Python 风格的关键完全体现在 Python 的数据模型上，数据模型所描述的 API ，为使用最地道的语言特性来构建开发者自己的对象提供了工具。
成都创新互联公司专注于企业成都全网营销推广、网站重做改版、遂昌网站定制设计、自适应品牌网站建设、H5场景定制、商城网站建设、集团公司官网建设、外贸网站建设、高端网站制作、响应式网页设计等建站业务，价格优惠性价比高，为遂昌等各大城市提供网站开发制作服务。
当 Python 解析器遇到特殊句法时，会使用特殊方法去激活一些基本的对象操作。特殊方法以双下划线开头，以双下划线结尾。如： obj[key] 的背后就是 __getitem__ 方法。魔术方法是特殊方法的昵称，特殊方法也叫双下方法。
使用 __getitem__ 和 __len__ 创建一摞有序的纸牌：
上面的例子，使用 collections.namedtuple 构建了一个简单的类来表示一张纸牌， namedtuple 用以构建只有少数属性但没有方法的类。
我们自定义的 FrenchDeck 类可以像任何 python 标准集合类型一样使用 len() 函数，查看一叠牌有多少张：
也可以像列表一样，使用位置索引， d[i] 将调用 __getitem__ 方法：
也可以使用标准库模块提供的 random.choice 方法，从序列中随机选取一个元素。下面，我们如随机取出一张纸牌：
现在我们已经体会到通过 python 特殊方法，来使用 Python 数据模型的 2 个好处：
因为 __getitem__ 方法把 [] 操作交给了 self.cards 列表，所以我们的 FrenchDeck 实例自动支持切片：
仅仅实现了 __getitem__ 方法，这一摞牌即变得可迭代：
运行结果：
也可以直接调用内置的 reversed 函数，反向迭代 FrenchDeck 实例：
运行结果：
迭代通常是隐式的，比如一个集合类型没有实现 __contains__ 方法，那么 in 运算符就会按顺序做一次迭代搜索。
因此， in 运算符可以用在我们的 FrenchDeck 实例上，因为它是可迭代的：
FrenchDeck 还可以使用 Python 标准库中的 sorted 函数，实现排序：
首先定义一个排序依据的函数：
优先按 rank 的大小排序，rank 相同时则比较 suit 的值：
运行结果：
优先按 suit 的大小排序，suit 相同时则比较 rank 的值：
运行结果：
按照目前的设计，FrenchDeck 还不支持洗牌，因为它是不可变的：
shuffle 函数要调换集合中元素的位置，而 FrenchDeck 只实现了不可变的序列协议，可变的序列还必须提供 __setitem__ 方法：
洗牌：
没有任何的返回值，可见 random.shuffle 就地修改了可变序列 d 。为便于观察结果，我们定义输入的输出函数：
运行结果：
每次洗牌，都是一个随机的序列：
首先明确一点，特殊方法的存在是为了被 Python 解析器调用的，例如：我们不会使用 obj.__len__() 这种写法，而是 len(obj) 。在执行 len(obj) 时，如果 obj 是一个自定义类的对象，那么 Python 会自己去调用我们实现的 __len__ 方法。
对于 Python 内置的数据类型，比如列表、字符串、字节序列等，那么 CPython 会抄个近路， __len__ 实际上会返回 PyVarObject 里的 ob_size 属性，这是因为直接读取属性比调用一个方法要快得多。
很多时候，特殊方法的调用是隐式的，比如 for i in x: 这个语句其实是调用 iter(x) ，而这个函数的背后是 x.__iter__() 方法。
通过内置函数如来使用特殊方法是最好的选择。这些内置函数不仅会调用这些方法，通常还提供额外的好处，对于内置类型来说，它们的速度更快。
下面，我们通过定义一个简单的二维向量类，再来体会一下 Python 特殊方法的美妙：
使用 Vector 类，就像使用 Python 内置的数据类型一样简单：
map() 函数接受两个参数，一个是函数，一个是可迭代对象（Iterable）, map 将传入的函数依次作用到可迭代对象的每一个元素，并把结果作为迭代器(Iterator)返回。
举例说明，有一个函数 f(x)=x^2 ，要把这个函数作用到一个list [1,2,3,4,5,6,7,8,9] 上：
运用简单的循环可以实现：
运用高阶函数 map() ：
结果 r 是一个迭代器，迭代器是惰性序列，通过 list() 函数让它把整个序列都计算出来并返回一个 list 。
如果要把这个list所有数字转为字符串利用 map() 就简单了：
小练习：利用 map() 函数，把用户输入的不规范的英文名字变为首字母大写其他小写的规范名字。输入 ['adam', 'LISA', 'barT'] ,输出 ['Adam', 'Lisa', 'Bart']
reduce() 函数也是接受两个参数，一个是函数，一个是可迭代对象， reduce 将传入的函数作用到可迭代对象的每个元素的结果做累计计算。然后将最终结果返回。
效果就是： reduce(f, [x1, x2, x3, x4]) = f(f(f(x1, x2), x3), x4)
举例说明，将序列 [1,2,3,4,5] 变换成整数 12345 ：
小练习：编写一个 prod() 函数，可以接受一个 list 并利用 reduce 求积：
map() 和 reduce() 综合练习：编写 str2float 函数，把字符串 '123.456' 转换成浮点型 123.456
filter() 函数用于过滤序列， filter() 也接受一个函数和一个序列， 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。
举例说明，删除list中的偶数:
小练习：用 filter() 求素数
定义一个筛选函数：
定义一个生成器不断返回下一个素数：
打印100以内素数：
python内置的 sorted() 函数可以对list进行排序：
sorted() 函数也是一个高阶函数，还可以接受一个 key 函数来实现自定义排序：
key 指定的函数将作用于list的每一个元素上，并根据 key 函数返回的结果进行排序.
默认情况下，对字符串排序，是按照ASCII的大小比较的，由于'Z' 'a'，结果，大写字母Z会排在小写字母a的前面。如果想忽略大小写可都转换成小写来比较：
要进行反向排序，不必改动key函数，可以传入第三个参数 reverse=True ：
小练习：假设我们用一组tuple表示学生名字和成绩： L = [('Bob', 75), ('Adam', 92), ('Bart', 66), ('Lisa', 88)] 。用sorted()对上述列表分别按c成绩从高到低排序：
运用匿名函数更简洁：
reverse是python一个列表的内置函数，是列表独有的，用于列表中数据的反转，颠倒。也就是说，在字典，字符串或者元组中，是没有这个内置方法的，其作用主要是用于反向列表中元素。其实，这一步操作的返回值是一个None，其作用的结果，需要通过打印被作用的列表才可以查看出具体的效果。
reverse双语例句：
1、She did the reverse of what I told her.
我告诉她怎么做，但她却做得与我告诉她的相反。
2、Once you consciously notice this anomaly it is too late to reverse it.
一旦你有意识地注意到这种异常，要反转它已太迟了。
3、In the reverse direction the thyristor cannot be turned on.
如果是相反方向，半导体闸流管无法开启。
a = input("输入一个三位数")
target = ""
for i in reversed(a):
target += i
print(target)
从零开始用Python构建神经网络
动机：为了更加深入的理解深度学习，我们将使用 python 语言从头搭建一个神经网络，而不是使用像 Tensorflow 那样的封装好的框架。我认为理解神经网络的内部工作原理，对数据科学家来说至关重要。
这篇文章的内容是我的所学，希望也能对你有所帮助。
神经网络是什么?
介绍神经网络的文章大多数都会将它和大脑进行类比。如果你没有深入研究过大脑与神经网络的类比，那么将神经网络解释为一种将给定输入映射为期望输出的数学关系会更容易理解。
神经网络包括以下组成部分
? 一个输入层，x
? 任意数量的隐藏层
? 一个输出层，?
? 每层之间有一组权值和偏置，W and b
? 为隐藏层选择一种激活函数，σ。在教程中我们使用 Sigmoid 激活函数
下图展示了 2 层神经网络的结构(注意：我们在计算网络层数时通常排除输入层)
2 层神经网络的结构
用 Python 可以很容易的构建神经网络类
训练神经网络
这个网络的输出 ? 为：
你可能会注意到，在上面的等式中，输出 ? 是 W 和 b 函数。
因此 W 和 b 的值影响预测的准确率. 所以根据输入数据对 W 和 b 调优的过程就被成为训练神经网络。
每步训练迭代包含以下两个部分:
? 计算预测结果 ?，这一步称为前向传播
? 更新 W 和 b,，这一步成为反向传播
下面的顺序图展示了这个过程：
前向传播
正如我们在上图中看到的，前向传播只是简单的计算。对于一个基本的 2 层网络来说，它的输出是这样的：
我们在 NeuralNetwork 类中增加一个计算前向传播的函数。为了简单起见我们假设偏置 b 为0：
但是我们还需要一个方法来评估预测结果的好坏(即预测值和真实值的误差)。这就要用到损失函数。
损失函数
常用的损失函数有很多种，根据模型的需求来选择。在本教程中，我们使用误差平方和作为损失函数。
误差平方和是求每个预测值和真实值之间的误差再求和，这个误差是他们的差值求平方以便我们观察误差的绝对值。
训练的目标是找到一组 W 和 b，使得损失函数最好小，也即预测值和真实值之间的距离最小。
反向传播
我们已经度量出了预测的误差(损失)，现在需要找到一种方法来传播误差，并以此更新权值和偏置。
为了知道如何适当的调整权值和偏置，我们需要知道损失函数对权值 W 和偏置 b 的导数。
回想微积分中的概念，函数的导数就是函数的斜率。
梯度下降法
如果我们已经求出了导数，我们就可以通过增加或减少导数值来更新权值 W 和偏置 b(参考上图)。这种方式被称为梯度下降法。
但是我们不能直接计算损失函数对权值和偏置的导数，因为在损失函数的等式中并没有显式的包含他们。因此，我们需要运用链式求导发在来帮助计算导数。
链式法则用于计算损失函数对 W 和 b 的导数。注意，为了简单起见。我们只展示了假设网络只有 1 层的偏导数。
这虽然很简陋，但是我们依然能得到想要的结果—损失函数对权值 W 的导数(斜率)，因此我们可以相应的调整权值。
现在我们将反向传播算法的函数添加到 Python 代码中
为了更深入的理解微积分原理和反向传播中的链式求导法则，我强烈推荐 3Blue1Brown 的如下教程：
Youtube：
整合并完成一个实例
既然我们已经有了包括前向传播和反向传播的完整 Python 代码，那么就将其应用到一个例子上看看它是如何工作的吧。
神经网络可以通过学习得到函数的权重。而我们仅靠观察是不太可能得到函数的权重的。
让我们训练神经网络进行 1500 次迭代，看看会发生什么。 注意观察下面每次迭代的损失函数，我们可以清楚地看到损失函数单调递减到最小值。这与我们之前介绍的梯度下降法一致。
让我们看看经过 1500 次迭代后的神经网络的最终预测结果：
经过 1500 次迭代训练后的预测结果
我们成功了!我们应用前向和方向传播算法成功的训练了神经网络并且预测结果收敛于真实值。
注意预测值和真实值之间存在细微的误差是允许的。这样可以防止模型过拟合并且使得神经网络对于未知数据有着更强的泛化能力。
下一步是什么?
幸运的是我们的学习之旅还没有结束，仍然有很多关于神经网络和深度学习的内容需要学习。例如：
? 除了 Sigmoid 以外，还可以用哪些激活函数
? 在训练网络的时候应用学习率
? 在面对图像分类任务的时候使用卷积神经网络
我很快会写更多关于这个主题的内容，敬请期待!
最后的想法
我自己也从零开始写了很多神经网络的代码
虽然可以使用诸如 Tensorflow 和 Keras 这样的深度学习框架方便的搭建深层网络而不需要完全理解其内部工作原理。但是我觉得对于有追求的数据科学家来说，理解内部原理是非常有益的。
这种练习对我自己来说已成成为重要的时间投入，希望也能对你有所帮助
