Learning Python 012 函数式编程 1 高阶函数

别再被AlphaGo吓到了!用Python和Gym库10分钟搞懂强化学习(附小车平衡杆实战代码) 本文通过Python和Gym库,以小车平衡杆(CartPole)为例,快速入门强化学习。从环境搭建、核心概念解析到Q-Learning实战代码,详细介绍了强化学习的三要素(状态、动作、奖励)及其实现方法。文章还提供了提升训练效率的进阶技巧和常见问题解决方案,帮助读者轻松掌握强化学习基础。 阅读详情

Python 函数式编程 1 高阶函数

高阶函数

Q:什么是高阶函数?
A:一个函数接收另一个函数作为参数,这种函数就称之为高阶函数。
简单举个例子:

def add(x, y, f):
    return f(x) + f(y)

使用这个函数:

>>> add(-5, 6, abs)
11

它是这样执行的:

x = -5
y = 6
f = abs
f(x) + f(y) ==> abs(-5) + abs(6) ==> 11
return 11

map/reduce

map

map()是一个高阶函数。map()函数接收两个参数,一个是函数,一个是Iterable,map将传入的函数依次作用到序列的每个元素,并把结果作为新的Iterator返回。

def f(x):
    return x * x
r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])

print(r)
print(list(r))

运行:

<map object at 0x000000821D2A11D0>
[1, 4, 9, 16, 25, 36, 49, 64, 81]

由于结果r是一个Iterator,Iterator是惰性序列,因此通过list()函数让它把整个序列都计算出来并返回一个list。

再比如,把这个list所有数字转为字符串:

>>> list(map(str, [1, 2, 3, 4, 5, 6, 7, 8, 9]))
['1', '2', '3', '4', '5', '6', '7', '8', '9']
reduce

reduce把一个函数作用在一个序列[x1, x2, x3, ...]上,这个被传入的 函数必须接收两个参数,reduce把结果继续和序列的下一个元素做累积计算。效果就是:reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)。

举个例子:一个序列求和

>>> from functools import reduce
>>> def add(x, y):
...     return x + y
...
>>> reduce(add, [1, 3, 5, 7, 9])
25

当然求和运算可以直接用Python内建函数sum(),没必要动用reduce。

>>> sum([1, 3, 5, 7, 9])
25

再举个例子:把序列[1, 3, 5, 7, 9]变换成整数13579

>>> from functools import reduce
>>> def fn(x, y):
...     return x * 10 + y
...
>>> reduce(fn, [1, 3, 5, 7, 9])
13579

再举个例子:把str转换为int

>>> from functools import reduce
>>> def fn(x, y):
...     return x * 10 + y
...
>>> def char2num(s):
...     return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s]
...
>>> reduce(fn, map(char2num, '13579'))
13579

整理代码:

from functools import reduce

def str2int(s):
    def fn(x, y):
        return x * 10 + y
    def char2num(s):
        return {'0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}[s]
    return reduce(fn, map(char2num, s))

总结:
假设Python没有提供int()函数,你完全可以自己写一个把字符串转化为整数的函数,而且只需要几行代码!

filter

filter()函数用于过滤序列。filter()也接收一个函数和一个序列。filter()函数把传入的函数依次作用于每个元素,根据返回值是True还是False决定保留还是丢弃该元素。

举例:

一个list中,删掉偶数,只保留奇数:

def is_odd(n):
    return n % 2 == 1

list(filter(is_odd, [1, 2, 4, 5, 6, 9, 10, 15]))
# 结果: [1, 5, 9, 15]

一个序列中的空字符串删掉:

def not_empty(s):
    return s and s.strip()

list(filter(not_empty, ['A', '', 'B', None, 'C', '  ']))
# 结果: ['A', 'B', 'C']

strip()函数用法:
当没有形参传入strip()函数时,默认删除空白符(包括'\n', '\r', '\t‘, ' ')
strip()函数的具体用法请到这里学习:http://www.cnblogs.com/kaituorensheng/archive/2013/05/23/3096028.html


filter()函数返回的是一个Iterator,所以 要强迫filter()完成所有计算,就使用list()函数获取所有结构,返回一个list.

sorted

sorted()函数是:排序算法。

>>> sorted([36, 5, -12, 9, -21])
[-21, -12, 5, 9, 36]

sorted()函数也是一个高阶函数。接收一个key函数来实现自定义的排序。比如:

>>> sorted([36, 5, -12, 9, -21], key=abs)
[5, 9, -12, -21, 36]

再看一个字符串排序的例子:

>>> sorted(['bob', 'about', 'Zoo', 'Credit'])
['Credit', 'Zoo', 'about', 'bob']

默认的排序规则是:按照ASCII的大小比较的,由于'Z' < 'a',所以,大写字母Z会排在小写字母a的前面。

给sorted传入key函数,忽略大小写的排序:

>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower)
['about', 'bob', 'Credit', 'Zoo']

实现反向排序,传入第三个参数reverse=True:

>>> sorted(['bob', 'about', 'Zoo', 'Credit'], key=str.lower, reverse=True)
['Zoo', 'Credit', 'bob', 'about']

参考网站:
http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/0014318230588782cac105d0d8a40c6b450a232748dc854000

遗传算法求解N皇后问题的Python工程实践 遗传算法是一种受生物进化启发的全局优化方法,其核心在于通过选择、变异等操作在复杂解空间中高效搜索近优解。相比传统回溯法在组合爆炸问题(如N皇后)中易陷入指数级耗时与内存溢出,GA凭借概率性引导和种群并行性,展现出更强的可扩展性与鲁棒性。本文聚焦于将遗传算法落地为可复现、可调试、可迁移的Python工程实现,深入解析排列编码、适应度函数设计(如1/(q+0.001)的数值稳定性)、精英保留策略及纯变异机制等关键技术取舍,并覆盖从配置驱动、日志分级到Numba加速、生产部署的全链路实践。关键词涵盖遗传算法、N皇 阅读详情

相关推荐

元学习在小样本NLP分类中的实战落地与调优

元学习(Meta-Learning)是一种面向小样本场景的模型泛化范式,其核心在于让模型学会‘如何快速学习新任务’,而非仅记忆特定标签。它通过构造大量模拟任务(meta-tasks),驱动模型在支持集上进行内循环适应、在外循环中优化通用参数,从而获得对低资源NLP分类任务(如5-shot文本分类、跨域情感识别、法律文书二分类)的强迁移能力。技术价值体现在显著缓解传统BERT微调在Few-shot下的过拟合、梯度不稳与任务专属瓶颈;典型应用场景涵盖医疗意图识别、方言微博情感分析、小众领域文档分类等数据稀缺但需

alexhill2009的博客 847

Learning Python 012 函数式编程 2 返回函数 匿名函数 装饰器 偏函数

Python 函数式编程 2返回函数返回函数的意思就是:函数作为返回值。(高阶函数除了可以接受函数作为参数外,还可以把函数作为结果值返回。) 举个例子:实现一个可变参数的求和。 正常的函数:def calc_sum(*args): ax = 0 for n in args: ax = ax + n return ax返回函数的函数,其实和上面的函数很像:d

AoboSir.com 1万+

工业级Boosting调参实战:超参敏感性与稳定性优化指南

梯度提升(Boosting)是机器学习中广泛应用的集成建模技术,其核心原理在于通过串行构建弱学习器来逐步减小残差。然而在真实工业场景中,模型性能不仅取决于算法理论,更受超参敏感性、硬件约束、时间序列泄漏及推理延迟等多重因素制约。尤其当面对类别极度不平衡、高噪声点击日志或严格P99延迟要求时,传统网格搜索与交叉验证极易失效。本文聚焦Boosting在信贷风控、实时推荐等关键业务中的落地断点,系统解析learning_rate的抗噪滤波本质、num_leaves与max_depth的分辨率权衡,以及featur

weixin_34161083的博客 315

BACC012 ACCOUNTING BUSINESS AND SOCIETY SEMESTER 3 2024

ETYBACC012DEBITCREDITCash atBank300,000Petty CashInventory20,000at Cost50,000cum DepCost40,000Cost70,000um DepatCost55,000GST Paid275,000275,000TOTAL550,000FIRSTLYRequired。

edcution2的博客 863

梯度下降学习率实证分析:Python从零实现与量化评估

学习率是梯度下降算法的核心超参数,决定模型收敛速度、稳定性与最终精度。其本质是控制参数更新步长的缩放因子,直接影响损失函数优化轨迹的平滑性与鲁棒性。在实际工程中,不当的学习率会导致训练发散、震荡或收敛过慢,尤其在特征尺度不一、样本量有限或部署资源受限场景下更为敏感。本文基于MSE损失函数与标准化数据,通过纯NumPy手写梯度下降内核,系统开展27组对数尺度学习率(10⁻³~10¹)的受控实验,量化分析收敛轮次、L2误差、震荡幅度与发散行为四大指标。结果揭示安全区间、临界阈值与效率-精度权衡规律,为线性模型调

weixin_30301449的博客 368

遗传算法实战:N皇后问题的Python工程化实现与调优

遗传算法是一种基于自然选择机制的通用优化方法,其核心在于编码设计、适应度评估与进化算子协同工作。在实际工程中,算法效果高度依赖于问题特性的适配——例如N皇后问题天然适合排列编码,可将行列约束内化为染色体结构,从而大幅简化适应度函数设计。本文聚焦真实项目中的关键决策:为何放弃交叉操作而强化变异、如何用1/(q+0.001)构建稳定收敛的适应度映射、怎样通过种群初始化控制多样性,以及向量化加速带来的数量级性能提升。内容覆盖Python实现、调试陷阱、监控策略与跨场景迁移经验,适用于调度优化、路径规划及参数搜索等

weixin_30800987的博客 473

(1)Deep Learning之感知器

What is deep learning? 在人工智能领域,有一个方法叫机器学习。在机器学习这个方法里,有一类算法叫神经网络。神经网络如下图所示: 上图中每个圆圈都是一个神经元,每条线表示神经元之间的连接。我们可以看到,上面的神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫输出层,我们可以从这层获...

weixin_30763455的博客 191

Python实现N皇后遗传算法:从原理到100规模工程落地

遗传算法是一种模拟自然选择与进化的全局优化方法,其核心在于种群演化、适应度评估与变异操作。在离散组合优化问题中,N皇后问题因其强约束性(行、列、对角线唯一性)成为检验GA设计合理性的经典基准。本文聚焦遗传算法在N皇后问题上的Python工程化实现,深入剖析fitness函数设计、单点突变策略、参数自适应机制等关键技术细节,强调解空间合法性保障与数值稳定性控制。通过实测100×100超大规模棋盘求解,验证了不依赖交叉操作、以排列编码+动态阈值+精英保留为特征的轻量级GA框架的可行性与鲁棒性,适用于AI教学实践

weixin_30381317的博客 389

【愚公系列】《移动端AI应用开发》012-DeepSeek API开发与集成(DeepSeek API接口概览)

📝 文章摘要 本文深入解析了DeepSeek API的开发与集成,重点介绍其核心功能与实现方法。华为云天团核心成员凭借多平台技术专家身份,详细阐述了API的三大核心模块: 架构概览:覆盖模型推理、数据管理、对话上下文维护等功能,支持OAuth2.0认证确保安全性 对话补全实现:通过Flask框架示例演示历史对话上下文处理,包含温度参数、token限制等关键控制项 文本补全功能:基于Transformer模型实现智能续写,适用于客服、内容生成等场景 文中提供完整代码实例(如例3-3),展示从API请求构建到

愚公智库 2万+

Cadence笔记--原理图导入PCB

根据PCB尺寸画PCB外观尺寸,这里注意X\Y不能超过指定的区域,X\Y的最大值在setuo的grids里设置,画完后保存并关闭工程然后重新打开(不理解为何)由于只画了一个PMU6050,所以这里只有一个器件。工程选择board,选择存储路径和名称。6、重新网格导入,保证网表导入无误;注意网表保存的路径。

weixin_51418325的博客 1968

多电平双向DC/DC直流变换器的工作原理(以三电平为例子)

多电平双向DCDC变换器的工作原理一、所用论文和参考文献1.1 主要是中文的文献二、工作原理和重要概念2.1 飞跨电容的作用2.2 三电平的工作原理1.3 多电平的优点二,一些注意点2.1 电感电流的变化2.2 多飞跨电容 多余三个电平的时候的解释(截图居多) 一、所用论文和参考文献 1.1 主要是中文的文献 用于超级电容储能系统的三电平双向直流变换器及其控制 (期刊) 多电平直流变换器及其控制...

qq_32419593的博客 2万+

100皇后问题的遗传算法实战:Python可复现GA求解方案

遗传算法(GA)是一种经典的启发式优化方法,核心在于模拟自然选择过程实现组合优化。其基本原理包括种群初始化、适应度评估、选择、交叉与变异等环节,技术价值在于无需梯度信息即可搜索高维离散解空间。典型应用场景涵盖排程调度、路径规划、超参优化及N-Queen等约束满足问题。本文聚焦N-Queen问题的工程落地,基于排列编码与定向变异设计轻量级GA流程,结合Python高效实现与实测调参经验,提供可直接运行、可调试、可迁移的完整解决方案,特别适合需要快速验证GA效果的算法实践者。

weixin_30825581的博客 591

【软路由】旁路由使用配置教程

【软路由】旁路由使用配置教程简介旁路由好处旁路由配置步骤1、修改管理地址网段 简介 我们都知道,软路由一般有两种使用方式,一种是作为承担DHCP分配的主路由,而另一种就是作为不承担DHCP分配功能的旁路由使用。今天就来介绍如何将软路由配置成为旁路由。 旁路由好处 旁路由最大的好处就是它不承担DHCP分配任务,这意味着它的对网络的影响极小。即使突然故障也不会导致整个网络瘫痪。更别提软路由的配置复杂,用户可能还经常修改上面的网络配置,一旦出错就是整个网络瘫痪,如果家中还有其他人使用网络,影响实在是不好。 建议有

博客 4万+

卡方检验实战:MATLAB/Python/R三语代码解析与数模应用

卡方检验是统计学中用于分析分类变量关联性的核心假设检验方法。其原理在于比较观测频数与理论期望频数之间的差异,通过卡方统计量判断差异是否具有统计学意义。该技术在数据分析、市场研究、医学试验等领域具有重要价值,尤其适用于检验两个或多个分类变量间的独立性或同质性。在数学建模竞赛和工程实践中,卡方检验常被用于处理问卷调查、A/B测试结果、用户行为分析等场景。本文聚焦于卡方检验的实战应用,详细解析了其在MATLAB、Python和R三种主流工具中的实现流程,并深入探讨了结果解读与论文表述要点,为读者提供了一套可直接复

weixin_34208185的博客 404

TCS34725颜色识别模块实战调校:从“一坨”例程到精准RGB

本文针对TCS34725颜色识别模块初始数据不准的问题,提供了从基础例程到精准调校的实战指南。核心在于通过白光校正与黑白光校正两种方法,补偿传感器偏差与环境光影响,将原始数据准确映射为标准RGB值。文章详细阐述了校准原理、操作步骤与代码实现,并分享了进阶调试技巧与避坑指南,帮助开发者显著提升颜色识别的准确性与项目可靠性。

weixin_29188043的博客 289

A133在Android13上适配百兆以太网

NOTE] 【技术支持问题】问题背景/平台。

mangofu的博客 416

遗传算法实战:用Python求解100皇后问题的工程化实现

遗传算法(GA)是一种受生物进化启发的通用优化框架,其核心在于模拟选择、交叉与变异过程,在解空间中高效搜索高质量可行解。相比传统穷举或回溯法在组合爆炸问题中的指数级耗时,GA通过适应度驱动的种群演化,显著提升大规模约束满足问题的求解效率。本文以N皇后问题为载体,深入解析位置编码、平滑适应度函数、分层初始化、精英变异策略及浮点安全收敛判定等关键技术环节,覆盖从理论原理到可调试Python工程落地的完整链路。内容特别适配算法初学者突破‘懂原理却写不出代码’瓶颈,也服务于调度、排班、路径优化等工业场景的工程师快速

weixin_34221332的博客 360

Node-RED系列(二二):使用dashboard搭配echarts制作漂亮的面板

在node-red中dashboard 是一个很常用的模块,其中它有一个chart节点可以用来制作一些图表,比如柱状图,折线图,饼图,但其中的图表并不是很美观,而且可配置项非常的少。 于是就有很多小伙伴找我做一套比较好看的图表面板,在对比了一下几个图表库,我选中了echarts。 不仅美观大方,而且非常容易集成,配置。下面先来看一下我做的效果。这里是直接做了四个折线图,第一个折线图有动态效果,第二个折线图是一个多线条的折线图,第三个折线图是在一个图例显示两个折线图。第二第三都可以用于数据对比。 第四个折线

知无涯 1万+

(课程设计)基于Python的在线问卷调查系统-计算机毕设 附源码 04694

注册用户功能模块: 注册登录:普通用户通过简单的注册与登录步骤进入平台,创建个人账户。用户可以使用邮箱、手机号等进行身份验证,以便访问平台的完整功能。 首页:用户点击可查看旅行网站首页信息,包括问卷填写、网站公告、最新资讯和留言反馈等功能的详细信息。 网站公告:用户点击可查看网站公告、关于我们、联系方式和网站介绍等信息。 最新资讯:用户点击可查看资讯信息,同时可对资讯文章进行点赞、收藏和评论。 问卷填写:用户可通过搜索进行查看各类问卷调查信息,同时可进行答题操作。 留言反馈:用户点击可进入页面并点击“发布留

ID3461074420的博客 2541

华为OD机试 - 不含101的数(Python/JS/C/C++ 双机位C卷 100分)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。小明在学习二进制时,发现了一类不含101的数,也就是:现在给定一个正整数区间,请问这个区间内包含了多少个不含101的数?输入的唯一一行包含两个正整数。输出的唯一一行包含一个整数,表示在区间内一共有几个不含101的数。8 1668 → “1000”

学Java,找哪吒 1252

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

statistics+insight+vista+power 1484

遗传算法实战:100皇后问题的Python工程化实现与调优

遗传算法(GA)是一种经典的启发式全局优化方法,其核心在于将实际问题编码为染色体、定义适应度函数并设计选择、交叉与变异等进化算子。在组合优化领域,N皇后问题因其强约束性与指数级解空间,成为检验GA编码设计、收敛能力与工程鲁棒性的典型基准。本文聚焦一维整数数组编码、1/(q+0.001)适应度建模及精英保留+自适应突变策略,深入解析如何规避非法解、抑制早熟收敛、提升大规模(n=100)求解成功率与稳定性。内容覆盖从Matlab思维到Python工程实践的范式转换,适用于算法落地、智能调度、EDA布局等工业优化

weixin_30372371的博客 443

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

《Hands-On Machine Learning with Scikit-Learn&TensorFlow》mnist数据集错误及解决方案

最近在看这本书看到Chapter 3.Classification,是关于mnist数据集的分类,里面有个代码是 from sklearn.datasets import fetch_mldata mnist = fetch_mldata('MNIST original') mnist 我十分郁闷,因为这个根本加载不出来-_-||,报了个OSError,改了data_ho...

weixin_30596735的博客 192

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

石头剪刀布建模:用强化学习实现演化合作博弈

石头剪刀布是理解有限策略空间下重复博弈的经典范式,其本质涉及非对称收益结构、不完全信息与行为预测。在演化博弈框架中,合作并非预设规则,而是通过策略互动自发涌现的稳定模式,依赖于状态表征设计与奖励机制引导。强化学习(特别是Q-learning)因其可解释性、轻量化及对长期行为建模能力,成为破解‘无通信条件下的自组织合作’的关键技术路径。该方法广泛适用于多智能体协作、社会信任建模、社区治理优化等需量化行为同步性与策略鲁棒性的现实场景,为数学建模竞赛与实际系统设计提供可复现、可验证、可迁移的技术范式。

weixin_33978044的博客 373

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.

上一篇: Learning Python 011 高级特性 2
下一篇: Learning Python 012 函数式编程 2 返回函数 匿名函数 装饰器 偏函数
AoboSir
博客等级 码龄10年 996粉丝 285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