python中的函数用法入门教程
本文较为详细的讲述了Python程序设计中函数的用法,对于Python程序设计的学习有不错的借鉴价值。具体分析如下:
一、函数的定义:
Python中使用def关键字定义函数,函数包括函数名称和参数,不需要定义返回类型,Python能返回任何类型:
#没有返回值的函数,其实返回的是None def run(name): print name,'runing' #函数体语句从下一行开始,并且第一行必须是缩进的 >>>run('xiaoming') xiaoming runing >>>print run('xiaoming') xiaoming runing None #如果没有ruturn语句,函数返回的是None #有返回值的参数 def run(name): return name+'runing' >>>r = run('xiaoming') >>>r xiaoming runing
二、 文档字符串:
在Python中注释是用#来表示的,暂时没有发现多行注释的写法。不过在函数内部可以使用多行字符串来写:
def run(name): """ print somebody runing"""#写在函数体的第一行才叫文档字符串 print name,'runing'
可以使用__doc__查看函数的文档字符串内容
>>>run.__doc__ print somebody runing
三、参数:
Python的函数的参数列表可以是任意多个,调用函数的时候,采取位置绑定和关键字绑定两种方式,确认传入的变量对应的参数!
上面演示的代码,都可以看作是位置绑定 。
下面看一下关键字绑定 :
def run(name,age,sex): print 'name :',name,'age:',age,'sex:',sex >>> run(age=23,name='xiaoming',sex='boy')#关键字绑定 name:xiaoming age:23 sex:boy
某个参数不能在一次调用中同时使用位置和关键字绑定
def run(name,age,sex): print 'name :',name,'age:',age,'sex:',sex >>> run('xiaoming',name='xiaoming',sex='boy') SyntaxError: non-keyword arg after keyword arg
函数调用的时候,如果第一个参数使用了关键字绑定,后面的参数也必须使用关键字绑定!
默认参数 :
def run(name,age=20,sex='girl'): print name,age,sex >>>run('nana') nana 20 girl >>>run('nana',23) nana 23 girl >>>run('gg','boy')#使用的位置绑定,所以,python为将'boy'绑定在age上,而不是我们想要的sex上 gg boy girl >>>run('gg',sex='boy')#混合关键字绑定,可以实现想要的效果 gg 20 boy
1、 如果一个函数的参数中含有默认参数,则这个默认参数后的所有参数都必须是默认参数,否则会抛出:SyntaxError: non-default argument follows default argument的异常。
def run(name,age=10,sex): print name ,age ,sex SyntaxError: non-default argument follows default argument gg 23 boy
几个异常
def run(name,age,sex='boy'): print name,age,sex >>>run()#required argument missing >>>run(name='gg',23)#non-keyword argument following keyword >>>run('gg',name='pp')#duplicate value for argument >>>run(actor='xxxx')#unknown keyword
#第一种情况是丢失参数
#第二种情况是:如果第一个使用了keyword绑定,后面的都必须使用keyword绑定
#第三种情况:在一次调用中不能同时使用位置和keyword绑定
#第四种情况:不能使用参数列表外的关键字
2、默认参数在函数定义段被解析,且只解析一次 。
>>>i = 5 >>>def f(arg=i): >>> print arg >>>i = 6 >>>f() 5 #结果是5
当默认值是一个可变对象,诸如链表、字典或大部分类实例时,会产生一些差异:
>>> def f(a, L=[]): >>> L.append(a) >>> return L >>> print f(1) >>> print f(2) >>> print f(3) [1] [1, 2] [1, 2, 3] #可以用另外一种方式实现: >>> def f(a, L=None): >>> if L is None: >>> L = [] >>> L.append(a) >>> return L
可变参数
参数被包装进一个元组。在这些可变个数的参数之前,可以有零到多个普通的参数:
def run(name,*args): print name,'runing' for a in args : print a >>> run('gg','mm') gg runing mm >>> run('gg',1,2,'mm') gg runing 1 2 mm >>> run('gg',1,1.02,['mm','gm']) gg runing 1 1.02 ['mm','gm']
可见可变参数可以是任意多个,而且是任意类型(并且能混合使用)
关键字绑定的可变参数 (**args这种形式,看原文档,不甚理解,暂且这样叫)
def run(name,**args): keys = args.keys() for k in keys : print k,args[k] >>> run('nana',type='open') type open >>> run('nana',type='open',title='gogo') type open title gogo #*arg 必须在**args的前面 def run(name,*arg,**args): for a in arg :print a keys = args.keys() for k in keys : print k,args[k] >>> run('nn','mm',1,2,'oo',type='open',title='gogo') mm 1 2 oo type open title gogo
参数列的分拆
>>> range(3, 6) # normal call with separate arguments [3, 4, 5] >>> args = [3, 6] >>> range(*args) # call with arguments unpacked from a list [3, 4, 5]
通过 lambda 关键字,可以创建短小的匿名函数
>>> def make_incrementor(n): ... return lambda x: x + n #相当于创建了一个一x为参数的匿名函数? ... >>> f = make_incrementor(42)#f = make_incrementor(n=42),设置n的值 >>> f(0)#其实调用的是匿名函数? 42 >>> f(1) 43 #看下面一个例子报的错误就可以明白一点了 >>>def t(n): ... print x*n >>>m = t(2) Traceback (most recent call last): File "<pyshell#85>", line 1, in <module> m = t(2) File "<pyshell#84>", line 2, in t print x*n NameError: global name 'x' is not defined
说是没有定义全局name 'x'
>>> x =10 >>> def t(n): ... print x*n >>> m = t(2) 20
希望本文所述对大家的Python程序设计有所帮助

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









PHPとPythonには独自の利点と短所があり、選択はプロジェクトのニーズと個人的な好みに依存します。 1.PHPは、大規模なWebアプリケーションの迅速な開発とメンテナンスに適しています。 2。Pythonは、データサイエンスと機械学習の分野を支配しています。

CentOSシステムでのPytorchモデルの効率的なトレーニングには手順が必要であり、この記事では詳細なガイドが提供されます。 1。環境の準備:Pythonおよび依存関係のインストール:Centosシステムは通常Pythonをプリインストールしますが、バージョンは古い場合があります。 YumまたはDNFを使用してPython 3をインストールし、PIP:sudoyumupdatepython3(またはsudodnfupdatepython3)、pip3install-upgradepipをアップグレードすることをお勧めします。 cuda and cudnn(GPU加速):nvidiagpuを使用する場合は、cudatoolをインストールする必要があります

Pytorch GPUアクセラレーションを有効にすることで、CentOSシステムでは、PytorchのCUDA、CUDNN、およびGPUバージョンのインストールが必要です。次の手順では、プロセスをガイドします。CUDAおよびCUDNNのインストールでは、CUDAバージョンの互換性が決定されます。NVIDIA-SMIコマンドを使用して、NVIDIAグラフィックスカードでサポートされているCUDAバージョンを表示します。たとえば、MX450グラフィックカードはCUDA11.1以上をサポートする場合があります。 cudatoolkitのダウンロードとインストール:nvidiacudatoolkitの公式Webサイトにアクセスし、グラフィックカードでサポートされている最高のCUDAバージョンに従って、対応するバージョンをダウンロードしてインストールします。 cudnnライブラリをインストールする:

DockerはLinuxカーネル機能を使用して、効率的で孤立したアプリケーションランニング環境を提供します。その作業原則は次のとおりです。1。ミラーは、アプリケーションを実行するために必要なすべてを含む読み取り専用テンプレートとして使用されます。 2。ユニオンファイルシステム(UnionFS)は、違いを保存するだけで、スペースを節約し、高速化する複数のファイルシステムをスタックします。 3.デーモンはミラーとコンテナを管理し、クライアントはそれらをインタラクションに使用します。 4。名前空間とcgroupsは、コンテナの分離とリソースの制限を実装します。 5.複数のネットワークモードは、コンテナの相互接続をサポートします。これらのコア概念を理解することによってのみ、Dockerをよりよく利用できます。

PythonとJavaScriptには、コミュニティ、ライブラリ、リソースの観点から、独自の利点と短所があります。 1)Pythonコミュニティはフレンドリーで初心者に適していますが、フロントエンドの開発リソースはJavaScriptほど豊富ではありません。 2)Pythonはデータサイエンスおよび機械学習ライブラリで強力ですが、JavaScriptはフロントエンド開発ライブラリとフレームワークで優れています。 3)どちらも豊富な学習リソースを持っていますが、Pythonは公式文書から始めるのに適していますが、JavaScriptはMDNWebDocsにより優れています。選択は、プロジェクトのニーズと個人的な関心に基づいている必要があります。

CentOSでPytorchバージョンを選択する場合、次の重要な要素を考慮する必要があります。1。CUDAバージョンの互換性GPUサポート:NVIDIA GPUを使用してGPU加速度を活用したい場合は、対応するCUDAバージョンをサポートするPytorchを選択する必要があります。 NVIDIA-SMIコマンドを実行することでサポートされているCUDAバージョンを表示できます。 CPUバージョン:GPUをお持ちでない場合、またはGPUを使用したくない場合は、PytorchのCPUバージョンを選択できます。 2。PythonバージョンPytorch

NGINXのインストールをインストールするには、次の手順に従う必要があります。開発ツール、PCRE-Devel、OpenSSL-Develなどの依存関係のインストール。 nginxソースコードパッケージをダウンロードし、それを解凍してコンパイルしてインストールし、/usr/local/nginxとしてインストールパスを指定します。 nginxユーザーとユーザーグループを作成し、アクセス許可を設定します。構成ファイルnginx.confを変更し、リスニングポートとドメイン名/IPアドレスを構成します。 nginxサービスを開始します。依存関係の問題、ポート競合、構成ファイルエラーなど、一般的なエラーに注意する必要があります。パフォーマンスの最適化は、キャッシュをオンにしたり、ワーカープロセスの数を調整するなど、特定の状況に応じて調整する必要があります。

Pytorchの分散トレーニングでは、Centosシステムでトレーニングには次の手順が必要です。Pytorchのインストール:PythonとPipがCentosシステムにインストールされていることです。 CUDAバージョンに応じて、Pytorchの公式Webサイトから適切なインストールコマンドを入手してください。 CPUのみのトレーニングには、次のコマンドを使用できます。PipinstalltorchtorchtorchvisionTorchaudioGPUサポートが必要な場合は、CUDAとCUDNNの対応するバージョンがインストールされ、インストールに対応するPytorchバージョンを使用してください。分散環境構成:分散トレーニングには、通常、複数のマシンまたは単一マシンの複数GPUが必要です。場所
