python四种数据结构以及list详解

四种数据结构:

list

使用[]表示,线性的数据结构,适合查找数据,不适合增删数据

链表:

适合增删数据,不适合查找数据

queue:队列:(先进先出或后进先出)

不允许队列在中间进行变化。

stack:栈

后进先出(落盘子)

列表表示
l1 = []
l2 = [1,2,'abc']
l3 = list()
l4 = list(range(5))
可以嵌套
l5 = [1,'ab',[bool,str]]
l5[0] :打印出1,正数进行正索引,负数进行负索引
l5[-1] :打印出[bool,str],超界很危险
l5.index(1) :返回索引号0,有相同按索引顺序选取第一个
l5.count(#) :查找共有几个#,低效,能不用就不用
O(n)时间复杂度,n代表有多少元素,.count()与.index()都是O(n)
len(l5) : 显示当前列表长度,(列表有长度属性),时间复杂度为O(1)

增加:
l5.append(#) :向列表尾部加#元素。并且返回值是none,时间复杂度为O(1)
l5.insert(0,1): 向索引0位置插入1这个元素,索引超出直接在尾部追加(最好少用这个),返还值none,O(n)

扩展:
l5.extend(range(200,205))
l5.extend([301,302,303]) :尾部追加扩展,如[1,2],用完这个变[1,2,301,302,303]

l5 + [1,2,3] :返回出一个新列表,原列表没有改变。

l9=[0,1,2] 3 :创建新列表:l9 = [0,1,2,0,1,2,0,1,2]



l10 = l9.copy() :将l9拷贝给l10,不是普通拷贝,嵌套是引用,表示地址
浅拷贝:嵌套类型相当于门牌号,只拷贝了房间号,房间号内住的不会拷贝。
例:l9 = [0,1,[2,3],4]
l10 = l9.copy()
l9[2][1] = 5
l10与l9均变为[0,1,[2,5],4]

import copy
l10 = copy.deepcopy(l9) :深拷贝,相当于嵌套的门牌号重新创建


l1 = [[1,2,3]]
3 就是浅拷贝

id(x) : 取内存地址


列表删除元素
l9.remove(2) :移除列表元素中的2 (第一个索引) ,删完会移动,少用

l9.pop(3) :弹出并移除第[3]个索引元素,会引起挪动(推荐这个),建议从尾部移除

l9.clear() :清除列表所有元素,剩余一个空列表

l9.reverse() :列表反转,不建议用,更多用反索引


l9.sort(key = int) :将列表中所有元素用int转化成×××排序,转不了就报错;默认从小到大排列,元素类型本身不变
l9.sort(key = str) :转化成字符串,按ascii码排序
l9.sort(key = int,reverse=True) :从大到小排

3 in l9 :判断3是否在列表中(如果3只在嵌套中,则False)

l1 = [1,2,3]
l2 = l1 相当于l2直接指向到l1

转载于:https://blog.51cto.com/13445354/2370162

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