障请拨122，市话障碍请在112前加拨长途区号。 英文：Hello! Please dial 110 for police, 119 for fire, 120 for ambulance，122 for traffic accident and dial area code before 112 for fixed-phone obstacle. 15、其它运营商方向线路故障： 中文：对不起!对方网络暂时无法接通，请稍后再拨。 英文：Sorry! The other operator"s network can not be connected for the moment, please redial later. 16、长权限制/非法主叫: 中文：对不起!您的电话尚未申请此项服务。详情请垂询"1860"。 英文：Sorry! You have not applied for this service, please dial "1860" for more information. 17、被叫久叫不应 中文：对不起，您拨打的电话暂时无人接听，请稍后再拨。 英文：Sorry! The phone you dialed is not be answered for the moment, please redial later

对不起我们不能登录你的flickr

空气净化器