python第一周

类

class定义类

class 类名：

def __init__(self, 参数, …): # 构造函数 ...

def 方法名1(self, 参数, …): # 方法1 ...

def 方法名2(self, 参数, …): # 方法2...

1.这里有一个特殊的__init__方法，这是进行初始化的方法，也称为构造 函数（constructor）,只在生成类的实例时被调用一次。

2.在方法的第一 个参数中明确地写入表示自身（自身的实例）的self是Python的一个特点

Python中可 以像self.name这样，通过在self后面添加属性名来生成或访问实例变量。

例：创建一个类man.py

class Man:
 def __init__(self, name):
 self.name = name
 print("Initialized!")
 def hello(self):
 print("Hello " + self.name + "!")
 def goodbye(self):
 print("Good-bye " + self.name + "!")
m = Man("David")
m.hello()
m.goodbye()

从终端运行man.py

$ python man.py
Initialized!
Hello David!
Good-bye David!

NumPy

1.需先导入NumPy库 >>> import numpy as np（NumPy相关的方法均可通过np来调用。）

2.生成NumPy数组

>>> x = np.array([1.0, 2.0, 3.0])
>>> print(x)
[ 1. 2. 3.]
>>> type(x)

3.　NumPy 的算术运算

>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y # 对应元素的加法
array([ 3., 6., 9.])
>>> x - y
array([ -1., -2., -3.])
>>> x * y # element-wise product
array([ 2., 8., 18.])
>>> x / y
array([ 0.5, 0.5, 0.5])

注意：数组x和数组y的元素个数是相同的

4.NumPy的N维数组

NumPy不仅可以生成一维数组（排成一列的数组），也可以生成多维数组。 比如，可以生成如下的二维数组（矩阵）。

>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
[[1 2]
 [3 4]]
>>> A.shape
(2, 2)
>>> A.dtype
dtype('int64')

广播

因为NumPy有广播功能，所以不同形状的数组之间也可以顺利 地进行运算

>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([10, 20])
>>> A * B

访问元素

>>> X = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(X)
[[51 55]
 [14 19]
 [ 0 4]]
>>> X[0] 

 Matplotlib

1.用matplotlib的pyplot模块绘制图形

import numpy as np
import matplotlib.pyplot as plt
# 生成数据
x = np.arange(0, 6, 0.1) # 以0.1为单位，生成0到6的数据
y = np.sin(x)
# 绘制图形
1.6 Matplotlib  17
plt.plot(x, y)
plt.show()

感知机 使用权重和偏置的实现

与门 或门 非门

def AND(x1, x2):
 x = np.array([x1, x2])
 w = np.array([0.5, 0.5])
 b = -0.7
 tmp = np.sum(w*x) + b
 if tmp <= 0:
 return 0
 else:
 return 1

def NAND(x1, x2):
 x = np.array([x1, x2])
 w = np.array([-0.5, -0.5]) # 仅权重和偏置与AND不同！
 b = 0.7
 tmp = np.sum(w*x) + b
 if tmp <= 0:
 return 0
 else:
 return 1


def OR(x1, x2):
x = np.array([x1, x2])
 w = np.array([0.5, 0.5]) # 仅权重和偏置与AND不同！
 b = -0.2
 tmp = np.sum(w*x) + b
 if tmp <= 0:
 return 0
 else:
 return 1

异或门

def XOR(x1, x2):
 s1 = NAND(x1, x2)
 s2 = OR(x1, x2)
 y = AND(s1, s2)
 return y