Python学习笔记2——注释与变量

把握今天,才能拥有明天!!!

注释

行注释:# 块注释:Python的代码块注释用三引号""" """或者''' '''

变量

命名:数字,字母,下划线 数字不可以开头 以下划线开头的内容具有特殊含义,不推荐使用 大小写敏感 使用固定含义的单词或缩写 类的命名尽量使用大驼峰命名。如MyFirstLove 不能使用关键字与保留字

import keyword
print(keyword.kwlist)
['False', 'None', 'True', 'and', 'as', 'assert', 'break', 'class', 'continue', 'def', 'del', 'elif', 'else', 'except', 'finally', 'for', 'from', 'global', 'if', 'import', 'in', 'is', 'lambda', 'nonlocal', 'not', 'or', 'pass', 'raise', 'return', 'try', 'while', 'with', 'yield']

变量声明

var1=var2=var3=var_value Python可以给一大堆变量赋值,相同值不同值都可以

age = 18
print(age)
print(18)
age1=age2=age3=18
print(age1)
print(age2)
print(age3)
age4,age5,age6=12,13,14
print(age4)
print(age5)
print(age6)
18
18
18
18
18
12
13
14

变量类型

严格意义上讲,Python只有一个类型 不严格: 1.数字类型Number 2.字符串类型str 3.列表list 4.元组tuple 5.字典Dictionary 6.集合set

整数,没有大小限制

整数分进制 二进制(0b开头) 八进制(以0o开头) 十六进制(以0x开头) 十进制

age = 0b10010
print(age)

18

浮点数

  • 小数
  • 3.14
  • 3.
  • 0.5
  • 3. 都是合法的

科学记数法

写法e/E后面跟着整数,整数为指数

print(8.76e-1)

0.876

负数

虚部用j/J表示

布尔值

大写:True/False 1/0 布尔值也可以当数字用

字符串

单引号,双引号,三引号 单双引号交替使用 三引号可用于段落

love="I love Python"
html = 'a style="color:red></a>"'
print(love)
print(html)
htmls='''qwe
123
abc
456
def
'''
print(htmls)
I love Python
a style="color:red></a>"
qwe
123
abc
456
def
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