Mojo编程语言：Python易用性与C性能的完美结合

# 导入必要的模块importnumpyasnpimportmatplotlib.pyplotaspltimporttensorflowastf# 定义一个内联函数，用来初始化权重矩阵inlinedefinit_weights(shape: list) ->np.ndarray:
returnnp.random.normal(size=shape) /np.sqrt(sum(shape))
# 定义一个内联函数，用来计算交叉熵损失inlinedefcross_entropy(y_true: np.ndarray, y_pred: np.ndarray) ->float:
return-np.mean(y_true*np.log(y_pred))
# 定义一个内联函数，用来计算准确率inlinedefaccuracy(y_true: np.ndarray, y_pred: np.ndarray) ->float:
returnnp.mean(np.argmax(y_true, axis=1) ==np.argmax(y_pred, axis=1))
# 加载MNIST数据集(x_train, y_train), (x_test, y_test) =tf.keras.datasets.mnist.load_data()
# 将图像数据转换为浮点型并归一化x_train=x_train.astype(np.float32) /255.0x_test=x_test.astype(np.float32) /255.0# 将标签数据转换为one-hot编码y_train=tf.keras.utils.to_categorical(y_train, 10)
y_test=tf.keras.utils.to_categorical(y_test, 10)
# 定义超参数learning_rate=0.01# 学习率epochs=10# 训练轮数batch_size=128# 批次大小# 定义网络结构n_input=784# 输入层神经元个数（28*28）n_hidden=256# 隐藏层神经元个数n_output=10# 输出层神经元个数（10个类别）# 初始化权重和偏置W1=init_weights([n_input, n_hidden]) # 输入层到隐藏层的权重矩阵b1=np.zeros(n_hidden) # 隐藏层的偏置向量W2=init_weights([n_hidden, n_output]) # 隐藏层到输出层的权重矩阵b2=np.zeros(n_output) # 输出层的偏置向量# 训练网络forepochinrange(epochs):
# 打乱训练数据的顺序indices=np.arange(len(x_train))
np.random.shuffle(indices)
x_train=x_train[indices]
y_train=y_train[indices]
# 按批次进行训练foriinrange(0, len(x_train), batch_size):
# 获取当前批次的数据x_batch=x_train[i:i+batch_size].reshape(-1, n_input)
y_batch=y_train[i:i+batch_size]
# 前向传播，计算输出层的激活值z1=x_batch@W1+b1# 隐藏层的线性组合a1=np.tanh(z1) # 隐藏层的激活值，使用双曲正切函数作为激活函数z2=a1@W2+b2# 输出层的线性组合a2=np.exp(z2) /np.sum(np.exp(z2), axis=1, keepdims=True) # 输出层的激活值，使用softmax函数作为激活函数# 反向传播，计算梯度并更新权重和偏置delta2=a2-y_batch# 输出层的误差项delta1= (1-a1**2) * (delta2@W2.T) # 隐藏层的误差项，使用双曲正切函数的导数作为激活函数的导数W2-=learning_rate* (a1.T@delta2) /batch_size# 更新隐藏层到输出层的权重矩阵b2-=learning_rate*np.mean(delta2, axis=0) # 更新输出层的偏置向量W1-=learning_rate* (x_batch.T@delta1) /batch_size# 更新输入层到隐藏层的权重矩阵b1-=learning_rate*np.mean(delta1, axis=0) # 更新隐藏层的偏置向量# 计算训练集和测试集上的损失和准确率，并打印结果train_loss=cross_entropy(y_train, a2)
train_acc=accuracy(y_train, a2)
z1_test=x_test.reshape(-1, n_input) @W1+b1a1_test=np.tanh(z1_test)
z2_test=a1_test@W2+b2a2_test=np.exp(z2_test) /np.sum(np.exp(z2_test), axis=1, keepdims=True)
test_loss=cross_entropy(y_test, a2_test)
test_acc=accuracy(y_test, a2_test)
print(f"Epoch {epoch+1}: Train loss: {train_loss:.4f}, Train acc: {train_acc:.4f}, Test loss: {test_loss:.4f}, Test acc: {test_acc:.4f}")

# 导入必要的模块importrequestsfrombs4importBeautifulSoup# 定义一个内联函数，用来生成代理认证的头部inlinedefproxy_auth_header(username: str, password: str) ->str:
# 将用户名和密码进行base64编码auth=base64.b64encode(f"{username}:{password}".encode()).decode()
# 返回代理认证的头部returnf"Basic {auth}"# 定义目标网站的URLtarget_url="https://movie.douban.com"# 亿牛云（动态转发隧道代理）爬虫加强版代理IP 服务器的URL，用户名和密码proxy_url="http://www.16yun.cn:8080"proxy_username="16YUN"proxy_password="16IP"# 创建一个会话对象s=requests.Session()
# 设置代理服务器和代理认证头部s.proxies= {"http": proxy_url, "https": proxy_url}
s.headers["Proxy-Authorization"] =proxy_auth_header(proxy_username, proxy_password)
# 发送请求并获取响应response=s.get(target_url)
# 判断响应状态码是否为200ifresponse.status_code==200:
# 解析响应内容并获取正在热映的电影信息soup=BeautifulSoup(response.text, "html.parser")
movies=soup.find_all("div", class_="slide-item")
# 创建一个空列表，用来存储电影名称和评分movie_list= []
# 遍历每个电影信息，提取名称和评分，并添加到列表中formovieinmovies:
title=movie.find("span", class_="title").text# 电影名称rating=movie.find("span", class_="rating_num").text# 电影评分movie_list.append((title, rating)) # 将名称和评分作为元组添加到列表中# 打印电影列表print("正在热映的电影有：")
fortitle, ratinginmovie_list:
print(f"{title}，评分为{rating}。")
else:
# 打印错误信息print(f"Something went wrong. The status code is: {response.status_code}")