老韩的python基础知识3--基本语法的学习1--基本概念

本文介绍了编程的基础概念,包括表达式的定义,涉及数字、算符和变量;语句的作用及其执行特点;程序的构成元素;函数的分类及调用,包括内置和自定义函数;并详细阐述了函数的参数和返回值。同时,讲解了标识符的命名规则和关键词的避让原则,最后概述了Python语言的主要组成部分。

一、概念:

1、表达式:是由数字、算符、数字分组符号(括号)、自由变量和约束变量等以能求得数值的有意义排列方法所得的组合
2、语句:一个语法上自成体系的单位,它由一个词或句法上有关连的一组词构成;语句的执行一般会对程序产生一定的影响,在交互模式中不一定会输出语句的执行结果
3、程序program:语句和表达式构成
4、函数function:完成特定功能的一种语句,XXX();
分类:
1)内置函数(又称内建函数),语法规定存在的函数,只需要调用即可,这些函数包含在编译器的运行库中。
2)自定义函数,程序员自主创建

在我们实现功能的时候,可以调用内置函数,或者调用自定义函数。

函数的2个要素:1参数;2返回值

5、标识符:包括关键字用户自定义的函数名、变量名
1)注意开发者不能定义和关键字相同的名字的标识符
在这里插入图片描述
2)标识符的规则:
1.标识符中可以包含字母、数字、_,但是不能使用数字开头 例如:name1(ok) name_1(ok) _name1(ok) 1name(不行)
2.Python中不能使用关键字和保留字来作为标识符
3)命名方式三种:
1、第一个字母小写,第二个字母大写,如:useName、aDog
2、每一个单字的首字母都采用大写字母:如:FirstName、LastName
3、使用下划线来连接所有的单词,如get_url 、buffer_size
6、python语言的组成
1.关键字 2.标识符 3.注释 4.变量和数值 5.运算符 6.语句 7.函数 8.序列

### Java 中 BGE-M3 的使用方法 BGE-M3 是一种基于向量相似度计算的方法,通常用于自然语言处理中的语义匹配和检索场景。以下是关于如何在 Java 中实现或调用 BGE-M3 的指南。 #### 依赖库引入 为了在 Java 中使用 BGE-M3,需要先集成支持向量运算的相关库。常见的做法是通过 TensorFlow 或 PyTorch 提供的 Java API 来加载预训练模型并执行推理操作。可以使用 Maven 添加以下依赖项: ```xml <dependency> <groupId>org.tensorflow</groupId> <artifactId>tensorflow-core-api</artifactId> <version>2.10.0</version> </dependency> ``` 上述代码片段展示了如何引入 TensorFlow 的核心 API 库来支持后续的操作[^1]。 #### 加载预训练模型 假设已经获取到 BGE-M3 的预训练权重文件(通常是 `.pb` 文件),可以通过如下方式加载模型: ```java import org.tensorflow.Graph; import org.tensorflow.Session; import org.tensorflow.Tensor; public class BGEM3Example { public static void main(String[] args) throws Exception { try (Graph graph = new Graph()) { // 将 .pb 文件加载至图结构中 graph.importGraphDef(Files.readAllBytes(Paths.get("path/to/bge-m3.pb"))); try (Session session = new Session(graph)) { // 准备输入张量数据 Tensor<?> inputTensor = constructInputTensor(); // 执行前向传播 Tensor<?> outputTensor = session.runner() .feed("input_node_name", inputTensor) .fetch("output_node_name") .run().get(0); System.out.println(outputTensor.toString()); } } } private static Tensor<?> constructInputTensor() { // 构建输入张量逻辑... return null; // 返回实际构建好的张量对象 } } ``` 此部分代码演示了如何利用 TensorFlow 的 Java 接口加载外部定义的神经网络模型,并完成基本的数据推断过程[^2]。 #### 向量化文本 对于具体应用场景而言,可能还需要额外编写函数将原始字符串转换成适合喂入模型的形式(比如 tokenization 和 embedding)。这部分工作可以根据官方文档或者社区资源自行扩展实现。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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