面试题

本文深入探讨Python中字典的高级用法,包括使用fromkeys方法创建字典时的注意事项,函数默认参数的陷阱及解决方案,以及生成器和闭包函数的执行机制。通过具体示例,读者将理解如何避免常见错误并掌握更高效的编程技巧。

第1题

fromkeys()    开始的指向是自己创建的那一个列表(******)

dic = dict.fromkeys(["name","age","hobby"],[])
dic["name"].append("jaason")
print(dic)  # {'name': ['jaason'], 'age': ['jaason'], 'hobby': ['jaason']}
dic["name"] = "老王"  # 此时'name' 的这个key的指向不是指向原来的列表,指向了"老王"
print(dic)  # {'name': '老王', 'age': ['jaason'], 'hobby': ['jaason']}

"""
用这个方法创建的字典有一个缺点,那就是所有的key
都指向开始创建的那一个列表,除非从新给其中的key赋值
指向就会改变

"""

第2题

函数的默认传参

如果默认传参,传的是列表,会出现调用多次,每次用的都是一个列表(******)

def info(username,hobby,l=[]):
    l.append(hobby)
    print('%s 的爱好是 %s'%(username,l))
info('jason','study')
info('tank','生蚝')
info('kevin','喝腰子汤')
info('egon','女教练')

# 执行效果

"""
jason 的爱好是 ['study']
tank 的爱好是 ['study', '生蚝']
kevin 的爱好是 ['study', '生蚝', '喝腰子汤']
egon 的爱好是 ['study', '生蚝', '喝腰子汤', '女教练']
jason 的爱好是 ['study', '生蚝', '喝腰子汤', '女教练', 'study']
tank 的爱好是 ['study', '生蚝', '喝腰子汤', '女教练', 'study', '生蚝']
kevin 的爱好是 ['study', '生蚝', '喝腰子汤', '女教练', 'study', '生蚝', '喝腰子汤']
egon 的爱好是 ['study', '生蚝', '喝腰子汤', '女教练', 'study', '生蚝', '喝腰子汤', '女教练']
"""

第1种解决方法;

直接每一次都传入一个空列表;

def info(username,hobby,l=[]):
    l.append(hobby)
    print('%s 的爱好是 %s'%(username,l))
info('jason','study',[])
info('tank','生蚝',[])
info('kevin','喝腰子汤',[])
info('egon','女教练',[])

# 执行如下

"""

  jason 的爱好是 ['study']
  tank 的爱好是 ['生蚝']
  kevin 的爱好是 ['喝腰子汤']
  egon 的爱好是 ['女教练']

"""

第2种方法  

改变内部代码

def info(username,hobby,l=None):
if l==None:
l = []
l.append(hobby)
print('%s 的爱好是 %s'%(username,l))
info('jason','study')
info('tank','生蚝')
info('kevin','喝腰子汤')
info('egon','女教练')

第3题

生成器,在没有取值的时候,代码是不会运行的

def add(n,i):
    return n+i
def test():
    for i in range(4):  # 这个里面没次依次取出 0,1,2,3
        yield i
g=test()
for n in [1,10]:  # 只循环两次   第一次n取1  第二次n取10
    g=(add(n,i) for i in g)  # 在取值的时候,生成器的代码才会运行 所以n取值的最后的时候,n就是10
    # 第一次for循环g=(add(n,i) for i in test())  n = 1
    # 第二次for循环g=(add(n,i) for i in (add(n,i) for i in test()))  n = 10 
    #依次将 0,1,2,3 传给add(n,i) 然后add这个函数返回,10,11,12,13
    #在吧值依次在传给add函数此时的返回的值就是20,21,22,23
print(n)
res=list(g)

第4题

# def multipliers():
#     return [lambda x:i*x for i in range(4)]


#上面函数可以改写成下面形式,一个闭包函数
#闭包函数的延迟绑定,在内层函数代码运行时,才会绑定

def multipliers():          #调用函数multipliers()时,执行fou循环
    list1 = []
    for i in range(4):      #此时for循环已经执行完了,,此时i的值就是3
        def func(x,i):        #在循环期间,func函数代码不执行
            ret = i*x      #,在通过m(2),调用func函数时,将i = 3 的值赋给i
            return ret
        list1.append(func)
    return list1


# def multipliers():          #调用函数multipliers()时,执行fou循环
#     list1 = []
#     for i in range(4):      #如果将i=一个默认参数时,就可以赋值给i了,i   0,1,2,3
#         def func(x,i=i):        #在循环期间,func函数代码不执行
#             ret = i*x      #,在通过m(2),调用func函数时,将i =0,1,2,3 的值赋给i
#             return ret
#         list1.append(func)
#     return list1

print([m(2) for m in multipliers()])    #此时每一次的

#闭包函数的延迟绑定,在内层函数代码运行时,才会绑定

转载于:https://www.cnblogs.com/cherish937426/p/11159617.html

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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