迭代计算

python之迭代器与生成器 可迭代 假如现在有一个列表，有一个int类型的12345。我们循环输出。 list=[1,2,3,4,5] for i in list: print(i) for i in 12345: print(i) 结果： Traceback (most recent call last): File "C:/Pycham/生成器与迭代器/test1.py", line 6, in <module> for i in 12345: TypeError: 'int' object is not iterable 1 2 3 4 5 报错显示：1234不是可以被迭代的。 那python中哪些是 可迭代 的：字符串、列表、元组、字典、集合。 for循环工作机制：for循环在循环一个对象的时候，会调用这个对象的iter方法，得到迭代器，然后在调用这个迭代器的next方法，去获得这个迭代器中包涵的每个值。 现在可能我们不太明白，什么是iter方法，什么是迭代器，什么是next方法。 　　 迭代器 但是如果只是将数据集内的数据“一个挨着一个的取出来，for循环就可以做到，为什么要使用迭代器呢？迭代器是什么？ 迭代器能迭代的一定是可以迭代的数据类型。 如果我们要使用迭代器，一定要将可以被迭代的数据集转为迭代器，使用 __iter__() 。 　　 #列表生成式 list=[1

迭代器和生成器 https://taizilongxu.gitbooks.io/stackoverflow-about-python/content/1/README.html Stack Overflow上面关于这个问题非常好的一个回答的中文版。 先说结论： 迭代器一定是可迭代的，但是可迭代的不一定是迭代器。 生成器就是一种迭代器。迭代器有一个特点就是可以被 next() 函数调用并不断返回下一个值的对象， 并且 只能迭代它们一次。 原因很简单,因为它们不是全部存在内存里,它们只在要调用的时候在内存里生成。 定义generator（生成器）的另一种方法。如果一个函数定义中包含 yield （相当于其他函数的return） 关键字，那么这个函数就不再是一个普通函数，而是一个generator。 而可迭代对象指的是所有可以用在 for...in... 语句中的都是可迭代对象： Iterable， 比如lists,strings,files，dict...因为这些可迭代的对象你可以随意的读取所以非常方便易用, 但是你必须把它们的值放到内存里,当它们有很多值时就会消耗太多的内存。 但 list 、 dict 、 str 虽然是 Iterable ，却不是 Iterator 。把 list 、 dict 、 str 等 Iterable 变成 Iterator 可以使用 iter() 函数

参考： 1. http://python.jobbole.com/81916/ 2. http://blog.csdn.net/bluebird_237/article/details/38894617 3. http://www.runoob.com/python3/python3-iterator-generator.html 迭代器 先了解几个概念： 可以直接作用于for循环的对象统称为可迭代对象(Iterable)。 可以被next()函数调用并不断返回下一个值的对象称为迭代器(Iterator)。 所有的Iterable均可以通过内置函数iter()来转变为Iterator。 对于迭代器而言，通过next()函数实现“迭代”这一概念，在使用for in语句的时候，程序就会自动调用即将被处理的对象的迭代器对象,然后使用它的next方法，当长度超过了迭代器长度时，就会报StopIteration的异常。 >>> a=[ 1 , 2 , 3 ] >>> for i in a: ... print(i) ... 1 2 3 >>> next (a) Traceback (most recent call last): File "<stdin>" , line 1 , in <module> TypeError: list object is not an iterator >>

迭代器 迭代器是访问集合元素的一种方式。迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退，不过这也没什么，因为人们很少在迭代途中往后退。另外，迭代器的一大优点是不要求事先准备好整个迭代过程中所有的元素。迭代器仅仅在迭代到某个元素时才计算该元素，而在这之前或之后，元素可以不存在或者被销毁。这个特点使得它特别适合用于遍历一些巨大的或是无限的集合，比如几个G的文件 特点： 访问者不需要关心迭代器内部的结构，仅需通过next()方法不断去取下一个内容 不能随机访问集合中的某个值 ，只能从头到尾依次访问 访问到一半时不能往回退 便于循环比较大的数据集合，节省内存 from collections import Iterator # isinstance() 判断是否是 迭代器# 可以被next()函数不断返还下一个值的被称为迭代器# iter() 可以将 list dict str 编程迭代器 生成器generator 定义：一个函数调用时返回一个迭代器，那这个函数就叫做生成器（generator），如果函数中包含yield语法，那这个函数就会变成生成器 #!/usr/bin/env python # -*- coding: utf-8 -*- # By Garrett a = [i*2 for i in range(10)] print(a) #

Capsule Network最大的特色在于vector in vector out & 动态路由算法。 vector in vector out 所谓vector in vector out指的是将原先使用 标量表示 的神经元变为使用 向量表示 的神经元。这也即是所谓的“Capsule”，“vector in vector out”或者“胶囊”所要表达的意思。按照Hinton的理解，每一个胶囊表示一个属性，而胶囊的向量则表示该特征的某些“含义”。比如，之前我们使用标量表示有没有羽毛，现在我们使用向量来表示，不仅表示有没有，还表示了有什么颜色，什么材料的特征。也就是说将神经元从标量改为向量后，在特征提取时，对单个特征的表达更为丰富了。 这有些像NLP中的词向量，之前使用的是one hot表示一个词，只能表示有没有该词而已，引入了word2vec不但表示有没有，而且能够表示该词的“意思”，表意更加丰富了。 部分人叫“Capsule Network胶囊网络”为“张量网络” 层层抽象，层层分类 上图展示了特征 \(u_1\) 的连接，目前从上一层传来的特征 \(u_1\) 假设表示羽毛，下一层抽取得到的 \(v_1,v_2,v_3,v_4\) 分别表示猫、狗、兔、鸟4个种类。可以很容易想到softmax: \[ (p_{1|1},p_{2|1},p_{3|1},p_{4|1})=

1 Stream 　　Stream 是 Java 8 提供的一系列对可迭代元素处理的优化方案，使用 Stream 可以大大减少代码量，提高代码的可读性并且使代码更易并行。 2 迭代 　　2.1 需求 　　　　随机创建int类型的数组，计算数组中各个元素的总和 　　2.2 思路 　　　　2.2.1 外部迭代 　　　　　　通过for循环迭代数组 　　　　2.2.2 内部迭代 　　　　　　先将数组转化成流 -> 在通过流的相关操作来实现 　　　　2.2.3 外部迭代和内部迭代 　　　　　　外部迭代式串行的，如果要实现并行需要自己编写代码实现；内部迭代实现并行操作只需要调用一个parallel()操作即可以啦 　　2.3 代码实现 package demo01_iteration; import org.junit.Before; import org.junit.Test; import java.util.Arrays; import java.util.Random; import java.util.stream.IntStream; /** * @author 王杨帅 * @create 2018-06-24 22:48 * @desc 外部迭代和内部迭代 * */ public class Case01 { private int [] nums; private int

导言 最优化问题在机器学习中有非常重要的地位，很多机器学习算法最后都归结为求解最优化问题。在各种最优化算法中，梯度下降法是最简单、最常见的一种，在深度学习的训练中被广为使用。在本文中， SIGAI 将为大家系统的讲述梯度下降法的原理和实现细节问题。 最优化问题是求解函数极值的问题，包括极大值和极小值。相信所有的读者对这个问题都不陌生，在初中时我们就学会了求解二次函数的极值（抛物线的顶点），高中时学习了幂函数，指数函数，对数函数，三角函数，反三角函数等各种类型的函数，求函数极值的题更是频频出现。这些方法都采用了各种各样的技巧，没有一个统一的方案。 真正的飞跃发生在大学时，微积分为我们求函数的极值提供了一个统一的思路：找函数的导数等于0的点，因为在极值点处，导数必定为0。这样，只要函数的可导的，我们就可以用这个万能的方法解决问题，幸运的是，在实际应用中我们遇到的函数基本上都是可导的。 在机器学习之类的实际应用中，我们一般将最优化问题统一表述为求解函数的极小值问题，即： 其中x称为优化变量，f称为目标函数。极大值问题可以转换成极小值问题来求解，只需要将目标函数加上负号即可： 有些时候会对优化变量x有约束，包括等式约束和不等式约束，它们定义了优化变量的可行域，即满足约束条件的点构成的集合。在这里我们先不考虑带约束条件的问题。 一个优化问题的全局极小值是指对于可行域里所有的x，有：

目前接触到的牛顿迭代法主要应用于两个方面:(1)方程求根问题(2)最优化问题。 1、求解方程。 并不是所有的方程都有求根公式，或者求根公式很复杂，导致求解困难。利用牛顿法，可以迭代求解。 原理是利用泰勒公式，在x0处展开，且展开到一阶，即f(x) = f(x0)+(x－x0)f'(x0) 求解方程f(x)=0，即f(x0)+(x-x0)*f'(x0)=0，求解 x = x1=x0－f(x0)/f'(x0) ，因为这是利用泰勒公式的一阶展开，f(x) = f(x0)+(x－x0)f'(x0)处并不是完全相等，而是近似相等，这里求得的x1并不能让f（x）=0，只能说f(x1)的值比f(x0)更接近f（x）=0，于是乎，迭代求解的想法就很自然了，可以进而推出x(n+1)=x(n)－f(x(n))/f'(x(n))，通过迭代，这个式子必然在f（x*）=0的时候收敛。整个过程如下图： 2、牛顿法用于最优化 在最优化的问题中，线性最优化至少可以使用单纯行法求解，但对于非线性优化问题，牛顿法提供了一种求解的办法。假设任务是优化一个目标函数f，求函数f的极大极小问题，可以转化为求解函数f的导数f'=0的问题，这样求可以把优化问题看成方程求解问题（f'=0）。剩下的问题就和第一部分提到的牛顿法求解很相似了。 这次为了求解f'=0的根，把f（x）的泰勒展开，展开到2阶形式： 这个式子是成立的，当且仅当

通常，使用RGB-D相机或是其他方法获取到物体的三维点云后，由于采集设备不同、拍摄视角不同等等因素的影响，即使是同一个物体所得到的点云也会有较大的差异，主要是旋转或者平移的变化。对于一组图像数据集中的两幅图像，需要通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。所以，就需要对点云进行配准。 迭代最近点算法（ICP）是一种点云匹配算法。其思想是：通过旋转、平移使得两个点集之间的距离最小。ICP算法由Besl等人于1992年提出，文献可以参考： A Method for Registration of 3D Shapes ，另外还可以参考： Least-Squares Fitting of Two 3-D Point Sets 。前者使用的是四元数方法来求解旋转矩阵，而后者则是通过对协方差矩阵求解SVD来得到最终的旋转矩阵。流程大体上一致，后面就主要列出前者的流程。 ICP 我们可以使用四元数表示旋转关系： q R → = [ q 0 q 1 q 2 q 3 ] T q R → = [ q 0 q 1 q 2 q 3 ] T ，满足条件： q 0 ≥ 0 q 0 ≥ 0 、 q 2 0 + q 2 1 + q 2 2 + q 2 3 = 1 q 0 2 + q 1 2 + q 2 2 + q 3 2 = 1 。

HashMap的6个知识点： 概述： HashMap 是key-value数据结构 ，是基于哈希表的 Map 接口的 非同步 实现。此实现提供所有可选的映射操作，并 允许key和value为null 。此类不保证映射的顺序，特别是它不保证该顺序恒久不变。 的数据结构： HashMap 实际上是一个“链表散列”的数据结构，即 数组和链表 的结合体。 的读取实现： HashMap存储数据使用put（）方法，该方法首先会将调用String的 hashCode() 方法得到其 hashCode 值――每个 Java 对象都有 hashCode() 方法，都可通过该方法获得它的 hashCode 值。得到这个对象的 hashCode 值之后，系统会根据该 hashCode 值来决定该元素的存储位置。如果该位置已经存在key值，则发生哈希冲突。 How:HashMap怎样解决哈希冲突？ 链地址法：就是在冲突的位置上新建一个链表，然后将冲突的元素插入到链表尾端。 当HashMap调用get（）方法获取value时，首先会根据key的hashcode()值到相应的Entry数组位置上，再如果只有一个key直接返回value，如果该数组位置存在链表维护多个key，则再使用equals(key)来获取相应的value值。 HashMap的4种遍历方式 的 resize （ rehash ）： 当