介个嘛,是迪斯科!(第四课)

今儿个来写这第四课,啥子呢,奏是列表以及List函数!
嘛是列表?看看你手机里的微信,QQ,你就知道了.

Python的列表呢,包含了四块,增,删,改,查,我们主要说的也就是这四项了,但是,有些话还是要说清楚的,在Python的列表里,列表的数据项不需要具有相同个类型!创建一个列表,只要把不同的数据项用逗号分开,中括号括起来就可以了

有必要解释一下,,什么是数据项,可以理解为,一个或一串数字,一个字母或一个单词,一个汉字或一个词,这些是数据项,儿不是说,把所有的数字列为一项,把所有的英文列为一项,或者把所有的汉字列为一项,这是不对的
他的写法,我来举个栗子:

list=["Google","Ruood",1997,2000];
那这就是栗子了

我们上一课说过字符串可以截取,在列表里同样的方法也可以:
方法是一样的,用中括号或者下标

print ("list[0]:", list[0]),print(list[1:3])
然后我们就来说说今天的主题:增删改查!

增:list.insert(,)
    list.append("")
上面的是加到list的列表里,我们还可以两个列表相加
列表1.extend(列表2),这是将列表二追加到列表1.
就很简单了,就是找到之个列表的某个项的标,然后:列表[2]=(这里接的就是新的项)

删:del 列表[2],列表.pop(int index):把最后一个删除,也可以指定删除的下标
 列表.remove("")删除括号中的内容,但只删除一次
查:列表.index("这里输入你想要查找的对象")返回查找到的下标 不存在 抛异常
也可以用 in /not in可以查找是否存在
然后我们再来说说list函数
1 len(list)
列表元素个数
2 max(list) 字母 以ascii为依据
返回列表元素最大值
3 min(list)
返回列表元素最小值
4 list(seq)
将元组转换为列表
5 list.append(obj)
在列表末尾添加新的对象
6 list.extend(seq)
在列表末尾一次性追加另一个序列中的多个值(用新列表扩展原来的列表)
7 list.index(obj)
从列表中找出某个值第一个匹配项的索引位置 该方法返回查找对象的索引位置,如果没有找到对象则抛出异常。
8 list.insert(index, obj)
将对象插入列表 超出位置 在列表尾部添加
9 list.pop(obj=list[-1])
移除列表中的一个元素(默认最后一个元素),并且返回该元素的值 参数是下标
10 list.remove(obj)
移除列表中某个值的第一个匹配项
11 list.reverse()
反向列表中元素
12 list.sort([func])
对原列表进行排序 如果指定参数,则使用比较函数指定的比较函数
13 list.clear()
清空列表
14 list.copy()
复制列表
a = [1, 2, 3]
b = a
c = []
c = a
d = a[:]
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。
迪斯科拉算法是一种用于图形分割的基于最小割的算法。下面展示如何使用 MATLAB 对其进行证明: 1. 首先,加载图像并创建一个邻接矩阵。 ```matlab I = imread('image.jpg'); % 加载图像 I = rgb2gray(I); % 转换为灰度图像 sigma = 0.5; % 高斯核函数的标准差 G = fspecial('gaussian', [5 5], sigma); % 创建高斯核函数 I_smooth = imfilter(I, G, 'same'); % 对图像进行高斯平滑处理 [M, N] = size(I_smooth); % 获取图像的大小 % 创建邻接矩阵 A = zeros(M*N, M*N); for i = 1:M*N % 获取当前像素位置的行列坐标 row = mod(i-1, M) + 1; col = floor((i-1)/M) + 1; % 计算当前像素与周围像素的边权值 if col < N j = i + M; diff = (I_smooth(row, col) - I_smooth(mod(j-1, M)+1, floor((j-1)/M)+1))^2; A(i, j) = diff; A(j, i) = diff; end if row < M j = i + 1; diff = (I_smooth(row, col) - I_smooth(mod(j-1, M)+1, floor((j-1)/M)+1))^2; A(i, j) = diff; A(j, i) = diff; end end ``` 2. 接下来,使用 mincut 函数计算最小割。 ```matlab [~, labels] = mincut(A, 1, M*N); % 计算最小割 ``` 3. 最后,将分割结果可视化。 ```matlab % 将标签转换为图像 labels = reshape(labels, [M N]); BW = zeros(M, N); BW(labels == 2) = 1; % 显示原始图像和分割结果 figure; subplot(1, 2, 1); imshow(I); title('原始图像'); subplot(1, 2, 2); imshow(BW); title('分割结果'); ``` 通过运行以上代码,可以在 MATLAB 中实现迪斯科拉算法,并且可以观察到算法的分割效果。
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