浅拷贝和深拷贝、eval

浅拷贝:不拷贝子对象的内容,只是拷贝子对象的引用。
深拷贝:会连子对象的内存也全部拷贝一份,对子对象的修改不会影响源对象
内置函数:浅拷贝(copy)深拷贝(depcopy)

eval()函数
功能:将字符串str当成有效的表达式来求值并返回计算结果。
语法: eval(source[, globals[, locals]]) -> value
参数: source:一个 Python表达式或函数
compile()返回的代码对象 globals:可选。
必须是dictionary locals:可选。任意映射对象

#eval()函数可以把字符串当初代码来执行,
# 因此有安全隐患,
# 如果字符中有删除文件的语句


eval("print('abcde')")

s = "print('abcde')"
eval(s)
a = 10
b = 20
c = eval("a+b")
print(c)
dict1  = dict(a= 100,b = 200)
e = eval("a+b",dict1)
print(e)
train和eval是机器学习中常用的两个术语。 Train(训练)是指通过给定的数据集对模型进行参数的学习和调整的过程。在训练阶段,模型根据输入的数据进行计算,并通过与实际标签的比较来更新自身的参数,使模型能够更准确地预测。 模型的训练通常包括以下步骤:输入数据的预处理、选择合适的模型架构、定义损失函数、选择优化算法、迭代地更新模型参数、评估模型的性能。训练的目标是通过不断调整模型参数,使得模型在训练数据上的预测结果与真实标签尽可能地接近,从而提高模型的泛化能力。 Eval(评估)是指在训练完成后,使用另外的测试数据对模型的性能进行评估的过程。评估的目的是检验模型在未见过的数据上的预测性能,以衡量模型的泛化能力。通常通过计算评价指标(如准确率、精确率、召回率、F1-score等)来判断模型的好坏。 在评估阶段,模型不再进行参数的更新,而是直接使用训练得到的参数进行预测。通过与真实标签的比较,评估模型在测试数据上的性能表现。评估的结果可以用于选择最优模型、调整模型参数或者比较不同模型的性能。 总之,train和eval是机器学习中用来描述训练和评估模型的两个术语。通过训练,模型通过不断调整参数来提高在训练数据上的性能;通过评估,可以检验模型在未见过数据上的预测能力。这两个过程相辅相成,共同构建一个有效的机器学习模型。
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