对象的迭代训练

反向迭代和正向迭代

zero, one, two, three, fous, five, six, seven, eight, nine = range(10)
"""
Author:Cairo
"""
# 反向迭代器
# list1 = [3.0,3.2,3.4,3.6,3.8,4.0]
# # print(reversed(list1))
# # for i in reversed(list1):
# #     print(i)


class _Iter_():
    def __init__(self,start,end,sted):
        self.start = start
        self.end = end
        self.sted = sted
    def __reversed__(self):
        t = self.start
        while t >= self.end:
            yield t
            t+=self.sted
    def __iter__(self):
        t = self.start
        while t<= self.end:
            yield t
            t -=self.sted
for x in reversed(range(1,20,2)):
    print(x)

如何在一个for循环中迭代多个对象

zero, one, two, three, fous, five, six, seven, eight, nine = range(10)
"""
Author:Cairo
"""
'''
1、某班学生期末考试成绩,语文,数学,英语,分别存储在3个列表中,
    同时迭代三个列表,计算每个学生的总分(并行)
2、某班级有4个班,某次考试每班英语的成绩分别存储在4个列表中,
    依次迭代每个列表,统计全学年成绩高于90分人数(串行)
'''
from random import randint
from itertools import chain

#用列表解析做出学生成绩
math = [randint(60,100) for _ in range(40)]
englinh = [randint(60,100) for _ in range(40)]
numberl = [randint(60,100) for _ in range(40)]
# 1.可以使用:
# for i in len(math):
#     math[i]+englinth[i]+munberl[i]
# 这样也是可以的,但是有一定的局限性


# 解决方案:并行,使用内置函数zip,它能将多个可迭代对象合并,每次迭代返回一个元组。
#          串行,使用标准库中的itertools.chain,它能将多个可迭代对象链接。
total = []
for c,m,e in zip(math,englinh,numberl):
    total.append(c+m+e)
print(total)


e1 = [randint(60,100) for _ in range(50)]
e2 = [randint(60,100) for _ in range(45)]
e3 = [randint(60,100) for _ in range(43)]
e4 = [randint(60,100) for _ in range(43)]
count = 0
for s in chain(e1,e2,e3,e4):
    if s>=90:
        count += 1
print(count)

如何对迭代器做成切片

zero, one, two, three, fous, five, six, seven, eight, nine = range(10)
"""
Author:Cairo
"""
'''
实际案例:
    有某一个文本文件,我们想读取其中范围内的内容
    如100-300行之间的内容,Python中文本四可迭代
    对象,我们是否可以使用类似列表切片的方式得到一个100-300
    行文件内容的生成器?
注意:他可以先全部逐行读取然后在进行切片,不过这样的话很浪费空间,如果内容很大很大的话,可能会导致空间不足
'''

'''
解决方案:使用标准库中的itertools.islice,它能返回一个迭代对象切片的生成器
'''
from itertools import islice
'''
:islice:使用:islice(可迭代对象,开始值,停止值,步长)
'''
# f = open()#文件
# islice(f,100,300(None从一百开始到最后))#文件切片得到一个地址

##注意:这样的话,它就会消耗掉了f这里面的100-300行的数据,如果需要从头开始,得需要重新申请一个
# 比如:
l = list(range(1,20))

for x in islice(l,5,10):
    print(x)##这样他截取到的数据是[6,7,8,9,10],如果再用就如下面:
for i in l:
    print(l)

抓取天气

zero, one, two, three, fous, five, six, seven, eight, nine = range(10)
"""
Author:Cairo
"""
'''
如何实现可迭代对象和迭代器对象?
实际案例:
    某软件要求,从网络抓取各个城市气温信息,并依次显示:
    北京:15~20
    天津:17~22
    长春:12~18
    
如果一次抓取所有的城市天气在再显示,显示第一个城市的气温时,有很高的
延时,并且浪费存储空间。我们希望以“用时访问”的策略,并且能把所有的城
市气温封装到一个对象里,可用for语句迭代对象。
'''
'''
解决方案:
    1、实现一个迭代器对象Weatheritertor,next方法每次返回一个城市气温
    2、实现一个可迭代对象Weatherrable,__iter__方法放回一个可迭代器对象
'''
import requests
from collections import Iterable , Iterator

# 迭代器
class WeatherIterator(Iterator):
    def __init__(self,cities):
        self.cities = cities
        self.index = 0
    def getWeather(city):
        r = requests.get(u'http://wthrcdn.etouch.cn/weather_min?city=' + city)
        data = r.json()['data']['forecast'][0]
        return "%s:%s , %s" % (city, data["low"], data['high'])
    def next(self):
        if self.index == len(self.cities):
            raise StopIteration
        city = self.cities[self.index]
        self.index +=1
        return self.getWeather(city)

# 迭代对象
class WeatherIterble(Iterable):
    def __init__(self,cities):
        self.cities = cities
    def __iter__(self):
        return WeatherIterator(self.cities)


for x in WeatherIterble([u'广州',u'上海',u'北京',u'长沙']):
    print(x)

 

转载于:https://www.cnblogs.com/ArtisticMonk/p/9092855.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要保存训练神经网络的迭代结果,一种常见的做法是使用模型检查点(model checkpoint)技术。模型检查点可以在每个迭代/时期结束时保存模型的参数和优化器的状态,以便稍后可以重新加载它们并继续训练。以下是一个示例代码片段,展示如何使用 TensorFlow 来保存和加载模型检查点: 保存模型: ```python import tensorflow as tf # 在训练过程中创建一个 tf.train.Checkpoint 对象 checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer) # 在合适的时候调用 save 方法保存模型 checkpoint.save('path/to/save/checkpoint') ``` 加载模型: ```python import tensorflow as tf # 创建一个与训练时相同的模型和优化器 model = create_model() optimizer = create_optimizer() # 创建一个 tf.train.CheckpointManager 对象来管理检查点 checkpoint = tf.train.Checkpoint(model=model, optimizer=optimizer) manager = tf.train.CheckpointManager(checkpoint, directory='path/to/save/checkpoint', max_to_keep=3) # 恢复最新的检查点 checkpoint.restore(manager.latest_checkpoint) # 如果要恢复特定迭代/时期的检查点,可以通过 restore 方法传入对应的检查点路径 # checkpoint.restore('path/to/specific/checkpoint') # 检查点恢复后,可以使用模型进行预测或继续训练 ``` 通过这种方式,你可以在训练过程中保存模型的迭代结果,并在需要时恢复它们,以便进行预测或继续训练。请注意,这只是 TensorFlow 的一种实现方式,不同的深度学习框架可能有不同的保存和加载模型的方式。
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