亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù)

 更新時間:2023年03月23日 09:36:24   作者:虛心求知的熊  
這篇文章主要介紹了PyTorch中的神經(jīng)網(wǎng)絡(luò) Mnist 分類任務(wù),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,需要的朋友可以參考下

本文參加新星計劃人工智能(Pytorch)賽道:https://bbs.csdn.net/topics/613989052

在這里插入圖片描述

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.gz9,681 kb55000 張訓(xùn)練集,5000 張驗證集
train-labels-idx1-ubyte.gz29 kb訓(xùn)練集圖片對應(yīng)的標(biāo)簽
t10k-images-idx3-ubyte.gz1,611kb10000 張測試集
t10k-labels-idx1-ubyte.gz5 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)。

在這里插入圖片描述

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。

在這里插入圖片描述

  • 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。

在這里插入圖片描述

  • 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!

相關(guān)文章

  • django利用request id便于定位及給日志加上request_id

    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)

    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
    2021-02-02
  • Python爬蟲實現(xiàn)爬取百度百科詞條功能實例

    Python爬蟲實現(xiàn)爬取百度百科詞條功能實例

    這篇文章主要介紹了Python爬蟲實現(xiàn)爬取百度百科詞條功能,結(jié)合完整實例形式分析了Python爬蟲的基本原理及爬取百度百科詞條的步驟、網(wǎng)頁下載、解析、數(shù)據(jù)輸出等相關(guān)操作技巧,需要的朋友可以參考下
    2019-04-04
  • python+django+selenium搭建簡易自動化測試

    python+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
    2020-08-08
  • python機(jī)器學(xué)習(xí)實現(xiàn)oneR算法(以鳶尾data為例)

    python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
    2022-03-03
  • Python全局變量關(guān)鍵字global的簡單使用

    Python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
    2022-06-06
  • django時區(qū)問題的解決

    django時區(qū)問題的解決

    我們都知道時區(qū),標(biāo)準(zhǔn)時區(qū)是UTC時區(qū),django默認(rèn)使用的就是UTC時區(qū),我們希望存儲在數(shù)據(jù)庫中的時間就是本地時間(東八區(qū)的時間),那么應(yīng)該怎么設(shè)置,就一起來了解一下
    2021-05-05
  • python實現(xiàn)郵件循環(huán)自動發(fā)件功能

    python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
  • Python調(diào)用C語言程序方法解析

    Python調(diào)用C語言程序方法解析

    這篇文章主要介紹了Python調(diào)用C語言程序方法解析,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,需要的朋友可以參考下
    2020-07-07
  • python實現(xiàn)AI聊天機(jī)器人詳解流程

    python實現(xiàn)AI聊天機(jī)器人詳解流程

    事情是這樣的,最近認(rèn)識的一位小姐姐有每天早晨看天氣預(yù)報的習(xí)慣。在我看來,很多人起床第一件事情就是看微信消息,既然這樣,我就勉為其難每天早晨給小姐姐發(fā)送一則天氣預(yù)報吧
    2021-11-11

最新評論