内置函数

print(abs(-1))      # 绝对值
print(all([1,'a',True])) # 列表中所有元素的布尔值为真,最终结果才为真
print(all('')) # 传给all的可迭代对象如果为空,最终结果为真

print(any([0,'',None,False])) #列表中所有元素的布尔值只要有一个为真,最终结果就为真
print(any([])) # 传给any的可迭代对象如果为空,最终结果为假

print(bin(11)) #十进制转二进制 B
print(oct(11)) #十进制转八进制 O
print(hex(11)) #十进制转十六进制 H

print(bool(0)) #0,None,空的布尔值为False

res='你好egon'.encode('utf-8') # unicode按照utf-8进行编码,得到的结果为bytes类型
res=bytes('你好egon',encoding='utf-8') # 同上
print(res)

def func():
    pass
print(callable('aaaa'.strip)) #判断某个对象是否是可以调用的,可调用指的是可以加括号执行某个功能

print(chr(90)) #按照ascii码表将十进制数字转成字符
print(ord('Z')) #按照ascii码表将字符转成十进制数字


print(dir('abc')) # 查看某个对象下可以用通过点调用到哪些方法

print(divmod(1311,25)) # (52,11)分页

eval将字符内的表达式拿出运行一下,并拿到该表达式的执行结果
res=eval('2*3')
res=eval('[1,2,3,4]')
res=eval('{"name":"egon","age":18}')
print(res,type(res))


with open('db.txt','r',encoding='utf-8') as f:
    s=f.read()   #读成字符串
    dic=eval(s)  #再变成字典
    print(dic,type(dic))
    print(dic['egon'])


s={1,2,3}
s.add(4)
print(s)

不可变集合
fset=frozenset({1,2,3})  #frozenest冻结

x=111111111111111111111
# print(globals()) # 查看全局作用域中的名字与值的绑定关系
# print(dir(globals()['__builtins__']))
def func():
    x=1
    print(locals())
# func()
print(globals())

字典的key必须是不可变类型
dic={[1,2,3]:'a'}
不可hash的类型list,dict,set==  可变的类型
可hash的类型int,float,str,tuple ==  不可变的类型
hash()

def func():
    """
    帮助信息
    :return:
    """
    pass


print(help(max))

len({'x':1,'y':2}) #{'x':1,'y':2}.__len__()

obj=iter('egon') #'egon'.__iter__()

print(next(obj)) #obj.__next__()

print(pow(2,3,3)) #2 ** 3 % 3


l=[1,4,3,5]
res=reversed(l)
print(list(res))
print(l)


print(round(3.5))
print(round(3.4))


sc=slice(1,5,2) #1:5:2  切片
l=['a','b','c','d','e','f']
# print(l[1:5:2])
print(l[sc])


t=(1,2,3,4,5,6,7,8)
# print(t[1:5:2])
print(t[sc])


sum
print(sum([1,2,3,4]))


vars
vars()  #没有参数是等同于locals


_import_()   #以字符串模式导入模块
zip拉链函数
left='hello'
right={'x':1,'y':2,'z':3}


res=zip(left,right)

print(list(res))


# 面向对象里讲
classmethod
staticmethod
property

delattr
hasattr
getattr
setattr

exec

isinstance
issubclass


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