- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
列表生成式
列表生成式，即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式 运用列表生成式，可以快速生成list，可以通过一个list推导出另一个list 可通过循环来达到 list生成list目的，但列表生成式更加简洁 但是，列表容量是有限的，会受到内存限制 使用示例： 列表生成式 写列表生成式时，把要生成的元素放到前面，后面跟for循环就可以把list创建出来， 十分有用，列表生成式一定要用[]括起来 print([x * x for x in range(1, 11)]) #输出：[1, 4, 9, 16, 25, 36, 49, 64, 81, 100 ]，使用列表生成式生成list，该list是原list对应元素的平方 使用if语句 print([x * x for x in range(1, 11) if x % 2 == 0]) #输出 in d.items()]) #输出：['y=B', 'x=A', 'z=C'] #for循环其实可以同时使用两个甚至多个变量，比如dict的items()可以同时迭代key和value,列表生成式也可以使用两个变量来生成
80920发布于 2020-01-16 - 来自专栏python学习指南
python生成式
本篇将介绍Python的列表生成式，更多内容请参考:Python列表生成式 列表生成式即List Comprehensions,是Python内置的非常简单却强大的可以用来创建list的生成式。 list: >>>[x*x for x in range(1, 11)] [1, 4, 16, 25, 36, 49, 64, 81, 100] 写列表生成式时，把要生成的元素x * x放在前面，后面跟 运用列表生成式，可以写出非常简洁的代码。 {'X':'A', 'y':'B', 'z':'C'} >>>for k, v in d.items(): print(k, '=', 'v') y = B x = A z = C 因此，列表生成式也可以使用两个变量来生成 [x.upper() for x in L if isinstance(x, str)] 参考 列表生成式--学习笔记 廖雪峰-生成式
98180发布于 2018-01-17 - 来自专栏python3
字典生成式
目录 字典生成式(掌握) zip()方法(掌握) 字典生成式(掌握) print({i: i**2 for i in range(10)}) {0: 0, 1: 1, 2: 4, 3: 9, 4: 16 keys,values): <zip object at 0x11074c088> info_dict: {'name': 'nick', 'age': 19, 'sex': 'male'} 通过解压缩函数生成一个字典
58510发布于 2020-01-16 - 来自专栏祥的专栏
列表生成式
参考文献 Python列表生成式 Python文档整理目录： https://blog.csdn.net/humanking7/article/details/80757533 0. 基础 列表生成式 就是一个用来生成列表的 特定语法形式 的 表达式 列表生成式 即List Comprehensions，是Python内置的非常简单却强大的可以用来创建list的生成式 1.1
99230发布于 2020-03-10 - 来自专栏后端架构
生成式之DCGAN生成漫画头像
DCGAN原理 DCGAN是GAN的扩展，使用卷积和转置卷积层来分别构建判别器和生成器。 本教程将使用动漫头像数据集来训练该网络，并生成动漫头像图片。 生成器 生成器 G 的作用是将隐向量 z 映射到数据空间，创建与真实图像大小相同的 RGB 图像。 循环训练网络，每经过50次迭代，就收集生成器和判别器的损失，以便于后面绘制训练过程中损失函数的图像。 结果展示 生成的图片例子 训练次数增多，图像质量也越来越好。 当训练周期数达到50以上时，生成的动漫头像与数据集中的相似。接下来通过加载生成器网络模型参数文件来生成图像。 总结 使用DCGAN（深度卷积生成对抗网络）生成动漫头像图片。 包括数据准备与处理、生成器网络结构、判别器网络结构、损失函数和优化器设置、模型训练过程以及最终生成的动漫头像图片展示。
49710编辑于 2024-07-19 - 来自专栏python3
Python 列表生成式
1.1 列表生成式 Python内置的非常简单却强大的可以用来创建list的生成式。 要生成[1x1, 2x2, 3x3, ..., 10x10]怎么做 >>> L = [] >>> for i in range(1, 6): --循环 ... . >>> L [1, 4, 9, 16, 25] >>> [x * xfor x in range(1, 6)] --列表生成式 [1, 4, 9, 16, 25] x * x要生成的元素放在前面 ，后还可以跟if语句 >>> [x * xfor x in range(1, 6) if x % 2 == 0] [4, 16] 两层循环，生成全排列 >>> [m + nfor m in 'ABC' ICEauthority', '.metacity', '.gstreamer-0.10','.bash_history', '.eggcups', '.mysql_history', 'shell'] dict的列表生成式
1K10发布于 2020-01-10 - 来自专栏王的机器
生成式 AI 简介
这个科技就是生成式人工智能 (Generative Artificial Intelligence, GenAI)，现在只是 GenAI 革命的开始，现在是学习 GenAI 的最佳时机。 1. 生成模型对 p(x) 建模，直接估计特征 x 的概率，从这个概率分布中采样即可生成新的特征。 由此可见，生成模型比判别模型要困难很多。 2. 生成模型的框架 了解生成模型框架之前，让我们先玩一个游戏。 normalizing FLOW model) 但是对密度函数做逼近，比如变分自动编码器 (variational autoencoder, VAE) 和扩散模型 (diffusion model) 对密度函数隐式建模 比如生成对抗网络 (generative adversarial network, GAN) 总结 生成式人工智能 (GenAI) 是一种可用于创建新的内容和想法 (包括文字、图像、视频和音乐) 的人工智能
68430编辑于 2023-09-02 - 来自专栏自学气象人
生成式 AI 简介
这个科技就是生成式人工智能 (Generative Artificial Intelligence, GenAI)，现在只是 GenAI 革命的开始，现在是学习 GenAI 的最佳时机。 1. 生成模型对 p(x) 建模，直接估计特征 x 的概率，从这个概率分布中采样即可生成新的特征。 由此可见，生成模型比判别模型要困难很多。 2. 生成模型的框架 了解生成模型框架之前，让我们先玩一个游戏。 normalizing FLOW model) 但是对密度函数做逼近，比如变分自动编码器 (variational autoencoder, VAE) 和扩散模型 (diffusion model) 对密度函数隐式建模 比如生成对抗网络 (generative adversarial network, GAN) 总结 生成式人工智能 (GenAI) 是一种可用于创建新的内容和想法 (包括文字、图像、视频和音乐) 的人工智能
67310编辑于 2023-09-05 - 来自专栏数据派THU
生成式模型与辨别式模型
分类模型可以分为两大类:生成式模型与辨别式模型。本文解释了这两种模型类型之间的区别，并讨论了每种方法的优缺点。 生成式模型在估计类概率之前学习输入的分布。 区别和优缺点 生成式模型和辨别式模型的主要区别在于它们学习的目标不同。生成式模型学习输入数据的分布，可以生成新的数据样本。辨别式模型学习输入数据和输出标签之间的关系，可以预测新的标签。 对数据分布的假设比较强，因为生成式模型要建立输入数据和输出数据之间的联合分布，需要对数据的分布进行假设和建模，因此对于复杂的数据分布，生成式模型在小规模的计算资源上并不适用。 生成模型可以处理多模态数据，因为生成式模型可以建立输入数据和输出数据之间的多元联合分布，从而能够处理多模态数据。
78320编辑于 2023-05-11 - 来自专栏慕枫技术笔记
深入理解生成式AI技术原理：初识生成式AI
真正的大师永远怀着一颗学徒的心 如果将人工智能按照用途进行简单分类的话，人工智能可以划分为决策式AI以及生成式AI两类。 而以ChatGPT为代表的生成式AI通过对大量数据的联合概率进行学习，对已有的数据和知识进行归纳总结，同时结合深度学习技术，自动生成新的内容，而新生成的内容可以是文字、图片甚至是视频等多模态内容。 深度学习 深度学习是生成式AI背后比较核心的实现技术，它是机器学习的重要优化手段，而机器学习又是人工智能领域重要的落地实现措施。 这种无监督学习和有监督学习相结合的方法在人工智能领域掀起了深度学习的研究浪潮，深度卷积神经网络架构AlexNet，循环神经网络（RecurrentNeuralNetworks，RNN）、长短期记忆网络（LongShort-TermMemory，LSTM）、生成式对抗网络 总结 本文主要对生成型AI进行了初步阐述，同时针对生成型AI最核心的两个技术点分别进行了初步说明，后面的专栏文章中将继续以深度学习以及大模型核心技术点作为切入点来深入分析生成型AI背后的技术原理。
2.3K30编辑于 2023-08-10 - 来自专栏bit哲学院
【Python中的】列表生成式和字典生成式以及内置函数
参考链接： Python中的关键字2 前言： 在Python中可以使用列表生成式进行代码的简化，并且提高代码的运行效率， Python中的内置函数可以使得在工作需求中，进行简单的代码运算并且不再进行 相应的函数定义，可以提高工作效率，本篇博客将讲解Python中常见的内置函数， 以及字典生成式和列表生成式。 正文： 一、列表生成式 定义：列表生成式顾名思义就是生成列表的表达式 示例1：找出1-num之间的所有质数 """ 找出1-num之间的所有质数 题目分析： 1、生成一个列表1-num，进行列表的煸历 )]) 执行结果： /home/kiosk/PycharmProjects/westos5/venv/bin/python /home/kiosk/PycharmProjects/westos5/列表生成式 py ['Xorg.0.log', 'wpa_supplicant.log', 'yum.log', 'boot.log'] Process finished with exit code 0 二、字典生成式
4.7K00发布于 2020-12-09 - 来自专栏从流域到海域
生成式模型与判别式模型
生成式模型是对联合概率分布 P(X,Y,Z) 进行建模，在给定观测集合X的条件下，通过计算边缘分布来得到对变量集合Y的推断，即： P(Y|X)=\frac{P(X,Y)}{P(X)}=\frac{\ sum_ZP(X,Y,Z)}{\sum_{Y,Z}P(Y,Z|X)} 判别式模型是直接对条件概率分布 P(Y,Z|X) 进行建模，然后消掉无关变量 Z 就可以得到对变量集合 Y 的预测，即： P(Y 朴素贝叶斯、贝叶斯网络、pLSA、LDA等模型都是先对联合概率分布进行建模，然后再通过边缘计算得到对变量的预测，所以它们都属于生成式模型。 隐马尔可夫模型（HMM）也属于生成式模型 条件随机场（CRF）属于判别式模型
46430编辑于 2023-10-12 - 来自专栏Hammer随笔
python -三元表达式、列表生成式、字典生成式
目录 1、三元表达式 2、列表生成式 3、字典生成式 1、三元表达式 定义格式：true_return if condition else false_return if 后条件成立返回，true_return (res) # 结果 # 坚持学习python ''' 三元表达式： 将符合条件的值返回，用一个变量接收 条件成立返回true_return 条件不成立返回false_return ''' 2、列表生成式 输出100以内的偶数 # for循环解决 get_num = [] for i in range(0,100,2): get_num.append(i) print(get_num) # 列表生成式 get_num_lst = [x for x in range(100) if x%2 ==0] print(get_num_lst) 3、字典生成式 定义：同列表生成式一样，字典生成式是用来快速生成字典的 lst_info_v[i] print(lst_info_dict) # 结果 {'name': 'HammerZe', 'age': 18, 'number': '199****1234'} #字典生成式
1.1K30编辑于 2022-03-25 - 来自专栏机器学习入门与实战
生成式模型与判别式模型
生成式模型 我把每个国家的语言都学一遍，这样我就能很容易知道A说的是哪国语言，并且C、D说的是哪国的我也可以知道，进一步我还能自己讲不同国家语言。 判别式模型 我只需要学习语言之间的差别是什么，学到了这个界限自然就能区分不同语言，我能说出不同语言的区别，但我哦可能不会讲。 它们的区别在于： 对于输入x，类别标签y： 生成式模型估计它们的联合概率分布P(x,y) 判别式模型估计条件概率分布P(y|x) 生成式模型可以根据贝叶斯公式得到判别式模型，但反过来不行 on-discriminative-vs-generative-classifiers-a-comparison-of-logistic-regression-and-naive-bayes.pdf 常见生成式模型 Experts Mixtures of Multinomials HMM Markov random fields Sigmoidal belief networks Bayesian networks 常见判别式模型
70620发布于 2019-11-20 - 来自专栏Datawhale专栏
生成式模型 vs 判别式模型
生成式模型和判别式模型的概念是机器学习领域非常重要的基础知识，但能准确区分开二者并不是一件非常容易的事情，笔者经常是看一遍忘一遍，为了巩固下知识点，我将从以下几个方面对两种模型进行介绍和对比。 定义 生成式模型先对数据的联合分布 进行建模，然后再通过贝叶斯公式计算样本属于各类别的后验概率 。 判别式模型直接进行条件概率建模，由数据直接学习决策函数 或条件概率分布 作为预测的模型。 用一句话总结就是生成模型估计的是联合概率分布，判别式模型估计的是条件概率分布。 我们可以看到，生成式模型强调数据本身特点，判别式模型强调数据边界。在分类的过程中，生成式模型对每个结果都要亲自试一试，遍历完一遍后取概率最大的结果；而判别式模型直接通过模型得到结果。 代表算法 生成式模型：朴素贝叶斯、贝叶斯网络、隐马尔可夫模型、隐马尔可夫模型； 判别式模型：k 近邻法、决策树、逻辑斯谛回归模型、最大熵模型、支持向量机、条件随机场。
5K11发布于 2019-11-27 - 来自专栏腾讯技术工程官方号的专栏
生成式推荐系统初探
随着各类生成式模型层出不穷，部分研究人员开始考虑如何在 RS 中有效引入生成式 AI。 本文主要关注 RS 和生成式 AI 可能存在的结合点，调研了 RecSys'23 等会议录用的若干相关工作，以及最新已公开的若干方法。 基于 AIGC 的蓬勃发展，作者构想的下一代的推荐范式应该具有以下两个目标：（1）通过生成式 AI 来生成个性化的内容；（2）融入用户指令来指导内容的生成。 为了实现上述目标，该论文提出了一个新的生成式推荐范式，即 GeneRec。具体而言，首先预处理用户的指令和传统的反馈作为生成的依赖。 为此，该论文提出 GPT4Rec，利用灵活的生成式框架来处理推荐任务。
2K21编辑于 2023-08-16 - 来自专栏Bingo的深度学习杂货店
生成式对抗网络 GAN
生成式对抗网络 GAN 是 2014 年由 Goodfellow 提出的一种新颖的生成式模型，随后得到了快速发展。 Goodfellow 本人提出的是无条件的 GAN；之后出现了能生成不同类别图像的有条件的 GAN；基于卷积神经网络的 DCGAN；可以加入潜在因素，生成不同风格的 InfoGan；彻底解决 GAN 训练不稳定问题的 资源 | 谷歌开源TFGAN：轻量级生成对抗网络工具库 为使开发者更轻松地使用 GAN 进行实验，谷歌最近开源了 TFGAN，一个实现轻松训练和评估 GAN 的轻量级库。
59420发布于 2018-10-10 - 来自专栏CSDN小华
生成式人工智能
生成式人工智能 定义 生成式人工智能是一种机器学习技术，它的核心目标是从输入数据中学习并生成新的、具有特定特征的数据。这种生成可以涵盖多种形式的内容，如文本、图像、音频和视频。 在金融行业中，生成式人工智能如何优化工作流程和提升服务质量？ 在金融行业中，生成式人工智能（AI）通过多种方式优化工作流程和提升服务质量。 生成式AI能够自动化完成许多任务，从而提高工作效率和质量。例如，在客户服务领域，生成式AI可以自动回答常见问题，减轻人工客服的负担，提升客户体验。 此外，生成式AI还可以模拟多个流程路径，使企业能够确定最有效的路线，从而优化业务流程。 生成式AI在改善客户体验方面也发挥了重要作用。 中国是最早一批对生成式人工智能进行监管的国家之一。2023年，中国颁布了相关规定以迎接生成式人工智能的监管挑战。
92310编辑于 2024-10-16 - 来自专栏学习内容
分布式ID生成
雪花算法(分布式自增长ID https://blog.csdn.net/lydms/article/details/124696135
42830编辑于 2023-08-10 - 来自专栏python3
列表生成式，迭代器和生成器
一、列表生成式 现在有个需求，看列表[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]，现在要求把列表里的每个值加1，你怎么实现？ # 需求：要求把列表中的每个元素的值加1 a = [i + 1 for i in a] print(a) # [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] 最后一种写法就叫做列表生成式 二、生成器 通过列表生成式，我们可以直接创建一个列表。 第一种方法很简单，只要把一个列表生成式的[]改成()，就创建了一个生成器： >>> l = [x * x for x in range(10)] >>> l [0, 1, 4, 9, 16, 25, 36 如果推算的算法比较复杂，用类似列表生成式的for循环无法实现的时候，还可以用函数来实现。
79710发布于 2020-01-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号