Python之函数(三)函数的注释与名称空间
4.3 函数的注释和名称空间 函数的注释 def func(user,password):
"""
密码加密
:param user: 用户名 str
:param password: 密码 str
:return: 加密的密码 MD5
"""
print(user,password)
#函数注释 在函数体中 """ """ 就出现注释 填写对应功能即可
print(func.__doc__)#获取func函数的注释 并
TensorFlow上手(1) 环境配置
TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域。 Tensor的意思是张量,代表N维数组;Flow的意思是流,代表基于数据流图的计算。把N维数字从流图的一端流动到另一端的过程,就是人工智能神经网络进行分析和处理的过程。 配置环境 本文章是在 Windows 10 (1803) 下进行的配置,以 Python 语言作为工作语言。 下载 Anaco
组件内的properties类似与vue中的prop接收外界传递进来的参数
=================================================== 外界引用组件的时候 传递方法 父传子
2019/08/26
今日完成 学习机器学习原理,数学基础 明日计划 继续学习数学基础,学习欠拟合与过拟合与解决方法,尝试是否能解决模型中出现的问题,提高精度 今日感想 数学基础非常重要,是优化模型的核心,也许可以用多种方法结合寻找更好的下降方法
QDS04 TensorFlow
QDS (Quick Deployment Series)快速的部署一个软件。这次我们来部署 TensorFlow。 Ubuntu 16.04 或更高版本(64 位) macOS 10.12.6 (Sierra) 或更高版本(64 位)(不支持 GPU) Windows 7 或更高版本(64 位)(仅支持 Python 3) Raspbian 9.0 或更高版本 硬件要求 从 TensorFlow 1.6 开始,二进制文档使用 AVX 命令,这些命令可能无法在旧版 CPU 上运行。 CUDA®
tensorflow-beginner
官网 官方github仓库 中文版github仓库 安装 pip install tensorflow $注意:从 1.2 版开始,TensorFlow 在 macOS 上不再支持 GPU$ 简介 TensorFlow是一个使用数据流图进行数值计算的开放源代码软件库。 图中的节点op (operation 的缩写)代表数学运算,而图中的边则代表在这些节点之间传递的多维数组(Tensor[张量])。 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor.
ElasticSearch之核心配置文件
配置文件目录 elasticsearch.keystore 密钥库 elasticsearch.yml es相关的配置 jvm.options Jave jvm相关配置 log4j2.properties 日志相关的配置 log4j的日志框架 role_mapping 角色映射相关 roles 角色一般没动 elasticsearch.yml Cluster集群相关配置 1 cluster.name: my-application # 配置集群名称,由多个es实例组成的集群,有一个共同的
降维,PCA,SVD
降维 机器学习的算法的计算量往往伴随着维度\(d\)的增长呈现指数型增长,例如线性感知机的VC维是\(d+1\) 去除无用的维度,保留有用的特征可以减少计算量同时提高精度 \(\mathtt{z=\Phi(x)}\),\(\mathtt{x}\)为原始输入向量,\(\mathtt{z}\)为变换后输入向量 假如\(\mathtt{z}\)的维度小于\(\mathtt{x}\)的维度,那么就实现了降维 理想的输入向量维度应该和目标函数输入的维度保持一致,这说明特征选择和辨识目标函数一般难 在非线
Elasticsearch之集群,本地搭建集群
概述 在Elasticsearch中,一个节点就是es对象,而一个集群(cluster)是由一个或者多个节点构成,它们具有相同的集群名字,相互协同工作,分享数据和负载的能力,如果有新的节点加入或者被删除掉,集群会自动感知到并且还能够平衡数据。 若构建高可用和扩展的系统,可扩展的方式:纵向扩展(买更好的机器),横向扩展(买更多的机器,推荐),这样如果单点挂掉其它的也可用,也就证实了集群的高可用特性。 集群中加节点 广播形式(一直ping) 特点:不可控 在本地单独的目录复制e
TensorFlow 升级到2.0,那么项目的1.x进程怎么办?
目前,Tensorflow库正在经历着从推出以来最大规模的变化。TensorFLow 2.0 已经推出 beta 版本,同 TensorFlow 1.x 版本相比它带来了太多的改变。最大的问题在于不兼容了好多TensorFlow 1.x 版本的API。 怎么办? 版本选择 虽然TensorFlow的2.0版本中,增加了很多光鲜靓丽的新功能。但是TensorFlow 1.x目前比较稳定,建议使用TensorFlow 1.x版本开发实际项目,并跟进2.x版本所更新的技术。等到2.x版本更为稳定的时
Kibana之配置文件
Kibana服务相关 1 server.host: "localhost",kibana的主机地址。
2 server.port: 5601,kibana的默认监听端口。
3 server.basePath: "",如果您在代理后面运行,则可以指定安装Kibana的路径。使用server.rewriteBasePath设置告诉Kibana是否应从其收到的请求中删除basePath,并防止在启动时发生弃用警告。此设置不能以斜杠/结尾。
4 server.rewriteBasePath: f
VS2015 创建C++动态库及使用
转载:https://blog.csdn.net/w_x_myself/article/details/82252646 1.dll的特点 代码复用是提高软件开发效率的重要途径。一般而言,只要某部分代码具有通用性,就可将它构造成相对独立的功能模块并在之后的项目中重复使用。比较常见的例子是各种应用程序框架,ATL、MFC等,它们都以源代码的形式发布。由于这种复用是“源码级别”的,源代码完全暴露给了程序员,因而称之为“白盒复用”。“白盒复用”的缺点比较多,总结起来有4点。 暴露了源代码; 多份拷贝
python — mysql基础知识
目录 1 . 数据库的介绍 2. mysql 1 . 数据库的介绍 1.为什么要用数据库? 很多功能如果只是通过操作文件来改变数据是非常繁琐的,程序员需要做很多事情 对于多台机器或者多个进程操作用一份数据,程序员自己解决并发和安全问题比较麻烦 自己处理一些数据备份,容错的措施 2.数据库的优势: 数据库是C/S架构的、操作数据文件的一个管理软件。 1.帮助我们解决并发问题 2.能够帮助我们用更简单更快速的方式完成数据的增删改查 3.能够给我们提供一些容错、高可用的机制 4.权限的认证 3.数据
递归锁、信号量、GIL锁、基于多线程的socket通信和进程池线程池
递归锁、信号量、GIL锁、基于多线程的socket通信和进程池线程池 递归锁 死锁现象:是指两个或两个以上的进程和线程因抢夺计算机资源而产生的一种互相等待的现象 from threading import Thread
from threading import Lock
import time
lock_A = Lock()
lock_B = Lock()
class MyThread(Thread):
def run(self):
self.f1()
2019.8.19小结
T1 阶乘 100/100 题意 T组数据,给出N,求出N!最右边非零的数。 对于30%的数据,N <= 30,T<=10。 对于全部的数据,N <= 10^2009,T<=30。 一道数学题 解析 N!/(10^x)最后一位数字即是结果。10^x进行拆分,变成5^x*2^x。怎么除以5^x呢,好办,乘的时候含有5的倍数的一项全部不乘进去,再递归此过程。即 1 2 3 4 (15) 6 7 8 9 (25) 11 12 13 14 (35)16 17 18 19 (45) 21 22 23 2
python — 生成器、推导式、递归
目录 1 生成器(函数的变异) 2 推导式 3 递归 1 生成器(函数的变异) 判断一个函数是否是生成器函数:只需看函数内部是否有yield # 生成器函数(内部是否包含yield)
def func():
print('F1')
yield 1
print('F2')
yield 2
print('F3')
yield 100
print('F4')
# (只要有yield)函数内部代码不会执行,返回一个 生成器对象 。
v1 = fu
今日推荐
周排行