Python核心

Tensorflow快速浏览 高级深度学习API tf.keras tf.estimator 底层深度学习API tf.nn tf.losses tf.metrics tf.optimizers tf.train tf.initializers 自动微分 tf.GradientT

用Keras进行迁移学习 假如Fashion MNIST数据集包含了8个类别，例如，除凉鞋和衬衫之外的所有类别。有人在该数据集上建立并训练的Keras模型，并获得了相当不错的性能（精度>90%）。将此模型称为模型A。现在要处理另一项任务：有凉鞋和衬衫的图像，想要训练一个二元

IMDB数据集 它包含来自互联网电影数据库（IMDB）的50000条严重两极分化的评论 数据集被分为用于训练的25000条评论与用于测试的25000条评论 训练集和测试集都包含50%的正面评论和50%的负面评论 加载IMDB数据集 import tensorflow as tf

构造字典 DIAL_COODES=[ # 一个承载成对数据的列表，可以直接用在字典的构造方法中 (86,'China'), (91,'India'), (1,'United States'), (62,'Indonesia&

import os import tarfile import urllib DOWNLOAD_ROOT = 'https://raw.githubusercontent.com/ageron/handson-ml2/master/' HOUSING_PATH =

from sklearn.datasets import load_iris import numpy as np from scipy import sparse import matplotlib.pyplot as plt import pandas as pd from

什么是可散列的数据类型 在Python词汇表（https://docs.python.org/3/glossary.html#term-hashable）中，关于可散列类型的定义有这样一段话： 如果一个对象是可散列的，那么在这个对象的生命周期中，它的散列值是不变 的，而且这个对象

数组 from array import array # 引入数组类型 from random import random floats=array('d',(random()for i in range(10**7))) # 利用一个可迭代对象来创建一个双精度浮

为什么切片和区间会忽略最后一个元素 当只有最后一个位置信息时，可以快速看出切片和区间里有几个元素：range(3)和my_list[:3]都返回三个元素 当起止位置信息都可见时，我们可以快速计算出切片和区间长度，用最后一个数减去第一个下标（stop-start)即可 方便用任意一

from collections import namedtuple City=namedtuple('City','name country population coordinates') '''创建一个具名元组需要两个