Python学习笔记 第三节

运算符

算术运算符:
就是我们常用的
+ 两个对象相加(也可以用来字符串的连接)
- 两个数相减(得到的数可以是负值)
* 两个数做乘法运算,或者将一个字符串重复几次
/ 两个数做除法运算,需要注意(在Python2版本里边,两个相除,得到的也是整数,如果想要得到浮点数,只要把其中一个数变为浮点数就好) 例程环境 :python 3
在这里插入图片描述
** 幂 - 返回x的y次幂
// 取整除 - 返回商的整数部分(向下取整)
在这里插入图片描述
比较运算符
== 等于:比较两个数是否相等 如果相等返回true 否则返回False
!= 不等于:比较两个数是否相等 如果相等返回False,否则返回True
<> 不等于:Python2版本里边的比较运算符,Python3里边已经废弃使用
还有其他的一些运算符,是我们常用的:
> 大于 < 小于 >=大于等于 <=小于等于

赋值运算符
Python3里边的赋值运算符主要有以下几种:
= 简单的赋值运算 a=b
+= 加法赋值运算符 c += a 等效于 c = c + a
-= 减法赋值运算符 c -= a 等效于 c = c - a
*= 乘法赋值运算符 c *= a 等效于 c = c * a
/= 除法赋值运算符 c /= a 等效于 c = c / a
%= 取模赋值运算符 c %= a 等效于 c = c % a
**= 幂赋值运算符 c **= a 等效于 c = c ** a
//= 取整除赋值运算符 c //= a 等效于 c = c // a

位运算符
位运算符在使用的时候是把参与运算的数当作二进制数进行计算的
在这里插入图片描述
逻辑运算符
Python支持三种逻辑运算符 and (逻辑与) or(逻辑或) not(逻辑非)
and (a and b) 如果a为假,返回False,反之如果a为真,返回b的值
在这里插入图片描述
or (x or y) 布尔"或" - 如果 x 是非 0,它返回 x 的值,否则它返回 y 的计算值。
not (not x )布尔"非" - 如果 x 为 True,返回 False 。如果 x 为 False,它返回 True。

成员运算符
in 判断指定的值是否在指定的序列中 如果在,返回真;反之,返回False
not in 判断指定的值是否在指定的序列中 ,如果在 返回False,反之,返回True

运算符的优先级
在这里插入图片描述

Python 条件语句

Python里边指定任何非0和非空为True ,0和Null为False
If语句的基本形式为:(注意冒号不可省略) 相同的缩进表示同一个代码块

if 判断条件:
    执行语句……
else:
    执行语句……

当判断条件增多时,可以采用以下的If语句形式:

if 判断条件1:
    执行语句1……
elif 判断条件2:
    执行语句2……
elif 判断条件3:
    执行语句3……
else:
    执行语句4……

Python里边不支持Switch case 结构,所以当有多个条件需要比较的时候,可以使用and or等逻辑运算符完成不同条件的比较:
使用 or (或),表示两个条件有一个成立时判断条件成功;使用 and (与)时,表示只有两个条件同时成立的情况下,判断条件才成功。

Python中的循环语句
python中的循环语句包括 While循环和for循环 当然可以在使用的过程中进行循环嵌套的操作
循环控制语句包括
break 终止循环过程,并且跳出整个循环过程
continue 结束当前的循环,跳出这一次的循环过程,执行下一次循环
pass 空语句

举例:将一个列表中的偶数和奇数分别存储在两个列表中

number=[58,79,42,51,36,89,24]
dest=[]
ech=[]
while len(number)>0:
    x = number.pop()
    if(x%2==0):
        dest.append(x)
    else:
        ech.append(x)
print(dest)
print(ech)

打印结果:

[24, 36, 42, 58]
[89, 51, 79]

在这个代码段里边使用了两个函数:pop() 和 append() 可以简单地理解为,pop函数是默认将列表中索引为-1的数据删除,并且返回该数据;而append函数可以理解为,从列表开始的地方存入数据(也就是从列表尾部追加元素),而且需要注意的是,使用append函数在追加元素,使用的是浅拷贝的方式进行的,当程序对源数据进行修改的时候,通过append函数追加的数据也会被修改。

在Python中While也可以和else搭配使用,如下:
输出列表中第一个小于50的数据:

number=[58,79,42,51,36,89,24]
x=0
while (number[x]>50):
    x+=1
else:
    print(number[x])

打印结果:

42
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