'''
编写基于猜年龄的登录和注册方法，将猜年龄游戏分成功能，如
2。登录功能
3。注册功能
4。猜猜年龄的三次函数
5。选择立方奖功能
'''
随机导入
def username_pwd():
username=input('请输入您的用户名：').strip()
pwd=input('请输入您的密码：').strip()
返回用户名,密码
def寄存器():
计数=0
当计数 <2 时：
用户名, 密码 = username_pwd()
pwd_re = input('请再次输入您的密码:').strip()
如果 pwd_re == pwd:
print(f'用户{用户名}注册成功')
with open('user_info.txt','a',encoding='utf8')as fa:
fa.write(f'{用户名}:{密码}\n')
fa.flush()
断
其他：
计数+=1
print(f'用户{username}的密码两次错误:')
def登录():
当 True 时：
用户名,pwd=用户名_pwd()
user_info=f'{用户名}:{密码}\n'
with open('user_info.txt','r',encoding='utf8')as fr:
user_dict=www.sychzs.cn()
如果 user_info 在 user_dict 中：
print(f'用户{用户名}登录成功:')
断
其他：
print(f'用户{用户名}登录失败:')
defguess_age():
计数=0
当计数 <3 时：
年龄=random.randint(18,50)
select_age=input('猜年龄游戏开始，请输入年龄或q退出：').strip()
如果select_age=='q'：
断
如果没有选择_age.isdigit():
print('请输入一个整数：')
继续
select_age=int(choose_age)
如果选择_年龄>50 或选择_年龄<18:
print('请输入大于18到小于50之间的整数:')
继续
如果选择_年龄>年龄：
计数+=1
print('猜的太多了')
elif select_age<年龄：
计数+=1
print('猜猜它太小了')
其他：
print('恭喜你猜对了')
断
def selected_prize():
奖品={
'1':'布娃娃',
'2':'手机',
'3':'计算机',
'4':'充气娃娃',
'5':'狗粮',
}
prize_dict={}
计数=0
当计数 <3 时：
for k ,v inprize.items():
打印(k,v)
choice = input('请选择您的奖品3次或q退出:').strip()
如果选择 == 'q':
断
如果选项未获奖：
print('请输入正确的数字：')
继续
prize_info = 奖品[选择]
print(f'您获得的奖品是：{prize_info}')
如果prize_info在prize_dict中：
计数+=1
prize_dict[prize_info] += 1
其他：
计数+=1
prize_dict[prize_info] = 1
print(f'您获得的总奖品为{prize_dict}')
func_msg={
'1'：注册，
'2'：登录，
'3'：猜测年龄，
'4'：选择奖品，
}
而正确：
打印('''
1 个寄存器
2 登录
3岁猜谜游戏
4 选择您的奖品
q 退出
''')
choice=input('请选择一个函数或q退出:').strip()
if choice=='q':
断
如果没有选择.isdigit:
print('请输入数字：')
继续
如果 func_msg 中没有选择：
print('请输入正确的数字：')
继续
func_msg[选择]()
转载于：https://www.sychzs.cn/jinhongquan/p/11550887.html
通过滤波器相似性检测和可视化进行神经网络压缩
步骤总结
参考论文：通过滤波器相似性检测和可视化进行神经网络压缩。
本文图片均来自上述论文。
总结
?????????本文提出了一种基于深度可视化技术的自动过滤器相似度检测和剪枝系统。在视觉任务中，神经网络被发现会收敛到类似的滤波器，导致参数空间冗余显着增加，从而导致时间和处理能力的高消耗。此外，神经网络的内部工作原理是不透明的，因此提取哪些特征在哪一层、如何提取它们以及这些提取的特征对于最终输出的可行性如何是不易处理的。为了减少参数冗余，我们引入了一种基于相似性度量来可视化和检测相似过滤器的技术。此外，我们在修剪后实现了压缩且高效的架构，并且当应用于标准图像数据集时，我们观察到学习性能没有下降。本文的核心思想是找到相似的过滤器并将其可视化。然后删除这些相似的，只保留其中的一个。
一般步骤
?????????首先，可视化滤波器的激活图。然后，通过可视化，我们可以识别并提取图层中相似的过滤器。最后，通过消除类似的滤波器，可以减少参数的数量并且可以确定参数空间中的动态。 ?????????（我们使用余弦相似度度量来确定两个过滤器之间的相似度。）
系统(“暂停”);
