利用python smtplib简单有效的发送一封邮件(2)升级版

#开启群发模式

1.导入模块

from email.mime.text import MIMEText
from email.mime.image import MIMEImage
from email.mime.multipart import MIMEMultipart
from email.header import Header
#smtplib 用于邮件的发信动作
import smtplib

2.定义变量

#发送方的信息

sender = input(‘请输入登录邮箱:’)
password = input(‘请输入邮箱授权码:’)

收信方邮箱

to_addr= [‘收件人1邮箱@qq.com’,‘收件人2邮箱@qq.com’]
smtp_server=‘smtp.qq.com’
password=‘授权码’

3.邮件正文内容

txt=’’’
send by python2.0,内容
亲爱的学员,你好!
​ ​ 希望学习Python对你不是一件困难的事情!
人生短暂,推荐您使用Python
‘’’
msg = MIMEText(txt, ‘plain’, ‘utf-8’)

邮件主题

msg[‘From’]=Header(‘这里可以定义发件人的名称’)
msg[‘To’]=Header(‘这里可以定义收件人的名称’)
msg[‘Subject’]=Header(‘send by python,这是主题’)

4.使用方法

#开启发信服务,这里使用的是加密传输
try:
server = smtplib.SMTP_SSL(smtp_server) #因为版本问题,如果不加参数smtp_server,会报错:ValueError: server_hostname cannot be an empty string or start with a leading dot.
#邮箱 POP3服务器:pop.qq.com (端口995) // SMTP服务器:smtp.qq.com(端口465或587)
server.connect(smtp_server, 465)
#登录发信邮箱
server.login(sender, password)

5.发送邮件

server.sendmail(sender, to_addr, msg.as_string())
#关闭服务器
print(“邮件发送成功”)
server.quit()
except smtplib.SMTPException:
print(‘邮件发送失败’)

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

打赏作者

York_he

你的鼓励将是我创作的最大动力

¥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