复习dive into python

d={'a':'bcd','b':113,'c':['hah','kk']}
del d[2]
d.clear()
d.keys()
d.values()
d.items()
params.values()[n] == params[params.keys()[n]] ,字典无序输出有序
";".join(["%s=%s" % (k, v) for k, v in params.items()])
---------------
li[-1],li[1:3],li[1:-2],li[1:],li[:],li.append("new"),li.insert(2, "new"),
li.extend(["two", "elements"]),len(li) ,li.index("example"),"c" in li--False,
li.remove("z")--只删一个,li.pop()--还返回值,li += ['two'],li = [1, 2] * 3 ,
li = [elem*2 for elem in li],
anystring.split(delimiter, 1)---第二个参数是分割的次数
---------
(x, y, z) = v
(MONDAY, TUESDAY, WEDNESDAY, THURSDAY, FRIDAY, SATURDAY, SUNDAY) = range(7)
print range.__doc__
"%s=%s" % (k, v)
-------apihelper.py-----------自省---反射?----可以做个自动提示功能-
def info(object, spacing=10, collapse=1):   
"""Print methods and doc strings.Takes module, class, list, dictionary, or string."""
methodList = [method for method in dir(object) if callable(getattr(object, method))]
processFunc = collapse and (lambda s: " ".join(s.split())) or (lambda s: s)
print "\n".join(["%s %s" %(method.ljust(spacing),processFunc(str(getattr(object, method).__doc__))) for method in methodList])
if __name__ == "__main__":
print info.__doc__

-------------------------type、str、dir----
type(apihelper) == types.ModuleType
callable(string.punctuation),callable(string.join)
getattr(li, "append")("Moe")
Ubuntu服务器通过IPV6端口转发搭建幻兽帕鲁私服实战 本文详细介绍了在Ubuntu服务器上通过IPV6端口转发搭建幻兽帕鲁私服的完整教程。针对只有公网IPV6地址的服务器环境,提供了从硬件检查、端口转发工具配置到游戏服务器安装的全流程解决方案,帮助玩家轻松实现多人联机游戏体验。 阅读详情

相关推荐

Docker离线部署OpenWebUI操作步骤

docker离线部署openwebui

m0_49333265的博客 4349

LightGBM实战进阶:从核心原理到生产部署的Python全流程解析

本文深入解析了LightGBM从核心原理到生产部署的Python全流程。通过剖析直方图算法、Leaf-wise生长等核心原理,并结合用户流失预测的实战案例,详细展示了数据准备、模型训练、超参数调优的完整代码解析。最后,重点介绍了如何将模型封装为API服务并部署到生产环境,为数据工程师提供了从实验到落地的进阶指南。

weixin_29079643的博客 212

别再死记硬背了!用Wireshark抓包实战,5分钟搞懂GRE、L2TP、IPsec的区别

本文通过Wireshark抓包实战,详细解析GRE、L2TP和IPsec三大隧道协议的核心差异与应用场景。从报文结构到配置示例,帮助网络工程师快速掌握这些协议的本质,提升VPN部署与故障排查能力。特别适合准备HCIP认证的工程师深化理解。

weixin_30352645的博客 439

《Dive Into Python》非死不可

译者言:早在 2008 年 8 月,我就曾在自己的博客发表了一篇《为什么不值得推荐》(http://blog.youkuaiyun.com/lanphaday/archive/2008/08/28/2845258.aspx),当时引起的讨论就不多说了,不过事实上到今天仍然有许多朋友留言与我讨论,让我几次贼心不死,想写再深入批判。好运的时候在我真正攒足动力之前,看到了这篇《Dive Into Pytho

赖勇浩的编程私伙局 2万+

unity 休闲游戏 动效规范说明

在特效制作中,有时为了完成更丰富、更绚丽的效果,可能会添加一些高级Shader(着色器),例如扭曲、溶解,这些Shader(着色器)往往需要用到显卡的部分功能,会造成较大的性能损耗。如果对纹理细节要求较高,那么建议使用贴图比例为1∶1的正方形(不强制),使用不等边贴图制作特效时会对纹理清晰度造成一定的损失(引擎算法决定)。首先选择模型体,然后在Inspector(检测视图)中查看该物体的属性,找到MeshRenderer(网格渲染)组件中的阴影设置项,如图。制作特效时,尽量不要使用灯光系统。

丛小胖 1610

Autosar Davinci Configurator新建工程以及导入DBC和CDD

Autosar Davinci Configurator新建工程前言一、Autosar Davinci Configurator新建工程二、Autosar Davinci Configurator导入DBC和CDD1.引入库2.读入数据总结 前言 如何用 DavinciCFG 新建工程,以及导入DBC和CDD文件。 一、Autosar Davinci Configurator新建工程 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、Autosar Davinc

别再跑偏了的博客 1万+

为什么《Dive into Python》不值得推荐

2010 年 5 月 5 日更新:我翻译了一篇《非死不可》作为对本文观点的进一步支持和对评论的回复,请见:http://blog.youkuaiyun.com/lanphaday/archive/2010/05/05/5558617.aspx为什么《Dive into Python》不值得推荐作者:赖勇浩(http://blog.youkuaiyun.com/lanphaday)不论是在国内人气最

赖勇浩的编程私伙局 9万+

IBIS模型中的Pullup和Pulldown曲线详解:如何避免信号完整性设计中的常见错误

本文深入解析IBIS模型中Pullup和Pulldown曲线的关键作用,揭示其在信号完整性设计中的黄金法则。通过详细分析曲线特性、常见误区及验证方法,帮助工程师避免设计错误,优化高速PCB设计。文章还展示了曲线数据在动态终端匹配、串扰预测和电源完整性分析中的高级应用,提升设计效率和可靠性。

weixin_30275415的博客 451

测试复习资料

print(list(map(lambda x:x**2,range(11)))) # 结果为:[0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100]print(list(a)) # 使用 list() 转换为列表。结果为:[0, 1, 4, 9, 16, 25, 36, 49, 64, 81, 100]INSERT INTO 新表(字段1,字段2,.......) SELECT 字段1,字段2,...... FROM 旧表。

weixin_41899565的博客 407

【WRF-Chem Emissions教程第一期】WRF-Chem 排放概述

WRF-Chem 排放概述

WW、forever的博客 852

人工智能在文学领域的应用:创作无限可能的智能作家

人工智能在文学领域的应用:创作无限可能的智能作家 作者:禅与计算机程序设计艺术 1. 背景介绍 人工智能技术近年来飞速发展,在各个领域都有广泛应用。文学创作作为人类最高级的智力活动之一,也逐渐受到人工智能技术的影响和改变。随着自然语言处理、生成式模型等人工智能

AI天才研究院 1110

GitHub 宝藏:不可错过的英文技术书籍与跨界学习资源

本文揭示了GitHub作为免费数字图书馆的巨大价值,不仅提供海量高质量的英文技术书籍,如《The Rust Programming Language》和《Dive into Deep Learning》等,还涵盖写作、哲学等跨界学习资源。文章分享了从编程语言到系统设计的核心书单,并提供了利用GitHub开源特性进行交互式学习的实战技巧,帮助开发者与终身学习者高效构建知识体系。

g5h6i的博客 999

RK3568平台开发系列讲解:内核启动流程

第 493 行的 ENTRY 指明了了 Linux 内核入口,入口为stext,stext 定义在文件arch/arm/kernel/head.S 中 , 因此要分析Linux 内核的启动流程,就得先从文件arch/arm/kernel/head.S 的 stext 处开始分析。_mmap_switched 定义在文件 arch/arm/kernel/head-common.S,__mmap_switched 最终会调用 start_kernel 函数。⑥、r2=atags 或者设备树(dtb)首地址。

内核笔记 217

吐血整理深度学习入门路线及导航【教学视频+大神博客+书籍整理】+【资源页】(2019年已经最后一个月了,你还不学深度学习吗???)

声明: 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献。 2)本文仅供学术交流,非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主删除。 3)博主才疏学浅,文中如有不当之处,请各位指出,共同进步,谢谢。 4)此属于第一版本,若有错误,还需继续修正与增删。还望大家多多指点。大家都共享一点点,一起为祖国科研的推进...

种树最好的时间是10年前,其次是现在!!! 5万+

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。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

开学报告

开学报告   本人在暑假期间学习了Python的基础语法,也做了一些与该语言相关的练习题,目前正在学习的课程为DIVE INTO DEEP LEARNING。由于本人之前从未接触过该领域的相关知识,所以决定打好一个牢固的基础。我学习配置了一个环境来运行 Python、Pycharm、相关库以及该课程所需的代码,以快速入门并获得动手学习的经验,并且复习了高等数学和线性代数的相关知识,例如自动求导的代码实现和张量,张量在深度学习中是一个很重要的概念,因为它是一个深度学习框架中的一个核心组件,后续的所有运算和优化

m0_55846947的博客 181

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")

Claude Code Skill Assessment Results

You checked **N/8** items. [One-line motivational summary based on level] ### Your Skill Profile | Area | Status | |------|--------| | Basic CLI & Conversations | [Checked/Gap] | | CLAUDE.md & Memo

gitblog_00079的博客 468

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

我是如何成为端智能专家-第一天^_^----学习路线与吸引力法则

开始聪明的分步骤的学习端智能,加油

zhjali123的专栏 132

p1xt-guides v4 高级算法专项(Computer Science - Advanced Algorithms):从 MIT 高级课程到竞赛级刷题的系统进阶路线

本文完整解读 p1xt-guides v4 学习路线中的「Computer Science - Advanced Algorithms」专项([v4/specializations/advanced-algorithms.md](https://link.gitcode.com/i/a7b75b63718ce9a56134ad27eb33caec))。该专项面向已完成基础算法训练、希望把数学功底与

gitblog_00476的博客 803

SQLModel 多对多关系进阶:用 Link Model(Association Object)为关联数据附加额外字段

在 SQLModel 中,标准的 many-to-many 关系通过 link table(链接表)即可实现,但链接表里只有两个外键,无法描述"这段关联本身"的信息。本篇文章基于 SQLModel 官方教程的 `link-with-extra-fields` 章节,讲解如何把 link table 升级为显式的 **Link Model**(SQLAlchemy 术语称为 Association

gitblog_01052的博客 768

清华AI 2025培养计划全解析:数学、机器学习与大模型学习路线

人工智能学科涉及数学、计算机与机器学习等多个领域,系统性学习路线是关键。其核心原理在于先夯实数学分析、线性代数等基础,再掌握数据结构与算法,进而理解深度学习与大模型技术。这种培养方式能够帮助学习者建立从理论到工程实践的完整能力,广泛应用于高校教学、自学规划及职业转型。面对大模型时代的到来,参考清华大学2025年人工智能培养计划,可以清晰地看到从数学到机器学习的进阶路径,为学习者提供切实可行的参考框架。

weixin_33895695的博客 401

Rust for C Programmers:RustTraining 仓库中 C 开发者 Rust 训练课程全解析

本文围绕 RustTraining 仓库中的 C# 专题训练书(mdBook 结构由 [csharp-book/src/SUMMARY.md](https://link.gitcode.com/i/5530681d5bf78f98f988e7a8452d2957) 定义)展开,系统梳理一套面向具备 C# 经验的开发者的 Rust 学习路线:从"为什么要学 Rust"、工具链上手,到所有权/借用、T

gitblog_00489的博客 405

Open Notebook:开源AI研究助手的架构级重构

AI研究助手正从封闭SaaS走向可审计、可定制、可离线的开源范式。其核心原理在于将数据主权、模型自由度与工作流编排解耦,通过SurrealDB实现结构化+向量混合检索,依托Ollama等本地大模型支持生产级RAG,技术价值体现在法律合规、医疗私有知识库、科研可复现性等强约束场景。典型应用包括学术文献综述生成、企业制度播客化培训、个人知识管理中的跨源关联与间隔复习。本文聚焦Open Notebook这一代表项目,深入解析其如何以开源技术栈重构Notebook LM的底层逻辑。

adiking520110的博客 312

找到python的site-packages文件夹在哪

python -c "from distutils.sysconfig import get_python_lib; print get_python_lib()" echo $PYTHONPATH 转卸载django方法:http://apps.hi.baidu.com/share/detail/16026679 [code="java"]删除任何旧版本的Django 如果你打算...

走在左边 6990

解决“No module named django.core”

反复的删除django和重装就会有这个问题 [code="java"]bogon:~ apple$ django-admin.py startproject aa Traceback (most recent call last): File "/usr/local/bin/django-admin.py", line 2, in from django.core imp...

走在左边 1354

Textmate调试Python

转http://phaibin.72pines.com/2011/08/11/textmate%E8%B0%83%E8%AF%95python/ [code="java"]Textmate调试Python 要让Textmate调试Python的时候在光标停在编辑器里面,类似XCode的效果,需要安装PdbTextMateSupport。方法是: sudo easy_install P...

走在左边 561

python调用tt

把附件图片的jpg改成pdf,为tt的电子书 --------------------------- pytyrant apt-get install python-setuptools apt-get install python-pytyrant apt-get install python-memcache 下面这个好使 svn checkout http://pyty...

走在左边 543
上一篇: python调用tt
下一篇: session所有信息
linux内核控
博客等级 码龄19年 41粉丝 638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