50个关于IPython的使用技巧,get起来!

IPython的“%paste“魔法:代码粘贴的救星 在数据科学和编程的世界中,效率和便捷性是至关重要的。IPython,作为一个强大的交互式Python解释器,提供了一系列的"魔法命令"来增强用户体验。其中,%paste命令是IPython中一个非常实用的功能,它允许用户粘贴预先编写好的代码块,而无需手动输入。本文将详细介绍%paste命令的用途、工作原理以及如何使用它来提高编码效率。 阅读详情

什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:

IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。

IPython拥有:

  1. 满足你各种需求的交互式shell

  2. 火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)

  3. 对交互式数据可视化和GUI工具的完美支持

  4. 简单易用的高性能并行计算工具

IPython中的‘I’即代表交互的意思,所以IPython提供了丰富的工具,能更好地与python进行交互。
大家经常遇到的魔法命令,就是IPython的众多功能之一。
本文梳理IPython的50个用法,供Python爱好者参考。

注:前面说过IPython提供了jupyter内核,所以Jupyter Notebook是一个基于浏览器的IPython shell,支持IPython的所有功能,以下内容均在Jupyter Notebook环境中测试。

1. ?打印IPython简介

在IPython中直接输入?,可以打印出IPython的功能介绍

2. object ?内省功能

在变量后面加上?,可以打印出该变量的详细信息。例如图中一个列表对象,打印出该对象的类型、长度等信息。

3. object ??内省功能

??和?功能相似,不过??还可以查看函数或模块对象的源代码。

4. history历史命令

在IPython中,执行history或hist命令能够查看历史输入。

5. tab自动补全

IPython支持tab键自动补全。

6. ! shell_command执行shell命令

shell (windows里叫作cmd)表示使用文本与计算机进行交互的方式,在IPython中,shell命令前加上感叹号!(英文输入法)就可以直接执行。如图使用ping检测百度网址。

7.魔法命令%和%%区别

魔法命令分为两种,一种是line magics,另外一种cell magics。Line magic是通过在前面加%,表示magic只在本行有效。Cell magic是通过在前面加%%,表示magic在整个cell单元有效。

8. %run运行脚本

在IPython会话环境中,py文件可以通过%run命令当做Python程序来运行,输入%run 路径+文件名称即可。如图,e盘中有一py脚本test.py,在IPython中执行。

9.%timeit测量代码运行时间

IPython使用魔法命令%timeit来测量单行代码的运行时间。

10.%%timeit测量代码运行时间

%%timeit用来测量整个单元格代码的运行时间.

11. %pwd显示工作路径

该魔法命令用来显示当前工作目录的路径。

12. %matplotlib inline显示图像

在notebook中绘制图像时,使用%matplotlib inline命令可以将图表直接嵌入到notebook中,方便查看。

13. %conda安装第三方库

%conda install pkgs命令用于在IPython中安装python第三方库。

14. %pylab交互式计算

%pylab 魔法命令可以使numpy和matplotlib中的科学计算功能生效,这些功能被称为基于向量和矩阵的高效操作,交互可视化特性。它能够让我们在控制台进行交互式计算和动态绘图。

15. %quickref查看参考

%quickref用来查看IPython的特定语法和魔法命令参考。

16. %ls显示目录内容

%ls path命令可以用来显示特定目录下的内容。

17. 通配符*

使用通配符*?可以模糊查询方法名及属性。

18. %cd修改目录

%cd命令可以修改当前工作目录。

19. _打印前输出结果

使用一个下划线 _ 获取前一个输出结果,它是个变量,实时更新的。使用两个下划线 __可以获取倒数第二个输出,使用三个下划线 ___ 获取倒数第三个输出(没有输出的命令行不计入在内,只支持前三个输出结果)。

20. ;抑制输出

在语句后面加上;,不显示输出结果。

21. %debug交互式调试器

%debug命令支持从最新的异常跟踪的底部进入交互式调试器。在ipdb调试模式下能访问所有的本地变量和整个栈回溯。使用u和d向上和向下访问栈,使用q退出调试器。在调试器中输入?可以查看所有的可用命令列表。

22. %pdb交互式调试器

%pdb同样用于启动交互式调试器,不过支持对所有的异常进行调试。你需要事先启动%pdb命令,之后对每一个异常都会进行调试。

23. %run -d交互式调试器

%run -d用于对脚本进行调试。

24. %pycat语法高亮

%pycat filename用语法高亮显示一个python文件(不用加.py后缀名)。

25. %load加载代码

%load命令用于将脚本代码加载到当前cell。

26. %macro定义宏

%macro taskname n1 n2...用来定义宏,并给宏命名,执行指定的代码行。执行name就是执行n1 n2...这些代码。

27. %notebook导出notebook

%notebook path用于导出当前notebook内容到指定ipynb文件中。

28. %pdef打印构造信息

%pdef命令用来打印类、函数的构造信息。

29. %pdoc打印文档

%pdoc命令用来打印对象的文档字符串。

30. %precision浮点数精度

%precision命令用来设置浮点数精度,可添加具体参数,无参数则默认精度。

31. %xdel删除变量

%xdel命令用于删除变量,并尝试清楚其在IPython中的对象上的一切引用。

32. %who显示变量

%who命令用于显示当前所有变量,你也可以指定显示变量的类型。

33. %who显示变量

%who命令同样用于显示当前变量,但提供的信息更加丰富。

34. %save保存cell

%save path n1 n2..命令用于将指定cell代码保存到指定的py文件中。

35. %reset重置

%reset -f命令用于删除定义的所有变量,如果不指定参数-f,则需要确认后再重置。

36. %rerun执行前代码

%rerun命令用于执行之前的代码,可以指定历史代码行,默认最后一行。

37. %%HTML渲染HTML

%%HTML命令用于将单元格渲染为HTML输出。

38. %%javascript运行JavaScript

%%javascript命令用于运行含有JavaScript代码的cell。

39. %%latex渲染LaTeX

%%latex命令用于将LaTeX语句渲染为公式,LaTeX是一种基于ΤΕΧ的排版系统。

40. %%markdown渲染markdown

%%markdown命令用于将markdown文本渲染为可视化输出。

41. %%writefile写入文件

%%writefile命令用于将单元格内容写入到指定文件中,文件格式可为txt、py等。

42. %bookmark保存书签

%bookmark命令能够保存常用目录的别名,以便实现快速跳转,书签能够持久化保存。

43. %paste粘贴代码块

当你使用 IPython 解释器时,有件事经常让你头疼,那就是粘贴多行代码块可能会导致不可预料的错误,尤其是其中包含缩进和解释符号时。
使用%paste命令能够直接执行剪切板中的python代码块。

44. %magic获取魔法命令列表

%magic用于获取所有魔法命令及其用法。

45. In和Out

常会看到IPython 中的In[1]:/Out[1]:形式的提示,它们并不仅仅是好看的装饰形式,还是包含输入、输出的变量。
In 对象是一个列表,按照顺序记录所有的命令。
Out 对象不是一个列表,而是一个字典,它将输入数字映射到相应的输出(如果有的话)

46. %xmode控制异常

%xmode命令用于控制异常输出的模式。

47. jupyter qtconsole

jupyter qtconsole 是ipython团队基于qt框架开发的一个GUI控制台。
它具有富文本编辑功能,既能够在里面实现内嵌图片、多行编辑、语法高亮等。

48. IPython导航快捷键

快捷键动作
Ctrl + a将光标移到本行的开始处
Ctrl + e将光标移到本行的结尾处
Ctrl + b(或左箭头键)将光标回退一个字符
Ctrl + f(或右箭头键)将光标前进一个字符

49. IPython文本输入快捷键

快捷键动作
Backspace 键删除前一个字符
Ctrl + d删除后一个字符
Ctrl + k从光标开始剪切至行的末尾
Ctrl + u从行的开头剪切至光标
Ctrl + yyank(即粘贴)之前剪切的文本
Ctrl + ttranspose(即交换)前两个字符

50. IPython命令历史快捷键

快捷键动作
Ctrl + p(或向上箭头)获取前一个历史命令
Ctrl + n(或向下箭头)获取后一个历史命令
Ctrl + r对历史命令的反向搜索

-END-


近期热门:

● 80%的人都不知道,全球Python库下载前10名

● 我珍藏的一些好的Python代码,技巧|上篇

● 爬取300本Python书籍,用Python告诉你哪家强?

● 简单几步,100行代码用Python画一个蝙蝠侠的logo

● 我用Python分析了《青春有你2》109位漂亮小姐姐,真香!

● 牛逼操作!用Python做了一个编程语言20年的动态排行榜!

● 我打赌,学会这6招,谁再敢笑你的Python程序慢!

点击阅读原文,原创400篇干货文章

聚焦112Gb/s SerDes芯片的AN/LT端口自协商和链路学习,评估验证高速链路的信号质量并分析调优(400/800G高速以太网互联接口,AI加速卡网络RDMA性能测试,交换背板接口性能评估) 在112G SerDes高速通道下的400G/800G高速以太网端口下,如何保障通信速率,验证SerDes的数据完整性和链路余量,自动协商(AN)和链路训练(LT)功能显得尤其重要,其在DAC、ACC、AEC铜缆连接或高速背板通信上,自动协商(AN)和链路训练(LT)的工作与否将决定高速链路传输质量的优劣。本文将系统的讨论介绍自动协商(AN)和链路训练(LT)的测试流程,其可以独立使用,也可以与teledynelecroy SierraNet M1288配合使用。 阅读详情

相关推荐

基于NXP i.MX RT1180的无传感器FOC电机驱动实战指南

磁场定向控制(FOC)是一种先进的电机控制技术,它通过精密的数学变换,将三相交流电机的控制解耦为独立的转矩和磁场分量,从而实现高效、平稳、低噪音的驱动。其核心原理在于利用Park/Clark变换,在旋转坐标系下对电流进行线性控制。这项技术的价值在于显著提升了永磁同步电机(PMSM)的效率与动态性能,广泛应用于机器人、无人机和工业自动化等高精度场景。本文聚焦于利用NXP i.MX RT1180跨界处理器及其MCUXpresso SDK,快速实现一套完整的无传感器FOC解决方案。通过解析硬件平台选型、软件架构,

weixin_33925615的博客 311

IPython使用学习笔记

学习《利用python进行数据分析》第三章 IPython:一种交互式计算和开发环境的笔记,共享给大家,同时为自己作为备忘用。 安装ipython用pip即可。ps.博主用的是win7系统,所以接下来的都是在windows系统下操作的。 一.Ipython基础 启动:开始菜单-输入cmd-回车-输入ipython 初尝试 二.Tab键自动完成 在shell...

weixin_30852367的博客 250

当版图同学只给GDS文件时,我是这样用Calibre PEX和Cadence做后仿真的(保姆级避坑)

本文详细介绍了在模拟IC设计中,当仅获得GDS文件时,如何利用Calibre PEX和Cadence进行高效后仿真的完整流程。涵盖从寄生参数提取到Spectre模型创建的实战技巧,特别针对版本兼容性、文件独立性和参数可调性等常见问题提供解决方案,帮助工程师规避协作中的典型陷阱。

weixin_42556197的博客 247

科学计算工具IPython

IPython是一个交互式计算系统。主要包含三个组件:增加的交互式 “Python shell”,解耦的双过程通信模型,交互式并行计算的架构。支持变量自动补全。

delia_1的博客 1361

STM32F103电压采集proteus仿真

基于HAL库,仿真单片机型号为stm32f103R6,代码keil5。通过单片机的ADC采集功能,测量四路电压,数据经由DMA传输,并将结果通过串口输出,结果比较确,误差在0.01V左右。目前仿真采集四路比较稳定,多了会乱码。proteus版本8.11安装包链接:https://pan.baidu.com/s/1yhNKLl1lGSU9KU0tTuAxcg?pwd=dxe8提取码:dxe8项目下载地址:.

weixin_42490599的博客 4768

国内网络环境下Calico v3.26.4安装避坑指南(附华为云镜像加速脚本)

本文为国内开发者提供Calico v3.26.4的高效部署指南,重点介绍如何通过华为云镜像加速服务解决Kubernetes集群网络插件镜像拉取问题。文章包含详细的镜像加速脚本、部署清单修改方法及深度排错技巧,帮助开发者快速完成Calico网络插件的安装与配置。

brown的博客 291

【python】IPython的使用技巧整理

IPython常用实用技巧总结归纳

kissdragan的博客 2530

S7-1200 PN与G120变频器控制起停及调速PROFINET实现详解

S7-1200 PLC与G120变频器通过PROFINET通信可实现高效、实时的电机控制。2. 《S7-1200与G120 CU250S-2PN的PROFINET通讯指南》- 控制器:S7-1200 PLC (如1214C DC/DC/DC)- 变频器:G120 CU250S-2PN (带PROFINET接口)- 输出区(PZD1-2):控制字(16位)、速度设定值(16位)- 输入区(PZD1-2):状态字(16位)、实际速度值(16位)- P922=1:选择报文类型为"标准报文1 (PZD2/2)"

电工 1875

ipython notebook_50个关于IPython的使用技巧,get起来!

什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。IPython拥有:满足你各种需求的交互式shell火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)对交互式数据可视化和GUI工具的完美支持简单易用的高性能并行计算工具IPython中的‘I’即代表交互的意...

weixin_39594895的博客 79

药物对接仿真软件:HADDOCK_(9).结果分析方法

HADDOCK是一种强大的药物对接仿真工具,通过对生成的输出文件进行详细的分析,我们可以验证仿真结果的可靠性,并为进一步优化药物设计提供依据。常见的分析方法包括解读输出文件、使用可视化工具进行结构分析、评估对接模型的稳定性和准确性等。通过这些步骤,我们可以更全面地了解受体和配体的结合模式,从而提高药物设计的成功率。

kkchenjj的博客 1009

K230+canMV开发中常见的数据类型转换参考示例

【代码】K230+canMV开发中常见的数据类型转换参考示例。

weixin_47446386的博客 69

ipython notebook_50 个关于 IPython 的使用技巧,get 起来!

点击上方“AI有道”,选择“星标”公众号重磅干货,第一时间送达什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。IPython拥有:满足你各种需求的交互式shell火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)对交互式数据可视化和GUI工具的完...

weixin_39608479的博客 236

[VCS]VCS checkpoint简介以及其在SoC验证加速中的作用

VCS checkpoint是Synopsys VCS提供的快照/恢复机制,可显著加速SoC验证。其核心是在仿真关键节点(如完成初始化后)保存系统状态,后续测试可直接从该点恢复,避免重复执行冗长的初始化阶段(如boot、DDR训练等)。该技术特别适用于多测试用例共享同一初始状态的场景,通过分离初始化与功能验证流程,可提升回归效率3-5倍。需注意处理DPI-C状态同步、版本管理及存储优化等问题,结合UVM和自动化脚本可实现更高效的验证流程。典型应用可节省数百万cycle的重复仿真时间。

元直的博客 781

ipython 提示python已停止运行_50个关于IPython的使用技巧,get起来!

什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。IPython拥有:满足你各种需求的交互式shell火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)对交互式数据可视化和GUI工具的完美支持简单易用的高性能并行计算工具IPython中的‘I’即代...

weixin_33562004的博客 132

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

ipython 提示python已停止运行_50 个关于 IPython 的使用技巧,get 起来!

点击上方“AI有道”,选择“星标”公众号重磅干货,第一时间送达什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。IPython拥有:满足你各种需求的交互式shell火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)对交互式数据可视化和GUI工具的完...

weixin_28684825的博客 150

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

ipython支持变量自动补全、自动收缩_50个关于IPython的使用技巧,get起来!

什么是IPython?可能很多人已经在用,却不知道它到底是什么。根据维基百科的解释:IPython是一种基于Python的交互式解释器,提供了强大的编辑和交互功能。IPython拥有:满足你各种需求的交互式shell火爆数据科学社区的Jupyter内核(供Jupyter Notebook使用)对交互式数据可视化和GUI工具的完美支持简单易用的高性能并行计算工具IPython中的‘I’即代表交互的意...

weixin_29550949的博客 563

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

上一篇: 推荐一款Python 代码自动补全神器
下一篇: 刺激!一行代码就可下载b站等全网视频!
菜鸟学Python
博客等级 码龄9年 8092粉丝 571原创
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
 
 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