Python魔法方法、特性、迭代器

Python魔法方法、特性、迭代器

参考《Python基础教程(第三版)》——Magnus Lie Hetland

0.构造函数

class FooBar():
	def __init__(self,value = 42):
		self.somevar = value
f = FooBar()
print(f.somevar)
f.somevar = 'This is a constructor argument'
print(f.somevar)

f_2 = FooBar('This is the same constructor in another item')
print(f_2.somevar)
>>> 
======================= RESTART: D:\CSDN代码块\code_0.py =======================
42
This is a constructor argument
This is the same constructor in another item
>>> 

可以将构造函数理解为创建实例化对象时调用的初始化函数,在对象生成的时候构造对象的相应属性。
设想: 在某些项目当中,如果构造函数属性较多,可以尝试使用字典形式,而非以为使用列表与索引值。

重写普通方法和特殊的构造函数:

class A:
	def hello(self):
		print('Hello,I\'m A')

class B(A):
	pass

a = A()
b = B()
a.hello()
b.hello()
>>> 
======================= RESTART: D:/CSDN代码块/code_1.py =======================
Hello,I'm A
Hello,I'm A
>>> 

类B没有定义自己的hello方法,所以在调用时,打印的消息与类A相同。

class A:
    def hello(self):
        print('Hello,I\'m A')

class B(A):
    def hello(self):
        print('Hello,I\'m B')


a = A()
b = B()
a.hello()
b.hello()

>>> 
======================= RESTART: D:\CSDN代码块\code_2.py =======================
Hello,I'm A
Hello,I'm B
>>> 

重写是继承机制的一个重要方面,对构造函数尤其重要。
有时候,重写构造函数时要调用超类的构造函数,否则无法正确初始化对象。

class Bird:
       def __init__(self):
              self.hungry = True
       def eat(self):
              if self.hungry:
                     print('Aaaah...')
                     self.hungry = False
              else:
                     print('No,thanks!')

class SongBird(Bird):
       def __init__(self):
              self.sound = 'Squawk!'
       def sing(self):
              print(self.sound)

>>> sb = SongBird()
>>> sb.sing()
Squawk!
>>> sb.eat()
Traceback (most recent call last):
  File "<pyshell#2>", line 1, in <module>
    sb.eat()
  File "D:/CSDN代码块/code_3.py", line 5, in eat
    if self.hungry:
AttributeError: 'SongBird' object has no attribute 'hungry'
>>>

异常中明确指出,构造函数当中缺少名为hungry的属性。
为此有两种方法:调用未关联的超类构造函数,以及使用函数super()
1.调用未关联的超类构造函数

class SongBird(Bird):
       def __init__(self):
              Bird.__init__(self)
              self.sound = 'Squawk!'
       def sing(self):
              print(self.sound)
>>> sb = SongBird()
>>> sb.eat()
Aaaah...
>>> sb.eat()
No,thanks!
>>> 

2.使用函数super

class SongBird(Bird):
       def __init__(self):
              super().__init__()
              self.sound = 'Squawk!'
       def sing(self):
              print(self.sound)
>>> sb = SongBird()
>>> sb.eat()
Aaaah...
>>> sb.eat()
No,thanks!
>>> 

使用super函数的优点
super函数更直观,同时即便有多个超类,也只需调用函数super一次(前提是所有超类的构造函数也使用super)。

元素访问

1.__ len __(self)
这个方法应返回集合包含的项数,对序列来说为元素个数,对映射来说为键值对数,如果__len__()返回零,且没有实现覆盖这种行为的__nonzero__(),则在布尔上下文中视为假(False)
2.__ getitem __(self,key)
这个方法应返回与指定键相关联的值,对序列来说,0 <= key <= n-1,其中n为序列长度。对映射来说键可以为任何类型。
3.__ setitem __(self,key,value)
这个方法应以键相关联的方式存储值,以便以后能够使用__getitem__()来获取,当然,仅当对象可变时才需要实现这个方法。
4.__ delitem __(self,key)
这个方法在对对象的组成部分使用__del__语句时被调用,应删除与key相关联的值。同样,仅当对象可变(且允许其被删除)时,才需要实现这个方法。

def check_index(key):
       if not isinstance(key,int):raise TypeError
       if key < 0:raise IndexError

class ArithmeticSequence:
       def __init__(self,start = 0,step = 1):
              self.start = start
              self.step = step
              self.changed = {}
       def __getitem__(self,key):
              check_index(key)
              try:return self.changed[key]
              except KeyError:
                     return self.start + key * self.step
       def __setitem__(self,key,value):
              check_index(key)
              self.changed[key] = value

>>> a = ArithmeticSequence(1,3)
>>> a[3]
10
>>> a[18]
55
>>> len(a)
Traceback (most recent call last):
  File "<pyshell#12>", line 1, in <module>
    len(a)
TypeError: object of type 'ArithmeticSequence' has no len()
>>> del a[2]
Traceback (most recent call last):
  File "<pyshell#13>", line 1, in <module>
    del a[2]
AttributeError: __delitem__
>>> 

以上代码实现的是一个算术序列,设置参数以构成等差数列。这个序列长度无穷,允许用户对其中的值进行修改

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