Python基础 流程控制语句

流程控制语句


    1、分支选择判断语句:单分支、双分支、多分支


        1、if 语句:条件表达式为 True 时,执行语句块,否则跳过该语句块


            if 条件表达式:
                语句块


        2、if else语句:条件表达式为 True 时,执行语句1,否则执行语句块2


            if 条件表达式:
                语句块1
            else:
                语句块2


        3、if elif语句:条件表达式1为True时,执行语句块1,否则判断条件表达式2是否为True


                若为True,则实行语句块2,否则判断条件表达式3....以此类推
                若所有条件表达式均为False,则执行 else: 下的语句块,之后继续向后进行。
                多分支结构中,一次只执行其中一个语句块,若没有 else 语句,也有可能所有语句块都不执行
            if 条件表达式1:
                语句块1
            elif 条件表达式2:
                语句块2
            elif 条件表达式3:
                语句块3
            .......
            else:
                语句块


    2、循环控制语句:


        1、while 循环:当条件判断语句为True时执行循环体,否则跳出循环


            while 条件表达式:
                循环体


        2、for 迭代循环:使用 for 语句使得指定变量依次迭代 迭代器中的值,并执行循环体

+
            for 变量 in 迭代器:
                循环体


        3、循环嵌套:


            while 条件表达式1:
                语句块1
                while 条件表达式2:
                    语句块2
                    for 变量 in 迭代器:
                        语句块3
                        for 变量 in 迭代器:
                            语句块4
                            while 条件表达式5:
                                语句块5
                                ......


    3、循环中断语句:break continue return


        1、break 跳出当前循环体,且只能跳出一层循环
        2、continue 跳过当前循环体,continue下的循环语句不准再执行,提前进入下次循环
        3、return 跳出所有循环体,并返回数据


    4、注意事项

目录

流程控制语句

    1、分支选择判断语句:单分支、双分支、多分支

        1、if 语句:条件表达式为 True 时,执行语句块,否则跳过该语句块

        2、if else语句:条件表达式为 True 时,执行语句1,否则执行语句块2

        3、if elif语句:条件表达式1为True时,执行语句块1,否则判断条件表达式2是否为True

    2、循环控制语句:

        1、while 循环:当条件判断语句为True时执行循环体,否则跳出循环

        2、for 迭代循环:使用 for 语句使得指定变量依次迭代 迭代器中的值,并执行循环体

        3、循环嵌套:

    3、循环中断语句:break continue return

    4、注意事项



        1、创建循环结构后,必须要给出跳出循环的条件,否则将进入死循环

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