日期和时间-time时间模块

时间的检测

 1 #时间的检测
 2 #导入时间模块
 3 import time
 4 #返回当前时区与格林尼治所在时区的相差秒数(推荐)
 5 print(time.timezone)
 6 #输出结果:-28800
 7 
 8 #返回当前时区与格林尼治所在时区的相差秒数,在夏令时情况下
 9 print(time.altzone)
10 #输出结果:-32400
11 
12 #检测是否是夏令时的状态,0夏令时,非0就不是
13 print(time.daylight)
14 #输出结果:0

 

asctime()

功能:返回一个正常可读的时间字符串(不太符合中国人时间观点)

格式:time.asctime(时间元组)

返回值:时间字符串

 1 #时间模块的函数
 2 #导入时间模块
 3 import time
 4 #返回一个正常可读的时间字符串
 5 result = time.asctime() #获取当前时间字符串
 6 print(result)
 7 #输出结果:Mon May 20 15:50:48 2019
 8 
 9 #返回一个正常可读的时间字符串
10 var = (2019,5,20,0,0,0,0,0,0)
11 result = time.asctime(var) #获取指定时间字符串
12 print(result)
13 #输出结果:Mon May 20 00:00:00 2019

 

localtime()

功能:获取当前时间组

格式:time.localtime()

返回值:本地时间元组

1 #导入时间模块
2 import time
3 #获取当前时间组
4 result = time.localtime() 
5 print(result)
6 #输出结果:time.struct_time(tm_year=2019, tm_mon=5, tm_mday=20, tm_hour=16, tm_min=21, tm_sec=4, tm_wday=0, tm_yday=140, tm_isdst=0)

 

gmtime()

功能:获取当前UTC时间(英国时间)元组

格式:time.gmtime()

返回值:当前UTC时间元组

1 #导入时间模块
2 import time
3 #获取当前时间组
4 result = time.gmtime()
5 print(result)
6 #输出结果:time.struct_time(tm_year=2019, tm_mon=5, tm_mday=20, tm_hour=8, tm_min=25, tm_sec=58, tm_wday=0, tm_yday=140, tm_isdst=0)

 

ctime()

功能:获取本地时间的字符串格式

格式:time.ctime()

返回值:时间格式字符串 相当于 asctime(localtime())

格式2:time.ctime(时间戳)

返回值:时间格式字符串 相当于asctime(localtime(时间戳))

 1 #导入时间模块
 2 import time
 3 #获取当前时间组
 4 result = time.ctime()
 5 print(result)
 6 #输出结果:Mon May 20 16:31:09 2019
 7 
 8 
 9 result = time.ctime(0) #时间戳
10 print(result)
11 #输出结果:Thu Jan  1 08:00:00 1970

 

mktime()

功能:使用时间元组制作时间戳

格式:time.mktime(时间元组)

返回值:返回时间戳

注意:按照本地时间来计算,如果想按照UTC时间计算,则是calendar.timegm()

1 #导入时间模块
2 import time
3 #使用时间元组制作时间戳
4 var = (2019,5,20,0,0,0,0,0,0)#时间元组
5 result = time.mktime(var)
6 print(result)
7 #输出结果:1558281600.0

 

sleep()

功能:程序睡眠,使得程序在此处等待指定时间

格式:time.sleep(秒数)

返回值:无

 1 #导入时间模块
 2 import time
 3 
 4 #第一次获取当前时间
 5 result = time.ctime()
 6 print(result)
 7 
 8 #等待5秒
 9 time.sleep(5)
10 
11 #第二次获取当前时间
12 result = time.ctime()
13 print(result)
14 
15 '''
16 输出结果:
17 Tue May 21 17:48:24 2019
18 Tue May 21 17:48:29 2019
19 '''

 

 

clock()--【仅py3.3以下版本】

功能:获取CPU时间,用于计算代码执行时间

格式:time.clock()

返回值:浮点数时间戳

注意:主要用于计算程序执行时间,开始获取一次,程序执行完毕再获取一次,相减获得执行总时间,仅py3.3以下版本

 1 #导入时间模块
 2 import time
 3 #获取CPU时间,用于计算代码执行时间
 4 #第一次获取时间
 5 start = time.clock()
 6 print(start)
 7 #输出结果:0.083499702
 8 
 9 #时间等待5秒
10 time.sleep(5)
11 
12 #第二次获取时间
13 end= time.clock()
14 print(end)
15 #输出结果:5.089591757
16 
17 #计算程序执行时间
18 result = end - start
19 print(result)
20 #输出结果:5.006125335

 

perf_counter()--【py3.3以上版本】

功能:获取CPU时间,用于计算代码执行时间

格式:time.perf_counter()

返回值:浮点数时间戳

注意:主要用于计算程序执行时间,开始获取一次,程序执行完毕再获取一次,相减获得执行总时间,py3.3以上版本

 1 #导入时间模块
 2 import time
 3 #获取CPU时间,用于计算代码执行时间
 4 #第一次获取时间
 5 start = time.perf_counter()
 6 print(start)
 7 #输出结果:0.083499702
 8 
 9 #时间等待5秒
10 time.sleep(5)
11 
12 #第二次获取时间
13 end= time.perf_counter()
14 print(end)
15 #输出结果:5.075594805
16 
17 #计算程序执行时间
18 result = end - start
19 print(result)
20 #输出结果:4.992642942

 

strftime()

功能:格式化输出时间字符串(str format time)

格式:time.strftime ( ' 字符串格式 '  , [ 时间元组 ] )

返回值:格式化后的字符串

 1 #导入时间模块
 2 import time
 3 #格式化输出时间字符串(str format time)
 4 tt = (2019,5,21,0,0,0,0,0,0,)
 5 
 6 #格式化指定时间
 7 result1 = time.strftime('%Y-%m-%d %H:%M:%S',tt)
 8 print(result1)
 9 #输出结果:2019-05-21 00:00:00
10 
11 #格式化当前时间
12 result1 = time.strftime('%Y-%m-%d %H:%M:%S')
13 print(result1)
14 #输出结果:2019-05-21 17:33:11

 

strptime()

功能:将指定的字符串格式化为时间元组

格式:time.strptime( ' 时间字符串 ‘ )

返回值:时间元组

1 #导入时间模块
2 import time
3 #格式化输出时间字符串(str format time)
4 tt = '5-2019-21 10:11:12'
5 
6 #格式化指定时间
7 result1 = time.strptime(tt,'%m-%Y-%d %H:%M:%S')
8 print(result1)
9 #输出结果:time.struct_time(tm_year=2019, tm_mon=5, tm_mday=21, tm_hour=10, tm_min=11, tm_sec=12, tm_wday=1, tm_yday=141, tm_isdst=-1)

 

转载于:https://www.cnblogs.com/lws865/p/10894328.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