Python3 notes

简介: Python3 notes

Python 计算笛卡尔积

计算多个集合的笛卡尔积,有规律可循,算法和代码也不难,但是很多语言都没有提供直接计算笛卡尔积的方法,需要自己写大段大段的代码计算笛卡尔积,python 提供了一种最简单的计算笛卡称积的方法(只需要一行代码),详见下面的代码:

#!/usr/bin/python3

# -*- coding: utf-8 -*-

# @file   : Cartesian.py

# @author : shlian

# @date   : 2018/5/29

# @version: 1.0

# @desc   : 用python实现求笛卡尔积

import itertools


class cartesian(object):

   def __init__(self):

       self._data_list=[]


   def add_data(self,data=[]):#添加生成笛卡尔积的数据列表

       self._data_list.append(data)


   def build(self):#计算笛卡尔积

       for item in itertools.product(*self._data_list):

           print(item)


if __name__=="__main__":

   car=cartesian()

   car.add_data([1,2,3,4])

   car.add_data([5,6,7,8])

   car.add_data([9,10,11,12])

   car.build()

计算的结果如下:

(1,5,9)

(1,5,10)

(1,5,11)

(1,5,12)

(1,6,9)

(1,6,10)

(1,6,11)

(1,6,12)

(1,7,9)

(1,7,10)

(1,7,11)

(1,7,12)

(1,8,9)

(1,8,10)

(1,8,11)

(1,8,12)

(2,5,9)

(2,5,10)

(2,5,11)

(2,5,12)

(2,6,9)

(2,6,10)

(2,6,11)

(2,6,12)

(2,7,9)

(2,7,10)

(2,7,11)

(2,7,12)

(2,8,9)

(2,8,10)

(2,8,11)

(2,8,12)

(3,5,9)

(3,5,10)

(3,5,11)

(3,5,12)

(3,6,9)

(3,6,10)

(3,6,11)

(3,6,12)

(3,7,9)

(3,7,10)

(3,7,11)

(3,7,12)

(3,8,9)

(3,8,10)

(3,8,11)

(3,8,12)

(4,5,9)

(4,5,10)

(4,5,11)

(4,5,12)

(4,6,9)

(4,6,10)

(4,6,11)

(4,6,12)

(4,7,9)

(4,7,10)

(4,7,11)

(4,7,12)

(4,8,9)

(4,8,10)

(4,8,11)

(4,8,12)

相关文章
|
8月前
|
SQL 数据库连接 Python
Python3 notes
Python3 notes
|
存储 数据可视化 API
70个注意的Python小Notes
Python读书笔记:70个注意的小Notes 作者:白宁超 2018年7月9日10:58:18 摘要:在阅读python相关书籍中,对其进行简单的笔记纪要。旨在注意一些细节问题,在今后项目中灵活运用,并对部分小notes进行代码标注。
1363 0
|
17天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
阿里云与企业共筑容器供应链安全
171341 14
|
20天前
|
供应链 监控 安全
对话|企业如何构建更完善的容器供应链安全防护体系
随着云计算和DevOps的兴起,容器技术和自动化在软件开发中扮演着愈发重要的角色,但也带来了新的安全挑战。阿里云针对这些挑战,组织了一场关于云上安全的深度访谈,邀请了内部专家穆寰、匡大虎和黄竹刚,深入探讨了容器安全与软件供应链安全的关系,分析了当前的安全隐患及应对策略,并介绍了阿里云提供的安全解决方案,包括容器镜像服务ACR、容器服务ACK、网格服务ASM等,旨在帮助企业构建涵盖整个软件开发生命周期的安全防护体系。通过加强基础设施安全性、技术创新以及倡导协同安全理念,阿里云致力于与客户共同建设更加安全可靠的软件供应链环境。
150297 32
|
28天前
|
弹性计算 人工智能 安全
对话 | ECS如何构筑企业上云的第一道安全防线
随着中小企业加速上云,数据泄露、网络攻击等安全威胁日益严重。阿里云推出深度访谈栏目,汇聚产品技术专家,探讨云上安全问题及应对策略。首期节目聚焦ECS安全性,提出三道防线:数据安全、网络安全和身份认证与权限管理,确保用户在云端的数据主权和业务稳定。此外,阿里云还推出了“ECS 99套餐”,以高性价比提供全面的安全保障,帮助中小企业安全上云。
201965 15
对话 | ECS如何构筑企业上云的第一道安全防线
|
5天前
|
机器学习/深度学习 自然语言处理 PyTorch
深入剖析Transformer架构中的多头注意力机制
多头注意力机制(Multi-Head Attention)是Transformer模型中的核心组件,通过并行运行多个独立的注意力机制,捕捉输入序列中不同子空间的语义关联。每个“头”独立处理Query、Key和Value矩阵,经过缩放点积注意力运算后,所有头的输出被拼接并通过线性层融合,最终生成更全面的表示。多头注意力不仅增强了模型对复杂依赖关系的理解,还在自然语言处理任务如机器翻译和阅读理解中表现出色。通过多头自注意力机制,模型在同一序列内部进行多角度的注意力计算,进一步提升了表达能力和泛化性能。
|
10天前
|
存储 人工智能 安全
对话|无影如何助力企业构建办公安全防护体系
阿里云无影助力企业构建办公安全防护体系
1256 11
|
12天前
|
机器学习/深度学习 自然语言处理 搜索推荐
自注意力机制全解析:从原理到计算细节,一文尽览!
自注意力机制(Self-Attention)最早可追溯至20世纪70年代的神经网络研究,但直到2017年Google Brain团队提出Transformer架构后才广泛应用于深度学习。它通过计算序列内部元素间的相关性,捕捉复杂依赖关系,并支持并行化训练,显著提升了处理长文本和序列数据的能力。相比传统的RNN、LSTM和GRU,自注意力机制在自然语言处理(NLP)、计算机视觉、语音识别及推荐系统等领域展现出卓越性能。其核心步骤包括生成查询(Q)、键(K)和值(V)向量,计算缩放点积注意力得分,应用Softmax归一化,以及加权求和生成输出。自注意力机制提高了模型的表达能力,带来了更精准的服务。
|
10天前
|
人工智能 自然语言处理 程序员
通义灵码2.0全新升级,AI程序员全面开放使用
通义灵码2.0来了,成为全球首个同时上线JetBrains和VSCode的AI 程序员产品!立即下载更新最新插件使用。
1410 25
|
10天前
|
消息中间件 人工智能 运维
1月更文特别场——寻找用云高手,分享云&AI实践
我们寻找你,用云高手,欢迎分享你的真知灼见!
798 37
1月更文特别场——寻找用云高手,分享云&AI实践