Cookie的Python学习之路(二)

Python学习-列表介绍

在这介绍以下Python的一个新的知识-列表
我感觉python中的列表和其他语言中的数组概念是差不多的意思,基本上是等同的
建立一个python列表用方括号" [ ] ",并且用逗号来声明
python建立列表不需要声明元素的个数

family=["father","mother","son","sister"]
print(family)
#输出结果:['father','mother','son','sister']

访问列表元素(与数组的概念相同,也是用下标(python中叫索引)进行访问,第一个元素的下标是0,依次类推,不过在python中有个特别之处下标为-1可以访问最后一个元素

family=["father","mother","son","sister"]

print(family[0])
#输出结果:father

print(family[-1])
#输出结果为:sister

print(family[0].title())
#输出结果:Father

修改,添加和删除元素

family=["father","mother","son","sister"]

#修改元素

family[0]="Father"
print(family[0])
#输出结果是:Father

#添加元素(直接在列表元素末尾添加append(),插入元素添加insert()需指定新元素的索引和值)

family.append("grandfather")
print(family)
#输出结果是:['father','mother','son','sister','grandfather']

(一般我们列表时都是创建一个空的列表)
family=[]
family.append("father")
family.append("mother")
family.append("son")
family.append("sister")
print(family)
#输出结果:['father','mother','son','sister']

family=["father","mother","son","sister"]
family.insert(0,"grandfather")
print(family)
#输出结果:['grandfather','father','mother','son,''sister']
(索引及其以后的元素全部向后移)

#删除元素(del方法,pop方法,remove方法)
School=["teacher","classmate","others"]
del School[2]
print(School)
#结果是:['teacher','classmate']

School=["teacher","classmate","others"]
Schools=School.pop()
print(School)
print(Schools)
#结果是:['teacher','classmate']
		others
pop()不同与del,类似于列表的一个函数,是有返回值的,返回值是删去列表的末尾元素


pop()还可以带参数,指定删除哪个元素,并返回该元素的值
School=["teacher","classmate","others"]
Schools=School.pop(1)
print(School)
print(Schools)
#输出结果是:['teacher','others']
			classmate

School=["teacher","classmate","classmate"]
School.remove("classmate")
print(School)
#输出结果是:['teacher','classmate']
在这可以看到,我们不必知道删除元素在列表的哪个位置就可以进行元素的删除,但是我们同样可以知道,列表中有两个我们要删除的相同元素,最后并没有全部删去,我们可以明白remove()这条命令只能删除列表中一个元素

组织列表
我们知道用户输入数据的顺序,我们并不能对其进行控制,但是我们又想呈现一个有顺序的列表出来,这时候我们就必须对列表进行相应的组织
1.使用 sort() 方法对列表进行永久性排序
在这里插入图片描述
sort()方法是按元素的首字母的ASCII码由小到大进行排序的
在这里插入图片描述这儿我们也可以使其由大到小进行排序sort(reverse=True)
在这里插入图片描述在这里插入图片描述2.使用sorted()对列表进行临时排序(这儿的临时排序是指不改变原来列表的顺序)
在这里插入图片描述在这里插入图片描述可以看到 sorted() 返回值是排序的结果,而没有改变元素组的顺序
sort() 一样我们也可以进行反向排序,同样添加 reverse=True
在这里插入图片描述在这里插入图片描述3.倒着打印使用 reverse()
在这里插入图片描述在这里插入图片描述4.求列表的元素个数
在这里插入图片描述在这里插入图片描述

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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,生成器生成数据,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。
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,生成器生成数据,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