随机生成1000个浮点数（均值为5，标准差为1）

随机生成1000个浮点数（均值为5，标准差为1），并从这些生成的数字中随机再选择100个，对这100个数字进行四舍五入，在统计操作后各个数字出现的次数，使用'数目表示不同数字的出现次数，并按数字从小到大打印出来，统计程序运行时间

该回答引用GPT:
使用Python编写程序，随机生成1000个浮点数（均值为5，标准差为1），从这些生成的数字中随机再选择100个，对这100个数字进行四舍五入，统计每个数字出现的次数，并按数字从小到大打印出来，同时记录程序运行时间。

import random
import time

# 生成1000个浮点数（均值为5，标准差为1）
nums = [random.gauss(5, 1) for _ in range(1000)]

# 从这些生成的数字中随机再选择100个
sample_nums = random.sample(nums, 100)

# 对这100个数字进行四舍五入
round_nums = [round(num) for num in sample_nums]

# 统计每个数字出现的次数
count_dict = {}
for num in round_nums:
    if num in count_dict:
        count_dict[num] += 1
    else:
        count_dict[num] = 1

# 按数字从小到大打印出来
start_time = time.time()
for num in sorted(count_dict.keys()):
    print(f'{num}: {count_dict[num]}')
end_time = time.time()

# 记录程序运行时间
print(f'程序运行时间：{end_time - start_time}s')

如还有疑问，可留言帮助解决。

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/750160
• 这篇博客也不错, 你可以看下编写程序接收用户输入分数信息，如果分数在0—100之间，输出成绩。如果成绩不在该范围内，抛出异常信息，提示分数必须在0—100之间。
• 除此之外, 这篇博客: 五行代码实现千万类别分类网络，飞桨大规模分类库揭秘中的   部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

•  

  现在，开发者的福音来了，飞桨近期开源了基于核心框架构建的大规模分类库(PLSC: PaddlePaddle Large Scale Classification)，为用户提供了大规模分类任务从训练到部署的全流程解决方案。只需数行代码，即可实现千万类别分类的神经网络。并且，通过PLSC库提供的serving功能用户可以快速部署模型，提供一站式服务。

  简单易用，五行代码实现千万类别分类神经网络

  飞桨大规模分类库PLSC（以下简称PLSC）封装了大规模分类神经网络实现，提供简洁易用的高层API，用户通过五行代码即可实现千万类别分类神经网络。

  （1） 安装飞桨

  可以参考官网下载并安装飞桨。

  

  （2） 安装PLSC

  执行下面的命令安装PLSC。

  pip install plsc
  

  （3） 准备模型训练配置代码，保存为train.py文件。

  使用PLSC组建分类神经网络主要包括下面三个步骤：

  1.     从plsc包导入Entry类，Entry类封装PLSC所有API的接口类；

  2.     实例化Entry类的对象；

  3.     调用Entry类的train方法，开始训练过程。

  默认情况下，该训练脚本使用的loss值计算方法为'dist_arcface'，即将全连接层参数切分到多张GPU卡的模型并行方案，需要使用两张或以上的GPU卡。

  
  
  from plsc import Entryif __name__ == "main":        ins = Entry()        ins.set_class_num(1000000) #设置分类类别数        ins.train()
  

   

  （4）   启动训练任务

  可以使用下面的命令行启动训练任务，其中selected_gpus参数用于指定训练中使用的GPU卡。

  python -m paddle.distributed.launch \
              --selected_gpus=0,1,2,3,4,5,6,7 \
              train.py
  

   

  PLSC库在多个数据集上可以取得SOTA的训练精度，下表列出PLSC库分别使用MS1M-ArcFace和CASIA数据集作为训练数据，在不同验证数据集上取得的精度。

  

  备注：上述模型训练使用的loss_type为'dist_arcface'。更多关于ArcFace的内容请参考

  ArcFace: Additive Angular Margin Loss for Deep Face Recognition

  https://arxiv.org/abs/1801.07698

   

  PLSC支持多机分布式训练。一方面，通过多机分布式训练可以将全连接层参数切分到更多的GPU卡，从而支持千万类别分类，并且飞桨大规模分类库理论上支持的分类类别数随着使用的GPU卡数的增加而增加。例如，单机8张V100 GPU配置下支持的最大分类类别数相比不使用PLSC扩大2.52倍。

   

  另一方面，使用多机分布式训练可以有效提升训练速度。

   

  通过下面几行命令即可启动多机分布式训练。其中，cluster_node_ips参数用于指定所有训练节点的ip地址列表，node_ip参数用于指定当前训练节点的ip地址。

  python -m paddle.distributed.launch \
          --cluster_node_ips="127.0.0.1,127.0.0.2" \
          --node_ip="127.0.0.1" \
          --selected_gpus=0,1,2,3,4,5,6,7 \
          train.py
  

  下图给出使用不同数量的节点时的训练速度（吞吐）。实验中使用的训练数据集为MS1M-ArcFace，分类类别数为85742，每个节点配备8张NVIDIA V100 GPUs，backbone模型为ResNet50。如图所示，使用飞桨大规模分类库可以取得近似线性的加速比。

  

   

  用户完成分类神经网络训练后，通常要基于得到的预训练模型部署预测服务。通过飞桨大规模分类库提供的serving功能可实现快速部署。

  飞桨大规模分类库提供支持预测服务部署的serving端和client端。serving端基于飞桨服务器端部署库Paddle Serving开发，使用serving端功能可以基于预训练模型快速部署预测服务。client端则提供了和serving端的交互功能，用户通过client端提交查询请求并获取预测结果。只需三步即可完成部署。

  （1）  安装serving端和client端。

  pip install plsc-serving ujson
  

  （2）  通过下面的脚本部署serving端：

  from plsc_serving.run import PLSCServerfs = PLSCServer()# 设定使用的模型路径fs.with_model(model_path = '/XXX/XXX')# gpu_index指定使用的gpu，port指定使用的端口fs.run(gpu_index = 0, port = 8010)
  
  
  

  （3）  通过下面的脚本使用client端功能：

  from face_service import FaceService
  with open('./data/00000000.jpg', 'rb') as f:
      image = f.read()
  fc = FaceService()
  # 添加server端连接
  fc.connect('127.0.0.1:8010')
  #调用server端预测
  result = fc.encode([image])
  print(result[0])
  fc.close()
  

   

  单机8张Nvidia Tesla v100 GPU配置下，混合精度比常规单精度训练速度提升42%。

  使用混合精度训练可以提升训练的速度，同时减少训练使用的显存开销。开启混合精度训练方法如下：

  from plsc import Entry
  def main():    ins = Entry()    ins.set_mixed_precision(True)    ins.train()if __name__ == "__main__":main()
  
  
  

  在单机8张Nvidia Tesla v100 GPU配置下，对比resnet50模型单精度训练和混合精度训练的效果，混合精度训练速度可提升42%：

  

  关于混合精度训练的内容请参考：

  https://arxiv.org/abs/1710.03740

  实际业务中，一种常见的数据存储格式是将图像数据编码为base64格式，训练数据文件的每一行存储一张base64格式编码的图像数据和该图像的标签，并通常以制表符('\t')分隔图像数据和图像标签。

   

  神经网络训练过程中，通常需要对训练数据做全局shuffle。此外，需要切分训练数据，确保每张GPU卡使用相同数量的训练数据。对Base64格式的数据做全局shuffle的开销较大，若在训练过程中执行全局shuffle，会严重影响训练速度。

   

  飞桨大规模分类库内置Base64格式数据预处理工具，可以对训练数据做全局shuffle，并将训练数据均分到多个数据文件，确保数据文件的数量和训练中使用的GPU卡数相同，且每个数据文档包含相同数量的训练数据。训练效率显著提升。

   

  我们有时需要基于预训练模型做fine-tuning这种场景下，fine-tuning阶段的训练GPU卡数和预训练阶段使用的GPU卡数可能不同，尤其是当预训练和fine-tuning是分别由不同的组织执行时。考虑全连接层参数是根据使用的GPU卡数切分的这一情形，当fine-tuning阶段和预训练阶段使用不同的GPU卡数时，在加载模型参数前，用户需要重构模型参数，以适应fine-tuning阶段的GPU卡数。为了简化用户操作，飞桨大规模分类库提供了自动化的模型参数重构功能。当fine-tuning阶段使用的GPU卡数和预训练阶段不同时，飞桨大规模分类库在加载预训练模型参数时会自动根据fine-tuning阶段使用的GPU卡数重构预训练模型参数，以适应fine-tuning阶段的GPU卡数。

• 您还可以看一下 AI100讲师老师的朋友圈爆款背后的计算机视觉技术与应用课程中的 朋友圈爆款背后的计算机视觉技术与应用小节, 巩固相关知识点