2内置函数
内置函数列表
| 内置函数 | ||||
|---|---|---|---|---|
| abs() | delattr() | hash() | memoryview() | set() |
| all() | dict() | help() | min() | setattr() |
| any() | dir() | hex() | next() | slice() |
| ascii() | divmod() | id() | object() | sorted() |
| bin() | enumerate() | input() | oct() | staticmethod() |
| bool() | eval() | int() | open() | str() |
| breakpoint() | exec() | isinstance() | ord() | sum() |
| bytearray() | filter() | issubclass() | pow() | super() |
| bytes() | float() | iter() | print() | tuple() |
| callable() | format() | len() | property() | type() |
| chr() | frozenset() | list() | range() | vars() |
| classmethod() | getattr() | locals() | repr() | zip() |
| compile() | globals() | map() | reversed() | __import__() |
| complex() | hasattr() | max() | round() |
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2020-09-26
units_sample
英寸和厘米该示例说明了使用绘图函数的xunits和yunits参数将默认x和y单位（ax1）覆盖为英寸和厘米的功能。 请注意，应用转换以获取正确单位的数字。 此示例需要basic_units.py 12345678910111213141516171819from basic_units import cm, inchimport matplotlib.pyplot as pltimport numpy as npcms = cm * np.arange(0, 10, 2)fig, axs = plt.subplots(2, 2)axs[0, 0].plot(cms, cms)axs[0, 1].plot(cms, cms, xunits=cm, yunits=inch)axs[1, 0].plot(cms, cms, xunits=inch, yunits=cm)axs[1, 0].set_xlim(3, 6) # scalars are interpreted in current unitsaxs[1, 1].plot(cms, cms, xunits=inch, yu...
2020-09-23
2数据类型和变量赋值
数据类型和变量 原文： https://thepythonguru.com/datatype-varibles/ 于 2020 年 1 月 7 日更新 变量名和关键字变量是命名位置，用于存储对内存中存储的对象的引用。 我们为变量和函数选择的名称通常称为标识符。 在 Python 中，标识符必须遵守以下规则。 所有标识符都必须以字母或下划线（_）开头，您不能使用数字。 例如：my_var是有效的标识符，但1digit不是。 标识符可以包含字母，数字和下划线（_）。 例如：error_404，_save是有效的标识符，但$name$（不允许$）和#age（不允许#）是无效的标识符。 它们可以是任何长度。 标识符不能是关键字。 关键字是 Python 用于特殊目的的保留字）。 以下是 Python 3 中的关键字。 1234567False class finally is returnNone continue for lambda tryTrue def from ...
2020-09-26
specgram_demo
频谱图演示频谱图的演示 (specgram())。 12345678910111213141516171819202122232425262728293031import matplotlib.pyplot as pltimport numpy as np# Fixing random state for reproducibilitynp.random.seed(19680801)dt = 0.0005t = np.arange(0.0, 20.0, dt)s1 = np.sin(2 * np.pi * 100 * t)s2 = 2 * np.sin(2 * np.pi * 400 * t)# create a transient "chirp"mask = np.where(np.logical_and(t > 10, t < 12), 1.0, 0.0)s2 = s2 * mask# add some noise into the mixnse = 0.01 * np.random.random(size=len(t))x = s1 + s2...
2019-09-28
第1节 概率论基础知识
# 1 概率论的基本概念 ## 1.1 随机事件 * 样本空间$S$：将随机实验所有可能的记过组成的集合称为样本空间。 * 样本点：样本空间的每个结果称为样本点。 * 随机试验、随机事件$E$、基本事件、必然事件、不可能事件、对立事件$A\overline{A}$、古典概型。 ## 1.2 频率与概率 * 频率：在相同的条件下进行$n$次实验，事件$A$发生的次数$n_A$称为事件$A$发生的频数。$\frac{n_A}{n}$称为事件$A$发生的频率。 * 概率：$E$是随机试验，$S$是样本空间。$P(A)$称为事件$A$的概率。 * 频率与概率的性质： * 非负性：$P(A)>0$ * 规范性：$P(S)=1$ * 可列可加性：$A_iA_j=\emptyset,P(A_1\cup A_2\cup\dotsm\cup P_n)=P(A_1)+P(A_2)+\dotsm+P(A_n)$ ## 1.3 条件概率 ### 定义 设$A,B$是两个事件，且$P(A)>0$,则称 $$ P(B|A)=\frac{P(AB)}{P(A)} $$ 也是一种链式...
2021-03-20
12
十二、使用 TensorFlow 自定义模型并训练 译者：@SeanCheney 目前为止，我们只是使用了 TensorFlow 的高级 API —— tf.keras，它的功能很强大：搭建了各种神经网络架构，包括回归、分类网络、Wide & Deep 网络、自归一化网络，使用了各种方法，包括批归一化、丢弃和学习率调度。事实上，你在实际案例中 95% 碰到的情况只需要tf.keras就足够了（和tf.data，见第 13 章）。现在来深入学习 TensorFlow 的低级 Python API。当你需要实现自定义损失函数、自定义标准、层、模型、初始化器、正则器、权重约束时，就需要低级 API 了。甚至有时需要全面控制训练过程，例如使用特殊变换或对约束梯度时。这一章就会讨论这些问题，还会学习如何使用 TensorFlow 的自动图生成特征提升自定义模型和训练算法。首先，先来快速学习下 TensorFlow。 笔记：TensorFlow 2.0（beta）是 2019 年六月发布的，相比前代更易使用。本书第一版使用的是 TF 1，这一版使用的是 TF 2。 Tensor...
2019-10-24
第11节 假设检验
假设检验相关定义 第一章阐述样本统计量与总体属性的关系。第二章参数估计，通过样本的统计量对总体的参数进行估计。并对估计的优劣进行判断，求最优的统计量。区间估计主要是通过置信水平，求置信区间。第三章假设检验。总体分布已知，参数已知。通过样本的统计量，对参数的正确性进行验证。 本节的逻辑 对参数做出假设，$\Theta_0,\Theta_1$。 计算检验统计量的接受拒绝区间$W^c,W$。 检验统计量的拒绝接受区间对应的概率。称为势和势函数。 定义1：原假设与备择假设 所要检验的假设称为原假设或零假设，记为$H_0$。 与$H_0$不相容的假设称为备择假设或对立假设，记为$H_1$。 对参数分布族${p(x;\theta):\theta\in\Theta}$，原假设和备择假设这对矛盾统一体，称为假设检验：$$H_0:\theta\in\Theta_0,H_1:\theta\in\Theta_1$$ 定义2：拒绝域、接受域、检验统计量、检验函数 这里最奇怪的地方是反向表示，拒绝、失信为首选方，使用简单的方式表示。$\alpha,W,\varphi(x)=1$ ...
