Codecademy网学习Python第四天

  今天学习的是Function Juntion,定义一个函数。如下:
def spam():
    """prints 'Eggs' to the console"""
    print "Eggs"
def square(n):
    """Returns the square of a number."""
    squared = n**2
    print "%d squared is %d." % (n, squared)
    return squared
当有多个输出结果时,只要在定义函数时加入*号即可!如下:
def favorite_actors(*name):
    """Prints out your favorite actorS (plural!)"""
    print "Your favorite actors are:" , name    
favorite_actors("Michael Palin", "John Cleese", "Graham Chapman")

在print语句中只要name即可,不需要*号!

函数嵌套内时,只要在输出时加入你要调用的函数即可。

def one_good_turn(n):
    return n + 1
def deserves_another(n):
    return one_good_turn(n) + 2
def cube(number):
    """prints 'number's cube' to the console."""
    cube_number = number**3
    return cube_number

def by_three(number):
    """prints 'no' to the console."""
    if number%3 == 0:
        cube_number = cube(number)
        return cube_number
    else:
        return False
print "Please input an integer: "
number = raw_input()
number = (int)(number)
by_three(number)
print by_three(number)
raw_input()好像输入的是string型的数,所以要转换成int型的数才能使用所构建的函数。

系统函数的调用要用import+函数,然后在使用该函数的子函数时要用函数.子函数来表明。

import math
print math.sqrt(25)
这是第二种调用子函数的方法:
from module import function
记住function后面不用加上()号!

当然还能用它调用所有的子函数。如

import math 等价于 from math import *
但是在输出有不一样的地方
import math
everything = dir(math)
print everything

def shut_down(s):
    """return shut_down or not to the console."""
    s = s.lower()
    if s == 'yes':
        return "Shutting down..."
    elif s == 'no':
        return "Shutdown aborted!"
    else:
        return "Sorry, I didn't understand you."
shut_down('No')
shut_down('Yes')
shut_down('Year')
def distance_from_zero(NUM):
    """prints the distance from zero."""
    if type(NUM) == int or type(NUM) == float:
        return abs(NUM)
    else:
        return "Not an integer or float!"
NUM1 = 4.1
NUM2 = -4
NUM3 = 'ins'
print distance_from_zero(NUM1)
print distance_from_zero(NUM2)
print distance_from_zero(NUM3)




深度学习是机器学习的一个子领域,它基于人工神经络的研究,特别是利用多层次的神经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. **神经络(Neural Networks)**:深度学习的基础是人工神经络,它是由多个层组成的络结构,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. **前馈神经络(Feedforward Neural Networks)**:这是最常见的神经络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经络(Convolutional Neural Networks, CNNs)**:这种络特别适合处理具有格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经络(Recurrent Neural Networks, RNNs)**:这种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. **生成对抗络(Generative Adversarial Networks, GANs)**:由两个络组成,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,它们在神经络中用于添加非线性,使得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