python語言IOError錯誤一般多發(fā)生在對文件操作報錯時，表示要打開的文件不存在，當(dāng)然能引發(fā)IOError錯誤錯誤異常的原因也并不只有這一種情況。下面來列舉一些常會引發(fā)IOError錯誤的示例，并簡單的說下解決IOError錯誤的方法。
創(chuàng)新互聯(lián)公司專注于泰安企業(yè)網(wǎng)站建設(shè),成都響應(yīng)式網(wǎng)站建設(shè)公司,成都商城網(wǎng)站開發(fā)。泰安網(wǎng)站建設(shè)公司,為泰安等地區(qū)提供建站服務(wù)。全流程按需搭建網(wǎng)站，專業(yè)設(shè)計，全程項目跟蹤，創(chuàng)新互聯(lián)公司專業(yè)和態(tài)度為您提供的服務(wù)
1、python ioerror的出現(xiàn)：打開一個不存在的文件，示例中有意輸入了一個不存在的文件名，并試圖打開它。程序找不到這個文件名所以引發(fā)了IOError
?
123
Traceback (most recent call last): File "stdin", line 1, in moduleIOError: [Errno 2] No such file or directory: 'a.txt'
2、文件寫入時遇到python error錯誤原因？有同學(xué)遇到了IOError Errno 0 錯誤的情況，在用a+方式打開文件，之后讀取該文件內(nèi)容。修改讀取的內(nèi)容后重新寫入文件，在寫入時程序也遇到了IOError錯誤。這時要注意在讀取文件之后記得要把文件關(guān)閉，當(dāng)你需要寫入文件時，要再將文件以w+方式打開寫入。加深學(xué)習(xí)Python open()函數(shù)文件打開、讀、寫基礎(chǔ)操作，可以減少類似情況發(fā)生。
3、當(dāng)你不能滿足被訪問文件所設(shè)置的權(quán)限時，也會引發(fā)IO Error錯誤，類似這樣IOError: [Errno 13] Permission denied: 'c:/a.txt' python permission denied 從字面意思來理解就可以知道原因了，是因為我們執(zhí)行的命令（運行python文件等），沒有權(quán)限，給一個超級管理員權(quán)限就可以了。
以上是可以引發(fā)python ioerror錯誤異常最常見原因中幾種，還有很多情況報這個內(nèi)建異常類名。常見的Python語言異常錯誤類型還有哪些？仔細理解錯誤提示的內(nèi)容，英文不好的同學(xué)可以去翻譯一下，就能很容易的知道問題所在并解決這個問題。
用urllib.urlopen讀取， 然后看下是否有“title百度一下”之類的關(guān)鍵詞比較靠譜， 比如
In [1]: import urllib
In [2]: is_online = u'title百度一下，你就知道' in urllib.urlopen("").read().decode('gbk')
In [3]: print is_online
True
從零開始用Python構(gòu)建神經(jīng)網(wǎng)絡(luò)
動機：為了更加深入的理解深度學(xué)習(xí)，我們將使用 python 語言從頭搭建一個神經(jīng)網(wǎng)絡(luò)，而不是使用像 Tensorflow 那樣的封裝好的框架。我認為理解神經(jīng)網(wǎng)絡(luò)的內(nèi)部工作原理，對數(shù)據(jù)科學(xué)家來說至關(guān)重要。
這篇文章的內(nèi)容是我的所學(xué)，希望也能對你有所幫助。
神經(jīng)網(wǎng)絡(luò)是什么?
介紹神經(jīng)網(wǎng)絡(luò)的文章大多數(shù)都會將它和大腦進行類比。如果你沒有深入研究過大腦與神經(jīng)網(wǎng)絡(luò)的類比，那么將神經(jīng)網(wǎng)絡(luò)解釋為一種將給定輸入映射為期望輸出的數(shù)學(xué)關(guān)系會更容易理解。
神經(jīng)網(wǎng)絡(luò)包括以下組成部分
? 一個輸入層，x
? 任意數(shù)量的隱藏層
? 一個輸出層，?
? 每層之間有一組權(quán)值和偏置，W and b
? 為隱藏層選擇一種激活函數(shù)，σ。在教程中我們使用 Sigmoid 激活函數(shù)
下圖展示了 2 層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)(注意：我們在計算網(wǎng)絡(luò)層數(shù)時通常排除輸入層)
2 層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
用 Python 可以很容易的構(gòu)建神經(jīng)網(wǎng)絡(luò)類
訓(xùn)練神經(jīng)網(wǎng)絡(luò)
這個網(wǎng)絡(luò)的輸出 ? 為：
你可能會注意到，在上面的等式中，輸出 ? 是 W 和 b 函數(shù)。
因此 W 和 b 的值影響預(yù)測的準(zhǔn)確率. 所以根據(jù)輸入數(shù)據(jù)對 W 和 b 調(diào)優(yōu)的過程就被成為訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
每步訓(xùn)練迭代包含以下兩個部分:
? 計算預(yù)測結(jié)果 ?，這一步稱為前向傳播
? 更新 W 和 b,，這一步成為反向傳播
下面的順序圖展示了這個過程：
前向傳播
正如我們在上圖中看到的，前向傳播只是簡單的計算。對于一個基本的 2 層網(wǎng)絡(luò)來說，它的輸出是這樣的：
我們在 NeuralNetwork 類中增加一個計算前向傳播的函數(shù)。為了簡單起見我們假設(shè)偏置 b 為0：
但是我們還需要一個方法來評估預(yù)測結(jié)果的好壞(即預(yù)測值和真實值的誤差)。這就要用到損失函數(shù)。
損失函數(shù)
常用的損失函數(shù)有很多種，根據(jù)模型的需求來選擇。在本教程中，我們使用誤差平方和作為損失函數(shù)。
誤差平方和是求每個預(yù)測值和真實值之間的誤差再求和，這個誤差是他們的差值求平方以便我們觀察誤差的絕對值。
訓(xùn)練的目標(biāo)是找到一組 W 和 b，使得損失函數(shù)最好小，也即預(yù)測值和真實值之間的距離最小。
反向傳播
我們已經(jīng)度量出了預(yù)測的誤差(損失)，現(xiàn)在需要找到一種方法來傳播誤差，并以此更新權(quán)值和偏置。
為了知道如何適當(dāng)?shù)恼{(diào)整權(quán)值和偏置，我們需要知道損失函數(shù)對權(quán)值 W 和偏置 b 的導(dǎo)數(shù)。
回想微積分中的概念，函數(shù)的導(dǎo)數(shù)就是函數(shù)的斜率。
梯度下降法
如果我們已經(jīng)求出了導(dǎo)數(shù)，我們就可以通過增加或減少導(dǎo)數(shù)值來更新權(quán)值 W 和偏置 b(參考上圖)。這種方式被稱為梯度下降法。
但是我們不能直接計算損失函數(shù)對權(quán)值和偏置的導(dǎo)數(shù)，因為在損失函數(shù)的等式中并沒有顯式的包含他們。因此，我們需要運用鏈?zhǔn)角髮?dǎo)發(fā)在來幫助計算導(dǎo)數(shù)。
鏈?zhǔn)椒▌t用于計算損失函數(shù)對 W 和 b 的導(dǎo)數(shù)。注意，為了簡單起見。我們只展示了假設(shè)網(wǎng)絡(luò)只有 1 層的偏導(dǎo)數(shù)。
這雖然很簡陋，但是我們依然能得到想要的結(jié)果—損失函數(shù)對權(quán)值 W 的導(dǎo)數(shù)(斜率)，因此我們可以相應(yīng)的調(diào)整權(quán)值。
現(xiàn)在我們將反向傳播算法的函數(shù)添加到 Python 代碼中
為了更深入的理解微積分原理和反向傳播中的鏈?zhǔn)角髮?dǎo)法則，我強烈推薦 3Blue1Brown 的如下教程：
Youtube：
整合并完成一個實例
既然我們已經(jīng)有了包括前向傳播和反向傳播的完整 Python 代碼，那么就將其應(yīng)用到一個例子上看看它是如何工作的吧。
神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)得到函數(shù)的權(quán)重。而我們僅靠觀察是不太可能得到函數(shù)的權(quán)重的。
讓我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)進行 1500 次迭代，看看會發(fā)生什么。 注意觀察下面每次迭代的損失函數(shù)，我們可以清楚地看到損失函數(shù)單調(diào)遞減到最小值。這與我們之前介紹的梯度下降法一致。
讓我們看看經(jīng)過 1500 次迭代后的神經(jīng)網(wǎng)絡(luò)的最終預(yù)測結(jié)果：
經(jīng)過 1500 次迭代訓(xùn)練后的預(yù)測結(jié)果
我們成功了!我們應(yīng)用前向和方向傳播算法成功的訓(xùn)練了神經(jīng)網(wǎng)絡(luò)并且預(yù)測結(jié)果收斂于真實值。
注意預(yù)測值和真實值之間存在細微的誤差是允許的。這樣可以防止模型過擬合并且使得神經(jīng)網(wǎng)絡(luò)對于未知數(shù)據(jù)有著更強的泛化能力。
下一步是什么?
幸運的是我們的學(xué)習(xí)之旅還沒有結(jié)束，仍然有很多關(guān)于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的內(nèi)容需要學(xué)習(xí)。例如：
? 除了 Sigmoid 以外，還可以用哪些激活函數(shù)
? 在訓(xùn)練網(wǎng)絡(luò)的時候應(yīng)用學(xué)習(xí)率
? 在面對圖像分類任務(wù)的時候使用卷積神經(jīng)網(wǎng)絡(luò)
我很快會寫更多關(guān)于這個主題的內(nèi)容，敬請期待!
最后的想法
我自己也從零開始寫了很多神經(jīng)網(wǎng)絡(luò)的代碼
雖然可以使用諸如 Tensorflow 和 Keras 這樣的深度學(xué)習(xí)框架方便的搭建深層網(wǎng)絡(luò)而不需要完全理解其內(nèi)部工作原理。但是我覺得對于有追求的數(shù)據(jù)科學(xué)家來說，理解內(nèi)部原理是非常有益的。
這種練習(xí)對我自己來說已成成為重要的時間投入，希望也能對你有所幫助
networkx是python的一個庫，它為圖的數(shù)據(jù)結(jié)構(gòu)提供算法、生成器以及畫圖工具。近日在使用ryu進行最短路徑獲取，可以通過該庫來簡化工作量。該庫采用函數(shù)方式進行調(diào)用相應(yīng)的api，其參數(shù)類型通常為圖對象。
函數(shù)API的調(diào)用，按照以下步驟來創(chuàng)建構(gòu)建圖：
1.networkx的加載
在python中調(diào)用networkx通常只需要將該庫導(dǎo)入即可
import networkx as nx
2.圖對象的創(chuàng)建
networkx提供了四種基本圖對象：Graph，DiGraph，MultiGraph，MultiDiGraph。
使用如下調(diào)用方式，可以創(chuàng)建以上四種圖對象的空圖。
G=nx.Graph()
G=nx.DiGraph()
G=nx.MultiGraph()
G=nx.MultiDiGraph()
在 networkx中，圖的各個節(jié)點允許以哈希表對象來表示，而對于圖中邊的各個參量，則可以通過與邊相關(guān)聯(lián)的方式來標(biāo)識，一般而言，對于權(quán)重，用weight作為keyword，而對于其他的參數(shù)，使用者可以采用任何除weight以外的keyword來命名。
3.在2中，創(chuàng)建的只是一副空圖，為了得到一個有節(jié)點、有邊的圖，一般采用下面這個函數(shù)：
1
2
G.add_edge(1,2) #default edge data=1
G.add_edge(1,2) #specify edge data=0.9
add_edge()函數(shù)，該函數(shù)在調(diào)用時需要傳入兩個參數(shù)u和v，以及多個可選參數(shù)
u和v即圖中的兩個節(jié)點，如果圖中不存在節(jié)點，在調(diào)用時會自動將這兩個節(jié)點添加入內(nèi)，同時構(gòu)建兩個節(jié)點之間的連接關(guān)系，可選參數(shù)通常指這條邊的權(quán)重等關(guān)系參量。需要注意的是，如果圖中已經(jīng)存在了這條邊，重新進行添加時會對這條邊進行跟新操作（也就是覆蓋了原有的信息）。
對于該函數(shù)，除了上述的構(gòu)建方式以外，還有以下幾種方式來創(chuàng)建邊：
1
2
3
G.add_edge(*e) # single edge as tuple of two nodes
G.add_edge(1, 3, weight=7, capacity=15, length=342.7) #using many arguements to create edge
G.add_edges_from( [(1, 2)] ) # add edges from iterable container
有時候，當(dāng)采用默認方式創(chuàng)建邊以后，我們可能還會往邊里面添加邊的相關(guān)參數(shù)，這時候，可以采用下面的方式來更新邊的信息：
1
2
3
4
5
#For non-string attribute keys, use subscript notation.
G.add_edge(1, 2)
G[1][2].update({0: 5}) #更新邊的信息
G.edges[1, 2].update({0: 5}) #更新邊的信息
#上述兩種更新方式，擇一選取即可
細心的朋友可能注意到我在寫創(chuàng)建圖的內(nèi)容的時候，提到了add_edges_from（）函數(shù)，該函數(shù)也是用來創(chuàng)建邊的，該方式與add_edges()略有不同，比之a(chǎn)dd_edges()采用一個一個節(jié)點的方式進行創(chuàng)建，它來的更為便利。這個函數(shù)在調(diào)用時，需要一個節(jié)點元組作為參數(shù)以及多個可選參數(shù)作為邊的信息。你可以這么傳遞：
默認創(chuàng)建節(jié)點之間的邊：
1
G.add_edges_from([(u,v)])
也可以這么寫，在創(chuàng)建的同時添加信息：
1
G.add_edges_from([(3, 4), (1, 4)], label='WN2898')
通過上述方式，就構(gòu)建了一個3-4-1的圖的連接，并給每條邊打上了標(biāo)簽。
由此你就可以創(chuàng)建出自己的圖模型了。
1. print()函數(shù)：打印字符串
2. raw_input()函數(shù)：從用戶鍵盤捕獲字符
3. len()函數(shù)：計算字符長度
4. format(12.3654，'6.2f'/'0.3%')函數(shù)：實現(xiàn)格式化輸出
5. type()函數(shù)：查詢對象的類型
6. int()函數(shù)、float()函數(shù)、str()函數(shù)等：類型的轉(zhuǎn)化函數(shù)
7. id()函數(shù)：獲取對象的內(nèi)存地址
8. help()函數(shù)：Python的幫助函數(shù)
9. s.islower()函數(shù)：判斷字符小寫
10. s.sppace()函數(shù)：判斷是否為空格
11. str.replace()函數(shù)：替換字符
12. import()函數(shù)：引進庫
13. math.sin()函數(shù)：sin()函數(shù)
14. math.pow()函數(shù)：計算次方函數(shù)
15. 3**4: 3的4次方
16. pow(3,4)函數(shù)：3的4次方
17. os.getcwd()函數(shù)：獲取當(dāng)前工作目錄
18. listdir()函數(shù)：顯示當(dāng)前目錄下的文件
19. socket.gethostbyname()函數(shù)：獲得某主機的IP地址
20. urllib.urlopen(url).read():打開網(wǎng)絡(luò)內(nèi)容并存儲
21. open().write()函數(shù)：寫入文件
22. webbrowser.open_new_tab()函數(shù)：新建標(biāo)簽并使用瀏覽器打開指定的網(wǎng)頁
23. def function_name(parameters):自定義函數(shù)
24. time.sleep()函數(shù)：停止一段時間
25. random.randint()函數(shù)：產(chǎn)生隨機數(shù)
重慶分公司
重慶分公司
