从零学AI大语言模型,python篇(一)

零基础开始学AI 大语言模型—python,已经有一段时间了,今天整理一下这段时间以来所学习的知识点和掌握情况并记录下进度,一方面方便自己随时回头查看和温习学过的知识点,一方面督促自己每天不要停止学习,坚持打卡,以形成一个良性循环,日积月累后,量变形成质变,最终达成自己定制的学习目的。

前段时间因为准备开始学习,为此查找了不少资料和学习视频,想要从中选择合适自己的。有纸质书籍,电子版书籍,视频等,观察比较之后,先选择了抖音视频的基础讲解,学习基础入门。

第一步首先是开发环境安装,因为之前准备学习时就已经安装过Python和PyCharm,那时候看了两天视频,也试着敲了两天基础的代码,囫囵吞枣地学了几天没有坚持下去。这次是打定主意要好好学的,从头开始,也省去了安装的步骤。

总结了一下这几天记下的知识点:

python的语法—

①python标识符:在python里,标识符有字母、数字、下划线组成。所有标识符可以包括英文、数字以及下划线(_),但不能以数字开头,且区分大小写。②python有五个标准的数据类型:Numbers(数字),String(字符串),List(列表),Tuple(元组),Dictionary(字典)。

变量:用来记录事物的一种状态,这些状态是会发生变化的。(程序运行的本质就是一系列状态变化的过程。)变量的使用原则是先定义,后使用。变量名不能和关键字相同。

查看关键字,可以输入:

import keyword

print(keyword.kwlist) 表示可以查看当前python版本下的所有关键字有哪些。

小整数池:范围是-5 到 256,为了避免因创建相同的值而重复申请内存空间带来的效率问题,python解释器会在启动的那一刻开始创建出小整数池。

基本数字类型:整数(int),用于表示没有小数部分的数,包括正整数、负整数和零。浮点数(float),用于表示带有小数部分的数值。复数(complex),用于表示复数。布尔值(bool),布尔类型是整数的子类型,只有两个可能的值:Ture 和False,主要用于逻辑运算和条件控制。

函数的定义:函数是一段组织好的、可重复使用的、用来实现特定功能的代码块。定义函数时预设的临时变量,有个专门的名称:参数。

定义过程所用的样板,叫作 形式参数,简称 形参,只起示范作用;而实际调用函数时括号里的东西叫作 实际参数,简称 实参。(预设临时变量,写进固定流程)

写函数时要注意的地方:

定义函数时,要遵循语法规则,给函数和参数的命名要简单易懂;注意缩进规则,函数体中是实现函数功能的代码,前面一定要有统一的空格缩进;我们用 函数名() 的形式调用函数,执行函数体中的代码;外部代码想要获取函数的处理结果进一步操作,需要使用 return 语句作媒介。return 语句是函数结束的标志,后面的代码不会运行。

位置参数:

关键字参数,参数名 = 值,关键字参数可以无视位置。

默认参数,默认参数的要求是一定要放在非默认参数的后面。

在 Python 中变量分为两种:全局变量和局部变量。局部变量 只在一定范围内有效,在范围外就无效了

函数内是局部作用域,函数外是全局作用域。局部作用域的变量是局部变量,只能在该函数内使用,全局作用域的变量是全局变量,一般情况下函数内外都可以使用。如果想让局部变量变成全局变量,只需在使用变量前加上一句 global变量名即可.

在什么情况下要在函数内加 global:

1、在函数外想要使用函数内的变量(全局作用域使用局部变量)。如果不加 global,则无法在函数外访问函数内的变量。2、在函数内修改函数外的变量(局部作用域修改全局变量)。如果不加 global,只是在函数内定义了和全局变量同名的变量,两者井水不犯河水。

Python中遇到除法运算,会把除数和被除数转换成float类型,通过input()函数得到的输入值是字符串类型。Python中对于数字的四则运算,符合四则运算法则:先乘除,后加减,有括号先算括号里。乘法运算用符号 * 表示,除法运算用符号 / 表示。百分号%,在Python中表示取余运算。比如19除以5,商是3,余数是4,所以 18 % 5 这个表达式的值就是4。

Python中有个计算次方的内置函数——pow()。它接受两个参数,分别是底数和指数。

比如要计算2的3次方,写成 pow(2, 3),结果为8。等价于乘方运算符2 ** 3。

循环引用会导致内存泄漏的问题,python提出了一种补充的解决方案,叫标记清除,标记清除会在python程序空间不够用的时候,将整个程序暂停下来,扫描栈区,把通过栈区所有能引用到的值,不管是通过栈区直接引用还是间接引用到的,都标记为存活状态。一旦发现有通过栈区引用不到的值,都标记为死亡状态。

死亡状态的值会直接被清理掉,就算它身上的引用计数不为零,只要我们访问不到它了,标记清除就会把它标记成垃圾回收掉。

python格式化输出:提前规划好一种格式。也叫格式化字符串。

格式化字符串有四种方式:

1、%形式,按照位置传,%s 可以传任意类型的值进去,它都会当字符串处理;%d 只能接收整型(用得少,了解一下就行, 一个值就不用括号,直接把值跟在 % 号后面).

不按照位置传:在后面写一个字典.

format()格式:是字符串专用的功能,所以需要在字符串后面点出来 字符串.format() 如:‘abc’.format(),可以传任意类型的值,都会被当成字符串填充进去

fromat()的占位符是一对{},也有两种传值方式:大括号里什么都不写,就是按照位置传值;大括号里写上索引0,就代表这里要放format()里面传的0号索引。

f 这种方式速度最快,其次是format,最慢的就是%的方式,以后用得最多的就是f 和format这两种方式。

条件判断:

一切条件最后都只有两种状态,成立或者不成立。成立结果就是true,不成立结果就是false。既然条件到最后都是布尔值,那布尔值本身 true 和 false 也可以是条件吧。这种通过判断得到的布尔值,或者直接使用布尔值作为条件的各种布尔值,称之为显示布尔值。

还有一种叫隐式布尔值,就是所有的值都可以当成布尔值去用,也就是说所有的值都可以当成条件去用。

不管是整型、浮点型、字符串类型、列表类型、字典类型这些所有类型的值背后都对应着一种布尔值,其实大多数的值都对应着一种布尔值true。我们只需要记住三个特例就行了,分别是 0 、None、空。None这种类型的值就它一个,它记录的就是什么都没有的这种状态。空可以是空字符串、空列表、空字典。这三个特例0、None、空,对应的是布尔值false,其他所有的值都对应的是true。也就是说当我把一个数字10当成条件的话,它代表的就是true。如果是数字 0 的话,它代表的就是false。直接放一个None的话也是代表false。只留一对引号,这就是空字符串,代表的是false。如果我敲几个空格的话,这不叫空字符串,空格也算是一个字符,所以这样的也是代表的是true,然后空列表、空字点都是代表的false。

逻辑运算符 and ,逻辑与,and作用是可以连接多个条件,当and 连接的所有条件都成立的时候,结果就是True;and从前往后以依次判断,如果有一个条件不成立,结果就是False。

print(16<age< 40=“” and=“” hoppy=“=‘wan’” xingb=“=” ‘girl’)<=“” p=“”>

逻辑运算符 not ,逻辑非,取反的意思,本来是True,加上 not 之后就变成False;本来是Flase,加上not之后就变成了True。

or逻辑或,只要有一个条件成立,结果就成立。

优先级 not>and>or,三个逻辑运算符混用,做线运算的是not,其次是and,最后是or,尽量不要混用,容易看不清楚。

成员运算符in :判断你是否属于它的成员,在不在里面,成员运算符可以适用于字符串和容器类型。

elif, 可以写无限多个,想写多少写多少,最后可以跟一个else,也可以不加,一般还是会加上,用来处理我们想到的所有条件都不成立的情况。只要有一个条件成立了,就会执行对应的子代码块,然后退出判断回到主线;如果所有条件都不成立,则会执行else的子代码块。

今天还学习了for循环和数字类型与基本转换,以及什么是二进制。现在我们谈到的数字其实都是十进制,数学里通常都是用十进制进行计算的,0,1,2,3…9,10 十进制是满十进一。二进制是满二进一,它是用0和1这两个数字来表示的,我们存储的一切数字,最后都会转成二进制的方式进行储存。这一块的知识点了解了之后,自己有找了几个数转换成二进制来练习。

通过这几天的学习,我发现不能只看视频和当时练习,还是得在学习之余多刷题,当天学了什么,就找跟学习内容相关的题目做,才会加深印象和熟练操作。今天就到这里了,明天继续。

 # 关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python!

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取)

在这里插入图片描述

👉Python学习视频600合集👈

观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

在这里插入图片描述

温馨提示:篇幅有限,已打包文件夹,获取方式在:文末

👉Python70个实战练手案例&源码👈

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

在这里插入图片描述

在这里插入图片描述

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错,但要学会兼职接单还是要有一个学习规划。

在这里插入图片描述

👉 这份完整版的Python全套学习资料已经上传,朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取保证100%免费

  • 22
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 下面是一段使用 Python 语言实现的简单汽车识别 AI 模型的代码示例: ``` import tensorflow as tf from tensorflow import keras # 载入图像数据集 (x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data() # 对数据进行预处理 x_train = x_train.astype('float32') / 255 x_test = x_test.astype('float32') / 255 # 定义模型 model = keras.Sequential([ keras.layers.Conv2D(32, (3, 3), padding='same', activation=tf.nn.relu, input_shape=(32, 32, 3)), keras.layers.MaxPooling2D((2, 2)), keras.layers.Conv2D(64, (3, 3), padding='same', activation=tf.nn.relu), keras.layers.MaxPooling2D((2, 2)), keras.layers.Flatten(), keras.layers.Dropout(0.5), keras.layers.Dense(64, activation=tf.nn.relu), keras.layers.Dense(10, activation=tf.nn.softmax) ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=['accuracy']) # 训练模型 history = model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_test, y_test)) # 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print('\nTest accuracy:', test_acc) ``` 该代码示例使用 TensorFlow 作为深度学习框架,使用 CIFAR-10 数据集,并使用卷积神经网络 (Convolutional Neural Network,CNN) 构建了一个图像分类模型。 其中,图像数据通过预处理被归一化到 [0, 1] 区间内,然后使用多个卷积和 ### 回答2: 要写一个用Python语言编写的识别汽车的AI模型,可以采用以下步骤: 1. 数据收集:首先需要收集包含汽车图像的数据集。可以从开源数据集中获取,或者通过网络爬虫从互联网上收集。确保数据集中包含多个不同品牌、型号和颜色的汽车图像。 2. 数据预处理:对收集到的汽车图像进行预处理,包括图像缩放、剪裁、色彩调整等操作,以确保输入到模型的图像具有一致的格式和质量。 3. 特征提取:利用深度学习模型来提取汽车图像的特征。可以使用预训练的卷积神经网络(CNN)模型,如VGG16、ResNet或MobileNet等,作为特征提取器。 4. 模型训练:将提取到的特征输入到一个分类器中,训练一个分类模型来实现汽车识别。可以选择使用支持向量机(SVM)、随机森林或神经网络等机器学习算法进行训练。 5. 模型评估和优化:使用一部分收集的数据作为测试集,评估训练好的模型在汽车识别任务上的性能。根据评估结果,对模型进行优化,如调整超参数、增加训练数据量、引入数据增强技术等。 6. 模型应用:将优化后的模型部署到实际应用场景中。可以通过将模型集成到一个Web应用程序或移动应用程序中,实现实时的汽车识别功能。 总之,通过以上步骤,可以使用Python语言编写一个能够识别汽车的AI模型。这个模型可以根据输入的汽车图像,自动识别出汽车的品牌、型号和颜色等信息。 ### 回答3: 要编写一个识别汽车的AI模型,可以使用Python语言和相关的机器学习/深度学习库和工具。下面是一个简单的思路: 1. 数据收集:收集足够数量的汽车图片数据,包括不同品牌、型号、颜色和角度等,以及一些非汽车图片作为对比。 2. 数据预处理:对收集的图片数据进行预处理,包括图像大小调整、色彩处理、去除噪声等,以提高模型性能。 3. 特征提取:使用卷积神经网络(CNN)进行特征提取。可以选择已经预训练好的模型,如VGGNet、ResNet或Inception等,通过迁移学习,将其作为特征提取器,快速获得图像特征。 4. 数据标签和划分:为每个汽车图片标记相应的标签,例如品牌和型号。将数据集划分为训练集和测试集,保证模型能够进行有效的验证。 5. 模型训练:将标记好的数据和特征输入到机器学习模型中,使用监督学习算法进行训练,如支持向量机(SVM)、随机森林(Random Forest)或基于深度学习的模型。 6. 模型评估和调优:使用测试集验证模型的准确率和性能,根据评估结果进行模型的调优,如调整模型参数、增加训练样本量、使用数据增强等方法。 7. 模型应用:对新的汽车图片进行预测,将其输入已训练好的模型中,通过模型的分类结果判断该图像是否为汽车以及其品牌和型号。 请注意,以上仅为一个简单的Python AI模型构建思路,实际上,汽车识别是一个复杂的问题,还需要考虑更多的因素和技术细节,如数据增强、模型优化等。此外,需要根据实际情况选择合适的机器学习/深度学习算法和工具,以及合适的硬件设备和环境。
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