Python基础 | (2)列表简介

目录

 

一、什么是列表

1.定义

2.访问列表元素

二、修改、添加和删除元素

1.修改列表元素

2.在列表中添加元素

3.从列表中删除元素

三、组织列表

1.使用sort()对列表进行永久性排序

2.使用sorted()对列表进行临时排序

3.倒着打印列表

4.计算列表长度


一、什么是列表

1.定义

  • 列表由一系列按特定顺序排列的元素组成。
  • 可以包含所有字母、数字0~9或字符串。
  • 可以将任何东西加入列表中,元素间可以没有任何关系。
  • 通常列表名为复数。
  • Python中[]表示列表,用","分隔其中的元素。

2.访问列表元素

  • 列表为有序集合,可以采用列表名称+索引的形式访问,索引放在[]中

  • 注意索引从0而不是1开始
  • Python列表中最后一个元素可以用索引为-1的方式访问,倒数第二个元素索引为-2,以此类推

二、修改、添加和删除元素

1.修改列表元素

2.在列表中添加元素

  • 在列表末尾添加元素用append()方法

  • 在列表中插入元素用insert()方法,其可在列表任意位置添加新元素,需指定新元素的索引和值

3.从列表中删除元素

  • 如果知道要删除元素在列表中的索引,可使用del语句

  • pop()方法可删除列表末尾的元素,并返回被删除元素的值,可接着使用

  • 实际上可以使用pop()方法删除列表中任意位置的元素并返回,在括号中输入索引即可

  • remove()方法可以根据元素值删除元素,注意只能删除第一个指定的值,若被删除的值在列表中出现多次,需要使用循环判断是否删除了所有这样的值(在Python基础(七)中会讲)

三、组织列表

1.使用sort()对列表进行永久性排序

  • 所谓永久性排序是被排序列表本身发生了改变
  • 排序是按字母顺序
  • 逆序排序需要添加参数 reverse=True

2.使用sorted()对列表进行临时排序

  • 所谓临时性排序是被排序列表本身没有发生改变
  • 逆序排序需要添加参数 reverse=True
  • 保留列表元素原来的顺序,同时以特定的顺序呈现他们

3.倒着打印列表

  • 反转列表元素的排列顺序,用reverse(),永久性修改

4.计算列表长度

  • len()

 

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