python元组_python什么是元组

什么是元组 ?

d4628535e5dde711e6101f050505c61d9f166177.jpeg?token=c86e16da06db66d09a47ab66fa2acddd&s=A9407A229E6E261F1F99FE870300E085

为了简短地重复您在先前模块中学到的部分内容,元组就像一个列表,其值无法修改。换句话说,元组是不可变的。

元组通常写为(可选)匹配括号中包含的项目序列 。元组是一个不变的序列。使用数字索引访问元组中的项目。元组可以包含其他复合对象,包括列表,字典和其他元组。因此,元组可以嵌套在其他元组内部。

样例程序

清单4 显示了一个Python程序的完整清单,该 清单

创建两个元组。将它们嵌套在第三元组中。确定 包含两个嵌套元组的元组中的长度 (项数)。沿途打印各种信息。图5中 提供了该程序中元组 的 可视化 。

创建两个元组

该程序的开始如 清单1 所示 。

2f738bd4b31c87016e3e1fb1839596290508ffca.png?token=a8d2679b7f4f9a3ba19ab8eba898ca18

清单1中 的代码 创建并显示了两个元组。

图1 显示了 清单1中 的代码片段产生的输出 。

5882b2b7d0a20cf40fec4ff3d1e34330adaf998a.jpeg?token=e907bcf5dad4a4c64e6988da1ccde9d3

该程序的其余部分将在后续清单中作为代码片段进行介绍和讨论。如上所述, 清单4显示了该程序的完整 清单 。

程序输出的合并视图 如图4 所示 。

嵌套元组

清单2中 的代码 将 先前产生 的两个元组 t1 和 t2 以及两个字符串嵌套 在一个新的元组中。新的元组被分配给名为 t3 的变量 。

63d0f703918fa0eca5b4816e8c7d51e83c6ddb57.jpeg?token=ba43431607ea1f7fd08715af2ff35bd4

将现有元组嵌套在新元组中所需要做的就是在用逗号分隔的项目列表中列出引用两个现有元组的变量,以创建新元组。 (请注意, 清单2 中省略了可选的括号 。)

图2 显示了包含两个嵌套元组的新元组的输出。

43a7d933c895d143a51bfe54df1a8a045baf0743.jpeg?token=fcc8b83308610d6c341eee7dc2d7598a&s=1AAA7023C754EE213C7511CF0300C0B0

请注意,两个嵌套元组保留了它们作为元组的身份,这一事实表明,两个嵌套元组中的项周围的括号保留在新元组中。这也由所指示的 可视化 在 图5中 。

获取新元组的长度

中的代码 清单3 所示的代码,获取并显示包含两个嵌套元组的新的元组的长度。

d0c8a786c9177f3ef4e3bb08df2533c19d3d56d4.jpeg?token=9676b2f6c4cd72e194b25da3e3d8f1e4&s=1A287423CC50CE012A7581DB030080B1

长度是元组中项数的量度,是使用名为 len 的方法获得的 。

图3 显示了 清单3中 的代码产生的输出 ,包括包含两个嵌套元组的新元组的长度。

d8f9d72a6059252dd8b9a4f385710b3d59b5b98f.jpeg?token=4d6e6accd50e2265106d7cc0d3e2b9a9&s=3AAA702394214D03785CF1CB0300C0B0

重要的是要注意,即使 图2中所示 的元组 实际上由六个独立的项组成 (忽略括号),每个嵌套的元组也被视为单个项,对于包含以下内容的元组,其长度仅为四个两个嵌套的元组。

不管嵌套元组的长度如何,这都是正确的。

您将在以后的模块中学习到,可以使用双方括号索引符号来访问嵌套在其他元组内部的元组中的各个项目。

完整的程序清单

清单4 显示了该程序的完整 清单 。

a1ec08fa513d26978af89ed1e111bafd4216d800.png?token=d1c40baaadadac1a9042b297b47fd259&s=1AAA7423C574DC230CD4D1DA030080B1

图4 显示了此程序产生的输出的合并视图。

a6efce1b9d16fdfa1903eb5e0d65845295ee7b07.png?token=5185083103bd4798641ce9ced5b09cdb

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