04 - Python 变量类型 & 运算符

python 使用Template,替换字符串中的特定标识${} ","condition.pharmacopoeia":"测试生产厂家","condition.spec":"g","condition.spell":"csyp02","condition.alias":"","condition.chemicname":"","condition.id":"","condition.num":"","b_d":""}', 'expected_data': '{"code":0,"message":"添加成功! 阅读详情

04 - Python 变量类型 & 运算符

一、前言

经过我们之前几天的学习,我们应该已经掌握了 Python 中相关的基础内容操作。

那么我们今天就正式的开始学习 Python 当中编程相关的知识了。

今天的内容会稍多,约2800+字,阅读完成需 15 分钟。

image

二、变量

2.1 什么是变量?

所谓变量其实大家可以理解为就是用一个“水杯”倒入不同的饮料,那不管我们倒入哪种饮料,我们的水杯是一直没有发生过改变的。

在计算机中其实也是类似,变量就是用来保存不同内容的一个“杯子”。

2.2 声明变量

Python 中类型虽然有很多种,但是我们声明变量却很简单。

直接将需要赋值的内容直接放在一个名字后面即可(等号用作连接)。

# num 就是我们变量的名字,
# 我们可以读作将数字常量 10 赋值给变量 num
num = 10

2.3 变量名

我们刚刚是用来了我们的变量,但是变量的名字就只能是 num 么?

肯定不是,只要我们符合我们命名的规则,就可以随意的去声明内容。

那 Python 当中命名规则都有哪些呢?

2.3.1 可包含内容

Python 中变量的命名可以包含以下内容:

  1. 数字
  2. 字母
  3. 下划线

有同学可能说了,美元符($)我在使用的时候也并没有报错呀,为什么这里说不能包含呢?

其实这个问题主要出现在不同的操作系统中,在 Windows 或者 Mac 当中,使用 $ 并不会出现什么异常。

但是如果在 Linux 系统中,使用 $ 则会提示异常。

所以我们在使用的时候,应当避免使用 $ ,和 C++ 中是一样的。

2.3.2 见名之意

为了提升我们代码的可读性,我们应该做到变量的命名即可以体现变量的含义。

  • 提升可读性
    • time:时间
    • start_time:开始时间
  • 对或者错(布尔类型)
    • 是否删除: is_delete
    • 是否禁用 : is_enabled
2.3.3 驼峰命名

如果我们在命名的过程当中,出现需要使用多个单词去一起组成时,我们需要使用驼峰命名。

image

  • 小驼峰式命名法(lower camel case): 第一个单词以小写字母开始;第二个单词的首字母大写
    • 例如:myName、aDog
  • 大驼峰式命名法(upper camel case): 每一个单字的首字母都采用大写字母
    • 例如:FirstName、LastName
2.3.4 匈牙利命名法

匈牙利命名法(Hungarian Notation)是一种几乎被遗弃的一种命名方式,其含义是把变量的类型缩写,放到变量名的最前面。

# int -> n
# long -> l
# char -> ch

n_studentNumber = 12

# students、teachers ,他们指向的内容都是Person对象的list

pl_students #p代表的是person、l代表的是list

这种方法在 IDE 没有流行之前是比较有用的,但是在开发工具日益强大之后,这种方法已经慢慢被遗弃了。

但是这种方法中可以为我们所用的方式是:利用下划线来配合变量的命名。

tomorrow_weather

student_name

MR_LP
2.3.5 避免和关键字重复

python一些具有特殊功能的标示符,这就是所谓的关键字。

这些关键字在 python 中已经被使用,所以不允许开发者自己定义和关键字相同的名字的标示符。

image

>>>  print("我是 MR_LP,欢迎关注公众号 MR_LIXP")
>>> import keyword
>>> keyword.kwlist

输入 keyword 的列表之后,可以得到已经被使用的以下关键字。

      and     as      assert     break     class      continue    def     del
      elif    else    except     exec      finally    for         from    global
      if      in      import     is        lambda     not         or      pass
      print   raise   return     try       while      with        yield
2.3.6 变量的命名区分大小写

在 Python 中,大小命名和小写命名完全是两个变量。

2.3.7 变量的命名不宜过长

例如:i_want_play_the_playstartion4
可以看出来这个变量名相当于一个函数名一样,在代码里调用的时候,也会产生很大的误解。
一个好的变量名长度控制在两到三个单词左右。

三、输入

3.1 input( ) 的用法

我们上次课的时候说过输出可以使用 print 将我们需要展示出来的内容显示出来。

但是当我们需要将我们的内容进行读入,这时候应该怎么办呢?

我们可以使用input( )函数。

    password = raw_input("请输入密码:")
    print '您刚刚输入的密码是:', password

运行效果如下:

image

需要注意:

  • input()的小括号中放入的是,提示信息,用来在获取数据之前给用户的一个简单提示
  • input()在从键盘获取了数据以后,会存放到等号右边的变量中
  • input()会把用户输入的任何值都作为字符串来对待

3.2 input( ) 输入不同的值

我们刚刚说过,input()会把用户输入的任何值都作为字符串来对待。

那我们输入不同的内容,input( )会发生什么样的变化呢?

image

3.3 input( ) 和 raw_input( )

这两个方法其实是历史更迭的产物。

  • python 2 : raw_input( )
  • python 3 : input( )

需要注意,两者在使用上并无明显变化,可以理解为是同一“物种”。

四、变量的类型 & 变量的转化

4.1 使用方法确定变量的类型

细心的读者可能发现了,我刚刚在上面的时候使用了这么一个东西。

>>> a = input()
123
>>> a
123
>>> type(a)
<type 'int'>

其中 type( ),是我们经常用来判断一个变量的具体类型的方法。

同时需要注意,在 Python 中只要定义了一个变量,而且它有数据,那么它的类型就已经确定了,不需要咱们开发者主动的去说明它的类型,系统会自动辨别。

4.2 Python 中变量的类型

我们一般常见的变量类型请见下图。

image

4.3 变量之间的转化

如果运算过程中,需要使用不同类型的内容去进行操作,我们还会涉及到我们变量之间的转化。

例如:

a = '100'   # 此时a的类型是一个字符串,里面存放了100这3个字符
b = int(a)  # 此时b的类型是整型,里面存放的是数字100

print("a=%d"%b)

以下为我们在进行变量之间转化时常用的方法。

函数说明
int(x [,base ])将x转换为一个整数
long(x [,base ])将x转换为一个长整数
float(x )将x转换到一个浮点数
complex(real [,imag ])创建一个复数
str(x )将对象 x 转换为字符串
repr(x )将对象 x 转换为表达式字符串
eval(str )用来计算在字符串中的有效Python表达式,并返回一个对象
tuple(s )将序列 s 转换为一个元组
list(s )将序列 s 转换为一个列表
chr(x )将一个整数转换为一个字符
unichr(x )将一个整数转换为Unicode字符
ord(x )将一个字符转换为它的整数值
hex(x )将一个整数转换为一个十六进制字符串
oct(x )将一个整数转换为一个八进制字符串

五、Python 中的运算符

首先列举一下 Python 中常见的算数运算符都有哪些?

5.1 算数运算符

运算符描述实例
+加两个对象相加 a + b 输出结果 30
-减得到负数或是一个数减去另一个数 a - b 输出结果 -10
*乘两个数相乘或是返回一个被重复若干次的字符串 a * b 输出结果 200
/除x除以y b / a 输出结果 2
//取整除返回商的整数部分 9//2 输出结果 4 , 9.0//2.0 输出结果 4.0
%取余返回除法的余数 b % a 输出结果 0
**幂返回x的y次幂 a**b 为10的20次方, 输出结果 100000000000000000000

举个例子:

>>> 9/2.0
4.5
>>> 9//2.0
4.0

5.2 赋值运算符

运算符描述实例
=赋值运算符把=号右边的结果给左边的变量 num=1+2*3 结果num的值为7

同样举个例子:

>>> a, b = 1, 2
>>> a
1
>>> b
2

5.3 复合运算符

其实复合运算符其实就是我们基础运算符的升级版,但是这个升级仅仅是书写方式上的升级,运算效率上并没有任何的提升。

i = i + 1   # i在自身的基础上增加1,并重新赋值给 i ,实现了经过这句代码后 i 变成了2的效果

i += 1      # i在自身的基础上增加1,并重新赋值给 i,同样实现了经过这句代码后 i 变成了2的效果

我们常见的复合运算符如下:

运算符描述实例
+=加法赋值运算符c += a 等效于 c = c + a
-=减法赋值运算符c -= a 等效于 c = c - a
*=乘法赋值运算符c *= a 等效于 c = c * a
/=除法赋值运算符c /= a 等效于 c = c / a
%=取模赋值运算符c %= a 等效于 c = c % a
**=幂赋值运算符c **= a 等效于 c = c ** a
//=取整除赋值运算符c //= a 等效于 c = c // a

5.4 Python 中 i++ 报错

相信读者如果之前学习过其他语言,那么很容易在书写代码中直接使用“累加器”。

>>> i = 10
>>> i++
  File "<stdin>", line 1
    i++
      ^
SyntaxError: invalid syntax

但是我们会发现,当我们去使用 i++,之后,我们的程序直接报错了。

具体原因请看下面的测试代码1 及 测试代码2。

# 测试代码 1

>>> a = 5
>>> b = 5
>>> id(a)
140618689958600
>>> id(b)
140618689958600

和

# 测试代码 2

>>> a = 1
>>> b = 2
>>> id(a)
140618689958696
>>> id(b)
140618689958672
>>> a+=1
>>> id(a)
140618689958672
>>> id(b)
140618689958672

细心的读者们肯定已经发现了,我们声明变量 a 和变量 b,它的内容空间居然是相同的?

python中的变量不像c那样事先定义好变量类型,在内存中开辟指定的空间,然后再开始赋值。

在Python中,以字符串为例:事先在内存划分空间来存放字符串,然后用变量名去指向这个字符串,类似于指针。

当 变量 a , b 指向的是同一个内存空间时,又怎么能使用 “自增/自减” 运算呢?。

各位读者需要注意,Python 中是不支持 i++ 这种写法的。

【python学习-04运算符】 Python 运算符和运算符优先级学习! 阅读详情

相关推荐

避坑指南:STM32移植CanFestival时那些没人告诉你的细节(含TJA1050硬件适配)

本文深入解析STM32移植CanFestival协议栈时的关键细节与TJA1050硬件适配技巧,涵盖AVR残留代码清理、定时器中断优化及CAN通信稳定性提升方案。特别针对TJA1050在特定波特率下的信号畸变问题提供实战解决方案,帮助开发者规避移植过程中的隐形陷阱,实现工业级稳定通信。

work3的博客 761

python 脚本中常见的 $符号 都代表什么意思?

shell 脚本中常见的$符号 $(pwd) ${} $1

lft_happiness的博客 1万+

别再只会用Excel了!Minitab 21手把手教你搞定SPC控制图(从数据导入到结果解读)

本文详细介绍了如何使用Minitab 21高效制作SPC控制图,从数据导入到结果解读的全流程。通过对比Excel的局限性,展示Minitab在自动化计算、图表标准化和特殊原因检验等方面的优势,帮助质量管理人员提升工作效率和数据分析专业性。

weixin_30878501的博客 386

python替换“${}“占位符为变量,实现读取配置文件

python替换占位符为变量,实现读取配置文件

ADY的博客 1358

28377D Bootloader

架构

a6100309120的博客 6013

webrtc获取IceCandidate流程

foundation:用于唯一标识候选者的基础信息,通常是基于候选者的类型、IP地址、协议和replay协议计算出的字符串。component:标识候选者所属的传输组件。对于RTP流,通常使用1;对于RTCP流,通常使用2。protocol:候选者使用的传输协议,通常是UDP,但也可以是TCP(尽管在WebRTC中UDP更为常见)。priority:候选者的优先级,用于在选择最佳候选对时进行比较。优先级的计算公式考虑了候选类型优先级、本地优先级和组件ID。address:候选者的IP地址。port。

qq_42805085的博客 1901

python基本语法规则及设置

python基本语法规则及设置 一、设置作者信息 设置路径:如下图所示: “”" @Time : ${DATE} ${TIME} @Author : yyx @File : ${NAME}.py @Email :1234@163.com ================================ “”" 设置完成后,每次新建python文件,都会自动带editor信息。...

oceancsdn的博客 890

FPGA—DHT11数字温湿度传感器

1. DH1T11温湿度传感器与DS18B20温湿度传感器非常类似,都是严格按照时序要求写代码。建议可以比较学习。2. 显示温度与湿度部分的数据处理,采用 X10 进行在数码管上的移一位显示,配合了数码管小数部分的显示特点又区分了温度与湿度。3. 程序是按照一个接一个状态及顺序跳转的,建议使用状态机。说明:本人使用的是野火家Xilinx Spartan6系列开发板及配套教程,以上内容如有疑惑或错误欢迎评论区指出,或者移步B站观看野火家视频教程。

m0_72885897的博客 4780

python格式化字符串中存在{}的处理

python新的字符串格式化是str的format方法,而他对关键字替代的标识符是{}“str:{0}”.format("STR") "str:{name}".format(name = "STR") 早期的python版本的格式化字符串使用的是类似C的转移字符,所以使用\标识出来就可以了。 "str:%s" % ("STR") "str:%(name)" % {name : "STR"}

开发者说 3595

基于FPGA的64点fft变换verilog开发

这精度的损失在10bits看来对最后的误差的影响是存在是不可忽略的。此后,在这思想基础上又开发了高基和分裂基等快速算法,随着数字技术的高速发展,1976年出现建立在数论和多项式理论基础上的维诺格勒傅里叶变换算法(WFTA)和素因子傅里叶变换算法。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少,特别是被变换的抽样点数N越多,FFT算法计算量的节省就越显著。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少,特别是被变换的抽样点数N越多,FFT算法计算量的节省就越显著。

FPGA/MATLAB学习教程/源码/项目合作开发 1977

大数据分析案例-基于决策树算法构建信用卡违约预测模型

本项目旨在使用机器学习等算法构建信用卡违约预测模型,主要应用在金融相关领域,根据用户以往的行为数据来预测是否会违约,有利于商业银行防范和化解信用卡风险,完善信用卡违约风险管理工作。本次实验通过探索性分析以及使用决策树构建信用卡违约模型,得出以下结论:1.可透支金额主要集中在0~200000之间。2.性别对于可透支金额的影响较小。3.受教育程度和婚姻状况对可透支金额的影响较大。4.决策树模型的准确率为0.88,模型效果还有待提高。

m0_64336780的博客 7575

python 变量类型&运算符说明

#!/usr/bin/python # coding=utf-8 def main(): print("变量类型: 字符串、 列表、元组、字典") hazy = "Hazy Awesome " test = "Wonderful" list = ['a','b' ,'c',1, 2, 3] #列表可赋值 tuple = ('a','b' ,'c',1, 2, 3) #元组不可赋值 dictionaries = { } dictionaries['笑'

weixin_49843611的博客 128

笔试题-2023-芯原-数字前端设计or验证【纯净题目版】

笔试题-2023-芯原-数字前端设计or验证【纯净题目版】

w0shishabi的博客 5685

python-基础篇-高级变量类型

List(列表) 是Python中使用最频繁的数据类型,在其他语言中通常叫做数组专门用于存储一串 信息列表用[]定义,数据之间使用分隔列表的索引从0开始索引就是数据在列表中的位置编号,索引又可以被称为下标注意:从列表中取值时,如果超出索引范围,程序会报错Tuple(元组)与列表类似,不同之处在于元组的元素不能修改元组表示多个元素组成的序列元组在Python开发中,有特定的应用场景用于存储一串 信息数据之间使用分隔元组用()定义元组的索引从0开始索引就是数据在元组中的位置编号。

stqer的博客 1043

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

【Python】Python中的运算符与注释

【Python】Python基础知识——运算符与注释 详细介绍Python中的运算符与注释的相关内容……

蒙奇D索大的博客 2129

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = &quot;R. B. Palm&quot;, title = &quot;Prediction as a candidate for learning deep hierarchical models of data&quot;, year = &quot;2012&quot;,}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er&lt;0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er &lt; 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free &quot;Bitdeli Badge&quot;)

【20212121】Python基础 04运算符

04 运算符 算术运算符 四则运算: 加法运算符 表现形式 + 减法运算符 表现形式 - 乘法运算符 表现形式 * 除法运算符 表现形式 / 其他: // 整除(取整),只会保留计算后的整数位,总会返回一个整型 % 取模,求两个数相除的余数 ** 幂运算,求一个值的几次幂 赋值运算符 比较运算符(关系运算符) 逻辑运算符 条件运算符(三元运算符) ...

ZERO 431

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

python笔记04: 运算符

表达式 由一个或者几个数字或者变量和运算符组合成的一行代码 通常会返回一个结果 运算符 由一个以上的值经过变化得到新值的过程就叫运算 用于运算的符号叫运算符 运算符分类: 算数运算符 比较或者关系运算符 赋值运算符 逻辑运算符 位运算 成员运算 身份运算符 算数运算符 进行算数运算的符号 python没有自增自减运算符 # +,-跟正常算术运算符一模一样 a = 9+3-2 pr...

weixin_45513332的博客 416

python 04 运算符

目录 常见的运算符: 算术运算符: 关系(比较)运算符: 逻辑运算符: 所属运算符:(了解 不作为重点) 赋值运算符: 二元赋值符: 三目运算符:(仅作参考了解) 位运算符: 运算符用于对变量和值执行操作。 常见的运算符: 算术运算符: + 两个对象相加 - 得到负数或者一个数减去另一个数 * 两个数相乘 或者返回一个杯重复若干次的字符串 / a除以b // 取整数 --- 返回商的整数部分 ...

m0_60379130的博客 431

Python 编程 | 连载 04 - 字典与运算符

Python 编程 | 连载 04 - 字典与运算符

DEVELOPERAA的博客 1179

python 运算符——04

python 运算符——04 1.运算符 1.1 运算符的概念 运算符用于执行程序代码运算,会针对一个以上操作数项目来进行运算。例如:2+3,其操作数是2和3,而运算符则是“+”。 1.2 运算符的分类 • 算术运算符 • 赋值运算符 • 比较运算符(关系运算符) • 逻辑运算符 • 条件运算符(三元运算符) 2.算术运算符 • 加法运算符 表现形式 + • 减法运算符 表现形式 - • 乘法...

qq_46698164的博客 291

Python-04-运算符

运算符 描述说明 用法 结合方向。a=b=c=100 #相当于执行a=100 b=100 c=100。== 等于 98==90 False。赋值运算符: =、+=、-=、*=、/=、//=、%=、**== 不等于 98!>= 大于或等于 98>=98 True。<= 小于或等于 98<=98 True。a,b=10,20 #相当于执行了a=10 b=20。

m0_70893463的博客 1017

04-python运算符

几个概念 1.1 表达式 • 表达式,是由数字、算符、数字分组符号(括号)、自由变量和约束变量等以能求得数值的有意义排列方法所得的组合 • 表达式特点 • 表达式一般仅仅用于计算一些结果,不会对程序产生实质性的影响 • 如果在交互模式中输入一个表达式,解释器会自动将表达式的结果输出 1.2 语句 • 一个语法上自成体系的单位,它由一个词或句法上有关连的一组词构成 • 语句的执行一般会对程序产生一...

python202005的博客 382

04 python运算符

01运算符 “”" 运算符: 算术运算符:加减乘除 比较运算符:大于,小于,等于22 赋值运算符: 变量赋值 = 成员运算符: 是否包含 逻辑运算符: 且或非 “”" a = 10 b = 20 –a # 负负得正 ++a # 正正得正 print(a - b) print(–a) print(a/b) print(b % a) print(a % b) # 10 num = 0 while num &lt;= 100: if num % 2 == 0: print("偶数",num) e

Eliaukgit的博客 608

Python基础-04运算符

文章目录四、运算符1. 算术运算符- divmod()函数(了解)- 数字型变量 之间可以直接计算- 运算符的字符串使用2. 赋值运算符和复合赋值运算符3. 比较(关系)运算符4. 逻辑运算符- 逻辑运算符- 逻辑运算符计算5. 同一运算符( is 和 is not)(身份运算符)- 同一运算符- is 与 == 区别:- 数字类型和字符串类型数据的缓存区(了解)- 整数缓存问题- 字符缓冲问题6. 运算符的补充(未讲)1. 比较运算符连用3. 加法操作(待定)4. 乘法操作 (待定)2. 位运算(了解)5

qq_45725870的博客 905

python常用的操作运算符

一、常用的操作运算符 1、算数操作符 注:Python2.x 里,整数除整数,只能得出整数。如果要得到小数部分,把其中一个数改成浮点数即可。 注意:// 取整数-返回商的整数部分(向下取整) 2、比较运算符 3、赋值运算符 4、按位运算符 1)按位左移 指的是二进位全部左移n位,高位丢弃,低位补0 2)按位右移 指的是将二进位全部右移n位,移出的位丢弃,移进的位补符号位。按...

yangxiaoyan12的博客 8355
上一篇: 03 - Python 基础
下一篇: 05 - Python 判断 & 循环
MR_LP
博客等级 码龄11年 236粉丝 89原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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