2.10 Python函数

Python函数是一段可重复使用的代码块，可以接受输入参数并返回输出结果。函数定义以关键字def开头，后跟函数名和括号内的参数列表。函数体语句从下一行开始，必须缩进。函数执行完毕后，可以通过return语句返回一个值给调用者。Python函数有以下特点：
1. 函数可以有默认参数和可变参数。
2. 函数可以返回多个值。
3. 函数可以嵌套定义。
4. 函数可以作为参数传递给其他函数。
5. 函数可以作为对象赋值给变量。
6. 函数可以使用lambda表达式定义匿名函数。
7. 函数可以使用装饰器增强功能。

举个例子，下面是一个计算两个数之和的函数：

def add(x, y):
    return x + y

调用该函数可以使用以下代码：

result = add(1, 2)
print(result)  # 输出3

相关问题

将模型保存为.pb文件基于tensorflow2.10编写混淆矩阵的python程序

1. 将模型保存为.pb文件

在tensorflow2.10中，可以使用以下代码将模型保存为.pb文件：

import tensorflow as tf

# 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(28, 28, 1)),
    tf.keras.layers.Conv2D(32, 3, activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 训练模型

# 保存模型为.pb文件
tf.saved_model.save(model, '/path/to/model.pb')

2. 编写混淆矩阵的python程序

混淆矩阵是评估分类模型性能的一种常用方法。下面是一个基于tensorflow2.10编写的计算混淆矩阵的Python程序：

import tensorflow as tf
import numpy as np
from sklearn.metrics import confusion_matrix

# 加载测试数据集
(x_test, y_test), _ = tf.keras.datasets.mnist.load_data()
x_test = x_test.astype('float32') / 255.
x_test = np.expand_dims(x_test, axis=-1)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 加载模型
model = tf.saved_model.load('/path/to/model.pb')

# 进行预测
y_pred = model(x_test)

# 将预测结果转换为标签
y_pred = np.argmax(y_pred, axis=-1)
y_test = np.argmax(y_test, axis=-1)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print(cm)

在上面的程序中，首先加载测试数据集，然后加载保存在.pb文件中的模型。接着，使用测试数据集进行预测，并将预测结果转换为标签。最后，使用sklearn.metrics中的confusion_matrix函数计算混淆矩阵，并输出结果。

python线性回归画图

要在Python中画出线性回归图，你可以使用matplotlib和seaborn库来绘制散点图和回归线。首先，你需要导入所需的库，如下所示：

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.linear_model import LinearRegression

然后，你可以使用自己实现的最小二乘法函数或者使用scikit-learn提供的线性回归类来计算回归方程的系数。下面是一个示例函数，它可以帮助你绘制线性回归图：

def linear_plot():
    data = [[5.06, 5.79], [4.92, 6.61], [4.67, 5.48], [4.54, 6.11], [4.26, 6.39], [4.07, 4.81], [4.01, 4.16], [4.01, 5.55], [3.66, 5.05], [3.43, 4.34], [3.12, 3.24], [3.02, 4.80], [2.87, 4.01], [2.64, 3.17], [2.48, 1.61], [2.48, 2.62], [2.02, 2.50], [1.95, 3.59], [1.79, 1.49], [1.54, 2.10]]

    # 计算线性回归的参数
    X = [x[0] for x in data]
    y = [x[1] for x in data]
    model = LinearRegression()
    model.fit([[x] for x in X], y)
    w = round(model.coef_[0], 2)
    b = round(model.intercept_, 2)

    # 绘制散点图和回归线
    sns.scatterplot(x=X, y=y)
    sns.lineplot(x=X, y=model.predict([[x] for x in X]))

    # 返回参数和绘图对象
    return w, b, plt.figure()

这个函数接受一个二维数据列表作为输入，其中每个子列表包含两个变量的值。它会计算线性回归的参数，并绘制散点图和回归线。最后，它会返回回归方程的系数和绘图对象。

希望这个示例能够帮助你绘制线性回归图。