函数(一)

一 函数基础

1 什么是函数

​ 函数就是具备某一功能的工具,事先将工具准备好就是函数的定义,遇到应用场景拿来就用就是函数的调用

2 为什么要用函数

​ 程序冗长

​ 程序的扩展性差

​ 程序的可读性差

3 如何使用函数

​ (1)定义函数

def 函数名():
    代码块  # 实现某一个具体的功能
    
    
# 函数名有某种意义;
# 函数名接收变量值;
# 函数名只能使用字母、数字、下划线组成,并且第一个字符不能是数字,也不能是下划线

​ (2)调用函数

函数名(param1、param2……)
定义函数:本来报错的东西不会报错,定义函数阶段只识别语法(10bac报错),不运行代码 (*****)
调用函数:才执行函数体代码(*****)

二 定义函数的三种形式

1无参函数

def self_max():
    x, y = 10, 20

    if x > y:
        print(x)
    else:
        print(y)

self_max()

2 有参函数

def self_max(x, y):
    if x > y:
        print(x)
    else:
        print(y)

self_max(100,500)

3 空函数

def self_max():
    pass

self_max()

三 函数的返回值

1 什么是返回值

​ 函数内部代码经过一些列逻辑处理获得的结果

2 为什么要有返回值

​ 如果需要在程序中拿到函数的处理结果做进一步的处理,则需要函数必须要有返回值

​ return是一个函数结束的标志,函数内可以有多个return,只要执行到return,函数就会停止。

​ return的返回值可以返回任意数据类型

​ return的返回值无个数限制,即可以使用逗号隔开返回多个值

​ 0个:返回None

​ 1个:返回值是该值本身

​ 多个:返回值是元组

def self_max(x,y): # x=1000,y=100
    if x> y:
        return x  
    else:
        return y

max_num = self_max(1000,100)
print(max_num)

四 函数的调用

1 什么是函数调用

​ 函数名(param1、param2……)即调用函数,会执行函数体代码,直到碰到return或者执行完函数体内所有代码结束

函数运行完毕所有代码,如果函数体不写return,则会返回None。

2 为什么调用函数

​ 使用函数的功能

五 函数参数的应用

1 形参

​ 函数定义阶段括号内定义的参数,称之为形式参数,简称形参,本质就是变量名

def func(x, y):
    print(x)
    print(y)

2 实参

​ 在函数调用阶段括号内传入的参数,称之为实际参数,简称实参,本质就是变量的值

func(1, 2)

3 位置形参

​ 在函数定义阶段,按照从左到右的顺序依次定义的形参,称之为位置形参

def func(x, y):
    print(x)
    print(y)

4 位置实参

​ 在函数调用阶段,按照从左到右的顺序依次定义的实参,称之为位置实参

​ 特点:按照位置为对应的形参依次传值

func(1, 2)

5 关键字实参

​ 在调用函数时,按照key=value的形式为指定的参数传值,称为关键字实参

​ 特点:可以打破位置的限制,但仍能为指定的形参赋值

func(y=2, x=1)

注意:

  1. 可以混用位置实参和关键字实参,但是位置实参必须在关键字实参的左边。
  2. 可以混用位置实参和关键字实参,但不能对一个形参重复赋值。

6 默认形参

​ 在定义阶段,就已经被赋值

​ 注意:

  1. 位置形参必须放在默认形参的左边。
  2. 默认形参的值只在定义阶段赋值一次,也就是说默认参数的值在函数定义阶段就已经固定了。
def func(x, y=10):
    print(x)
    print(y)

六 可变长参数

1 可变长形参

  • argsFunc 中匹配完定义好的参数,剩余的参数以元组的形式存储在 args(args 名称你可以自行定义)

    def argsFunc(*my_args):
        print (my_args)
    
    argsFunc(1, 2, 3, 4)
    (1, 2, 3, 4)
    argsFunc()
  • 形参名前加两个*表示,参数在函数内部将被存放在以形式名为标识符的 dictionary 中,这时调用函数的方法则需要采用 arg1=value1,arg2=value2 这样的形式。

def a(**x):
    print (x)
a(x=1,y=2,z=3)
{'y': 2, 'x': 1, 'z': 3}

转载于:https://www.cnblogs.com/einsam/p/10946300.html

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