day37-1 面向对象高阶

面向对象高阶

isinstance

  • 判断是否为实例化对象,以后可以用来取代type
  • 和type的区别:
class Foo:
    pass

class Bar(Foo):
    pass

b = Bar()
print(isinstance(b, Bar))   # True  未来推荐使用
print(isinstance(b, Foo))   # True  会检测父类

print(type(b) == type(Bar)) # False     type(b)是Bar
print(type(b) == type(Foo)) # False

print(type(b) == Foo)       # False
print(type(b) == Bar)       # True
  • isinstance:判断对象是否是这个类实例化出来的,实例化具有传递性,会检测父类
  • type:获取实例化出这个对象的类,不会检测父类

issubclass

  • 判断某个类是否是另一个类的子类(参数必须为类)
print(issubclass(Bar, Foo)) # True

反射(自省)

  • 通过字符串获取某些东西

模块的使用

import time

choice = input('choice func:>>>').strip()
print(getattr(time, choice)())

# 其实就是这个用法
# getattr(module, method)()

放在类的使用

  1. hasattr
  2. getattr
  3. setattr
  4. delattr
class Foo():
    count = 0
    def eat(self):
        print('eat')
        
f = Foo()
if hasattr(f, 'eat'):       # 判断有没有
    getattr(f, 'eat')()     # 获取    # 'eat'
    
f.count = 1
print(f.__dict__)           # {'count': 1}
setattr(f, 'eat', 222)      
print(f.__dict__)           # {'count':1, 'eat': 222}

print(getattr('eat'))       # 222

setattr(f, 'count', 11)
print(f.__dict__)           # {'count':11, 'eat':222}

delattr(f, 'count')         # {'eat': 222}
print(f.__dict__)
  • 可以用来写通用评论借口

call

class Foo:
    def __init__(self, name):
        self.name = name
        
    def __call__(self, *args, **kwargs):
        print('我触发了')
        
f = Foo('leijun')
f()     # 对象加括号出发call
我触发了

转载于:https://www.cnblogs.com/lucky75/p/11066827.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