day09-3 数据类型总结,深浅拷贝

数据类型总结,深浅拷贝

存一个值还是多个值

  1. 一个值:整型,浮点型,字符串
  2. 多个值:列表,元祖,字典,集合

有序 or 无序

  1. 有序:字符串,列表,元祖
  2. 无序:字典,集合

可变 or 不可变

  1. 可变:列表,字典,集合

  2. 不可变:整型,浮点型,字符串

浅拷贝和深拷贝的区别(只针对可变类型)

1.拷贝:

lis = [1,2,3,4]
lis2 = lis     
lis.append(5)
print(lis)
print(lis2)

[1, 2, 3, 4, 5]
[1, 2, 3, 4, 5]

2.浅拷贝

import copy

lis = [1,[3, 4]]
lis2 = copy.copy(lis)
print(lis)
print(lis2)

lis.append(2)
print(lis)
print(lis2)

lis[1].append(5)
print(lis)
print(lis2)

[1, [3, 4]]
[1, [3, 4]]


[1, [3, 4], 2]
[1, [3, 4]]


[1, [3, 4, 5], 2]
[1, [3, 4, 5]]

3.深拷贝

l1 = [1, [2, 3]]
l2 = copy.deepcopy(l1)

print(l1)
print(l2)

l1.append(2)
print(l1)
print(l2)

l1[1].append(5)
print(l1)
print(l2)

[1, [2, 3]]
[1, [2, 3]]


[1, [2, 3], 2]
[1, [2, 3]]


[1, [2, 3, 5], 2]
[1, [2, 3]]

总结:

这些只是一种现象.

拷贝:共用一片内存,l1发生改变则l2也会发生改变,因为l1是可变类型

浅拷贝:另外开辟内存,共用其中元素的地址,当l1内部的不可变对象发生改变时,l2不发生改变,因为该元素的地址变了.当l1内部的可变对象发生了改变时,l2随之改变,因为地址不变

深拷贝;另外开辟内存,共用元素中不可变对象的地址,l1改变,l2不变,两者互相独立,没有太大的关系

转载于:https://www.cnblogs.com/lucky75/p/10922413.html

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。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。以下是度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**: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. **度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署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。 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