Python入门——列表

列表是一个类似于数组的东西,但是却比数组更加智能

数组里类型必须一致,而列表中的数据类型可以不一致,可以混合(可以同时包含整型,浮点型,字符串,对象等等)。


普通列表: tmp = [1, 2 ,3]

混合列表: tmp = [1, 2, 'str1', 'str2', [4, 'A']]

空列表: tmp = []


向列表中增加元素

(1)增加一个元素  append()


并且增加的元素都是在末尾增加

(2)增加多个元素 extend()


如果你想要增加两个元素在末尾,直接像增加一个元素的方法添加是不对的,添加多个元素时,必须是用列表框起来


(3)在任意位置插入元素 insert()

我们前面不管是增加一个元素还是增加多个元素,都只能在列表的末尾添加,如何在列表任意位置插入呢,这时候就需要insert()

insert(插入的位置下标,插入的元素)




从列表中删除元素

(1)删除指定元素 remove()remove(删除的元素值)


(2)删除指定下标的元素,删除整个列表  del


(3)删除最后一个元素或删除指定下标元素 pop()




列表分片(切片)

如何一次性获取多个元素呢?


tmp可以得到列表list的拷贝,而原列表是不会发生改变的

list[1:4] 相当于从列表下标为1开始取元素拷贝,一直到下标为4停止(不会取到下标为4的值)

list[ :5] 相当于从最开始的0号下标开始取元素拷贝,直到5为止

list[3: ] 相当于从下标为3开始取元素进行拷贝,一直拷贝到结束

list[ : ] 相当于完全的将list的所有元素都拷贝一模一样的一份



列表常用的操作符

(1)比较操作符

(2)逻辑操作符


(3)连接字符串


(4)重复操作符


(5)成员关系



如何访问列表中内嵌列表的值


类似于二维数组的访问



下面我们在学习几个内置函数

(1)count(i) 寻找在列表中i出现的次数


(2)index(i) 查找i第一次出现的位置,返回一个下标


index(i,begin,end) 寻找i在begin位置开始,end位置结束时出现的下标位置

(3)reverse() 将列表逆置过来



(4)sort() 排序(默认为升序)


那么如果想降序呢?

sort()其实默认为sort(reverse == false)升序,要想列表排序出来是降序,那么就是翻转逆置一下就可以了

sort(reverse(True))或者是sort(reverse == True)这列表中的元素经过升序排序后又逆置,那么就可以得到降序排序了


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值