λ ΈνΈλΆμμ νμ νλ‘μΈμ€κ° μ€νλ λ λ¬Έμ κ° λ°μνλ©΄ 컀λμ΄ μ κΈ°κ² λ©λλ€. λ©λ΄μμ 컀λ/μΈν°λ½νΈλ₯Ό μ ννλ©΄ νμ νλ‘μΈμ€κ° μ’ λ£λμ§ μκ³ μ»€λμ΄ λ€λ₯Έ μ μ΄ μ€νλμ§ μλ λΆμμ ν "λΆλΆμ μΌλ‘ μ κΈ΄" μνκ° λ©λλ€. μ μΌν ν΄κ²° λ°©λ²μ 컀λμ λ€μ μμνλ κ²μ λλ€.
μ΄κ²μ Windowsμμ λ°μνμ΅λλ€. Unixμμλ λ°μνλμ§ λͺ¨λ₯΄κ² μ΅λλ€.
μμ°νκΈ° μν΄ λ ΈνΈλΆμ μμνκ³ μ μ !pythonμ μ λ ₯ν©λλ€. λνμ μ λ ₯μ κΈ°λ€λ¦¬λ λμ νλ‘μΈμ€κ° μ κΉλλ€. ν΄λΉ μ λ ₯μ μ 곡ν λ°©λ²μ΄ μμΌλ―λ‘ κ³μνλ €λ©΄ 컀λμ λ€μ μμν΄μΌ ν©λλ€.
#514μ μ€λ³΅
κ³ λ§μ, λλ μ€λ³΅μ λ°κ²¬νμ§ λͺ»νμ΅λλ€. t#514λ μ€μ λ‘ νμ νλ‘μΈμ€μ μνΈ μμ©νλ ν¨μ¬ λ 볡μ‘ν μλ리μ€μ λν΄ λ
Όμνκ³ μμ΅λλ€(κ·Έλ¦¬κ³ pty μ€νμΌ μνΈ μμ©μ κ΄ν κ²μ΄κΈ° λλ¬Έμ Unix κΈ°λ°μΌλ‘ 보μ
λλ€). λ΄ μꡬ μ¬νμ λ°λ₯΄λ©΄ λΆλν νμ νλ‘μΈμ€λ₯Ό μ£½μ΄λ κ°λ¨ν λ°©λ²μ΄ μμ΅λλ€. !sleep 50000
μ κ°μ κ°λ¨ν κ²μ κ³ λ €νμμμ€. μ¬κΈ°μ μ μ μ£½μ΄λ κ²λ§μΌλ‘λ μΆ©λΆν©λλ€. (μ λμ€μμλ Ctrl-Cκ° μλνμ§λ§ Windowsμμλ μλνμ§ μμ μ μμ΅λλ€.)
μ£μ‘ν©λλ€. μ΄μ λ¬΄μ¨ λ§μμ΄μ μ§ μκ² μ΅λλ€. λ³λμ λ¬Έμ λ‘ λ€μ μ΄κΈ° - Windowsμμ νμ νλ‘μΈμ€λ₯Ό λ°©ν΄νμ§ μλ μΈν°λ½νΈ.
μ΄κ²μ΄ νμ νλ‘μΈμ€λ‘ μ νλλμ§ νμ€νμ§ μμ΅λλ€. input()
λλ raw_input()
λ₯Ό μ€νν λ€μ μΈν°λ½νΈ λ²νΌμ ν΄λ¦ν΄ 보μμμ€. 컀λμ΄ λ©μΆκ³ λ€μ μμν΄μΌ ν©λλ€.
@arijun μ λ¬΄μ¨ OSμΈκ°μ? μ λ ₯μ μ€λ¨νκ³ raw_inputμ μ¬κΈ°μ KeyboardInterruptλ₯Ό λ°μμν΅λλ€(OS X).
μ£μ‘ν©λλ€, μλμ°μ¦. κ·Έκ²μ΄ Windowsμμλ λ°μνκΈ° λλ¬Έμ @pfmoore κ° κ°μ§ λμΌν λ¬Έμ μΌ κ°λ₯μ±μ΄ μλ€κ³ μκ°ν μ΄μ μ λλ€.
μ, μ μ₯. λλ κ·Έ λ²κ·Έκ° 무μμΈμ§ μλλ€. zmq μμΌμμ ν΄λ§νλ λμ μΈν°λ½νΈλ₯Ό μ λλ‘ μ²λ¦¬νμ§ λͺ»νκ² νλ libzmq(λλ pyzmq) λ²κ·ΈλΌκ³ μκ°ν©λλ€. IPythonμλ μ무κ²λ μμ΅λλ€. _νμ¨μ μ¬λ€_
λ°©κΈ μ΄κ²μ λ¬Όλ¦° κ² κ°μμ 컀λμ λ€μ μμν΄μΌ ν©λλ€. μ¦, λ§μ λ°μ΄ν°κ° μμ€λμλ€λ μλ―Έμ λλ€...
pdb
λ₯Ό μ¬μ©νμ¬ ν¨μλ₯Ό λλ²κ·Ένμ΅λλ€. pdb
λ₯Ό λ¨Όμ μ’
λ£νμ§ μκ³ μ
μ λ€μ μ€ννλλ° μ΄μ μ무 κ²λ μ€λ¨ν μ μμ΅λλ€.
μ΄κ²μ μ¬ννλ μ΅μνμ μλ λ€μκ³Ό κ°μ΅λλ€.
def test():
import pdb; pdb.set_trace() # XXX BREAKPOINT
return 0
test()
μ΄ μ μ μ°μμΌλ‘ λ λ² μ€νν©λλ€.
μ΄ λμΌν λ¬Έμ λ Unixμμλ λ¨μ΄ λ λ¨μ΄λ‘ λμκ² λ°μν©λλ€.
"μλΈνλ‘μΈμ€κ° λ ΈνΈλΆμμ μ€νλ λ, κ·Έκ²μ΄ λ©μΆλ©΄ 컀λμ κ·Έκ²μ κΈ°λ€λ¦¬λ©΄μ μ κΈΈ κ²μ λλ€. λ©λ΄μμ 컀λ/μΈν°λ½νΈλ₯Ό μ ννλ©΄ μλΈνλ‘μΈμ€κ° μ’ λ£λμ§ μκ³ μ€νλ € 컀λμ΄ λΆμμ ν "λΆλΆμ μΌλ‘ μ κΈ΄" μνλ‘ λ¨μ΅λλ€. , λ€λ₯Έ μ μ μ€νλμ§ μμ΅λλ€. μ μΌν ν΄κ²° λ°©λ²μ 컀λμ λ€μ μμνλ κ²μ λλ€."
pdb μ€λ¨μ μ’μ μ, wmaynerμ κ°μ¬λ립λλ€. κ·Έλ¬λ pdbκ° νμ νλ‘μΈμ€μμ μ€νλμ§ μκΈ° λλ¬Έμ pdbμ λν λ³λμ λ¬Έμ λ₯Ό μ΄μμ΅λλ€. #10516
μ€μλ‘ κ±°λν numpy λ°°μ΄μ μΈμνλ€κ³ κ°μ ν΄ λ΄ μλ€. λ무 λ§μ λ°μ΄ν°λ₯Ό μΈμνλ©΄ 컀λμ΄ μμ ν μλ΅νμ§ μκ³ μ’ λ£ν μ μμ΅λλ€.
μ΄ λ¬Έμ μ λν ν΄κ²°μ± μ΄ μμ§ λ°κ²¬λμ§ μμμ΅λκΉ? λ°©κΈ μλ£νλ λ° 14μκ°μ΄ μμλ κΈ°κ³ νμ΅ λͺ¨λΈμ μ€ννλλ° μ΄μ 컀λμ΄ μ€λ¨λμ΄ μ μ μ€ννμ§ μμ΅λλ€. λ€μ μμνλ©΄ 14μκ° λμ λͺ¨λΈμ λ€μ μ€νν΄μΌ ν©λλ€. κ·Έλμ μ΄λ€ ν΄κ²°μ± μ΄ μμ΅λκΉ?
μλνμ§λ μμμ§λ§ λμμ΄ λ μ μλ κ² κ°μ΅λλ€. http://jupyter-contrib-nbextensions.readthedocs.io/en/latest/nbextensions/limit_output/readme.html
νΉμ νμ νλ‘μΈμ€κ° λ©μΆ κ²½μ° μμ κ΄λ¦¬μμμ ν΄λΉ νμ νλ‘μΈμ€λ₯Ό μ°Ύμ κ°μ μ’ λ£ν μ μμ΅λλ€. 컀λμ΄ κ³μλκΈ°λ₯Ό λ°λλλ€.
μλμ, λ¬Έμ λ 컀λμ΄ μΉ μλ²μ μ€νΈμ λ³΄λ΄ μ£½κ² λ§λλ κ²μ λλ€. μΉ μλ²λ₯Ό μ£½μ΄λ©΄ 컀λμ΄ μ£½λλ€
λλ μ€λ¨ λ λ
ΈνΈλΆλ λ€λ£¨κ³ μμ΅λλ€. μΈν°λ½νΈ, λ€μ μμ, λ€μ μ°κ²° - κ·Έλ€ μ€ λꡬλ μ무 κ²λνμ§ μμ΅λλ€. [*]
νμκΈ°λ λ§μΉ μ€ν λκΈ° μ€μΈ κ²μ²λΌ μ
μμ λ¨μ μμ§λ§ μ
μ΄ μ€νλμ§λ μμ΅λλ€.
λ€μμ ν¬ν¨νλ μ μ μ€νν ν λμμ΄ μμλμμ΅λλ€.
filedir = "20161214_rooftest"
!ls -RC $filedir
λ€λ₯Έ κ³³μμ μ±κ³΅μ μΌλ‘ μ€νλλ μ μ¬ν μΈν¬κ° μκΈ° λλ¬Έμ μ΄μν©λλ€. ls
κ° μ΄λ»κ²/λ§μΌ μ μλμ§ νμ€νμ§ μμ§λ§ κ·Έλ μ§ μμΌλ©΄ λ΄ μν©μ΄ μ΄ λ¬Έμ μ μΌμΉνλ κ² κ°μ΅λλ€.
μ΄μ λν ν΄κ²°μ±
μ΄ μμ΅λκΉ? 컀λμ μ€λ¨λ μ μμ΅λλ€.
λλ₯Ό μν΄ κ·Έκ²μ sklearnμ GridSearchCVμμ μΌμ΄λκ³ μμ΅λλ€.
μμ κ΄λ¦¬μμ conda.exeλΌλ νλ‘μΈμ€κ° μμμ΅λλ€. λλ κ·Έ νλ‘μΈμ€λ₯Ό μ£½μκ³ μ±κ³΅μ μΌλ‘ 컀λμ μΈν°λ½νΈν μ μμλ€
μΈν°λ½νΈκ° μ¬μ ν λμ΄μ‘μ΅λλ€. λ§€λ² κ°μ Έμ€κΈ°λ₯Ό λ€μ μμνκ³ λ€μ λ‘λν΄μΌ ν©λλ€.
python 3.7 컀λμ jupyter labμμ λμΌν λ¬Έμ
Jupyter Notebookμμ λμΌν λ¬Έμ κ° λ°μνκ³ μμ κ΄λ¦¬μμμ conda.exeλΌλ νλ‘μΈμ€λ₯Ό μ°Ύμ μ μμ΅λλ€. μ루μ μ λν μ λ°μ΄νΈκ° μμ§ μμ΅λκΉ?
μ루μ
μ΄ μλ
λλλ‘ μ»€λμ λ€μ μ°κ²°νλ €κ³ νλ©΄ μ΄ κ²½μ°μ λμμ΄ λ©λλ€.
λμΌν κ΄μ°°, Windows 10μμ
λꡬλ μ§ κ·Έκ²μ μ±κ³΅ νμ΅λκΉ? λ μ μ λ―Έμ³κ°κ³ μμ΄
μμ κ΄λ¦¬μμ conda.exeλΌλ νλ‘μΈμ€κ° μμμ΅λλ€. λλ κ·Έ νλ‘μΈμ€λ₯Ό μ£½μκ³ μ±κ³΅μ μΌλ‘ 컀λμ μΈν°λ½νΈν μ μμλ€
@ahmedrao μ΄λ»κ²????
μ΄ λ¬Έμ λ 6λ λμ μ‘΄μ¬νμ§λ§ μ¬μ ν ν΄κ²°μ± μ΄ μμ΅λλ€.
μ΄ λ¬Έμ λ 6λ λμ μ‘΄μ¬νμ§λ§ μ¬μ ν ν΄κ²°μ± μ΄ μμ΅λλ€.
μ루μ μμ΄ 6λ , 컀λμ λ€μ μμνκΈ°λ§ νλ©΄ λ©λλ€.
λμΌν λ¬Έμ κ° μ μ λ μμ£Ό λ°μνμ¬ κ±°μ λ ΈνΈλΆμ μ¬μ©ν μ μκ² λλ μ§κ²½μ μ΄λ₯΄λ μ΅λλ€. μ΄λ μ λ§ λΆλλ¬μ΄ μΌμ λλ€. Anaconda 3.7μμ μ μ λ³νμ ν¨κ» 맀λ¬λ € μμΌλ©° 컀λμ μ€λ¨ν μ μμ΅λλ€.
κ°μ λ¬Έμ λ‘ νμ
νΉν dbg λ° μ
λ ₯μμ νμ μ΄ λ¬Έμ κ° λ°μνμ΅λλ€.
μλμ° 10; λ
ΈνΈλΆ μλ² 5.7.8; νμ΄μ¬ 3.6.6.; μ½λ€ 4.7.5
κΈ°λ³Έμ μΌλ‘ λ
ΈνΈλΆμ μμ μ μΌλ‘ λλ²κ·Έν μ μλ€λ κ²μ λ°°μ μ΅λλ€.
λ€, λ¬Έμ λ μ¬μ ν μ‘΄μ¬ν©λλ€. μ΄κ±Έ 극볡ν λ°©λ²μ΄ μμκΉμ?? λ΄ λ ΈνΈλΆμ λ€μ μ€ννκ³ μΆμ§ μμ΅λλ€. λ΄κ° μλ μμΉμ λλ¬νλ λ° λ무 μ€λ 걸리기 λλ¬Έμ λλ€!!
μλ‘!
μ΄ λ¬Έμ λ pdbλ₯Ό μ¬μ©νκ³ μ
μ λ€μ μ€ννκΈ° μ μ μ’
λ£νλ κ²μ μμμ λλ§λ€ μλ
λμ μ μκ² κ³ ν΅μ΄μμ΅λλ€.
μ λ BountySourceμμ νμκΈμ λ§λ€μμ΅λλ€. μ°λ¦¬κ° μΆ©λΆν λμ λͺ¨μ μ μλ€λ©΄ μλ§λ μ΄κ²μ λ§μΉ¨λ΄ ν΄κ²°λ κ²μ
λλ€.
https://www.bountysource.com/issues/44958889-hang-after-running-pdb-in-a-cell-kernel-interrupt-doesn-t-help
νΉν Windowsμμ νλ‘μΈμ€ λ¬Έμ μ κ²½μ° λ€μκ³Ό κ°μ μ΄λ‘ μ΄ μμ΅λλ€(μμ§ ν μ€νΈλμ§ μμ).
subprocess.Popen
κ°μ²΄μμ p.wait()
λ₯Ό νΈμΆνλ _system_body
λ₯Ό νΈμΆνλ IPython.utils._process_win32.system
λ₯Ό ν΅ν΄ μ€νλ©λλ€.subprocess.Popen.wait()
μλ μ€λ¨ν μ μλ μλ €μ§ λ¬Έμ κ° μμ΅λλ€. https://bugs.python.org/issue28168κ·Έκ²μ΄ μμΈμ΄λΌλ©΄ 100ms μ λλ§λ€ λ°μ 루νμΌλ‘ μ ννλ©΄ μΈν°λ½νΈκ° κ°λ₯νκ±°λ κ·Έλ μ§ μμ κ²½μ° ν¨μΉμμ μ κ·Ό λ°©μμ μ·¨ν©λλ€.
@Carreauλ κ°μ¬ν©λλ€!
@Carreauλ κ°μ¬ν©λλ€! μ΄κ²μ΄ μΈμ μΌλ° 릴리μ€μ λ€μ΄κ° κ²μ΄λ©° μΈν°λ½νΈ 컀λ λ²νΌμ μ±κ³΅μ μΌλ‘ μ¬μ©ν μ μλ€λ κ²μ μλ―Έν©λκΉ?
λλ λ΄μΌ 7.13μ ν κ² κ°λ€. μΈν°λ½νΈ λ²νΌμ μμ ν μ μμ΅λλ€.
μλ
νμΈμ @Carreau
μ§ν μ€μΈ μ
μ€νμ μ€λ¨νλ €κ³ ν λ μ΄ λ¬Έμ μ μ§λ©΄νκ³ μμ΅λλ€. μΈν°λ½νΈκ° μμν κ³μλκ³ λ§μΉ¨λ΄ λ€μ μμν΄μΌ ν©λλ€.
λ°λΌμ @wmayner κ° λ¬Έμ λ₯Ό 볡μ νλ λ°©λ²μ μ μν κ²μ²λΌ μμ°νκΈ° μν΄. λλ κ°μ κ²μ μν΄ λͺ κ°μ§ μ€ν¬λ¦° μ·μ 첨λΆνμ΅λλ€.
λ΄ μ»΄ν¨ν°μ Jupyter λ²μ .
@Arpit-Gole pdbλ κ³ μ ν λ¬Έμ μ λλ€. μ λ 곧 ν΄κ²°λκΈ°λ₯Ό λ°λλλ€ :
@itamarst μ λ λ€μκ³Ό κ°μ΄ λͺ¨λΈμ νλ ¨νκ³ μμ΅λλ€.
forest_clf = RandomForestClassifier()
cross_val_score(forest_clf, X_train, y_train, cv=3, scoring='accuracy', verbose=10, n_jobs=-1)
μ΄μ λ°μ΄ν° μΈνΈμ λ°λΌ μκ°μ΄ μμλλ€λ κ²μ μκ³ μμ΅λλ€. κ·Έλ¬λ Kernel>Interrupt Kernel μ λλ¬ μ€κ°μ μ²λ¦¬λ₯Ό μ€μ§νκΈ°λ‘ μ νν μ΄μ κ° λ¬΄μμ΄λ λ§νμμμ€.
μ΄μμ μΌλ‘λ μ€λ¨λμ΄μΌ νμ§λ§ λ©μΆλ λ° μμν 걸립λλ€.
μ΄μ λͺ¨λ μ§ν μν©μ΄ μ¬λΌμ§ κ²μ΄κΈ° λλ¬Έμ λ€μ μμνκ³ μΆμ§ μμ΅λλ€.
λμμ£ΌμΈμ!
μΈν°λ½νΈνλ €λ κ²μ΄ Cλ‘ κ΅¬νλλ©΄ ν μΌμ΄ μμ΅λλ€. μλͺ μ μ²λ¦¬νλ λ° μ¬μ©νλ λΌμ΄λΈλ¬λ¦¬μ λ¬λ € μμ΅λλ€.
λλ λλλ‘ μ΄κ²μ λΆλͺμΉ©λλ€ ... λ€μμ jupyer labμμ μ¬ν κ°λ₯ν μμ λλ€.
import requests
import pandas as pd
url='https://raw.githubusercontent.com/numenta/NAB/master/data/realKnownCause/nyc_taxi.csv'
r = requests.get(url, allow_redirects=True)
with open('data/nyc_taxi.csv', 'wb') as f:
f.write(r.content)
df_taxi = (
pd.read_csv('data/nyc_taxi.csv')
.assign(timestamp=lambda x: pd.to_datetime(x.timestamp))
)
df_train = df_taxi.iloc[:5000]
temp_train = df_train.set_index('timestamp')
import itertools
#set parameter range
p = range(0,3)
q = range(1,3)
d = range(1,2)
s = [24,48]
# list of all parameter combos
pdq = list(itertools.product(p, d, q))
seasonal_pdq = list(itertools.product(p, d, q, s))
# SARIMA model pipeline
for param in pdq:
for param_seasonal in seasonal_pdq:
try:
mod = sm.tsa.statespace.SARIMAX(temp_train[:240],
order=param,
seasonal_order=param_seasonal)
results = mod.fit(max_iter = 50, method = 'powell')
print('SARIMA{},{} - AIC:{}'.format(param, param_seasonal, results.aic))
except as e:
print(e)
continue
μ΄λ€ μ‘°μΈμ΄ μμ΅λκΉ?
μ€λ μ€νμ μ΄ λ¬Έμ μ μΈ λ² λΆλͺνλ©΄ μ¬μ ν urllibλ₯Ό μ¬μ©νλ μμ μ΄ μκ°λ©λλ€.
λ΄ μμ²μ λν μλ΅μ΄ μκΈ° λλ¬Έμ urllibμ μλ€κ³ μκ°νμ΅λλ€.
μΌμ νκ³ μμλλ° μ½λ©μ νλ€λ³΄λ λ΅μ΄ μλ ν΄κ²°μ±
μ μ°ΎμμΌλ§ νλ€. κ·Έλμ λͺ¨λ λ³μλ₯Ό λ‘컬 νμΌμ μ μ₯ν©λλ€.
μ λ§ κ·Έλ° μΌμ΄ λ°λ³΅λλ κ²μ λ³΄κ³ μΆμ§ μμ΅λλ€.
λ₯ λ¬λ λͺ¨λΈμ νλ ¨νκΈ° μν΄ tensorflowμ GPUλ₯Ό μ¬μ©ν λλ κ°μ λ¬Έμ μ μ§λ©΄νκ³ μμ΅λλ€.
time.sleep λ° μμ²μΌλ‘ μ€ν
λν Windowsμ time.sleep μμ²μ μ΄ λ¬Έμ κ° μμ§λ§ Mac OS Xμμλ μ μ€νλ©λλ€.
ThreadPoolExecutorμ μ΄ λ¬Έμ κ° μμ΅λλ€... λ€μκ³Ό κ°μ΅λλ€.
numberOfImageGatherers = 2
with concurrent.futures.ThreadPoolExecutor(max_workers=numberOfImageGatherers + 1) as executor:
futures = []
for imageGatherer in range(numberOfImageGatherers):
imageDataGatherer = ImageDataGatherer(batch_size)
futures.append(executor.submit(imageDataGatherer.gatherImageData, pipeline))
modelTrainingConsumer = ModelTrainingConsumer(vae, plot_losses)
futures.append(executor.submit(modelTrainingConsumer.trainModel, pipeline))
concurrent.futures.wait(futures)
μΈν°λ½νΈνλ μ μΌν λ°©λ²μ 컀λμ λ€μ μμνλ κ²μ λλ€ ... λ§€μ° μ€λ§ μ€λ½μ΅λλ€.
κ°μ₯ μ μ©ν λκΈ
λ°©κΈ μ΄κ²μ λ¬Όλ¦° κ² κ°μμ 컀λμ λ€μ μμν΄μΌ ν©λλ€. μ¦, λ§μ λ°μ΄ν°κ° μμ€λμλ€λ μλ―Έμ λλ€...
pdb
λ₯Ό μ¬μ©νμ¬ ν¨μλ₯Ό λλ²κ·Ένμ΅λλ€.pdb
λ₯Ό λ¨Όμ μ’ λ£νμ§ μκ³ μ μ λ€μ μ€ννλλ° μ΄μ μ무 κ²λ μ€λ¨ν μ μμ΅λλ€.μ΄κ²μ μ¬ννλ μ΅μνμ μλ λ€μκ³Ό κ°μ΅λλ€.
μ΄ μ μ μ°μμΌλ‘ λ λ² μ€νν©λλ€.