对象
Python中一切都是对象。
对象的本质：内存块
a=3 #表示此刻a即指向了储存3的内存块
print(id(3)) #140714871105392
print(id(a)) #140714871105392
print(type(a)) #<class 'int'>
b="我爱你"
print(id(b)) #1807588781872
print(type(b)) #<class 'str'>
print(b) #我爱你
对象的组成：标识（id）、类型、value(值)
1.标识：对象在计算机内存中的地址。“id”可返回。
2.类型：对象存储数据的类型。“type”返回
3.值：对象所储存数据的信息。“print”可以直接打印
1.Python程序由模块构成。每个模块以.py结束。
2.CTRL+s保存内容。
3.tab默认四个空格。
4.勤写注释。
5.使用\行连接符（一行代码太长）
import turtle
turtle.width(10)
turtle.color("blue")
turtle.circle(50)
turtle.penup()
turtle.goto(120,0)
turtle.pendown()
turtle.color("black")
turtle.circle(50)
turtle.penup()
turtle.goto(240,0)
turtle.pendown()
turtle.color("red")
turtle.circle(50)
turtle.penup()
turtle.goto(60,-50)
turtle.pendown()
turtle.color("yellow")
turtle.circle(50)
turtle.penup()
turtle.goto(180,-50)
turtle.pendown()
turtle.color("green")
turtle.circle(50)
1.python是一种解释型、面向对象的语言。
import turtle
turtle.showturtle() #显示箭头
turtle.write("fuzhuoming") #写字符串
turtle.forward(300)#前进300
turtle.color("red") #画笔颜色变红
turtle.left(90)
turtle.forward(300)
turtle.goto(0,50)
turtle.goto(0,0)
turtle.penup()#抬笔
turtle.goto(0,300)
turtle.pendown()
turtle.goto(0,50)
turtle.goto(50,50)
turtle.circle(100)
1.IDE：集成开发环境
开发中，各类名称的定义
e
偏移量包头不包尾
float(3)=3.0
float("3.14")=3.14
id+type(类型)+value（值）=对象
eg: 3 id:1531372336 type:int value:3
a:1531372336 #把地址赋给a
变量必须先被初始化，不然不能运行。eg:ddd 是不能运行会报错的。
F1快捷键，找出python的API
\ ——用于换行，也叫行连接符。
数据预处理
深度学习需要的是标准的正方形图片
（1）image resize
（2）Data Argumentation
（3）Normalize
（4）to tensor
自定义数据集实战
test数据量太小的话，测试结果波动较大，所以我们为了保证测试的效果，会把测试集的数据多分配一些
1、load data ——比较重要的模型；
继承一个通用的母类
inherit from torch.utils.data.Dataset
要定一个两个函数
_len_：数据量
_getitiem_：能够得到指定的样本
2、build model——在我们已经定义好的模型上做一些修改；
3、train and test
4、transfer learning
情感分类实战
Google CoLab
（1）continuous 12 hours；
（2）free K80 for GPU；
（3）不需要爬墙
LSTM使用方法
LSTMcell更为灵活的使用方法，可以自定义喂数据的方式
2、输入门
it作为一个开度，将多少信息传入到下一个时间点，有算法决定这个开度；新信息同样也是由ht-1和当前点的xt共同决定的。it是对当前信息的过滤系数，当前信息与开度相乘之后就是经过过滤后输入下一个点的新信息。
输入门的值
ct是memory，ht是隐藏层的输出
3、输出值
同样是由开度和ct共同决定的，ot作为开度也是由算法决定的
LSTM如何解决梯度离散的问题呢？
由于存在忘记门、输入门和输出门三个门
当前隐藏层对前一个隐藏层求导时，出现三个值相加的情况，不容易出现都是大或都是小的情况，数值相对可靠，所以效果相对来说更好一些。
LSTM将短期记忆变长，RNN只能记住比较短的时间序列，LSTM就是为了解决短期记忆的问题。
1、忘记门
