锐客网

  1. 首页 > 睿知 > >

python简单代码编写，一段简单的python代码求解想破头也不知道怎么写

经验分享睿知

1，一段简单的python代码求解想破头也不知道怎么写return not bool(n1 ^ n2)return not bool(n1 - n2)还有，python的cmp函数return not bool(cmp (n1, n2))如果是python2 有cmp()再看看别人怎么说的 。
2 ， 用python写一个程序for gj in range(21):for mj in range(34):for xj in range(101):if (gj+mj+xj==100) and (gj*5+mj*3+xj/3==100):print(gj,mj,xj)
3，求一个简单的Python给数字排序代码123456789101112131415 defABC(a): fori inrange(0, len(a)-1): forj inrange(i+1, len(a)): if(a[i]>a[j]): t =a[i] a[i] =a[j] a[j] =t #test code as followsx =[5,2,3,7,1,8, 6,4]ABC(x)print(x) #result is:#[1,2,3,4,5,6,7,8] note：代码中的缩进不能省【python简单代码编写，一段简单的python代码求解想破头也不知道怎么写】
4，求用Python编写 简单程序12345678910111213 numls=[]fori inrange(10): num=input("please input a number:") numls.append(num)minnum=numls[0]pos=0fori inrange(10): ifnumls[i]>minnum: minnum=numls[i] pos=iprint("The min num is "+str(minnum) +",the pos is "+str(pos+1))5 ， 如何用9行Python代码编写一个简易神经网络学习人工智能时，我给自己定了一个目标－－用Python写一个简单的神经网络 。为了确保真得理解它，我要求自己不使用任何神经网络库，从头写起 。多亏了Andrew Trask写得一篇精彩的博客，我做到了！下面贴出那九行代码：在这篇文章中，我将解释我是如何做得，以便你可以写出你自己的 。我将会提供一个长点的但是更完美的源代码 。首先，神经网络是什么？人脑由几千亿由突触相互连接的细胞（神经元）组成 。突触传入足够的兴奋就会引起神经元的兴奋 。这个过程被称为“思考” 。我们可以在计算机上写一个神经网络来模拟这个过程 。不需要在生物分子水平模拟人脑 ， 只需模拟更高层级的规则 。我们使用矩阵（二维数据表格）这一数学工具，并且为了简单明了，只模拟一个有3个输入和一个输出的神经元 。我们将训练神经元解决下面的问题 。前四个例子被称作训练集 。你发现规律了吗？？是0还是1？你可能发现了，输出总是等于输入中最左列的值 。所以？应该是1 。训练过程但是如何使我们的神经元回答正确呢？赋予每个输入一个权重，可以是一个正的或负的数字 。拥有较大正（或负）权重的输入将决定神经元的输出 。首先设置每个权重的初始值为一个随机数字 ， 然后开始训练过程：取一个训练样本的输入，使用权重调整它们，通过一个特殊的公式计算神经元的输出 。计算误差，即神经元的输出与训练样本中的期待输出之间的差值 。根据误差略微地调整权重 。重复这个过程1万次 。最终权重将会变为符合训练集的一个最优解 。如果使用神经元考虑这种规律的一个新情形，它将会给出一个很棒的预测 。这个过程就是back propagation 。计算神经元输出的公式你可能会想，计算神经元输出的公式是什么？首先，计算神经元输入的加权和，即接着使之规范化，结果在0，1之间 。为此使用一个数学函数－－Sigmoid函数：Sigmoid函数的图形是一条“S”状的曲线 。把第一个方程代入第二个，计算神经元输出的最终公式为：你可能注意到了，为了简单，我们没有引入最低兴奋阈值 。调整权重的公式我们在训练时不断调整权重 。但是怎么调整呢？可以使用“Error Weighted Derivative”公式：为什么使用这个公式？首先，我们想使调整和误差的大小成比例 。其次，乘以输入（0或1），如果输入是0，权重就不会调整 。最后，乘以Sigmoid曲线的斜率（图4） 。为了理解最后一条 ， 考虑这些：我们使用Sigmoid曲线计算神经元的输出如果输出是一个大的正（或负）数，这意味着神经元采用这种（或另一种）方式从图四可以看出 ， 在较大数值处，Sigmoid曲线斜率小如果神经元认为当前权重是正确的 ， 就不会对它进行很大调整 。乘以Sigmoid曲线斜率便可以实现这一点Sigmoid曲线的斜率可以通过求导得到：把第二个等式代入第一个等式里，得到调整权重的最终公式：当然有其他公式 ， 它们可以使神经元学习得更快，但是这个公式的优点是非常简单 。构造Python代码虽然我们没有使用神经网络库 ， 但是将导入Python数学库numpy里的4个方法 。分别是：exp－－自然指数array－－创建矩阵dot－－进行矩阵乘法random－－产生随机数比如，我们可以使用array()方法表示前面展示的训练集：“.T”方法用于矩阵转置（行变列） 。所以，计算机这样存储数字：我觉得我们可以开始构建更优美的源代码了 。给出这个源代码后，我会做一个总结 。我对每一行源代码都添加了注释来解释所有内容 。注意在每次迭代时，我们同时处理所有训练集数据 。所以变量都是矩阵（二维数据表格） 。下面是一个用Python写地完整的示例代码 。我们做到了！我们用Python构建了一个简单的神经网络！首先神经网络对自己赋予随机权重，然后使用训练集训练自己 。接着，它考虑一种新的情形[1, 0, 0]并且预测了0.99993704 。正确答案是1 。非常接近！传统计算机程序通常不会学习 。而神经网络却能自己学习，适应并对新情形做出反应，这是多么神奇，就像人类一样 。

    推荐阅读


    上一篇：手机上如何编辑电子版文件，手机怎么做电子版文件

    下一篇：编程模拟器中文版，有没有手机java模拟器