python目標(biāo)函數(shù) pycharm目標(biāo)檢測(cè)

python 哪個(gè)包里有 遺傳算法

scikit-opt?調(diào)研過(guò)很多遺傳算法庫(kù)，這個(gè)挺好用的。

在射陽(yáng)等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強(qiáng)發(fā)展的系統(tǒng)性、市場(chǎng)前瞻性、產(chǎn)品創(chuàng)新能力，以專(zhuān)注、極致的服務(wù)理念，為客戶提供做網(wǎng)站、成都網(wǎng)站制作 網(wǎng)站設(shè)計(jì)制作定制網(wǎng)站建設(shè),公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),成都品牌網(wǎng)站建設(shè),成都營(yíng)銷(xiāo)網(wǎng)站建設(shè),成都外貿(mào)網(wǎng)站建設(shè)公司,射陽(yáng)網(wǎng)站建設(shè)費(fèi)用合理。

#?目標(biāo)函數(shù)

def?demo_func(x):

x1,?x2,?x3?=?x????

return?x1?**?2?+?(x2?-?0.05)?**?2?+?x3?**?2

from?ga?import?GA

調(diào)用遺傳算法求解：

ga?=?GA(func=demo_func,?lb=[-1,?-10,?-5],?ub=[2,?10,?2],?max_iter=500)

best_x,?best_y?=?ga.fit()

甚至對(duì)tsp問(wèn)題（Travelling Salesman Problem）也有很好的支持

ga_tsp?=?GA_TSP(func=cal_total_distance,?points=points,?pop=50,?max_iter=200,?Pm=0.001)

best_points,?best_distance?=?ga_tsp.fit()

怎樣用python構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)

用keras框架較為方便

首先安裝anaconda，然后通過(guò)pip安裝keras

以下轉(zhuǎn)自wphh的博客。

#coding:utf-8

'''

GPU?run?command:

THEANO_FLAGS=mode=FAST_RUN,device=gpu,floatX=float32?python?cnn.py

CPU?run?command:

python?cnn.py

2016.06.06更新：

這份代碼是keras開(kāi)發(fā)初期寫(xiě)的，當(dāng)時(shí)keras還沒(méi)有現(xiàn)在這么流行，文檔也還沒(méi)那么豐富，所以我當(dāng)時(shí)寫(xiě)了一些簡(jiǎn)單的教程。

現(xiàn)在keras的API也發(fā)生了一些的變化，建議及推薦直接上keras.io看更加詳細(xì)的教程。

'''

#導(dǎo)入各種用到的模塊組件

from?__future__?import?absolute_import

from?__future__?import?print_function

from?keras.preprocessing.image?import?ImageDataGenerator

from?keras.models?import?Sequential

from?keras.layers.core?import?Dense,?Dropout,?Activation,?Flatten

from?keras.layers.advanced_activations?import?PReLU

from?keras.layers.convolutional?import?Convolution2D,?MaxPooling2D

from?keras.optimizers?import?SGD,?Adadelta,?Adagrad

from?keras.utils?import?np_utils,?generic_utils

from?six.moves?import?range

from?data?import?load_data

import?random

import?numpy?as?np

np.random.seed(1024)??#?for?reproducibility

#加載數(shù)據(jù)

data,?label?=?load_data()

#打亂數(shù)據(jù)

index?=?[i?for?i?in?range(len(data))]

random.shuffle(index)

data?=?data[index]

label?=?label[index]

print(data.shape[0],?'?samples')

#label為0~9共10個(gè)類(lèi)別，keras要求格式為binary?class?matrices,轉(zhuǎn)化一下，直接調(diào)用keras提供的這個(gè)函數(shù)

label?=?np_utils.to_categorical(label,?10)

###############

#開(kāi)始建立CNN模型

###############

#生成一個(gè)model

model?=?Sequential()

#第一個(gè)卷積層，4個(gè)卷積核，每個(gè)卷積核大小5*5。1表示輸入的圖片的通道,灰度圖為1通道。

#border_mode可以是valid或者full，具體看這里說(shuō)明：

#激活函數(shù)用tanh

#你還可以在model.add(Activation('tanh'))后加上dropout的技巧:?model.add(Dropout(0.5))

model.add(Convolution2D(4,?5,?5,?border_mode='valid',input_shape=(1,28,28)))?

model.add(Activation('tanh'))

#第二個(gè)卷積層，8個(gè)卷積核，每個(gè)卷積核大小3*3。4表示輸入的特征圖個(gè)數(shù)，等于上一層的卷積核個(gè)數(shù)

#激活函數(shù)用tanh

#采用maxpooling，poolsize為(2,2)

model.add(Convolution2D(8,?3,?3,?border_mode='valid'))

model.add(Activation('tanh'))

model.add(MaxPooling2D(pool_size=(2,?2)))

#第三個(gè)卷積層，16個(gè)卷積核，每個(gè)卷積核大小3*3

#激活函數(shù)用tanh

#采用maxpooling，poolsize為(2,2)

model.add(Convolution2D(16,?3,?3,?border_mode='valid'))?

model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2,?2)))

#全連接層，先將前一層輸出的二維特征圖flatten為一維的。

#Dense就是隱藏層。16就是上一層輸出的特征圖個(gè)數(shù)。4是根據(jù)每個(gè)卷積層計(jì)算出來(lái)的：(28-5+1)得到24,(24-3+1)/2得到11，(11-3+1)/2得到4

#全連接有128個(gè)神經(jīng)元節(jié)點(diǎn),初始化方式為normal

model.add(Flatten())

model.add(Dense(128,?init='normal'))

model.add(Activation('tanh'))

#Softmax分類(lèi)，輸出是10類(lèi)別

model.add(Dense(10,?init='normal'))

model.add(Activation('softmax'))

#############

#開(kāi)始訓(xùn)練模型

##############

#使用SGD?+?momentum

#model.compile里的參數(shù)loss就是損失函數(shù)(目標(biāo)函數(shù))

sgd?=?SGD(lr=0.05,?decay=1e-6,?momentum=0.9,?nesterov=True)

model.compile(loss='categorical_crossentropy',?optimizer=sgd,metrics=["accuracy"])

#調(diào)用fit方法，就是一個(gè)訓(xùn)練過(guò)程.?訓(xùn)練的epoch數(shù)設(shè)為10，batch_size為100．

#數(shù)據(jù)經(jīng)過(guò)隨機(jī)打亂shuffle=True。verbose=1，訓(xùn)練過(guò)程中輸出的信息，0、1、2三種方式都可以，無(wú)關(guān)緊要。show_accuracy=True，訓(xùn)練時(shí)每一個(gè)epoch都輸出accuracy。

#validation_split=0.2，將20%的數(shù)據(jù)作為驗(yàn)證集。

model.fit(data,?label,?batch_size=100,?nb_epoch=10,shuffle=True,verbose=1,validation_split=0.2)

"""

#使用data?augmentation的方法

#一些參數(shù)和調(diào)用的方法，請(qǐng)看文檔

datagen?=?ImageDataGenerator(

featurewise_center=True,?#?set?input?mean?to?0?over?the?dataset

samplewise_center=False,?#?set?each?sample?mean?to?0

featurewise_std_normalization=True,?#?divide?inputs?by?std?of?the?dataset

samplewise_std_normalization=False,?#?divide?each?input?by?its?std

zca_whitening=False,?#?apply?ZCA?whitening

rotation_range=20,?#?randomly?rotate?images?in?the?range?(degrees,?0?to?180)

width_shift_range=0.2,?#?randomly?shift?images?horizontally?(fraction?of?total?width)

height_shift_range=0.2,?#?randomly?shift?images?vertically?(fraction?of?total?height)

horizontal_flip=True,?#?randomly?flip?images

vertical_flip=False)?#?randomly?flip?images

#?compute?quantities?required?for?featurewise?normalization?

#?(std,?mean,?and?principal?components?if?ZCA?whitening?is?applied)

datagen.fit(data)

for?e?in?range(nb_epoch):

print('-'*40)

print('Epoch',?e)

print('-'*40)

print("Training...")

#?batch?train?with?realtime?data?augmentation

progbar?=?generic_utils.Progbar(data.shape[0])

for?X_batch,?Y_batch?in?datagen.flow(data,?label):

loss,accuracy?=?model.train(X_batch,?Y_batch,accuracy=True)

progbar.add(X_batch.shape[0],?values=[("train?loss",?loss),("accuracy:",?accuracy)]?)

"""

Python中冷門(mén)但非常好用的內(nèi)置函數(shù)

Python中有許多內(nèi)置函數(shù),不像print、len那么廣為人知,但它們的功能卻異常強(qiáng)大,用好了可以大大提高代碼效率，同時(shí)提升代碼的簡(jiǎn)潔度，增強(qiáng)可閱讀性

Counter

collections在python官方文檔中的解釋是High-performance container datatypes，直接的中文翻譯解釋高性能容量數(shù)據(jù)類(lèi)型。這個(gè)模塊實(shí)現(xiàn)了特定目標(biāo)的容器，以提供Python標(biāo)準(zhǔn)內(nèi)建容器 dict , list , set , 和 tuple 的替代選擇。在python3.10.1中它總共包含以下幾種數(shù)據(jù)類(lèi)型：

容器名簡(jiǎn)介

namedtuple() 創(chuàng)建命名元組子類(lèi)的工廠函數(shù)

deque 類(lèi)似列表(list)的容器，實(shí)現(xiàn)了在兩端快速添加(append)和彈出(pop)

ChainMap 類(lèi)似字典(dict)的容器類(lèi)，將多個(gè)映射集合到一個(gè)視圖里面

Counter 字典的子類(lèi)，提供了可哈希對(duì)象的計(jì)數(shù)功能

OrderedDict 字典的子類(lèi)，保存了他們被添加的順序

defaultdict 字典的子類(lèi)，提供了一個(gè)工廠函數(shù)，為字典查詢提供一個(gè)默認(rèn)值

UserDict 封裝了字典對(duì)象，簡(jiǎn)化了字典子類(lèi)化

UserList 封裝了列表對(duì)象，簡(jiǎn)化了列表子類(lèi)化

UserString 封裝了字符串對(duì)象，簡(jiǎn)化了字符串子類(lèi)化

其中Counter中文意思是計(jì)數(shù)器，也就是我們常用于統(tǒng)計(jì)的一種數(shù)據(jù)類(lèi)型，在使用Counter之后可以讓我們的代碼更加簡(jiǎn)單易讀。Counter類(lèi)繼承dict類(lèi)，所以它能使用dict類(lèi)里面的方法

舉例

#統(tǒng)計(jì)詞頻

fruits = ['apple', 'peach', 'apple', 'lemon', 'peach', 'peach']

result = {}

for fruit in fruits:

if not result.get(fruit):

result[fruit] = 1

else:

result[fruit] += 1

print(result)

#{'apple': 2, 'peach': 3, 'lemon': 1}下面我們看用Counter怎么實(shí)現(xiàn)：

from collections import Counter

fruits = ['apple', 'peach', 'apple', 'lemon', 'peach', 'peach']

c = Counter(fruits)

print(dict(c))

#{'apple': 2, 'peach': 3, 'lemon': 1}顯然代碼更加簡(jiǎn)單了，也更容易閱讀和維護(hù)了。

elements()

返回一個(gè)迭代器，其中每個(gè)元素將重復(fù)出現(xiàn)計(jì)數(shù)值所指定次。元素會(huì)按首次出現(xiàn)的順序返回。如果一個(gè)元素的計(jì)數(shù)值小于1，elements()將會(huì)忽略它。

c = Counter(a=4, b=2, c=0, d=-2)

sorted(c.elements())

['a', 'a', 'a', 'a', 'b', 'b']most_common([n])

返回一個(gè)列表，其中包含n個(gè)最常見(jiàn)的元素及出現(xiàn)次數(shù)，按常見(jiàn)程度由高到低排序。如果n被省略或?yàn)镹one，most_common()將返回計(jì)數(shù)器中的所有元素。計(jì)數(shù)值相等的元素按首次出現(xiàn)的順序排序：

Counter('abracadabra').most_common(3)

[('a', 5), ('b', 2), ('r', 2)]這兩個(gè)方法是Counter中最常用的方法，其他方法可以參考 python3.10.1官方文檔

實(shí)戰(zhàn)

Leetcode 1002.查找共用字符

給你一個(gè)字符串?dāng)?shù)組words，請(qǐng)你找出所有在words的每個(gè)字符串中都出現(xiàn)的共用字符（包括重復(fù)字符），并以數(shù)組形式返回。你可以按任意順序返回答案。

輸入：words = ["bella", "label", "roller"]

輸出：["e", "l", "l"]

輸入：words = ["cool", "lock", "cook"]

輸出：["c", "o"]看到統(tǒng)計(jì)字符，典型的可以用Counter完美解決。這道題是找出字符串列表里面每個(gè)元素都包含的字符，首先可以用Counter計(jì)算出每個(gè)元素每個(gè)字符出現(xiàn)的次數(shù)，依次取交集最后得出所有元素共同存在的字符，然后利用elements輸出共用字符出現(xiàn)的次數(shù)

class Solution:

def commonChars(self, words: List[str]) - List[str]:

from collections import Counter

ans = Counter(words[0])

for i in words[1:]:

ans = Counter(i)

return list(ans.elements())提交一下，發(fā)現(xiàn)83個(gè)測(cè)試用例耗時(shí)48ms，速度還是不錯(cuò)的

sorted

在處理數(shù)據(jù)過(guò)程中，我們經(jīng)常會(huì)用到排序操作，比如將列表、字典、元組里面的元素正/倒排序。這時(shí)候就需要用到sorted()，它可以對(duì)任何可迭代對(duì)象進(jìn)行排序，并返回列表

對(duì)列表升序操作：

a = sorted([2, 4, 3, 7, 1, 9])

print(a)

# 輸出：[1, 2, 3, 4, 7, 9]對(duì)元組倒序操作：

sorted((4,1,9,6),reverse=True)

print(a)

# 輸出：[9, 6, 4, 1]使用參數(shù)：key，根據(jù)自定義規(guī)則，按字符串長(zhǎng)度來(lái)排序：

fruits = ['apple', 'watermelon', 'pear', 'banana']

a = sorted(fruits, key = lambda x : len(x))

print(a)

# 輸出：['pear', 'apple', 'banana', 'watermelon']all

all() 函數(shù)用于判斷給定的可迭代參數(shù)iterable中的所有元素是否都為 TRUE，如果是返回 True，否則返回 False。元素除了是 0、空、None、False外都算True。注意：空元組、空列表返回值為T(mén)rue。

all(['a', 'b', 'c', 'd']) # 列表list，元素都不為空或0

True

all(['a', 'b', '', 'd']) # 列表list，存在一個(gè)為空的元素

False

all([0, 1，2, 3]) # 列表list，存在一個(gè)為0的元素

False

all(('a', 'b', 'c', 'd')) # 元組tuple，元素都不為空或0

True

all(('a', 'b', '', 'd')) # 元組tuple，存在一個(gè)為空的元素

False

all((0, 1, 2, 3)) # 元組tuple，存在一個(gè)為0的元素

False

all([]) # 空列表

True

all(()) # 空元組

Trueany函數(shù)正好和all函數(shù)相反：判斷一個(gè)tuple或者list是否全為空，0，F(xiàn)alse。如果全為空，0，F(xiàn)alse，則返回False；如果不全為空，則返回True。

F-strings

在python3.6.2版本中，PEP 498提出一種新型字符串格式化機(jī)制，被稱(chēng)為 “字符串插值” 或者更常見(jiàn)的一種稱(chēng)呼是F-strings，F(xiàn)-strings提供了一種明確且方便的方式將python表達(dá)式嵌入到字符串中來(lái)進(jìn)行格式化：

s1='Hello'

s2='World'

print(f'{s1} {s2}!')

# Hello World!在F-strings中我們也可以執(zhí)行函數(shù)：

def power(x):

return x*x

x=4

print(f'{x} * {x} = {power(x)}')

# 4 * 4 = 16而且F-strings的運(yùn)行速度很快，比傳統(tǒng)的%-string和str.format()這兩種格式化方法都快得多，書(shū)寫(xiě)起來(lái)也更加簡(jiǎn)單。

本文主要講解了python幾種冷門(mén)但好用的函數(shù)，更多內(nèi)容以后會(huì)陸陸續(xù)續(xù)更新~

python非線性規(guī)劃用什么模塊

python非線性規(guī)劃用什么模塊本文使用SciPy的optimize模塊來(lái)求解非線性規(guī)劃問(wèn)題，結(jié)合實(shí)際例子，引入非線性規(guī)劃問(wèn)題的求解算法及相應(yīng)函數(shù)的調(diào)用。

本文提綱一維搜索／單變量?jī)?yōu)化問(wèn)題

無(wú)約束多元優(yōu)化問(wèn)題

非線性最小二乘問(wèn)題

約束優(yōu)化問(wèn)題

非線性規(guī)劃問(wèn)題的目標(biāo)函數(shù)或約束條件是非線性的。本文使用SciPy的optimize模塊來(lái)求解非線性規(guī)劃問(wèn)題。

目標(biāo)函數(shù)和約束條件是否連續(xù)光滑是非常重要的性質(zhì)，這是因?yàn)槿绻饣?，則所有決策變量可微，多變量函數(shù)的偏導(dǎo)數(shù)組成的向量為梯度，梯度是指向目標(biāo)函數(shù)增長(zhǎng)最快的方向。將目標(biāo)函數(shù)梯度作為搜索方向，對(duì)非線性規(guī)劃問(wèn)題的求解具有重要的意義。這些函數(shù)或其導(dǎo)數(shù)\梯度的不連續(xù)性給許多現(xiàn)有的非線性優(yōu)化問(wèn)題的求解帶來(lái)了困難。在下文中，我們假設(shè)這些函數(shù)是連續(xù)且光滑的。

# Importing Modules

from scipy import optimize

import matplotlib.pyplot as plt

import numpy as np

import sympy

1、一維搜索／單變量?jī)?yōu)化問(wèn)題(Univariate Optimization)

無(wú)約束非線性規(guī)劃最簡(jiǎn)單的形式是一維搜索。一維搜索通常作為多維優(yōu)化問(wèn)題中的一部分出現(xiàn)，比如梯度下降法中每次最優(yōu)迭代步長(zhǎng)的估計(jì)。求解一維搜索常用的兩類(lèi)方法是函數(shù)逼近法和區(qū)間收縮法。其中函數(shù)逼近法是指用較簡(jiǎn)單的函數(shù)近似代替原來(lái)的函數(shù)，用近似函數(shù)的極小點(diǎn)來(lái)估計(jì)原函數(shù)的極小點(diǎn)，比如牛頓法；區(qū)間收縮法對(duì)于一個(gè)單谷函數(shù)通過(guò)迭代以不斷縮小該區(qū)間的長(zhǎng)度，當(dāng)區(qū)間長(zhǎng)度足夠小時(shí)，可將該區(qū)間中的一點(diǎn)作為函數(shù)的極小點(diǎn)，比如黃金分割法。

e.g. 最小化一個(gè)單位體積的圓柱體的表面積。

r, h = sympy.symbols("r, h")

Area = 2 * sympy.pi * r**2 + 2 * sympy.pi * r * h

Volume = sympy.pi * r**2 * h

文章題目：python目標(biāo)函數(shù) pycharm目標(biāo)檢測(cè)
網(wǎng)站地址：http://m.kartarina.com/article0/doihpoo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供服務(wù)器托管、動(dòng)態(tài)網(wǎng)站、網(wǎng)站營(yíng)銷(xiāo)、品牌網(wǎng)站建設(shè)、網(wǎng)站導(dǎo)航、企業(yè)網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)