python学习笔记之四

1.1      用with处理文件

with open(文件名1,读写方式) as 读写流1,open(文件名2,读写方式) as 读写流2…:

     流处理代码

readline() 读取每一行

print(写入内容,file = 写流)

1.2      用dump保存,用load回复

类似with处理文件一样,不同的是将with的读写方式改为以b结尾的流,代表二进制读写方式,这时,必须通过专门的api读写这个流。

比如 pickle.dump(写入内容,流),将数据保存到磁盘

pickle.load(流)来读取内容,从磁盘恢复数据

注意:使用pickle时必须importpickle 引入该模块,使用二进制和文本写入方式,生成的文件格式都会不同。

1.3      排序函数

定义列表datalist

(1)datalist.sort()会对原数据进行排序,改变原始数据排序内容。

(2)sorted(datalist)会得到一个队原数据进行排序的副本,可以赋给其他的列。

1.4      字符串包含

if  ‘包含的字符串’ in  ‘字符串’

1.5      字符串分割

定义字符串str,分隔符为,

[a,b,c] =str.split(‘,’)   需要注意a,b,c是否能够被赋值,如果不能,那么位空

1.6      推导列表

列表名1 = [处理item foritem in 列表名2]

例如

list1 = [process(item)for item in list2]

这里process是处理iten的第一个函数,可以自定义

item会遍历list2中的所有元素

1.7      取出列表指定前几项元素

列表名[m:n]   取出下标为m到n-1的元素

1.8      列表元素去重

set(列表名) 将返回一个去重元素的列表

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