Python——循环与分支结构

1.循环

在编程中,循环结构是非常常见的一种结构,我们可以使用循环来重复执行某个代码块。Python中提供了两种循环结构:

for循环

while循环

1.1 for循环

for循环适合用于遍历序列或集合中的元素,比如:

#遍历列表中的元素

fruits = ['apple', 'banana', 'orange']

for fruit in fruits:

print(fruit)

上述代码中,我们通过for循环遍历了列表fruits中所有的元素,并将其打印出来。

我们也可以使用range函数来控制循环的次数:

#使用range函数

for i in range(1,6):

print(i)

上述代码中,我们使用range函数从1到5生成一个序列,然后通过for循环遍历该序列中的所有元素,并将其打印出来。

1.2 while循环

while循环在某些情况下更加方便,比如需要无限循环或者需要根据某些条件来控制循环的次数:

#无限循环

while True:

print('Hello, world!')

上述代码中,我们使用while循环来无限循环输出Hello, world!。

当然,我们也可以使用条件表达式来控制while循环的次数:

#使用条件表达式

i = 1

while i <= 5:

print(i)

i += 1

上述代码中,我们使用while循环遍历从1到5的整数,并将其打印出来。

2.分支结构

分支结构是另外一种常见的编程结构,我们可以使用分支结构来根据不同的条件执行不同的代码块。Python中提供了if语句来实现分支结构。

2.1 if语句

if语句可以根据某个条件来判断执行哪些代码块:

#使用if语句

x = 10

if x > 0:

print('x is positive')

上述代码中,我们根据x是否大于0来判断是否执行print语句。

我们也可以使用if…else语句来根据不同的条件执行不同的代码块:

#使用if…else语句

x = -10

if x > 0:

print('x is positive')

else:

print('x is non-positive')

上述代码中,我们根据x是否大于0来判断执行不同的print语句。

我们还可以使用if…elif…else语句来实现多个条件的判断:

#使用if…elif…else语句

x = 0

if x > 0:

print('x is positive')

elif x == 0:

print('x is zero')

else:

print('x is non-positive')

上述代码中,我们根据x是否大于0、是否等于0来分别判断执行不同的print语句。

3.实例

下面是一个具体的例子,该例子实现了一个生成文本的小程序:

#生成文本的小程序

import tensorflow as tf

import numpy as np

#定义数据集

data = "abcdefghijklmnopqrstuvwxyz"

char_to_ix = { ch:i for i,ch in enumerate(data) }

ix_to_char = { i:ch for i,ch in enumerate(data) }

n_input = n_output = len(data)

n_hidden = 256

learning_rate = 0.001

temperature = 0.6

#定义输入输出

x = tf.placeholder(tf.float32, [None, n_input])

y = tf.placeholder(tf.float32, [None, n_output])

#定义网络结构

W1 = tf.Variable(tf.truncated_normal([n_input, n_hidden], stddev=0.1))

b1 = tf.Variable(tf.zeros([n_hidden]))

h1 = tf.nn.relu(tf.matmul(x, W1) + b1)

W_out = tf.Variable(tf.truncated_normal([n_hidden, n_output], stddev=0.1))

b_out = tf.Variable(tf.zeros([n_output]))

y_pred = tf.matmul(h1, W_out) + b_out

#定义损失函数和优化器

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred, labels=y))

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

#生成文本的函数

def generate_text(sess, seed_ix, n):

#生成输入

x_pred = np.zeros((1, n_input))

x_pred[0][seed_ix] = 1

#生成输出

text = []

for _ in range(n):

y_pred_val = sess.run(y_pred, feed_dict={x: x_pred})

p = tf.nn.softmax(tf.multiply(y_pred_val, 1 / temperature)).eval()[0]

ix = np.random.choice(range(n_output), p=p.ravel())

x_pred = np.zeros((1, n_input))

x_pred[0][ix] = 1

text.append(ix_to_char[ix])

return ''.join(text)

#训练模型

n_epochs = 10000

batch_size = 128

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

for epoch in range(n_epochs):

#生成批次数据

batch_input = []

batch_output = []

for _ in range(batch_size):

ix = np.random.choice(range(n_input))

batch_input.append(np.eye(n_input)[ix])

ix += 1

if ix == n_input:

ix = 0

batch_output.append(np.eye(n_output)[ix])

#训练模型

_, loss_val = sess.run([optimizer, loss], feed_dict={x: batch_input, y: batch_output})

if epoch % 100 == 0:

print('Epoch:', epoch, 'Loss:', loss_val)

#生成文本

seed_ix = np.random.choice(range(n_input))

generated_text = generate_text(sess, seed_ix, n=10)

print('Generated text:', generated_text)

上述代码中,我们在定义数据集和网络结构后,使用循环结构来训练模型,使用条件语句来判断生成文本的温度。

总结

本文主要介绍了Python中的循环和分支结构,以及如何使用它们来实现不同的功能。在实际开发过程中,这些结构是非常常见的,掌握它们对于提高代码的效率和可读性都是非常有帮助的。

免责声明:本文来自互联网,本站所有信息(包括但不限于文字、视频、音频、数据及图表),不保证该信息的准确性、真实性、完整性、有效性、及时性、原创性等,版权归属于原作者,如无意侵犯媒体或个人知识产权,请来电或致函告之,本站将在第一时间处理。猿码集站发布此文目的在于促进信息交流,此文观点与本站立场无关,不承担任何责任。

后端开发标签