cyclical,unemployment _cyclical

哪个数据可视化工具比较好？

看了一下其他的回答，都是利用现有的可视化软件，这里以Python为例，介绍2个比较好用的可视化包—seaborn和pyecharts，简单易学、容易上手，绘制的图形漂亮、大方、整洁，感兴趣的朋友可以尝试一下，实验环境win10 python3.6 pycharm5.0，主要内容如下：1.seaborn：这是一个基于matplotlib的可视化包，是对matplotlib更高级的API封装，绘制的图形种类繁多，包括常见的折线图、柱状图、饼状图、箱型图、热力图等，所需的代码量更少，使用起来更方便，下面我简单介绍一下这个包的安装和使用：安装seaborn，这个直接在cmd窗口输入命令“pip install seaborn”就行，如下：安装成功后，我们就可以进行简单的测试了，代码如下，很简单：程序运行截图如下：更多示例的话，可以查看seaborn官网的教程，很丰富，也有详细代码注释和说明，值得学习一下：2.pyecharts：这个是echarts提供给python的一个接口，在前端的数据可视化中，可能会用到这个echarts包，借助pyecharts，我们不仅可以绘制出漂亮的柱状图、折线图等，还可以绘制3D图形、地图、雷达图、极坐标系图等，简单好用，非常值得学习，下面我简单介绍一下这个包的安装和使用：安装pyecharts，这个直接在cmd窗口输入命令“pip install pyecharts”就行，如下：安装成功后，我们就可以进行简单的测试了，代码如下，绘制了一个简单的柱状图：程序运行截图如下：更多示例的话，也可以查看官方的教程，介绍很详细，参数说明也很具体，值得一学：至此，这里就简单介绍了seaborn和pyecharts包的安装和使用。
自Adam之后，深度学习优化器还有什么新进展吗？

Adam 自出道以来，就一直是最流行的深度学习优化器，哪怕现在其实已经有几种可能更好用的优化器……如果将 Adam 优化出现以来产生的关于优化过程的有趣想法按时间顺序排列的话，结果如下：LR Range testCyclical LR（《Cyclical Learning Rates for Training Neural Networks》）SGDR（《SGDR: Stochastic Gradient Descent with Warm Restarts》）SGDW(R) and AdamW(R)（《Fixing Weight Decay Regularization in Adam》）1-cycle policy and super-convergence（《Super-Convergence: Very Fast Training of Neural Networks Using Large Learning Rates》）这个来自 Andrej Karpathy 的笑话或多或少是我深度学习项目的一套流程。
【cyclical,unemployment】除非把具有学习率硬编码的代码直接从 GitHub 里复制到所选优化器中，否则我可能只会把 3e-4 放到 Adam 优化器中，然后让模型训练。如果损失减少，今天就可以收工大吉。但是，那些美好的日子已经一去不复返了。所以在这篇博客中，我将概述一些人们想出来推翻 Adam 的方法。LR Range Test：不再盲目找最佳学习率在这之前，如果 3e-4 在我的数据集上无法作用于模型，我会采取两个办法：如果看不到损失值移动的明确方向，我会降低学习率。