python神经网络库 python的神经网络编程

大数据分析都有哪些编程语言？

以上是Python十大应用领域和就业方向，对于学习Python不知道能干什么，很迷茫的同学可以作为一个学习指导！

数据分析常用的编程语言有Python、R、SQL、Scala、Julia。

python神经网络库 python的神经网络编程

编程是软件开发的基础，大数据分析是包括计算机科学在内的多个领域的。它涉及科学过程和方法的使用，以分析数据并从中得出结论。为此角色设计的特定编程语言将执行这些方法。为了成为熟练的大数据分析家，必须掌握以下大数据分析编程语言。

1、Python

它是易于使用的基于解释器的高级编程语言。Python是一种通用语言，具有用于多个角色的大量库。由于其易于学习的曲线和有用的库，它已成为大数据分析的选择之一。Python观察到的代码可读性也使它成为Data Science的流行选择。

Python支持多种库。大数据分析中解决问题的各个阶段都使用自定义库。解决大数据分析问题涉及数据预处理，分析，可视化，预测和数据保存。为了执行这些步骤，Python拥有专用的库，例如–Pandas，Numpy，Matplotlib，SciPy，scikit-learn等。

此外，高级的Python库(例如Tensorflow，Keras和Pytorch)为大数据分析家提供了深度学习工具。

2、深度学习前沿技术R

R在CRAN的开放源代码存储库中有10,000多个软件包，可满足所有统计应用程序的需求。R的另一个强项是它处理复杂线性代数的能力。这使得R不仅适用于统计分析而且适用于神经网络。R的另一个重要功能是其可视化库ggplot2。

还有其他工作室套件，例如tidyverse和Sparklyr，它们为Apache R提供基于Apache Spark的接口。RStudio等基于R的环境使连接数据库变得更加容易。它具有一个称为“RMySQL”的内置软件包，该软件包提供R与MySQL的本地连接。所有这些功能使R成为核心大数据分析家的理想选择。

3、SQL

SQL被称为“大数据分析的关键”，SQL是大数据分析家必须具备的最重要技能。SQL或“结构化查询语言”是用于从称为关系数据库的有组织数据源中检索数据的数据库语言。在大数据分析中，SQL用于更新，查询和作数据库。

作为大数据分析家，了解如何检索数据是工作中最重要的部分。SQL是大数据分析家的“辅助武器”，这意味着它提供的功能有限，但对于特定角色至关重要。它具有多种实现，例如MySQL，SQLite，PostgreSQL等。

4、Scala

Scala stand是在JVM上运行的Ja编程语言的扩展。它是一种通用编程语言，具有面向对象技术和功能编程语言的功能。您可以将Scala与大数据平台Spark结合使用。当处理大量数据时，这使Scala成为理想的编程语言。

Scala提供了与Ja的完全互作性，同时与Data保持了紧密的联系。作为大数据分析家，必须对使用编程语言充满信心，以便以所需的任何形式雕刻数据。Scala是专门为此角色创建的高效语言。Scala的最重要特征是其促进大规模并行处理的能力。但是，Scala的学习曲线比较陡峭，我们不建议初学者使用。

5、Julia

Julia是最近开发的编程语言，最适合科学计算。它像Python一样简单，因此广受欢迎，并且具有C语言的迅捷性能。这使Julia成为需要复杂数算的领域的理想语言。作为大数据分析家，您将研究需要复杂数学的问题。Julia能够以很高的速度解决此类问题。

Python，神经网络训练模型，报错是字符串不能转换为浮点，请问怎么解决？

详情查看

可能需要将csv中的数据改为数字，可能默认是文本类型

看起来read_csv读出来是一个numpy.array

可以试下

读完csv后下一行改为1、Django：它的存在，让很多网站开发项目才可以拥有如此好的成功，这要是从而导致Python成为网站开发中最常用的语言之一，包含国外一些知名的网站，比如说Instagram、Mozilla

train = numpy.array(train，dtype='int64')

python要学习多久？

一般学习需要几个月左右的时间，Python入门简单，并不代表会一直简单。要学会用Python干活，还需要学习Python的各种库，它的强大在于库，原因是Python的库可以用Python，c语言，c++等设计，再提供给Python使用，所以无论gpu运行，神经网络，智能算法，数据分析，图像处理，科学计算，各式各样的库在等着你用。 根据Dehghani的说法，Python在Python3之后，随着时间的推移而逐渐成熟，新的架构方法如微服务和容器，以及人工智能的进步，都使得企业在整个开发生命周期中更多地使用它，而不仅仅是停留在研究阶段。

千锋的Python课程分为几个阶段：

○阶段是为期一个月学习python的核心编程，主要是python的语言基础和高级应用，帮助学员获得初步软件工程知识并树立模块化编程思想。学完这一阶段的内容，学员已经能够胜任python初级开发工程师的职位。

○第三阶段是全栈开发项目实战，整个阶段需要1.5个月的时间学习，是整可移植性，Matlab必然不如Python。但你主要做Research，这方面需求应当不高。个培训时间占比比较长的一个阶段，时间更长、案例更多、 实用性更强，在这个阶段主要是做项目，学案例，学完这个阶段，学员就可胜任python全栈开发工程师的职位。

○第四阶段的学习是网络爬虫，学习三周，主要是掌握数据的爬取，学完这个阶段可选择的职位有网络爬虫工程师或者是数据采集工程师，第五阶段的学习是数据分析+人工智能，主要是掌握机器学习算法的匹配方法，深入理解算法原理与实现步骤，学习三周，这个阶段结束学员可选择的岗位就更多了，数据分析师、算法工程师、人工智能工程师等都可以直接胜任。

○一周的学习时间是就业指导，主要是清晰了解职业发展规划，明确自身定位，找到适合自身发展的工作，同时提高自和懒式查询（ Lazy Query ）相对应的，直接返回结果的方法一般称作主动查询（ Eager Query ）。主动查询和懒式查询的内在查找逻辑基本上是相同的，区别只在于触发机制不同。由于主动查询实现起来更加简单，出错也更容易排查，因此我们先从主动查询开始实现。己的面试能力，获得更好的工作机会。

种情况：0基础参加Python培训，学习周期4-6个月之间，0基础开始教学，毕业之后就可以找工作；Python培训分为周末班、网络班、脱产班，版型不同学习周期不同，结合机构的课程内容来决定。

Python是比较基础的，算是比较好学的，那需要看你每天的学习时长了，如果专心专门学Python的话，一两个月都有可能学会。

看自己要想达到什么水平吧，要是想就业的水平，那是要学习至少6个月这样的一个时间的

如果你想要学的非常的厉害的话，那么没有习多久这一说，而是说你要一直的学习才能把这个技术达到一个非常厉害的高度

如何用 Python 实现一个图数据库（Graph Database）？

私信“1”获取

本文章是 重写 500 Lines or Less 系列的其中一篇，目标是重写 500 Lines or Less 系列的原有项目：Dagoba: an in-memory graph database。

第二种情况：自学Python，这种方法学习周期较长，受到多种因素影响，比如：自学能力、学习资料等，一般学习周期6个月以上，多则一年以上。

Dagoba 是作者设计用来展示如何从零开始自己实现一个图数据库（ Graph Database ）。该名字似乎来源于作者喜欢的一个乐队，另一个原因是它的前缀 DAG 也正好是有向无环图 （ Directed Acyclic Graph ） 的缩写。本文也沿用了该名称。

图是一种常见的数据结构，它将信息描述为若干的节点（ vertex ，为了和下文的边更加对称，本文中称为 node ），以及把节点关联起来的边（ edge ）。我们熟悉的链表以及多种树结构可以看作是符合特定规则的图。图在路径选择、算法以及神经网络等方面都是重要的核心数据结构。

既然图的用途如此广泛，一个重要的问题就是如何存储它。如果在传统的关系数据库中存储图，很自然的做法就是为节点和边各自创建一张表，并用外键把它们关联起来。这样的话，要查找某人所有的子女，就可以写下类似下面的查询：

还好，不算太复杂。但是如果要查找孙辈呢？那恐怕就要使用子查询或者 CTE(Common Table Expression) 等特殊构造了。再往下想，曾孙辈又该怎么查询？孙媳妇呢？

这样我们会意识到，SQL 作为查询语言，它只是对二维数据表这种结构而设计的，用它去查询图的话非常笨拙，很快会变得极其复杂，也难以扩展。针对图而言，我们希望有一种更为自然和直观的查询语法，类似这样：

为了高效地存储和查询图这种数据结构，图数据库（ Graph Database ）应运而生。因为和传统的关系型数据库存在极大的异，所以它属于新型数据库也就是 NoSql 的一个分支（其他分支包括文档数据库、列数据库等）。图数据库的主要代表包括 Neo4J 等。本文介绍的 Dagoba 则是具备图数据库核心功能、主要用于教学和演示的一个简单的图数据库。

原文代码是使用 JaScript 编写的，在定义调用接口时大量使用了原型（ prototype ）这种特有的语言构造。对于其他主流语言的用户来说，原型的用法多少显得有些别扭和不自然。

考虑到本系列其他数据库示例大多是用 Python 实现的，本文也按照传统，用 Python 重写了原文的代码。同样延续之前的惯例，为了让读者更好地理解程序是如何逐步完善的，我们用迭代式的方法完成程序的各个组成部分。

原文在 500lines 系列的 Github 仓库中只包含了实现代码，并未包含测试。按照代码注释说明，测试程序位于作者的另一个代码库中，不过和 500lines 版本的实现似乎略有不同。

本文实现的代码参考了原作者的测试内容，但跳过了北欧神话这个例子——我承认确实不熟悉这些神祇之间的亲缘关系，相信中文背景的读者们多数也未必了解，虽然作者很喜欢这个例子，想了想还是不要徒增困惑吧。因此本文在编写测试用例时只参考了原文关于家族亲属的例子，放弃了神话相关的部分，尽管会减少一些趣味性，相信对于入门级的代码来说这样也够用了。

本文实现程序位于代码库的 dagoba 目录下。按照本系列程序的同意规则，要想直接执行各个已完成的步骤，读者可以在根目录下的 main.py 找到相应的代码位置，取消注释并运行即可。

本程序的所有步骤只需要 Python3 ，测试则使用内置的 unittest , 不需要额外的第三方库。原则上 Python3.6 以上版本应该都可运行，但我只在 Python3.8.3 环境下完整测试过。

本文实现的程序从最简单的案例开始，通过每个步骤逐步扩展，最终形成一个完整的程序。这些步骤包括：

接下来依次介绍各个步骤。

回想一下，图数据库就是一些点（ node ）和边（ edge ）的。现在我们要做出的一个重大决策是如何对节点/边进行建模。对于边来说，必须指定它的关联关系，也就是从哪个节点指向哪个节点。大多数情况下边是有方向的——父子关系不指明方向可是要乱套的！

考虑到扩展性及通用性问题，我们可以把数据保存为字典（ dict ），这样可以方便地添加用户需要的任何数据。某些数据是为数据库内部管理而保留的，为了明确区分，可以这样约定：以下划线开头的特殊字段由数据库内部维护，类似于私有成员，用户不应该自己去修改它们。这也是 Python 社区普遍遵循的约定。

此外，节点和边存在互相引用的关系。目前我们知道边会引用到两端的节点，后面还会看到，为了提高效率，节点也会引用到边。如果仅仅在内存中维护它们的关系，那么使用指针访问是很直观的，但数据库必须考虑到序列化到磁盘的问题，这时指针就不再好用了。

为此，按照数据库的一般要求，为每个节点维护一个主键（ _id ），用主键来描述它们之间的关联关系。

我们步要把数据库的模型建立起来。为了测试目的，我们使用一个最简单的数据库模型，它只包含两个节点和一条边，如下所示：

按照 TDD 的原则，首先编写测试：

与原文一样，我们把数据库管理接口命名为 Dagoba 。目前，能够想到的最简单的测试是确认节点和边是否已经添加到数据库中：

assert_ 是一个辅助方法，用于检查字典是否包含预期的字段。相信大家都能想到该如何实现，这里就不再列出了，读者可参考 Github 上的完整源码。

现在，测试是失败的。用最简单的办法实现数据库：

需要注意的是，不管添加节点还是查询，程序都使用了拷贝后的数据副本，而不是直接使用原始数据。为什么要这样做？因为字典是可变的，用户可以在任何时候修改其中的内容，如果数据库不知道数据已经变化，就很容易发生难以的一致性问题，最糟糕的情况下会使得数据内容混乱。

拷贝数据可以避免上述问题，代价则是需要占用更多内存和处理时间。对于数据库来说，通常查询次数要远远多于修改，所以这个代价是可以接受的。

现在测试应该正常通过了。为了让它更加完善，我们可以再测试一些边缘情况，看看数据库能否正确处理异常数据，比如：

例如，如果用户尝试添加重复主键，我们预期应抛出 ValueError 异常。因此编写测试如下：

为了满足以上测试，代码需要稍作修改。特别是按照 id 查找主键是个常用作，通过遍历的方法效率太低了，是能够通过主键直接访问。因此在数据库中再增加一个字典：

完整代码请参考 Github 仓库。

在上个步骤，我们在初始化数据库时为节点明确指定了主键。按照数据库设计的一般原则，主键是不具有业务含义的主键（ Surrogate key ），用户不应该关心它具体的值是什么，因此让数据库去管理主键通常是更为合理的。当然，在部分场景下——比如导入外部数据——明确指定主键仍然是有用的。

为了同时支持这些要求，我们这样约定：字段 _id 表示节点的主键，如果用户指定了该字段，则使用用户设置的值（当然，用户有保证它们不会重复）；否则，由数据库自动为它分配一个主键。

如果主键是数据库生成的，事先无法预知它的值是什么，而边（ edge ）必须指定它所指向的节点，因此必须在主键生成后才能添加。由于这个原因，在动态生成主键的情况下，数据库的初始化会略微复杂一些。还是先写一个测试：

为支持此功能，我们在数据库中添加一个内部字段 _next_id 用于生成主键，并让 add_node 方法返回新生成的主键：

接下来，再确认一下边是否可以正常访问：

运行测试，一切正常。这个步骤很轻松地完成了，不过两个测试（ DbModelTest 和 PrimaryKeyTest ）出现了一些重复代码，比如 get_ 。我们可以把这些公用代码提取出来。由于 get_ 内部调用了 TestCase.assertXXX 等方法，看起来应该使用继承，但从 TestCase 派生基类容易引起一些潜在的问题，所以我转而使用另一个技巧 Mixin ：

实现数据库模型之后，接下来就要考虑如何查询它了。

在设计查询时要考虑几个问题。对于图的访问来说，几乎总是由某个节点（或符合条件的某一类节点）开始，从与它相邻的边跳转到其他节点，依次类推。所以链式调用对查询来说是一种很自然的风格。举例来说，要知道 Tom 的孙子养了几只猫，可以使用类似这样的查询：

可以想象，以上每个方法都应该返回符合条件的节点。这种实现是很直观的，不过存在一个潜在的问题：很多时候用户只需要一小部分结果，如果它总是不计代价地给我们一个巨大的，会造成极大的浪费。比如以下查询：

如果读者比较熟悉流行的 Python ORM，比如 SqlAlchemy 或者 Django ORM 的话，会知道它们几乎都是懒式查询的，要调用 list(result) 或者 result[0:10] 这样的方法才能得到具体的查询结果。

在 Dagoba 中把触发查询的方法定义为 run 。也就是说，以下查询执行到 run 时才真正去查找数据：

还是从测试开始。前面测试所用的简单数据库数据太少，难以满足查询要求，所以这一步先来创建一个更复杂的数据模型：

此关系的复杂之处之一在于反向关联：如果 A 是 B 的哥哥，那么 B 就是 A 的弟弟/妹妹，为了查询到他们彼此之间的关系，正向关联和反向关联都需要存在，因此在初始化数据库时需要定义的边数量会很多。

当然，父子之间也存在反向关联的问题，为了让问题稍微简化一些，我们目前只需要向下（子孙辈）查找，可以稍微减少一些关联数量。

因此，我们定义数据模型如下。为了减少重复工作，我们通过 _backward 字段定义反向关联，而数据库内部为了查询方便，需要把它维护成两条边：

然后，测试一个最简单的查询，比如查找某人的所有孙辈：

这里 outcome/income 分别表示从某个节点出发、或到达它的节点。在原作者的代码中把上述方法称为 out/in 。当然这样看起来更加简洁，可惜的是 in 在 Python 中是个关键字，无法作为函数名。我也考虑过加个下划线比如 out_.in_ 这种形式，但看起来也有点怪异，权衡之后还是使用了稍微啰嗦一点的名称。

现在我们可以开始定义查询接口了。在前面已经说过，我们分别实现两种查询，包括主动查询（ Eager Query ）以及延迟查询（ Lazy Query ）。

它们的内在查询逻辑是相通的，看起来似乎可以使用继承。不过遵循 YAGNI 原则，目前先不这样做，而是只定义两个新类，在满足测试的基础上不断扩展。以后我们会看到，与继承相比，把共同的逻辑放到数据库本身其实是更为合理的。

接下来实现访问节点的方法。由于 EagerQuery 调用查询方立即返回结果，我们把结果记录在 _result 内部字段中。虽然 node 方法只返回单个结果，但考虑到其他查询方法几乎都是返回，为统一起见，让它也返回，这样可以避免同时支持与单结果的分支处理，让代码更加简洁、不容易出错。此外，如果查询对象不存在的话，我们只返回空，并不视为一个错误。

查询输入/输出节点的方法实现类似这样：

查找节点的核心逻辑在数据库本身定义：

以上使用了内部定义的一些辅助查询方法。用类似的逻辑再定义 income ，它们的实现都很简单，读者可以直接参考源码，此处不再赘述。

在此步骤的，我们再实现一个优化。当多次调用查询方法后，结果可能会返回重复的数据，很多时候这是不必要的。就像关系数据库通常支持 unique/distinct 一样，我们也希望 Dagoba 能够过滤重复的数据。

假设我们要查询某人所有孩子的祖父，显然不管有多少孩子，他们的祖父应该是同一个人。因此编写测试如下：

现在来实现 unique 。我们只要按照主键把重复数据去掉即可：

在上个步骤，初始化数据库指定了双向关联，但并未测试它们。因为我们还没有编写代码去支持它们，现在增加一个测试，它应该是失败的：

运行测试，的确失败了。我们看看要如何支持它。回想一下，当从边查找节点时，使用的是以下方法：

这里也有一个潜在的问题：调用 self.edges 意味着遍历所有边，当数据库内容较多时，这是巨大的浪费。为了提高性能，我们可以把与节点相关的边记录在节点本身，这样要查找边只要看节点本身即可。在初始化时定义出入边的：

在添加边时，我们要同时把它们对应的关系同时更新到节点，此外还要维护反向关联。这涉及对字典内容的部分，先编写一个辅助方法：

然后，将添加边的实现修改如下：

这里的代码同时添加正向关联和反向关联。有的朋友可能会注意到代码略有重复，是的，但是重复仅出现在该函数内部，本着“三则重构”的原则，暂时不去提取代码。

实现之后，前面的测试就可以正常通过了。

在这个步骤中，我们来实现延迟查询（ Lazy Query ）。

延迟查询的要求是，当调用查询方法时并不立即执行，而是推迟到调用特定方法，比如 run 时才执行整个查询，返回结果。

延迟查询的实现要比主动查询复杂一些。为了实现延迟查询，查询方法的实现不能直接返回结果，而是记录要执行的动作以及传入的参数，到调用 run 时再依次执行前面记录下来的内容。

如果你去看作者的实现，会发现他是用一个数据结构记录执行作和参数，此外还有一部分逻辑用来分派对每种结构要执行的动作。这样当然是可行的，但数据处理和分派部分的实现会比较复杂，也容易出错。

本文的实现则选择了另外一种不同的方法：使用 Python 的内部函数机制，把一连串查询变换成一组函数，每个函数取上个函数的执行结果作为输入，一个函数的输出就是整个查询的结果。由于内部函数同时也是闭包，尽管每个查询的参数形式各不相同，但是它们都可以被闭包“捕获”而成为内部变量，所以这些内部函数可以采用统一的形式，无需再针对每种查询设计额外的数据结构，因而执行过程得到了很大程度的简化。

首先还是来编写测试。 LazyQueryTest 和 EagerQueryTest 测试用例几乎是完全相同的（是的，两种查询只在于内部实现机制不同，它们的调用接口几乎是完全一致的）。

因此我们可以把 EagerQueryTest 的测试原样不变拷贝到 LazyQueryTest 中。当然拷贝粘贴不是个好注意，对于比较冗长而固定的初始化部分，我们可以把它提取出来作为两个测试共享的公共函数。读者可参考代码中的 step04_lazy_query/tests/test_lazy_query.py 部分。

程序把查询函数的串行执行称为管道（ pipeline ），用一个变量来记录它：

然后依次实现各个调用接口。每种接口的实现都是类似的：用内部函数执行真正的查询逻辑，再把这个函数添加到 pipeline 调用链中。比如 node 的实现类似下面：

其他接口的实现也与此类似。， run 函数负责执行所有查询，返回最终结果；

完成上述实现后执行测试，确保我们的实现是正确的。

在前面我们说过，延迟查询与主动查询相比，的优势是对于许多查询可以按需要访问，不需要每个步骤都返回完整结果，从而提高性能，节约查询时间。比如说，对于下面的查询：

以上查询的意思是从孙辈中找到一个符合条件的节点即可。对该查询而言，主动查询会在调用 outcome('son') 时就遍历所有节点，哪怕一步只需要个结果。而延迟查询为了提高效率，应在找到符合条件的结果后立即停止。

目前我们尚未实现 take 方法。老规矩，先添加测试：

主动查询的 take 实现比较简单，我们只要从结果中返回前 n 条记录：

延迟查询的实现要复杂一些。为了避免不必要的查找，返回结果不应该是完整的列表（ list ），而应该是个按需返回的可迭代对象，我们用内置函数 next 来依次返回前 n 个结果：

写完后运行测试，确保它们是正确的。

从外部接口看，主动查询和延迟查询几乎是完全相同的，所以用单纯的数据测试很难确认后者的效率一定比前者高，用访问时间来测试也并不可靠。为了测试效率，我们引入一个节点访问次数的概念，如果延迟查询效率更高的话，那么它应该比主动查询访问节点的次数更少。

为此，编写如下测试：

我们为 Dagoba 类添加一个成员来记录总的节点访问次数，以及两个辅助方法，分别用于获取和重置访问次数：

然后浏览代码，查找修改点。增加计数主要在从边查找节点的时候，因此修改部分如下：

此外还有 income/outcome 方法，修改都很简单，这里就不再列出。

实现后再次运行测试。测试通过，表明延迟查询确实在效率上优于主动查询。

不像关系数据库的结构那样固定，图的形式可以千变万化，查询机制也必须足够灵活。从原理上讲，所有查询无非是从某个节点出发按照特定方向搜索，因此用 node/income/outcome 这三个方法几乎可以组合出任意所需的查询。

但对于复杂查询，写出的代码有时会显得较为琐碎和冗长，对于特定领域来说，往往存在更为简洁的名称，例如：母亲的兄弟可简称为舅舅。对于这些场景，如果能够类似 DSL （领域特定语言）那样允许用户根据专业要求自行扩展，从而简化查询，方便阅读，无疑会更为友好。

如果读者去看原作者的实现，会发现他是用一种特殊语法 addAlias 来定义自己想要的查询，调用方法时再进行查询以确定要执行的内容，其接口和内部实现都是相当复杂的。

而我希望有更简单的方法来实现这一点。所幸 Python 是一种高度动态的语言，允许在运行时向类中增加新的成员，因此做到这一点可能比预想的还要简单。

为了验证这一点，编写测试如下：

无需 Dagoba 的实现做任何改动，测试就可以通过了！其实我们要做的就是动态添加一个自定义的成员函数，按照 Python 对象机制的要求，成员函数的个成员应该是名为 self 的参数，但这里已经是在 UnitTest 的内部，为了和测试类本身的 self 相区分，新函数的参数增加了一个下划线。

此外，函数应返回其所属的对象，这是为了链式调用所要求的。我们看到，动态语言的灵活性使得添加新语法变得非常简单。

到此，一个初具规模的图数据库就形成了。

和原文相比，本文还缺少一些内容，比如如何将数据库序列化到磁盘。不过相信读者都看到了，我们的数据库内部结构基本上是简单的原生数据结构（列表+字典），因此序列化无论用 pickle 或是 JSON 之类方法都应该是相当简单的。有兴趣的读者可以自行完成它们。

我们的图数据库实现为了提高查询性能，在节点内部存储了边的指针（或者说引用）。这样做的好处是，无论数据库有多大，从一个节点到相邻节点的访问是常数时间，因此数据访问的效率非常高。

但一个潜在的问题是，如果数据库规模非常大，已经无法整个放在内存中，或者出于安全性等原因要实现分布式访问的话，那么指针就无法使用了，必须要考虑其他机制来解决这个问题。分布式数据库无论采用何种数据模型都是一个棘手的问题，在本文中我们没有涉及。有兴趣的读者也可以考虑 500lines 系列中关于分布式和集群算法的其他一些文章。

本文的实现和系列中其他数据库类似，采用 Python 作为实现语言，而原作者使用的是 JaScript ，这应该和作者的背景有关。我相信对于大多数开发者来说， Python 的对象机制比 JaScript 基于原型的语法应该是更容易阅读和理解的。

当然，原作者的版本比本文版本在实现上其实是更为完善的，灵活性也更好。如果想要更为优雅的实现，我们可以考虑使用 Python 元编程，那样会更接近于作者的实现，但也会让程序的复杂性大为增加。如果读者有兴趣，不妨对照着去读读原作者的版本。

Python学完之后从事什么工作比较有发展前途？

Python是一门简单、易学并且很有前途的编程语言，很多人都对Python感兴趣，但是当学完Python基础用法之后，又会产生迷茫，尤其是自学的人员，不知道接下来的Python学习方向，以及学完之后能干些什么？以下是Python十大应用领域！

1. WEB开发

为了避免不必要的浪费，我们需要另外一种机制，也就是通常所称的“懒式查询”或“延迟查询”。它的基本思想是，当我们调用查询方法时，它只是把查询条件记录下来，而并不立即返回结果，直到明确调用某些方法时才真正去查询数据库。

Python拥有很多免费数据函数库、免费web网页模板系统、以及与web进行交互的库，可以实现web开发，搭建web框架，目前比较有名气的Python web框架为Django。从事该领域应从数据、组件、安全等多领域进行学习，从底层了解其工作原理并可驾驭任何业内主流的Web框架。

2. 网络编程

网络编程是Python学习的另一方向，网络编程在生活和开发中无处不在，哪里有通讯就有网络，它可以称为是一切开发的“基石”。对于所有编程开发人员必须要知其然并知其所以然，所以网络部分将从协议、封包、解包等底层进行深入剖析。

4. 云计算开发

Python是从事云计算工作需要掌握的一门编程语言，目前很火的云计算框架OpenStack就是由Python开发的，如果想要深入学习并进行二次开发，就需要具备Python的技能。

5. 人工智能

MASA和Google早期大量使用Python，为Python积累了丰富的科算库，当AI时代来临后，Python从众多编程语言中脱颖而出，各种人工智能算法都基于Python编写，尤其PyTorch之后，Python作为AI时代头牌语言的位置基本确定。

6. 自动化运维

Python是一门综合性的语言，能满足绝大部分自动化运维需求，前端和后端都可以做，从事该领域，应从设计层面、框架选择、灵活性、扩展性、故障处理、以及如何优化等层面进行学习。

7. 金融分析

金融分析包含金融知识和Python相关模块的学习，学习内容囊括Numpy\Pandas\Scipy数据分析模块等，以及常见金融分析策略如“双均线”、“周规则交易”、“羊驼策略”、“Dual Thrust 交易策略”等。

8. 科算

Python是一门很适合做科学计算的编程语言，97年开始，NASA就大量使用Python进行各种复杂的科算，随着NumPy、SciPy、Matplotlib、Enthought librarys等众多程序库的开发，使得Python越来越适合做科学计算、绘制高质量的2D和3D图像。

9. 游戏开发

在网络游戏开发中，Python也有很多应用，相比于Lua or C++，Python比Lua有更高阶的抽象能力，可以用更少的代码描述游戏业务逻辑，Python非常适合编写1万行以上的项目，而且能够很好的把网游项目的规模控制在10万行代码以内。

10. 桌面软件

Python在图形界面开发上很强大，可以用tkinter/PyQT框架开发各种桌面软件！

接私活，创业。做好程序后挨家挨户找小店铺推销。

用Python和Keras做LSTM神经网络普通电脑可以吗?

本套 Python 课程 400 集，从零基础开始，全面讲解 Python 基础，直达可以手写神经网络的境界。

你好，如果数据量不大的话，普通电脑可以的。如果数据量很大，建议使用云计算资源。

望采纳OpenCV库介绍及车牌定位。

您好，用有NVIDIA GPU的电脑，使用CUDA跑LSTM。光用CPU跑LSTM会很慢！

可以用小型数据做学习测试, 实际场景请用TPU

清华名师用30小时讲解Python教程，整整400多集，拿走不谢

尽管Julia由于其开发而在其稳定版本中遇到了一些问题，但它现在已被广泛认可为人工智能语言。

我们创造性的增加了：手写数据结构和算法、手写神经网络项目。让零基础学员在学习Python 时就开始接触高深的底层知识、神经网络底层实现的知识。

第三方生态，Matlab不如Python。比如3D的绘图工具包，比如GUI，比如更方便的并行，使用GPU，Functional等等。长期来看，Python的科学计算生态会比Matlab好。

内容共分 26 章，讲解了 Python 基础的方方面面，可以作为 Python 学习者的“宝典”。同时，穿插了 3 个大型实战项目：

1. 坦克大战 游戏 。

采用 游戏 开发的方式，寓教于乐，快乐中掌握 Python 基础。

2. 手写算法和数据结构。

算法和数据结构是很多大公司面试的不二选择，我们这里讲解内容的同时，手把手 带你实现一个个底层算法，将内功练扎实。

3. 手写神经网络。

Python 是人工智能的语言。我们创造性的在基础课程中就加入了如何编写一个自己的神经网络，为踏入神经网络的大门打下“坚实基础”。

本套视频一共 400 集，本套视频共分 3 季：

季 【基础篇】Python 基础 （115 集）

第二季 【提高篇】Python 深入和扩展（100 集）

第三季 【扩展篇】网络编程、多线程、扩展库（85 集）

第四季 【高手篇】算法、Python 源码、函数式编程、手工实现神经网络（100 集）

目录：

二 数据库编程

三 Liunx系统

四 网页编程

五 VUE框架

六 Flask 框架

获取方式：

私信方法：点击头像 点击回复“1”即可

神经网络研究与应用这块用python好还是matlab

由于大数据分析家可以解决复杂的问题，因此拥有一种易于理解的语言是理想的。Python使用户更容易在遵循所需算法标准的同时实现解决方案。

Python的优势：

Python相对于Matlab最反向传播算法大的优势：免费。

Python次大的优势：开源。你可以大量更改科学计算的算法细节。

语言更加优美。另外如果有一定的OOP需求，构建较大一点的科学计算系统，直接用Python比用Matlab混合的方案肯定要简洁不少。

Matlab的优势：

Matlab本来号称更快，但实际上由于Python越来越完善的生态，这个优势已经逐渐丧失了。

总结来说就是python开源免费，有丰富的第三方库，比较适合实际工程，matlab是商业软件

如果买了的话做学术研究不错， 如果混合编程比较麻烦。

Python 在编程语言中是什么地位？为什么很多大学不教 Python？

○第二阶段也是为期一个月，主要学习python全栈开发基础，通过本模块的学习，学生不仅能够掌握js在网络前端中的使用，还能够把js作为一门通用语言来运用，为学生将对于面向统计的任务，R是理想的语言。与Python相比，有抱负的大数据分析家可能不得不面对陡峭的学习曲线。R专门用于统计分析。因此，它在统计学家中非常受欢迎。如果您想深入了解数据分析和统计信息，那么R是您选择的语言。R的缺点是它不是通用编程语言，这意味着它不用于统计编程以外的任务。来从事全栈工作打下坚实的基础。

眼看到这个问题的时候，潜意识地看了一下问题日志，果不其然，问题发表于2011年，据今已有7年时间，随着这两年人工智能大热，作为AI届的“网红”，Python的地位也有一定变化，所以今天再把这个问题扒出来研究一下。

(Look out for yourself)，(你得有戒备之心)，I wake up to the sounds，突如其来的寂静，Of the silence that allows，将我唤醒，For my mind to run around，我脑海不禁回荡，With my ear up to the ground，密切关注现况，I'm searching to behold，我苦寻觅 为看再现，The stories that are told，那曾被讲述的故事，When my back is to the world，当我背靠着世界，That was iling when I turned，转身时便是笑颜，Tell you you're the greatest，他们表面赞不绝口，But once you turn they hate us，而在你转身后 又含沙射影，Oh the misery，这难言的苦涩，Everybody wants to be my enemy，我就犹如全民公敌，Spare the sympathy，省去你所谓的怜悯吧，Everybody wants to be，我就犹如，My enemy-y-y-y-y，全民公敌，(Look out for yourself)，(你得有戒备之心)，My enemy (Look)-y(Look)-y(Look)-y(Look)-y，我的宿敌，(Look out for yourself)，(你得有戒备之心)，But I’m ready，但我已准备反击，Your words up on the wall，你面朝墙诅咒我，As you're praying for my fall，坐观我的落败，And the laughter in the halls，穿堂而来的嘲讽讥笑，And the names that I've been called，夹杂着贬低我 落井下石的恶名，I stack it in my mind，我聚精凝神，And I'm waiting for the time，静候时机到来，When I show you what it's like，到时候我将让你见证，To be words spit in a mic，麦克风怒吼出的最强音，Tell you you're the great刚刚合适的话就惦记惦记惦记的那等你男的女的记得记得拿你的呢

为什么很多大学不教 Python? 随着这两年人工智能大热,作为AI届的“网红”,Python的地位也有一定变化,所以今天再把这个问题扒出来研究一下。 Python是当下非常热门的一种编程语言。热...