predict_xlist是一个list;lstm_predict1是array类型，其中shape(128,1)，而此处只去一个元素添加到predict_xlist中，因此使用extend方法会报错。
list有多中迭代添加方法，其中extend和append是最常用的，区别在于：extend添加的是一个list，而append是任何数据类型。此处只是一个value，则应该使用append方法
predict_xlist是一个list;lstm_predict1是array类型，其中shape(128,1)，而此处只去一个元素添加到predict_xlist中，因此使用extend方法会报错。list有多中迭代添加方法，其中extend和append是最常用的，区别在于：extend添加的是一个list，而append是任何数据类型。此处只是一个value，则应该使用app...
TypeError: ‘
numpy
.
float
64
’
object
is not
iterable
错误出现了，是代码无法迭代。
我的代码是这样的：
import
numpy
as np
VOLi=15
pt=0.63
for i in np.arange(0, VOLi + 1):
n=np.math.factorial(VOLi)
m=np.math.factorial(i)
编译 pycaffe时报错：fatal error:
numpy
/array
object
.h没有那个文件或目录
其实
numpy
已经是安装的，anaconda2里面有，python中import
numpy
也没有问题，但就是在此处报错，解决方法：
sudo apt-get install python-
numpy
sudo make pycaffe -j16
pycaffe就编译成功了
如果还是不行，可以试试：
import
numpy
as npnp.get_include()
/usr/local/lib/python2.7/dist-packages/num
type(np.
float
32(0).item()) #
type(np.
float
64
(0).item()) #
type(np.uint32(0).item()) #
# examples using np.asscalar(a)
type(np.a
所谓生成随机数，即按照某种概率分布，从给定的区间内随机选取一个数。常用的分布有：均匀分布（uniform distribution），正态分布（normal distribution），泊松分布（poisson distribution）等。
python中的
numpy
.random模块提供了常用的随机数生成方法，下面简要总结。
按均匀分布生成随机数
按照均匀分布，在[0,1)内生成随机数。
Docstring:
rand(d0, d1, ..., dn)
Random values in a given shape.
Create an array of the
今天在跑机器学习实战里的对数几率回归时，遇到了一个奇怪的错误：TypeError: '
numpy
.
float
64
'
object
cannot be interpreted as an integer相关代码：def stochasticGradientAscent0(dataMatrix,classLabels):
m,n = np.shape(dataMatrix)
print...
