Python霸占“8座大山”,你的领域出现了吗?

GPT-4 MoE架构解析:1.8万亿参数与动态路由的工程真相 混合专家(MoE)是一种通过稀疏激活提升大模型扩展性的核心架构范式,其本质是在算力约束下实现‘高容量、低计算’的平衡。它基于路由器(Router)对输入token进行动态门控,仅激活少量专家子网络,从而大幅降低实际FLOPs与显存占用,同时保留海量参数带来的知识广度。MoE的价值不仅体现在参数规模上,更在于对GPU计算单元利用率、跨卡通信开销和推理延迟的系统性优化,已成为千亿级以上模型落地的关键技术路径。本文深入剖析GPT-4所采用的分层MoE结构、Router决策机制与负载均衡策略,揭示‘1.8万亿参数’ 阅读详情

f1c27ca06609c7d5e11bbf5c06ba1253.png

f4bed1361e5fd462c78a4297e86f213d.jpeg

Python,这一通用编程语言,已具有广泛的应用领域。其学习曲线非常平滑,可谓编程入门同学的首选!那么,让我们来探索一下 Python 在主要热门应用领域中的表现吧!

1. 数据科学和机器学习

Python 在数据科学和机器学习领域非常流行,因为它有许多强大的库和框架,如NumPy、Pandas、Scikit-learn和TensorFlow等。

以下是一个简单的数据可视化示例,使用Pandas和Matplotlib库:

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('data.csv')

# 绘制柱状图
plt.bar(data['category'], data['value'])

# 添加标题和标签
plt.title('Data Visualization')
plt.xlabel('Category')
plt.ylabel('Value')

# 显示图形
plt.show()

2. Web开发

Python也可以用于Web开发,因为它有Django和Flask等流行的Web框架。

以下是一个使用Flask框架创建简单Web应用程序的示例代码:

from flask import Flask, render_template

app = Flask(__name__)

@app.route('/')
def index():
    return render_template('index.html')

if __name__ == '__main__':
    app.run()

3. 自动化测试

Python还可以用于自动化测试,因为它有许多流行的测试框架,如unittest和pytest等。

以下是一个使用unittest框架编写简单测试用例的示例代码:

import unittest
from my_module import my_function

class MyTestCase(unittest.TestCase):
    
    def test_my_function(self):
        result = my_function()
        self.assertEqual(result, expected_result)
        
if __name__ == '__main__':
    unittest.main()

4. 网络爬虫

Python还可以用于网络爬虫,因为它有许多强大的库和框架,如BeautifulSoup、Scrapy和Requests等。

以下是一个使用Scrapy框架编写简单网络爬虫的示例代码:

import scrapy

class MySpider(scrapy.Spider):
    
    name = 'example.com'
    
    start_urls = ['http://www.example.com']
    
    def parse(self, response):
        # 在这里解析网页内容并提取所需数据
        pass
    
if __name__ == '__main__':
    from scrapy.crawler import CrawlerProcess
    process = CrawlerProcess()
    process.crawl(MySpider)
    process.start()

5. 游戏开发

Python也可以用于游戏开发,因为它有许多流行的游戏引擎,如Pygame和Panda3D等。

以下是一个使用Pygame引擎创建简单控制台游戏的示例代码:

import pygame

# 初始化Pygame
pygame.init()

# 设置窗口大小和标题
screen = pygame.display.set_mode((640, 480))
pygame.display.set_caption('My Game')

# 设置时钟对象
clock = pygame.time.Clock()

# 游戏循环
while True:
    # 处理事件
    for event in pygame.event.get():
        if event.type == pygame.QUIT:
            pygame.quit()
            sys.exit()
    
    # 更新屏幕
    screen.fill((255, 255, 255))
    
    # 在屏幕上绘制文本
    font = pygame.font.SysFont(None, 36)
    text = font.render('Hello, world!', True, (0, 0, 0))
    screen.blit(text, (100, 100))
    
    # 更新屏幕显示
    pygame.display.flip()
    
    # 每秒更新一次时钟对象
    clock.tick(60)
    
# 退出Pygame并关闭窗口
pygame.quit()
sys.exit()

6. 数据分析

Python还可以用于数据分析,因为它有许多流行的库和框架,如NumPy、Pandas和Matplotlib等。以下是一个使用Pandas库读取数据并绘制柱状图的示例代码:

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('data.csv')

# 绘制柱状图
plt.bar(data['Category'], data['Value'])

# 添加标题和标签
plt.title('Data Analysis')
plt.xlabel('Category')
plt.ylabel('Value')

# 显示图形
plt.show()

7. 数据可视化

Python还可以用于数据可视化,因为它有许多流行的库和框架,如Matplotlib、Seaborn和Bokeh等。

以下是一个使用Matplotlib库绘制散点图的示例代码:

import matplotlib.pyplot as plt

# 生成随机数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 5, 3]

# 绘制散点图
plt.scatter(x, y)

# 添加标题和标签
plt.title('Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图形
plt.show()

8. 自动化办公

Python 在自动化办公领域有广泛的应用,以下是一些具体的例子:

  1. 自动化数据录入:使用 Python 可以编写脚本来自动从网页、Excel 表格等数据源中提取数据并将其录入到数据库或文本文件中。

  2. 自动化邮件发送:使用 Python 可以编写脚本来自动发送电子邮件,例如发送提醒、报告或警报等。

  3. 自动化文档生成:使用 Python 可以编写脚本来自动生成各种文档,例如合同、报告、发票等。

  4. 自动化数据分析:使用 Python 可以编写脚本来自动分析和处理大量数据,例如数据清洗、统计分析、可视化等。

  5. 自动化测试:使用 Python 可以编写脚本来自动执行各种测试,例如功能测试、性能测试、安全测试等。

  6. 自动化部署:使用 Python 可以编写脚本来自动部署应用程序、软件包或网站等。

  7. 自动化运维:使用 Python 可以编写脚本来自动执行各种运维任务,例如监控系统状态、备份数据、修复故障等。

自动化数据导入例子:

import requests
from bs4 import BeautifulSoup

# 发送请求获取网页内容
url = 'https://www.example.com'
response = requests.get(url)
html = response.text

# 解析网页内容并提取数据
soup = BeautifulSoup(html, 'html.parser')
table = soup.find('table', {'id': 'my-table'})
rows = table.find_all('tr')
for row in rows:
    cols = row.find_all('td')
    name = cols[0].text.strip()
    email = cols[1].text.strip()
    
    # 将数据保存到数据库或文本文件中
    # 这里假设使用 SQLite 数据库和文本文件进行存储
    with open('data.txt', 'a') as f:
        f.write(f'{name}
{email}
')

自动化发邮件例子:

import smtplib
from email.mime.text import MIMEText
from email.header import Header

# 配置邮件服务器和登录信息
smtp_server = 'smtp.example.com'
smtp_port = 587
smtp_username = 'your_username'
smtp_password = 'your_password'
sender = 'your_email@example.com'
receiver = 'recipient@example.com'
subject = 'Test email'
body = 'This is a test email sent by Python.'

# 创建邮件对象并设置相关属性
msg = MIMEText(body)
msg['From'] = Header(sender, 'utf-8')
msg['To'] = Header(receiver, 'utf-8')
msg['Subject'] = Header(subject, 'utf-8')

# 连接邮件服务器并登录认证
with smtplib.SMTP_SSL(smtp_server, smtp_port) as server:
    server.login(smtp_username, smtp_password)
    
# 发送邮件
server.sendmail(sender, [receiver], msg.as_string())
print('Email sent successfully.')

这些例子只是 Python 在自动化办公领域的冰山一角,实际上 Python 在自动化办公领域有着广泛的应用,可以帮助企业提高效率、降低成本、提升质量。

好了,以上就是 Python 主流的应用领域,快来学习起来吧~

最后推荐一下我们的社群:

未来只有两种人,一种是懂AI的会用AI工具的人,一直是不会用AI的人。我们已经帮助了600多人(社群已经有600+),从零开始学习使用chatgpt,迅速的帮你上车chatgpt,帮你解决很多坑,大幅的节省效率,如果现在还不懂chatgpt,可以火速加入我们。

目前小编已经写好了累计有29篇原创“玩转ChatGPT的秘籍” 会陆续上线我们的星球,并且还有视频的详细讲解(视频解读是星球专属福利),有兴趣的可以火速加入。

目前已经30篇了,预计在60篇左右。

ff82184eea2ee90904ece57c709d6d35.jpeg

内容会持续更新,目前已经30篇了,预计在60篇左右。而且加入我们星球会有两大好处,不仅教chatgpt的玩法,还有大量的python内容,如果希望入门python的同学欢迎加入。加入星球的福利 送价值200多元的干货:

原价219,试运营一年159 ,加入的同学会送下面4个福利

1).送价值99元的3周入门python课程 44节视频课程(菜鸟团队独家录制的)10G的视频(9折券),星球同学可9.9元购买 (限时福利)

2).送ChatGPT专属的市场价格30元的某礼品

3).送专栏群“玩转chatgpt秘籍”的28堂教程内容,

4),星球专属会员视频:

78c0de819fb29fe386294a0e7b4046c4.jpeg

5).另外星球定期抽奖送书

推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径
干货:爬取豆瓣短评,电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街!唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 |用Python做个海量小姐姐素描图 |碟中谍这么火,我用机器学习做个迷你推荐系统电影
趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!
AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火,我用机器学习做个迷你推荐系统电影
小工具: Pdf转Word,轻松搞定表格和水印! | 一键把html网页保存为pdf!|  再见PDF提取收费! | 用90行代码打造最强PDF转换器,word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器! |60行代码做了一个语音壁纸切换器天天看小姐姐!
线性函数逼近:强化学习中可解释、可部署的价值函数建模实战 在强化学习中,价值函数逼近是连接环境反馈与智能决策的核心环节。当状态空间连续、高维或无限时,传统表格法失效,而深度神经网络又面临训练不稳、调试困难、部署延迟高等工程瓶颈。线性函数逼近以固定基函数的加权和建模V(s)或Q(s,a),凭借计算高效(O(d)单次推理)、内存精简、梯度稳定及权重可解释等优势,成为工业级RL系统首选的轻量级方案。它不追求理论表达力上限,而是通过特征工程注入领域先验,在物流调度、机械臂控制、电力预测等真实场景中实现毫秒级响应与故障分钟级定位。本文聚焦Linear Function Ap 阅读详情

相关推荐

3天干完6个月的活,Claude把模型搬上AMD

一条挺刺激的消息:Anthropic 给投资人的材料里有一张幻灯片,写着它的 Claude Mythos Preview 只花了大约​,就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。同一处还写了个对照数字:过去给一块新芯片做推理适配,通常要几十名工程师、​。3 天对 6 个月,这个比值太扎眼,当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍,越看越觉得,塌掉的那一小块是真的,可塌的位置和很多人想的不一样。

DeepPing,日更,陪你聪明看世界。 455

Flask 连接 Scrapy 爬虫详解

Flask 连接 Scrapy 爬虫详解

小猿 1694

如何处理动态语言(Python / JS)的“隐形”调用链?

本文揭示动态语言(Python/JS)中静态AST解析导致调用链“断链”的核心问题,提出通过运行时追踪补全图谱的解决方案。基于Code-Graph-RAG的cgr trace机制,分别利用pytest插件与V8 Profiler捕获真实调用路径,将动态边合并至静态图谱,并在权重体系中提升动态边优先级。实践表明,该方法可显著提升图谱覆盖率,实现“结构+行为”双视角理解代码,为MCP与Rerank系统提供可靠支持。

xianyinsuifeng的博客 425

稀疏嵌入批量相似度计算:内存可控的ChunkDot工程实践

余弦相似度是文本、推荐、生物信息等领域最基础的向量匹配指标,其数学本质是归一化点积。在大规模稀疏场景下(如TF-IDF、用户行为矩阵),传统方法因隐式稠密化导致内存爆炸,核心矛盾在于‘输入稀疏’与‘输出近稠密’的结构性冲突。ChunkDot通过分块计算、CSR原生内核与L2范数预缓存三大设计,在不牺牲精度的前提下实现确定性内存占用和多核加速。它适用于千万级稀疏向量的实时/准实时相似检索,尤其契合法律文书去重、电商商品关联、长尾内容推荐等典型业务场景。

weixin_30781775的博客 411

全网最详细 解决戴维南定理的详细推导

替代定理,戴维南定理详细证明

m0_52555753的博客 3万+

s9keaz128 UART Bootloader 单片机篇(上)

网络上充斥着各种各样的串口升级方案,基本都是基于Y-Mode协议下载。采用这种升级方案学习还是可以,用在产品上还是有点欠缺。如下载完成后,需要把时间发送到设备就不好搞了。如下这个设备返回的信息,最后一项就是固件更新时间。固件名称: KEA128编译时间固件版本: 1.0.3硬件版本: 1.0.3产品序列号功能名称: App固件更新时间串口升级演示视频。

一人科技 1798

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

本地化部署 DeepSeek,构建单细胞与空间转录组 AI 分析平台

weixin_53637133的博客 187

【TCN回归预测】TCN时间卷积神经网络数据回归预测(多输入单输出)【含Matlab源码 2317期】

TCN时间卷积神经网络数据回归预测 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版)或下载付费资源,可赠送奶茶价版付费专栏指定代码1份; 823

【第 009 讲】全面掌握 Python 注释:注释的定义与作用 | 单行注释 | 三引号与多行注释 | 注释使用的最佳实践

本文系统讲解 Python 注释的完整知识体系:从注释的定义与作用讲起,梳理单行注释的书写位置、临时屏蔽用法与 PEP 8 排版规范,剖析注释被忽略的底层机制;进而说明三引号字符串的本质与嵌套问题;最后给出注释使用的三条实践原则,帮助读者写好可读性高的注释。

大模型全栈工程师 · Thanks_ks 1175

基于情感分析+聚类分析+LDA主题分析对服装产品类的消费者评论分析

本研究旨在通过对服装产品类的消费者评论进行综合分析,为企业提供更全面、更深入的市场洞察和决策支持。同时,本研究的方法和结果也可以为其他领域的消费者评论分析提供借鉴和参考。

m0_64336780的博客 2万+

IEEE Journal of Biomedical and Health Informatics(JBHI)投稿经验分享

《IEEE Journal of Biomedical and Health Informatics投稿经验分享》详细记录了在影响因子6.7的中科院一区期刊JBHI的投稿历程(2025.1-5月,历时4个月)。文章重点分析:1)审稿特色:4位审稿人差异显著,领域专家意见专业但要求严苛;2)修改要点:需重视大修(补充实验/原理阐述),并注意将回复内容同步至正文;3)期刊特点:送审率高但审稿严格,常规投稿周期约4-5个月;4)实用建议:建议首次大修全力以赴,善用AI工具辅助写作,避免拖延。

LiRongLu_的博客 5098

AI全栈实战 | 3.9-01 爬虫入门:requests 加 BeautifulSoup 三分钟跑通,但 90% 的人栽在这 4 个“礼貌“问题上

⚠️:本文内容仅用于。请遵守目标站点的服务条款与相关法律法规,不得对目标服务造成负担,不得采集、传播个人隐私数据。技术是中性的,边界在你手里。爬虫的入门技术(requests 发请求 + BeautifulSoup 解析)三分钟就能学会。真正区分"会用爬虫"和"会做爬虫的人"的,是这篇我们跑通"请求→解析→存储"的最小闭环,然后重点把"合规与礼貌"这根弦给你绷上。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 442

NR PUCCH(二)PUCCH format 2/3/4

继续看PUCCH2/3/4:PUCCH format 0和1所携带的信息bits少,UCI bits2bits,信息bit需要经过编码等过程下面分别来看。

ModemProtocol的博客 539

Python 的 yield from 到底转发了什么:拆开 send、throw 和那个 return 值

很多人把yield from记成「省一层 for 循环的语法糖」。写和写,结果看着一样,于是就当它只是少敲几个字。这个理解会在三个地方翻车:调用方.send()的值送不进去、子生成器return的值拿不到、异常和close()传不下去。yield from真正做的事是,外层生成器退成一个透明通道。本文所有输出来自本机 CPython 3.13.14 实测。yield from不是循环,是委托——nextsendthrowclose四个方向的流量全部直通子生成器,并且子生成器return。

小小张说故事的博客 163

LVGL core theme主题管理(lv_theme.c)

如果打开宏,主题的初始化是在显示设备注册时完成的。整个themes的实现放在目录下面。这里一共有三套主题(basic、default和mono)可供选择或者参考。源码中默认对接的是 default 主题,所以在中,看到的是调用default主题的接口。也就是说,如果需要更换主题,把这里面的接口换掉就可以了。或者要重新做一套主题,参考这些实现修改也就可以了。虽说有三套主题,但逻辑流程是一样的。主要完成两个工作:构造lv_theme_t结构体和初始化默认样多备用(style_init函数内实现)。构造。....

Bigan(安)的博客 3414

AFSim2.9.0学习笔记 —— 4.1、创建项目,以此项目介绍工作中Wizard使用(红方/蓝方武器平台、阵营、更换图标等,多图详细介绍)

AFSim2.9.0学习笔记 —— 4.1、创建项目,以此项目介绍工作中Wizard使用(红方/蓝方武器平台、阵营、更换图标等,多图详细介绍)

2259

从一段视频到可漫游的 4D 有声场景:思路拆解与最小复现手记

只需一段手机视频,你就能生成可"走进去"的 4D 有声场景:转头时狗叫声方向随之变化,走近时声音更清晰。本文拆解 Video-to-4DAVScene 的核心思路,手把手带你用几十行 Python 搭出最小管线,把视频中的运动物体变成带空间位置的声源,并附上三个真实踩坑的排障经验,代码可直接跑。🎧

helloagent的博客 246

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

【每天一个 Python 小案例30】Python 基础知识综合小项目:我的工具盒

作为系列收官,本篇把前 29 篇的知识点合成一个能直接用的命令行工具"我的工具盒":计算器(用 ast 解析表达式,不碰 eval)、单位换算与温度转换(一张换算表 + 特例分支)、记账与分类统计(Decimal + JSON 持久化)、以及用"字典当命令表"把菜单和业务逻辑解耦的主循环。文中对比了 eval 的安全隐患与 ast 白名单的做法,解释了 lambda 闭包在字典里的写法与晚绑定陷阱,并在最后给出整个系列的知识地图,把变量、数据结构、控制流、函数、类、异常、文件、标准库八块内容对应到具体篇目。

xinjiyaya的博客 432

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

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。

双路径优化+双容差校准

默认使用向量化路径处理常规数据,当检测到内存非连续或需要极致短路性能时,自动切换至 Numba JIT 路径。“当 CI 宽度中位数为 $W$ 时,实际判定容差为 $10^{-12} + 10^{-9} \times W$"针对表征谱算子 2 的实际输出量纲(例如 $10^{-3}$ 至 $10^3$),调整。准确标记了哪些数组被复制。非短路、静默拷贝风险、量纲耦合容差),本方案重构了核心逻辑。,并完善审计元数据以记录内存拷贝状态。, 确保在不同量纲下判定标准的一致性。,否则需排查上游数据生成逻辑。

2301_77211362的博客 202

yolo 和 deft 算法的区别

你应该是打错了:是,不是 defrat;

曾大强博客 275
上一篇: 500% 回报率?史上最强基金经理 ChatGPT 造!
下一篇: 10分钟!Python写一个角色扮演带上下文功能的chatgpt聊天机器人!上篇!
菜鸟学Python
博客等级 码龄9年 8095粉丝 571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