Python模块之time

1. 模块介绍

time模块中时间表现的格式主要有三种:

  • 时间戳(timestamp):通常来说,时间戳表示的是从1970年1月1日00:00:00开始按秒计算的偏移量。返回的是float类型的数字。产生时间戳方式的函数主要有time(),clock()等。
  • 格式化的时间字符串(Format String)
  • 结构化的时间(struct_time):struct_time是一个元组类型,共有9个元素共九个元素(见下表),而gmtime(),localtime(),strptime()这几个函数返回的都是struct_time类型。

其中struct_time共有9个主要元素如下,元素值可以通过索引和属性名直接获取。

IndexAttributeValues
0year(4位数年)(for example, 1993)
1month(月)range [1, 12]
2day(日)range [1, 31]
3hours(小时)range [0, 23]
4minutes(分钟)range [0, 59]
5seconds(秒钟)range [0, 59]
6weekday(0-6, Monday is 0)
7Julian day(一年中的第几天)(day in the year, 1-366)
8DST (Daylight Savings Time)flag (-1, 0 or 1)

2. 函数介绍

  1. time() 返回当前时间的一个时间戳。
  2. sleep(seconds) 线程将推迟指定的时间后运行,单位为秒。其精度为亚秒级。
>>> import time
>>> print(time.time())  #返回当前时间的一个时间戳
1582955575.9293113
>>> time.sleep(5)
#...等待5秒....
  1. localtime([seconds]) 将一个时间戳转化为当前地区的一个struct_time()类型元组,未设置默认为当前时间。
  2. gmtime([seconds]) 与localtime类似,不过返回的UTC世界标准时间。
>>> print(time.localtime())
time.struct_time(tm_year=2020, tm_mon=2, tm_mday=29, tm_hour=14, tm_min=0, tm_sec=20, tm_wday=5, tm_yday=60, tm_isdst=0)
>>> print(time.gmtime())
time.struct_time(tm_year=2020, tm_mon=2, tm_mday=29, tm_hour=6, tm_min=1, tm_sec=23, tm_wday=5, tm_yday=60, tm_isdst=0)
  1. mktime(tuple) 将一个strut_time 转化为时间戳。
>>> print(time.mktime(time.localtime()))
1582956251.0
>>> time.ctime(1582956251.0)
'Sat Feb 29 14:04:11 2020'
  1. ctime([seconds]) 将一个时间戳(默认为当前时间)转换成一个时间字符串。
  2. asctime() 把一个代表时间的元组或者struct_time类型元组,转换为类似Thu Mar 21 15:05:36 2019这样的字符串形式。
>>> print(time.ctime(1582955575.9293113))
Sat Feb 29 13:52:55 2020

>>> time.asctime(time.localtime())
'Sat Feb 29 14:10:04 2020'
  1. strptime(string, format) 把一个格式化时间字符串转化为struct_time。实际上它和strftime()是逆操作。
  2. strftime(format[, tuple]) 把一个代表时间的元组或者struct_time类型元组转化为格式化的时间字符串。
>>> print(time.strftime('%Y%m%d%H%M%S'))
20200229142450
>>> print(time.strptime('20200229142500','%Y%m%d%H%M%S'))
time.struct_time(tm_year=2020, tm_mon=2, tm_mday=29, tm_hour=14, tm_min=25, tm_sec=0, tm_wday=5, tm_yday=60, tm_isdst=-1)
  1. clock() 返回的是程序进程运行时间。

最后引用网上的两张关系图表,它们清晰的总结了几个函数和返回类型之间的转换关系:
在这里插入图片描述
在这里插入图片描述

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