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

机器学习：使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出。（强调学习 而不是专家系统）

有监督 

无监督 

强化学习（带反馈）

机器学习：数据清洗/特征选择；确定算法模型/参数优化；结果预测

不能解决：大数据存储/并行计算；做一个机器人

目标函数取最小称 损失函数

数据收集--->数据清洗----->特征工程----->数据建模

hessian矩阵 对称--》4>0 二阶行列式>0----》正定---->凸函数

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