正则表达式(五)------ 匹配模式

1.不区分大小写模式

>>> re.search(r"(?i)the","THe")!=None           #指定方式一,括号并不影响捕获分组的编号
True
>>> re.compile(r"the",re.I).search("THe")!=None #python中也可以这样指定
True
>>> re.search(r"the","THe",re.I)!=None
True


2.单行模式-------DOTALL模式---------在该模式下点号可以匹配换行符

>>> re.search(r"^.*abcde$","\nabcde")!=None     #默认模式下点号不能匹配\n
False
>>> re.search(r"(?s)^.*abcde$","\nabcde")!=None  #单行模式
True
>>> re.search(r"^.*abcde$","\nabcde",re.S)!=None  #python中还可以这样指定单行模式
True
>>> re.search(r"^.*abcde$","\nabcde",re.DOTALL)!=None
True


3.多行模式------决定$和^的匹配类型

>>> s="1 line\nno digit\n3 line"   #字符串s中有多行文本
>>> print(s)
1 line
no digit
3 line
在普通模式下,$和^只能匹配整个字符串的结束和开始位置:

>>> re.findall(r"^\d",s)
['1']
>>> re.findall(r"\w+$",s)
['line']

在多行模式下,^和$可以匹配每一行的开始和结束位置:

>>> re.findall(r"(?m)^\d",s)
['1', '3']
>>> re.findall(r"(?m)\w+$",s)
['line', 'digit', 'line']

在python中也可以用下面方式来标识多行模式

>>> re.findall(r"\w+$",s,re.M)
['line', 'digit', 'line']
>>> re.findall(r"\w+$",s,re.MULTILINE)
['line', 'digit', 'line']

4.注释模式

当这则表达式太长太复杂变得难以维护时,需要使用注释:

>>> regex1=r"""
(?x)	#mode
\w+$    #ends with words
"""
>>> re.findall(regex1,s)
['line']

5.多种模式同时使用

>>> regex1=r"""
(?mx)	#multiple line and extended mode
\w+$    #ends with words
"""
>>> re.findall(regex1,s)
['line', 'digit', 'line']



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