Python——输入( Input )/输出语句( Output )_eval()_input()_print ()函数

本文介绍了计算机程序的基础结构,重点讲解了Python中的IPO模式,即Input(输入)、Process(处理)和Output(输出)过程,并详细演示了如何使用input()获取用户输入和eval()转换数据类型,以及如何通过print()函数进行输出。实例展示了如何结合这两个核心函数进行简单的数据计算和展示。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

计算机程序都是用来解决特定的计算问题的,每个程序都有统一的运算模式:输人数据、处理数据和输出数据

这种朴素的运算模式构成了基本的程序编写方法: IPO ( Input 、 Porcess 、 Output )。

输入语句

输入( Input )是一个程序的开始。

Python 的内置函数 input()用于取得用户的输入数据。

varname=input("promptMessage")

其中, varname 是 input ()函数返回的字符串数据, promptMessage 是提示信息,其参数可以省略。

需要注意的是,如果要得到整数或小数,可以使用 eval()函数得到表达式的值,也可以使用 int()或 float ()函数进行转换。

例 3-12 使用 input()函数输入数据:

>>> name = input("请输入姓名:")
请输入姓名:Rose
>>> #score1为数值,需要参与数学计算,使用eval()函数
>>> score1 = eval(input("请输入科目一成绩:"))
请输入科目一成绩:89
>>> score2 = eval(input("请输入科目二成绩:"))
请输入科目二成绩:56
>>> print("您的总成绩是:",(score1+score2))
您的总成绩是: 145
输出语句

输出( Output )是程序展示运算结果的方式。

Python 3中使用 print ()函数可完成基本的输出操作。

print([obj1,...][,sep=' '][,end='\n'][,file=sys.stdout])

print()函数的所有参数均可省略,如果没有参数, print ()函数将输出一个空行。

根据 print()函数给出的参数,在实际应用中分为以下儿种情况。

  • 同时输出一个或多个对象,在输出多个对象时,对象之间默认用逗号分隔。
  • 指定输出分隔符,使用 sep 参数指定特定符号作为输出对象的分隔符号。
  • 指定输出结尾符号,默认以回车换行符作为输出结尾符号,可以用 end 参数指定输出结尾符号
  • 输出到文件,默认输出到显示器(标准输出),使用 file 参数可指定输出到特定文件

例 3-13 print()函数的使用:

>>> x,y,z = 100,200,300
>>> print(x,y,z)
100 200 300
>>> print(x,y,z,sep="##")
100##200##300
>>> print(x);print(y);print(z)
100
200
300
>>> print(x,end="  ");print(y,end="  ");print(z)
100  200  300
from transformers import BertTokenizer, BertForSequenceClassification, TrainingArguments, Trainer from datasets import load_from_disk import numpy as np from sklearn.metrics import accuracy_score def load_processed_data(): dataset = load_from_disk("../data/processed_imdb") return dataset['train'], dataset['test'] # 定义预处理函数 def preprocess_function(examples): return tokenizer( examples['text'], truncation=True, padding='max_length', max_length=256 ) # 定义评估指标 def compute_metrics(p): preds = np.argmax(p.predictions, axis=1) return {'accuracy': accuracy_score(p.label_ids, preds)} if __name__ == '__main__': train_data, test_data = load_processed_data() # 加载BERT的分词器 tokenizer = BertTokenizer.from_pretrained("C:/Users/Administrator/bert_cache") # 应用预处理 train_data = train_data.map(preprocess_function, batched=True) test_data = test_data.map(preprocess_function, batched=True) # 重命名标签列(适配HuggingFace格式) train_data = train_data.rename_column('label', 'labels') test_data = test_data.rename_column('label', 'labels') # 设置pytorch格式 train_data.set_format('torch', columns=['input_ids', 'attention_mask', 'labels']) test_data.set_format('torch', columns=['input_ids', 'attention_mask', 'labels']) # 加载预训练模型 model = BertForSequenceClassification.from_pretrained( "C:/Users/Administrator/bert_cache", num_labels=2 ) training_args = TrainingArguments( output_dir='./results', # 输出目录 num_train_epochs=3, # 训练轮次 per_device_train_batch_size=32, # 训练批次大小 per_device_eval_batch_size=128, # 评估批次大小 warmup_steps=500, # 学习率预热步数 weight_decay=0.01, # 权重衰减 logging_dir='./logs', # 日志目录 eval_strategy='epoch', # 每轮评估一次 save_strategy='epoch' ) # 创建Trainer trainer = Trainer( model=model, args=training_args, train_dataset=train_data, eval_dataset=test_data, # 实际应用时应使用验证集 compute_metrics=compute_metrics ) # 开始训练! trainer.train() # 保存模型 model.save_pretrained('./my_bert_model') tokenizer.save_pretrained('./my_bert_model') # 加载模型 # from_pretrained_model = BertForSequenceClassification.from_pretrained('./my_bert_model') 我这段代码我怎么判断他是否使用了GPU加速
最新发布
04-04
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