热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

TensorFlow使用Python自定义op和损失函数

TensorFlow使用Python自定义op和损失函数TensorFlow是静态图结构,即必须把所有的操作以及网络结构定义好(后来有了动态图功能,即EagerExecution)
TensorFlow使用Python自定义op和损失函数

TensorFlow是静态图结构,即必须把所有的操作以及网络结构定义好(后来有了动态图功能,即Eager Execution ),在没有用tf.Session().run接口填充值之前是没有实际值的。因此,在网络搭建的时候,是不能对tensor进行判值操作的,即不能插入if…else…之类的代码。这相较于numpy array,Tensorflow中对tensor的操作接口灵活性并没有那么高,为了扩展Tensorflow程序的灵活性,Tensorflow提供了tf.py_func接口。

如果使用tf.py_func调用了非TensorFlow原生的接口,使用第三方库定义某个功能时,很容易出现如下错误:

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables [“”, “”] and loss Tensor(“Mean:0”, shape=(), dtype=float32).

出现这个原因,本质上来说,就是我们利用第三方库自定义层,相关变量没有计算梯度!我们知道网络需要训练,每一层都需要定义计算前向和反向转播的,若采用TensorFlow自带的OP,是没有问题,因为Google以及实现前向和反向的过程。而采用第三方库时,只是实现了前向转播,而反向转播计算过程,我们是没有定义,所以就出现No gradients provided for any variable的错误!

如果你想想TensorFlow提供API一样,实现前向和反向转播的计算,可以参考两种方法:

(1)C++层自定义OP:基本流程:注册op,实现op,创建python接口,实现op梯度计算(如果不需要求导也可以直接pass掉,实现可以在python端也可以用py_func去包装其他python函数,也可以再写一个C++ op来专门计算梯度),测试等。这部分可以参考:

https://blog.csdn.net/u012436149/article/details/73737299 

https://www.zhihu.com/question/67352230 

https://zhuanlan.zhihu.com/p/34169502 

(2)Python层自定义OP:这个方法需要使用tf.py_func()调用第三方库实现前向计算过程,使用tf.RegisterGradient注册梯度反向传播函数实现反向转播计算过程。该方法是我比较推荐的,相比第一种方法,简单很多了,对于C++不是很熟悉的小朋友来说,在Python上自定义OP再好不过了!

目录

TensorFlow自定义op和Python损失函数

1.线性回归

1.1均方误差tf.reduce_mean(tf.square())

1.2 自定义均方误差

2. 出现No gradients provided for any variable的原因分析

3. 自定义损失函数

3.1@tf.RegisterGradient修饰器

3.2 gradient_override_map

3.3 自定义梯度反向传播函数

3.4 完整代码: 

4. 使用tf.RegisterGradient函数

4.1 tf.RegisterGradient()函数

4.2 完整的代码:

1.线性回归

先看一个线性回归的列子:https://www.cnblogs.com/selenaf/p/9102398.html

对于直线y=Wx+b,随机生成一些加入噪声的数据点,如下图所示。我们可以让TensorFlow建立线性回归模型,通过拟合这些数据去学习W和b的值。

《TensorFlow使用Python自定义op和损失函数》

1.1均方误差tf.reduce_mean(tf.square())

损失函数可以选择均方误差,可以直接调用TensorFlow的tf.reduce_mean(tf.square())实现均方差损失,这样完整的训练代码可如下实现:

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)

《TensorFlow使用Python自定义op和损失函数》

step:1,W=[0.33111742],b=[0.05976159],loss=0.10794320702552795
step:2,W=[0.31746817],b=[0.10756931],loss=0.07375720143318176
step:3,W=[0.3046297],b=[0.14581403],loss=0.05137966573238373
step:4,W=[0.29255316],b=[0.17640844],loss=0.03661665320396423
step:5,W=[0.28119272],b=[0.20088267],loss=0.02677750028669834
step:6,W=[0.2705055],b=[0.22046085],loss=0.020134398713707924
step:7,W=[0.2604512],b=[0.23612225],loss=0.015576418489217758
step:8,W=[0.25099206],b=[0.2486503],loss=0.01238801795989275
step:9,W=[0.24209262],b=[0.25867173],loss=0.010107231326401234
......
......
step:995,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:996,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:997,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:998,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:999,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:1000,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984

通过迭代1000次,模型可以很好的拟合数据,并且学习到权值W=[0.10031797],b=[0.29867724],这与设定w=0.1 b=0.3的差异很小了

1.2 自定义均方误差

上面的训练代码,损失函数是直接调用TensorFlow的tf.reduce_mean(tf.square())实现均方差损失,现在问题来呢?我们可否不调用TensorFlow的 API接口,自己使用第三方的Python库自定义TensorFlow的损失函数,于是,我们尝试使用Python math库定义一个平方差square_loss:

def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss

 说明:这里square_loss是使用math的Python包实现平方差,实质上一种更简单的方法,是使用Numpy执行loss=np.square(array1-array2)即可,这两种方式是等价,之所以没有用Numpy,那是因为TensorFlow的tensor变量很多都支持Nump的计算,很难体现出博客的用意:使用第三方的Python库自定义TensorFlow的损失函数。当然,实际开发,还是建议使用Numpy实现各种复杂的计算。

由于使用第三方的Python库实现的函数,这需要借助TF的tf.py_func中传入自定义的loss函数

tf.py_func的用法:请参考:https://www.tensorflow.org/api_docs/python/tf/py_func

tf.py_func( func,inp,Tout,stateful=True,name=None)前三个参数说明:

    第一个参数func,也是最重要的,是一个用户自定制的函数,输入numpy array,输出也是numpy array,在该函数中,可以自由使用np.操作。

   第二个参数inp,是func函数接收的输入,是一个列表

   第三个参数Tout,指定了func函数返回的numpy array转化成tensor后的格式,如果是返回个值,就是一个列表或元组;如果只有个返回值,就是一个单独的dtype类型(当然也可以用列表括起来)。

于是,我把训练的代码的loss定义如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))

好了,定义完成,Run,终于出现了我想要说的错误:

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables [“”, “”] and loss Tensor(“Mean:0”, shape=(), dtype=float32). 

2. 出现No gradients provided for any variable的原因分析

出现这个原因,本质上来说,就是我们利用第三方库自定义的损失或者其他层,相关变量没有计算梯度!我们知道网络需要训练,每一层都需要定义和计算前向和反向转播的,若采用TensorFlow自带的OP,是没有问题,因为Google以及实现前向和反向的过程。而采用第三方库时,只是实现了前向转播,而反向转播计算过程,我们是没有定义,所以就出现No gradients provided for any variable的错误了!

3. 自定义损失函数

在自定义损失函数前,先介绍两个TensorFlow的函数tf.RegisterGradient和 tf.Graph.gradient_override_map

3.1@tf.RegisterGradient修饰器

@tf.RegisterGradient修饰符在定义一个新的 op 类型时使用。对于具有 m 个输入和 n 个输出的运算,梯度函数是一个采用原始的 Operation 和 n Tensor 对象(表示与 op 的每个输出相关的梯度),并返回 m Tensor 对象(表示相对于 op 的每个输入的部分梯度)的函数。

例如,假设该类型的”Sub”操作需要两个输入 x 和 y,并返回一个单一的输出 x – y,则以下梯度函数将被注册:

@tf.RegisterGradient("Sub")
def _sub_grad(unused_op, grad):
return grad, tf.negative(grad)

修饰符参数 op_type 是操作的字符串类型。这对应于定义操作的原始 OpDef. name 字段。 

参考:https://tensorflow.google.cn/api_docs/python/tf/RegisterGradient

3.2 gradient_override_map

 tf.Graph.gradient_override_map(op_type_map):返回一个覆盖梯度函数的上下文管理器,此管理器用于覆盖ops的梯度函数。通过这个管理器,我们可以针对自定义operation,使用自己的gradient函数。例如

# 先注册一个gradient函数
@tf.RegisterGradient("CustomSquare")
def _custom_square_grad(op, grad):
  # ...
with tf.Graph().as_default() as g:
  c = tf.constant(5.0)
  s_1 = tf.square(c) # 使用tf.square默认的gradient
  with g.gradient_override_map({"Sqaure": "CustomSquare"}):
    s_2 = tf.square(s_2): # 使用自定义的_custom_square_grad函数来计算s_2的梯度

3.3 自定义梯度反向传播函数

使用TensorFlow的修饰器@tf.RegisterGradient(“LossGradient”),定义一个平方差损失square_loss_grad函数的梯度计算过程:

平方差损失:《TensorFlow使用Python自定义op和损失函数》

对x求偏导:《TensorFlow使用Python自定义op和损失函数》

对 y求偏导:《TensorFlow使用Python自定义op和损失函数》

对应的Python代码如下: 


@tf.RegisterGradient("LossGradient")
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y

然后在调用square_loss时插入tf.get_default_graph().gradient_override_map({“PyFunc”: ‘LossGradient’}) 

def my_loss(y, y_data):
with tf.get_default_graph().gradient_override_map({"PyFunc": 'LossGradient'}):
loss=tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32)
return loss

 最后训练代码的loss修改如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
loss=tf.reduce_mean(my_loss(y,y_data))

3.4 完整代码: 

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import math
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss
@tf.RegisterGradient("LossGradient")
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y
def my_loss(y, y_data):
with tf.get_default_graph().gradient_override_map({"PyFunc": 'LossGradient'}):
loss=tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32)
return loss
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
loss=tf.reduce_mean(my_loss(y,y_data))
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)
4. 使用tf.RegisterGradient函数

4.1 tf.RegisterGradient()函数

当然也可以不使用装饰器,TensorFlow提供了tf.RegisterGradient()函数,可以直接调用梯度函数


def py_func_grad(func, inp, Tout, stateful=True, name=None, grad=None):
'''
Custom py_func with gradient support
:param func: 前向传播函数
:param inp: func函数的输入参数
:param Tout: func函数的输出参数
:param stateful:
:param name:
:param grad: 反向转播函数
:return:
'''
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad)
g = tf.get_default_graph()
with g.gradient_override_map({
"PyFunc": rnd_name,
"PyFuncStateless": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)

  最后训练代码的loss修改如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
# loss=tf.reduce_mean(my_loss(y,y_data))
loss=tf.reduce_mean(py_func_grad(square_loss, inp=[y,y_data], Tout=tf.float32, grad=square_loss_grad))

4.2 完整的代码:

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import math
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y
def py_func_grad(func, inp, Tout, stateful=True, name=None, grad=None):
'''
Custom py_func with gradient support
:param func: 前向传播函数
:param inp: func函数的输入参数
:param Tout: func函数的输出参数
:param stateful:
:param name:
:param grad: 反向转播函数
:return:
'''
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad)
g = tf.get_default_graph()
with g.gradient_override_map({
"PyFunc": rnd_name,
"PyFuncStateless": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
# loss=tf.reduce_mean(my_loss(y,y_data))
loss=tf.reduce_mean(py_func_grad(square_loss, inp=[y,y_data], Tout=tf.float32, grad=square_loss_grad))
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)

 


推荐阅读
  • 本文介绍如何使用 Python 的 DOM 和 SAX 方法解析 XML 文件,并通过示例展示了如何动态创建数据库表和处理大量数据的实时插入。 ... [详细]
  • 本文详细介绍了如何使用Python中的smtplib库来发送带有附件的邮件,并提供了完整的代码示例。作者:多测师_王sir,时间:2020年5月20日 17:24,微信:15367499889,公司:上海多测师信息有限公司。 ... [详细]
  • 本文介绍了如何利用 `matplotlib` 库中的 `FuncAnimation` 类将 Python 中的动态图像保存为视频文件。通过详细解释 `FuncAnimation` 类的参数和方法,文章提供了多种实用技巧,帮助用户高效地生成高质量的动态图像视频。此外,还探讨了不同视频编码器的选择及其对输出文件质量的影响,为读者提供了全面的技术指导。 ... [详细]
  • 本文详细介绍了使用 Python 进行 MySQL 和 Redis 数据库操作的实战技巧。首先,针对 MySQL 数据库,通过 `pymysql` 模块展示了如何连接和操作数据库,包括建立连接、执行查询和更新等常见操作。接着,文章深入探讨了 Redis 的基本命令和高级功能,如键值存储、列表操作和事务处理。此外,还提供了多个实际案例,帮助读者更好地理解和应用这些技术。 ... [详细]
  • 本文介绍如何使用OpenCV和线性支持向量机(SVM)模型来开发一个简单的人脸识别系统,特别关注在只有一个用户数据集时的处理方法。 ... [详细]
  • 利用python爬取豆瓣电影Top250的相关信息,包括电影详情链接,图片链接,影片中文名,影片外国名,评分,评价数,概况,导演,主演,年份,地区,类别这12项内容,然后将爬取的信息写入Exce ... [详细]
  • 探讨了 Python 中 UTF-8 编码的中文字符在某些情况下被误识别为 GB2312 的问题,并提供了详细的代码示例和环境信息。 ... [详细]
  • importpymysql#一、直接连接mysql数据库'''coonpymysql.connect(host'192.168.*.*',u ... [详细]
  • 本文介绍了如何使用Python的Paramiko库批量更新多台服务器的登录密码。通过示例代码展示了具体实现方法,确保了操作的高效性和安全性。Paramiko库提供了强大的SSH2协议支持,使得远程服务器管理变得更加便捷。此外,文章还详细说明了代码的各个部分,帮助读者更好地理解和应用这一技术。 ... [详细]
  • 大类|电阻器_使用Requests、Etree、BeautifulSoup、Pandas和Path库进行数据抓取与处理 | 将指定区域内容保存为HTML和Excel格式
    大类|电阻器_使用Requests、Etree、BeautifulSoup、Pandas和Path库进行数据抓取与处理 | 将指定区域内容保存为HTML和Excel格式 ... [详细]
  • Python 序列图分割与可视化编程入门教程
    本文介绍了如何使用 Python 进行序列图的快速分割与可视化。通过一个实际案例,详细展示了从需求分析到代码实现的全过程。具体包括如何读取序列图数据、应用分割算法以及利用可视化库生成直观的图表,帮助非编程背景的用户也能轻松上手。 ... [详细]
  • Python 程序转换为 EXE 文件:详细解析 .py 脚本打包成独立可执行文件的方法与技巧
    在开发了几个简单的爬虫 Python 程序后,我决定将其封装成独立的可执行文件以便于分发和使用。为了实现这一目标,首先需要解决的是如何将 Python 脚本转换为 EXE 文件。在这个过程中,我选择了 Qt 作为 GUI 框架,因为之前对此并不熟悉,希望通过这个项目进一步学习和掌握 Qt 的基本用法。本文将详细介绍从 .py 脚本到 EXE 文件的整个过程,包括所需工具、具体步骤以及常见问题的解决方案。 ... [详细]
  • 在处理 XML 数据时,如果需要解析 `` 标签的内容,可以采用 Pull 解析方法。Pull 解析是一种高效的 XML 解析方式,适用于流式数据处理。具体实现中,可以通过 Java 的 `XmlPullParser` 或其他类似的库来逐步读取和解析 XML 文档中的 `` 元素。这样不仅能够提高解析效率,还能减少内存占用。本文将详细介绍如何使用 Pull 解析方法来提取 `` 标签的内容,并提供一个示例代码,帮助开发者快速解决问题。 ... [详细]
  • Python 实战:异步爬虫(协程技术)与分布式爬虫(多进程应用)深入解析
    本文将深入探讨 Python 异步爬虫和分布式爬虫的技术细节,重点介绍协程技术和多进程应用在爬虫开发中的实际应用。通过对比多进程和协程的工作原理,帮助读者理解两者在性能和资源利用上的差异,从而在实际项目中做出更合适的选择。文章还将结合具体案例,展示如何高效地实现异步和分布式爬虫,以提升数据抓取的效率和稳定性。 ... [详细]
  • 在Windows命令行中,通过Conda工具可以高效地管理和操作虚拟环境。具体步骤包括:1. 列出现有虚拟环境:`conda env list`;2. 创建新虚拟环境:`conda create --name 环境名`;3. 删除虚拟环境:`conda env remove --name 环境名`。这些命令不仅简化了环境管理流程,还提高了开发效率。此外,Conda还支持环境文件导出和导入,方便在不同机器间迁移配置。 ... [详细]
author-avatar
18岁的淡淡淡色彩
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有