『Python』MachineLearning机器学习入门_效率对比

效率对比：

老生常谈了，不过这次用了个新的模块，

运行时间测试模块timeti：

 1 import timeit
 2
 3 normal = timeit.timeit(‘sum(x*x for x in range(1000))‘, number=10000)
 4 native_np = timeit.timeit(‘sum(na*na)‘,                                  # 重复部分
 5                        setup="import numpy as np; na = np.arange(1000)", # setup只运行一次
 6                        number=10000)                                     # 重复次数
 7 good_np = timeit.timeit(‘na.dot(na)‘,
 8                         setup="import numpy as np; na = np.arange(1000)",
 9                         number=10000)
10
11 print(‘ 原生运行时间：    ‘,normal,‘\n‘,
12       ‘原始numpy运行时间：‘,native_np,‘\n‘,
13       ‘使用numpy自带函数：‘,good_np)

 原生运行时间：     1.236690534016816
 原始numpy运行时间： 1.1835122400079854
 使用numpy自带函数： 0.02045012399321422

时间： 2024-08-28 11:31:55

『Python』MachineLearning机器学习入门_效率对比的相关文章

『Python』MachineLearning机器学习入门_极小的机器学习应用

一个小知识: 有意思的是,scipy囊括了numpy的命名空间,也就是说所有np.func都可以通过sp.func等价调用. 简介: 本部分对一个互联网公司的流量进行拟合处理,学习最基本的机器学习应用. 导入包&路径设置: import os import scipy as sp import matplotlib.pyplot as plt data_dir = os.path.join( os.path.dirname(os.path.realpath(__file__)), "..

『python』科学计算专项_科学绘图库matplotlib学习之绘制动画（待续）

示例代码简单调用绘图 from matplotlib import pyplot as plt import matplotlib.animation as animation import numpy as np def update_point(num): fig_points.set_data(data[:, 0:num]) return fig_points, fig1 = plt.figure() num_point = 50 data = np.random.rand(2, num

『python』科学计算专项_科学绘图库matplotlib学习

思想:万物皆对象作业第一题: import numpy as np import matplotlib.pyplot as plt x = [1, 2, 3, 1] y = [1, 3, 0, 1] def plot_picture(x, y): plt.plot(x, y, color='r', linewidth='2', linestyle='--', marker='D', label='one') plt.xticks(list(range(-5,5,1))) plt.yticks

『python』科学计算专项_科学绘图库matplotlib学习(下)

基本的读取csv文件并绘制饼图由于之前没有过实际处理的经验,所以这个程序还是值得一看,涉及了处理表格数据的基本方法: import matplotlib.pyplot as plt import pandas as pd # csv读取文件 data = pd.read_csv('OutOrder.csv',encoding='gb2312') # 每一列都兼容numpy的方法 a = data['方式'].values # 获取本列的内容的各种可能 typename = [] for i i

『Python』Numpy学习指南第九章_使用Matplotlib绘图

坐标轴调节以及刻度调节参见:『Python』PIL&plt图像处理_矩阵转化&保存图清晰度调整数据生成: 1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 func = np.poly1d(np.array([1,2,3,4])) 5 func1 = func.deriv(m=1) # 求一阶导数 6 func2 = func.deriv(m=2) # 求二阶导数 7 8 x = np.linspace(-10,10,3

『Python』内存分析_List对象内存占用分析

『Python』内存分析_下_list和array的内存增长模式 list声明后结构大体分为3部分,变量名称--list对象(结构性数据+指针数组)--list内容,其中id表示的是list对象的位置, v引用变量名称,v[:]引用list对象,此规则对python其他序列结构也成立,以下示范可用id佐证, a=b时,a和b指向同一个list对象 a=b[:]时,a的list对象和b的list对象指向同一个list内容 Q1:元素存储地址是否连续首先见得的测试一下list对象存储的内容(结构3

『TensorFlow』函数查询列表_神经网络相关

神经网络(Neural Network) 激活函数(Activation Functions) 操作描述 tf.nn.relu(features, name=None) 整流函数:max(features, 0) tf.nn.relu6(features, name=None) 以6为阈值的整流函数:min(max(features, 0), 6) tf.nn.elu(features, name=None) elu函数,exp(features) - 1 if < 0,否则featuresE

『Python』常用函数实践笔记

库安装: 1).pip & conda 2).在win10下手动安装python库的方法: 『python』计算机视觉_OpenCV3库安装原生: list.append():添加元素到list末尾 list.extend():使用一个list扩展另一个list 字典列表化:字典是有顺序的,而且list字典等于list字典的key dict = {'c':1,'b':2,'a':3} list(dict) # Out[13]: # ['c', 'b', 'a'] list(dict.keys(

『PyTorch』第四弹_通过LeNet初识pytorch神经网络_下

『PyTorch』第四弹_通过LeNet初识pytorch神经网络_上 # Author : Hellcat # Time : 2018/2/11 import torch as t import torch.nn as nn import torch.nn.functional as F class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() self.conv1 = nn.Conv2d(3, 6, 5)