Python学习笔记__8章错误、调试和测试__8.1章错误处理

# 这是学习廖雪峰老师python教程的学习笔记

1、概览

我们在运行程序或编写函数时,发生错误后,系统都会返回错误信息。我们可以通过某些机制,让错误信息更加明了

1.1、try

try机制的格式就是 try…except…finally。

try:   # try: 运行这段代码,若代码有误,就执行except

    print('try...')

    r = 10 / 0

    print('result:', r)

except ZeroDivisionError as e:  # except:捕获指定的错误类型并赋值给变量eexcept可以有多个

    print('except:', e)

finally:  # try except 执行完后,执行finally

    print('finally...')

注意:

Python的错误其实也是class,所有的错误类型都继承自BaseException,所以在使用except时需要注意的是,它不但捕获该类型的错误,还把其子类也“一网打尽”。比如:

try:
    foo()
except ValueError as e:
    print(
'ValueError')
except UnicodeError as e:
    print(
'UnicodeError')

第二个except永远也捕获不到UnicodeError,因为UnicodeErrorValueError的子类,如果有,也被第一个except给捕获了。

 

1.2、调用栈

$ python3 err.py

Traceback (most recent call last):

  File "err.py", line 11, in <module>

    main()

  File "err.py", line 9, in main

    bar('0')

  File "err.py", line 6, in bar

    return foo(s) * 2

  File "err.py", line 3, in foo

    return 10 / int(s)

ZeroDivisionError: division by zero

调用栈就是系统自己返回的错误信息。看调用栈,从上往下看。最后三行指明了错误的根源

1.3、记录错误

如果不捕获错误,可以让Python解释器来打印出错误堆栈,但程序也被结束了。

我们也可以捕获错误,把错误堆栈打印出来,然后分析错误原因,同时,让程序继续执行下去。

Python内置的logging模块可以非常容易地记录错误信息。

import logging

def foo(s):

    return 10 / int(s)  # 错误根源

def bar(s):

    return foo(s) * 2

def main():

    try:

        bar('0')  # main()调用bar()bar()调用foo()

    except Exception as e:

        logging.exception(e)

 

main()

print('END')

 

因为有 logging.exception(e)。执行 .py文件后。会继续执行,打印出“END”

1.4、抛出错误

错误是class,捕获一个错误就是捕获到该class的一个实例。所以,错误并不是凭空产生的,而是有意创建并抛出的。抛出的错误既可以是Python的内置函数定义的,也可以是我们自己定义的

1、第一种抛出:

# err_raise.py

class FooError(ValueError):  # 定义了一个错误类

    pass

 

def foo(s):

    n = int(s)

    if n==0:

        raise FooError('invalid value: %s' % s)  # 抛出自己定义的错误类

    return 10 / n

 

foo('0') # 调用函数

2、第二种抛出:

# err_reraise.py

def foo(s):

    n = int(s)

    if n==0:

        raise ValueError('invalid value: %s' % s)  # 抛出ValueError错误

    return 10 / n

 

def bar():

    try:

        foo('0')

    except ValueError as e:  # 捕捉错误

        print('ValueError!')

        raise # raise不带参数,把当前错误原样抛出。因为调用了foo(),所以抛给foo()

 

bar() # 调用函数

ValueError!  # except捕获错误后的print

Traceback (most recent call last):   #原样抛出错误,表现形式为协议栈

  File "<stdin>", line 1, in <module>

  File "<stdin>", line 3, in bar

  File "<stdin>", line 4, in foo

ValueError: invalid value: 0   # foo()抛出捕获的错误

 

1.5、错误的转换

在except中raise一个Error,可以把一种类型的错误转化成另一种类型

try:

    10 / 0

except ZeroDivisionError:

    raise ValueError('input error!')


【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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