慕课网——PHP进阶篇(数组)

    数组就是一个键值对组成的语言结构。如下图:

    $arr = array();表示创建一个空数组,并把创建的空数组赋值给变量$arr。

    PHP有两种数组:索引数组、关联数组。索引和关联都是针对数组的键而言。

    索引数组:数组的键是整数的数组,并且键的整数顺序是从0开始的,以此类推。

<?php
//创建一个索引数组,索引数组的键是“0”,值是“苹果”
$fruit = array("苹果","香蕉","菠萝");
?>
    索引数组赋值:

    ①:用数组变量的名字后面跟一个中括号的方式赋值,当然,索引数组中,中括号内的键一定是整数。例如:$arr[0]='苹果';

    ②:用array()创建一个数组,使用=>符号来分隔键和值,左侧表示键,右侧表示值。当然,索引数组中键一定是整数。例如:array ('0' => '苹果');

    ③:用array()创建一个空数组,直接在数组用英文的单引号  '  或者英文的双引号  ''   赋值,数组会默认建立从0开始的整数的键。比如:array('苹果');这个数组相当于array('0'=>'苹果');

    索引数组中如何把值取出来:用数组变量的名字后跟的中括号中的键,来访问数组中的值。举例如下:

$fruit = array('苹果','香蕉');
$fruit0 = $fruit['0'];
print_r($fruit0);//结果为苹果
    for循环访问索引数组里的值:for循环可以将数组里的所有值都访问到。举例如下:



    foreach循环访问:foreach循环可以将数组里的所有值都访问到。举例如下;



    关联数组:关联数组是指数组的键是字符串的数组。可以用print_r($fruit);语句输出数组及对应的值。举例如下:


    关联数组赋值:

    ①:用数组变量的名字后面跟一个中括号的方式赋值,当然,关联数组中,中括号内的键一定是字符串。比如:$arr['apple']='苹果';

    ②:用array()创建一个空数组,使用=>符号来分隔键和值,左侧表示键,右侧表示值。当然,关联数组中,键一定是字符串。比如:array('apple'=>'苹果');



 

   访问关联数组内容:用数组变量的名字跟中括号+键的方式来访问数组中的值,键使用单引号或者双引号括起来。


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