万能Python的秘诀:操纵数据的内置工具!

Python 与 Conda:提升开发效率的秘诀 你是否遇到过这些情况?给项目装新库时,旧项目突然报错(因为新版本库不兼容);同事发来的代码,你安装依赖时提示“版本冲突”;想尝试最新版Python,但又怕影响现有项目……本文将聚焦“Python环境管理”这一开发刚需,重点讲解Conda工具如何解决上述问题,覆盖从新手入门到团队协作的全场景。本文将按照“故事引入→核心概念→关系解析→实战操作→场景应用→未来趋势”的逻辑展开,用“开蛋糕店”的生活案例贯穿始终,最后通过完整项目案例带你动手实践。Python环境:装工具(库)的“大箱子”; 阅读详情

Python可谓是如今最流行的编程语言,甚至孩子们也可以从它开始学习趣味编程。Python类似英语的简单语法使它成为一种通用语言,已在全世界各个领域被广泛使用。

Python的万能之处正在于其内置的数据结构,它使编码变得简单,不受数据类型限制,并可以根据需要操纵数据。

首先,让我们试着理解什么是数据结构?数据结构是能够存储、组织和管理数据的结构/容器,以便能够有效地访问和使用数据。数据结构就是收集数据类型。Python中有四种内置数据结构。它们是:

· 列表

· 字典

· 元组

· 集合

开发人员最常用的数据结构是列表和字典。接下来,让我们详细看看每一个数据结构。

列表

Python列表是按顺序排列的任意类型的项的集合。一个列表可以有重复的项,因为每个项都是使用索引访问的,而且可以通过使用负索引逆向访问该列项。列表是可变的,这意味着即使在创建了项之后,也可以添加、删除或更改项;一个列表中还可以包含另一个列表。

图源:unsplash

创建列表:

列表可以通过将元素括在[ ]方括号中来创建,每个项之间用逗号分隔。以购物清单为例,创建列表的语法是:

#Creating a list fruits = ['Apple', 'Banana', "Orange"]

print(type(fruits)) #returns type

print(fruits) #prints the elements of the listOutput:

['Apple', 'Banana', 'Orange']

访问列表:

可以使用索引访问列表中的项。列表中的每个项都有一个与之关联的索引,具体取决于该项在列表中的位置。访问列表中的项的语法:

#Access elements in the fruits listfruits = ['Apple', 'Banana',"Orange"]

print(fruits[0]) #index 0 is the first element

print(fruits[1])

print(fruits[2])Output:

Apple

Banana

Orange

但是,索引不必总是为正。如果想逆向访问列表,也就是按照相反的顺序,可以使用负索引,如下所示:

#Access elements in the fruits list using negative indexesfruits = ['Apple','Banana', "Orange"]

print(fruits[-1]) #index -1 is the last element

print(fruits[-2])

print(fruits[-3])Output:

Orange

Banana

Apple

如果必须返回列表中两个位置之间的元素,则使用切片。必须指定起始索引和结束索引来从列表中获取元素的范围。语法是List_name[起始:结束:步长]。在这里,步长是增量值,默认为1。

#Accessing range of elements using slicingfruits = ['Apple', 'Banana',"Orange"]

fruits #all elements

['Apple', 'Guava', 'Banana', 'Kiwi'] #output

fruits[::1] #start to end with step 1

['Apple', 'Guava', 'Banana', 'Kiwi'] #outputfruits[::2] #start to endwith step 2 basically index 0 & 2

['Apple', 'Banana'] #output

fruits[::3] #start to end with step 2 basically index 0 & 3

['Apple', 'Kiwi'] #output

fruits[::-1] #start to end with step 2 - reverse order

['Kiwi', 'Banana', 'Guava', 'Apple'] #output

向列表中添加元素:

可以使用append()、extend()和insert()函数向列表添加项。

#Adding elementsfruits = ['Apple', 'Banana', "Orange"]#Appendnew elements

fruits.append('Kiwi')

print(fruits)

Output:

['Apple', 'Banana', 'Orange', 'Kiwi']#Insertelements in to the listfruits.insert(1,'Guava') #inserts Guava as secondelement is the list since the index is specified as 1

print(fruits)

Output:

['Apple', 'Guava', 'Banana','Orange', 'Kiwi']

从列表中删除项:

与添加元素类似,从列表中删除元素也非常容易,可以使用del()、remove()和pop()方法实现。要清除整个列表,可以使用clear()函数。

· del()函数删除给定索引处的元素。

· pop()函数从列表中删除给定索引处的元素,也可以将删除的元素赋值给变量。如果未指定索引值,则删除列表中的最后一个元素。

· remove()函数根据元素的值来删除元素。

· clear()函数清空列表。

#Deleting elements from the listfruits = ['Apple', 'Guava', 'Banana','Orange', 'Kiwi']

#del() function

del fruits[3] #delete element at index 4

print(fruits)

Output:

['Apple', 'Guava', 'Banana', 'Kiwi']#pop()function

del_fruit = fruits.pop(2)

print(del_fruit)

print(fruits)

Output:

'Banana'

['Apple', 'Guava', 'Orange', 'Kiwi']

#Remove function

fruits.remove('Apple')

print(fruits)

Output:

['Guava', 'Banana', 'Orange', 'Kiwi']

#Clear() function

fruits.clear()

print(fruits)

Output :

[] # clears the list

其他函数:

在处理列表时,还可以使用其他几个函数:

· len()函数返回列表的长度。

· index()函数查找第一次遇到的传入值的索引值。

· count()函数查找传递给它的值的个数。

· sorted()和sort()函数用于对列表的值进行排序。sorted()具有返回类型,而sort()修改原始列表。

#Other functions for listnum_list = [1, 2, 3, 10, 20, 10]

print(len(num_list)) #find length of list

print(num_list.index(10)) #find index of element that occurs first

print(num_list.count(10)) #find count of the element

print(sorted(num_list)) #print sorted list but not change original

num_list.sort(reverse=True) #sort original list

print(num_list)Output:

6

3

2

[1, 2, 3, 10, 10, 20]

[20, 10, 10, 3, 2, 1]

字典

字典是另一种无序的数据结构,即元素的存储顺序与它们被插入的顺序不同。这是因为索引值不能访问字典中的元素。在字典中,数据以键值对的形式存储,元素值是通过键访问的。

图源:unsplash

创建字典:

字典由冒号分隔的{}大括号或使用dict()函数编写键和值被创建。

#Creating Dictionariesnew_dict = {} #empty dictionary

print(new_dict)

new_dict = {1: 'Python', 2: 'Java'} #dictionary with elements

print(new_dict)Output:

{}

{1: 'Python', 2: 'Java'}

改变并增加键值对:

要更改字典的值,将使用键来访问键,然后相应地更改值。要添加值,只需添加另一个键-值对,如下所示:

#Changing and Adding key, value pairslang_dict = {'First': 'Python','Second': 'Java'}

print(lang_dict)

lang_dict['Second'] = 'C++' #changing element

print(lang_dict)

lang_dict['Third'] = 'Ruby' #adding key-value pair

print(lang_dict)Output:

{'First': 'Python', 'Second': 'Java'}

{'First': 'Python', 'Second': 'C++'}

{'First': 'Python', 'Second': 'C++','Third': 'Ruby'}

访问字典中的元素:

字典中的元素只能使用键访问,可以使用get()函数或只是通过键来获取值。

#Accessing Elementslang_dict = {'First': 'Python', 'Second': 'Java'}

print(lang_dict['First']) #access elements using keys

print(lang_dict.get('Second'))Output:

Python

Java

删除字典中的键值对:

这些是字典中用于删除元素的函数。

· pop()-删除值并返回已删除的值

· popitem()-获取键值对并返回键和值的元组

· clear()-清除整个字典

#Deleting key, value pairs in a dictionarylang_dict = {'First': 'Python','Second': 'Java', 'Third': 'Ruby'}

a = lang_dict.pop('Third') #pop element

print('Value:', a)

print('Dictionary:', lang_dict)

b = lang_dict.popitem() #pop the key-value pair

print('Key, value pair:', b)

print('Dictionary', lang_dict)

lang_dict.clear() #empty dictionary

print(lang_dict)Output:

Value: Ruby #pop element

Dictionary: {'First': 'Python','Second': 'Java'}

Key, value pair: ('Second', 'Java') #popthe key-value pair

Dictionary {'First': 'Python'}

{} #empty dictionary

其他函数:

这是其他一些可以与字典一起使用的函数,用于获取键值和键-值对等。

#Other functions for dictionarylang_dict = {'First': 'Python','Second': 'Java', 'Third': 'Ruby'}

print(lang_dict.keys()) #get keys

print(lang_dict.values()) #get values

print(lang_dict.items()) #get key-value pairs

print(lang_dict.get('First'))Output:

dict_keys(['First', 'Second','Third'])

dict_values(['Python', 'Java','Ruby'])

dict_items([('First', 'Python'),('Second', 'Java'), ('Third', 'Ruby')])

Python

元组

图源:unsplash

元组与列表基本相同,不同的是,一旦数据进入元组,无论如何都不能更改。因此,一旦生成元组,就不能添加、删除或编辑任何值。

创建元组:

使用()圆括号或tuple()函数创建元组。

#Creating Tuplesmy_tuple = (1, 2, 3) #create tupleprint(my_tuple)Output: (1, 2, 3)#Creating Tuplesmy_tuple = (1, 2, 3) #create tuple

print(my_tuple)Output:

(1, 2, 3)

访问元组中的元素:

访问元组元素与列表类似。

#access elementsmy_tuple2 = (1, 2, 3,'new') for x in my_tuple2:

print(x) # prints all the elementsin my_tuple2print(my_tuple2)

print(my_tuple2[0]) #1st element

print(my_tuple2[:]) #all elements

print(my_tuple2[3][1]) #this returns the 2nd character of the element atindex 3

print(my_tuple2[-1]) #last elementOutput:

1

2

3

new

(1, 2, 3, 'new')

1

(1, 2, 3, 'new')

e

new

在另一元组中追加元素:

要追加值,可以使用'+'操作符。

#Appending elementsmy_tuple = (1, 2, 3)

my_tuple = my_tuple + (4, 5, 6) #add elements

print(my_tuple)Output:

(1, 2, 3, 4, 5, 6)

元组赋值:

元组打包和解包操作很有用,执行这些操作可以在一行中将另一个元组的元素赋值给当前元组。元组打包就是通过添加单个值来创建元组,元组拆包则是将元组中的值分配给变量。

#tuple packing

planets = ('Earth','Mars','Jupiter')

#tuple unpackinga,b,c = planets

print(a)

print(b)

print(c)Output:

Earth

Mars

Jupiter

集合

图源:unsplash

集合是唯一的无序元素的集合。这意味着,即使数据重复一次以上,集合也只保留一次。

创建集合:

使用{ }花括号创建集合,并赋值。

#Creating setsnew_set = {1, 2, 3, 4, 4, 4, 5} #create set

print(new_set)Output:

{1, 2, 3, 4, 5}

向集合中添加元素:

使用add()函数赋值并添加元素。

#Adding elements to a Setnew_set = {1, 2, 3}

new_set.add(4) #add element to set

print(new_set)Output:

{1, 2, 3, 4}

集合操作:

可以对一个集合执行的不同操作如下所示。

· union()函数合并了两个集合中的数据。

· intersection()函数只查找在这两个集合中同时出现的数据。

· difference()函数删除两个集合中同时存在的数据,并只输出在传递的集合中存在的数据。

· symmetric_difference()函数执行与difference()函数相同的操作,但是输出在两个集合中保留的数据。

· clear()函数清空该集合。

#Operations on set

my_set = {1, 2, 3, 4}

my_set_2 = {3, 4, 5, 6}

print(my_set.union(my_set_2))

print(my_set.intersection(my_set_2))

print(my_set.difference(my_set_2))

print(my_set.symmetric_difference(my_set_2))

my_set.clear()

print(my_set)Output:

{1, 2, 3, 4, 5, 6}

{3, 4}

{1, 2}

{1, 2, 5, 6}

set()

Python为我们有效管理、组织和访问数据提供了多种选项,学习其基本内置数据结构是Python学习之旅非常关键的一环。

 

贝塞尔曲线基础 贝塞尔曲线于1962年由法国工程师皮埃尔·贝塞尔(Pierre Bézier)所广泛发表,他运用贝塞尔曲线来为汽车的主体进行设计。贝塞尔曲线最初由Paul de Casteljau于1959年运用de Casteljau演算法开发,以稳定数值的方法求出贝兹曲线。 阅读详情

相关推荐

LwIP TCP Client 解决长数据发送的困扰

问题描述 LWIP 的 TCP Client 发送数据可以调用 tcp_write() 函数,将数据储存在缓冲区里面,然后等待超时自动发送或者调用tcp_output()函数进行发送。 然而 tcp_write() 函数 需要发送的数据过长时,将无法发送,并返回 ERR_MEM。 tcp_write()函数解析 tcp_write()的函数代码很多,就不细看代码了, 先看tcp_write()的完整函数: err_t tcp_write(struct tcp_pcb *pcb, const void

tiantangmoke的博客 1万+

python笔记

python笔记 python是一种高层次解释性、编译性、互动性和面向对象的脚本语言。 数据类型 基本数据类型: Number(数字) String(字符串) List(列表) Tuple(元组) Set(集合) Dictionary(字典) 上述六个表达式为python中基本数据类型。 . 可变数据:列表、字典、集合。 . 不可变数据:数字、字符串、元组。 1.Python数字 数字数据类型存储数字值。当为其分配值时,将创建数字对象。如: num1 = 10 num2 = 20 可以使用del语句删除对

m0_47983376的博客 248

Android14_MTK调试LCD屏功能

android14 MTK平台调试LCD屏

m0_37786046的博客 1473

python列表中元素值进行比较_如何取出列表中字典的值并进行比对?python

是的,在重新取的随机值与字典里的坐标重复时,我没有重新循环,现改进如下import randommap_width=30map_height=30a = [{'x': 2, 'y': 4}, {'x': 5, 'y': 6}, {'x': 7, 'y': 8}, {'x': 4, 'y': 4}]random_x=random.randint(3,map_width-8)random_y=rand...

weixin_39827798的博客 1326

关于深度可分离卷积

关于深度学习中的深度可分离卷积

qq_45670407的博客 1797

小华半导体HC32芯片开发使用说明

HC32F/L系列MCU在Keil MDK和IAR Workbench环境下通过工程样例进行软件开发。

小布的芯视角 5635

剑指offer:整理总结-目录

我找工作走了不少弯路,一开始听不懂面试官说啥呢 ,到后来开始学习算法,再后来只要说题目就可以写出来,我觉得还是先背住一些题较好,当时把这些都背住了,只要一说题目,一分钟之内一定写完。 剑指offer66题 链表(8道): 三:从尾到头打印链表 十四:链表中倒数第k个结点 十五:反转链表 十六:合并两个排序的链表 二十五:复杂链表的复制 三十六:两个链表的第一个公共结点 五十五:链表中环的入口结点 五十六:删除链表中重复的结点 二叉树(12道): 四:重建二叉树 十七:树的子结构 十八:二叉树的镜像 二十二:

wowenlong的博客 615

华为昇腾开发——多模型资源管理(C++)

在使用Ascend ACL(Ascend Computing Language)的ACLLite库进行多模型推理时,合理的资源管理至关重要。

如果想成为中心,那么就到中心去吧。 577

Python基础知识(4)

列表(List)类型 List (列表)是Python中使用最频繁的数据类型。 列表可以完成大多数集合类的数据结构实现,它支持字符,数字,字符串甚至可以包含列表(及嵌套) 列表用“[]”标识,是python最通用复合数据类型。 如何创建列表? 语法:列表对象名称 = [元素1,元素2,…,元素N] ...

weixin_44450184的博客 403

基于YOLOv8的植物生长阶段识别系统设计与实现

本文详细介绍了一个基于YOLOv8深度学习模型的植物生长阶段识别系统,包含完整的数据集构建、模型训练、评估以及基于PyQt5的用户界面开发过程。系统能够自动识别植物在不同生长阶段(如发芽期、生长期、开花期、结果期等)的形态特征,为精准农业和智能种植提供技术支持。文章提供了完整的代码实现,并讨论了模型优化策略和实际应用场景。关键词:植物生长阶段识别、YOLOv8、目标检测、PyQt5、深度学习。

YOLO 468

多堆燃料电池-蓄电池混合动力系统能量管理策略研究

摘要 本研究针对多堆燃料电池-蓄电池混合动力系统,提出三种能量管理策略并进行对比分析。系统采用双燃料电池堆与锂离子蓄电池并联结构,通过建立精确的数学模型描述各组件动态特性。研究设计了规则型策略、模糊逻辑控制策略和等效氢耗最小化策略,重点解决了多堆系统功率分配与蓄电池SOC平衡问题。基于MATLAB/Simulink平台的仿真结果表明,模糊逻辑控制策略在氢耗经济性方面表现最优,相比传统规则型策略可降低5%-10%的氢耗,同时有效抑制燃料电池功率波动。本文提出的策略框架为重型商用车的燃料电池混合动力系统提供了可

huanghm88的专栏 178

python dict添加元素_万能Python的秘诀:操纵数据的内置工具

点击菜单栏“粉丝福利”拿小度,兑手机!本文转载自公众号“读芯术”(ID:AI_Discovery)Python可谓是如今最流行的编程语言,甚至孩子们也可以从它开始学习趣味编程。Python类似英语的简单语法使它成为一种通用语言,已在全世界各个领域被广泛使用。Python的万能之处正在于其内置的数据结构,它使编码变得简单,不受数据类型限制,并可以根据需要操纵数据。首先,让我们试着理解什么...

weixin_36439481的博客 2043

华为OD机试双机位C卷:字符串计数匹配 (C/C++/Py/Java/Js/Go)

华为OD机试双机位C卷 字符串计数匹配,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。 华为OD机试 字符串计数匹配, 华为OD上机考试 - 字符串计数匹配。

qq_45776114的博客 1647

万能Python的秘诀:操纵数据的内置工具

全文共6955字,预计学习时长18分钟图源:unsplashPython可谓是如今最流行的编程语言,甚至孩子们也可以从它开始学习趣味编程。Python类似英语的简单语法使它成为一种通用语...

读芯术的博客 216

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

读芯术python_万能Python的秘诀:操纵数据的内置工具

全文共6949字,预计学习时长18分钟图源:unsplashPython可谓是如今最流行的编程语言,甚至孩子们也可以从它开始学习趣味编程。Python类似英语的简单语法使它成为一种通用语言,已在全世界各个领域被广泛使用。Python的万能之处正在于其内置的数据结构,它使编码变得简单,不受数据类型限制,并可以根据需要操纵数据。首先,让我们试着理解什么是数据结构?数据结构是能够存储、组织和管理数据的结...

weixin_39961943的博客 81

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")

list python 访问 键值对_万能Python的秘诀:操纵数据的内置工具

全文共6949字,预计学习时长18分钟图源:unsplashPython可谓是如今最流行的编程语言,甚至孩子们也可以从它开始学习趣味编程。Python类似英语的简单语法使它成为一种通用语言,已在全世界各个领域被广泛使用。Python的万能之处正在于其内置的数据结构,它使编码变得简单,不受数据类型限制,并可以根据需要操纵数据。首先,让我们试着理解什么是数据结构?数据结构是能够存储、组织和管理数据的结...

weixin_28829339的博客 145

Python工具使用:Pycharm

回顾一下,我们聊了 PyCharm 从配置、编码加速、调试、集成工具到远程开发的全景玩法。它不只是一个编辑器,更像一个围绕 Python 生态打造的“工作室”。关键不是要把所有功能都记住,而是养成“遇到重复操作就去找 IDE 有没有更优解”的习惯——大多数时候,你可以直接搜索你要做的事,答案就在那里。下次有人再问你“PyCharm 怎么用?”,别只说能写代码了,把这些技巧甩给他,瞬间专业度拉满。动手去试试吧,哪怕是调一个主题,加一个条件断点,都能让今天的开发比昨天更舒服。

Awmdmd的博客 380

不懂的还在争论AI,懂行的已用Python+DeepSeek变现!逆袭机会就在AI应用层

AI应用开发:普通人也能抓住的AI红利 摘要:AI时代并非遥不可及,普通人完全可以通过Python掌握AI应用层开发。Python作为连接AI能力与实用工具的桥梁,让普通人无需理解复杂算法就能调用DeepSeek等大模型。三大实用技能:1)API调用与提示词工程;2)利用LangChain构建智能体;3)工具集成实现自动化。当前正是抢占AI应用红利的黄金期,建议从Python基础、提示词工程和开源项目入手,快速将AI能力转化为实际收益。行动比质疑更重要,掌握工具的人将始终立于不败之地。

2301_79835463的博客 954

Pandas:你的数据分析瑞士军刀![特殊字符]✨

说了这么多,其实最关键的还是——马上打开Jupyter Notebook实操!遇到报错别慌(谁没被SettingWithCopyWarning折磨过呢😅),Pandas的官方文档写得出奇友好(中文版也有哦!先玩转DataFrame基础操作 →掌握groupby聚合技巧 →攻克时间序列分析 →学习高效内存管理(真实案例)记得我处理过一份500万行的电商数据,用Excel打开要15分钟,Pandas只要3秒!处理完还能直接输出精美报表——这种爽感,谁用谁知道啊!!!终极提示:当你开始用。

pythonqiang9的博客 838

手把手教你打造AI万能助手:MCP协议原理与实践全指南

导语:最近收到很多读者私信,说想开发自己的AI助手但被数据孤岛、接口混乱劝退。用这套方法,我带的实习生3天就做出了自动查天气、读文件、发邮件的智能助手,现在手把手教你!举个真实案例:我司用MCP开发的智能客服,能自动查订单(数据库)、发邮件(SMTP)、读合同(PDF),开发周期从2个月缩短到1周!下期预告:《用MCP打造自动办公助手:键处理Excel+邮件+会议纪要》四、手把手开发实战:天气查询MCP服务端(Python版)五、让文章爆火的3个秘诀(附数据支撑)2.1 核心组件说明。

分享平时的学习心得和笔记 783

传统VS现代:页面升级效率提升300%的秘诀

自动化不是万能的:关键环节仍需人工审核,但可以大幅减少重复劳动。数据驱动决策:有了客观数据支持,技术选型更有说服力。持续优化:随着内容复杂度的增加,工具也需要不断迭代升级。这个项目让我深刻体会到技术工具对工作效率的革命性提升。如果你也想尝试类似的效率优化,推荐使用InsCode(快马)平台来快速实现和部署这类工具。它的代码编辑器和一键部署功能让开发过程变得异常顺畅,我实际使用中发现从构思到上线只需要很短时间,特别适合需要快速验证想法的场景。

RubyLion28的博客 764

神仙级Python入门教程(非常详细),Python之父鼎力推荐,已有49695人撸过!

但是对Python这门语言根本不了解的情况下,很容易走入学习的误区。那么Python究竟应该怎么学呢,我自己最初也是从零基础开始学习Python的,这份Python之父推荐的给了我很大的帮助,在这里分享出来,供各位童鞋交流学习!助你入门,带你入坑……本教程共有29个章节,既有基础原理性的知识讲解,又有项目实战(含代码),共481页。保证100%免费。

Candyz7的博客 388

一秒处理万条数据,自动抢红包、回消息,python简直太强大了!

“我太难了,每天都有做不完的表!“小叶跟我吐槽。小叶是我的好朋友,在一家机构做审计助理。大家都知道审计的工作很繁琐,每天都有回不完的消息,最可怕的是每天都要做表格。上周五,领导让她准备上季...

weixin_46837985的博客 532

如何用MCP协议解决AI工具集成的“最后一公里”?

想象一下,你开发了一个AI助手,想让它帮你查数据库、发邮件、分析代码,但每个功能都要写一套定制代码,累不累?MCP(Model Context Protocol) 就是为解决这个问题而生!定义:MCP是Anthropic推出的开放协议,像USB-C接口一样,让AI模型(如Claude、GPT)通过统一标准连接数据库、文件、API等工具。核心能力:动态发现:AI能自动识别可用工具,不用提前写死接口(比如让AI自动发现你的数据库和GitHub API)。

分享平时的学习心得和笔记 560

AI智能体性能提升秘诀:自然语言工具描述的设计与实践

在构建AI智能体时,工具调用是核心环节。其原理在于,智能体通过理解并执行外部工具的功能来扩展自身能力。这项技术的价值在于,它能将大语言模型的通用知识与特定领域功能相结合,解决复杂任务。应用场景广泛,涵盖客服机器人、自动化数据分析及创意写作等多个领域。然而,工具调用的有效性高度依赖于智能体对工具意图和用法的理解。研究表明,优化工具的自然语言描述能显著提升调用准确率与任务完成率。本文聚焦于自然语言工具这一策略,深入探讨如何通过精心设计工具描述来弥合语义鸿沟、赋能较弱模型,从而以极低成本实现智能体性能的显著优化。

weixin_33795743的博客 401
上一篇: Python学习知道了这些,您可以使用Python超过99%的文件操作!
下一篇: Pycharm使用技巧——自动调整代码格式汇总!自动化神器!
pythonlaodi
博客等级 码龄6年 286粉丝 244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