手把手教你学Python之分支结构

目录

单向分支-if语句

双向分支-if...else语句

多分支-if...elif...else语句

分支结构的嵌套

条件表达式


       任何一个复杂的系统都是由三种基本结构组成:顺序结构分支结构循环结构。其中顺序结构最简单,程序从上到下依次执行,就如同生活中一条笔直的大马路,一路畅行无阻;分支结构是指当程序执行到某步时,需根据实际情况选择性的执行某部分代码,就如同生活中的十字路口,需要根据具体情况选择走哪条路,每次只能选择一条路,不可能同时走多条路;循环结构是指重复执行某些代码,直到条件不满足为止,就如同生活中的盘山公路,一圈圈绕行,直到到达目的地为止。

接下来主要给大家介绍分支结构,Python中的分支结构大致可以分为三种:单分支if语句双分支if...else语句以及多分支if...elif...else语句

单向分支-if语句

        单向if语句只有if没有else,只针对满足条件的情况做一些额外操作,条件不满足时什么都不做。

        注意:与其他编程语言通过大括号的嵌套控制语句间的层次关系不同,Python中通过缩进来控制语句之间的层次关系,同一层次的代码缩进相同。

双向分支-if...else语句

         双向if...else语句通常用于有两种选择并且每种选择执行不同操作的情景。具体流程和写法如下。

多分支-if...elif...else语句

        多分支if...elif...else语句通常用于有多种选择并且每种选择执行不同操作的情景。只有当前面的条件都不符合时,才会执行后面的判断,只要有一个地方符合要求,则停止进一步的判断。具体流程和写法如下。

分支结构的嵌套

       此外,Python中还支持分支结构的嵌套,即在分支结构的语句块中还可以包含分支结构,用于进一步判断。此时,要注意if和else之间的匹配关系。主要通过缩进查看条件语句的层次关系。 理论上说, 嵌套的层次没有限制, 但实际编程中, 应尽可能避免多层次嵌套

       上面案例,既可以通过多分支语句实现也可以通过分支的嵌套实现,哪一种会比较好呢?对于多分支语句来说,结构简单每次都是从第一个条件开始进行判断,对于满足最后一个条件的情景可能需要经过多次判断;而通过分支的嵌套的话,有点类似于二叉查找,需要判断的次数会大大减少,但结构稍微复杂一些。Python程序设计时,建议尽量少用嵌套

条件表达式

      为了简化简单的条件判断,python中提供了条件表达式, 语法结构如下:

      表达式1 if 布尔表达式 else 表达式2

  1. 如果布尔表达式为 True, 那么表达式的结果就是表达式1;否则, 表达式的结果就是表达式2
  2. 若想将变量number1和number2中较大的值赋给max, 可以使用下面的条件表达式简洁地完成。

      max = number1 if number1 > number2 else number2

 小小练习题

更多关于手把手教你学Python的文章和视频请关注微信公众号:手把手教你学编程。或者腾讯课堂CSDN学院 里的手把手教你学Python系列视频。  

 

 

  • 1
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
好的,我可以为您提供一些关于使用Python代码实现Transformer的指导。 首先,您需要安装PyTorch和torchtext库。然后,您可以按照以下步骤实现Transformer模型: 1. 定义输入和输出的词汇表,并使用torchtext库加载数据集。 2. 定义Transformer模型的编码器和解码器部分。 3. 实现自注意力机制(self-attention)和前向神经网络(feed-forward network)。 4. 实现残差连接(residual connection)和层归一化(layer normalization)。 5. 定义Transformer模型的训练和评估过程。 下面是一个简单的示例代码,用于实现一个基本的Transformer模型: ```python import torch import torch.nn as nn import torch.optim as optim import torch.nn.functional as F from torchtext.datasets import TranslationDataset, Multi30k from torchtext.data import Field, BucketIterator # 定义输入和输出的词汇表 SRC = Field(tokenize='spacy', tokenizer_language='de', init_token='<sos>', eos_token='<eos>', lower=True) TRG = Field(tokenize='spacy', tokenizer_language='en', init_token='<sos>', eos_token='<eos>', lower=True) # 加载数据集 train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC, TRG)) SRC.build_vocab(train_data, min_freq=2) TRG.build_vocab(train_data, min_freq=2) # 定义Transformer模型的编码器和解码器部分 class Encoder(nn.Module): def __init__(self, input_dim, hid_dim, n_layers, n_heads, pf_dim, dropout, device): super().__init__() self.device = device self.tok_embedding = nn.Embedding(input_dim, hid_dim) self.pos_embedding = nn.Embedding(1000, hid_dim) self.layers = nn.ModuleList([EncoderLayer(hid_dim, n_heads, pf_dim, dropout, device) for _ in range(n_layers)]) self.dropout = nn.Dropout(dropout) self.scale = torch.sqrt(torch.FloatTensor([hid_dim])).to(device) def forward(self, src, src_mask): # src: [batch_size, src_len] # src_mask: [batch_size, 1, 1, src_len] batch_size = src.shape[0] src_len = src.shape[1] pos = torch.arange(0, src_len).unsqueeze(0).repeat(batch_size, 1).to(self.device) # pos: [batch_size, src_len] src = self.dropout((self.tok_embedding(src) * self.scale) + self.pos_embedding(pos)) for layer in self.layers: src = layer(src, src_mask) return src class EncoderLayer(nn.Module): def __init__(self, hid_dim, n_heads, pf_dim, dropout, device): super().__init__() self.self_attn_layer_norm = nn.LayerNorm(hid_dim) self.ff_layer_norm = nn.LayerNorm(hid_dim) self.self_attention = MultiHeadAttentionLayer(hid_dim, n_heads, dropout, device) self.positionwise_feedforward = PositionwiseFeedforwardLayer(hid_dim, pf_dim, dropout) self.dropout = nn.Dropout(dropout) def forward(self, src, src_mask):

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

高成珍

前行路上与你相伴!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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