python二次开发CATIA:自动出工程图

1、打开装配体Product文件

在CATIA中,装配体的结构主要通过以下三个基本元素来定义:特征、零件和产品。

  • 特征(Feature):特征是零件上的一个几何元素。例如,一个螺栓可以被视为由螺帽、螺杆和螺纹等特征组成。
  • 零件(Part):零件是一个物品的最小组件,例如一个螺栓。
  • 产品(Product):产品是由多个零件(或子产品)组成的装配组合。例如,一个门锁是由多个零件(如螺栓)组成的。

在CATIA的装配结构中,每个产品都可以在不改变整体装配结构的情况下,替换其中的某个零件或子产品。例如,你可以把门锁上的旧锁芯替换成新的锁芯,而整个门锁的结构不会发生改变。这就是CATIA装配体结构的基本概念。

2、出工程图

import win32com.client
import pywintypes  # 导入pywintypes模块
import getpass
import time

global catia
global spacing, h, w
spacing = 30  # 视图摆放间距
# 启动CATIA应用
catia = win32com.client.Dispatch('CATIA.Application')
catia.visible=1
def get_view_size(view):
    code='''
            function catmain(view) 
            dim mysize(3) 
            view.size mysize 
            catmain=mysize 
            end function 
            '''
    srv = catia.SystemService
    mysize = srv.Evaluate(code, 0, 'catmain',[view])
    return mysize

def project_view(sheet,prd):
    # fornt view
    fview=sheet.views.add('AutomaticNaming')
    fgb=fview.generativebehavior
    flk=fview.generativelinks
    fgb.document=prd
    fgb.definefrontview(0,1,0,0,0,1)
    fgb.update()
    fsize=get_view_size(fview)

    # left view
    lview=sheet.views.add('AutomaticNaming')
    lgb = lview.generativebehavior
    llk = lview.generativelinks
    flk.copylinksto(llk)
    lgb.defineprojectionview(fgb,1)
    lgb.update()
    lsize = get_view_size(lview)
    # 设置左视图相对主视图的位置
    lview.x=-lsize[0]+fsize[1]+spacing
    lview.referenceview = fview

    # top view
    tview = sheet.views.add('AutomaticNaming')
    tgb = tview.generativebehavior
    tlk = tview.generativelinks
    flk.copylinksto(tlk)
    tgb.defineprojectionview(fgb, 2)
    tgb.update()
    tsize = get_view_size(tview)
    # 设置俯视图相对主视图的位置
    tview.y = fsize[2] - tsize[3] - spacing
    tview.referenceview = fview

    # 定位主视图
    fview.x=-fsize[0]+spacing
    fview.y=h-fsize[3]-spacing

def create_titleblock(bview,prd):
    tables=bview.tables
    tb=tables.add(0,0,4,3,20,50)
    tb.computemode=0

    tb.anchorpoint=8 #BottomRight的枚举值
    tb.SetColumnSize(3,100) # 第三列列宽50
    tb.mergecells(1, 3, 2, 1) #合并第三列1,2行
    tb.mergecells(3, 3, 2, 1) #合并第三列3,4行

    # 设置单元格对其方式,及字号字体
    for row in range(1,tb.numberofrows+1):
        for col in range(1,tb.numberofcolumns+1):
            tb.setcellalignment(row,col,4)
            text=tb.getcellobject(row,col)
            text.setfontname(0,0,'SimSun (TrueType)')
            text.setfontsize(0,0,5)
    tb.x=w-10
    tb.y=10

    tb.setcellstring(1, 1, '设计')
    tb.setcellstring(1, 2, getpass.getuser()) #获取计算机用户名

    tb.setcellstring(2, 1, '日期')
    date=time.strftime("%Y-%m-%d", time.localtime())
    tb.setcellstring(2, 2, date)

    tb.setcellstring(3, 1, '校核')
    tb.setcellstring(3, 2, 'xx')

    tb.setcellstring(4, 1, '日期')
    tb.setcellstring(4, 2, date)

    tb.setcellstring(1, 3, prd.partnumber)

    tb.setcellstring(3, 3, 'xxx')

    tb.computemode=1

try:
    prddoc = catia.activedocument
    prd = prddoc.product
    drwdoc = catia.documents.add('Drawing')
    sheet = drwdoc.sheets[0]
    bview = sheet.views[1]  # background view
    sheet.papersize = 4  # A2
    h = sheet.getpaperheight()
    w = sheet.getpaperwidth()
    sheet.name = prd.partnumber

    project_view(sheet, prd)
    create_titleblock(bview, prd)

    catia.activewindow.activeviewer.reframe()
except pywintypes.com_error as e:
    # 如果出现错误,可能是因为没有活动文档
    print("无法获取活动文档,请确保CATIA应用程序中已有打开的文档。")
    print(e)

### 使用 AutoGPTQ 库量化 Transformer 模型 为了使用 `AutoGPTQ` 对 Transformer 模型进行量化,可以遵循如下方法: 安装所需的依赖包是必要的操作。通过 pip 安装 `auto-gptq` 可以获取最新版本的库。 ```bash pip install auto-gptq ``` 加载预训练模型并应用 GPTQ (General-Purpose Tensor Quantization) 技术来减少模型大小和加速推理过程是一个常见的流程。下面展示了如何利用 `AutoGPTQForCausalLM` 类来进行这一工作[^1]。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from auto_gptq import AutoGPTQForCausalLM model_name_or_path = "facebook/opt-350m" quantized_model_dir = "./quantized_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 加载已经量化的模型或者创建一个新的量化器对象用于量化未压缩过的模型 gptq_model = AutoGPTQForCausalLM.from_pretrained(quantized_model_dir, model=model, tokenizer=tokenizer) ``` 对于那些希望进一步优化其部署环境中的模型性能的人来说,`AutoGPTQ` 提供了多种配置选项来自定义量化参数,比如位宽(bit-width),这有助于平衡精度损失与运行效率之间的关系。 #### 注意事项 当处理特定硬件平台上的部署时,建议查阅官方文档以获得最佳实践指导和支持信息。此外,在实际应用场景之前应该充分测试经过量化的模型以确保满足预期的质量标准。
评论
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