python简单好玩的编程代码,python有哪些好玩的代码

python游戏代码大全可复制,python简单的小游戏代码 这篇文章主要介绍了python游戏编程入门游戏代码,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。哈喽铁子们。 阅读详情

这篇文章主要介绍了20行python代码的入门级小游戏,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。

在用Python的第一天,便对它的简单性、流行性及其著名的单行代码着迷。

下面分享25个有趣且实用的Python单行代码,欢迎大家点赞、收藏,支持!

1. 交换两个变量

a = 4
b = 5   
a,b = b,a ##  
print(a,b)
#结果:5 4

2. 多变量赋值

a,b,c = 4,5.5,'Hello' ##  
print(a,b,c) #结果: 4 5.5 hello

增加一点点难度:

a,b,*c = [1,2,3,4,5]  ##   
print(a,b,c) #结果: 1 2 [3,4,5]

3. 列表偶数求和

a = [1,2,3,4,5,6]   
s = sum([num for num in a if num%2 == 0]) ##    
print(s) #结果: 12

4. 列表删除多元素

del 是 Python 中用于从列表中删除值的关键字PythonTurtle画扇形。

a = [1,2,3,4,5]   
del a[1::2] ##    
print(a) #结果:[1, 3, 5]

此处需要理解L[start:end:step]: - start为开始位置,省略时为0。 - end为结束位置,省略时为列表长度; - step步长,省略时为1,如果有负号- 表示按列表自右到左的方向迭代。

5. 读取文件

最常用的方式

with open("data.txt") as f: ##   
   lst=[line.strip() for line in f]   
print(lst)

更简单、更短的方法

lst = list(open('data.txt')) ##    
print(lst)

也可以

lst = [line.strip() for line in open('data.txt')] ##   
print(lst)

6. 将数据写入文件

with open("data.txt",'a') as f:
   f.write("Python is awsome")

7. 创建列表

range()函数可以用于生成一系列整数:

lst = [i for i in range(0,10)] ##  
print(lst)

单行列表推导,快速创建:

lst = [("Hello "+i) for i in ['Karl','Abhay','Zen']] ##    
print(lst)

8. 映射列表

有时需要改变一个列表中所有元素的数据类型。比较直观的想法是使用循环:先访问列表中的所有元素,然后逐个更改元素的数据类型。这种方法中规中矩,但巧用 map一一映射,耳目一新。

list(map(int,['1','2','3'])) ##    
list(map(float,[1,2,3])) ##    
[float(i) for i in [1,2,3]] ##   

9. 快速创建集合

我们可用创建列表的方法快速创建集合:

#### 范围内所有偶数的平方
s = {x**2 for x in range(10) if x%2==0} ##    
print(s) #结果:{0, 4, 16, 36, 64}

10. FizzBuzz单行代码

有这样一个问题,需要编写一个程序来打印从 1 到 100 的数字。其中对于3的倍数,打印Fizz,对于 5 的倍数,打印Buzz。

显而易见,可以使用循环和多个if-else 语句来实现。

如果使用java语言来完成,估计至少10行代码,但使用python,一行搞定!!!。

['FizzBu​​zz' if i%3==0 and i%5==0 else 'Fizz' if i%3==0 else 'Buzz' if i%5==0 else i for i in range(1,20 )] ##     

在上面的代码中,使用列表推导来运行一个从1 到 20 的循环,然后在循环的每次迭代中,检查数字: - 如果能同时被 3 和 5 整除,则用 FizzBu​​zz 替换; - 如果只能被 3 整除,我们用 Fizz 替换; - 如果只能被 5 整除,则用 Buzz 替换; - 否则仍然为原来的数字。

11. 回文数

回文是反转后看起来相同的数字或字符串。

text = 'level'
ispalindrome = text == text[::-1] ##    
print(ispalindrome) ## True

12. 空格分隔整数到列表

input_string = '1 2 3 4 5'
lis = list(map(int,input_string.split())) ##    
print(lis) ## [1, 2, 3, 4, 5]

13. Lambda 函数

lambda函数是匿名函数。一个 lambda 函数可以接受任意数量的参数,但只能是一个表达式。

下面是一个简单的lambda 函数,它接受一个数字,并返回数字的平方:

sqr = lambda x: x * x   ##    
sqr(10) ## 100

14. 检查元素是否在列表中

num = 5
res = 'present' if num in [1,2,3,4,5] else 'not present' ##    
print(res) ## present

15. 打印图案

用符号打印有趣的图案总是让我着迷。在python中,只需一行代码就可以绘制出惊人的图案:

n = 5   
print('\n'.join(' ' * i for i in range(1, n + 1))) ##    

输出为:

 
     
      
       
     

16. 计算阶乘

import math 
n = 6
print(math.factorial(n)) ## 720

17. 斐波那契数列

斐波那契数列,其中每个数字都是前面两个数字的总和。例如:最简单的斐波那契数列: 1, 1, 2, 3, 5, 8, 13。 我们可以使用列表推导创建一个范围内的斐波那契数列。

fibo = [0,1]   
[fibo.append(fibo[-1]+fibo[-2]) for i in range(5)] ##     
print(fibo) ## [0, 1, 1, 2, 3, 5, 8]

18. 生成素数

素数是一个只能被它自己和 1 整除的数。例如: 2,3,5,7。为了在一个范围内生成素数,可以使用带有过滤器filter和lambda 的列表函数来生成素数。

prime = list(filter(lambda x:all(x % y != 0 for y in range(2, x)), range(2, 13))) ##      
print(prime) ## [2, 3, 5, 7, 11, 13]

19. 最大数

findmax = lambda x,y: x if x > y else y ##   
findmax(5,14) ## 14

20. 线性变换

有时需要将列表的元素缩放到 2倍或5倍。函数法实现:

def scale(lst, x):
   return [i*x for i in lst] ##   
scale([2,3,4], 2) ## [4, 6, 8]

21. 矩阵的转置

需要将所有行更改为列,反之亦然。在python中,可以使用zip函数在一行代码中转置矩阵。当然在numpy中,可以直接使用transpose函数。

a=[[1,2,3],   
   [4,5,6],   
   [7,8,9]]  
transpose = [list(i) for i in zip(*a)] ##  
print(transpose) ## [[1, 4, 7], [2, 5, 8], [3, 6, 9]]

22. 正则表达式--模式匹配

当需要知道文本中某个模式出现的次数时,在 python 中,有re库可以完成这些工作。

import re
res = re.findall('python','python is a programming language. python is python.')) ##    
print(res) ## ['python', 'python', 'python']
当然 re库不仅仅上面这么简单。 re是一个非常有用的库,帮助我们更好地处理文本。

23. 文本替换

s = "python is a programming language.python is python"
s = s.replace("python",'Java') ## 
print(s) ## "Java is a programming language.Java is Java"

24. 模拟抛硬币

当需要从给定的集合中中些随机进行选择,random.choice非常有用:

import random;
res = random.choice(['Head',"Tail"]) ##    
print(res) ## Head or Tail

25. 生成组合元组

groups = [(a, b) for a in ['a', 'b'] for b in [1, 2, 3]] ##    
print(groups) ## [('a', 1), ('a', 2), ('a', 3), ('b', 1), ('b', 2), ('b', 3)]

小节

以上就是我们分享的25个有趣且实用的pyhton单行代码,希望充实你武器库!

分享10个很酷、简单且有趣的 Python 项目及其源代码 在本文中,我们收录了 10 个有趣的 Python 项目,从适合初学者的简单 Python 项目到中级和高级 Python 项目,我们可以利用它们来挑战自己或提高 Python 编程技能。如果您是 GUI 新手,这个示例是一个很好的介绍,我们使用一系列简单的标签、按钮和输入字段来创建窗口,还使用 Python timeit 模块来处理打字测试的计时方面,并使用 random 模块来随机选择测试短语。因此,下次当您想将文章变成可播放的播客时,请考虑尝试一下,它绝对是值得复制的很酷的 Python 代码之一! 阅读详情

相关推荐

c++实现俄罗斯方块

以下就是俄罗斯方块的c++代码,大家可以参考。编译器里运行,其他的编译器不能。注意:这个代码只能在。

li2013li的博客 2062

chatgpt赋能python:10个好玩的Python代码-让编程更有趣!

本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的ChatGPT,应该选择拥抱而不是抗拒,未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。

laod112的博客 3万+

深入解析NPN与PNP传感器驱动电路的设计逻辑与实战应用

本文深入解析NPN与PNP传感器驱动电路的设计逻辑与实战应用,详细对比两者的电流路径差异和电平变化特性。通过实际案例分享电路设计要点,包括上拉电阻选择、保护二极管配置等,并提供工业应用中的选型策略和常见故障排查指南,帮助工程师优化传感器系统集成。

weixin_42561476的博客 472

Python趣味代码

趣味代码一:爱心 代码段: import time words = input('Please input the words you want to say!:') for item in words.split(): print('\n'.join([''.join([(item[(x-y) % len(item)] if ((x*0.05)**2+(y*0.1)**2-1)**3-(x*0.05)**2*(y*0.1)**3 <= 0 else ' ') fo

sabersaberW的博客 5421

GEM5教程--gem5开始之旅(一)

GEM5系列教程--gem5开始之旅一、建立GEM5 GEM5模拟器是一个用于计算机系统结构研究的模块化平台,包含系统级别的结构以及处理器的微体系结构。读者若想详细的了解,请查看其官方文档GEM5文档 读者如果想要入门GEM5的话,可以参考Learning_GEM5这个网站,这里面有较为详细的教程,可以带读者从入门到精通。小编我对GEM5的入门学习也是从这个Learning_GEM5这个网站学习的...

qq_43381135的博客 3万+

大学生电赛学习之路

可以看到全国大学生电子设计大赛的认可度是非常高的,属于A类学科竞赛。电子设计大赛的形式也是给出题目,参赛者有四天三夜的时间解决问题,题目大致可以分为:控制类、测量类、高频类以及电力电子类。该竞赛会在单数年的9月份举行。但是对于新生来说电赛确实遥不可及的,可能在很多学校本科生是不能进入实验室的,但是就算进了实验室你就有资格去参加电赛或者说能拿一个不错的奖项吗? 现在正值新生开学季,当然会有一大批学生会进入实验室的学习,电赛的举办时间是每年的暑假,所以说对于大一同学来说有一年的时间去准备,那我们就来说一说参加.

weixin_46098612的博客 8790

简单好玩的python编程代码,python有哪些好玩的代码

大家好,给大家分享一下一些简单好玩的python编程游戏,很多人还不知道这一点。下面详细解释一下。现在让我们来看看!大家好,我是辣条。今天给大家带来30个py小游戏,一定要收藏!目录有手就行1、吃金币2、打乒乓3、滑雪4、并夕夕版飞机大战5、打地鼠简简单单6、小恐龙7、消消乐8、俄罗斯方块9、贪吃蛇普普通通10、24点小游戏11、平衡木12、外星人入侵13、贪心鸟14、井字棋888‘’有点困难15、炸弹人16、保卫森林17、五子棋18、吃豆豆19、坦克大战20、超级玛丽21、水果忍者极度困难22、飞机大战2

www55597的博客 2584

【一文读懂】卫星轨道的轨道参数(六根数)和位置速度矢量转换及其在终端距离、相对速度和多普勒频移计算中的应用

本文首先介绍了卫星轨道的六根数参数:半长轴 a、偏心率 e、轨道倾角 i、升交点赤经 Ω、近地点幅角 ω 以及真近点角 ν,并探讨了如何利用这些参数计算卫星与地面终端之间的距离、相对速度及由此产生的多普勒频移。利用开普勒运动公式计算当前瞬间的轨道半径;根据真近点角 ν 在围心坐标系中计算位置矢量和速度矢量;利用旋转矩阵(依次旋转 ω、i、Ω)将围心坐标系的状态矢量转换到地心惯性坐标系;最终结合地面终端信息,计算卫星与终端的欧氏距离、沿视线的相对速度及多普勒频移。

u011376987的博客 9501

python简单好玩的编程代码,python有什么好玩的代码

大家好,本文将围绕一些简单好玩的python编程游戏展开说明,20行python代码的入门级小游戏是一个很多人都想弄明白的事情,想搞清楚python简单好玩的编程代码需要先了解以下几个事情。Python 能做很多无聊,但有意思的事情,例如接下来的一些案例。以下程序,不要发代码,要不实现不了你整蛊的目的。要打包成一个 exe 程序,发给朋友才有意思。使用 pip install pyinstaller。过程中如果出现 BUG(一般是编码错误),文末有解决方案。

yang0728y的博客 898

python实现纵横向拉开档次法 (附完整源码)

python实现纵横向拉开档次法 (附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 784

innovus:addRepeaterByRule用法

我正在「拾陆楼」和朋友们讨论有趣的话题,你⼀起来吧?addRepeaterByRule不管transition/timing violation,只根据约束的length/cap/fanout等等去给net 插buffer。

m0_61544122的博客 1093

简单好玩的python编程代码,python有趣简单的代码

这篇文章主要介绍了一个简单又好玩的python代码手机版,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。来源丨网络经常听到有朋友说,学习编程是一件非常枯燥无味的事情。其实,大家有没有认真想过,可能是我们的学习方法不对?比方说,你有没有想过,可以通过打游戏来学编程?今天我想跟大家分享几个Python小游戏,教你如何通过边打游戏边学编程!

2301_81896102的博客 1390

【Mode】多模干涉仪的设计 Multi-mode interferometer(MMI)

与 Splitter 器件一样,MMI 器件也是一种常见的分光器件,可以根据用户的需求将光束分成不同的比例。本文,我们将介绍如何仿真 MMI 器件。这里我们使用的是 1x2 MMI,其本质上是由四个部分组成的,中间的矩形多模式干涉区域以及左右两侧的三个 taper 模式转换区域。之前的教程中我们也提及了,为了获取稳定的模式场分布,通常,我们需要进行模式收敛性扫描。这里以官网给出的案例为例。如何提取 S 参数我们先暂时不做介绍,后续有时间了我们再做介绍。

u011699626的博客 1218

python简单好玩的编程代码,python编写有趣的代码

本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的ChatGPT,应该选择拥抱而不是抗拒,未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。

high_colever的博客 761

2026全网最新华为OD机试真题目录A+B+C+D+E卷(持续收录中)-Python版

🔔本文收录于「最新最全华为OD机试真题(Python版)」专栏,手把手带你零基础教学华为OD机试。本题集提供最优题解思路,解题步骤,代码解析,复杂度分析及最优题解源码等,支持多语言题解,助你轻松拿捏OD机考,一举上岸!安利大家关注&&收藏&&订阅!题库正在疯狂收录中,up!up!up!! 🚫提醒:拒绝一切代考/替考,违法必究!本人所写题库均精心搜集于互联网。    💗订阅福利:一次订阅,可永久免费阅读,提供在线答疑解惑,后续题库更新皆可阅读使用!

**My Coding Family** 10万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

简单好玩的编程代码python,python好玩又简单的代码

这篇文章主要介绍了python简单有趣的程序源代码,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。Python能干的事太多了,这里分享一下我个人觉得比较有趣的几个小项目。每一个都超实用,拿去就能运行的那种!0、图片转字符转换结果对比:1、一行代码的魅力看下效果:作者:阿呆链接:https://www.zhihu.com/question/517677437/answer/2416389646来源:知乎著作权归作者所有。

chatgpt002的博客 2235

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

python简单好玩的编程代码,有什么好玩的python代码

大家好,本文将围绕20行python代码的入门级小游戏展开说明,python有什么好玩的代码嘛是一个很多人都想弄明白的事情,想搞清楚python简单好玩的编程代码需要先了解以下几个事情。例如,“silent”和“listen”是字母易位词,而“apple”和“aplee”不是易位词。两个单词如果包含相同的字母,次序不同,则称为字母易位词(anagram)。在学习Python的过程中,总会发现Python能够轻易的解决许多问题。▍25、计算一个字符在字符串中出现的频率。▍43、将列表中的字符串转换为整数。

chatgpt001的博客 555

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")

上一篇: python和c++哪个好找工作,python和c哪个好找工作
下一篇: 浙江八年级信息技术python,初中信息技术python教案
普通网友
博客等级 码龄22年 1万+粉丝 3156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