迭代计算

1、forEach 让数组的每一项做一件事 var arr = [1,2,3,4,5] arr.forEach(function(item,index){ console.log(item) }) 2、map 让数组通过某种计算生成一个新的数组 var arr = [1,2,3,4,5] var arr1 = arr.map(function(item,index){ return item*2 })//会产生一个新数组 3、filter 筛选出数组中符合条件的项 var arr = [1,2,3,4,5] var arr1 = arr.filter(function(item,index){ return item>3 }) //返回一个符合条件的新数组 4、reduce 让数组的前项和后项做某种计算，并累计最终值 var arr = [1,2,3,4,5] var arr1 = arr.reduce(function(pre,next){ return pre+next }) //返回最终的计算结果 5、every 检测数组中是否每一项都符合要求（所有项都符合才返回） var arr = [1,2,3,4,5] arr.every(function(item,index){ return item>4 }) //返回true或者false 6、some

Python函数编程——迭代器 我们已经知道，可以直接作用于 for 循环的数据类型有以下几种： 1、类是集合数据类型，如 list 、 tuple 、 dict 、 set 、 str 等； 2、一类是 generator ，包括生成器和带 yield 的generator function。 这些可以直接作用于 for 循环的对象统称为 可迭代对象：Iterable，可迭代的意思就是可遍历、可循环。 可以使用 isinstance() 判断一个对象是否是 Iterable 对象： >>> from collections import Iterable >>> isinstance([], Iterable) True >>> isinstance({}, Iterable) True >>> isinstance('abc', Iterable) True >>> isinstance((x for x in range(10)), Iterable) True >>> isinstance(100, Iterable) False 而生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到最后抛出StopIteration错误表示无法继续返回下一个值了。 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。 生成器都是

　　Java8中有两大最为重要得改变，其一时Lambda表达式，另外就是 Stream API了。在前面几篇中简单学习了Lambda表达式得语法，以及函数式接口。本文就来简单学习一下Stream API（java.util.stream.*）。 　　Stream 是 Java8中处理集合得关键抽象概念，他可以指定你希望对集合进行得操作，可以执行非常复杂得查找、过滤和映射数据等操作。使用Stream API对集合数据进行操作，就类似使用SQL执行得数据库查询。也可以使用S他ream API 来并行执行操作。简而言之，Stream API 提供了一种高效且易于使用得处理数据得方式。 　　在Stream操作过程中，可以对数据流做过滤，排序，切片等操作，但是操作之后会产生一个新的流，而数据源则不会发生改变。 一、什么是 Stream 　　Stream是数据渠道，用于操作数据源（集合，数组等）所生成得元素序列。而集合讲得是数据，流讲得是计算。 　 　注意： 　　　　①. Stream 自己不会存储元素。 　　　　②. Stream 不会改变源对象。相反，它会返回一个持有结果得新Stream 　　　　③. Stream 操作时延迟执行得，这意味着它们会等到需要结果时才执行。（延迟加载） 二、Stream 操作的三个步骤 　　1）. 创建 Stream 　　　　一个数据源（集合，数组）

上文 讲解了.NET中的采用Task可以实现任务的并行。除了任务的并行之外，还有数据的并行。和任务的并行不同，数据的并行是指并行的源头不是算法的代码，而是算法操作的数据的本身，TPL ( Task Parallel Library )中提供了几个数据并行的API. 一 数据的并行 1.1 Parallel.For 和Parallel.ForEach for 和foreach语句也适合进行并行化。实际上，随着并行计算的流行，对这种循环遍历进行并行化也有过很多种尝试。这些方法包括对在编程语言进行扩充等，比如C++里面的 OpenMP 标准。C#并行类库(Task Parallel Library, TPL)通过提供一些API实现了数据并行化功能，这就是Parallel.For和Parallel.ForEach方法，分别对应平常用到的for和foreach。 回到 上文 中的遍历数组查找素数的方法中，当时我们是这样写的。 for (int number = start; number < end; ++number) { if (IsPrime(number)) { primes.Add(number); } } 将上面的代码转换成并行遍历如下： Parallel.For(start, end, number => { if (IsPrime(number)) { lock

迭代(Iteration) ​ 当我们使⽤⼀个循环来遍历某个东西时，这就叫⼀个迭代。 可迭代对象(Iterable) ​ ⼀个可迭代对象是Python中任意的对象，只要它定义了可以返回⼀个迭代器的 __iter__ ⽅法，或者定义了可以⽀持下标索引的 __getitem__ ⽅法。简单说，⼀个可迭代对象，就是任意的对象，只要它能给我们提供⼀个迭代器。 container__iter__() 返回一个迭代器对象 。 该对象需要支持迭代器协议。 如果容器支持不同的迭代类型，则可以提供额外的方法来专门地请求不同迭代类型的迭代器。 迭代器(Iterator) ​ ⼀个迭代器是任意⼀个对象，只要它定义了⼀个next(Python2) 或者 __next__ ⽅法。 iterator.__next__() 从容器中返回下一项。 如果已经没有项可返回，则会引发 StopIteration 异常。 特点： 节省内存，惰性机制，不能反复, 只能向下执行. 迭代器是可迭代的，所有的迭代器都是它们自己的迭代器 迭代器没有长度，它们不能被索引 可以把迭代器看作是 惰性迭代器 ，它们是 一次性使用 ，这意味着它们只能循环遍历一次。 文件迭代器 #手动遍历 f = open('xxx','r',encoding='utf8') f.readline() #每次调用readine方法，就会到下一列

函数 简介 ​ 函数是组织好的，可重复使用的，用来实现，单一或相关联的功能 ​ 函数能提高模块的利用行，和代码的重复利用率以及冗余，其实你已经使用了很多的Python函数，比如print()。 ​ 但是你也可以自己创建函数，这种叫做自定义函数 函数规则 函数代码块必须以def 关键字开头，后面为函数标识符名以及() 任何传入的参数和自定变量必须放在圆括号中间。圆括号之间可以用来定义参数 函数的第一行语句可以选择性的使用注释字符来表明函数的作用及说明 函数的内容以冒号起始，并且必须缩进 return [表达式] 结束函数，选择性的返回一个值给调用该函数方。不带表达式的函数默认会返回 None 语法 #语法 def functionname( parameters ): "函数_文档字符串" function_suite return [expression] #实例 def printme( str ): "打印传入的字符串到标准显示设备上" print(str) return 默认情况下，参数值和参数名称是按函数声明中定义的顺序匹配起来的。 函数调用 定义一个函数只能给函数一个名称，指定函数里包含的参数，和代码块结构 函数基本结构完成以后，你可以通过另一个函数调用执行，也可以直接从python提示符执行 #!/usr/bin/python # -*- coding: UTF-8 -

列表生成式 　　　　>>> a = [i+1 for i in range(10)] 　　　　>>> a 　　　　[1, 2, 3, 4, 5, 6, 7, 8, 9, 10] 　　　　循环 range(10) 生成一个列表，这就是列表生成器　　　　　　　　这个range() 函数可创建一个整数列表　　　　　　　　python2 : /*--> */ /*--> */ 　　　　　　　　>>> print(range(10)) 　　　　　　　　[0, 1, 2, 3, 4, 5, 6, 7, 8, 9] 　　　　python3 : /*--> */ /*--> */ 　　　　　　　　>>> print(range(10)) 　　　　　　　　range(0, 10) 　　　　　　 　　　　　以上可见python2中，等于是创建了两个列表，比python3中，增加了内存消耗，python3中的优化 　　　　　　 生成器generator 　　 　　 由上可知在python2中，创建一个包含100万个元素的列表，不仅占用很大的存储空间， 　　　　如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。比如我要循环100万次， 　　　　按py的语法，for i in range(1000000)会先生成100万个值的列表。但是循环到第50次时， 　　　　我就不想继续了

牛顿法，全称Newton's method。 当N=1时， 牛顿法的基本思想是：在现有极小点估计值的附近对f(x)做二阶泰勒展开，进而找到极小点的下一个估计值。设 为当前的极小值点的估计值，那么通过二阶泰勒： 由于求的是最值， 应满足 即 求得 令 ,则 当N>1时，超过二维。二阶泰勒展开式可以做推广。 为f的梯度向量， 为f的海森矩阵，其定义如下所示。 令 同理， 则 若矩阵非奇异，存在逆矩阵时，可求解为： 牛顿法算法伪代码： 1) 给定初始值x0和精度阈值ε，并令k:=0 2) 计算 和 3) 若 ，则停止迭代，否则确定搜索方向 4) 计算新的迭代点， 5) 令 6) 转至2 缺点： 原始牛顿法在迭代公式中没有步长因子，定 迭代，对于非二次型目标函数，有时会使函数值上升，表明牛顿法不能保证函数值稳定地下降，在严重的情况下，甚至可能造成迭代点列{ }发散而失败。 来源： https://www.cnblogs.com/cymx66688/p/11514568.html

优化算法通常只考虑最小化目标函数。其实，任何最大化问题都可以很容易地转化为最小化问题，只需令目标函数的相反数为新的目标函数即可。 由于优化算法的目标函数通常是一个基于训练数据集的损失函数，优化的目标在于降低训练误差。而深度学习的目标在于降低泛化误差。为了降低泛化误差，除了使用优化算法降低训练误差以外，还需要注意应对过拟合。 深度学习中绝大多数目标函数都很复杂。因此，很多优化问题并不存在解析解，而需要使用基于数值方法的优化算法找到近似解，即数值解。本书中讨论的优化算法都是这类基于数值方法的算法。为了求得最小化目标函数的数值解，我们将通过优化算法有限次迭代模型参数来尽可能降低损失函数的值。 两个挑战 ，即局部最小值和鞍点。 梯度下降和随机梯度下降 def train_2d(trainer): # 本函数将保存在d2lzh包中方便以后使用 x1, x2, s1, s2 = -5, -2, 0, 0 # s1和s2是自变量状态，本章后续几节会使用 results = [(x1, x2)] for i in range(20): x1, x2, s1, s2 = trainer(x1, x2, s1, s2) results.append((x1, x2)) print('epoch %d, x1 %f, x2 %f' % (i + 1, x1, x2)) return results

数学理论部分 1.svm支持向量机是什么？ 如下图所示，SVM的目标就是寻找一条图中的黑线，使得这条线到两个分类的距离最大，即寻找最大间隔 2.超平面：我们定义那条黑线为超平面，函数公式为 ƒ(x)= w T x + b ,当ƒ(x)= w T x + b=0时为黑线处，大于或者小于分别表示一个类别。 3.分类：根据超平面我们可以进行如下定义，完成分类 【注】我们将类别 y i 定义为正负一是为了方便计算边界条件 ，就拿1分类举例，因为y i 为1，所以 yi（w T x + b ）>=1仍然成立，这个分类的边界为 yi（w T x + b）=1，我们顺利的将标签y与特征x均放入了一个公式当中。 4.距离计算： 样本点到超平面距离为 ，样本之间的间隔为 4.1推导样本点到平面距离： 方法一： ， ，两个公式联立可得 ，||w||为范数，是所有元素平方和再开方，w是一个方向向量 方法二：利用中学的距离公式，点到直线的距离公式 ，现在已知直线是ƒ(x)= w T x + b，所以 4.2推导：从3中可以知道分类的边界是 yi（w T x + b）=1，而 yi=1，所以w T x + b=1，于是单边间距为 ，总间距为 5.拉格朗日乘数法：对于多元函数 ƒ（x,y）在约束条件φ（x，y）情况下求极值可以使用拉格朗日乘数法，首先加入一个拉格朗日乘数λ，构造出拉格朗日函数 ，对 x、y