csmhwu
  • 深度学习应用开发 - TensorFlow实践
  • 前言
  • 目录
  • 第一章 人工智能导论
    • 第一章 人工智能导论
      • 1.1 感受人工智能时代的到来
      • 1.2 人工智能发展概述,跌宕起伏的60年
      • 1.3 本讲小结与作业
  • 第二章 深度学习简介
    • 第二章 深度学习简介
      • 2.1 机器学习简介
      • 2.2 深度学习简介
      • 2.3 深度学习框架简介
      • 2.4 本讲小结与作业
  • 第三章 磨刀不误砍柴工:TensorFlow基础
    • 第三章 磨刀不误砍柴工:TensorFlow基础
      • 3.1 TensorFlow 基础
      • 3.2 TensorFlow名字的意义
      • 3.3 Tensor 张量
      • 3.4 TensorFlow计算模型 – 数据流图
      • 3.5 Operation 操作
      • 3.6 Session 会话
      • 3.7 常量与变量
      • 3.8 变量的赋值
      • 3.9 Placeholder 占位符
      • 3.10 Feed提交数据和Fetch提取数据
      • 3.11 TensorBoard可视化初步
      • 3.12 本讲小结与作业
  • 第四章 单变量线性回归:TesnsorFlow实战
    • 第四章 单变量线性回归:TesnsorFlow实战
      • 4.1一切从一个神经元说起
      • 4.2 基本术语
      • 4.3 定义损失函数
      • 4.4 模型训练与降低损失
      • 4.5 梯度下降法
      • 4.6 学习率
      • 4.7 超参数
      • 4.8 线性回归问题TensorFlow实战
      • 4.9 在训练中显示损失值
      • 4.10 TensorBoard可视化
      • 4.12 本章小结和作业
  • 第五章 多元线性回归:波士顿房价预测问题TesnsorFlow实战
    • 第五章 多元线性回归:波士顿房价预测问题TesnsorFlow实战
      • 5.1 波士顿房价预测问题简介
      • 5.2 机器学习中的基本线性代数
      • 5.3 准备建模
      • 5.4 数据读取
      • 5.5 构建模型
      • 5.6 训练模型
      • 5.7 进行预测
      • 5.8 后续版本改进
      • 5.9 本章小结和作业
  • 第六章 MNIST手写数字识别:分类应用入门
    • 第六章 MNIST手写数字识别:分类应用入门
      • 6.1 MNIST手写数字识别数据解读
      • 6.2 分类模型构建与训练
      • 6.3 本讲小结与作业
  • 第七章 MNIST手写数字识别进阶:多层神经网络与应用
    • 第七章 MNIST手写数字识别进阶:多层神经网络与应用
      • 7.1 单隐藏层神经网络构建与应用
      • 7.2 多层神经网络建模与模型的还原保存
      • 7.3 TensorBoard进阶与TensorFlow游乐场
      • 7.4 本讲小结与作业
  • 第八章 图像识别问题:卷积神经网络与应用
    • 第八章 图像识别问题:卷积神经网络与应用
      • 8.1从神经网络到卷积神经网络:解决参数太多的问题
      • 8.2 卷积神经网络的基本结构
      • 8.3 TensorFlow对卷积神经网络的支持
      • 8.4 CIFAR-10图像识别案例的TensorFlow实现
      • 8.5 本讲小结与作业
  • 第九章 Deep Dream:理解深度神经网络结构及应用
    • 第九章 Deep Dream:理解深度神经网络结构及应用
      • 9.1 Deep Dream:计算机生成梦幻图像
      • 9.2 经典深度神经网络与数据增强
      • 9.3 Inception模型文件导入与卷积层分析
      • 9.4 Deep Dream图像生成
      • 9.5 本讲小结与作业
  • 第十章 猫狗大战:迁移学习及应用
    • 第十章 猫狗大战:迁移学习及应用
      • 10.1 猫狗大战简介
      • 10.2 迁移学习简介
      • 10.3 数据准备
      • 10.4 VGG16的Tensorflow实现
      • 10.5 VGG16模型复用
      • 10.6 数据输入
      • 10.7 模型重新训练与保存
      • 10.8 预测
  • 第十一章 生成式对抗网络原理及Tensorflow实现
    • 第十一章 生成式对抗网络原理及Tensorflow实现
  • 第十二章 泰坦尼克号旅客生存预测:Keras应用实践
    • 第十二章 泰坦尼克号旅客生存预测:Keras应用实践
  • 第十三章 电影评论情感分析:自然语言处理与循环神经网络
    • 第十三章 电影评论情感分析:自然语言处理与循环神经网络
  • 第十四章 鸢尾花品种识别:TensorFlow.js应用开发
    • 第十四章 鸢尾花品种识别:TensorFlow.js应用开发
      • 14.1 TensorFlow.js 简介
      • 14.2 网页开发环境介绍
      • 14.3 TensorFlow.js 核心概念
      • 14.4 TF.js应用:鸢尾花品种识别
  • 第十五章 花卉识别App:TensorFlow Lite与移动应用开发
    • 第十五章 花卉识别App:TensorFlow Lite与移动应用开发
      • 15.1 TensorFlow Lite 基本介绍
      • 15.2 TensorFlow 基本架构
      • 15.3 TFLite应用:手机识别花型
  • 附录 1 工欲善其事必先利其器:TensorFlow开发环境搭建
    • 附录 1 工欲善其事必先利其器:TensorFlow开发环境搭建
      • 1.1 Windows平台下的TensorFlow开发环境搭建
      • 1.2 Linux环境下TensorFlow的安装
  • 附录 2 工欲善其事必先利其器:简明Python基础
    • 附录2 工欲善其事必先利其器:简明Python基础
      • 2.1 简单print用法
      • 2.2 变量
      • 2.3 标识符
      • 2.4 保留字
      • 2.5 数字数据类型
      • 2.6 布尔类型
      • 2.7 注释
      • 2.8 基本运算
      • 2.9 字符串
      • 2.10 列表
      • 2.11 元组
      • 2.12 集合
      • 2.13 字典
      • 2.14 print的格式化输出
      • 2.15 类型转化
      • 2.16 Python的行
      • 2.17 流程控制
      • 2.18 列表推导式
      • 2.19 循环嵌套(多重循环)
      • 2.20 break语句
      • 2.21 continue语句
      • 2.22 pass语句
      • 2.23 函数
      • 2.24 全局变量与局部变量
      • 2.25 类
      • 2.26 文件
      • 2.27 异常
      • 2.28 导入外部库
      • 2.29 获取帮助信息
    • 附录3 协同编书指南
Powered by GitBook
On this page

Was this helpful?

  1. 附录 2 工欲善其事必先利其器:简明Python基础
  2. 附录2 工欲善其事必先利其器:简明Python基础

2.13 字典

Previous2.12 集合Next2.14 print的格式化输出

Last updated 6 years ago

Was this helpful?

字典(Dictionary)是一种映射类型,用“{}”标识,它是一个无序的 键(key):值(value)对 集合。

键(key)必须使用不可变类型。在同一个字典中,键(key)是唯一的。

字典中元素是用过键来存取的。

下图中我们定义了一个有三项值的字典(冒号的前面是键,后面是值),如果我们要去读取字典中某一项的内容,我们需要根据字典的名字以及键去获取。比如下图中我们获取了“height”的值为176:

图2-65

如果想要修改字典中某项的值,只需要重新赋值就可以了:

如果想要在字典中增加一项,可以通过“字典名[键名]=值”的形式增加:

构建一个空的字典可以通过下图的形式:

我们也通过元组序列构造字典:

我们也可以直接在构建元组的时候通过给某一个键赋值的方式来构造字典:

字典类型中也有一些内置的函数,例如clear()、keys()、values()

我们可以直接通过“字典名.函数名”的形式来引用:

图2-66
图2-67
图2-68
图2-69
图2-71
图2-70