print("变量1", file_name, "变量2", new_name) 

第二种方法：     print("变量1：%s 变量2：%s" % (file_name, new_name))

print("变量1：%s 变量2：%s" % (file_name, new_name)) 

第三种方法：.format()  

print('变量1：{0} 变量2：{1}'.format(file_name, new_name))

print('变量1：{0} 变量2：{1}'.format(file_name, new_name))
# 需要注意的是，python是从0开始计数，所以第一个{}里要从0开始，依次1、2…

https://www.kdnuggets.com/2018/02/essential-google-colaboratory-tips-tricks.html

试想一下，如果有个免费的在线云端平台，既可以不用安装 TensorFlow 直接使用，又可以实现 GPU 加速训练，那该是多好的一件事情。你没听错，这种好事确实存在！今天我就重磅介绍一个谷歌推出的免费的云端工具：Colaboratory。

Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。

也就是说，Colaboratory 存储在 Google 云端硬盘中，我们可以在 Google 云端硬盘里直接编写 Jupyter Notebook，在线使用深度学习框架 TensorFlow 并训练我们的神经网络了。超炫！

这里有 3 个令人相见恨晚的奇技淫巧来简化它的使用，分别是：使用免费的 GPU、安装库、上传并使用数据文件。

下面分别介绍：

1. 使用免费的 GPU

在打开的 Jupyter Notebook 中，选择菜单栏“代码执行程序（Runtime）”，“更改运行类型（Change runtime type）”，这时将看到以下弹出窗口：

确保“硬件加速器（Hardware accelerator）”设置为 GPU（默认为 CPU）。设置完毕后点击保存。

值得注意的是确认笔记本处于已连接的状态：

检查是否真的开启了 GPU（即当前连接到了GPU实例），可以直接在 Jupyter Notebook 中运行以下命令：

import tensorflow as tf
device_name = tf.test.gpu_device_name()
if device_name != '/device:GPU:0':
  raise SystemError('GPU device not found')
print('Found GPU at: {}'.format(device_name))

若输出以下语句，则表明已经使用了 GPU 实例。

Found GPU at: /device:GPU:0

但是，由于在线 GPU 资源有限，有时候可能会出现下面的问题提示：

就这样，谷歌允许你一次最多持续使用 12 小时的免费 GPU。

2. 安装库

目前，在 Google Colaboratory 中安装的软件并不是持久的，意味着每次重新连接实例时都需要重新安装。但是，Colab 已经默认安装了需要有用的库，安装新的库也并非难事，方法也有好几种。

但需要注意的是，安装任何需要从源代码构建的软件可能需要很长的时间。

Colab 同时支持 pip 和 apt 包管理器。无论您使用的是哪一个，记住要在命令前面加上符号 “!”。

# Install Keras with pip
!pip install -q keras
import keras

>>> Using TensorFlow backend.

# Install GraphViz with apt
!apt-get install graphviz -y

3. 上传并使用数据文件

我们一般都需要在 Colab 笔记本中使用数据，对吧？你可以使用 wget 之类的工具从网络上获取数据，但是如果你有一些本地文件，想上传到你的谷歌硬盘中的 Colab 环境里并使用它们，该怎么做呢？

很简单，只需 3 步即可实现！

首先使用以下命令调用笔记本中的文件选择器：

from google.colab import files
uploaded = files.upload()

运行之后，我们就会发现单元 cell 下出现了“选择文件”按钮：

这样就可以直接选择你想上传的文件啦！

选择文件后，使用以下迭代方法上传文件以查找其键名，命令如下：

for fn in uploaded.keys():
  print('User uploaded file "{name}" with length {length} bytes'.format(name=fn, length=len(uploaded[fn])))

例如待上传的是 iris.csv 文件，若运行没有问题的话，应该出现类似下面的提示语句：

User uploaded file "iris.csv" with length 3716 bytes

最后，就使用以下命令将文件的内容加载到 Pandas 的 DataFrame 中了：

import pandas as pd
import io
df = pd.read_csv(io.StringIO(uploaded['iris.csv'].decode('utf-8')))
print(df)

这种上传文件的方法是不是很简单呢？当然，上传和使用数据文件还有其它的方法，但是我发现这一方法最简单明了。

以上就是关于 Google Calaboratory 的 3 个非常实用的技巧，赶紧尝试一下吧！

最后，可能有的读者朋友对 Google Calaboratory 不太了解的，可以查看我之前写的一篇文章：如何在免费云端运行 Python 深度学习框架？链接如下：

https://redstonewill.com/1493/

也可以点击阅读原文查看！

 1 a=Int(raw_input("the number you want type in:")   
 2 b=len(str(a))   
 3 print b

第二种：
利用除10取商，通过循环次数判断位数。

Reference:

https://www.cnblogs.com/54Leo/p/6133270.html

在使用matplotlib的过程中，发现不能像matlab一样同时开几个窗口进行比较，于是查询得知了交互模式，但是放在脚本里运行的适合却总是一闪而过，图像并不停留，遂仔细阅读和理解了一下文档，记下解决办法，问题比较简单，仅供菜鸟参考。

python可视化库matplotlib有两种显示模式：

1. 阻塞（block）模式
2. 交互（interactive）模式

在Python Consol命令行中运行脚本，默认是阻塞模式。而在python IDE中运行脚本，matplotlib默认是交互模式。（使用python命令行运行脚本不能同时显示不同图像）

其中的区别是:

在交互模式下：

• plt.plot(x)或plt.imshow(x)是直接出图像，不需要plt.show()
• 如果在脚本中使用ion()命令开启了交互模式，没有使用ioff()关闭的话，则图像会一闪而过，并不会常留。要想防止这种情况，需要在plt.show()之前加上ioff()命令或者使用plt.pause(seconds)延长显示。

在阻塞模式下：

• 打开一个窗口以后必须关掉才能打开下一个新的窗口。这种情况下，默认是不能像Matlab一样同时开很多窗口进行对比的。
• plt.plot(x)或plt.imshow(x)是直接出图像，需要plt.show()后才能显示图像

示例

下面这个例子讲的是如何像matlab一样同时打开多个窗口显示图片或线条进行比较，同时也是在脚本中开启交互模式后图像一闪而过的解决办法：

    import matplotlib.pyplot as plt
    plt.ion()    # 打开交互模式
    # 同时打开两个窗口显示图片
    plt.figure()
    plt.imshow(i1)
    plt.figure()
    plt.imshow(i2)
    # 显示前关掉交互模式
    plt.ioff()
    plt.show()

 Reference:
https://blog.csdn.net/wonengguwozai/article/details/79686062

I think it all started because the first project that I opened with pycharm was in my "download" folder, so the working directory was automatically set to a temporal folder by default and although I moved the project to another folder and I manually changed the working directory from the terminal, it was not working.

The solution was creating a new project and giving a correct path to the new project. It seems very easy but it was not that obvious." from https://stackoverflow.com/questions/28202273/working-directory-error/28975990.

He gave me the suggestion: File -> open, open the directory rather than open the file. For example, "GAN\code\generative-models-master", he said that it is better to make the environment of the pycharm projects consistent (pycharm工程默认加载一个环境变量,最好同一个工程下环境一致). Then a file ".idea" will be created. In this way, all files of this folder will be seen as a part of this project. In the file ".idea", there will be the historical record, the path setting such as the interpreter. Generally, we do not use this file.

Dot product of two arrays. Specifically,

• If both a and b are 1-D arrays, it is inner product of vectors (without complex conjugation).

• If both a and b are 2-D arrays, it is matrix multiplication, but using matmul or a @ b is preferred.

• If either a or b is 0-D (scalar), it is equivalent to multiply and using numpy.multiply(a, b) or a * b is preferred.

• If a is an N-D array and b is a 1-D array, it is a sum product over the last axis of a and b.

• If a is an N-D array and b is an M-D array (where M>=2), it is a sum product over the last axis of a and the second-to-last axis of b:

  dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])

On the group meeting of Oct 3, 2018, Jiaqi shows his bar. I asked that why his variance is very small. He said that he uses the standard error (https://en.wikipedia.org/wiki/Standard_error), which is standard derivation divided by the square root of the number of trials. According to the notes of my undergraduate course probability:
(1) D(ax+b) = a*a*D(x),
(2) the second line of "中心极限定理". x bar is seen as a random variable,
we have std(x bar) = std(x)/sqrt(n).
I ask Jiaqi which tool he uses to draw his figure. He says he uses python, bar of matplotlib. https://matplotlib.org/api/_as_gen/matplotlib.pyplot.bar.html. The mean of the errors and standard error should be computed first and then be used as the input of xerr and yerr. 
I check my TNNLS 2017 paper and I find that I show the std. Maybe next time I can show the standard error.

这个函数的意思是：
ERRORBAR(X,Y,L,U)，X是自变量，Y是因变量，L是Y的变动下限，U是Y的变动上限

errorbar(X,Y,E)  X是自变量，Y是因变量，E是Y的变动绝对差值。

       x = 1:10;
       y = sin(x);
       e = std(y)*ones(size(x));
       errorbar(x,y,e)