Python程序设计基础Python面试笔记,真的醉了

高频Python一线大厂面试题:算法+爬虫+数据处理+基础 ​很多学Python的小伙伴找工作时,只是一家家投简历,一遍遍做笔试,一次次去面试,然后一次次被拒绝……其实并不知道如何系统准备一场面试,每次面试都像撞大运,这样的求职过程,既困难又痛苦。 在本文中,我总结Python面试中最常见的69个问题。希望能够帮助你在2021年求职面试中脱颖而出,找到一份高薪工作。这69道面试题涉及Python基础知识、数据处理、爬虫、算法、大厂面试题等多个方面。 同时,对于Python基础掌握不牢固的小伙伴们,我们推出了C站软件工程师能力认证,帮助大家进行系统化学习,充分建立 阅读详情

Python

Q. Python中可变数据类型与不可变数据类型,浅拷贝与深拷贝详解

【Python基础】Python的深浅拷贝讲解
在这里插入图片描述

Q. 解释什么是lambda函数?它有什么好处?

Lambda函数是Python中的匿名函数。

Lambda函数在Python中被广泛使用,主要是因为它们提供了一种快速定义单行最小函数的方式,而无需使用常规的def关键字。这种函数通常用于需要一个简单操作的地方,例如在列表推导式、map()、filter()等高阶函数中作为参数传递。Lambda函数的基本语法结构是:lambda parameters_list: expression,其中parameters_list是函数的参数列表,而expression则是基于这些参数的表达式,该表达式的结果将被返回。

Lambda函数的优点主要包括代码简洁、无需增加额外变量、即时定义与使用。具体内容如下:

  • 代码简洁:由于lambda函数通常只包含一个表达式,因此代码非常简洁,可以提高代码的可读性。
  • 无需增加额外变量:因为lambda函数是匿名的,所以不需要为其分配一个名字,这有助于减少程序中的变量数量,避免命名冲突。
  • 即时定义与使用:可以在需要时立刻定义并使用,不必像常规函数那样先定义再调用。

case 1

add = lambda x, y: x + y
result = add(3, 5)
print(result) # 输出:8

case 2

students = [(“Alice”, 25), (“Bob”, 20), (“Charlie”, 30)]
students.sort(key=lambda student: student[1])
print(students) # 输出:[(‘Bob’, 20), (‘Alice’, 25), (‘Charlie’, 30)]

case 3

numbers = [1, 2, 3, 4, 5, 6]
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers) # 输出:[2, 4, 6]

Lambda表达式通常⽤于需要传递函数作为参数的函数(例如 map 、 filter 、 sorted 等),或
者在需要定义⾮常简单的匿名函数时。

总之,尽管lambda函数有许多优点,但它们也受到一些限制,如只能包含一个表达式,不能包含复杂的逻辑或语句,且没有文档字符串和名称。因此,在决定是否使用lambda函数时,应当根据实际需求和上下文进行权衡。

Q. 什么是装饰器?

装饰器本质上是一个Python函数,它可以让其他函数在不需要做任何代码变动的前提下增加额外功能,装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景,比如:插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计,有了装饰器,我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。

def my_decorator(func):
def wrapper():
print(“Something is happening before the function is called.”)
func()
print(“Something is happening after the function is called.”)
return wrapper

@my_decorator
def say_hello():
print(“Hello!”)

当调用 say_hello 时,实际上是调用了装饰器返回的 wrapper 函数

say_hello()

输出:
Something is happening before the function is called.
Hello!
Something is happening after the function is called.

Q. 什么是Python的垃圾回收机制?

Python的垃圾回收机制主要负责自动管理内存,释放不再使用的对象所占用的内存空间。
Python的垃圾回收机制主要包括以下几种:

  • 引用计数(Reference Counting)。这是Python中最基本的垃圾回收方法。每个对象都有一个引用计数,记录有多少个变量指向该对象。当引用计数为0时,表示该对象不再被使用,可以被回收。
  • 标记-清除(Mark and Sweep)。这种方法用于处理循环引用的情况。当内存空间即将被占满时,Python会暂停程序,从头到尾扫描所有对象,并标记所有可达的对象。然后,清除所有未被标记的对象,回收它们占用的内存空间。
  • 分代回收(Generational Collection)。为了提高垃圾回收的效率,Python引入了分代回收机制。对象被分为不同的代,如第0代和第1代等。新创建的对象通常放在第0代,而经过多次垃圾回收仍然存活的对象会被提升到更高的代。垃圾回收器会更多地检查低代中的对象,而对高代中的对象进行较少的检查,从而提高垃圾回收的效率。

需要注意的是,Python的垃圾回收机制是自动进行的,开发者不需要手动管理内存。垃圾回收器会根据需要定期启动,并在合适的时机回收不再使用的对象。

Q. Python内置函数dir的用法?

在 Python 中,dir() 是一个内置函数,用于查找对象的所有属性和方法。它返回一个字符串列表,包含了对象的所有属性和方法的名称。

class MyClass:
def __init__(self):
self.name = “John”

def say_hello(self):
print(“Hello, world!”)

obj = MyClass()

print(“对象 obj 的属性和方法:”, dir(obj))

输出:
对象 obj 的属性和方法: [‘__class__’, ‘__delattr__’, ‘__dict__’, ‘__dir__’, ‘__doc__’, ‘__eq__’, ‘__format__’, ‘__ge__’, ‘__getattribute__’, ‘__gt__’, ‘__hash__’, ‘__init__’, ‘__init_subclass__’, ‘__le__’, ‘__lt__’, ‘__module__’, ‘__ne__’, ‘__new__’, ‘__reduce__’, ‘__reduce_ex__’, ‘__repr__’, ‘__setattr__’, ‘__sizeof__’, ‘__str__’, ‘__subclasshook__’, ‘__weakref__’, ‘name’, ‘say_hello’]

Q. Python中两边都有下划线的方法有什么含义?

在Python中,两边都有双下划线的方法名被称为魔法方法(magic methods)。这些方法是Python语言的基础,它们为Python提供了强大的内置功能。例如,__init__ 方法是类的构造函数,__str__ 方法定义了对象被转换为字符串时的行为。

以下是一个简单的类示例,它定义了一个带有两边都有双下划线的方法:

class MyClass:
def __init__(self, value):
self.value = value

def __str__(self):
return f"MyClass with value: {self.value}"

使用类

obj = MyClass(10)
print(obj) # 输出: MyClass with value: 10

Python中还有很多其他的魔法方法,以下是一些常用的魔法方法:

__init__:构造函数,当一个对象被创建时会自动调用。
__del__:析构函数,当一个对象被销毁时会自动调用。
__str__:返回一个对象的字符串表示,通常用于print函数。
__repr__:返回一个对象的官方字符串表示,通常用于调试。
__call__:允许一个对象像函数那样被调用。
__getitem__、__setitem__、__delitem__:用于自定义索引操作,如obj[key]。
__len__:返回对象的长度,常用于len()函数。
__iter__:返回一个迭代器,用于遍历对象。
__enter__ 和 __exit__:用于实现上下文管理协议,如with语句。
__add__、__sub__、__mul__ 等:用于自定义算术运算符的行为。

这些魔法方法允许你自定义Python对象的行为,使其更符合你的需求。你可以根据需要实现这些方法来扩展Python类的功能。

Q. Python中单下划线和双下划线的区别

  • “单下划线” 开始的成员变量叫做保护变量,意思是只有类对象和子类对象自己能访问到这些变量,需通过类提供的接口进行访问,不能用“from xxx import *”而导入;
  • “双下划线” 开始的是私有成员,意思是只有类对象自己能访问,连子类对象也不能访问到这个数据。仍然可以通过_{classname}__name来访问__name变量。但是强烈建议你不要这么干,因为不同版本的Python解释器可能会把__name改成不同的变量名。

Q. __new__和__init__区别

__new__与__init__区别总共有四个方面:

  1. 功能上的区别: 前者生成类实例对象空间的,后者是初始化对象空间并给对象赋值的;
  2. 执行顺序: 先执行__new__方法生成类对象空间才能执行后者
  3. 返回值: 前者有返回值,后者没有返回值
  4. 前者是静态方法, 后者是构造方法。
    在这里插入图片描述

Q. 什么是迭代器和⽣成器?

迭代器(Iterator)和⽣成器(Generator)都是Python中⽤于处理迭代的重要概念,允许逐个访问数据项,⽽⽆需将所有数据加载到内存中,这在处理⼤型数据集合时⾮常有⽤。尽管有⼀些相似之处,但在实现和⽤法上有⼀些关键的区别。

1.迭代器(Iterator)

迭代器是⼀个对象,它可以通过调⽤ __next__() ⽅法逐个返回集合中的元素。迭代器通常⽤于遍
历集合,如列表、元组、字典等,以及⾃定义的可迭代对象。的核⼼特点是惰性计算,即只在需要时才计算下⼀个元素。

Python的内置函数 iter() 可以⽤于将可迭代对象转换为迭代器,⽽ next() 函数⽤于获取迭代
器的下⼀个元素。当没有更多元素可供迭代时,迭代器会引发 StopIteration 异常。

numbers = [1, 2, 3, 4, 5]
iter_numbers = iter(numbers)
print(next(iter_numbers)) # 输出:1
print(next(iter_numbers)) # 输出:2

自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!

因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
img
img



既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!

由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新

如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
img

文末有福利领取哦~

👉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,你可以按照上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

👉二、Python必备开发工具

img
👉三、Python视频合集

观看零基础学习视频,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

👉 四、实战案例

光学理论是没用的,要学会跟着一起敲,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。(文末领读者福利)
img

👉五、Python练习题

检查学习结果。
img

👉六、面试资料

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
img

img

👉因篇幅有限,仅展示部分资料,这份完整版的Python全套学习资料已经上传

一个人可以走的很快,但一群人才能走的更远。如果你从事以下工作或对以下感兴趣,欢迎戳这里加入程序员的圈子,让我们一起学习成长!

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算

,让我们一起学习成长!**](https://bbs.youkuaiyun.com/forums/4304bb5a486d4c3ab8389e65ecb71ac0)

AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算

python语言程序设计 答案,python程序设计教程题库 可选择的购买组合: 购买洗发水 5 瓶,香皂 1 块,牙刷 10个。可选择的购买组合: 购买洗发水 4 瓶,香皂 6 块,牙刷 5个。可选择的购买组合: 购买洗发水 4 瓶,香皂 4 块,牙刷 10个。瓶,香皂 12 块,牙刷 5个。可选择的购买组合: 购买洗发水 2 瓶,香皂 10 块,牙刷 10个。可选择的购买组合: 购买洗发水 6 瓶,香皂 0 块,牙刷 5个。可选择的购买组合: 购买洗发水 5 瓶,香皂 5 块,牙刷 0个。可选择的购买组合: 购买洗发水 5 瓶,香皂 3 块,牙刷 5个。 阅读详情

相关推荐

深入解析五大ADC芯片架构及其应用场景

本文深入解析了五大ADC芯片架构及其应用场景,包括逐次逼近型ADC、Σ-Δ型ADC、流水线型ADC、闪存型ADC和积分型ADC。通过详细的架构分析和实际应用案例,帮助工程师理解不同ADC芯片的特点和适用场景,提升电路设计效率。

weixin_28702105的博客 357

python高级程序设计及应用,python高级程序设计难吗

大家好,小编为大家解答python高级程序设计及应用的问题。很多人还不知道python高级程序设计难吗,现在让我们一起来看看吧!可以通过多看一些优秀开源代码来学习,比如sqlalchemy,gunicorn等不是CPython解释器,而是一种用python语法生成C extension的工具,常被用于解决各种性能问题,也常见于各种开源项目Python用的多了你会发现,本质上解决更深层的问题,C是逃不了的(比如看一些Python底层库的实现,源码分析等)。

Clt216的博客 957

python语言程序设计基础笔记

从0开始学Python,就问你一句:慌不慌?说句实在的,慌,可能是因为你自己没有完整的规划,其实就是不知道从何下手,七七八八乱学一通自然还是觉得无厘头用Python画简单笑脸代码。但今天,我要跟你讲,莫慌!恰好前几天从朋友那得到一套最强 “Python编程三剑客”:《Python编程:从入门到实践》+《Python编程快速上手-让繁琐工作自动化》+《Python极客项目编程-完整版》,翻阅之后,我大致地整理了一番(pdf),很硬核!

2401_86116894的博客 393

DICOM三维重建:基于VTK实现三种面绘制算法

版本:VS2019、VTK9.0.1 #define vtkRenderingCore_AUTOINIT 3(vtkInteractionStyle,vtkRenderingFreeType,vtkRenderingOpenGL2) #define vtkRenderingVolume_AUTOINIT 1(vtkRenderingVolumeOpenGL2) #include "vtkDICOMImageReader.h" #include "vtkRenderWindowInteractor.h" #i

一直在笑的博客 5924

ITK-snap进行分割区域标注、三维显示及改变显示颜色

在进行医学图像器官分割时,无论我们是用传统方法还是深度学习,最后肯定要用到手动分割的区域作为金标准来验证我们方法的精度。但是手动标注器官的轮廓是十分耗时的,这里我介绍一个比较简单的标注方法,以肺分割作为例子。 我们使用ITK-snap作为分割标注工具。 当切片间距离比较小时,比如1mm,一个患者的完整HRCT序列通常在200张以上,如果让医生一一进行分割区域标注是非常耗时乏味的。因此,我们可以使用最简单的阈值法比如OSTU,加上基本的形态学操作对肺进行粗分割得到粗略的分割掩码,在此基础上再手动的对分割结果进

u010409517的博客 2万+

python程序设计题库-python编程题库

广告关闭2017年12月,云+社区对外发布,从最开始的技术博客到现在拥有多个社区产品。未来,我们一起乘风破浪,创造无限可能。上期题目连接:1000道python题库系列分享十一(9道)上期题目答案:? 本期题目:?...上期题目链接:1000道python题库系列分享十二(9道编程题)上期题目答案:? 本期题目:?...热烈庆祝2018年2月董付国老师《python程序设计(第2版)》出版18个月...

weixin_37988176的博客 6789

企业微信群机器人Webhook配置全攻略:从创建到发送消息的完整流程

本文详细解析了企业微信群机器人的Webhook配置全流程,从创建机器人、获取关键Webhook地址,到使用代码发送文本、Markdown等多种消息类型。内容涵盖安全加固、错误处理及与CI/CD等系统集成的实战指南,帮助企业快速构建高效、稳定的内部通知系统。

ik678901的博客 1791

python语言程序设计基础教材,python程序设计教科书

Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

2301_81900439的博客 697

【异常】Codybuddy Error Code: 14003 too many requests 限流报错问题排查与解决指南

14003报错本质为服务端限流拦截,并非账号封禁或程序致命故障,90%以上的场景可通过等待冷却+规范使用行为解决。通过本文的排查步骤,可快速恢复工具使用,同时规避后续重复触发该问题。

奶爸的编程之路,也就一周冷个三天 1254

寒武纪面试——数字IC,数字逻辑岗

面试过程:面试是电话面试,通话时间大致在40分钟左右!面试体验挺不错的。面试的岗位是数字逻辑工程师。本人双非,拿过一个国一(南京FPGA大赛),一个数学建模省二。

FPGA/MATLAB学习教程/源码/项目合作开发 1378

你的真的懂Python?Python进阶之学习笔记

俗话说的好,千里之行始于足下。无论做什么基础都是最重要的,当你以为自己“精通”某语言的时候,有没有问过自己:“我能不能把这些知识,用最简单的话说出来?让不懂的人也能听明白。当你真正精通某语言的时候,我相信你一定能做到。如果做不到,那就需要往下看,再学习一下基础。为了帮助大家彻底理解Python,七月在线针对各大知识点进行了图片化和文字化显示。涵盖了大量文字概念和代码的逻辑处理思路以及对应案例,可以直接通过文字概念和图片的逻辑处理流程,来辅助自己对知识的消化和吸收。

Trb701012的博客 1039

4D毫米波雷达天线设计

多种天线布局方案介绍、天线设计要点介绍

5736

Python语言程序设计基础题库的价值与意义

通过大量的练习和题目解析,学习者可以更加深入地理解Python语言的语法规则、数据类型、控制结构等基础概念,同时也能够熟悉常见的编程问题和解决方案。从某种程度上来说,也要注重题目的难度梯度,从简单到复杂逐步提高自己的编程能力。拓展知识面:一些题目可能会涉及到Python语言的高级特性或扩展库的使用,通过解决这些题目,学习者可以拓展自己的知识面,了解更多的编程技术和工具。巩固基础知识:题库中的题目通常覆盖了Python语言的基础知识点,通过反复练习,学习者可以加深对基础知识的理解,形成扎实的编程基础。

a1237567892的博客 389

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

python基础题库-python基础题库

广告关闭2017年12月,云+社区对外发布,从最开始的技术博客到现在拥有多个社区产品。未来,我们一起乘风破浪,创造无限可能。python概述简介 python是一种解释性,面向对象,动态数据类型的高级程序语言, 解释型,无编译过程,逐行解释为二进制 交互性,直接执行程序 应用广泛, 编译型:一次将所有编译为二进制 特点 易于学习 易于维护 易于阅读 广泛的标准库 互动模式可移植 可扩展:兼容c语言...

weixin_37988176的博客 5967

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'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 = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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 < 0.10, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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 < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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<0.12, 'Too big error');```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('state',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 < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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 < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',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 < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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 < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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 < 0.1, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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 < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

最全整理了31道python3基础练习题,腾讯面试 知乎

这是我花了几天的时间去把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,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。数字的缓存池 -5 至 256 可以用不相同的变量名,相同的值,用id(变量名),看它们的内存地址)

m0_56169789的博客 896

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

python笔记-基础篇面试题(附答案)

本内容首发于公众号(更好的阅读体验):琦度 1 这是一篇长文,我们都知道网上有很多的面试题,但是大多数没有答案。所以在找到了大量的面试题和知识点之后。我打算整一个专题好好的给大家整理一下。尽量每一题的知识点都和大家解释一下。 大家可以看看自己薄弱的地方在什么地方,我推荐看那个编程题和31,33 声明:题目来自网上 2 Python和Java、PHP、C、C#、C++等其他语言...

weixin_41884148的博客 2068

完全零基础,python真的可以学会吗?作为过来人分享一些经验_python零基础可以精通吗

🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。需要这份系统化学习资料的朋友,可以戳这里获取。

2401_84572928的博客 878

Python程序设计

∶abs(x)返回x的绝对值,bin(x)把数字x转换成二进制串,input(‘提示’)接受键盘输入,并返回输入对象,sum(s)返回序列s的和,str(x)把对象x转换为字符串,tuple(x)把列表x转换成元组并返回,print()输出对象,pow(x,y)返回x的y次方。∶+、-、*、/(加减乘除),**(幂运算)、==(相等比较),!=(不等比较),in(在其中),not in(不在其中),or(逻辑或),and(逻辑非),if elif else多条件判断,X(…)调用函数、方法及类,[…

Trb701012的博客 1232

python语言程序设计教程答案赵璐_python语言程序设计教程课后答案赵璐

python语言程序设计教程课后答案赵璐内容摘要python语言程序设计教程课后答案赵璐班,当地油漆高中低档价位的有哪些品牌,当地铁2号线,国际商务硕士教程,当地实体店买的。当地生活旅游花费。电视编导专业教程学校,当地社区街道python语言程序设计教程课后答案赵璐详细介绍python语言程序设计教程课后答案赵璐班,当地油漆高中低档价位的有哪些品牌,当地铁2号线,国际商务硕士教程,当地实体店买的。...

weixin_39843078的博客 4839

python程序设计题库及答案,python程序设计题库网站

大家好,小编来为大家解答以下问题,python程序设计题库及答案二级教程,python程序设计题库及答案 第五章,今天让我们一起来看看吧!这篇文章主要介绍了python基础题库100题及答案,具有一定借鉴价值,需要的朋友可以参考下。希望大家阅读完这篇文章后大有收获,下面让小编带着大家一起了解一下。

chatgpt002的博客 1230

python语言程序设计难不难,python语言程序设计基础

大家好,本文将围绕PYTHON语言程序设计实践教程(陈东)答案展开说明,python语言程序设计中南大学课后答案是一个很多人都想弄明白的事情,想搞清楚python语言程序设计第二版课后答案需要先了解以下几个事情。。以下是常用的几款Python代码编辑器和Python集成开发工具。Sublime Text是一款非常流行的代码编辑器,支持Python代码编辑,同时兼容所有平台,并且丰富的插件扩展了语法和编辑功能,迅捷小巧,具有良好的兼容性,很受编程人士的喜爱!

2401_85979589的博客 868

面试题目,labelme转COCO数据集(物体检测,Python程序设计基础教程

如果你也是看准了Python,想自学Python,在这里为大家准备了丰厚的免费。

m0_61943758的博客 854

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 181
上一篇: 3天拿到网易Web前端岗offer,开发常用代码笔记,轻松获得一线大厂面试offer
下一篇: Python程序设计基础教程【Python,看这篇文章准没错
普通网友
博客等级 码龄5年 4697粉丝 610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