花下猫语：近日，Python之父在Medium上开通了博客，并发布了一篇关于PEG解析器的文章（参见我翻的全文译文）。据我所知，他有自己的博客，为什么还会跑去Medium上写文呢？好奇之下，我就打开了他的老博客。最后一篇文章写于2018年5月，好巧不巧，写的竟是pgen解析器，正是他在新文中无情地吐槽的、说将要替换掉的pgen。在这篇旧文里，Guido回忆了他创造pgen时的一些考量，在当时看来，创造一个新的解析器无疑是明智的，只不过时过境迁，现在有了更好
系统 2019-09-27 17:55:03 2168
python学习记录2——利用matplotlib动态显示梯度下降法中的参数主要参考博客利用matplotlib绘制多个实时刷新的动态图表https://blog.csdn.net/u013950379/article/details/87936999【python】matplotlib动态显示https://blog.csdn.net/zyxhangiian123456789/article/details/89159530深入浅出–梯度下降法及其实现h
系统 2019-09-27 17:54:39 2168
装饰器这东西我看了一会儿才明白，在函数外面套了一层函数，感觉和java里的aop功能很像；写了2个装饰器日志的例子，第一个是不带参数的装饰器用法示例，功能相当于给函数包了层异常处理，第二个是带参数的装饰器用法示例，将日志输出到文件。```#coding=utf8importtracebackimportloggingfromlogging.handlersimportTimedRotatingFileHandlerdeflogger(func):defin
系统 2019-09-27 17:54:25 2168
Python以其优良的特性，适合于传统编程语言擅长的Web开发、移动开发、游戏开发、桌面应用等。不仅如此，它也适合于当前最流行的人工智能、大数据、科学计算、金融分析……这正是它迅速上位走红的原因。在过去的两年间，Python一路高歌猛进，成功窜上“最火编程语言”的宝座，据统计，最新排名已经超越Java,成为名副其实的第一语言（见下图）。尤其在大数据分析与人工智能领域，KDnuggets2018年顶级分析/数据科学/ML软件调查，也印证了其市场场占有率：根据
系统 2019-09-27 17:54:22 2168
importrequestssession=requests.session()headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/70.0.3538.110Safari/537.36'}url_1='https://h5.ele.me/restapi/eus/login/mobile_send_code't
系统 2019-09-27 17:54:08 2168
logging分为4个模块:loggers,handlers,filters,andformatters.●loggers:提供应用程序调用的接口●handlers:把日志发送到指定的位置●filters:过滤日志信息●formatters:格式化输出日志LoggerLogger.setLevel()设置日志级别Logger.addHandler()和Logger.removeHandler()增加和删除日志处理器Logger.addFilter()和Lo
系统 2019-09-27 17:49:58 2168
Qt与Python脚本实战之一(爬虫)Python环境安装1.Python版本选择(2.7or3.6.x)版本不同区别蛮大2.安装pip一个Python包管理工具类似nodejs的npm(都是提供了海量第三方包)编写python代码实现爬取.1.需要用到的库有:Requestslxml如果没有安装的请自己安装一下(pipinstallxxx)2.IDE:pycharmorQtcreator3.python版本:3.64.代码实现的是多线程下载实现功能爬取指
系统 2019-09-27 17:49:43 2168
python中的axis究竟是如何定义的呢？他们究竟代表是DataFrame的行还是列？考虑以下代码：>>>df=pd.DataFrame([[1,1,1,1],[2,2,2,2],[3,3,3,3]],\columns=["col1","col2","col3","col4"])>>>dfcol1col2col3col4011111222223333如果我们调用df.mean(axis=1),我们将得到按行计算的均值>>>df.mean(axis=1)0
系统 2019-09-27 17:49:31 2168
手头有109张头部CT的断层扫描图片，我打算用这些图片尝试头部的三维重建。基础工作之一，就是要把这些图片数据读出来，组织成一个三维的数据结构（实际上是四维的，因为每个像素有RGBA四个通道）。这个数据结构，自然是numpy的ndarray对象，读取图像文件我习惯使用PIL。因此，需要导入两个模块：importnumpyasnpfromPILimportImage接下来，我用一行代码就把109张图片读到了一个109x256x256x4的numpy数组中，耗时
系统 2019-09-27 17:49:06 2168
在处理faster-rcnn和yolo时笔者使用labelimg标注图片但是我们只截取了大概800张左右的图，这个量级在训练时肯定是不够的，所以我们需要使用数据增强（无非是旋转加噪调量度）来增加我们的训练样本这里附上视频按帧率截取图片的脚本代码https://www.cnblogs.com/bob-jianfeng/p/11140444.html网上找到一个非常好的开源代码用来数据增强，这里记录一下，以备以后使用https://github.com/xin
系统 2019-09-27 17:47:26 2168
