从 Python到Tensorflow 学习之路(二)

Bertha 。 2022-06-03 07:24 315阅读 0赞

--------------------

最近毕业设计题目是研究对抗样本,要用tensorflow来搭建神经网络,因此python必不可少,这个不是一个传统的Python学习教程只是把学习Python过程中遇到的问题和经验记录下来(**基于Python3.5**),如果想要一步一步学习Python建议看下面的网站。  
[Python学习教程][Python]

--------------------

## Python中的迭代 ##

### 只要是可迭代对象，无论是否有下标，都可以迭代，例如dict: ###

# -*- coding: utf-8 -*-
    
    dict = {
       'a':1, 'b':2,'c':3}
    # 默认情况下dict迭代的是key, dict存储不是按照list存储, 所以迭代的结果很可能不一样
    for key in dict:
        print(key)
    
    # 迭代value
    for value in dict.values():
        print(value)
    
    # 迭代value和key
    for key,value in dict.items():
        print(key, value)

### 判断一个类型是否可以迭代 ###

# 判断一个类型是否可以迭代
    from collections import Iterable
    
    print(isinstance('abc', Iterable))
    
    print(isinstance([1,  2, 3], Iterable))
    
    print (isinstance(123, Iterable))

### 对list实现类似Java的下标循环，让其变成索引元素对 ###

l = ['a', 'b', 'd', 'e']
    
    for index, value in enumerate(l):
        print(index, value)

### 列表生成式即List Comprehensions, 可以用来创建list的生成式 ###

print (list(range(1, 11)))
    
    print ([x*x for x in range(1, 11)])
    
    # 生成全排列
    print ([m+n for m in 'ABC' for n in 'DEF'])
    
    # 列出当前目录下的所有文件和目录名
    import os
    print([d for d in os.listdir('.')])

### 通过列表生成式，我们可以直接创建一个列表。但是，受到内存限制，列表容量肯定是有限的。而且，创建一个包含几百万个元素的列表，不仅占用很大的存储空间，如果我们仅仅需要访问前面几个元素，那后面绝大多数元素占用的空间都白白浪费了。从下面可以看出生成式g有点神似指针。。。 ###

# 生成式
    g = (x*x for x in range(1, 11))
    print(g)
    
    # output: <generator object <genexpr> at 0x7f2518e03910>
    
    print(next(g))
    # output: 1
    
    print(next(g))
    # output: 4
    
    for i in g:
        print(i)
    # !注意输出为9, 16, ...
    
    # 利用yield产生斐波那契数列
    def fib(n):
        i, a, b = 0, 0, 1
        while i < n:
            yield b
            a, b = b, a+b
            i = i + 1
        return 'done'
    
    f = fib(6)
    
    for i in f:
        print(i)

### 可以直接作用于for循环的数据类型有以下几种： ###

>  *  一类是集合数据类型，如list、tuple、dict、set、str等
>  *  一类是generator，包括生成器和带yield的generator function  
>     这些可以直接作用于for循环的对象统称为**可迭代对象:Iterable**

from collections import Iterable
    
    # 使用isinstance判断一个对象是否是Iterable对象
    print(isinstance([], Iterable))
    # output: True
    
    print(isinstance((), Iterable))
    # output: True
    
    print(isinstance('abc', Iterable))
    # output: True
    
    print(isinstance((x*x for x in range(10)), Iterable))
    # output: True
    
    print(isinstance(100,Iterable))
    # output: False

### **Iterator对象**：生成器不但可以作用于for循环，还可以被next()函数不断调用并返回下一个值，直到抛出`stopIteration`错误表示无法继续获取下一个值。可以被next()函数调用并且不断返回下一个值的对象叫做**迭代器**，可以使用`isinstance()`判断一个对象是否是`Iterator`对象。 ###

### 将list、dict、str等Iterable对象变成Iterator，使用`iter()`函数 ###

print(isinstance(iter(()), Iterator))
    # output:True
    
    print(isinstance(iter([]), Iterator))
    # output:True

### Python中的`Iterator`对象表示的是一个数据流，Iterator对象可以被`next()`函数调用并不断返回下一个数据，直到没有数据时抛出`StopIteration`错误。可以把这个数据流看做是一个有序序列，但是我们不能提前直到序列的长度，只能不断通过`next()`函数按需计算下一个数据，所以`Iterator`的计算是惰性的，只有在需要返回下一个数据时它才会计算。`Iterator`甚至可以表示一个无限大的数据，例如全体自然数，然而list不行。 ###

### for循环的本质 ###

it = iter([1, 2, 3, 4, 5])
    
    while True:
        try:
            print(next(it))
        except StopIteration:
            break

## Python中的函数式编程 ##

### 变量可以指向函数：函数本身也可以赋值给变量，通过变量可以调用函数 ###

print(abs(-1.5))
    # output: 1.5
    
    print(abs)
    # output: <built-in function abs>
    
    f = abs
    print(f(-1.5))
    # output: 1.5

### 传入函数：一个函数可以接收另一个函数作为参数,这种函数就称之为**高阶函数** ###

def add(x, y, f):
        return f(x)+f(y)
    
    
    print(add(1, -1, abs))
    # output: 2

## Map、reduce函数 ##

### map函数接收两个参数，一个是函数，一个是`Iterable`，map将传入的函数依次作用到序列的每个元素，并且把结果作为新的`Iterator`返回。 ###

def f(x):
        return x*x
    
    
    r = map(f, [1, 2, 3, 4, 5, 6])
    print(list(r))
    
    res_str = map(str, [1, 2, 3, 4, 5, 6])
    print(list(res_str))

### reduce函数把一个函数作用在一个序列\[x1,x2,x3,…\]上，这个函数必须接收两个参数，reduce把结果继续和序列的下一个元素做累积计算，即： ###

*r**e**d**u**c**e*(*f*,\[*x*1,*x*2,*x*3\])=*f*(*f*(*x*1,*x*2),*x*3)

from functools import reduce
    
    
    def fn(x, y):
        return x * 10 + y
    
    
    print(reduce(fn, [1, 4, 3, 3]))
    # output:1433
    
    
    def char2num(s):
        digits = {
       '0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}
        return digits[s]
    
    
    print(reduce(fn, map(char2num, '1433')))

### 利用lambda函数整理成一个str2int函数 ###

from functools import reduce
    
    DIGITS = {
       '0': 0, '1': 1, '2': 2, '3': 3, '4': 4, '5': 5, '6': 6, '7': 7, '8': 8, '9': 9}
    
    
    def char2num(s):
        return DIGITS[s]
    
    
    def str2num(s):
        return reduce(lambda x, y: 10*x+y, map(char2num, s))
    
    
    print(str2num('1433'))

## filter ##

### `filter()`函数用于过滤序列， 和`map()`类似，`filter()`函数也接收一个函数和一个队列。和`map()`不同的是，`filter()`把传入的函数依次作用于每个元素，然后根据返回值是`True`还是`False`决定保留还是丢弃该元素。 ###

# 筛选奇数
    
    
    def is_odd(n):
        return n % 2 == 1
    
    
    print(list(filter(is_odd, [1, 2, 4, 3])))
    # filter产生的是惰性序列即Iterator, 需要用list函数获得所有结果, output:[1, 3]

## sorted ##

print(sorted([1, 2, 3, -1, 2], key=abs))
    # output:[1, -1, 2, 2, 3]
    
    print(sorted(['bob', 'alice', 'John', 'hinton'], key=str.lower, reverse=True))
    # output:['John','hinton','bob','alice']

## 返回函数 ##

def lazy_sum(*args):
        def sum():
            res = 0
            for n in args:
                res += n
            return res
        return sum
    
    
    f = lazy_sum(1, 2, 3, 4, 5)
    print(f)
    # output: <function lazy_sum.<locals>.sum at 0x7f995d0fb840>
    print(f())
    # output: 15
    
    f1 = lazy_sum(0, 1)
    f2 = lazy_sum(1, 2)
    print(f1 == f2)
    # output: False

### 一个函数可以返回一个计算结果，也可以返回一个函数。当返回一个函数时，这个函数并未执行，返回函数中不要引用任何可能会变化的变量。 ###

def count():
        fs = []
        for i in range(1, 4):
            def f():
                return i * i
            fs.append(f)
        return fs
    
    
    f1, f2, f3 = count()
    print(f1())
    print(f2())
    print(f3())
    # output:9 9 9
    # 返回函数引用了变量i, 但它并非立刻被执行.等到三个函数都返回时，它们所引用的变量i已经变成了3,因此最终结果为9

### 修改后 ###

def count():
        def g(j):
            def f():
                return j*j
            return f
        fs = []
        for i in range(1, 4):
            fs.append(g(i))
        return fs
    
    
    f1, f2, f3 = count()
    print(f1())
    print(f2())
    print(f3())
    # output:1, 4, 9

## 匿名函数 ##

### 关键字lambda表示匿名函数，冒号前面的表示函数参数。匿名函数可以作为返回值返回 ###

print(list(map(lambda x: x*x, [1, 2, 3])))
    # output: [1, 4, 9]
    
    f = lambda x: x*x
    print(f)
    # output:<function <lambda> at 0x7f6966041f28>
    
    def cacl(x, y):
        return lambda:x*x+y*y
    print(cacl(1,3))
    # output:<function cacl.<locals>.<lambda> at 0x7efc34e652f0>
    print(cacl(1,3)())
    # output: 10

## 装饰器 ##

### 函数也是一个对象，而且函数对象可以被赋值給变量，所以通过变量也能调用该函数。通过函数对象的一个属性`__name__`，我们可以得到函数的名字。 ###

def now():
        print('2017-12-21')
    
    
    f = now
    print(f.__name__)
    # output:now

### 如果我们要增强`now()`函数的功能，比如在函数调用前后自动打印日志，但是又不希望修改`now()`函数的定义，这种在代码运行期间动态增加功能的方式，称之为“装饰器(Decorator)” ###

def log(func):
        def warpper(*args, **kw):
            print('call %s():' % func.__name__)
            return func(*args, **kw)
        return warpper
    
    
    @log
    def now():
        print('2017-12-21')
    
    
    # output:call now()
    # 2017-12-21

### 把`@log`放到`now()`函数的定义处，相当于执行了语句`now = log(now)`。由于`log()`是一个decorator，返回一个函数，所以原来的`now()`函数仍然存在，只是现在同名的`now`变量指向了新的函数，于是调用`now()`将执行新函数，即在`log()`函数中返回的`wrapper()`函数。`wrapper()`函数的参数定义是`(*args, **kw)`，因此，`warpper()`函数可以接受任意参数的调用。在`wrapper()`函数内，首先打印日志，再紧接着调用原始函数。 ###

### 如果decorator本身需要传入参数，那么需要编写一个返回decorator的高阶函数，如定义log的文本： ###

def log(text):
        def decorator(func):
            def wrapper(*args, **kw):
                print('%s %s():' % (text, func.__name__))
                return func(*args, **kw)
            return wrapper
        return decorator
    
    
    @log('execute')
    def now():
        print('2017-12-21')
    
    
    now()
    
    # output:execute now():
    # 2017-12-21
    
    print(now.__name__)
    # wrapper

### 和两层嵌套的decorator相比，三层嵌套的效果是这样的：`now=log('execute')(now)`，首先执行`log('execute')`，返回的是`decorator`函数，再调用返回的参数，参数是`now`函数，返回值最终是`wrapper`函数。但是函数也是对象，它有**name**等属性，但上面代码中的经过`decorator`装饰过的函数，它们的名字已经从原来的`now`变成了`wrapper`。 ###

### 我们需要把原始函数的各种属性复制到`wrapper()`函数中，否则有些依赖函数签名的代码执行就会出错。修改后如下 ###

import functools
    
    
    def log(text):
        def decorator(func):
            @functools.wraps(func)
            def wrapper(*args, **kw):
                print('%s %s():' % (text, func.__name__))
                return func(*args, **kw)
            return wrapper
        return decorator
    
    
    @log('execute')
    def now():
        print('2017-12-21')
    
    
    now()
    
    # output:execute now():
    # 2017-12-21
    
    print(now.__name__)
    # now

## 偏函数 ##

import functools
    
    print(int('12345'))
    
    print(int('12345', base=8))
    
    # 如果要转换大量的二进制字符串，每次都传入int(x, base=2)太麻烦，容易想到的方法如下
    
    
    def int2(s, base=2):
        return int(s, base)
    
    
    print(int2('10000'))
    # output:16
    
    
    # 使用偏函数
    
    int2 = functools.partial(int, base=2)
    print(int2('11'))
    # output:3
    ''' 
       int2('11')相当于kw={'base': 2} int('11', **kw)
       当传入max2 = functools.partial(max, 10)实际上会把10作为*args的一部分自动加到左边，也就是：
       max2(5, 6, 7)相当于args=(10, 5, 6, 7) max(*args)
    '''

### `functools.partial`的作用就是，把函数的某些参数给固定住，返回一个新的函数，调用这个新函数会更加简单。创建偏函数时，实际上可以接收函数对象、`*args`、`**kw`三个参数 ###

## 我们下期见！～ ##

--------------------

[Python]: https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000