第一篇:开始Python

【Python微信机器人】第一篇:在windows11上编译python 我打算写一个系列,内容是将python注入到其他进程实现inline hook和主动调用。本篇文章是这个系列的第一篇,后面用到的案例是注入python到PC微信实现基本的收发消息。文章着重于python方面的内容,所以对于微信找收发消息的call不会去讲过程,有兴趣的可以直接百度搜PC微信逆向。我想要的inline hook效果是,就是只需要给定hook的内存地址address和回调函数callback就能实现hook,回调函数的参数是所有的寄存器组成的结构体。 阅读详情


这个专题主要记录《Learning Python 4th》的学习笔记。用于督促自己学完这本书。该书1000多页,可想而知包含的内容还是很多。但作为一门语言,学起来还是很简单的。这里以“条”为单位,简化书中的繁杂的表达,再填上自己的感想。力求全面而又精简地描述python语言的特性。

这些笔记供以后参考。也供朋友们学习。

 

关于本书的评论,请参见(豆瓣):

http://book.douban.com/subject/2295097/

 

-----------------------------------------------------------这是分隔符--------------------------------------------------------------

注:这篇适合走马观花,请安装完python,进行各种尝试。

0.安装python:

windows: 进入 python官网,安装python开发包。安装完后。 打开IDLE学习python语言。

Linux: 默认已经安装。你可以选择更新。 打开终端开始学习python语言。

 

1.Python有三个有特色的数据结构:

list: [  ] 

dictionary / set { }

list (  )

例子:

a = [1, 3, 3, 'hello']  #(list)用来动态存放一组数据
b = {'name':'X', 'age':'3'}  #(dictionary)类似于map映射
b2 = {'X', '3'}  #set
t = (1, 2, 3)  #(tuple)类似于不变的list

 

2.通过import来插入模块:

什么是模块:写一个.py的文件。如hello.py 。 这个文件就是一个模块。和C++的命名空间一样,使用前要using, (这里是import)。

import 后就可以使用模块了里的内容了:

>>>import random #导入标准模块random
>>>random.random() #调用random文件里的random()函数
0.58987889768878 #得到随机数

>>>random.choice([1, 2, 3]) #在list里随机选一个
1

 

3.strings

strings 可以使用 ‘ 或者 “ 来标注:

正确的标注:’hello', "hello", ' he"llo" '

不正确的标注:'hello" #使用符号不对称 

>>>str = 'hello'
>>>len(str) #right 得到长度
>>>str[0] #right 访问第0个字符,与c语言相似。
>>>str[-1] #right 访问最后一个字符
>>>str[-5] #right 'h'
>>>str[-6] #wrong. 大于一圈,不支持。 
>>>str[5] #wrong. 越界,不支持。

strings的操作:

这里列出较少的操作。通过dir函数查看strings支持的全部操作:dir(str)

>>>str = 'hello world \n'
>>>str[0] = 'h'  #wrong!
>>>str.upper()
'HELLO WORLD \n'
>>>str.rstrip() #去掉末尾空格和\n等

格式化string:

>>>'%s is a %s' %('Tom', 'teacher')  #all version
Tom is a teacher
>>>'{0} is a {1}'.format('Tom', 'teacher') #2.6 3.0 版本。类似于c#
Tom is a teacher

 

4.dir函数

可以通过dir函数查看object或.py文件里面的细节:

>>> b = 'hello'
>>>dir(b) #可以看到有upper等函数
dir(b):
['__add__', '__class__', '__contains__', '__delattr__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__getitem__', '__getnewargs__', '__getslice__', '__gt__', '__hash__', '__init__', '__le__', '__len__', '__lt__', '__mod__', '__mul__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__rmod__', '__rmul__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '_formatter_field_name_split', '_formatter_parser', 'capitalize', 'center', 'count', 'decode', 'encode', 'endswith', 'expandtabs', 'find', 'format', 'index', 'isalnum', 'isalpha', 'isdigit', 'islower', 'isspace', 'istitle', 'isupper', 'join', 'ljust', 'lower', 'lstrip', 'partition', 'replace', 'rfind', 'rindex', 'rjust', 'rpartition', 'rsplit', 'rstrip', 'split', 'splitlines', 'startswith', 'strip', 'swapcase', 'title', 'translate', 'upper', 'zfill']

然后执行help命令,可以查看具体函数说明:

help(b.upper)


5.遍历
python的遍历与c#类似:

这里用print(i) 来打印数据。

在2.6或更早版本,print 可以这么使用:

print x

2.6,3.0后,print应该这么使用(它是一个函数了):

print(x)

>>>aList = [1, 2, 3]
>>>for i in aList:
               print(i)

1
2
3

遍历操作并作为list输出:

>>>[a * 2 for a in aList]
[2, 4, 6]

上面代码的意思是:

遍历所有aList里的元素, 把它赋值给a. 对于每一个a都*2,这些所有结果放入一个list中返回。

这个功能,可以模拟矩阵的操作。如实现提取对角线元素等。

 

6.in

in关键字可以测试x是否在集合D中:

>>>x = 10
>>>D = [2, 3, 5]
>>>x in D
False
>>>x = 2
>>>x in D
True

 

7.map

map是关键字与value的映射,采用树的存储结构来提高效率:

>>>D = {'name':'x', 'age':23} #冒号前为key,后为value,所有key必须具有一样的类型。value则不需要
>>>D.get('age') #得到‘age'对应的value
>>>D.get('ageed', 3) #如果得不到,默认是返回None的。也可以指定找不到对应key返回的值。这里是3

>>>D['ageed'] if 'ageed' in D else 3 #与上个命令类似


8.tuple

很可怜,tuple只有两个成员函数:index和count。

前者定位某个给定元素第一个找到的位置,(0位起始)

后者数数给定字符出现的次数

 

很可怜,tuple不能被改变。

 

9.File

file尽然是core type: 内置类型。

 通过file可以非常轻易地操作文件:

#Files
#files are a core type.
#read:
f = open('data.txt')
text = f.read()
f.close()
 
#write:
f = open('data.txt', 'w') # 'w'告诉你'写' 读二进制是'rb'
f.write('hello')
f.close()

同样,也可以使用’dir'去查看f object里的内容:dir(f)

10.set

set可以看作是只有key的dirctonary

既然是集合,set支持交,差,并等操作。利用前面5.遍历所讲内容,还可以动态生成一个set:

>>>x = {'a', 'b'}
>>>y = {'b', 'c'}

>>>x&y #:交
set(['b'])
 
>>>x | y #:并
set(['a', 'c', 'b'])
 
>>>x - y #:差
set(['a'])
 
#generate a set:
>>>{x ** 2 for x in [1, 2, 3]}


 end

 

Python爬虫系列教程之第一篇:入门与基础概念 发送请求利用HTTP协议向目标网站发送请求,获取网页数据。常用库:requests获取响应服务器返回HTML页面、JSON数据等信息。解析数据对获取的网页内容进行解析,提取出我们所需要的信息。常用库:BeautifulSouplxml存储数据将提取到的数据存入数据库、文件或其他存储系统中。管理请求对多层链接、异步请求、IP封禁等问题进行处理,确保爬虫高效稳定运行。 阅读详情

相关推荐

自学FreeCAD 第一篇 Python函数

下载FreeCAD并安装后,开始FreeCAD的学习,学习的教程是FreeCAD自带的User Manual ,我是从Python代码开始入手 本篇主要编辑方式为View---> Views --> Python console menu ,代码中出现的App、Gui分别是模块FreeCAD、FreeCADGui的别名 第一步:     创建一个空文档 >>> App.newDocumen

火烧尾的专栏 1万+

Python 用pygame 做一个游戏的开始界面(小白第一篇博客)

Python 用pygame 做一个游戏的开始界面(小白第一篇博客) 主要功能实现 本篇文章主要是实现了一个游戏开始界面的两个功能: 1,将鼠标放到”开始游戏“或”结束游戏“字样是 字样由黑色变为红色 1,可以实现点击开始游戏,游戏自动跳转到游戏界面(即,可以运行游戏的第一关了) 2,点击结束游戏,游戏退出。 素材准备 首先准备素材,为了方便起见,我从艺术字网上索取了我个人觉得比较好看的字体(开始...

pythonlols的博客 4万+

第一篇:从零开始,理解机器学习

1959年,加拿大达特茅斯分校的教授费尔南多·费罗斯和皮埃尔·马库斯共同发明了著名的“西瓜书”。之后该书迅速走红全球,并成为了许多数据科学领域的经典教材。今年的“第四十一届美国科技奖”又推出了一项““最佳数据分析工具奖”,颁给了另一本经典的数据科学入门书——斯坦福大学公开课“机器学习”(CS109)的作者。此外,还有一些高质量的博文、教程、开源项目等资源也涌现出来,为广大的程序员提供了丰富的学习资源。

AI天才研究院 1966

游戏开始界面python怎么做_Python 用pygame 做一个游戏的开始界面(小白第一篇博客)...

Python 用pygame 做一个游戏的开始界面(小白第一篇博客)主要功能实现本篇文章主要是实现了一个游戏开始界面的两个功能:1,将鼠标放到”开始游戏“或”结束游戏“字样是 字样由黑色变为红色1,可以实现点击开始游戏,游戏自动跳转到游戏界面(即,可以运行游戏的第一关了)2,点击结束游戏,游戏退出。素材准备首先准备素材,为了方便起见,我从艺术字网上索取了我个人觉得比较好看的字体(开始游戏和结束游戏...

weixin_39915500的博客 4857

FPGA新手必看:Create HDL Wrapper和Generating Output Products到底该先用哪个?

本文深入解析了FPGA设计中Create HDL Wrapper与Generating Output Products的正确使用顺序,帮助新手避免常见错误。详细介绍了两者的功能差异、执行顺序的底层逻辑以及工程管理的最佳实践,特别适合使用Vivado进行FPGA开发的初学者。

xk7n92h3p5m的博客 1065

超详细YOLOv8目标检测全程概述:环境、训练、验证与预测详解

这篇博文提供了一个关于使用YOLOv8进行目标检测的全面指南,包括环境搭建、模型训练、验证和预测的详细步骤,以及如何解释训练过程中生成的各种图表和数据。整篇文章为读者提供了一个关于如何利用YOLOv8进行目标检测的实践指南,从环境搭建到模型部署,再到结果分析,每一部分都给出了详细的步骤和解释。此外,还有对于模型输出的解释,帮助读者更好地理解和使用YOLOv8模型。

CDBmax的博客 10万+

Python小白开始人生中第一篇优快云博文啦!!!

Python小白开始人生中第一篇优快云博文啦!!!记录我的Python学习 记录我的Python学习 接触学习Python已经有3个月了,这3个月过得愉快而充实,有遇到问题时头皮发麻不知所措,也有解决了问题兴奋不已彻夜难眠,这个痛苦并快乐着得心情只有学习过的人才能真正体会得到。 而这一切都是因为3个月前无聊刷抖音刷出了风变编程,9.9元超低价格学习PYTHON从入门到精通,还有老师指点,一共4周时间学完,本来对电脑技术很感兴趣的我立马交了学费,开始了人生中的第一行代码“Hello world!”,就这样一

weixin_45655218的博客 254

Word | 简单可操作的快捷公式编号、右对齐和引用方法

在理工科论文的写作中,涉及到大量的公式输入,我们希望能够按照章节为公式进行编号,并且实现公式居中,编号右对齐的效果。网上有各种各样的方法来实现,操作繁琐和简单的混在一起,让没有接触过公式编号的人感觉比较混乱。笔者自己博览相关博客,亲身实践,总结出一套自认为比较简便的公式编号、对齐和引用方法,在这里分享给大家~

qq_43466146的博客 3万+

认真学习python,从第一篇博客开始

从开始接触python到现在也有一段时间了,可是总是在python基础的语法上晃荡,不知道自己到底可以用python来干些什么,学过Django,也做了几个十分难看的网站,可是总觉得python的用处不应该这么简单,于是陷入了深深的迷茫之中,到底自己学python是为了什么,到底应该怎么样学python,看过不少大神的博客文章,都建议自己写博客,不管是技术文章还是心路历程,对一个想要好好学习编程的

hoooooolyhu的博客 415

比亚迪开放平台接口实战:车身状态监测与智能车联应用开发

本文详细介绍了如何利用比亚迪开放平台的车身状态接口进行智能车联应用开发。通过核心类BYDAutoBodyworkDevice,开发者可以安全获取车辆VIN、车门车窗状态、蓄电池电压、方向盘转角等实时数据,并利用监听器实现状态实时响应。文章提供了从SDK集成、接口调用到典型应用场景(如远程车况检查、车队管理)的完整实战指南,助力开发者快速构建基于比亚迪车辆数据的创新应用。

weixin_29176179的博客 725

从Protocol到硬件控制:揭秘高通UEFI中ABL与XBL的协作机制

本文深入解析了高通UEFI架构中ABL与XBL的协作机制,重点探讨了Protocol通信在硬件控制中的关键作用。通过对比传统GPIO控制方式,揭示了Protocol架构在安全性、可维护性和灵活性方面的优势,并提供了关机充电场景的实战案例分析及调试技巧。

weixin_29185199的博客 431

第一篇博客:已经学了半个月的python基础,今天开始自学python高级,坚持

我的第一篇博客接触博客很久了,但还真是第一次接触程序员的博客写作内心很忐忑,希望自己的这次选择是对的学python的路还很长,希望自己能顺利坚持下去也希望自己能有很大的收获因为自己是零基础,想进培训机构系统的学习一下但是进里面学习的周期太长了,身边朋友也说学的比较杂类似,爬虫或者前端,前端就要学一个多月,爬虫也是一个多月但是,实际工作中,这两块儿只能用到一个吧,爬虫可能以后能接触到人工智能或者大数...

cady572的博客 1405

KANO分析模型

KANO分析模型的基本概念,目的意义,应用场景,实现方法和示例等

JasonH2021的博客 3066

Python pyQt5 从零开始 新手上路(第一篇 环境和配置)

Python pyQt5 从零开始 新手上路1. 序言1.1 注意事项2. 开始操作2.1 关于环境2.2插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1. 序言 博主是一名有几年开发经验的java社畜,本意是想给朋友做一个可以帮助他处理表格的小工具,由于之前自学了python,并且还未

from1943的博客 2625

昇腾Ascend310b部署deepseek-r1-7b的学习记录

9.鲲鹏服务器+昇腾卡(Atlas 300I pro)搭建DeepSeek-R1-Distill-Qwen-7B(自己存档详细版)5.如何使用昇腾Ascend 300I Pro 310P芯片 单卡运行DeepSeek-R1-Distilled-Qwen-7B。6.鲲鹏服务器+昇腾卡(Atlas 300I pro)搭建DeepSeek-R1-Distill-Qwen-7B。7.鲲鹏+昇腾部署DeepSeek-R1-Distill-Qwen-32B+Open-webui。

maken 2373

5套高颜值AI漫剧女主设定图!直接拿去做漫剧(附完整提示词)

左侧特写放大表现暖棕眼妆、豆沙唇、红宝石首饰、发丝与针织纹理,四个视图严格保持同一人物脸模、发色、服装、首饰和身体比例,柔和复古棚拍光,低饱和酒红与奶油色配色,真实布料、皮革、金属与宝石材质,高级精致角色资产设定图,高清8K。佩戴珍珠与透明水晶耳坠、纤细珍珠项链;左侧特写放大至胸部以上,清晰表现皮肤、眼妆、发丝、耳饰和针织材质,人物四个视图保持同一脸模、发型、服装、饰品和身体比例,柔和棚拍漫射光,轻微地面阴影,高级细腻材质,真实发丝,细腻皮肤,高精度角色资产设定图,高清8K质感。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 1705

Python爬虫讲解版(开始学习)第一篇

很多同学一听到Python或编程语言,可能第一反应就觉得,哇,Python好难呀,其实觉得难,都 是自己的条件发射,但是什么今天的Python课程是个例外,因为今天讲的Python技能,不需要你懂计算机原理,也不需要你理解复杂的编程模式。即使是非开发人员,只要替换链接、文件,就可以轻松完成。 并且这些几个实用技巧,简直是Python日常帮手的最佳实践。比如: 爬取文档,爬表格,爬学习资料; 玩转图表,生成数据可视化; 批量命名文件,实现自动化办公; 批量搞图,加水印、调尺寸。 接下来,我们就...

qq_57086719的博客 495

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")

写在开始之前

hi,大家好,我是这个博客的主人,接下来的时间里我可能就要开始每周更新一篇博客了,因为我开始学习python 了,我把这里作为我的笔记并分享给大家,希望大家能从里面获取一些有用的东西,也加强我的记忆,希望我接下来的日子里能坚持住每周一更。(努力。。) 好了废话不多说,我要开始我的第一篇,python 入门了。 转载于:https://www.cnblogs.com/yangever/p/5700...

weixin_30784141的博客 66

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

python ai 教学_【Python AI教学】从零开始学Python AI开发系列01

原标题:【Python AI教学】从零开始学Python AI开发系列01欢迎开启新的旅程。 从2016年开始,AI人工智能的热潮扑面而来。而在机器学习和深度学习领域,Python位于最受欢迎的编程语言第一位,遥遥领先。 而在TIOBE编程语言排行榜上,Python语言也已经连续两年排名第四。 更有甚者,近日更有新闻报道浙江省将把Python语言列入高考信息技术类的考试内容,从2018年起,浙江省...

weixin_31652625的博客 664

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Python中的实用工具JSON解析

对于Python不熟悉的同学,建议从本专栏第一篇开始观看。

Android小码家 531

人生的第一篇博客

我希望能有规划有目的的学习编程,按模块学习,夯实每一步基础。每天在编程上练习一到两小时,并坚持打卡gitee。对于编程来说,熟练的掌握几门语言是必备的,望在未来的学习中能掌握好c\c++;我叫艾杨,这是我写的第一篇博客,这篇博客意味着我编程生涯的开始。其次数据结构和算法相关知识也是相当重要。希望学成之后能入职华为。

prinftft的博客 144

记录第一篇博客

小白

qq_42762854的博客 21

个人博客的开始

博客之初 现在是2019年6月17日上午10.00整,正在正在工程实训的课堂上,讲师是校企合作的达内老师,讲的是这学期已经学过的JSP中的Servlet技术,课堂是典型的达内课堂,讲课进度缓慢,又由于这次课的内容这学期早已学习过,没有打算听课,便开始写下这篇博客。 这篇博客是我个人博客的第一篇,用于规范化我的专业程序员的学习之路。目前是大学三年级的末尾,下学期开始是...

theStrongestPit的博客 225

Python网络爬虫第一篇

Python网络爬虫第一篇 (一):为什么要学习网络爬虫? 大数据成为当今时代的热门话题之一,在数据量爆发增长的互联网时代,网站与用户沟通实质为数据的交换。如果大量的数据得以分析,我们能够对事件的看法,解决方案做出更好的决策。而网络爬虫技术,则是大数据分析领域的第一个环节。 (二):能从网络上爬取什么数据? 所有在网页能见到的数据都可以通爬虫程序保存下来。 (三):python爬虫的流程 获取网页——解析网页(提取数据)——存储数据 1:获取网页:给一个网址发送请求,该网址会返回整个网页的数据。 基础技术

weixin_45480995的博客 561

Opencv-Python 从0开始

入门第一天(一些你不知道以及该知道的) 快速抵达通道入门第一天(一些你不知道以及该知道的)写在前面编译器opencv-python版本导入opencv库先来读取一张图片 写在前面 本人目前二本院校大二,在读这是我的第一篇博客,从开始学习opencv2有一段时间了,写博客一方面是想借发博客巩固一下学习,提高效率,另一方面,让更多刚入门的小白能借此参考,也分享每一步踩下的坑,让你们少走些弯路。废话不多说,让我们从0开始!!(第一次写博客,不会布局,请别介意) 编译器 Opencv-python(也叫opencv

qq_50394133的博客 1101

python的for循环从某个变量开始

从变量5开始,一直遍历到9,总共5个变量 current = 5 for i in range(current,10): print(i) 在python中是无法给i赋值的,所以只能通过这种方式,控制循环的次数和开始结束位置

Drug discovery 2万+
上一篇: 如何提高学习效率 如何提高工作效率
下一篇: 第二篇:数值类型
未雨
博客等级 码龄14年 4粉丝 16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