从最开始的变量开始思考：
 
　　　在python中，如果要使用一个变量，不需要提前进行声明，只需要在用的时候，给这个变量赋值即可 (这个和C语言等静态类型语言不同，和python为动态类型有关)。
 
举第一个例子：
 
　　　　a = 1
 
　　　这是一个简单的赋值语句，整数 1 为一个对象，a 是一个引用，利用赋值语句，引用a指向了对象1；这边形象比喻一下：这个过程就相当于“放风筝”，变量a就是你手里面的“线”，python就跟那根“线”一样，通过引用来接触和拴住天空中的风筝——对象。
 
　　　你可以通过python的内置函数 id() 来查看对象的身份(identity)，这个所谓的身份其实就是 对象 的内存地址：
 
　　　　注：
 
　　　　　python一切皆对象的理念，所以函数也是一个对象，因此可以使用 id() 函数的__doc__方法来查看这个函数的具体描述。
 
先举个例子：
 
 
 
 
第一个语句中， 2是储存在内存中的一个整数对象，通过赋值 引用a 指向了 对象 1；
 
第二个语句中，内存中建立了一个字符串对象‘banana’，通过赋值 将 引用a 指向了 ‘banana’，同时，对象1不在有引用指向它，它会被python的内存处理机制给当我垃圾回收，释放内存。
 
再举一个例子：
 
 
 
 
第一个语句中， 2是储存在内存中的一个整数对象，通过赋值 引用a 指向了 对象 1；
 
第二个语句中，内存中建立了一个字符串对象‘banana’，通过赋值 将 引用a 指向了 ‘banana’，同时，对象1不在有引用指向它，它会被python的内存处理机制给当我垃圾回收，释放内存。
 
 
 
再来一个例子：
 
通过函数查看 变量a 和 变量b的引用情况：
 
 
 
 
在这里可以看到  这俩个引用 指向了同一个 对象，这是为什么呢？ 这个跟python的内存机制有关系，因为对于语言来说，频繁的进行对象的销毁和建立，特别浪费性能。所以在Python中，整数和短小的字符，Python都会缓存这些对象，以便重复使用。
 
然后再看看这个例子：
 
　1.  a = 4
 
　　　　2.  b = a（这里就是让引用b指向引用a指向的那个对象）
 
　　　　3.  a = a + 2
 
　　　通过函数查看引用情况：
 
　　　　当执行到第2步的时候，查看一下 a 和 b 的引用：
 
 
 
 
可以看到 a 和 b 都指向了 整数对象 4
 
　　　　接下来指向第3步：
 
 
 
 
可以看到 a 的引用改变了，但是 b 的引用未发生改变；a，b指向不同的对象； 第3句对 a 进行了重新赋值，让它指向了新的 对象6；即使是多个引用指向同一个对象，如果一个引用值发生变化，那么实际上是让这个引用指向一个新的引用，并不影响其他的引用的指向。从效果上看，就是各个引用各自独立，互不影响。
 
还有一个必须要看的例子:
 
 
 
 
所以，每次列表实际上都是添加同一个对象。
 
 
 
 
copy.copy() 浅拷贝。只拷贝父对象，不会拷贝对象的内部的子对象。
 
那么，copy.copy()和copy.deepcopy()有什么区别呢?
 
 
 
 
copy.deepcopy() 深拷贝 拷贝对象及其子对象。
 
最后一个例子：
 
（这个栗子会涉及到 python中的 可变数据类型 和 不可变数据类型）：
 
　　　开始这个栗子之前，请记得注意到 第四个栗子的不同之处。
 
　　　　　1.   L1 = [1, 2, 3]
 
　　　　　2.   L2 = L1
 
　　　　　3.   L1[0] = 10
 
　　　通过函数查看引用情况：
 
　　　当执行第1步 和 第二步 的时候，查看一下 L1 和 L2 的引用情况：
 
 
 
 
此时 L1 和 L2 的引用相同，都是指向 [1,2,3]这个列表对象。
 
接下来，继续执行第3步：
 
 
 
 
同样的跟第四个栗子那样，修改了其中一个对象的值，但是可以发现 结果 并不与 第四个栗子那样， 在本次实验中，L1 和 L2 的引用没有发生任何变化，但是 列表对象[1,2,3] 的值 变成了 [10,2,3]（列表对象改变了）
 
在该情况下，我们不再对L1这一引用赋值，而是对L1所指向的表的元素赋值。结果是，L2也同时发生变化。
 
原因何在呢？因为L1，L2的指向没有发生变化，依然指向那个表。表实际上是包含了多个引用的对象（每个引用是一个元素，比如L1[0]，L1[1]..., 每个引用指向一个对象，比如1,2,3), 。而L1[0] = 10这一赋值操作，并不是改变L1的指向，而是对L1[0], 也就是表对象的一部份(一个元素)，进行操作，所以所有指向该对象的引用都受到影响。
 
（与之形成对比的是，我们之前的赋值操作都没有对对象自身发生作用，只是改变引用指向。）
 
列表可以通过引用其元素，改变对象自身(in-place change)。这种对象类型，称为可变数据对象(mutable object)，词典也是这样的数据类型。
 
而像之前的数字和字符串，不能改变对象本身，只能改变引用的指向，称为不可变数据对象(immutable object)。
 
我们之前学的元组(tuple)，尽管可以调用引用元素，但不可以赋值，因此不能改变对象自身，所以也算是immutable object.

本博文源于中国人民大学《数据库系统概论(基础篇)》.博文包含以下内容
 关系模型、关系代数、关系演算
 

 
关系代数基本概念
 
关系模型
关系数据结构
基本概念
域
笛卡尔积
   
   
关系模式
关系完整性约束
实体完整性
关系的引用
    
参照完整性
用户定义的完整性
  
  
关系代数
传统的集合运算
R∪S
R-S
R∩S
笛卡尔积
   
专门的关系运算
选择
投影
连接
等值连接
自然连接
外连接
左右外连接
    
除运算
  
 

 
关系模型
 
关系数据结构
 
基本概念
 
域
 
域是一组具有相同数据类型的值的集合。
 
笛卡尔积
 
就是域的笛卡尔积空间，在这空间里做不同的运算。
 直接看例子就理解透了
 
 
 
 感觉像分布乘法。
 
关系模式
 

 就是描述关系与关系之间的状态，也是用集合的方式进行定义。
 
关系完整性约束
 
实体完整性
 
就是主键不能为空，学术点，是这样子的
 
 
关系的引用
 

 课程号就是被应用了。对于选修课表，如果课程号不是主键，但引用了外键，那么选修课里的“课程号”就是外码。
 
参照完整性
 
就是外码可以取空值或者非空值。
 
用户定义的完整性
 
用户在自己创建的时候，主键必须取值，其他也必须不能去空值。例如
 
 
关系代数
 
传统的集合运算
 
R∪S
 
好像跟集合没什么区别，体会一下。
 
 
R-S
 

 这些集合做运算，举个例子
 
 
R∩S
 
集合的共有概念，体会一下例子
 
 
笛卡尔积
 
两个集合分别元素相乘
 
 
专门的关系运算
 
选择
 

 说人话就是将符合条件的选择出来，直白点(来个例子)：
 

 
 
投影
 
都知道一列是一个属性的概念，那么把一列抽取出来，那就是投影，举例子
 
 完整的表在上方。
 
连接
 

 这个又作何理解呢，就是度相加，然后做笛卡尔乘积，用例子体会
 
 
等值连接
 

 结合上面，又是怎么理解呢？因为等值就是两个元素集合个数相等，那就各个相加就行了
 
自然连接
 

 自然连接只要A的投影，b的度。
 
外连接
 

 
 外连接值不对等所以，没有的都是空值
 
左右外连接
 

 左外连接是只照顾到关系R，右外连接只照顾到关系S，字体体会。
 
除运算
 

 
 例子说明，现在R关系里找到含有关系S的，然后找最大公约数，取个交集就行了

人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。尤其，以深度学习取得的进步为显著标志。
 
它让匍匐前进60年的人工智能一鸣惊人。
 
我们正降落到一片新大陆。深度学习带来的这场重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。
 
那么，深度学习到底是什么？怎么理解它的重要性？
 
我们先从概念和现象入手。
 
我总结了一句话，学术上看未必严谨，但从我的理解角度看——深度学习是基于多层神经网络的，海量数据为输入的，规则自学习方法。
 
这里包含了几个关键词：
 
第一个关键词叫多层神经网络。
 
深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。但近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。
 
以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中，就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。
 
那为什么要深呢？多层神经网络比浅层的好处在哪儿呢？
 
简单说，就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征：最底层从原始像素开始学习，刻画局部的边缘和纹；中层把各种边缘进行组合，描述不同类型的猫的器官；最高层描述的是整个猫的全局特征。
 
它需要超强的计算能力，同时还不断有海量数据的输入。特别是在信息表示和特征设计方面，过去大量依赖人工，严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式，开启了数据驱动的“表示学习”范式——由数据自提取特征，计算机自己发现规则，进行自学习。
 
你可以理解为——过去，人们对经验的利用，靠人类自己完成。在深度学习呢？经验，以数据形式存在。因此，深度学习，就是关于在计算机上从数据中产生模型的算法，即深度学习算法。
 
问题来了，几年前讲大数据，以及各种算法，与深度学习有什么区别呢？
 
过去的算法模式，数学上叫线性，x和y的关系是对应的，它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImagineNet图像分类大赛，用传统算法，识别错误率一直降不下去，上深度学习后，错误率大幅降低。在2010年，获胜的系统只能正确标记72%的图片；到2012年，多伦多大学的GeoffHiton利用深度学习的新技术，带领团队实现了85%的准确率。2015年的ImagineNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类（人类平均有95%的准确率）。
 
计算机认图的能力，已经超过了人。尤其图像和语音等复杂应用，深度学习技术取得了优越的性能。为什么呢？其实就是思路的革新。
 
举几个脑洞大开的例子。
 
1.先说计算机认猫。
 
我们通常能用很多属性描述一个事物。其中有些属性可能很关键，很有用，另一些属性可能没什么用。我们就将属性被称为特征。特征辨识，就是一个数据处理的过程。
 
传统算法认猫，也是标注各种特征去认。就是大眼睛，有胡子，有花纹。但这种特征写着写着，有的猫和老虎就分不出来，狗和猫也分不出来。这种方法叫——人制定规则，机器学习这种规则。
 
深度学习方法怎么办呢？直接给你百万张图片，说这里有猫，再给你上百万张图，说这里没猫。然后再训练一个深度网络，通过深度学习自己去学猫的特征，计算机就知道了，谁是猫。
 
2.第二个例子是谷歌训练机械手抓取。
 
传统方法肯定是看到那里有个机械手，就写好函数，move到xyz标注的空间点，利用程序实现一次抓取。
 
而谷歌现在用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令，预测抓取的结果。简单说，就是训练机器人的手眼协调。机器人会观测自己的机械臂，实时纠正抓取运动。
 
所有行为都从学习中自然浮现，而不是依靠传统的系统程序。
 
为了加快学习进程，谷歌用了14个机械手同时工作，在将近3000小时的训练，相当于80万次抓取尝试后，开始看到智能反应行为的出现。据公开资料，没有训练的机械手，前30次抓取失败率为34%，而训练后，失败率降低到18%。
 
这就是一个自我学习的过程。
 
3.有人问了，深度学习，能学习写文章吗？
 
来看这个例子。斯坦福大学的计算机博士andrejkapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合，就叫它写文章。100个回合后，机器知道要空格，但仍然有乱码。500个回合后，能正确拼写一些短单词。1200个回合后，有标点符号和长单词。2000个回合后，已经可以正确拼写更复杂的语句。
 
整个演化过程是个什么情况呢？
 
以前我们写文章，只要告诉主谓宾。而以上过程，完全没人告诉机器语法规则。甚至，连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练，一层一层训练，最后输出结果——就是一个个看得懂的语句。
 
一切看起来都很有趣。人工智能与深度学习的美妙之处，也正在于此。
 
4.我还去硅谷看过一家公司——完全颠覆以往的算法，利用深度学习实现图像深度信息的采集。
 
众所周知，市面上已经有无人机，可实现人的跟踪。它的方法是什么呢？一个人，在图像系统里，一堆色块的组合。通过人工的方式进行特征选择，比如颜色特征，梯度特征。拿简单的颜色特征举例：比如你穿着绿色衣服，突然走进草丛，就可能跟丢。或，他脱了件衣服，几个人很相近，也容易跟丢。
 
此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。
 
总之，这样的算法需要不停迭代，迭代又会影响前面的效果。
 
而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。
 
据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。
 
可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。
 
“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。
 
技术人员必须进入新的起跑线。
 
5.最后再举个例子。
 
大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。
 
有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。
 
后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。
 
深度学习算法，可以帮助医生作出决策。
 
了解完深度学习，接着思考一个问题——20世纪70年代末80年代初，个人电脑突飞猛进时，人工智能的商业化却步履维艰。乔布斯曾这样定义个人计算机的价值——“它是我们思维的自行车”。那么，今天的人工智能呢？深度学习呢？它给我们真正带来的东西是什么？未来，对行业和社会有什么影响？中国公司的机会在哪？
 　　人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
 　　人工智能，机器学习和深度学习之间，主要有什么差异？
http://www.duozhishidai.com/article-15858-1.html
深度学习初学者必须了解的基本知识
http://www.duozhishidai.com/article-15120-1.html
搞懂深度学习到底需要哪些数学知识
http://www.duozhishidai.com/article-14709-1.html
 
 
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站
 
 
  
 人工智能，机器学习和深度学习之间，主要有什么差异？

http://www.duozhishidai.com/article-15858-1.html

深度学习初学者必须了解的基本知识

http://www.duozhishidai.com/article-15120-1.html

搞懂深度学习到底需要哪些数学知识

http://www.duozhishidai.com/article-14709-1.html

 　　

 
 
内聚标志一个模块内各个元素彼此结合的紧密程度，它是信息隐藏和局部化概念的自然扩展。
低内聚：
（1）偶然内聚：如果一个模块完成一组任务，这些任务彼此间即使有关系，关系也是很松散 的，这就叫做偶然内聚；
（2）逻辑内聚：如果一个模块完成的任务在逻辑上属于相同或相似的一类（例如，一个模块产生各种类型的全部输出），称为逻辑模块；
（3）时间内聚：一个模块包含的任务必须在同一段时间内执行（例如，模块完成各种初始化工作），就叫时间内聚。
中内聚：
（1）过程内聚：如果一个模块内的处理元素是相关的，而且必须以特定次序执行，则称为过程内聚；
（2）通信内聚：如果模块中所有元素都使用同一个输入数据和（或）产生同一个输出数据，则称为通信内聚。
高内聚：
（1）顺序内聚：如果一个模块内的处理元素和同一个功能密切相关，而且这些处理必须顺序执行（通常一个处理元素的输出数据作为下一个处理元素的输入数据），则称为顺序内聚。根据数据流图划分模块时，通常得到顺序内聚的模块，这种模块彼此间的连接往往比较简单。
（2）功能内聚：如果模块内所有处理元素属于一个整体，完成一个单一的功能，则称为功能内聚。功能内聚是最高程度的内聚。
 
 
转载于:https://www.cnblogs.com/tt10/p/5384483.html