零基础如何入门 Python 爬虫？

大模型应用场景 大模型应用场景 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 387平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 2024-01-06 22:31:19 387 阅读 AI 写同款· GEO 优化 ›
零基础Python爬虫教程，入门学习的三个阶段。 爬虫Python入门好学吗？ 学爬虫需要具备一定的Python基础，有编程基础学Python爬虫更容易学。但要多看多练，有自己的逻辑想法。用Python达到自己的学习目的才算有价值。如果是入门学习了解，开始学习不难，但深入学习有难度，特别大项目。 大部分爬虫按“发送请求——获得页面——解析页面——抽取并储存内容”的流程来进行，模拟了我们使用浏览器获取网页信息的过程。向服务器发送请求后，会得到返回的页面，通过解析页面之后，可以抽取我们想要的那部分信息，并存储在指定的文档或数据库中。 Python 爬虫入门的三 阅读详情

本文针对初学者，我会用最简单的案例告诉你如何入门python爬虫！

想要入门Python 爬虫首先需要解决四个问题

  • 熟悉python编程
  • 了解HTML
  • 了解网络爬虫的基本原理
  • 学习使用python爬虫库

一、你应该知道什么是爬虫？

网络爬虫，其实叫作网络数据采集更容易理解。

就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。

归纳为四大步：

1.根据url获取HTML数据

2.解析HTML，获取目标信息

3.存储数据

4.重复第一步

这会涉及到数据库、网络服务器、HTTP协议、HTML、数据科学、网络安全、图像处理等非常多的内容。但对于初学者而言，并不需要掌握这么多。

二、python要学习到什么程度

如果你不懂python，那么需要先学习python这门非常easy的语言（相对其它语言而言）。

编程语言基础语法无非是数据类型、数据结构、运算符、逻辑结构、函数、文件IO、错误处理这些，学起来会显枯燥但并不难。

刚开始入门爬虫，你甚至不需要去学习python的类、多线程、模块之类的略难内容。找一个面向初学者的教材或者网络教程，花个十几天功夫，就能对python基础有个三四分的认识了，这时候你可以玩玩爬虫喽！

当然，前提是你必须在这十几天里认真敲代码，反复咀嚼语法逻辑，比如列表、字典、字符串、if语句、for循环等最核心的东西都得捻熟于心、于手。

教材方面比较多选择，我个人是比较推荐python官方文档以及python简明教程，前者比较系统丰富、后者会更简练。

三、为什么要懂HTML

前面说到过爬虫要爬取的数据藏在网页里面的HTML里面的数据，有点绕哈！

维基百科是这样解释HTML的

超文本标记语言（英语：HyperTextMarkupLanguage，简称：HTML）是一种用于创建网页的标准标记语言。HTML是一种基础技术，常与CSS、JavaScript一起被众多网站用于设计网页、网页应用程序以及移动应用程序的用户界面[3]。网页浏览器可以读取HTML文件，并将其渲染成可视化网页。HTML描述了一个网站的结构语义随着线索的呈现，使之成为一种标记语言而非编程语言。

总结一下，HTML是一种用于创建网页的标记语言，里面嵌入了文本、图像等数据，可以被浏览器读取，并渲染成我们看到的网页样子。

所以我们才会从先爬取HTML，再 解析数据，因为数据藏在HTML里。

学习HTML并不难，它并不是编程语言，你只需要熟悉它的标记规则，这里大致讲一下。

HTML标记包含标签（及其属性）、基于字符的数据类型、字符引用和实体引用等几个关键部分。

HTML标签是最常见的，通常成对出现，比如< h1 >与< /h1 >。

这些成对出现的标签中，第一个标签是开始标签，第二个标签是结束标签。两个标签之间为元素的内容（文本、图像等），有些标签没有内容，为空元素，如。

以下是一个经典的Hello World程序的例子：

<!DOCTYPE html>
<html>
  <head>
    <title>This is a title</title>
  </head>
  <body>
    <p>Hello world!</p>
  </body>
</html>

HTML文档由嵌套的HTML元素构成。它们用HTML标签表示，包含于尖括号中，如< p >[56]

在一般情况下，一个元素由一对标签表示：“开始标签”< p >与“结束标签”< /p >。元素如果含有文本内容，就被放置在这些标签之间。

四、了解python网络爬虫的基本原理

在编写python爬虫程序时，只需要做以下两件事：

  • 发送GET请求，获取HTML
  • 解析HTML，获取数据

这两件事，python都有相应的库帮你去做，你只需要知道如何去用它们就可以了。

五、用python库爬取百度首页标题和图片

首先，发送HTML数据请求可以使用python内置库urllib，该库有一个urlopen函数，可以根据url获取HTML文件，这里尝试获取百度首页“https://www.baidu.com/”的HTML内容

# 导入urllib库的urlopen函数
from urllib.request import urlopen 
# 发出请求，获取html
html = urlopen("https://www.baidu.com/")
# 获取的html内容是字节，将其转化为字符串
html_text = bytes.decode(html.read())
# 打印html内容
print(html_text)

看看效果：

在这里插入图片描述
我们看一下真正百度首页html是什么样的，如果你用的是谷歌浏览器，在百度主页打开设置>更多工具>开发者工具，点击element，就可以看到了：

在这里插入图片描述
对比一下你就会知道，刚才通过python程序获取到的HTML和网页中的一样！

获取了HTML之后，接下就要解析HTML了，因为你想要的文本、图片、视频都藏在HTML里，你需要通过某种手段提取需要的数据。

python同样提供了非常多且强大的库来帮助你解析HTML，这里以著名的python库BeautifulSoup为工具来解析上面已经获取的HTML。

BeautifulSoup是第三方库，需要安装使用。在命令行用pip安装就可以了：

pip install bs4

BeautifulSoup会将HTML内容转换成结构化内容，你只要从结构化标签里面提取数据就OK了：

在这里插入图片描述
比如，我想获取百度首页的标题“百度一下，我就知道”，怎么办呢？

这个标题是被两个标签套住的，一个是一级标签,另一个是二级标签，所以只要从标签中取出信息就可以了

在这里插入图片描述

# 导入urlopen函数
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 打印标题
print(title)

看看结果：

在这里插入图片描述
这样就搞定了，成功提取出百度首页的标题。

如果我想要下载百度首页logo图片呢？

第一步先获取该网页所有图片标签和url，这个可以使用BeautifulSoup的findAll方法，它可以提取包含在标签里的信息。

一般来说，HTML里所有图片信息会在“img”标签里，所以我们通过findAll(“img”)就可以获取到所有图片的信息了。

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 使用find_all函数获取所有图片的信息
pic_info = obj.find_all('img')
# 分别打印每个图片的信息
for i in pic_info:
    print(i)

看看结果：

在这里插入图片描述
打印出了所有图片的属性，包括class（元素类名）、src（链接地址）、长宽高等。

其中有百度首页logo的图片，该图片的class（元素类名）是index-logo-src。

在这里插入图片描述

[<img class="index-logo-src" height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" usemap="#mp" width="270"/>, <img alt="到百度首页" class="index-logo-src" src="//www.baidu.com/img/baidu_jgylogo3.gif" title="到百度首页"/>]

可以看到图片的链接地址在src这个属性里，我们要获取图片链接地址：

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 打印链接
print(logo_url)

结果：

在这里插入图片描述
获取地址后，就可以用urllib.urlretrieve函数下载logo图片了

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 导入urlretrieve函数，用于下载图片
from urllib.request import urlretrieve
# 请求获取HTML
html = urlopen("https://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 使用urlretrieve下载图片
urlretrieve(logo_url, 'logo.png')

最终图片保存在’logo.png’

在这里插入图片描述

六、结语

本文用爬取百度首页标题和logo图片的案例，讲解了python爬虫的基本原理以及相关python库的使用，这是比较初级的爬虫知识，还有很多优秀的python爬虫库和框架等待后续去学习。

当然，掌握本文讲的知识点，你就已经入门python爬虫了。加油吧，少年！

如果你对Python感兴趣的话，可以试试我整理的这份Python全套学习资料，微信扫码免费领取

😝朋友们如果有需要的话，可以V扫描下方二维码免费领取🆓

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

#### **一、Python学习路线**

image-20230619144606466

python学习路线图1

二、Python基础学习
1. 开发工具

2. 学习笔记

在这里插入图片描述

3. 学习视频

在这里插入图片描述

三、Python小白必备手册

图片

四、数据分析全套资源

在这里插入图片描述

五、Python面试集锦
1. 面试资料

在这里插入图片描述

在这里插入图片描述

2. 简历模板

在这里插入图片描述

** 因篇幅有限，仅展示部分资料，添加上方即可获取**
标签
#python #爬虫 #开发语言 #学习 #数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【Python入门】7天速成Python网络爬虫高手，requests从零基础到实战只需一篇 恭喜你，已经完成了Python网络爬虫中使用requests发送HTTP请求的基础学习！通过今天的讲解，你应该已经掌握了如何使用requests发送GET和POST请求、处理HTTP错误、设置请求头、处理Cookies、处理重定向和超时。这些技能不仅能够帮助你在工作中提高效率，还能让你在朋友面前显得特别酷。所以，赶紧动手试试吧，也许你下一个爬虫项目就是用requests开发的呢！ 阅读详情

相关推荐

【Python入门】7天速成Python网络爬虫高手，Autoscraper从零基础到实战只需一篇

恭喜你，已经完成了Python网络爬虫中使用Autoscraper抓取数据的基础学习！通过今天的讲解，你应该已经掌握了如何使用Autoscraper创建实例、自动推断选择器、手动添加选择器、处理分页、处理动态内容、处理登录和数据存储。这些技能不仅能够帮助你在工作中提高效率，还能让你在朋友面前显得特别酷。所以，赶紧动手试试吧，也许你下一个爬虫项目就是用Autoscraper开发的呢！

java专栏 1921

零基础Python爬虫学习路线，这十一条足够了！

4.Python库是Python的精华所在，可以说Python库组成并且造就了Python，Python库是Python开发者的利器，所以学习Python库就显得尤为重要：The Python Standard Library ，Python库很多，如果你没有时间全部看完，不妨学习一遍常用的Python库：Python常用库。当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

m0_58477260的博客 2682

机械臂 关节电机选型计算

电机 机械臂

hisen92的专栏 8983

零基础如何入门Python爬虫！

零基础如何入门Python爬虫！

python03011的博客 780

AUTOSAR Dem模块实战配置：从理论到代码生成的完整指南

本文提供了一份AUTOSAR Dem模块从理论到代码生成的完整实战配置指南。文章详细拆解了配置流程，涵盖Dem模块的核心角色、通用骨架搭建、事件与DTC映射、消抖机制配置，以及与BswM、EcuM、DCM等模块的联调方法，旨在帮助汽车电子工程师快速掌握诊断事件管理的关键配置步骤，生成可运行的代码。

3c4x5z6v7b的博客 455

达梦数据库(DM)的备份与恢复功能

本文系统介绍了达梦数据库(DM)的备份与恢复功能，主要包括作业系统和物理/逻辑备份还原两大模块。作业系统部分详细说明了通过代理环境创建定时备份和删除备份作业的步骤；物理备份还原部分阐述了联机和脱机备份方式，包括数据库、表空间、表和归档的备份还原操作；逻辑备份还原部分介绍了dexp/dimp工具的使用方法及四种级别的导入导出功能。文章还介绍了图形化管理工具进行备份还原的操作流程，全面覆盖了达梦数据库的数据保护方案，为数据库管理员提供了详细的技术指导。

weixin_48812832的博客 1211

Python爬虫教程（非常详细）从零基础入门到精通，看完这一篇就够了

对于绝大多数想要学习Python的朋友而言，爬虫绝对是学习Python的最好的骑手和入门方式。 我当时选择Python学习，也是瞄准了Python爬虫，因为爬虫思维模式固定，编程模式也相对简单，一般在细节处理上积累一些经验都可以成功。

xiaoganbuaiuk的博客 4624

SRT公网点对点传输及搭建SRT流媒体服务器

SRT是一种开源传输技术，它是基于UDP协议的，与RTMP不同的是，它具有高码率低延迟的传输特性，加强了在复杂不稳定网络环境中的传输可靠性，提升了不可预测的网络环境上的流传输性能。它不像NDI那样只适用于局域网传输，它更适用于公网环境下的信号传输。 S代表Secure，即安全加密的视频流，R代表Reliable，即具有从数据严重丢包中恢复的可靠性，T代表Transport，即动态适应变化的网络状况。 在音视频数据包传输的过程中，SRT会检测并适应两个传输点之间的实时网络状况，有助于补偿由于网络的拥塞而引起的

罗宇。的媒体技术工作室 1万+

小白如何入门 Python 爬虫？

本文针对初学者，我会用最简单的案例告诉你如何入门python爬虫！ 想要入门Python 爬虫首先需要解决四个问题 熟悉python编程 了解HTML 了解网络爬虫的基本原理 学习使用python爬虫库 一、你应该知道什么是爬虫？ 网络爬虫，其实叫作网络数据采集更容易理解。 就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自...

1004

【AUTOSAR-Nm】-2.2-通过CAN/Lin...信号报告Nm状态机的跳转

如何通过Can/Lin/Fr/Udp/J1939信号，获取每个通道对应状态机的跳转信息：“前一次状态”和“当前状态”。

「汽车电子助手」的博客 2464

6.14华为OD机试真题 新系统 - 字符串格式调整 (Java/Py/C/C++/Js/Go)

# **字符串格式调整** > 2026 华为OD机试真题 6月14日华为OD上机新系统考试真题 100 分题型 点击查看华为 OD 机试真题完整目录：[2026最新华为OD机试新系统卷 + 双机位C卷 真题题库目录｜全覆盖题库 + 逐点算法考点详解](https://blog.youkuaiyun.com/banxia_frontend/article/details/160346662) # 题目描述 输入一个字符串，字符串中只包含大写字母和数字。要求将字符串中的所有数字提取出来，按出现的顺序组

算法大师！ 947

Python网络爬虫零基础入门 - 思维导图合集

Python网络爬虫零基础入门 - 思维导图合集 去发现同类优质开源项目:https://gitcode.com/ 此仓库包含了一系列关于Python网络爬虫学习的思维导图文件，旨在帮助初学者从入门到逐步掌握爬虫技术。以下是本合集包含的主要内容： 01-爬虫基础：介绍网络爬虫的基本概念、工作原理以及Python环境下爬虫的基础知识。 02-requests模块：讲解如何使用requests模块发...

gitblog_06704的博客 446

【Claude】Invalid API key 无效密钥报错已解决

API 拒绝了你提供的 key。最高频的根因是老的/被撤销的 key 藏在某处自动加载的配置文件里，而你对此不知情。→ 检查所有可能注入 key 的来源（.env.envrc、shell 配置、IDE 设置、）→ 清除无效来源 → 用/status验证。参考：Claude Code 官方《错误参考》"身份验证"章节、社区 Invalid API key 排查记录。

博客 7923

零基础Python网络爬虫入门教程（含实例代码）

复制文中代码到PyCharm/VSCode运行（需替换实际URL），建议从豆瓣等对爬虫友好的网站开始练习。后续可尝试抓取商品价格、天气数据等实用场景。

不辉放弃的博客 1470

Unreal从入门到精通之 UE4 vs UE5 VR性能优化实战

这篇文章分享了UE5 VR项目的性能优化经验。作者通过对比UE4和UE5的VR模板性能，发现UE5默认帧率只有45FPS，远低于UE4的100FPS。主要性能瓶颈来自Lumen全局光照、虚拟阴影贴图等新特性。文章详细列出了12项关键优化设置，包括禁用Lumen、关闭虚拟阴影、使用前向渲染等，并分析了各项调整对性能的影响程度。特别指出删除默认的VolumetricCloud可立即提升5帧。最后建议根据场景需求平衡画质与性能，对于高帧率要求的VR项目，可能需要谨慎使用UE5或关闭其部分高级渲染功能。

TxNet 1383

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

【2024Python】爬虫教程（非常详细）从零基础入门到精通，看完这一篇就够了

对于绝大多数想要学习Python的朋友而言，爬虫绝对是学习Python的最好的骑手和入门方式。我当时选择Python学习，也是瞄准了Python爬虫，因为爬虫思维模式固定，编程模式也相对简单，一般在细节处理上积累一些经验都可以成功。

2401_85855266的博客 875

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python爬虫超详细讲解（零基础入门，包教包会）

先看后赞，养成习惯。

z099164的博客 1462

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

零基础学Python|Python学习高阶之网络爬虫入门

网络爬虫可以按照指定的规则（网络爬虫算法）自动浏览或抓去网络中的信息，通过Python可以很轻松的编写爬虫程序或者是脚本。我们常见的搜索引擎就离不开网络爬虫，百度的搜索引擎的爬虫名字叫作百度蜘蛛，它每天都会在海量的互联网信息中进行爬取，收集并整理互联网上的网页、图片视频等信息，然后当用户在百度搜索引擎中输入对应的关键词时，百度将从收集的网络信息中找出相关的内容，再按照一定的顺序将信息展现给用户。百度蜘蛛在工作的过程当中，搜索引擎会构建一个调度程序，来调度百度蜘蛛的工作，这些调度程序都是需要使用一定的算法来实

软件开发实战项目分享 2561

零基础掌握Python网络爬虫：从入门到实战的书籍推荐

网络爬虫（Web Crawler）是一种按照一定规则自动抓取互联网信息的程序或脚本，广泛应用于数据采集、搜索引擎优化、市场分析等领域。本文精选GitHub_Trending/boo/books项目中与Python爬虫相关的优质书籍资源，帮助读者系统学习爬虫开发技术。 ## 一、Python基础入门 ### 1. Python核心语法 [Python para Desenvolvedores]

gitblog_00313的博客 1114

Python网络爬虫零基础入门-思维导图合集

Python网络爬虫零基础入门-思维导图合集 去发现同类优质开源项目:https://gitcode.com/ 项目的核心功能/场景 帮助Python初学者快速掌握网络爬虫技术，实现从入门到实践的完整学习路径。 项目介绍 在当今信息爆炸的时代，网络爬虫作为一种获取网络数据的技术，变得越来越重要。Python网络爬虫零基础入门-思维导图合集，是一套专为Python初学者设计的网络爬虫学习资源。它通过...

gitblog_06716的博客 299

零基础的爬虫教程，一文快速入门Python爬虫——推一下我的一篇Chat

之前就打算写个爬虫教程，不过出于多种原因（工作、学习、生活各方面因素，但我觉得最主要原因是懒？），写了三篇博文之后，已经断更很久了…… 后来，看到优快云在推GitChat，一时兴起，准备写个Chat，内容的话，选择了Python爬虫的入门教程。林林总总写了三万多字，个人认为讲得很清晰了，比较适合零基础、或基础薄弱的同学快速入门Python爬虫。只通过这篇文章，完全能达到入门Python爬虫的目的...

笔墨留年。 2884

零基础学Python网络爬虫案例实战全流程详解（入门与提高篇）

笔者编写的《Python金融大数据挖掘与分析全流程详解》于2019年出版面市后，陆续有不少读者表示对该书的爬虫部分非常感兴趣，想做进一步的学习。笔者由此萌生了一个想法：专门针对Python爬虫技术编写一套书籍，在保留之前核心内容的基础上，新增更多实战案例，方便读者在练中学，并体会Python爬虫在实战中的应用。

mirana的专栏 3013

python数据分析网课-Python视频教程网课编程零基础入门数据分析网络爬虫全套Python视频教程...

Python视频教程网课编程零基础入门数据分析网络爬虫全套Python视频教程2020年07月08日 11:00作者：黄页编辑：黄页分享本课程为python教程大合集,包含python所有就业方向,每套课程均来自市面上主流培训机构的原版教程,价值都在数百元以上每套课程均包含:视频课程+课件+源代码重要:建议根据自己工作方向和需求,重点选择2到3套课程学精,吃透,然后在工作重要:零基础小白建议先选择...

weixin_39636691的博客 1250
上一篇： Python入门必看的10本书籍（附电子书）
下一篇： python爬虫快速入门(零基础也看得懂)
点赞 0
评论 0
书签 书签 0
大模型应用场景
大模型应用场景
博客等级 码龄5年 7648粉丝 1350原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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