Python

[Python] 使用 bypy 套件下載百度雲端的文件

有時候在找一些中文的資源時，會經常找到中國有些網友好心分享了一些文件、模型在百度雲端上。這時候，如果要在遠端的伺服器上下載這些好心分享的文件，就必須通過 command line 來下達指令。

今天我在處理英文語料的時候，再次使用了 Python 中經典的自然語言處理工具 —— NLTK 來進行文本的斷詞。但就在我使用以下程式匯入停用詞（stopwords）時：

Early stopping 是一種應用於機器學習、深度學習的技巧，正如字面上的意思 —— 較早地停止。在進行監督式學習的過程中，這很有可能是一個找到模型收斂時機點的方法。

在使用 PyTorch 搭建深度學習環境的時候，若是我們有著切割資料集的需求（比方說將訓練資料切出驗證資料），在將資料封裝成 PyTorch 的 dataset 物件時，我們便可以透過 PyTorch 內建的切割函式 —— random_split() 來做到切割資料集。

Python 是個優雅簡便的語言，經常用於 AI 與資料分析等領域。而在做科學運算的時候，少不得會碰到不同『進位方法』需要彼此轉換的時候。今天我要紀錄的，就是如何透過 Python 原生的函式來轉換不同的進位。

不知道大家是否看膩了一成不變的直角邊框界面？至少，我確定我對於直角邊框的界面感到沒那麼有趣了，看看 Android 的 App 圖示、iOS 的種種邊框，是不是都有著好看的圓角邊框呢？

不論是在什麼語言中，將程式運行結果整齊地輸出都是必不可少的步驟，有鑑於近來使用 Python 做資料分析越來越普遍，我也越來越常翻看自己過去的程式碼，好複習到底該如何在該死的輸出面前補上幾個整齊的 0，最後終於決定整理一篇簡單的格式化輸出，一勞永逸地解決自己的問題。

在 Python 中，為了防止 stack overflow（堆疊溢位，使用過多記憶體導致溢出），我們使用的遞迴是有層數限制的。一旦我們使用超過預設限制的遞迴深度，就會觸發以下的報錯：

Tensorflow 可說是眾多深度學習框架當中最具知名度的（應該？），但是在我使用 Keras/Tensorflow 時，我經常會碰到以下這種關於 Numpy 版本的 FutureWarning：

在撰寫程式的過程中，我們總難免會有著需要快速地、大量地將『許多變數賦值』的時候。也許是在一口氣製作許多界面元件的時候，也許是在一口氣進行許多數值設定的時候。

這種需求絕對是存在的，那麼在 Python 中該怎麼實現呢？