重学Python:零基础学习 Python 之初识生成器

深度学习入门:从梯度下降、PyTorch到线性回归实战 深度学习作为机器学习的重要分支,通过多层神经网络实现端到端学习,其核心在于利用梯度下降与反向传播算法优化模型参数。理解这些基础原理对于掌握现代人工智能技术至关重要,它们构成了从图像识别到自然语言处理等复杂应用的基石。在工程实践中,PyTorch框架因其动态计算图和直观的编程接口成为主流选择,极大地降低了模型开发与实验的门槛。本文以线性回归为例,详细拆解了完整的训练流程,包括模型定义、损失函数设置、优化器选择以及训练循环的实现,并针对初学者常见的损失不下降、维度不匹配等问题提供了实用的调试技巧。通过结合梯度下 阅读详情

写在之前

上一篇文章中(Python 拓展之迭代器)我们学了「迭代器」,今天我们就来学学另一个 – 「生成器」。如果不出意外的话,「生成器」这个部分是我们在“类”里面的最后一个知识点,坚持就是胜利。

生成器

不知道你还记得么,在昨天出现了一个单词我们还没说:

>>> tuple1 = (x**x for x in range(3))

>>> tuple1

<generator object <genexpr> at 0x0000000001DF16D8>

就是上面那个 generator,现在我可以告诉你了,generator 翻译成中文就是“生成器”。

在 Python 中,定义生成器必须要使用 yield 这个关键词,yield 翻译成中文有「生产」这方面的意思。在 Python 中,它作为一个关键词,是生成器的标志。接下来我们来看一个例子:

>>> def f():

...    yield 0

...    yield 1

...    yield 2

...

>>> f

<function f at 0x00000000004EC1E0>

上面是写了一个很简单的 f 函数,代码块是 3 个 yield 发起的语句,下面让我们来看看如何使用它:

>>> fa = f()

>>> fa

<generator object f at 0x0000000001DF1660>

>>> type(fa)

<class 'generator'>

上述操作可以看出,我们调用函数得到了一个生成器(generator)对象。

>>> dir(fa)

['__class__', '__del__', '__delattr__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__lt__', '__name__', '__ne__','__new__', '__next__', '__qualname__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', 'close', 'gi_code', 'gi_frame', 'gi_running', 'gi_yieldfrom', 'send', 'throw']

在上面我们看到了 iter() 和 next(),虽然我们在函数体内没有显示的写 iter() 和 next(),仅仅是写了 yield,但它就已经是「迭代器」了。既然如此,那我们就可以进行如下操作:

>>> fa = f()

>>> fa.__next__()

0

>>> fa.__next__()

1

>>> fa.__next__()

2

>>> fa.__next__()

Traceback (most recent call last):

 File "<stdin>", line 1, in <module>

StopIteration

从上面的简单操作可以看出:含有 yield 关键词的函数 f() 是一个生成器对象,这个生成器对象也是迭代器。所以就有了这样的定义:把含有 yield 语句的函数称为生成器,生成器是一种用普通函数语法定义的迭代器。

通过上面的例子可以看出,这个生成器(即迭代器)在定义的过程中并没有昨天讲的迭代器那样写 iter(),而是只用了 yield 语句,之后一个普普通通的函数就神奇的成了生成器,同样也具备了迭代器的特性。

yield 语句的作用,就是在调用的时候返回相应的值。下面我来逐行的解释一下上面例子的运行过程:

1.fa = f():fa 引用生成器对象。

2.fa.next():生成器开始执行,遇到了第一个 yield,然后返回后面的 0,并且挂起(即暂停执行)。

3.fa.next():从上次暂停的位置开始,继续向下执行,遇到第二个 yield,返回后面的值 1,再挂起。

4.fa.next():重复上面的操作。

5.fa.next():从上次暂停的位置开始,继续向下执行,但是后面已经没有 yield 了,所以 next() 发生异常。

写在之后

在上面的一系列操作中,不知道你有没有发现,yield 除了作为生成器的标志以外,还有一个「返回值」的功能。我们知道 return 也有这个功能,那么它跟 return 的这个返回值有什么区别呢?这个你可以先思考一下,我之后的文章会详细的写一下 yield,敬请期待。

---------------------------END---------------------------

题外话

当下这个大数据时代不掌握一门编程语言怎么跟的上脚本呢?当下最火的编程语言Python前景一片光明!如果你也想跟上时代提升自己那么请看一下.

在这里插入图片描述

感兴趣的小伙伴,赠送全套Python学习资料,包含面试题、简历资料等具体看下方。


👉优快云大礼包🎁:全网最全《Python学习资料》免费赠送🆓!(安全链接,放心点击)

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

img
img

二、Python必备开发工具

工具都帮大家整理好了,安装就可直接上手!img

三、最新Python学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。

img

四、Python视频合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

img

六、面试宝典

在这里插入图片描述

在这里插入图片描述

简历模板在这里插入图片描述
👉 优快云大礼包:gift::[全网最全《Python学习资料》免费赠送:free:!](https://blog.youkuaiyun.com/weixin_68789096/article/details/132275547?spm=1001.2014.3001.5502) (安全链接,放心点击)

若有侵权,请联系删除

基于LinkedIn投票数据的机器学习入门实战路径 机器学习入门不是从数学公式或框架语法开始,而是一场围绕真实业务问题展开的工程实践。其核心原理在于:初学者的能力跃迁依赖可感知的正反馈循环,而非知识线性堆叠;技术价值体现在对业务流程的可量化改进(如报表自动化节省2小时/天),而非模型指标本身;典型应用场景包括销售预测、客户流失预警、内部工具开发等轻量级但高影响力项目。本文基于23,416名初学者在LinkedIn上的真实投票与行为数据,提炼出一条绕过Kaggle幻觉、拒绝无效内卷、聚焦‘可展示-可质疑-可延伸’三阶段演进的ML career path,并深度 阅读详情

相关推荐

【Python函数式编程①】——生成器(generator)

生成器(generator)的创建和遍历

Python全栈系列 4769

python generator(生成器)类型初探

python generator(生成器)类型初探

sl530311的博客 7439

GDSFactory环境配置实战:Python、KLayout与PDK协同指南

GDSFactory是面向光子集成电路(PIC)设计的Python参数化建模框架,其核心价值在于将版图生成从手动绘图升维为可编程、可复现、可集成CI/CD的工程实践。它依赖Python科学计算生态(如NumPy)、EDA可视化工具KLayout的深度Python绑定,以及工艺厂PDK的标准化接入,三者构成‘计算-几何-工艺’技术闭环。典型应用场景包括教学级SiEPIC PDK快速原型、工业级AIM Photonics流片准备,以及自动化DRC与光学仿真流水线构建。本文聚焦GDSFactory落地中最关键也最

weixin_30983353的博客 369

Python 生成器

Python 生成器

beichanbb的博客 1202

IAR9.X半主模式异常解析:为何硬件复位后仍陷调试状态?

本文深入解析了IAR 9.X半主模式异常问题,探讨了硬件复位后MCU仍陷调试状态的原因及解决方案。通过分析半主模式工作机制,提供了禁用半主功能、重写低级IO函数等具体方法,并给出了版本兼容性处理和调试与量产配置分离的优化建议,帮助开发者有效解决复位异常问题。

oo7890的博客 605

Imatest-Star模块(西门子星图)

星图分析指南:基于ISO12233标准的MTF测试方法,通过放射状射线和正弦灰度变化评估相机SFR性能。

weixin_64706696的博客 1577

浅析python中生成器generator

生成器是什么? Python中,“万物皆对象”,生成器也是一种对象,该对象含有__iter__(),next()方法,也可被代入iter(),next()方法。当被代入iter()方法,返回一个迭代器(也是一种对象),而生成器本身就是迭代器,即iter(object) is object 的结果为True。 怎么产生生成器? 生成器对象可以通过生成器函数及生成器表达式产生,产生后自动有__next...

YJW1227的博客 268

FFmpeg音频转AAC/M4A终极指南:从基础到高级参数调优

本文详细介绍了使用FFmpeg将音频转换为AAC/M4A格式的完整指南,从基础安装到高级参数调优。涵盖FDK-AAC编码器的使用、VBR/CBR模式选择、音质控制技巧以及实战案例,帮助用户在不同场景下实现高质量的音频转换。特别适合需要优化音频文件大小与音质平衡的开发者和音频处理专业人士。

rust6ferris的博客 727

python生成器(generator)

文章目录1. 概念2. 使用场景3. 缺点 1. 概念 生成器: 包含yield的函数就是一个generator 解释: 更确切地说是yield关键字将返回一个generator >>> def test(): ... yield 3 ... >>> type(test) <class 'function'> >>> ty...

freej_r的博客 526

基于 Datawhale 开源量化投资学习指南(10):基于 LightGBM 的量化选股

通过本篇文章,我们深入探索了如何运用 LightGBM 机器学习模型实现量化选股。首先,我们通过获取股票的历史数据,进行特征工程和标签制作,将选股问题转化为一个分类问题。接着,我们使用 LightGBM 训练模型,并在验证集和测试集中评估了模型的表现。该选股策略的核心在于结合机器学习算法,从历史数据中寻找能够捕捉股票短期涨跌的关键特征,从而为投资者提供辅助决策支持。虽然本文的模型取得了一定的效果,但这只是量化投资领域的一小部分。

不想宅的冷同学 1348

【电弧】基于matlab simulink电弧仿真模型(Mayr Cassie电弧模型)【含Matlab源码 9226期】

simulink电弧仿真模型(Mayr Cassie电弧模型) 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 194

【重学Python】:Python 生成器之细说 yield

从上面的例子中函数 self_return(n) 被调用的过程中我们可以清晰的看出,s = self_return(3) 函数体内的语句就开始执行了,遇到 return 以后将值返回,并结束在函数体内的执行,所以我们看到的结果是 return 后面的语句根本没有执行,这个是 return 的特点,不知道你还记得么?通过上面的继续操作,我们可以看到每次遇到 yield 的时候都会返回值,并且暂停,下次再执行的时候是从上次暂停的位置开始又继续执行的,当没有满足条件的值,就会抛出异常。(安全链接,放心点击)

aobulaien001的博客 893

从误检率30%到99.7%:YOLOv8/v9工业零件缺陷检测实战(附产线部署全流程与参数调优秘籍)

工业场景YOLO实战:从实验室到车间的关键调优策略 本文针对工业缺陷检测的特殊性,系统总结了YOLOv8/v9在工业应用中的实战经验。通过齿轮厂缺陷检测案例,揭示了实验室模型与工业场景的三点本质差异:小目标特性(0.2-1mm缺陷)、复杂背景干扰(油污/反光)和数据量不足问题。重点提出了工业级解决方案:1)数据采集需覆盖极端工况(不同光照/污染/角度);2)标注采用LabelStudio+预标注提升效率;3)定制工业增强策略(反光模拟/缺陷复制粘贴)。文章还提供了完整的参数调优记录和TensorRT加速部署

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1736

重学 python 基础笔记

书读百遍,其义自现。每次重学基础,总有值得记录的地方。 和其他语言不一样的除法 在 python 中,2/2 的结果是小数,而不是我们熟知的整数。 # <class 'float'> type(2/2) # <class 'int'> type(2//2) 进制表示法 0b10 -> 二进制 0o11 -> 八进制 0x15 -> 十六进制 bin() -> 二进制转换函数 int() -> 十进制转换函数 oct() -> 八进制转换函数

曹立禄的个人博客 209

RK3568-适配phy芯片ip101gri

复位时间查阅数据手册。

Paper_Love的博客 2646

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【重学Python】:Python 拓展之迭代器

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。显而易见的是,迭代器对象必然是可迭代的,反正则不一定。Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。3.如果有很多值的话,列表会占用太多的内存,而迭代器则占用的更少,它从第一个元素开始访问,直到所有的元素被访问完结束,只能向前冲,不能后退。

weixin_68789096的博客 103

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

零基础3个月掌握AI实战:从Python到CV项目全流程

机器学习作为人工智能的核心技术,通过算法使计算机从数据中学习规律。其核心原理是构建数学模型并利用优化方法调整参数,最终实现预测或决策功能。在实际工程中,Scikit-learn和TensorFlow等框架大幅降低了技术门槛,开发者可以快速实现图像分类、文本分析等应用。特别是在计算机视觉领域,结合OpenCV和深度学习模型,能高效完成缺陷检测、目标识别等工业场景任务。本文以Python编程和数据处理为起点,通过分阶段学习路径设计,帮助学习者在16周内掌握从特征工程到模型部署的全栈AI技能,重点解决CV项目中的

weixin_34015336的博客 328

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

【重学Python】Day5 长篇:字符串和常用数据结构

在Python程序中,如果我们把单个或多个字符用单引号或者双引号包围起来,就可以表示一个字符串。

网络安全知识分享 1057

零基础到华为大模型实习:AI学习路径与实战经验

机器学习与深度学习作为人工智能的核心技术,其学习路径往往从编程基础与数学原理开始。Python凭借丰富的数据科学生态成为首选语言,而线性代数、概率论等数学知识则是理解算法原理的基石。在实际工程中,掌握PyTorch等框架的GPU加速配置、模型微调技巧(如LoRA)以及Transformer架构的底层实现尤为关键。这些技术在大模型应用中展现出巨大价值,例如通过知识蒸馏实现模型压缩,或在推荐系统中优化过拟合问题。本文通过华为大模型实习生的成长经历,详细拆解了从零基础到参与百亿参数项目每个阶段的学习方法与实战技巧

weixin_33139275的博客 261

python编程介绍_重学编程之Python介绍

Python由吉多·范罗苏姆创造,第一版发布于1991年,它是ABC语言的后继者,也可以视之为一种使用传统中缀表达式的LISP方言[6]。Python的设计哲学强调代码的可读性和简洁的语法,尤其是使用空格缩进划分代码块。相比于C或Java,Python让开发者能够用更少的代码表达想法。不管是小型还是大型程序,该语言都试图让程序的结构清晰明了。Python解释器本身几乎可以在所有的操作系统中运行。P...

weixin_39797912的博客 578

Python开发者转型大模型:优势与学习路径

大模型技术作为人工智能领域的重要突破,其核心架构Transformer通过自注意力机制实现了高效的序列建模。在工程实践中,Python因其丰富的生态成为大模型开发的首选语言,特别是PyTorch和Hugging Face Transformers等工具链的普及。Python开发者转型大模型具有独特优势:语法特性天然适配prompt工程等典型任务,工具链无缝衔接降低学习成本,社区资源丰富加速问题解决。关键技术栈涵盖模型微调(如LoRA)、推理优化(如量化部署)和应用开发(如RAG架构),学习路径建议从PyTo

weixin_30425949的博客 456

重学Python03-for循环全攻略

enumerate:遍历序列时同时获取索引和值,支持自定义起始序号。zip:并行遍历多个可迭代对象,高效处理关联数据。continue:跳过当前循环中的特定条件,继续下一次迭代。for...else:循环正常结束后执行else代码块,若被break中断则不执行。列表推导式:简洁生成新列表,支持条件过滤和多分支逻辑。嵌套循环:外层控制整体流程,内层处理细节逻辑(如重复打印字符)。

m0_65386098的博客 202

收藏!20年Java老兵的6个月大模型转型之路:零基础实战路径,助你快速拿下高薪AI赛道!

这篇文章为Java工程师提供了一套6个月转型AI的完整路径,包含5个关键阶段:7天Python速成、3周数学补漏、4周深度学习实战、工程化落地和求职突围。作者特别针对Java程序员的基础优势,详细讲解了如何快速掌握Python核心语法、深度学习框架选择、模型部署等实用技能,并分享了将Java工程经验迁移到AI领域的独特方法。最后还提供了简历包装和作品集展示技巧,帮助开发者成功转型AI领域。

ytt0523_com的博客 734

【Java转AI】6个月通关指南:程序员如何利用编程经验实现AI转型超车!大模型学习路线

“做了20年Java开发,我如何用6个月成功转型AI工程师?这份实战路径,教你用老程序员的优势,快速拿下高薪AI赛道!”(配图建议:程序员面对代码/机器人沉思的插画)

m0_63171455的博客 1528

【建议收藏】20年Java老鸟6个月转AI实战:教你用编程优势快速拿下高薪offer

6个月Java转型AI工程师实战指南:分5阶段快速进阶,从Python速成到求职突围。Java开发者可发挥工程优势,7天掌握Python核心语法,3周补足AI数学基础,4周完成深度学习实战项目(如封面图评分模型/标题生成器)。重点突出Java经验在AI部署中的独特价值,如SpringBoot封装模型API。最后阶段提供简历包装技巧(技术+场景公式)和作品集展示策略,帮助开发者高效转型AI领域,抢占人才缺口红利。附大模型学习资源包,助力零基础快速入门。

qq_46094651的博客 785
上一篇: 【Python爬虫实战项目】Python爬取Top100电影榜单数据并保存csv文件
下一篇: Python冷知识:如何找出新版本增加或删除了哪些标准库?
Python_P叔
博客等级 码龄3年 5455粉丝 827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