复习python的函数

# -*- coding:utf-8 -*-
#

# 函数的使用
# 什么是函数?封装了一段代码的功能模块,可以被重复多次使用
# 例如:数学中的三角函数

# def 函数名(参数列表)# 函数名称的命名规范:
# 每个单词都是小写,单词之间用_下划线连接
def eat():
    print('1.买菜')
    print('2.洗菜')
    print('3.炒菜')
    print('4.吃饭')
    print('5.刷碗')

# 函数被调用才会执行
eat()

# 带有参数的函数
# 买水  需要给钱
# money 参数名要和参数的用处有关联,见名知意
# 必备函数 调用时,必须要传递的参数
def buy_water(money,name):

    print(money,name)
# 调用的时候必须将两个参数进行传递
buy_water(10,'康师傅矿泉水')

# 缺省参数
# 这种参数可以不用传递,如果不传入,就是默认值,如果传入,time就是传入的值
def sleep(name,time=8):

    print('{}睡了{}'.format(name,time))

sleep('小明',12)

# 传入的参数个数不确定
# 不定长参数,实际上传递进来之后,是一个元组,元组中存放的是数据
def print_number(*args):

    print(args)

print_number(1,2,3,4,5,6,7,8,9)

# 传入多个关键字参数
# 不定长的关键字参数,实际上传入的是一个字典
def test(**kwargs):
    print(kwargs)
# 调用时,必须按照key = value的形式传递参数
test(name='张三',age='22')

# 如果一个函数中有必备参数,缺省参数,不定长参数,关键字不定长参数,需要注意
# 这几个参数的先后顺序

def total(name,age=10,*args,**kwargs):
    print(name,age,args,kwargs)

total('小明',22,1,2,3,4,5,phone=110,sex='')

# 函数中return有两个作用
# 1.返回函数执行的结果
def test1(a,b):
    print('.........')

    return a + b

rs = test1(100,200)
print(rs)
# 2.结束函数的执行
def test2():
    print('........')
    return
    # return下方的代码就不会在执行了
    print('*******')
test2()

# 3.在函数中,返回多个值
def test3():

    return 1,2,3,4,5,6,7,8,9
rs = test3()
print(rs)







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