map、reduce、filter内置函数

1map

map(function,sequence) calls function(item) for each of the sequence’s items and returns alist of

the return values.

 

map对序列中的每一个items调用function(items),并返回一个列表。

 

>>> defcube(x): return x*x*x

...

>>>map(cube, range(1,5))

[1, 8, 27, 64]

 

>>>map(lambda x:x+5, range(1,8))

[6, 7, 8, 9, 10, 11,12]

 

2reduce

reduce(function,sequence) returns a single value constructed by calling the binary functionfunction

on the first twoitems of the sequence, then on the result and the next item, and so on.

 

对sequence中的item顺序迭代调用function,函数必须要有2个参数。要是有第3个参数,则表示初始值,可以继续调用初始值,返回一个值。

 

>>> defadd(x,y): return x+y

...

>>>reduce(add, range(1, 11))

55

#1+2+3+4+5+6+7+8+9+10

 

>>>reduce(add, range(1, 11),10)

65

#初始值为1010 +1+2+3+4+5+6+7+8+9+10

 

>>> defmulti(x,y): return x*y

...

>>>

>>>reduce(multi, range(2,5))   # 2*3*4

24

>>>reduce(multi, range(2,5),5)   # 5*2*3*4

120

 

>>>reduce(lambda x,y:x*y, range(2,8))

5040

>>>reduce(lambda x,y:x*y, range(2,8),10)

50400

 

 

3filter

filter(function,sequence) returns a sequence consisting of those items from the sequence forwhich

function(item) istrue. If sequence is a str, unicode or tuple, the result will be of the sametype;

otherwise, it isalways a list.

 

对sequence中的item依次执行function(item),将执行结果为True(!=0)的item组成一个List/String/Tuple(取决于sequence的类型)返回,False则退出(0),进行过滤。

 

>>> deff(x): return x % 3 == 0 or x % 5 == 0

...

>>>filter(f, range(2, 25))

[3, 5, 6, 9, 10, 12,15, 18, 20, 21, 24]

 

>>>filter(lambda x:x%2, range(10))

[1, 3, 5, 7, 9]

 

4、实现5!+4!+3!+2!+1!

 

def add_fact(n):

     empty_list=[]

     for i in map(lambda x:x+1, range(n)):

         temp=reduce(lambda x,y:x*y,range(1,i+1))

         empty_list.append(temp)

     return empty_list

 

>>> importadd_fact

>>>a=add_fact

>>>reduce(lambda x,y:x+y, a.add_fact(5))

153

 

 

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