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

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

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:

def lazy_sum(*args):
    def sum():
        ax = 0
        for n in args:
            ax = ax + n
        return ax
    return sum

调用lazy_sum()时,返回的并不是求和结果,而是求和函数:

>>> f = lazy_sum(1, 3, 5, 7, 9)
>>> f
<function lazy_sum.<locals>.sum at 0x101c6ed90>

调用函数f()时,才真正计算求和的结果:

>>> f()
25

当lazy_sum返回函数sum时,相关参数和变量都保存在返回的函数中,这种称为“闭包(Closure)”的程序结构拥有极大的威力。

要注意:调用lazy_sum()时,每次调用都会返回一个新的函数,即使传入相同的参数,得到的两个返回函数也不是一样的:

>>> f1 = lazy_sum(1, 3, 5, 7, 9)
>>> f2 = lazy_sum(1, 3, 5, 7, 9)
>>> f1==f2
False

参考网站:
https://www.zhihu.com/question/20125256

匿名函数

匿名函数就是带有lambda关键字的公式。

比如函数:

def f(x):
    return x * x

可以写成匿名函数的样子:

>>> f = lambda x: x * x

使用匿名函数:

>>> f
<function <lambda> at 0x101c6ef28>
>>> f(5)
25

同样,也可以把匿名函数作为返回值返回:

def build(x, y):
    return lambda: x * x + y * y

装饰器

>>> def now():
...     print('2015-3-25')
...
>>> now()
2015-3-25

函数对象有一个__name__属性,可以拿到函数的名字:

>>> now.__name__
'now'

在代码运行期间动态增加功能的方式,称之为“装饰器”(Decorator)。decorator就是一个返回函数的高阶函数。
举例,我们来定义一个能打印日志的decorator:

def log(func):
    def wrapper(*args, **kw):
        print('call %s():' % func.__name__)
        return func(*args, **kw)
    return wrapper

把decorator置于函数的定义处:

@log
def now():
    print('2015-3-25')

现在再调用now()函数:

>>> now()
call now():
2015-3-25

看到了吧,call now():就是log装饰器输出的信息。
把@log放到now()函数的定义处,相当于执行了语句:

now = log(now)

偏函数

偏函数就是:举例:
假设要转换大量的二进制字符串,每次都传入int(x, base=2)非常麻烦,于是,我们想到,可以定义一个int2()的函数,默认把base=2传进去:

def int2(x, base=2):
    return int(x, base)

这样运行int2():

>>> int2('1000000')
64
>>> int2('1010101')
85

这个int2()函数就叫做:偏函数。
functools.partial就是帮助我们创建一个偏函数的,不需要我们自己定义int2()。

>>> import functools
>>> int2 = functools.partial(int, base=2)
>>> int2('1000000')
64

functools.partial的作用就是,把一个函数的某些参数给固定住(也就是设置默认值),返回一个新的函数。

再举个例子:

max2 = functools.partial(max, 10)

实际上会把10作为*args的一部分自动加到左边,也就是:

max2(5, 6, 7)

相当于:

args = (10, 5, 6, 7)
max(*args)

参考网站:
http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/0014317848428125ae6aa24068b4c50a7e71501ab275d52000
http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/00143184474383175eeea92a8b0439fab7b392a8a32f8fa000

MAML++:面向工业落地的鲁棒元学习微调框架 元学习(Meta-Learning)旨在让模型具备快速适应新任务的能力,其核心原理是通过多任务分布上的双层优化,习得可高效微调的初始参数。然而原始MAML因内循环梯度不稳定、任务异质性忽略、外循环优化器不匹配及任务表征缺失等问题,在真实小样本场景中泛化弱、收敛慢、部署难。MAML++并非理论重构,而是聚焦工程鲁棒性的三层增强:学习型内循环学习率(LILR)、任务感知外循环优化器切换、多尺度可导内循环展开,显著提升训练稳定性与跨域迁移能力。该框架已在医疗影像分割、工业缺陷检测、金融时序异常识别等典型小样本业务 阅读详情

相关推荐

Keras Tuner超参调优实战:从Grid Search幻觉到生产级自动搜索

超参数优化是深度学习模型落地的关键环节,其本质是在高维非凸空间中寻找泛化性能最优的配置组合。传统网格搜索因维度灾难和随机性敏感而失效,现代方法如贝叶斯优化、Hyperband和随机搜索则依托代理模型、资源感知早停与概率采样等原理,显著提升搜索效率与稳定性。技术价值体现在GPU时间节约、实验可复现性增强及对初始化/训练噪声的鲁棒性提升。典型应用场景涵盖图像分类、时序预测、NLP微调与推荐系统建模。本文聚焦Keras Tuner工程实践,深入解析Oracle、HyperModel与Tuner三大核心组件,并提供

chenzhuofei4155的博客 377

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

Grid Search超参数优化实战:从工程落地到业务可解释

超参数优化是机器学习模型落地的关键环节,其本质是在偏差-方差权衡、计算资源约束与业务指标要求之间寻求最优平衡。Grid Search作为最基础且可复现的搜索方法,核心价值不在于寻找全局最优,而在于通过结构化参数空间设计、交叉验证评估和结果可解释性分析,实现稳定、可控、可归因的模型调优。它特别适用于关键参数少、业务约束强、需快速验证假设的工业场景,如金融风控、实时推荐与边缘部署。结合scikit-learn实现时,需重点关注参数敏感度建模、CV策略适配(如StratifiedKFold/TimeSeriesS

dihuangxiu8828的博客 316

数学建模实战:用Python构建可解释、可验证的解决方案

数学建模本质是将现实问题转化为可计算、可验证、可解释的数学结构。其核心不在编程语言本身,而在于问题理解、约束翻译与模型可解释性设计。Python作为主流工具,需服务于建模逻辑——如时空耦合约束下的调度优化、行为归因驱动的SHAP可解释分类、物理先验引导的混合预测、图结构建模的跨境物流风险溯源。这些实践凸显‘模型即翻译’的技术哲学:代码是载体,数学抽象与业务洞察才是内核。本文聚焦数学建模中Python工程落地的关键路径,涵盖约束建模、特征工程、可解释AI、混合建模范式及仿真验证等高频实战场景。

weixin_30784501的博客 413

基于声学特征的新冠辅助筛查技术原理与落地实践

声学诊断是利用人体发声过程中气流振动受病理改变调制所形成的特征信号,进行疾病识别的基础性生物信号分析方法。其核心原理在于呼吸系统结构变化(如气道狭窄、肺泡渗出、声带功能障碍)会引发咳嗽音、呼吸音和语音频谱的可量化畸变,这些畸变可通过梅尔频率倒谱系数(MFCC)、GFCC、湿啰音脉冲计数等20维声学特征精准表征。该技术具备非接触、低成本、易部署的工程优势,在基层预检分诊、居家健康监测和流行病学哨点等场景中展现出显著临床价值。本文聚焦COVID-19筛查这一典型应用,系统解析从原始音频采集、病理感知降噪、临床驱

weixin_30247307的博客 405

EEG自动分析实战:AutoML在脑电生理建模中的临床化落地

脑电信号(EEG)作为非侵入式神经活动记录手段,其建模核心挑战在于微弱振荡特性、强伪迹干扰与临床可解释性缺失。AutoML并非简单替代人工建模,而是需深度融合神经电生理先验知识——从设备级相位校准、动态频段划分的时频特征生成,到嵌入IFCN指南约束的搜索空间裁剪,本质是构建‘数据清洗-可解释特征-临床适配模型’三层闭环。该路径显著提升小样本EEG分类(如阿尔茨海默病早期识别)的泛化稳定性与医生信任度,已在多中心ADNI-EEG数据上验证外部测试AUC达0.841。本文聚焦EEG数据预处理闭环与AutoML特

weixin_30457551的博客 346

机器学习实验追踪系统:从手动记录到自动化的工程实践

机器学习实验追踪(ML Experiment Tracking)是AI工程化的核心基础设施,其本质是将非结构化的训练过程转化为可采集、可存储、可计算的元数据。它基于代码哈希、硬件环境、超参数组合与评估指标等多维信息,通过自动捕获、环境快照和关系型查询实现模型迭代的可复现性与可追溯性。该技术显著降低认知过载,支撑超参优化、异常检测与跨实验分析,在医疗影像、工业质检等强合规场景中尤为关键。本文聚焦实战落地,涵盖采集层设计、PostgreSQL存储选型、自研SDK实现及K8s高可用部署,直击W&B/MLflow在

weixin_30420305的博客 404

信贷风控客户分类:可解释模型驱动的信用评分与风险分群实战

信用评分是金融风控的核心基础,其本质是通过量化建模将客户的还款意愿与还款能力转化为可决策的风险概率。其技术原理依赖于特征工程、逻辑回归等可解释性建模方法,关键价值在于满足监管合规要求(如《互联网贷款管理暂行办法》的交叉验证条款)并支撑业务落地——包括精准客户分群、动态额度定价与逾期预测。典型应用场景覆盖银行审批系统、消费金融反欺诈及监管穿透式检查。本文聚焦信贷领域真实落地中的信用评分构建与客户分群实践,深度融合SHAP可解释性分析与风控业务逻辑,解决‘模型黑箱难解释’‘特征失真难归因’‘监管问询难应答’三大

weixin_34025151的博客 475

AI技术淘汰避坑指南:哪些旧技术已成生产环境定时炸弹

在工业级AI系统中,技术淘汰 rarely 源于精度落后,而常因可维护性崩塌、合规风险暴露或工程成本失控。从Word2Vec到TensorFlow 1.x Graph模式,从SHA-1模型签名到未脱敏生物特征训练集,一批曾被广泛采用的技术正从‘可用’滑向‘危险’——它们仍能运行,却在数据漂移、CI/CD集成、法律审计或线上故障时瞬间失效。理解淘汰背后的成本结构逻辑(如人力/算力/知识传承三重隐性开销)与风险分层机制(红色合规警报、黄色工程负债、灰色评估陷阱),是算法工程师、MLOps团队与技术负责人保障系统

迷彩风情 447

Python3 解决编码问题: UnicodeEncodeError: 'gbk' codec can't encode character '\xa9' in position

原博文链接:http://www.aobosir.com/blog/2016/12/08/python3-UnicodeEncodeError-gbk-codec-can’t-encode-character-xa9/开发环境 Python第三方库:lxml、Twisted、pywin32、scrapy Python 版本:python-3.5.0-amd64 PyCharm软件版本:pycharm

AoboSir.com 3万+

STM32F030F4P6 ADC多通道定时器触发DMA搬运

主函数中等待转换完成的标志位,然后打印出来。ADC回调函数中将数值赋值给变量。配置定时器1s读一次。

qq_24426625的博客 1359

文本可视化实战:从语义嵌入到交互式分析仪表盘

文本可视化是将非结构化文本数据转化为可感知空间模式的技术过程,其核心在于突破传统词频统计局限,依托语义嵌入、多维降维与动态聚类等NLP技术,实现主题发现、情感追踪与关系推理。它并非美化图表的辅助手段,而是支撑业务决策的关键基础设施——尤其在用户反馈分析、客服根因定位、政策语义对比等高频场景中,能显著提升信息提取效率与洞察准确率。本文聚焦Sentence-BERT嵌入、Bertopic主题建模与UMAP+t-SNE协同降维三大关键技术路径,结合Dash构建可交互、可钻取、可联动的生产级文本分析仪表盘。

weixin_33910460的博客 422

BLE蓝牙胎压监测

胎压监测系统新技术

qq_41851841的博客 1255

实战建模流水线:从数据脏乱到稳定上线的工程化路径

机器学习建模流水线(ML Pipeline)是连接数据与业务决策的核心工程框架,其本质并非算法堆砌,而是通过标准化、可审计、带反馈机制的数据处理与模型迭代流程,系统性应对现实场景中的数据噪声、业务规则漂移和监管可解释性要求。它融合特征工程、数据漂移检测、可解释AI(XAI)与模型监控等关键技术,支撑金融风控、智能运维、医疗辅助、政务治理等高价值场景的可靠落地。尤其在数据质量差、业务逻辑复杂、合规要求严的项目中,一套经过真实业务锤炼的基础Pipeline,能显著降低协作熵增、缩短问题定位时间、提升模型线上稳定

dibeichan3033的博客 480

Python 使用Pygame库实现足球游戏:创建一个球员和一个足球,并使玩家能够控制球员的移动。游戏将包括碰撞检测、简单的物理模拟,以及基本的用户输入处理

本文将介绍如何使用Python和Pygame库创建一个简单的足球游戏。我们将搭建一个基本的游戏环境,创建一个球员和一个足球,并使玩家能够控制球员的移动。游戏将包括碰撞检测、简单的物理模拟,以及基本的用户输入处理。这个简单的足球游戏展示了Pygame的一些基本功能。虽然这是一个简单的游戏,但它包含了创建游戏循环、用户输入处理、物理模拟、碰撞检测等重要概念。

程序熊的博客 744

SolidWorks 2022 学习(一)软件安装

接下来是安装SolidWorks,右键SolidWorks.2022.SP0.Premium.DVD.iso,选择装载。然后以管理员身份运行SolidWorks_Flexnet_Server目录下的server_install.bat。更改需要安装的产品,以及安装路径,并勾选接受条款,点击现在安装,会弹出如下窗口。然后以管理员身份运行setup.exe,开始安装solidworks。下载链接会在文章末尾给出,下载完成的文件如下图所示。双击注册表文件,然后点击确定。保持不动,点击确定,开始安装。

qq_38383364的博客 3132

Python 解决 :NameError: name 'reload' is not defined 问题

Python 解决 :NameError: name 'reload' is not defined 问题解决:NameError: name 'reload' is not defined 问题对于 Python 2.X:import sys reload(sys) sys.setdefaultencoding("utf-8")对于 <= Python 3.3:import imp imp.rel

AoboSir.com 15万+

ThingsBoard入门实战(七):公共发布和 UI 细节修改

公共发布和 UI 细节修改7.细节修改和公共发布一、公共发布二、UI优化下载运行修改三、下一步还可以做什么?更好的UI更丰富的系统模块 7.细节修改和公共发布 GET到新技能了,想给兄弟们演示,需要给他们每个人一个账号么? 答案肯定是:不需要! ThingsBoard 用 公共发布 解决了这个问题。 一、公共发布 首先我们来看一下路灯设备现在在谁名下? 如下图,路灯都是customerA的, 目前只有它和它的租户可以看到,其他人需要看就需要设为公有。 如图操作: 对于设备详情仪表盘,我们也需要设为公有

AIGC搞起 9124

Python 安装 第三方库的安装技巧

Python 安装 第三方库的安装技巧Windows 10 64位。 Python 3.5.0:1. 使用 pip 命令行工具在线下载你需要的第三方库 2. 手动下载 第三方库,再使用 `pip` 命令安装 Could not find a version that satisfies the requirement opencv (from versions: ) No matching distr

AoboSir.com 12万+

SAP Single Sign-On 全景指南:从传统 SAP SSO 到 SAP Secure Login Service for SAP GUI 的架构、场景与迁移实践

本文系统梳理了SAP生态下的单点登录技术方案,重点分析了SAP GUI的云化替代方案SAP Secure Login Service(SLS)。内容涵盖SNC、Kerberos/SPNEGO、SAML 2.0等核心协议的技术实现,对比了传统SAP SSO与新型SLS for SAP GUI的架构差异,并给出AS ABAP系统的具体实施路径。针对SAP GUI访问、浏览器访问Fiori/移动端等不同场景,提供了详细的协议选型建议和配置指南,帮助团队构建安全可靠且适应云时代的统一认证体系。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 274

题解:洛谷 P14357 [CSP-J 2025] 拼数

等知名刷题平台精心挑选而来,并结合各平台提供的算法标签和难度等级进行了系统分类。题目涵盖了从基础到进阶的多种算法和数据结构,旨在为不同阶段的编程学习者提供一条清晰、平稳的学习提升路径。小 R 想知道,在他所有能拼成的正整数中,最大的是多少。你需要帮助小 R 求出他能拼成的正整数的最大值。小 X 给了小 R 一个字符串。输出一行一个正整数,表示小 R 能拼成的正整数的最大值。中的任意多个数字,按任意顺序拼成一个正整数。,表示小 X 给小 R 的字符串。#普及-# #其他排序#洛谷:[P14357。

团爸讲算法 1398

在PyCharm 软件中设置你的项目 使用的Python版本

在PyCharm 软件中设置你的项目 使用的Python版本python2 和 python3 有很大的不同,使用python2 编写的程序,如果使用python3 就运行不了;使用python3编写的程序,如果使用python2一样也是不用运行。Q: 所以,如何在pyCharm 软件中,为你的项目设置 python 的版本?A: 当前项目使用的是 python2 :我希望将其设置为 python

AoboSir.com 7万+

【Halcon 】Halcon 实战:如何为 XLD 模板添加极性信息以提升匹配精度?

本文介绍了Halcon中为XLD轮廓模板添加极性信息的实用技巧。通过先以"ignore_local_polarity"模式创建模板,首次匹配获得位置后,使用set_shape_model_metric运算符结合真实图像为模板注入极性信息(边缘明暗方向)。这种方法弥补了XLD模板初始不支持极性的缺陷,可显著提升后续匹配的精度和抗干扰能力。实验显示,添加极性信息后的模板匹配效果明显优于无极性的匹配结果。该技术特别适用于基于手动绘制或处理后的XLD轮廓创建模板的场景。

songhuangong123的博客 753

设置 PyCharm 软件中 Terminal 窗口 中启动的 python 交互命令的版本

设置 PyCharm 软件中 Terminal 窗口 中启动的 python 交互命令的版本python2 和 python3 有很大的不同,使用python2 编写的程序,如果使用python3 就运行不了;使用python3编写的程序,如果使用python2一样也是不用运行。我的电脑中, python2 和 python3 这两个版本都有。并且 python3 添加到了环境变量里面,而 pyt

AoboSir.com 6万+

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

树莓派 Learning 003 --- GPIO 001 --- 点亮LED

树莓派 Learning 003 — GPIO 001 — 点亮LED 树莓派 Learning 003 GPIO 001 点亮LED 编写一个让 LED 闪烁的 Python 脚本程序 讲解 blinkledpy 代码 在 Python 交互式终端中控制 LED 点亮和熄灭

AoboSir.com 3万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: Learning Python 012 函数式编程 1 高阶函数
下一篇: Win10 上 安装Arduino 驱动 和 Arduino IDE 1.6.9
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