Python学习笔记:线程

1.创建一个子线程

#!/user/bin/python
#coding:utf-8
from threading import *
import sys
import time
def thread_fun(arg):
    while 1:
        print arg,
        time.sleep(1)
        sys.stdout.flush()

t = Thread(target = thread_fun, args = ('*'))
t.start()
while 1:
    print '.',
    time.sleep(1)
    sys.stdout.flush()

运行结果:
在这里插入图片描述

注:需要kill -9杀死子线程

2.等待子线程结束

#!/user/bin/python
#coding:utf-8
from threading import *
import sys
import time
def thread_fun(arg1,arg2):
    while arg2:
        print arg1,
        time.sleep(1)
        sys.stdout.flush()
	arg2 -= 1

t = Thread(target = thread_fun, args = ('*',20))
t.start()
i = 10
while i:
    print '.',
    time.sleep(1)
    sys.stdout.flush()
    i -= 1
t.join()

运行结果:
在这里插入图片描述

3.线程模块

#!/user/bin/python
#coding:utf-8
from threading import *
import sys
import time
def thread_fun(arg1,arg2):
    while arg2:
        print arg1,
        time.sleep(1)
        sys.stdout.flush()
	arg2 -= 1
print currentThread()
print '现在的活动线程数是:%d'%activeCount()
t = Thread(target = thread_fun, args = ('*',20))
t.start()
print '新创建的线程名是:',t.getName()
print '现在的活动线程数是:%d'%activeCount()
i = 10
while i:
    print '.',
    time.sleep(1)
    sys.stdout.flush()
    i -= 1
print '现在的活动线程数是:%d'%activeCount()
t.join()
print '现在的活动线程数是:%d'%activeCount()

运行结果:
在这里插入图片描述

4.线程池的实现

参考文献:https://blog.csdn.net/yongh701/article/details/51313119

#!/user/bin/python
#coding:utf-8
from threading import *
mutex_lock = RLock()
import sys
import time
import random
ticket = 700
class mythread(Thread):
    thread_counter = 0
    def __init__(self,name,index):
        Thread.__init__(self)
        self.name = name
        self.index = index
        mythread.thread_counter += 1
    def run(self):
        global ticket
        global mutex_lock
        tm = random.randint(1,999)/1000.0
        time.sleep(tm)
        mutex_lock.acquire()
        if ticket > 0:
            ticket -= 1
            print self.index,'抢到票了...'
            print '还剩%d张票...'%ticket
        else:
            print self.index,'没有抢到票...'
        mutex_lock.release()
threads = []
for i in range(1,1000):
    t = mythread('thread-'+str(i),i)
    threads.append(t)
for i in threads:
    i.start()
    print '\033[1;32m',i.index,'\033[0m',
    pass
for i in threads:
    i.join()
    print '\033[1;31m',i.index,'\033[0m',
    pass

运行结果:
在这里插入图片描述

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