Perl语言入门读书笔记

die默认输出出错文件名以及行号,如想忽略结尾加\n。$!存储系统服务请求失败信息。
$| = 1立即清空缓存区。
%访问整个hash
reverse hash会让键值对互换。
keys values对hash键值分别根据上下文取值。
while和each配合遍历hash。
foreach遍历hash key来遍历hash。
Perl获取当前环境用%ENV,如Path $ENV{"path"}。
$. 文件中最后处理的行号
$@ 最后一个eval抛出的错误信息报告
$$ 正在执行本脚本的进程号

&& || 短路操作符,计算尽可能少的操作数来判断语句真假

.. 范围操作符,标量环境创建flip-flop表达式返回布尔值。左操作数为假时操作符为假,当左操作符为真,则操作符一直为真,同时测试右操作符如为真,则操作符变为假,但当次仍然返回真,此为左右操作数同次计算。如果想等到下次计算再计算右操作数,可使用'...'操作符。
这里因为中文的翻译问题,很容易误解,因为和测试结果不一致。原文是“If you don't want it to test the right operand until the next evaluation”, 而中文书翻译是“如果你不想拖到下一次计算才测试右操作数”,这样翻译是不对的。其实这是not...until在否定句中使用的句型,应该翻译成“如果你想下次计算才测试右操作数”。呵呵
测试例子:

foreach my $x (1..10) {
# print "$x\n" if $x == 1 .. $x == 1; #输出1
print "$x\n" if $x == 1 ... $x == 1; #输出1到10
}

第一行代码左为真则操作符为真,验证右操作数也为真则又将操作符置假,只返回本次。
第二行代码左操作数为真并不立即测试右操作数,而是等到下一次,下一次测试时操作符为真,则只测试右操作符,结果为假,则操作符返回真,结果输出所有。
如果操作数是数字直接量,则默认和$.做等于比较
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