PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)
本文參加新星計劃人工智能(Pytorch)賽道:https://bbs.csdn.net/topics/613989052
一、Mnist 分類任務(wù)簡介
- 在上一篇博客當(dāng)中,我們通過搭建 PyTorch 神經(jīng)網(wǎng)絡(luò)實現(xiàn)了氣溫預(yù)測,這本質(zhì)上是一個回歸任務(wù)。在本次博文當(dāng)中,我們使用 PyTorch 做一個分類任務(wù)。
- 其實,分類任務(wù)和回歸任務(wù)在本質(zhì)上沒有任何區(qū)別,只是說在結(jié)果上是不同的,損失函數(shù)是不同的,中間的網(wǎng)絡(luò)架構(gòu)卻是大體一致的。
- 在本次的分類任務(wù)當(dāng)中,我們使用的數(shù)據(jù)集是 Mnist 數(shù)據(jù)集,這個數(shù)據(jù)集大家都比較熟悉,可以在 http://yann.lecun.com/exdb/mnist/ 中獲取,主要包括四個文件:
文件名稱 | 大小 | 內(nèi)容 |
---|---|---|
train-images-idx3-ubyte.gz | 9,681 kb | 55000 張訓(xùn)練集,5000 張驗證集 |
train-labels-idx1-ubyte.gz | 29 kb | 訓(xùn)練集圖片對應(yīng)的標(biāo)簽 |
t10k-images-idx3-ubyte.gz | 1,611kb | 10000 張測試集 |
t10k-labels-idx1-ubyte.gz | 5 kb | 測試集圖片對應(yīng)的標(biāo)簽 |
- 在上述在上述文件中,訓(xùn)練集 train 一共包含了 60000 張圖像和標(biāo)簽,而測試集一共包含了 10000 張圖像和標(biāo)簽。
- idx3 表示 3 維,ubyte 表示是以字節(jié)的形式進(jìn)行存儲的,t10k 表示 10000 張測試圖片(test10000)。
- 每張圖片是一個 28*28 像素點的 0 ~ 9 的灰質(zhì)手寫數(shù)字圖片,黑底白字,圖像像素值為 0 ~ 255,越大該點越白。
- 本次分類任務(wù)主要包含如下的幾個部分:
- (1) 網(wǎng)絡(luò)基本構(gòu)建與訓(xùn)練方法,常用函數(shù)解析。
- (2) torch.nn.functional 模塊。
- (3) nn.Module 模塊。
二、Mnist 數(shù)據(jù)集的讀取
- 對于 Mnist 數(shù)據(jù)集,我們可以通過代碼編寫,就可以實現(xiàn)自動下載。
%matplotlib inline from pathlib import Path import requests ? DATA_PATH = Path("data") PATH = DATA_PATH / "mnist" ? PATH.mkdir(parents=True, exist_ok=True) ? URL = "http://deeplearning.net/data/mnist/" FILENAME = "mnist.pkl.gz"
對于我們上面定義的下載路徑等等,會進(jìn)行自動判斷,如果該路徑下沒有 Minst 數(shù)據(jù)集的話,就會自動進(jìn)行下載。
if not (PATH / FILENAME).exists(): content = requests.get(URL + FILENAME).content (PATH / FILENAME).open("wb").write(content)
由于下載出來的數(shù)據(jù)集是壓縮包的狀態(tài),因此,我們還需要對其進(jìn)行解壓,具體的代碼詳見下面。
import pickle import gzip ? with gzip.open((PATH / FILENAME).as_posix(), "rb") as f: ((x_train, y_train), (x_valid, y_valid), _) = pickle.load(f, encoding="latin-1")
在上述工作準(zhǔn)備完成后,我們可以先查看一個數(shù)據(jù),觀察他的特征。
from matplotlib import pyplot import numpy as np ? pyplot.imshow(x_train[0].reshape((28, 28)), cmap="gray") print(x_train.shape) #(50000, 784)
在此處,我們查看的訓(xùn)練集當(dāng)中的第一個數(shù)據(jù),大小重構(gòu)為 (28,28,1),表示長是 28,寬是 28,顏色通道是 1(黑白圖就只有一個顏色通道),顏色設(shè)置為灰色。在查看第一個數(shù)據(jù)的同時,我們也輸出整個訓(xùn)練集的數(shù)據(jù)大小,其中,(50000, 784) 中的 50000 表示訓(xùn)練集一共有 50000 個數(shù)據(jù)樣本,784 表示訓(xùn)練集中每個樣本有 784 個像素點(可以理解成 784 個特征)。
三、 Mnist 分類任務(wù)實現(xiàn)
1. 標(biāo)簽和簡單網(wǎng)絡(luò)架構(gòu) 在分類任務(wù)當(dāng)中,標(biāo)簽的設(shè)計是有所不同的。
- 很多人認(rèn)為預(yù)測出來的 9,具體指的是 0,1,2,3,4,5,6,7,8,9 當(dāng)中的具體哪一個,但實際上并不是這樣的,他也是一個 One-Hot 的編碼,他預(yù)測的出來的不是一個具體的數(shù)值,而是十個概率,就是當(dāng)前這個輸入屬于 0-9 這十個數(shù)字的概率是多少。
- 以上圖為例,該輸入屬于 0 的概率就是 0,屬于 1 的概率就是 12%,屬于 9 的概率就是 87%,屬于 9 的概率最高,因此,該輸入的輸出就是 9。
- 對于這個網(wǎng)絡(luò)架構(gòu),由于我們的每個數(shù)據(jù)樣本都有 784 個像素點,中間進(jìn)行特征提取,得到一定數(shù)量的特征,最終得到 10 個輸出,通過 Softmax 層得到是個概率。
2. 具體代碼實現(xiàn)
- 需要注意的是,我們需要先將數(shù)據(jù)轉(zhuǎn)換成 tensor 才能參與后續(xù)建模訓(xùn)練。
- 這里的數(shù)據(jù)包括 x_train, y_train, x_valid, y_valid 四種,對于他們的含義,我們可以這樣理解:
- (1) x_train 包括所有自變量,這些變量將用于訓(xùn)練模型。
- (2) y_train 是指因變量,需要此模型進(jìn)行預(yù)測,其中包括針對自變量的類別標(biāo)簽,我們需要在訓(xùn)練/擬合模型時指定我們的因變量。
- (3) x_valid 也就是 x_test,這些自變量將不會在訓(xùn)練階段使用,并將用于進(jìn)行預(yù)測,以測試模型的準(zhǔn)確性。
- (4) y_valid 也就是 y_test,此數(shù)據(jù)具有測試數(shù)據(jù)的類別標(biāo)簽,這些標(biāo)簽將用于測試實際類別和預(yù)測類別之間的準(zhǔn)確性。
import torch ? x_train, y_train, x_valid, y_valid = map( torch.tensor, (x_train, y_train, x_valid, y_valid) ) n, c = x_train.shape x_train, x_train.shape, y_train.min(), y_train.max() print(x_train, y_train) print(x_train.shape) print(y_train.min(), y_train.max()) #tensor([[0., 0., 0., ..., 0., 0., 0.], # [0., 0., 0., ..., 0., 0., 0.], # [0., 0., 0., ..., 0., 0., 0.], # ..., # [0., 0., 0., ..., 0., 0., 0.], # [0., 0., 0., ..., 0., 0., 0.], # [0., 0., 0., ..., 0., 0., 0.]]) tensor([5, 0, 4, ..., 8, 4, 8]) #torch.Size([50000, 784]) #tensor(0) tensor(9)
- 在模型訓(xùn)練的過程中,大家經(jīng)常會看到 nn.Module 和 nn.functional。那什么時候使用 nn.Module,什么時候使用 nn.functional 呢?
- 一般情況下,如果模型有可學(xué)習(xí)的參數(shù),最好用 nn.Module,其他情況 nn.functional 相對更簡單一些。
- 我們先導(dǎo)入需要的模塊包。
import torch.nn.functional as F ? loss_func = F.cross_entropy ? def model(xb): return xb.mm(weights) + bias
然后進(jìn)行參數(shù)的設(shè)定。
bs = 64 xb = x_train[0:bs] # a mini-batch from x yb = y_train[0:bs] weights = torch.randn([784, 10], dtype = torch.float, requires_grad = True) bs = 64 bias = torch.zeros(10, requires_grad=True) ? print(loss_func(model(xb), yb)) #tensor(10.7988, grad_fn=<NllLossBackward>)
- 我們也創(chuàng)建一個 model 來更簡化代碼。
- 在這中間必須繼承 nn.Module 且在其構(gòu)造函數(shù)中需調(diào)用 nn.Module 的構(gòu)造函數(shù),無需寫反向傳播函數(shù),nn.Module 能夠利用 autograd 自動實現(xiàn)反向傳播,Module 中的可學(xué)習(xí)參數(shù)可以通過 named_parameters() 或者 parameters() 返回迭代器。
from torch import nn ? class Mnist_NN(nn.Module): def __init__(self): super().__init__() self.hidden1 = nn.Linear(784, 128) #隱藏層1:784*128 self.hidden2 = nn.Linear(128, 256) #隱藏層2:128*256 self.out = nn.Linear(256, 10) #輸出層,256*10 ? def forward(self, x): x = F.relu(self.hidden1(x)) x = F.relu(self.hidden2(x)) x = self.out(x) return x net = Mnist_NN() print(net) ?#Mnist_NN( # (hidden1): Linear(in_features=784, out_features=128, bias=True) # (hidden2): Linear(in_features=128, out_features=256, bias=True) # (out): Linear(in_features=256, out_features=10, bias=True) #)
我們可以打印定義好名字里的權(quán)重和偏置項,首先打印名字,然后打印參數(shù),最后打印參數(shù)的維度。
for name, parameter in net.named_parameters(): print(name, parameter,parameter.size()) #hidden1.weight Parameter containing: #tensor([[ 0.0018, 0.0218, 0.0036, ..., -0.0286, -0.0166, 0.0089], # [-0.0349, 0.0268, 0.0328, ..., 0.0263, 0.0200, -0.0137], # [ 0.0061, 0.0060, -0.0351, ..., 0.0130, -0.0085, 0.0073], # ..., # [-0.0231, 0.0195, -0.0205, ..., -0.0207, -0.0103, -0.0223], # [-0.0299, 0.0305, 0.0098, ..., 0.0184, -0.0247, -0.0207], # [-0.0306, -0.0252, -0.0341, ..., 0.0136, -0.0285, 0.0057]], # requires_grad=True) torch.Size([128, 784]) #hidden1.bias Parameter containing: #tensor([ 0.0072, -0.0269, -0.0320, -0.0162, 0.0102, 0.0189, -0.0118, -0.0063, # -0.0277, 0.0349, 0.0267, -0.0035, 0.0127, -0.0152, -0.0070, 0.0228, # -0.0029, 0.0049, 0.0072, 0.0002, -0.0356, 0.0097, -0.0003, -0.0223, # -0.0028, -0.0120, -0.0060, -0.0063, 0.0237, 0.0142, 0.0044, -0.0005, # 0.0349, -0.0132, 0.0138, -0.0295, -0.0299, 0.0074, 0.0231, 0.0292, # -0.0178, 0.0046, 0.0043, -0.0195, 0.0175, -0.0069, 0.0228, 0.0169, # 0.0339, 0.0245, -0.0326, -0.0260, -0.0029, 0.0028, 0.0322, -0.0209, # -0.0287, 0.0195, 0.0188, 0.0261, 0.0148, -0.0195, -0.0094, -0.0294, # -0.0209, -0.0142, 0.0131, 0.0273, 0.0017, 0.0219, 0.0187, 0.0161, # 0.0203, 0.0332, 0.0225, 0.0154, 0.0169, -0.0346, -0.0114, 0.0277, # 0.0292, -0.0164, 0.0001, -0.0299, -0.0076, -0.0128, -0.0076, -0.0080, # -0.0209, -0.0194, -0.0143, 0.0292, -0.0316, -0.0188, -0.0052, 0.0013, # -0.0247, 0.0352, -0.0253, -0.0306, 0.0035, -0.0253, 0.0167, -0.0260, # -0.0179, -0.0342, 0.0033, -0.0287, -0.0272, 0.0238, 0.0323, 0.0108, # 0.0097, 0.0219, 0.0111, 0.0208, -0.0279, 0.0324, -0.0325, -0.0166, # -0.0010, -0.0007, 0.0298, 0.0329, 0.0012, -0.0073, -0.0010, 0.0057], # requires_grad=True) torch.Size([128]) #hidden2.weight Parameter containing: #tensor([[-0.0383, -0.0649, 0.0665, ..., -0.0312, 0.0394, -0.0801], # [-0.0189, -0.0342, 0.0431, ..., -0.0321, 0.0072, 0.0367], # [ 0.0289, 0.0780, 0.0496, ..., 0.0018, -0.0604, -0.0156], # ..., # [-0.0360, 0.0394, -0.0615, ..., 0.0233, -0.0536, -0.0266], # [ 0.0416, 0.0082, -0.0345, ..., 0.0808, -0.0308, -0.0403], # [-0.0477, 0.0136, -0.0408, ..., 0.0180, -0.0316, -0.0782]], # requires_grad=True) torch.Size([256, 128]) #hidden2.bias Parameter containing: #tensor([-0.0694, -0.0363, -0.0178, 0.0206, -0.0875, -0.0876, -0.0369, -0.0386, # 0.0642, -0.0738, -0.0017, -0.0243, -0.0054, 0.0757, -0.0254, 0.0050, # 0.0519, -0.0695, 0.0318, -0.0042, -0.0189, -0.0263, -0.0627, -0.0691, # 0.0713, -0.0696, -0.0672, 0.0297, 0.0102, 0.0040, 0.0830, 0.0214, # 0.0714, 0.0327, -0.0582, -0.0354, 0.0621, 0.0475, 0.0490, 0.0331, # -0.0111, -0.0469, -0.0695, -0.0062, -0.0432, -0.0132, -0.0856, -0.0219, # -0.0185, -0.0517, 0.0017, -0.0788, -0.0403, 0.0039, 0.0544, -0.0496, # 0.0588, -0.0068, 0.0496, 0.0588, -0.0100, 0.0731, 0.0071, -0.0155, # -0.0872, -0.0504, 0.0499, 0.0628, -0.0057, 0.0530, -0.0518, -0.0049, # 0.0767, 0.0743, 0.0748, -0.0438, 0.0235, -0.0809, 0.0140, -0.0374, # 0.0615, -0.0177, 0.0061, -0.0013, -0.0138, -0.0750, -0.0550, 0.0732, # 0.0050, 0.0778, 0.0415, 0.0487, 0.0522, 0.0867, -0.0255, -0.0264, # 0.0829, 0.0599, 0.0194, 0.0831, -0.0562, 0.0487, -0.0411, 0.0237, # 0.0347, -0.0194, -0.0560, -0.0562, -0.0076, 0.0459, -0.0477, 0.0345, # -0.0575, -0.0005, 0.0174, 0.0855, -0.0257, -0.0279, -0.0348, -0.0114, # -0.0823, -0.0075, -0.0524, 0.0331, 0.0387, -0.0575, 0.0068, -0.0590, # -0.0101, -0.0880, -0.0375, 0.0033, -0.0172, -0.0641, -0.0797, 0.0407, # 0.0741, -0.0041, -0.0608, 0.0672, -0.0464, -0.0716, -0.0191, -0.0645, # 0.0397, 0.0013, 0.0063, 0.0370, 0.0475, -0.0535, 0.0721, -0.0431, # 0.0053, -0.0568, -0.0228, -0.0260, -0.0784, -0.0148, 0.0229, -0.0095, # -0.0040, 0.0025, 0.0781, 0.0140, -0.0561, 0.0384, -0.0011, -0.0366, # 0.0345, 0.0015, 0.0294, -0.0734, -0.0852, -0.0015, -0.0747, -0.0100, # 0.0801, -0.0739, 0.0611, 0.0536, 0.0298, -0.0097, 0.0017, -0.0398, # 0.0076, -0.0759, -0.0293, 0.0344, -0.0463, -0.0270, 0.0447, 0.0814, # -0.0193, -0.0559, 0.0160, 0.0216, -0.0346, 0.0316, 0.0881, -0.0652, # -0.0169, 0.0117, -0.0107, -0.0754, -0.0231, -0.0291, 0.0210, 0.0427, # 0.0418, 0.0040, 0.0762, 0.0645, -0.0368, -0.0229, -0.0569, -0.0881, # -0.0660, 0.0297, 0.0433, -0.0777, 0.0212, -0.0601, 0.0795, -0.0511, # -0.0634, 0.0720, 0.0016, 0.0693, -0.0547, -0.0652, -0.0480, 0.0759, # 0.0194, -0.0328, -0.0211, -0.0025, -0.0055, -0.0157, 0.0817, 0.0030, # 0.0310, -0.0735, 0.0160, -0.0368, 0.0528, -0.0675, -0.0083, -0.0427, # -0.0872, 0.0699, 0.0795, -0.0738, -0.0639, 0.0350, 0.0114, 0.0303], # requires_grad=True) torch.Size([256]) #out.weight Parameter containing: #tensor([[ 0.0232, -0.0571, 0.0439, ..., -0.0417, -0.0237, 0.0183], # [ 0.0210, 0.0607, 0.0277, ..., -0.0015, 0.0571, 0.0502], # [ 0.0297, -0.0393, 0.0616, ..., 0.0131, -0.0163, -0.0239], # ..., # [ 0.0416, 0.0309, -0.0441, ..., -0.0493, 0.0284, -0.0230], # [ 0.0404, -0.0564, 0.0442, ..., -0.0271, -0.0526, -0.0554], # [-0.0404, -0.0049, -0.0256, ..., -0.0262, -0.0130, 0.0057]], # requires_grad=True) torch.Size([10, 256]) #out.bias Parameter containing: #tensor([-0.0536, 0.0007, 0.0227, -0.0072, -0.0168, -0.0125, -0.0207, -0.0558, # 0.0579, -0.0439], requires_grad=True) torch.Size([10])
四、使用 TensorDataset 和 DataLoader 簡化
自己構(gòu)建數(shù)據(jù)集,使用 batch 取數(shù)據(jù)會略顯麻煩,因此,我們可以使用 TensorDataset 和 DataLoader 這兩個模塊進(jìn)行簡化。
from torch.utils.data import TensorDataset from torch.utils.data import DataLoader ? train_ds = TensorDataset(x_train, y_train) train_dl = DataLoader(train_ds, batch_size=bs, shuffle=True) ? valid_ds = TensorDataset(x_valid, y_valid) valid_dl = DataLoader(valid_ds, batch_size=bs * 2) def get_data(train_ds, valid_ds, bs): return ( DataLoader(train_ds, batch_size=bs, shuffle=True), DataLoader(valid_ds, batch_size=bs * 2), )
- 一般在訓(xùn)練模型時加上 model.train(),這樣會正常使用 Batch Normalization 和 Dropout。
- 測試的時候一般選擇 model.eval(),這樣就不會使用 Batch Normalization 和 Dropout。
import numpy as np ? def fit(steps, model, loss_func, opt, train_dl, valid_dl): for step in range(steps): model.train() for xb, yb in train_dl: loss_batch(model, loss_func, xb, yb, opt) ? model.eval() with torch.no_grad(): losses, nums = zip( *[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl] ) val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums) print('當(dāng)前step:'+str(step), '驗證集損失:'+str(val_loss)) from torch import optim def get_model(): model = Mnist_NN() return model, optim.SGD(model.parameters(), lr=0.001) def loss_batch(model, loss_func, xb, yb, opt=None): loss = loss_func(model(xb), yb) ? if opt is not None: loss.backward() opt.step() opt.zero_grad() ? return loss.item(), len(xb)
我們也可以像上篇博文一樣,使用三行代碼進(jìn)行解決。
train_dl, valid_dl = get_data(train_ds, valid_ds, bs) model, opt = get_model() fit(25, model, loss_func, opt, train_dl, valid_dl) #當(dāng)前step:0 驗證集損失:2.2796445930480957 #當(dāng)前step:1 驗證集損失:2.2440698066711424 #當(dāng)前step:2 驗證集損失:2.1889826164245605 #當(dāng)前step:3 驗證集損失:2.0985311767578123 #當(dāng)前step:4 驗證集損失:1.9517273582458496 #當(dāng)前step:5 驗證集損失:1.7341805934906005 #當(dāng)前step:6 驗證集損失:1.4719875366210937 #當(dāng)前step:7 驗證集損失:1.2273896869659424 #當(dāng)前step:8 驗證集損失:1.0362271406173706 #當(dāng)前step:9 驗證集損失:0.8963696184158325 #當(dāng)前step:10 驗證集損失:0.7927186088562012 #當(dāng)前step:11 驗證集損失:0.7141492074012756 #當(dāng)前step:12 驗證集損失:0.6529350900650024 #當(dāng)前step:13 驗證集損失:0.60417300491333 #當(dāng)前step:14 驗證集損失:0.5643046331882476 #當(dāng)前step:15 驗證集損失:0.5317994566917419 ##當(dāng)前step:16 驗證集損失:0.5047958114624024 #當(dāng)前step:17 驗證集損失:0.4813900615692139 #當(dāng)前step:18 驗證集損失:0.4618900228500366 #當(dāng)前step:19 驗證集損失:0.4443243554592133 #當(dāng)前step:20 驗證集損失:0.4297310716629028 #當(dāng)前step:21 驗證集損失:0.416976597738266 #當(dāng)前step:22 驗證集損失:0.406348459148407 #當(dāng)前step:23 驗證集損失:0.3963301926612854 #當(dāng)前step:24 驗證集損失:0.38733808159828187?
到此這篇關(guān)于PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)的文章就介紹到這了,更多相關(guān)PyTorch神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
- 使用Pytorch構(gòu)建第一個神經(jīng)網(wǎng)絡(luò)模型?附案例實戰(zhàn)
- pytorch簡單實現(xiàn)神經(jīng)網(wǎng)絡(luò)功能
- pytorch深度神經(jīng)網(wǎng)絡(luò)入門準(zhǔn)備自己的圖片數(shù)據(jù)
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的目標(biāo)及好處
- Pytorch深度學(xué)習(xí)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)resnet模塊訓(xùn)練
- Pytorch卷積神經(jīng)網(wǎng)絡(luò)resent網(wǎng)絡(luò)實踐
- PyTorch實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的搭建詳解
- Pytorch神經(jīng)網(wǎng)絡(luò)參數(shù)管理方法詳細(xì)講解
相關(guān)文章
django利用request id便于定位及給日志加上request_id
這篇文章主要介紹了django利用request id便于定位及給日志加上request_id的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),對大家學(xué)習(xí)或者使用django具有一定的參考學(xué)習(xí)價值,需要的朋友們下面來一起看看吧2018-08-08詳解python的xlwings庫讀寫excel操作總結(jié)
這篇文章主要介紹了詳解python的xlwings庫讀寫excel操作總結(jié),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02python+django+selenium搭建簡易自動化測試
這篇文章主要介紹了python+django+selenium搭建簡易自動化測試,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08python機(jī)器學(xué)習(xí)實現(xiàn)oneR算法(以鳶尾data為例)
本文主要介紹了python機(jī)器學(xué)習(xí)實現(xiàn)oneR算法(以鳶尾data為例),文中通過示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下2022-03-03Python全局變量關(guān)鍵字global的簡單使用
python中g(shù)lobal關(guān)鍵字主要作用是聲明變量的作用域,下面這篇文章主要給大家介紹了關(guān)于Python全局變量關(guān)鍵字global的簡單使用,文中通過實例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-06-06python實現(xiàn)郵件循環(huán)自動發(fā)件功能
這篇文章主要介紹了python實現(xiàn)郵件循環(huán)自動發(fā)件功能,本文通過實例代碼給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-09-09