复习笔记

 # 注释 解释器不执行注释的内容
 # 变量,简单的是变量就是cpu存储一个需要的数据时存储空间的名字
# 变量的作用

# 用来临时保存数据,便于项目的后期升级维护,节约内存
# 定义变量名时 需要注意标识符的命名规则:由数字、字母、下划线组成,不能用数字开头,不能内置关键字,严格区分大小写
# 命名习惯:见名知意,大驼峰 ,即每个单词首字母大写,(MyName)小驼峰 ,第二个单词首字母大写 (myName)下划线(my_name)
# python中的数据类型:int(整数),float(浮点型),【True(真),false(假)(布尔型)】,str(字符串),list(列表),
# tuple(元组),set(集合),dict(字典)
# global局部变量想要改变全局变量是要使用global
# id 地址标识
# 数据类型中的可变类型:列表,字典,集合
# 数据类型中的不可变类型: 整数,浮点型,布尔型,字符串,元组
# 检验数据类型的方法:type(变量名或数值)
# 输出:将程序输出给用户  print("要输出的信息")
# 格式化输出:%s 字符串 %d 整数(十进制)% f (浮点型,小数)
# format()用于字符串格式化,格式是str.format函数可以接受不限个参数
# f “{表达式}”
# 字符串输出的本质其实就是拼接字符串,那么我们可以用%s输出
# \n :换行符
# end="\n"换行结束符
# 输入:input("提示信息")当程序执行到input,等待用户输入才能继续向下执行input中的数据默认为字符串
# int(x)将x转换为一个整数
# float(x)将x转换为一个浮点型
# str(x ) 将x这转换为一个字符串
# set (x) 元组
# 算数运算符
# 加+、减-、乘*、除/、整除//、取余%、指数**
# 赋值运算符 =
# 复合运算符
# 加法赋值运算符 += 、减法赋值运算符 -= 、乘法运算符 *= 、除法运算符 /=、整除运算符 //=、取余运算符 %=
# 比较运算符
# 相等 ==、不等!=、大于 > 、小于 <、 左侧结果是否大于右侧 >=、右侧结果大于左侧 <=
# 逻辑运算符and or  not
# if语法:
# if 条件1:
#     条件1成立输出
# elif 条件2
#     条件2成立输出
# else:
# 条件不成立执行
# 三元运算符 :值1 if 条件 else 值2
# 例:a = 1
#     b = 2
#     c = a if a < b else b
#     print(c)
# 循环
# whlie 条件:
#     条件成立重复执行的代码1
#      条件成立重复执行的代码2
# 例:
# j = 1
# whlie j<= 9:
#     i = 1
#     whlie i<j:
#     print(f"{i}*{j}={j*i}",end = "\t")
#     i+=1
# print()
# j+=1
# break 跳出循环体,即整个循环体停止执行下面的代码
# continue 的功能和break有点类似,区别是continue只是中止本次循环,接着开始下一次循环。而break则是完全中止循环
# for循环
# for 临时变量 in 序列:
#    条件成立执行的代码1
#  else:
#    条件不成立执行的代码2
#    break 跳出循环体,即整个循环体停止执行下面的代码
#    continue 的功能和break有点类似,区别是continue只是中止本次循环,接着开始下一次循环。而break则是完全中止循环
# 字符串
# str = “123”
# 输出:
# print(a)
# 输入:
# b = input(“内容”)
# 下标索引
# a = "123"
# print(a[1])
# 查找:find():rfind(从右查找):
# 检测字符串是否存在:index()、rindex(从右开始):
# 返回:count()返回某个值在字符串中出现的次数
# replace()替换字符串
# split()按照指定字符分割字符串
# join()将字符或字符串合并成一个新的字符串
# capitalize()字符串首字母大写
# title()每个单词首字母大写
# lower()将字符串大写字母转小写
# upper()将字符串小写字母大写
# 切片
# 对操作的对象截取其中的一部分
# 字符串、列表、元组、支持切片操作
# 列表
# list = ["d","dfv","d"]
# in/not 判断数据
# append()列表最后追加数据
# insert()指定位置新增数据
# del()删除数据
# pop 删除指定下标的数据
# remove 移除列表中的某一项的第一匹配
# index()返回指定数据所在位置的下标
# len()列表长度
#  replace 替换字符
# split  分割字符
# clear 清空列表
# reverse 将列表倒序
# 元组
# tuple =(1,2,3,4)
# index 查找数据
# count 统计出现次数
# len 元组中的数据个数
# 字典
# dict = ["name":"tom"]
# del 删除指定建(key)值对
# clear 清空字典
# 更改值 [key] = 值
# 集合
# set = {10,20,30,40}
# add 增加数据
# update 追加数据
# remove()删除数据
# pop()随机在集合中删除数据并返回
# in 判断数据在集合序列
# not in判断数据不在集合序列
# 容器类型转换
# tuple()转换成元组
# list()转换成列表
# set() 转换成集合
# 列表推导式
# while
# list = [i for in range(10)]
# print(list1)
# 
# 
# 
# 
# 
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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