迭代计算

一、人工神经网络库 Pytorch ———— 让计算机 确定神经网络的结构 + 实现人工神经元 + 搭建人工神经网络 + 选择合适的权重 （1）确定人工神经网络的 结构： 只需要告诉Pytorch 神经网络 中的 神经元个数 每个神经元是怎么样的 【比如 输入 输出 非线性函数】 各神经元的连接方式 （2）确定人工神经元的权重值： 只需要告诉 pytorch 什么样的权重值比较好 （3）处理 输入和输出： pytorch 可以和其他库合作，协助处理神经网络的 输入和输出 二、利用Pytorch 实现 迷你AlphaGo 可以把X[0] X[1] X[2] 三个输入看作 当前局势，把y看作下一步要下的棋，把g看作胜率函数，以找到 最优的 下棋策略 我们不需要知道 从X到 y的 关系的形式，只需要搭建神经网络 不需要告诉神经元的权重都是多少，pytorch 可以帮助找到 神经元的权重 步骤： 只需要把下方 四段代码，前后连接，即可 (1)定义神经网络 from torch.nn import Linear,ReLU,Sequential net = Sequential( Linear(3,8), #第一层 8 个神经元 ReLU(),# 第一层神经元的 非线性函数是max(·,0) Linear(8,8), #第二层 8个神经元 ReLU(),#非线性函数是max(·,0)

列表推导式可以利用 range 区间、元组、列表、字典和集合等数据类型，快速生成一个满足指定需求的列表。 列表推导式的语法格式如下： [表达式 for 迭代变量 in 可迭代对象 [if 条件表达式] ] 此格式中，[if 条件表达式] 不是必须的，可以使用，也可以省略。 通过列表推导式的语法格式，明显会感觉到它和 for 循环存在某些关联。其实，除去 [if 条件表达式] 部分，其余各部分的含义以及执行顺序和 for 循环是完全一样的（表达式其实就是 for 循环中的循环体），即它的执行顺序如下所示： for 迭代变量 in 可迭代对象 表达式 初学者可以这样认为，它只是对 for 循环语句的格式做了一下简单的变形，并用 [] 括起来而已，只不过最大的不同之处在于，列表推导式最终会将循环过程中，计算表达式得到的一系列值组成一个列表。 例如如下代码（程序一）： a_range = range(10) # 对a_range执行for表达式 a_list = [x * x for x in a_range] # a_list集合包含10个元素 print(a_list) 上面代码的第 3 行会对 a_range 执行迭代，由于 a_range 相当于包含 10 个元素，因此程序生成的 a_list 同样包含 10 个元素，且每个元素都是 a_range 中每个元素的平方（由表达式 x

1.1 scikit-learn参数介绍 1.1.1 导入 from sklearn.linear_model import LogisticRegression 1.1.2 版本 scikit-learn==0.21.3 1.1.3 参数 1.1.3.1 penalty l1 、l2 、elasticnet 、none ，默认l2 l1: l1正则，邻回归 l2: l2正则，套索回归 elasticnet: 弹性网络，是邻回归和套索回归的正则项的混合 none: 什么都不加 在调参时如果我们主要的目的只是为了解决过拟合，一般penalty选择L2正则化就够了。但是如果选择L2正则化发现还是过拟合，即预测效果差的时候，就可以考虑弹性网络和L1正则化，弹性网络优于L1正则，因为当特征数量超过训练实例数量，又或者是几个特征强相关时，L1正则的表现可能非常不稳定。另外，如果模型的特征非常多，我们希望一些不重要的特征系数归零，从而让模型系数稀疏化的话，也可以使用L1正则化。 penalty参数的选择会影响损失函数优化算法的选择，即参数solver的选择。 若是L2正则，有4种可选的算法：“newton-cg”,“lbfgs”，“liblinear”，“sag”, 若是L1 正则，有1 种可选的算法：“liblinear ”，L1 正则化的损失函数不是连续可导的。 若是elasticnet

Python中下划线---完全解读 Python 用下划线作为变量前缀和后缀指定特殊变量 _xxx 不能用’from module import *’导入 __xxx__ 系统定义名字 __xxx 类中的私有变量名 核心风格：避免用下划线作为变量名的开始。 因为下划线对解释器有特殊的意义，而且是内建标识符所使用的符号，我们建议程序员避免用下划线作为变量名的开始。一般来讲，变量名_xxx被看作是“私有 的”，在模块或类外不可以使用。当变量是私有的时候，用_xxx 来表示变量是很好的习惯。因为变量名__xxx__对Python 来说有特殊含义，对于普通的变量应当避免这种命名风格。 “单下划线” 开始的成员变量叫做保护变量，意思是只有类对象和子类对象自己能访问到这些变量； “双下划线” 开始的是私有成员，意思是只有类对象自己能访问，连子类对象也不能访问到这个数据。 以单下划线开头（_foo）的代表不能直接访问的类属性，需通过类提供的接口进行访问，不能用“from xxx import *”而导入；以双下划线开头的（__foo）代表类的私有成员；以双下划线开头和结尾的（__foo__）代表python里特殊方法专用的标识，如 __init__（）代表类的构造函数。 现在我们来总结下所有的系统定义属性和方法， 先来看下保留属性： >>> Class1.__doc__ # 类型帮助信息

python官网 https://docs.python.org/3/library/functions.html?highlight=built#ascii 此文是转载的，自感非常好 Python内置函数作用及解析 2018年06月30日 15:44:45 alice_tl 阅读数 3905 标签： PythonPython内置函数更多 个人分类： Python 版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。 本文链接：https://blog.csdn.net/alice_tl/article/details/80867196 Python内置的函数及其用法。为了方便记忆，已经有很多开发者将这些内置函数进行了如下分类： • 数学运算(7个) • 类型转换(24个) • 序列操作(8个) • 对象操作(7个) • 反射操作(8个) • 变量操作(2个) • 交互操作(2个) • 文件操作(1个) • 编译执行(4个) • 装饰器(3个) 接下来看看具体每个类别里包含了那些内置函数 一、数学运算类 abs(x) 求绝对值 1、参数可以是整型，也可以是复数 2、若参数是复数，则返回复数的模 complex([real[, imag]]) 创建一个复数 divmod(a, b) 分别取商和余数 注意：整型、浮点型都可以

TSP问题(Traveling Salesman Problem)是数学领域中著名问题之一。假设有一个旅行商人要拜访N个城市，他必须选择所要走的路径， 路径的限制是每个城市只能拜访一次(通过禁忌表) ，而且最后要回到原来出发的城市，要求路径的总和最小 蚁群算法(AG)是一种模拟蚂蚁觅食行为的模拟优化算法，首先使用在解决TSP（旅行商问题）上。 人工蚁群与真实蚁群对比： 相同点 不同点 都是为了寻找最短路径问题 人工蚁群具有记忆功能 都存在个体间的信息交互问题 人工蚁群的选择并不盲目性 都采用根据当前的信息进行随机选择策略 人工蚂蚁生活在离散的时间环境中 代码部分： 蚁群算法实现核心有两点 ：1，蚂蚁如何选择下一个城市；2，城市间路径信息素如何更新。 a. 计算城市之间的转移概率： % 计算城市之间的转移概率 for k = 1:length(allow) P(k) = Tau(tabu(end),allow(k))^alpha * Eta(tabu(end),allow(k))^beta; %等式的分子 End P = P/sum(P); %上面等式的分母部分 在计算出来城市之间的转移概率之后还要用轮盘赌法的原因： 在得到剩下去城市概率，产生一个随机数，基于随机数决定去下面哪一个城市。例如：剩3个城市，概率为：0.1，0.2，0.7，累计概率为：0.1，0.3，0.7

PyMongo官方文档翻译 周煦辰 2016-06-30 这是本人翻译的PyMongo官方文档。现在网上分（抄）享（袭）的PyMongo博客文章很多，一方面这些文章本就是抄袭的，谈不上什么格式美观，另一方面其实这些博客已经落后很久了，根本是不能作为参考的。遂自己翻译了一下。渣翻译请见谅，能看懂就行。 本翻译文档包含以下内容： 使用PyMongo插入数据 使用PyMongo查询数据 使用PyMongo更新数据 使用PyMongo删除数据 使用PyMongo进行数据聚合 使用PyMongo创建索引 原文地址见链接： 原文地址 PyMongo是一个用于MongoDB的Python工具，也是一个被推荐的Python操作MongoDB数据库的方式。 使用步骤 安装PyMongo Linux或者OS X系统 你可以只用pip工具安装： pip install pymongo Windows系统下 使用Windows安装工具，详见 https://pypi.python.org/pypi/pymongo/ 。 引入pymongo 在一个Python交互shell中完成此过程，或者也可以在其他Python环境中完成，例如Python脚本、Python模块、Python项目。 从pymongo中引入MongoClicent。 from pymongo import MongoClient

敏捷开发流程详解 1 敏捷开发流程 ü 敏捷软件开发核心是迭代式开发，增量交付。 ü 每一次迭代都建立在稳定的质量基础上，并作为下一轮迭代的基线，整个系统的功能随着迭代稳定地增长和不断完善。每次迭代要邀请用户代表（外部或内部）验收，提供需求是否满足的反馈。 ü 迭代型的方法就是将整个软件生命周期分成多个小的迭代，每一次迭代都由需求分析、设计、实现和测试在内的多个活动组成，每一次迭代都可以生成一个稳定和被验证过的软件版本。 ü 迭代建议采用固定的周期（1-4）周，可以每个迭代周期不一定要相同，但迭代内工作不能完成，应该缩减交付范围而不是延长周期。 1.1 敏捷流程详解图-敏捷流程图 1.2 敏捷流程三种角色及其职责 角色名称 角色定义 角色职责 注意事项 Product Owner （ PO ） - 产品负责人 确保Team做正确的事 l 代表利益相关人（如用户、市场、管理等），对产品投资回报负责 l 确定产品发布计划 l 定义产品需求，根据市场价值确定功能优先级 l 验收迭代结果，并根据验收结果和需求变化更新需求清单和优先级 l 除了客户需求之外，内部任务如重构、持续集成环境搭建等也由PO纳入统一管理 Scrum Master （ SM ） - Scrum 教练 确保Team正确的做事 l 辅导团队正确应用敏捷实践 l 引导团队建立并遵守规则 l 保护团队不受打扰 l

闭包函数 一、什么是闭包 闭包：闭是封闭（函数内部函数），包是包含（该内部函数对外部作用域而非全局作用域的变量的引用）。闭包指的是：函数内部函数对外部作用域而非全局作用域的引用。简单的说闭包函数就是把变量和函数一起包起来，下次要用直接使用 def outter(x): def inner(): print(x) return inner inner = outter(2) # inner # f = inner inner() inner() inner() # 查看闭包的元素 print(F"f.__closure__[0].cell_contents: {f.__closure__[0].cell_contents}") 结果： 2 2 2 f.__closure__[0].cell_contents: 2 二、闭包函数的应用 闭包的含义：返回的函数对象，不仅仅是一个函数对象，在该函数外还包裹一层作用域，这使得该函数无论在何处调用，优先先使用自己外层包裹的作用域 应用领域：延迟计算（原来我们是传参的，现在我们包裹起来）、怕成领域 import requests def get(url): response = requests.get(url) print(f"done: {url}") get('https://www.baidu.com') get('https://www

一、闭包函数 简单来说闭包函数是传参的另外一种方式，将参数+函数包在一起返回出去。 1.两种为函数传参的方式 # 1.使用参数的形式 def func(x): print(x) func(1) func(1) # 2.包给函数 def outter(x): def inner(): print(x) return inner f = outter(1) f() f() 2.闭包函数的应用 闭包的意义：返回的函数对象，不仅仅是一个函数对象，在该函数外还包裹了一层作用域，这使得，该函数无论在何处调用，优先使用自己外层包裹的作用域。 应用领域：延迟计算（原来我们是传参，现在我们是包起来）、爬虫领域。 import requests def outter(url): def inner(): response = requests.get(url) print(f"done: {url}") return inner baidu = outter('www.baidu.com') python = outter('https://www.python.org') baidu() baidu() python() python() 二、装饰器 装饰器本质就是一个函数a，装饰的对象也是一个函数b，用一个函数a去装饰一个函数b 装饰器的实现必须遵循两大原则： 不修改被装饰对象的源代码