【学习3】python后续知识补足和深度学习模型

·自定义函数

在Python语言中，除内建函数外的其他类型函数通常被称为第三方函数。内建函数可以直接使用，第三方函数需要使用import命令导入相应的库才能使用。对于自定义函数，其定义和调用可以在同一个文件中，也可分离成不同的文件。

在同一个文件夹下面有两个文件：

 

其中，demo2.py文件里面含有一个func（src）的函数

在demo1.py文件中调用demo2.py文件的func函数可以这样：

 

 

·在Python语言中，还可以把函数名赋给一个变量，相当于给这个函数起了一个“别名”。abs没有小括号，因此加了小括号相当于调用函数了。

a = abs   

print(a(-1))#1

（2）函数参数

· 参数种类

函数参数分为可变类型和不可变类型，其调用结果是不同的。
1）可变类型：类似c++的引用传递，如列表、字典等。如果传递的参数是可变类型，则在函数内部对传入参数的修改会影响到外部变量。
2）不可变类型：类似c++的值传递，如整数、字符串、元组等。如果传递的参数是不可变类型，则在函数内部对传入参数的修改不会影响到外部变量。

可变类型：

lis = ["a", "b", "c"]
def funcu(list):
    list.append(["d", "e", "f", "g"])
    print("yes")
funcu(lis)
print(lis)

yes

['a', 'b', 'c', ['d', 'e', 'f', 'g']]

·默认参数

编写函数时，可给每个形参指定默认值。在调用函数时，如果给形参提供了实参，Python语言将使用指定的实参值；否则，将使用形参的默认值。给形参指定默认值后，可在函数调用中省略相应的实参。

def descro(name, age='18'):
    print("name: " + name)
    print("age: " + age)


descro('joan', '30')  # 第二个参数得是字符串，是数值会报错
descro('abc')

name: joan

age: 30

name: abc

age: 18

默认参数很有用，但使用时要牢记一点，默认参数必须指向不可变对象，否则会出现错误

def test_add(a=[]):
    a.append('END')
    return a


print(test_add([1, 2, 3]))
print(test_add(['a', 'b', 'c']))
print(test_add())
print(test_add())
print(test_add())

[1, 2, 3, 'END'] 

['a', 'b', 'c', 'END'] 

['END'] 

['END', 'END'] 

['END', 'END', 'END']

从上述代码可以看出，默认参数是空列表[]，但是函数test_add()似乎每次都“记住了”上次添加了’END’后的list。这是因为在Python语言中，函数在定义的时候，默认参数H的值就被计算出来了，即[]。因为默认参数H也是一个变量，它指向对象[]。每次调用该函数，如果改变了H的内容，则下次调用时，默认参数的内容就变了，不再是函数定义时的[]了。

·不定长参数

在Python语言中，函数还可以定义不定长参数，也叫可变参数。开发者可以把不指定长度的参数作为一个list或tuple传进来。

def calc(numbers):
    sum = 0
    for n in numbers:
        sum = sum + n
    return sum


print(calc([1, 2, 3])) # 结果是6
print(calc([1, 2, 3,4])) # 结果是10

在Python语言中，可以在函数参数前面添加“*”号把该参数定义为不定长参数。

def calc(*numbers):
    sum = 0
    for n in numbers:
        sum = sum + n
    return sum


print(calc(1, 2, 3, 4))
print(calc())
num = [1, 2, 3]
print(calc(*num))

·关键字参数

*表示不定长参数
**表示不定长的关键字参数

·匿名函数

Python语言经常使用lambda来创建匿名函数。lambda [arg1[,arg2],....argn]]:expression

5、类和对象

·类的创建

Python语言中，使用class关键字来创建类

class ClassName(bases): 

# class documentation string 类文档字符串，对类进行解释说明 

class_suite

class是关键字，bases是要继承的父类，默认继承object类。
class documentation string是类文档字符串，一般用于类的注释说明。class_suite是类体，主要包含属性和方法。

Python的类分为以下两种：
经典类：Python2.x中类定义的默认方式，不继承object类，其内部由属性和方法组成。class A: pass

新式类：Python3.x中类定义的默认方式，必须继承object方法。class A(object): pass

·新式类添加了一些内置属性和方法

__name__ ：属性的名字

__doc__ ：属性的文档字符串

__get__(object) ：获取对象属性值的方法

__set__(object, value) ：设置对象属性值的方法

__delete__(object, value) ：删除对象属性的方法

·内置类属性：

__name__ ：属性的名字

__doc__ ：属性的文档字符串

_bases_:所有父类构成的元祖

_dict_:类的属性

_module_:类定义所在的模块

_class_:实例对应的类

·内置示例属性：

_dict_:实例对象的属性

_class_:实例对象所属的类名

·对象的创建

people = People("李四", 20, "50kg") # 实例化一个对象

Python语言对于属性的设置采用“类.属性 = 值”或“实例.属性 = 值”的形式。

Python语言中的属性操作遵循三个规则：
（1）属性的获取是按照从下到上的顺序来查找属性；
（2）类和实例是两个完全独立的对象；
（3）属性设置是针对实例本身进行的。

属性按使用范围分为公有属性和私有属性

 

 

·类方法和静态方法原理上有以下区别：
（1）静态方法不能使用self的方式调用。
（2）静态方法调用时会预先将类中用到的属性和方法进行加载，而类方法则是随调随用。因此，类方法相比静态方法具有不占资源的优势，但是速度不及静态方法。
（3）静态方法调用类中的属性时需要使用“类名.属性”的格式。

·内部类

内部类：类的内部定义的类，主要目的是为了更好抽象现实世界。

内部类调用有两种方式。
（1）直接使用外部类调用内部类；
（2）先对外部类进行实例化，然后再实例化内部类。

·魔术方法

在Python语言中，所有以双下划线“__”包起来的方法，都统称为“魔术方法”。 这些方法在实例化时会自动调用，

魔术方法中的“__init__()”方法一般叫做构造函数，用于初始化类的内部状态和参数。 如果不提供，Python语言会给出一个默认的“__init__()”方法 魔术方法中的“__ del __()”函数叫做析构函数，用于释放对象占用的资源。“__del__()”函数是可选的， 如果不提供，Python语言会在后台提供默认析构函数。

调用析构函数的两种方法：

对象.__del__() # 调用析构函数

del 对象

当对象自动执行析构函数“A.del()”后，对象仍然存在，但是在调用“del A”,后，对象就已经被回收删除，无法再次使用。

·类间关系

依赖关系:用实例方法执行某个功能时，如果需要使用另一个类的实例的方法来完成，则称这两个类之间存在关联关系。

class Person():
    def play(self, tools):
        tools.run()
        print("很开心，能玩游戏了")

class Phone():
    def run(self):
        print("手机开机，可以运行")


phone = Phone()
p = Person()
p.play(phone)

1. 基本技能

1. python文件读写的方式

·打开一个文件：

f = open(file,mode,encoding=‘utf8’)#文件路径，打开模式，文件编码

 

·文件读取

file = '1.txt' 

file_obj = open(file,‘r’,encoding='utf-8') 

content = file_obj.read() 

print(content) 

file_obj.close()

for line in file_obj.readlines(): #读取多行

·文件的写入write() 和 writelines()

f1 = open('1.txt', 'w')

 f1.write("123")

 fl.close()

 -------------- 

f1 = open('1.txt', 'w')

 f1.writelines(["1\n", "2\n", "3\n"]) 

fl.close()

机器学习/深度学习

1. 如何知道一个函数呢？（linear model）

如下是训练步骤：

第一步，先进行函数预测，比如说点阅人数预测函数为：y=b+wx（model模型，x为已知点阅数，y为想要预测的点阅数，b和w为未知数，w是weight，b是bias）。

第二步，定义一个loss（这个loss是一个函数Loss（b，w）），输入是b和w。如何知道参数设置的是否好呢？那就需要用到过去的点阅次数计算loss。已知2017年1月2日的预测值为y，真实值（label）为y*，计算损失e=|y-y*|（用绝对值计算差距MAE；如果是用差值的平方算出的e，那就是MSE）。然后不断计算误差，求和取平均之后这个L就是我们的loss。改变不同的b和w得到的等高线图是Error Surface.

 

第三步，最优化，寻找一组w和b能使loss最小。这里用到的最优化optimization方法是gradient descent。做法：假设只有一个未知数w的时候，首先随机选取一个初始w0，计算微分（斜率）。除了斜率会影响步伐之后，还有n（learning rate学习速率，n由自己自行设置的大小）会影响步伐。在机器学习的过程中需要自己设定的东西，叫hyperparameters。在找到斜率为0的时候，就会出现局部最优值（从图中可以看出，这个并不是全局最低点，因为gradient descent会出现local minima，找到的不是global minima）。现在取消假设，现在有两个未知数w和b的时候，也是计算微分（），然后计算到0，不断更新w和b，最后找到最好的w和b。

 

 

 

 

 

但是这种模型的预测并不是很好，所以需要进行改进。

当考虑多天的时候，比如说7天、28天、56天，预测值确实更好了。

 

应该是这种线性模型太简单了，我们预测的真实结果并不是一个线性的模型。线性模型有很严重的限制，这种称作model bisa。

当真实结果是折线的时候，如图红色线，那么我们可以用一个常数项加三个蓝色折线组成。

 

根据【学习1】，我们可以得到更好的模型：