python笔记2

小白进化记--Python3 --Python字符串(str)和 if 语句 回顾 python的版本    python V2   python V3 python的运行:   1. 在命令行提示符下     $ python3 xxxx.py   2. 在交互模式下执行:     $ python3 <回车>      >>>      >>> quit() / exit() / ctrl+d # 退出  ... 阅读详情

Python运算符&IF分支结构

一、表达式和运算符

1.表达式

操作数和运算符组成的式子就叫做表达式   比如: 1+1
作用:可以用于求值或者给变量赋值等.

2.运算符【掌握】

2.1. 算术运算符

+   -    *【乘法】   /【除法】   %【求余或者取模】  **【求幂或者几次方】  //【取整】

代码演示:

# + - * / %(求模或者取余) **(求几次幂)  //(取整)   算术运算符
num1 = 12
num2 = 4
num3 = 7
print(num1 + num2)  #  加法运算
print(num1 -num2)   #  减法运算
print(num1 * num2)  #  乘法运算
print(num1 / num2)  #  除法运算
print(num1 % num3)  # 取计算后的余数    5
print(num1 ** num2) # 取某个数的几次方   20736
print(num1 // num3) # 取计算后的商      1

2.2. 赋值运算符

简单赋值运算符:= 给一个变量进行赋值

复合赋值运算符:+= -= %= /= ... 给一个变量进行赋值,同时给变量进行相应的运算

代码演示:

#简单的赋值运算符
num = 98
#  = 表示将98 赋给 num这个变量
print(num)
​
# 复杂的赋值运算符    +=  -=  /=   %=
num += 10     #相当于  num = num + 10
print(num)
​
num -= 8     #相当于  num = num - 8
print(num)
​
num *= 2   # 相当于 num = num * 2
print(num)

2.3. 关系【条件,比较】运算符

作用:比较大小,得到结果为布尔值【如果表达式成立,则返回True,如果不成立,则返回False】

>   <   >=    <=    ==【等号】    != 【不等于】 

使用场景:if语句,循环

代码演示:

#   常见的比较运算符  >   <   >=    <=    ==【等号】    != 【不等于】
a = 67
b = 23
c = 67
print(a > b)   # 输出的结果是:True
print(a < b)   # 输出的结果是:False
print(a >= c)   # 输出的结果是:True
print(a <= c)   # 输出的结果是:True
​
print(a == c)   # 输出的结果是:True
print(a != c)   # 输出的结果是:False
print(a != b)   # 输出的结果是:True

2.4. 逻辑运算符

and : 与, 并且

or: 或, 或者

not:非, 取反

逻辑操作符and 和or 也称作短路操作符(short-circuitlogic)或者惰性求值(lazy evaluation):它们的参数从左向右解析,一旦结果可以确定就停止。

因为and运算符必须所有的运算数都是true才会把所有的运算数都解析,并且返回最后一个变量.

而或逻辑(or),即只要有一个是true,即停止解析运算数,返回最近为true的变量,

# 逻辑运算符  and  or   not
​
#  and 表示与或者 并且的意思
#注意: 表达式两边都为真,则表达式为真
'''
print(True and True)  #结果为True
print(False and True)  #结果为False
print(True and False)  #结果为False
print(False and False)  #结果为False
'''
​
# or 表示或的意思
#注意:表达式中只要有一个为真,则整个表达式为真
"""
print(True or False)   #结果为True
print(False or True)   #结果为True
print(False or False)  #结果为False
"""
​
# not 表示非或者取反的意思
​
'''
print(not True)  #结果为False
print(not False) #结果为True
print(not [])  #结果为True   表示  []是False
print(not {})
​
'''
​
'''
#练习:
a = 12
b = 3
c = 10
print(a > b and b > c)
'''
​
​
#bool类型的判断(记住)
'''
数字类型中,0 为False  其余的全部为True
字符串类型中, "" 或者 '' 为False  
None:为False
list:[]为False
dict:{}为False
tuple:()为False
'''
​
#and短路操作
#  1.and的两边都为真,则整个表达式为真
#  2.从表达式的左边往右依次进行判断,能得出结果直接返回结果,否则往后面继续判断.
​
'''
print(0 and 3)   # 0
print(10 and 3)  # 3
print(11 and 0)  # 0
'''
​
# or 短路操作
'''
1.or的两边都为假,则整个表达式为假, 只要有一个为真,则整个表达式为真.
2.从表达式的左边向右依次进行判断,能得出结果直接返回结果,否则往后面继续判断
'''
a = 11
b = 4
print(3 or 0)   # 3
print(0 or 3)   # 3
print(0 or 0)   # 0
print(0 or a > b)  #True
print(a < b or 0)  # 0
​
# 练习: 判断2020年是否是闰年
'''
1.闰年是能被4 整除 且不能被100整除
'''
year = 2020
print(year % 4 == 0 and year % 100 != 0)    #True 表示2020年是闰年

2.5. 成员运算符和身份运算符

成员运算符:

in, not in

身份运算符:(了解)

is, is not

# 成员运算符   in  not in
print(2 in [23,12,2,34,54])    #True
print("welcome" in "welcome to shenzhen")  #True
print("熊出没" in ["熊出没","喜洋洋与灰太狼","名侦探柯南"])   #True
print("猪猪侠" not in ["蜘蛛侠","钢铁侠","黑侠","绿箭侠","煎饼侠"]) #True
​
#判断输入的月份是否是31天
month = int(input("请输入月份:"))
print(month in [1,3,5,7,8,10,12])
​
​
# 身份运算符(了解)   is  is not
#判断内存地址是否相同
# id():获取内存地址
x = 8
y = 8
print(id(x))
print(id(y))
print(x is y)   #True
print(x is not y)  #False

2.6. 位运算符【扩展】(了解)

a = 60 二进制 00111100

b = 13 二进制 00001101

&按位与运算符:参与运算的两个值,如果两个相应位都为1,则该位的结果为1,否则为0(a & b) 输出结果 12 ,二进制解释: 0000 1100
|按位或运算符:只要对应的二个二进位有一个为1时,结果位就为1。(a | b) 输出结果 61 ,二进制解释: 0011 1101
^按位异或运算符:当两对应的二进位相异时,结果为1,相同时,结果为0(a ^ b) 输出结果 49 ,二进制解释: 0011 0001
<<左移动运算符:运算数的各二进位全部左移若干位,由 << 右边的数字指定了移动的位数,高位丢弃,低位补0。a << 2 输出结果 240 ,二进制解释: 1111 0000
>>右移动运算符:把">>"左边的运算数的各二进位全部右移若干位,>> 右边的数字指定了移动的位数a >> 2 输出结果 15 ,二进制解释: 0000 1111

前提:将数字转换为二进制使用

&【按位与】 |【按位或】 ^【按位异或】 << 【左移】 >>【右移】

代码演示:

# 位运算符主要有 &   |   ^  <<    >>
​
# a = 60    二进制  00111100
​
# b = 13    二进制  00001101
​
a = 60  # 00111100
b = 13  # 00001101
print(a & b)   # 12   # 00001100 ====> 1* 2^3 + 1*2^2 = 12
print(a | b)   # 61   # 00111101 ====> 1*2^5+1*2^4+1*2^3+1*2^2+1=32+16+8+4+1=61
print(a ^ b)   # 49   # 00110001 ===>1 * 2^5+1*2^4+1 = 32+16+1 = 49
print(a << 2)  # 240  # 00111100 ===>11110000===>1*2^7+1*2^6+1*2^5+1*2^4 = 128+64+32+16 = 240

二、分支【重点掌握】

1.代码结构

顺序结构:代码从上往下依次执行

分支结构:根据不同的条件,执行不同的语句

循环结构: 根据指定的条件,重复执行某段代码

2.分支结构-if语句

2.1简单if语句【单分支】

语法:

if 表达式:

执行语句

说明; 要么执行,要么不执行,当表达式成立的之后,则执行语句;如果表达式不成立,则直接跳过整个if语句继续执行后面的代码

注意:表达式为真(True)才执行语句

假:0 0.0 False " " ' ' None【空值】 [] {} ()

一般情况下,表达式使用都是比较运算符

代码演示:

# 单分支结构
a = 10
b = 4
if a > b:
   print("a>b成立")
​
if a < b:
 print("a<b成立")
​
print("测试单分支结构")
​
#练习:
age = int(input("请输入昊昊的年龄:"))
if age > 18:
 print("可以做些成年人的事情了")

2.2if-else语句【双分支】

语法:

if 表达式:

执行语句1

else:

执行语句2

说明:如果表达式成立,则执行语句1;如果不成立,则执行语句2 if区间的语句和else区间的语句永远不会同时出现.

代码演示:

#从控制台输入一个数字,判断输入的数字是否是偶数
num = int(input("请输入数字:"))
​
if num % 2 == 0:
 print("num是偶数")
else:
 print("num不是偶数")
​
age = int(input("请输入你的年龄:"))
if age >= 18:
 print("成年了")
else:
 print("未成年")

2.3if-elif-else语句【多分支】

语法:

if 表达式1:

执行语句1

elif 表达式2:

执行语句2

elif 表达式3:

执行语句3

。。。。。

else:

执行语句n

说明:实现了多选一的操作,会根据不同的条件从上往下来进行匹配,如果匹配上了,则执行对应的语句,然后直接结束整个if-elif语句,但是,如果所有的条件都不成立的话,则执行else后面的语句

注意:不管if-elif-else有多少个分支,都只会执行其中的一个分支

代码演示:

'''
 90分以上:优秀
 80-90:良好
 60-80:还行
 60以下:加油吧,骚年
'''
'''
score = int(input("请输入你的成绩:"))
if score >= 90:
 print("优秀")
elif score >= 80:
 print("良好")
elif score >= 60:
 print("还行")
else:
 print("加油吧!骚年")
'''
​
'''
 1000000以上:高收入  
 500000以上:中产   
 200000以上:低产    
 50000以下:低保户
'''
money = int(input("请输入你的年收入:"))
if(money > 1000000):
 print("高收入人群")
elif(money > 500000):
 print("中产")
elif(money > 200000):
 print("低产")
elif(money > 50000):
 print("小低产")
else:
 print("低保户")

2.4嵌套if语句

语法:

if 表达式1:

执行语句1

if 表达式2:

执行语句2

说明:if语句的嵌套,可以在单分支,双分支,多分支之间进行任意组合

代码演示:

#if嵌套语句
​
looks = input("请输入你的相貌:")
money = int(input("请输入你的财富:"))
skin = input("请输入你的皮肤:")
​
if looks == "肤白嫩美大长腿":
    if money >= 120000:
      if skin == "吹弹可破":
            print("做我强哥的大宝贝吧!")
      else:
            print("少涂粉吧,保养一下")
else:
     print("收入太少,还不够我吃软饭的.")q
else:
print("不够白,不够嫩,腿不够长")
​

注意:从语法角度来说,嵌套的层数没有任何的限制,但是,为了代码的可读性和可维护性,嵌套层数不要超过3层

总结:

1.python中常见的数据类型:
    int  float  str  bool none  list  tuple  dict  set  bytes
2.运算符:
    算术运算符:+ - * / % ** //
    比较运算符: > < >= <= ==(等于)  !=(不等于)
    赋值运算符: = (赋值)  +=   -=  *=  /=   %=  
    逻辑运算符: and(与)   or(或)   not(非)
    成员运算符:in   not  in
    身份运算符:is   not  is  (了解)
    位运算符:  &   |   ^   >>   << (了解)
3.分支结构
    单分支:  if  表达式:
                执行语句
    双分支:
            if 表达式:
                执行语句1
            else:
                执行语句2
    多分支:
            if 表达式1:
                执行语句1
            elif 表达式2:
                执行语句2
            elif 表达式3:
                执行语句3
                .....
            else:
                默认的执行语句
    if嵌套:
        if 表达式1:
            if 表达式2:
                if 表达式3:
                    执行语句
        
    
python入门代码笔记分享2 python入门代码笔记分享2 day2.语句结构 ########################################################################### # Chapter4 流程控制 ########################################################################### # 4.1 程序的组织结构 # (1) 顺序结构 print('把大象放进冰箱分几步?') print('1,开冰箱门 阅读详情

相关推荐

Web Scraping with Python (2nd Edition)读书笔记

《Web Scraping with Python 2E》中文翻译是python爬虫权威指南 单单从LPTHW来学python还是传统的从最初的打印,到变量数据类型,再到判断循环几大结构,和传统的编程语言没什么差觉得,语言还是要用起来 这篇主要是bs4库下的BeautifulSoup函数的安装和简单应用

qq_39457879的博客 1416

Python数据类型&运算符&IF分支结构

一、Python中的数据类型 计算机顾明思议就是可以做数学运算的机器,因此计算机理所当然的可以处理各种数据,但是计算机能处理的远远不止数值,还有文本,图形,音频,视频网页等各种数据, 不同数据需要定义不同的数据类型. str(字符串类型): 用单引号''或者双引号"" 或者 ''' ''' 或者 """ """ 包裹起来的文本是字符串 Boolean(布尔类型): True(真) False(假) NoneType(空值):None list(列表):类似于其他语言(...

kk_12345z的博客 533

【Python_PySide2学习笔记(十五)】按键QPushButton类的基本用法

此篇文章中介绍PySide2中 按键QPushButton类的基本用法,包括 ”创建按键、按键设置文本、按键设置启用、禁用、按键设置背景色及透明度” 等,会持续进行更新,有需要的读者可以点赞收藏,也欢迎在评论区进行讨论。

禾戊之昂的博客 982

python 字符串比较的if判断

以上if的判断,是会进入的,因为语法是if (str == 'abc' ) or 'ab': 而不是if str == ('abc' or ''ab'):。if str == 'abc' or ''ab': #我想判断str是不是abc或者ab。

matinal 當冬夜漸暖 。公众号:matinal 410

SAP子公司财务账套配置实战:从公司代码到记账期间变式的关键步骤

本文详细介绍了为SAP子公司快速配置财务账套的实战步骤。通过复用母公司成熟配置,重点阐述了从创建公司代码、关联控制范围到分配记账期间变式的核心流程,帮助顾问在一两个小时内完成核心骨架搭建,实现高效集团财务管控。

cake8的博客 167

Windows 10 下 Nacos 3.0.2 单机版保姆级安装教程(含JDK 17配置与MySQL 8.0连接避坑)

本文提供Windows 10下Nacos 3.0.2单机版的详细安装教程,涵盖JDK 17配置、MySQL 8.0连接优化及生产级安全设置。通过步骤详解和常见问题解决方案,帮助开发者快速完成Nacos的安装与配置,确保服务发现与配置管理的高效运行。

weixin_29237635的博客 322

python运算符&用法的详细介绍

python算数运算、比较运算符、成员运算符、逻辑运算、赋值运算的用法介绍, 以及类型转换的使用

weixin_54359859的博客 5635

Python+Seaborn可视化:双因素方差分析结果这样呈现更专业

本文详细介绍了如何利用Python中的Seaborn和statsmodels库,专业地执行并可视化双因素方差分析结果。通过模拟实验数据,演示了从模型构建、统计检验(包括交互作用分析)到诊断验证的全流程。重点展示了如何使用Seaborn绘制交互效应图、组合分布图及热图,将复杂的统计结果转化为直观、富有洞察力的可视化图表,助力科研论文与商业报告的专业呈现。

weixin_29274969的博客 137

python字符串的一些常用小技巧

文章目录字符串的切割字符串的合并字符串的分片字符串的翻转与间隔字符串的回文判断字符串的单词大小写判断字符串所含元素是否相同将数字字符串转化为数字列表 字符串的操作是经常用到的,即使去面试,面试官也会必问几个字符串处理的问题考察应聘者基础,我就先抛砖引玉把自己用过的字符串处理先分享出来,欢迎拍砖 字符串的切割 字符串的拆分可以直接利用split函数进行实现,返回的是列表 print(str1.spl...

rcoon 1937

卷积神经网络-猫狗识别(附源码)

利用python实现一个卷积神经网络,训练猫狗数据集,实现对猫狗图片的预测识别

m0_63223213的博客 2万+

浅析图像处理中的名词:Gamma 校正(Gamma变换、Gamma调整)

浅析图像处理中的名词:Gamma 校正(Gamma变换、Gamma调整)

qq_51908382的博客 1万+

python笔记本电脑安装不成功_笔记本安装python2.7程序的方法

python是一种全功能的语言,一些编程人员都会用到。可是一些用户不知道如何安装python2.7程序?,针对此问题,今天小编介绍笔记本安装python2.7程序的方法。1、首先去python官网下载Python2.79安装程序,或者不知道官网地址的话,你也可以在百度下搜索python-2.7.9.msi安装文件;2、在python官网上点击Downloads按钮,选择"Python2.7.9"按...

weixin_42528191的博客 644

[Dify] 【实战笔记】优化 Excel 电话簿类知识库检索效果的实战技巧

摘要:文章分析了Dify知识库在处理Excel结构化数据(如电话簿)时出现的检索异常问题,发现主要原因是默认召回多条记录且缺乏精准匹配机制。提出两个核心解决方案:1)优化知识库召回参数,包括调整TopK值、提高关键词权重等;2)设计精准提示词模板,明确约束模型行为范围。通过对比测试验证了优化效果,并给出进阶建议如数据格式转换、输出格式化等。最后针对知识检索类AI应用提供了场景适配建议。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 369

Python2Jupyter:将Python脚本转换为Jupyter笔记本的开源工具

Python2Jupyter:将Python脚本转换为Jupyter笔记本的开源工具 Python2Jupyter 是一个开源项目,旨在帮助开发者将 Python 脚本转换为 Jupyter 笔记本格式,从而可以更便捷地在 Jupyter 或 Google Colab 等在线环境中运行代码。该项目主要使用 Python 语言开发。 核心功能 该项目的主要功能是将 Python 脚本转换为 Jupy...

gitblog_01176的博客 394

EMC基础知识总结

电磁干扰(Electromagnetic Interference),简称EMI,有和两种。传导干扰主要是电子设备产生的干扰信号通过导电介质或公共电源线互相产生干扰;辐射干扰是指电子设备产生的干扰信号通过空间耦合把干扰信号传给另一个电网络或电子设备。

学海无涯的专栏 1373

优快云独家首发!万字长文,YOLOv5/v7/v8算法模型yaml文件史上最详细解析与教程!小白也能看懂!掌握了这个就掌握了魔改YOLO的核心!

🍀🍀🍀YOLOv5/v7/v8算法模型yaml文件史上最详细解析与教程,全网最强,学不会算我输!!!

Coding... 1万+

win7安装python2.7_笔记本安装python2.7程序的方法

python是一种全功能的语言,一些编程人员都会用到。可是一些用户不知道如何安装python2.7程序?,针对此问题,今天小编介绍笔记本安装python2.7程序的方法。1、首先去python官网下载Python2.79安装程序,或者不知道官网地址的话,你也可以在百度下搜索python-2.7.9.msi安装文件;2、在python官网上点击Downloads按钮,选择"Python2.7.9"按...

weixin_39618173的博客 199

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

csdn python2.0课程教学笔记目录

csdn python2.0课程教学笔记目录 一.Python基础(上) 1.1Python 开发环境搭建 1.2 Python基础语法 1.3 Python运算符 1.4 Python的数据类型 1.5 Python分支结构 1.6 Python循环结构 1.7 Python函数详解 1.8 Python 数据类型 1.9 综合案例实战 第二章 第三章 第四章 第五章 ...

kzl_knight的博客 1万+

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

opencv-python笔记2

opencv初级

txjoe的博客 985

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")

【免费下载】 《流畅的Python》(第2版)学习笔记资源下载

《流畅的Python》(第2版)学习笔记资源下载 【下载地址】流畅的Python第2版学习笔记资源下载 《流畅的Python》(第2版)学习笔记资源下载本仓库提供《流畅的Python》(第2版)学习笔记的下载资源,帮助读者更好地理解和掌握书中的内容 ...

gitblog_09729的博客 993

ROS2代码阅读笔记2-ROS 2 启动文件Python

发布机器人的状态信息。: 发布关节状态信息(在未启用 GUI 时)。: 发布关节状态信息(在启用 GUI 时)。rviz_node: 启动 RViz 以可视化机器人。: 启动机器人驱动节点。base_node: 启动机器人基础功能节点,并配置参数。: 启动 IMU 滤波节点,使用指定的配置文件。ekf_node: 启动 EKF(扩展卡尔曼滤波)节点。: 启动机器人控制节点。'param',

Java_Caorui的博客 594

笔记——centos安装python2.7、pip

一、安装python1、下载python包,我安装的是2.7.12wget https://www.python.org/ftp/python/2.7.12/Python-2.7.12.tgz2、解压、安装:tar xvf Python-2.7.10.tgz cd Python-2.7.103、指定python2.7安装路径./configure --prefix=/usr/*******(跟地址...

穿裤衩的文叔的专栏 727

node2vec python_论文笔记 | node2vec

论文笔记 | node2vec: Scalable Feature Learning for networks论文【node2vec: Scalable Feature Learning for networks】为可度量的网络特征学习,是由斯坦福大学的Aditya Grover和Jure Leskovec在2016年提出的,它实际上是对DeepWalk的改进,是基于DeepWalk的升华。所以在...

weixin_39707941的博客 459

python+selenium2学习笔记-python基础01

前言:语言是基础,语言学习的越扎实后期所花的时间就越少。我这里提供两个方法仅供参考(因为我也是个半懂不懂的菜鸡):1.大概的学习的python基础,然后继续学习selenium,这个好处是前期入门较快,但是在后面的理解上比如pom设计模式会卡你一段时间,而且容易处于一种半懂不懂的状态,知其然不知其所以然,像我一样。2.系统的学习语言基础,配合着扎实的学习基础,虽然前期进展慢,但是后面会比较轻松,前...

u013434475的博客 251

《python编程从入门到实践》python入门级-学习笔记(1-2章)——持续更新中

优快云的小伙伴们你们好~从今天起我开始自学编程了。 恭喜你关注到一个成长型账号。 一以来作为美术出身的TA,我无数次的向往能打出几行属于自己的代码。为了跟上时代的步伐,也为了能更加深入TA这个职业,我决定学习编程知识。 本文是我阅读《python编程从入门到实践》整理的笔记,并且会更新一些自己的作业。作为入门小白,文章中有的错误也请大佬们指点一二。非常感谢! 下面我们就从Python开始吧!

Wenmeijing的博客 673
上一篇: python笔记1
下一篇: python笔记4
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