迭代计算

迭代器类别 输入迭代器 输入迭代器：可以读取序列中的元素。一个输入迭代器必须支持 用于比较两个迭代器的相等和不相等运算符（==、！=） 用于推进迭代器的前置和后置递增运算（++） 用于读取元素的解引用运算符（*）；解引用只会出现在赋值运算符的右侧 箭头运算符（->），等价于（*it）.member，即，解引用迭代器，并提取对象的成员 输入迭代器只用于顺序访问。对于一个输入迭代器，*it++保证是有效的，但递增它可能导致所有其他指向流的迭代器失效。其结果就是，不能保证输入迭代器的状态可以保存下来并用来访问元素。因此，输入迭代器只能用于单遍扫描算法。算法find和accumulate要求输入迭代器；而istream_iterator是一种输入迭代器。 输出迭代器 输出迭代器：可以看做输入迭代器功能上的补集——只写而不读元素。输出迭代器必须支持 用于推进迭代器的前置和后置递增运算（++） 解引用运算符（*），只能出现在赋值运算符的左侧（向一个已经解引用的输出迭代器赋值，就是将值写入它所指向的元素） 我们只能向一个输出迭代器赋值一次。类似输入迭代器，输出迭代器只能用于单遍扫描算法。用作目的位置的迭代器通常都是输出迭代器。例如，copy函数的第三个参数就是输出迭代器。ostream_iterator类型也是输出迭代器。 前向迭代器 前向迭代器：可以读元素。这类迭代器只能在序列中沿一个方向移动

布尔值 真值也称为布尔值，是以在真值方面做出巨大贡献的George Blooe命名的。 用作布尔表达式（如用作if语句中的条件）时，下面的值都将被解释器视为 假 ，其它时候都为真。 False None 0 "" [] () {} 在有些语言中，标准的真值为0（表示假）和1（表示真）.实际上，True和False不过时0和1的别名，虽然看起来不同。但作用时相同的。 布尔值的True和False属于类型bool，而bool与list和tuple一样，可以用来转换其他的值。 >>> bool('hello world') True >>> bool(78) True >>> bool(1) True >>> bool(0) False >>> bool({}) False 　　 布尔运算符：and not or （短路逻辑） 在表达式x or y 中，如果x为真，就返回x,否则就返回y: >>> name = input('Name: ') or 'root' Name: >>> name 'root' >>> name = input('Name: ') or 'root' Name: ubuntu >>> name 'ubuntu' >>> name = input('Name: ') or 'root' Name: #输入纯空格了 >>> name ' ' 　断言

条件，循环及其它语句 print: 打印多个参数：打印多个表达式，用多个逗号分隔；还可自定义分隔符 >>>print("greeting" + ',',"salutatiom","name") --->greeting, salutatiom name >>>print("greeting","salutatiom","name",sep="_") --->greeting_salutatiom_name import: 导入模块： import somemodule from somemodule import somefunction from somemodule import * 若有两个模块都包含相同的一个函数，如open(),这样调用函数open(): module1.open() ---或 from module1 import open as open1 module2.open() ---或 from module2 import open as open2 另一种方法：在语句的末尾添加as子句并指定别名： >>>import math as foobar >>>foobar.sqrt(4) --->2.0 导入特定函数并指定别名： >>>from math import sqrt as foobar >>>foobar(9) --->3.0 赋值： 1、序列解包

导入模块 　　import modu 　　import modu1,modu2,... 　　from modu import func1 　　from modu import func1,func2,func3,... 　　from modu import * 为导入的模块或函数起别名 　　import math as mymath 　　from math import fabs as aa, sqrt as bb 赋值魔法： 　　序列解包： 　　　　多个复制操作同时进行：x,y,z = 1,2,3 　　　　交换两个或更多变量：x,y = y,x 　　　　序列解包：sequence unpacking--将多个值的序列解开，然后放到变量的序列中，当函数或方法返回元组（或其他序列或可迭代对象）时，这个特性尤其有用。 　　　　它允许函数返回一个以上的值并且打包成元组，然后通过一个赋值语句很容易访问。 　　　　放置在赋值=号左边的变量个数必须与所解包的序列中的元素数量完全一致。 　　　　py3中新增了另一个解包特性：可以像函数在参数列表中一样使用星号运算符。 　　　　a,b,*rest = [1,2,3,4] ==> a = 1,b = 2,x = [3,4] 　　　　星号*代表将所有其他的元素都收集到rest中 　　链式赋值： 　　　　x = y = 5 ===> x = 5,y =

格式化输出 print(f'{d}') 会把d代表的意义转化掉，和format差不多 %格式化形式 #这里只说明字典使用 dict1 = {"what": "this year", "year": 2016} print("%(what)s is %(year)d" % {"what": "this year", "year": 2016}) # 输出this year is 2016 print("%(what)s is %(year)d， %d" % (dict1,22) ) # 输出this year is 2016 format格式化形式 format格式精解 位置映射 #后面的元素可以多 print("{}:{}".format('192.168.0.100', 8888, 222)) #输出如下192.168.0.100:8888 关键字映射 print("{server}{1}:{0}".format(8888,'192.168.1.100',server='Web Server Info :')) #Web Server Info :192.168.1.100:8888print('{name},{sex},{age}'.format(age=32,sex='male',name='zhangk')) #zhangk,male,32 元素访问 print("{0[0

最近开始学习爬虫框架Scrapy，看大牛写的博客时，发现有段代码不知道如何理解，对，就是它：关键字yield该怎么理解？ 在详细查询了文档说明后，得出以下结论： 一个带有 yield 的函数就是一个 generator，它和普通函数不同，生成一个 generator 看起来像函数调用，但不会执行任何函数代码，直到对其调用 next()（在 for 循环中会自动调用 next()）才开始执行。虽然执行流程仍按函数的流程执行，但每执行到一个 yield 语句就会中断，并返回一个迭代值，下次执行时从 yield 的下一个语句继续执行。看起来就好像一个函数在正常执行的过程中被 yield 中断了数次，每次中断都会通过 yield 返回当前的迭代值。 yield 的好处是显而易见的，把一个函数改写为一个 generator 就获得了迭代能力，比起用类的实例保存状态来计算下一个 next() 的值，不仅代码简洁，而且执行流程异常清晰。 用下面的一段代码就非常好理解了。 若用next()分开执行代码(python2用next()，python3用__next__())， 当函数执行结束时，generator 自动抛出 StopIteration 异常，表示迭代完成。在 for 循环里，无需处理 StopIteration 异常，循环会正常结束。 所以优点就是利用迭代，减少内存消耗，代码更简洁；

转自：http://www.cnblogs.com/maybe2030/ 　　我们每个人都会在我们的生活或者工作中遇到各种各样的最优化问题，比如每个企业和个人都要考虑的一个问题“在一定成本下，如何使利润最大化”等。最优化方法是一种数学方法，它是研究在给定约束之下如何寻求某些因素(的量)，以使某一(或某些)指标达到最优的一些学科的总称。我们学习和工作中遇到的大多问题都可以建模成一种最优化模型进行求解，比如机器学习算法，大部分的机器学习算法的本质都是建立优化模型，通过最优化方法对目标函数（或损失函数）进行优化，从而训练出最好的模型。常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯度法等等。 1. 梯度下降法（Gradient Descent） 　　梯度下降法是最早最简单，也是最为常用的最优化方法。梯度下降法实现简单，当目标函数是 凸函数 时，梯度下降法的解是 全局解 。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。 梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向，所以也被称为是”最速下降法“。最速下降法越接近目标值，步长越小，前进越慢。 梯度下降法的搜索迭代示意图如下图所示： 梯度下降法的缺点： 　　（1）靠近极小值时收敛速度减慢，如下图所示； 　　（2）直线搜索时可能会产生一些问题； 　　（3）可能会“之字形

在上一篇博客里面,笔者介绍了解线性方程组的LU分解法,这篇来介绍一个新的方法,迭代法.解线性方程组的迭代法有多种,其中就有Jacobi迭代法,它的原理是什么呢?有如下的线性方程组Ax=b,可将其变形为=>Mx=Nx+b=>x=M -1 Nx+M -1 b,设B=M -1 N=M -1 (M-A)=E-M -1 A,f=M -1 b,即可得到迭代式:X (k+1) =Bx (k) +f,这里我们只需要设置一个初始的x向量,依次将前一步的x k 代入到迭代式中,就可以得到x (k+1) 的结果 关于迭代法的两个注意事项: 1.迭代法相比于其他方法在计算大型稀疏矩阵矩阵方面,是有优势的,但不意味着只能解大型稀疏矩阵 2.并非所有的线性方程组都可以用迭代法进行求解,这是因为不是所有的迭代方程都是收敛的,可能会出现的情况就是,在迭代的过程中,会出现迭代解偏离精确解的情况,并且随着迭代的次数增多,会越偏越大 3.遇到不收敛的情况,就不能用迭代法求解,可以选用前面的Guass消元法或者LU分解法 接下来看代码实现~ 老规矩,初始化 double * * init_Matrix ( int r , int c ) { double * * p = new double * [ r ] ; int d = c + 1 ; for ( int i = 0 ; i < r ; i ++ ) { p [

Scrum敏捷开发笔记 一、什么是敏捷开发？ 敏捷开发以用户的需求进化为核心，采用迭代、循序渐进的方法进行软件开发。 1.什么是敏捷？ 软件开发过程是指设计软件开发过程中涉及的一系列活动，指导开发组一步一步的进行软件开发。 包括传统的瀑布过程、螺旋过程、原型过程、敏捷过程等。敏捷则是一类过程的统称。 之所以把他们都称之为敏捷，是因为它们有共同的特点。敏捷过程讲究快速迭代快速试错，将一个大的项目分解成一个一个独立的小项目，每个项目实现一定的功能，每个项目的成果物都是可以运行的软件。经过多次迭代之后完成整个项目。 2.关于敏捷方法 敏捷方法是试图通过小型的、自我管理的团队用短小的合作发布周期来鼓励迭代式软件开发方法。软件的质量贯穿敏捷软件开发每一个阶段，且非常重要,并提出很多关键的规则来保证能在每一个迭代周期内及早是的发现并及时相应消灭开发过程中出现错误。 在敏捷方法提出理念下，衍生出了很多不同敏捷软件开发方法。 如Scrum、极限编程[EXtreme Programning XP]，测试驱动开发[Test Driver Development]，重构和持续集成。Scrum是敏捷过程中比较著名的一个过程框架，被很多团队采用。 二、Scrum模型 3个角色 Product Owner： 产品负责人，主要负责确定产品的功能和达到要求的标准，指定软件的发布日期和交付的内容

目录 基础数据类型补充与总结 整型 字符串 列表 元组 字典 类型转换 基础数据类型总结 基础数据类型补充与总结 整型 .bit_length 方法用来计算整型数字转换为二进制所占的位数： a = 10 print(a.bit_length()) 输出的结果为： 4 这个方法的意思是，10 转换为二进制数是 1010，一共会占 4 位。 字符串 .capitalize() 方法 .capitalize() 方法用来将字符串的首字母大写： s = 'alEX wusir' s1 = s.capitalize() print(s1) 输出的结果为：Alex wusir .title() 方法 .title() 方法能将字符串每个单词的首字母大写，区分首字母的方式有空格、符号和数字等： s = 'alEX wUsir-meET3san' s1 = s.title() print(s1) 输出的结果为：Alex Wusir-Meet3San .index() 和 .find() 方法 .index() 方法用来通过元素查找索引，查找不到时会报错： s = 'alex wusir' print(s.index('e')) print(s.index('wu')) .find() 方法同样用来通过元素查找索引，与 .index() 方法不同的是， .find() 方法查找不到时会返回 -1