文/陈根准确地记录物体的位置是一项重要的视觉功能。大多数其他感知功能,包括模式和物体识别,以及视觉引导行为,都取决于第一个定位对象的位置。通常人们认为,即便是不同的个体,视觉感知也应当是相似的。然而,近来一项研究冲击了这个常识性的认知,研究发现,每个人有自己独特的“视觉指纹(visual fingerprint)”,即对物体的大小与位置感知独有一种稳定的视觉错位(visual mislocalization)。具体来说,该研究由三个实验组成。实验一中,研究人员首先给予试验者们相同的视觉刺激,并令试验者们在刺激消失后在屏幕上指出该刺激呈现的位置,随后,研究者通过比较被试指出的刺激位置,来确认实验...... Last article READ

Python性能分析技巧

当我们开始精通编程语言时,我们不仅希望实现最终的编程目标,而且还希望可以使我们的程序更高效。在本文中,我们将学习一些Ipython的命令,这些命令可以帮助我们对Python代码进行时间分析。注意,在本教程中,我建议使用Anaconda。1.分析一行代码要检查一行python代码的执行时间,请使用**%timeit**。下面是一个简单的例子来了解它的工作原理:#### magics命令%timeit的简单用法%timeit [num for num in range(20)]
#### 输出1.08 ?s ± 43 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)主要注意事项:在要分析的代码行之前使用%timeit它返回代码运行的平均值和标准偏差。在上面的示例中,执行了7次,每次执行对该代码循环100万次(默认行为),这需要平均1.08微秒和43纳秒的标准偏差。在调用magic命令时,可以自定义运行和循环的数量,示例如下:#### 在%timeit magic命令中自定义运行和循环数%timeit -r5 -n100 [num for num in range(20)]

1.01 ?s ± 5.75 ns per loop (mean ± std. dev. of 5 runs, 100 loops each)使用命令选项-r和-n,分别表示执行次数和循环次数,我们将时间配置文件操作定制为执行5次和循环100次。2.分析多行代码本节向前迈进了一步,并解释了如何分析完整的代码块。通过对%timeit magic命令进行一个小的修改,将单百分比(%)替换为双百分比(%%),就可以分析一个完整的代码块。以下为示例演示,供参考:#### 使用timeblock%%代码分析%%timeit -r5 -n1000for i in range(10):    n = i**2    m = i**3    o = abs(i)

#### 输出10.5 ?s ± 226 ns per loop (mean ± std. dev. of 5 runs, 1000 loops each)可以观察到for循环的平均执行时间为10.5微秒。请注意,命令选项-r和-n分别用于控制执行次数和循环次数。3.代码块中的每一行代码进行时间分析到目前为止,我们只在分析一行代码或代码块时查看摘要统计信息,如果我们想评估代码块中每一行代码的性能呢?使用Line_profiler 。Line_profiler 包可用于对任何函数执行逐行分析。要使用line_profiler软件包,请执行以下步骤:安装—Line_profiler 包可以通过简单的调用pip或conda Install来安装。如果使用的是针对Python的anaconda发行版,建议使用conda安装#### 安装line_profiler软件包conda install line_profiler加载扩展—一旦安装,你可以使用IPython来加载line_profiler:#### 加载line_profiler的Ipython扩展%load_ext line_profiler时间分析函数—加载后,使用以下语法对任何预定义函数进行时间分析%lprun -f function_name_only function_call_with_arguments语法细节:对line_profiler的调用以关键字%lprun开始,后跟命令选项-f命令选项之后是函数名,然后是函数调用在本练习中,我们将定义一个接受高度(以米为单位)和重量(以磅为单位)列表的函数,并将其分别转换为厘米和千克。#### 定义函数def conversion(ht_mtrs, wt_lbs ):    ht_cms = [ht*100 for ht in ht_mtrs]    wt_kgs = [wt*.4535 for wt in wt_lbs]

#### 定义高度和重量列表:ht = [5,5,4,7,6]wt = [108, 120, 110, 98]

#### 使用line_profiler分析函数%lprun -f conversion conversion(ht,wt)

---------------------------------------------------------------#### 输出Total time: 1.46e-05 s

File: <ipython-input-13-41e195af43a9>

Function: conversion at line 2

Line #      Hits         Time  Per Hit   % Time  Line Contents==============================================================     2       1        105.0    105.0     71.9      ht_cms = [ht*100 for ht in ht_mtrs]     3       1         41.0     41.0     28.1      wt_kgs = [wt*.4535 for wt in wt_lbs]输出详细信息:以14.6微秒为单位(参考第一行输出)生成的表有6列:第1列(行#)—代码的行号(请注意,第#1行是故意从输出中省略的,因为它只是函数定义语句)第2列(命中)—调用该行的次数第3列(时间)—在代码行上花费的时间单位数(每个时间单位为14.6微秒)第4列(每次命中平均时间)—第3列除以第2列第5列(%Time)—在所花费的总时间中,花在特定代码行上的时间百分比是多少第6列(内容)—代码行的内容你可以清楚地看到,高度从米到厘米的转换几乎占了总时间的72%。结束语利用每一行代码的执行时间,我们可以部署策略来提高代码的效率。希望这篇文章能给你提供帮助,你能学到一些新东西。参考链接:https://towardsdatascience.com/did-you-know-you-can-measure-the-execution-time-of-python-codes-14c3b422d438

☆ END ☆如果看到这里,说明你喜欢这篇文章,请转发、点赞。

21 世纪以来,AI 科技的发展脚步从未停歇。从下赢世界冠军的 alpha go,到第一个拥有公民省份,号称要毁灭人类的苏菲娜,再到霍金先生谁能前留下的关于 AI 的恐怖预测。机器发展是否已经超出了人类所预想和控制的范围?关于这个问题,我们似乎并没有确切定论,主要原因之一,就是冷冰冰的机器似乎还不能很好地表达自己的想法, 我们也无从知道他们是否真的拥有类人的意识。然而最近,这个现实已经被 OpenAI 实验室最新推出的强大的新语言生成器——GPT-3  重新书写。GPT-3 是 OpenAI(一家以旧金山为基地的盈利性研究实验室)所创建的 GPT-n系列中的第三代语言预测模型。GPT......Next article READ