python学习2--数值变量

python提供三种基本数值类型:整型,浮点型,虚数。我们可以使用python的内置函数type来确定一个数值的类型。虚数是面向工程师和数学家研究的,在实际开发中比较少用到。
type(1)-----><class int>
type(1.0)---><class float>
type(12j+1)---><class complex>
1.注意,我们可以使用字符串中的格式说明符把数值嵌套到字符串中,但是不能使用“+”来连接一个字符串实例和任何一个数值。python中“+”运算是不能处理两个不同类型的变量的,整型和浮点型是同数值类型,所以可以直接运算。
如果我们想使用“+”运算处理一个字符串和一个数值,我们就必须把数值类型转换成字符串类型,可以使用内置的str函数来转换。
print("our all money is "+str(1234.67))
字符串中的格式说明符同c语言的用法。比较常用的是%s,%d,%f等。
print("our all money is %d"  34.67)

2.python数值类型的处理和大多数语言一样使用+,-,*,/这些符号。python可以支持非常大的数值,但是遇到无法处理的超大数值时,会返回inf,表示infinity无穷大。
注意,数值在相除时,即使两个除数都是int,并且能够整除,返回的数值也是一个float类型。
44/11--->4.0
其他运算下,只有至少其中一个是float类型的数值,返回值才是float。
44-11--->33   44+11--->55
44.0-11--->33.0 44+11.0--->55.0
python一样使用%来表示取余运算。44--->4 44.0/10--->4.0 44/10.0--->4.0

3.输出格式:使用print中的%f来控制输出格式,用法同c语言的一样。
print("%f" %(5/3))  --->1.666667  //默认输出6位小数
print("%.2f" %(5/3) --->1.67
print("%0.f" %(5/3) --->2     //四色五入输出整数
当指定的格式比python要求显示的精度更高是,python不会截取该数值,而是适当的进行四舍五入。
输出格式的改变不会改变该数值的大小。

4.求值运算:优先级同数学定义,可以用括号来提高优先级。

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