python-函数式编程

#函数式编程

-基于lambda演算的一种编程方式

   ·程序中只有函数

   ·函数可以作为参数,同样可以作为返回值

   ·纯函数式编程语言:LISP,Haskell

-python函数式编程只是借鉴函数式编程的一些特点,可以理解为一半函数式一半python

   ·高阶函数

   ·返回函数

   ·匿名函数

   ·装饰器

   ·偏函数

#lambda表达式

-函数:最大程度复用代码

   ·存在问题:如果函数很小,很短,则会造成啰嗦

   ·如果函数被调用次数少,则会造成浪费

   ·对于阅读者来说,造成阅读流程的被迫中断

-lambda表达式(匿名函数):

   ·一个表达式,函数体相对简单

   ·不是一个代码块,仅仅是一个表达式

   ·可以有参数,有多个参数也可以,用逗号隔开

#"小"函数举例:
def printA():
    print("AAAAAAAA")
printA()

#lambda表达式的用法
#1.以lambda开头
#2.紧跟一定的参数(如果有的话)
#3.参数后用冒号和表达式主题隔开
#4.只是一个表达式,所有,没有return

#计算一个数字的100倍数
#因为就是一个表达式,所以没有return
stm=lambda x:10*x
#使用函数调用
stm(89)
stm2=lambda x,y,z:x+y*10+z*100
stm2(4,5,6)

高阶函数:

-把函数作为参数使用的函数,叫做高阶函数

   ·函数名称是变量

   ·funB和funA只是名称不一样而已

   ·既然函数名称是变量,则应该可以被当做参数传入另一个函数

a=100
b=a
#函数名称就是一个变量
def funA():
    print("in funA")
funB=funA
funB()

#高阶函数举例
#funA是普通函数,返回一个传入数字的100倍数字
def funA(n):
    return n*100
def funB(n):
    return funA(n)*3
print(funB(9))


#高阶函数
def funC(n,f):
    return f(n)*3
print(funC(9,funA))

def funD(n):
    return n*10

print(funC(1,funD))

系统高阶函数-map

-映射,即把集合或者列表中的元素,每一个元素都按照一定规则进行操作,生成新的列表或者集合

-map函数是系统提供的具有映射功能的函数,返回值是一个迭代对象

#map举例
#有一个列表,相对列表中的每一个元素都乘以10,并得到新的列表
l1=[i for i in range(10)]
print(l1)
l2=[]
for i in l1:
    l1.append(i*10)
print(l2)

#利用map实现
def mulTen(n):
    return n*10
help(map)
l3=map(l1,numTen)
print(type(l3))
print(l3)

l4=[for i in l3]
print(l4)


#reduce

-原意是归并,缩减

-把一个可迭代对象最后归并成一个结果

-对于作为参数的函数要求:必须由两个参数,必须有返回结果

-reduce([1,2,3,4,5])==f(f(f(f(1,2),3),4),5)

-reduce需要导入functools包

from functools import reduce
#定义一个操作函数
#加入操作函数只是相加
def myAdd(x,y):
    return x+y
#对于列表[1,2,3,4,5,6]执行myAdd的reduce操作
rst=reduce(myAdd,[1,2,3,4,5,6])
print(rst)

#filter函数

-过滤函数:对一组数据进行过滤,符合条件的数据会生成一个新的列表并返回

-跟map相比较:

   -相同:都对列表的每个元素逐一进行操作

   -不同:

      ·map会生成一个跟原来数据相对应的新队列

      ·filter不一定,只要符合条件的才会进入新的数据集合

   -filter函数:

      ·利用给定函数进行判断

      ·返回值一定是个布尔值

      ·调用格式:filter(f,data),f是过滤函数,data是数据

#filter案例
#对于一个列表,对其进行过滤,偶数组成一个新列表
#需要定义过滤函数
#过滤函数要求有输入,返回布尔值
def isEven(a):
    return a%2==0
l=[3,4,56,3,2,35,8,2,3,2,52]
rst=filter(isEven,l)
print(type(rst))
print(rst)

print([i for i in rst])

高阶函数-排序

-把一个序列按照给定的算法进行排序

-key:在排序前对每一个元素进行key函数运算,可以理解成按照key函数定义的逻辑进行排序

#排序的案例
a=[234,22315,56,2326,34622]
al=sorted(a,reverse=True)
print(al)

a=[-34,52,14,63,25,-5,35,114,-521]
al=sorted(a,key=abs,reverse=True)
print(al)

#sorted案例
astr=['lnm','Lnm','sdde','sdscsc','scfdcc']
str1=sorted(astr)
print(str1)
str2=sorted(astr,key=str.lower)
print(str2)

返回函数:

-函数可以返回具体的值

-也可以返回一个函数作为结果

 

def myF(a):
    print('in myF')
    return None
a=myF(8)
print(a)

#函数作为返回值返回,被返回的函数在函数体内定义
def myF2():
    def myF3():
        print("in myF3")
        return 3
    return myF3

f3=myF2()
print(type(f3))
print(f3)

#负责一点的返回函数的例子
#args:参数列表
#1.myF4定义函数,返回内部定义的函数myF5
#2.myF5使用了外部变量,这个变量是myF4的参数

def myF4(*args):
    def myF5():
        rst=0
        for n in args:
            rst+=n
        return rst
    return myF5
f5=myF4(1,2,3,4,5,6,7,8,9,0)
#f5的调用方式
f5()

f6=myF4(10,20,30,40,50)
f6()

#闭包(closure)

-当一个函数在内部定义函数,并且内部的函数应用外部函数的参数或者局部变量,当内部函数被当做返回值的时候,相关参数和变量保存在返回的函数中,这种结果,叫闭包

-上面定义的myF4是一个标准闭包结构


def count2():
    def f(j):
        def g():
            return j*j
        return g
    #定义列表
    fs=[]
    for i in range(1,4):
        fs.append(f(i))
    return fs
f1,f2,f3=count2()
print(f1())
print(f2())
print(f3())

装饰器

#装饰器
def hello():
    print("Hello world")

hello()
f=hello
f()

#f和hello是一个函数
print(id(f))
print(id(hello))


#对hello功能进行扩展,每次打印hello之前打印当前系统时间
#而实现这个功能又不能改动现有代码
#==>使用装饰器

-在不改动函数代码的基础上无限制扩展函数功能的一种机制,本质上讲,装饰器是一个返回函数的高阶函数

-装饰器的使用:使用@语法,即每次要扩展到函数定义前使用@+函数名

#对hello函数进行功能扩展,每次执行hello万打印当前时间
import time
#高阶函数,以函数作为参数
def printTime(f):
    def wrapper(*args,**kwargs):
        print("Time:",time.ctime())
        return f(*args,**kwargs)
    return wrapper

@printTime
def hello():
    print("Hello World")
hello()

#装饰器的好处是一点定义则可以装饰任意函数
#一旦被其装饰,则可把装饰器的功能直接添加到定义函数的功能上
def hello2():
    print("siugsuc")
    print("dsihugcbiu")
hello2()


#偏函数
#把字符串转化成十进制数字
int("12345")
help(int)

#想把字符串八进制12345转化为十进制整数
int("12345",base=8)

#新建一个函数,此函数是默认输入的字符串是16进制数字
#把此字符串返回十进制数字
def int16(x,base=16):
    return int(x,base)
int16("12345")

偏函数

-参数固定的函数,相当于一个由特定参数的函数体

-functools.partial的作用是把一个函数某些函数固定,返回一个新函数

import functools
int16=functools.partial(int,base=16)
int16("12345")

 

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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。
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