创建Django项目

本文详细解析了Django框架的请求处理流程,包括服务端启动、浏览器请求、URL匹配、视图函数执行及响应返回的过程。同时介绍了如何通过编辑urls.py和views.py文件来实现特定的功能。

1. 请求流程

(1) .启动服务端等待客户端来连接
(1) .浏览器发出请求然后经过wsgiref.py模块。
(2) .执行urls.py中的列表,请求url和列表中的参数进行匹配。
(3) .匹配成功后执行对应的视图函数。
(4) .将结果返回给浏览器。
(5) .断开连接

2. 视图函数

(1) .函数名称任意,但是一般要见名知意(看见函数名称就知道做什么事情)
(2) .函数至少有一个参数,一般命名为request,request参数是django.http模块中的

编辑urls.py文件:
from django.contrib import admin
from django.urls import path
from django.shortcuts import HttpResponse
def index(request):
return HttpResponse(‘hello world !!!’)

urlpatterns = [
path(‘admin/’, admin.site.urls),
path(‘index/’,index),
]
运行:
在这里插入图片描述
在这里插入图片描述

修改端口号:
在这里插入图片描述

request.META是一个python字典

包含了所有本次HTTP请求的Header信息,比如用户IP地址和用户Agent(通常是浏览器的名称和版本号)。
注意,Header信息的完整列表取决于用户所发送的Header信息和服务器端设置的Header信息。例如:
编辑views.py文件:

from django.shortcuts import HttpResponse
def hero_list(request):
    return HttpResponse('你好,世界!')

编辑urls.py文件:

from django.contrib import admin
from django.urls import path
from django.shortcuts import HttpResponse
from untitled1 import views#(或from untitled1.views import hero_list

def index(request):
	'''
    浏览器发送请求后,django会将请求的所有内容封装到HttpRequest对象中,
    传递给视图函数的第一参数。一般用request变量来接受。
    '''
    print(request.META)
    print('---->>>')
    for k,v in request.META.items():
        print(k,':',v)
    return HttpResponse('helloworld!!!')
urlpatterns = [
    path('admin/', admin.site.urls),
    path('index/', index),
    path('hero_list/',views.hero_list),
]
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值