ladatascience ladatascience

## freeze-parameters-pytorch.py
for params in model.parameters():
  params.requires_grad = False

 # Où model est un modèle que vous avez déjà pré-défini.

## one-optimizer-two-models-pytorch.py
import torch

parameters_list = list(model1.parameters()) + list(model2.parameters())
optimizer = torch.optim.Adam(params=parameters_list)

# Il suffit donc de concaténer les listes des paramètres des différents modèles que l'on veut optimiser.

## pretty-print-numbers.py
nombre = 123456789
print(f"Voici mon nombre : {nombre:,}")

# Ceci va afficher 123,456,789

## number-of-parameters-PyTorch.py
total_parameters = pytorch_total_params = sum(p.numel() for p in model.parameters())
print(f"Nombre de paramètres : {total_parameters:,}")

# model est un modèle que vous avez déjà défini à l'avance.

## fourier-transform.py
from scipy.fft import fft

y = fft(x) # x est un array numpy que vous avez défini au préalable.
y = y[:len(y)//2] # On coupe la réponse en deux, car la seconde moitié est en miroir avec la première, donc redondante.

## 1-channel-to-3-channels-pytorch.py
import torch

x = torch.cat([x, x, x], dim=1) # où x est votre tenseur initial.

## markdown-center-text.md

      
              1 file
            
          
              0 forks
            
          
                0 comments
              
            
              0 stars
            
          
                ladatascience
                / markdown-center-text.md
            
            
              Last active
              January 8, 2023 17:04
            
              
                Centrer du texte en Markdown. LIEN: https://ladatascience.fr/2023/01/08/centrer-son-texte-en-markdown/
              
          
    Texte centré

  
## frequency-column-dataframe.py
frequencies = df.value_counts(subset=column_name)

# df est une dataframe que vous avez pré-définie
# column_name est le nom de la colonne dont vous comptez les occurrences de chaque valeur
# frequencies est une dataframe qui indique le nombre d'occurrences des valeurs de column_name

# Pour accéder précisément au nombre d'occurrences d'une valeur de column_name, utiliser la ligne suivante:

value = df.value_counts(subset=column_name)[value_name]

## download-file.py
import requests

r = requests.get(url) # où url est votre lien.
with open(file_name, "wb") as file: # où file_name est le nom du fichier que vous voulez créer.
  file.write(r.content)

## variable-name.py
my_variable = 1 # on a une variable my_variable à laquelle on affecte une valeur quelconque, ici 1.
variable_name = f"{a=}"[:-2]

# variable_name est le nom de notre variable, en l'occurrence, il s'agit de la chaîne de caractères "my_variable".
	for params in model.parameters():
	params.requires_grad = False

	# Où model est un modèle que vous avez déjà pré-défini.
	import torch

	parameters_list = list(model1.parameters()) + list(model2.parameters())
	optimizer = torch.optim.Adam(params=parameters_list)

	# Il suffit donc de concaténer les listes des paramètres des différents modèles que l'on veut optimiser.
	nombre = 123456789
	print(f"Voici mon nombre : {nombre:,}")

	# Ceci va afficher 123,456,789
	total_parameters = pytorch_total_params = sum(p.numel() for p in model.parameters())
	print(f"Nombre de paramètres : {total_parameters:,}")

	# model est un modèle que vous avez déjà défini à l'avance.
	from scipy.fft import fft

	y = fft(x) # x est un array numpy que vous avez défini au préalable.
	y = y[:len(y)//2] # On coupe la réponse en deux, car la seconde moitié est en miroir avec la première, donc redondante.
	import torch

	x = torch.cat([x, x, x], dim=1) # où x est votre tenseur initial.
	frequencies = df.value_counts(subset=column_name)

	# df est une dataframe que vous avez pré-définie
	# column_name est le nom de la colonne dont vous comptez les occurrences de chaque valeur
	# frequencies est une dataframe qui indique le nombre d'occurrences des valeurs de column_name

	# Pour accéder précisément au nombre d'occurrences d'une valeur de column_name, utiliser la ligne suivante:

	value = df.value_counts(subset=column_name)[value_name]
	import requests

	r = requests.get(url) # où url est votre lien.
	with open(file_name, "wb") as file: # où file_name est le nom du fichier que vous voulez créer.
	file.write(r.content)
	my_variable = 1 # on a une variable my_variable à laquelle on affecte une valeur quelconque, ici 1.
	variable_name = f"{a=}"[:-2]

	# variable_name est le nom de notre variable, en l'occurrence, il s'agit de la chaîne de caractères "my_variable".