2018-07-11-flask-03-flask-migrate

Claude Code+Hermes+Dify本地Agent部署实战指南 Agent并非单一黑盒,而是由推理引擎、交互客户端与任务编排层协同构成的技术栈。其核心原理在于将大模型能力封装为标准化API,通过协议对接实现代码理解、文件操作与终端执行的工程闭环。技术价值体现在开箱即用的本地化、毫秒级响应及操作系统级集成,广泛适用于开发者日常编码辅助、私有代码库分析与自动化脚本生成等场景。本文聚焦Claude Code(CC)作为推理中间件、Hermes Agent作为桌面Runtime、Dify作为低代码工作流中枢的三位一体部署,系统解决cc switch失败、hermes安装超时等高 阅读详情

Flask-Migrate

Flask-Migrate是一个扩展,使用Alembic处理Flask应用程序的SQLAlchemy数据库迁移。数据库操作通过Flask命令行界面或Flask-Script扩展提供。

问题思考:

​ 我们已经有了db.create_all()和db.drop_all(),我们为什么要用flask-migrate呢?

安装

​ pip install flask-migrate

项目结构
(fkpy3) kakaxi@ubuntu64:~/flaskcode$ tree -a
.
├── flaskday03
│   ├── app
│   │   ├── ext.py
│   │   ├── __init__.py
│   │   ├── models.py
│   │   ├── __pycache__
│   │   │   ├── ext.cpython-35.pyc
│   │   │   ├── __init__.cpython-35.pyc
│   │   │   ├── models.cpython-35.pyc
│   │   │   └── settings.cpython-35.pyc
│   │   ├── settings.py
│   │   ├── static
│   │   ├── templates
│   │   │   └── showstudent.html
│   │   └── views
│   │       ├── fav_view.py
│   │       ├── __init__.py
│   │       ├── person_view.py
│   │       ├── __pycache__
│   │       │   ├── fav_view.cpython-35.pyc
│   │       │   ├── __init__.cpython-35.pyc
│   │       │   ├── person_view.cpython-35.pyc
│   │       │   └── studentview.cpython-35.pyc
│   │       └── studentview.py
│   ├── manager.py
│   └── migrations
│       ├── alembic.ini
│       ├── env.py
│       ├── __pycache__
│       │   └── env.cpython-35.pyc
│       ├── README
│       ├── script.py.mako
│       └── versions
│           ├── 9b34317723a1_.py
│           ├── cb90fa29d773_.py
│           ├── fb0acf0ea22b_.py
│           └── __pycache__
│               ├── 9b34317723a1_.cpython-35.pyc
│               ├── cb90fa29d773_.cpython-35.pyc
│               └── fb0acf0ea22b_.cpython-35.pyc

配置

  • Migrate(app=app, db=db) # 用来绑定app和db到flask_migrate的
  • manager.add_command(‘db’, MigrateCommand) # 添加Migrate的所有子命令到db下
—ext.py—

from flask_migrate import Migrate
from flask_session import Session
from flask_sqlalchemy import SQLAlchemy

db = SQLAlchemy()


def init_ext(app):
    Session(app=app)
    db.init_app(app)
    Migrate(app=app, db=db) # 用来绑定app和db到flask_migrate的

—manager.py—
from flask_migrate import MigrateCommand
from flask_script import Manager

from app import create_app

app = create_app('develop')
# 创建一个Manager对象
manager = Manager(app)
manager.add_command('db', MigrateCommand)   # 添加Migrate的所有子命令到db下

if __name__ == '__main__':
    manager.run()

—settings.py—
class Config(object):
    SECRET_KEY = 'super secret key'  # 這個是配置一個密鑰(使用session就要配置密鑰)
    SESSION_TYPE = 'redis'  # 這個是配置session存儲在哪
    PERMANENT_SESSION_LIFETIME = 60  # 這個是配置session的存活時間
    DATABASE_URI = {
        'dialect': 'mysql',  # 数据库
        'driver': 'pymysql',  # 驱动
        'username': 'mhh123',
        'password': 'mhh123',
        'host': '127.0.0.1',
        'port': 3306,
        'databases': 'my_flask03'  # 数据库名
    }
    # 'SQLALCHEMY_DATABASE_URI = 'mysql+pymysql://mhh123:mhh123@127.0.0.1:3306/my_flask'
    SQLALCHEMY_DATABASE_URI = '{}+{}://{}:{}@{}:{}/{}'.format(
        DATABASE_URI['dialect'], DATABASE_URI['driver'],
        DATABASE_URI['username'], DATABASE_URI['password'],
        DATABASE_URI['host'], DATABASE_URI['port'],
        DATABASE_URI['databases']
    )
    DEBUG = False
    TESTING = False


class Develop(Config):
    DEBUG = True


class Test(Config):
    TESTING = True


class Product(Config):
    DEBUG = False
    TESTING = False


env = {
    'develop': Develop,
    'test': Test,
    'product': Product
}

使用

  • python manager.py db init 创建一个alembic仓库
  • python manager.py db migrate 生成迁移文件
  • python manager.py db upgrade 将指定版本的迁移文件映射到数据库中
  • python manager.py runserver -r -h 0 -p 8000 启动服务
—views_init_.py—
from app.ext import init_ext
from app.settings import env

from .views.studentview import stu_blue
from .views.person_view import person_blue
from .views.fav_view import fav_blue

from flask import Flask


def create_app(param):
    app = Flask(__name__)
    app.config.from_object(env.get(param))  # 建议把配置项放在前面;避免有时候放后面,配置项不起效
    # app必须要注册一个蓝图才能使用
    app.register_blueprint(blueprint=stu_blue)
    app.register_blueprint(blueprint=person_blue)
    app.register_blueprint(blueprint=fav_blue)

    init_ext(app)
    return app

例子1:
—studentview.py—
import random

from flask import Blueprint, render_template, request

from app.ext import db
from app.models import Student

stu_blue = Blueprint('stu_blue', __name__)


@stu_blue.route('/createtable/')
def create_table():
    db.create_all()
    return '创建表格成功'


@stu_blue.route('/droptable/')
def drop_table():
    db.drop_all()
    return '删除成功'


@stu_blue.route('/addstudents/')
def add_students():
    students = []
    for i in range(10):
        stu = Student()
        num = random.randrange(50)
        stu.s_name = '小芳%d' % num
        stu.s_age = 17
        stu.s_score = 50 + num
        students.append(stu)

    db.session.add_all(students)
    db.session.commit()
    return '批量添加学生成功'



@stu_blue.route('/get_all_students/')
def get_all_students():
    students = Student.query.all()
    return render_template('showstudent.html', students=students)


@stu_blue.route('/get_student_by_id/<int:s_id>/')
def get_student_by_id(s_id):
    """根据id拿到指定的数据"""
    stu = Student.query.get(s_id)
    return '拿到的学生姓名是{}'.format(stu.s_name)


@stu_blue.route('/get_student_by_condition/<name>')
def get_student_by_condition(name):
    students = Student.query.filter(Student.s_name == name)
    # gt lt ge le
    # contains  like  startswith endswith
    # in_([]) or_(( , )) and_ not_

    # filter_by
    return render_template('showstudent.html', students=students)


@stu_blue.route('/get_student_by_page/')
def get_student_by_page():
    """排序  如果组合使用需要先order_by"""
    # students = Student.query.order_by(Student.s_score)
    # students = Student.query.order_by(-Student.s_score) #降序
    # students = Student.query.offset(5)  #偏移(跳过制定个数的记录)
    # students = Student.query.limit(2)  #限制(显示显示几条记录)
    # students = Student.query.offset(5).limit(2)  #偏移5限制2
    # students = Student.query.order_by(Student.s_score).offset(5).limit(4)  #排序偏移5限制4

    page_num = int(request.args['page_num'])
    per_page = int(request.args['per_page'])

    # students = Student.query.limit(page_num).offset((per_page-1)*per_page)


    """
    paginate 返回值类型是一个Pagination对象,这个对象保存分页的相关信息
    
    pagination对象的items属性保存了获取到的这一页的所有数据
    
    """

    pagination = Student.query.paginate(page=page_num, per_page=per_page)
    # print(type(pagination)) #<class 'flask_sqlalchemy.Pagination'>
    students = pagination.items

    # print(pagination.page)
    # print(pagination.per_page)
    # print(pagination.query)
    # print(pagination.total)
    # print(pagination.has_prev)
    # print(pagination.has_next)

    # 打印
    # 2
    # 5
    # SELECT student.id AS student_id,
    # student.s_name AS student_s_name,
    # student.s_age  AS student_s_age,
    # student.s_score AS student_s_score FROM student
    # 10
    # True
    # False

    return render_template('showstudent.html', students=students)

例子2:
—person_view.py—
import random

from app.models import Person, Address
from flask import Blueprint

from app.ext import db

person_blue = Blueprint('person_blue', __name__)


@person_blue.route('/add_persons/')
def add_persons():
    addrs = Address.query.all()
    provinces = []
    for add in addrs:
        provinces.append(add.a_province)

    persons = []
    for i in range(4):
        person = Person()

        num = random.randrange(10, 20)
        person.p_name = '张三%d' % num
        person.p_province = provinces.pop()
        persons.append(person)

    db.session.add_all(persons)
    db.session.commit()
    return '批量添加数据成功'


@person_blue.route('/get_person_by_id/<int:p_id>/')
def get_person_by_id(p_id):
    person = Person.query.get(p_id)
    # print(person.p_name)
    # print(person.p_province)
    # print(person.addr.a_shortname)
    # 张三18
    # 大陆2
    # 陆2

    return '返回一个人'

例子3:
—fav_view.py—
from flask import Blueprint, request

from app.models import Favorite

from app.ext import db
from sqlalchemy import and_

fav_blue = Blueprint('fav_blue', __name__)


@fav_blue.route('/add_to_fav/')
def add_to_fav():
    """01添加收藏"""
    u_id = request.args['u_id']
    m_id = request.args['m_id']

    ex_fav = Favorite.query.filter(and_(Favorite.u_id == u_id,
                                        Favorite.m_id == m_id))
    """ex_fav 是一个BaseQuery对象
        有一个count()方法可以拿到总数
    """
    # print('--->',ex_fav.count())    #1
    if ex_fav.count() > 0:
        return '你已经收藏过了'

    fav = Favorite()
    fav.u_id = u_id
    fav.m_id = m_id

    db.session.add(fav)
    db.session.commit()
    return '添加fav 成功'


@fav_blue.route('/cancel_the_collection/')
def cancel_the_collection():
    """02取消收藏"""
    u_id = request.args.get('u_id')
    m_id = request.args.get('m_id')

    ex_fav = Favorite.query.filter(and_(Favorite.u_id == u_id,
                                        Favorite.m_id == m_id))

    # print(ex_fav.first())   #<Favorite 1>
    fav = ex_fav.first()
    db.session.delete(fav)
    db.session.commit()
    return '取消收藏成功'

—templates\showstudent.html—
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>showstudent</title>
</head>
<body>
<ul>
    {% if students %}
        {% for stu in students %}
            <li>姓名:{{ stu.s_name }} 分数:{{ stu.s_score }}</li>
        {% endfor %}

    {% endif %}
</ul>

</body>
</html>

  • python manager.py db init 创建一个alembic仓库
  • python manager.py db migrate 生成迁移文件
  • python manager.py db upgrade 将指定版本的迁移文件映射到数据库中
  • python manager.py runserver -r -h 0 -p 8000 启动服务

下面的是我已经初始化过仓库了;只不过删除了student表,来重新映射一下

(fkpy3) kakaxi@ubuntu64:~/flaskcode/flaskday03$ python manager.py db init
/home/kakaxi/.virtualenvs/fkpy3/lib/python3.5/site-packages/flask_sqlalchemy/__init__.py:794: FSADeprecationWarning: SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and will be disabled by default in the future.  Set it to True or False to suppress this warning.
  'SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and '
Error: Directory migrations already exists





(fkpy3) kakaxi@ubuntu64:~/flaskcode/flaskday03$ python manager.py db migrate
/home/kakaxi/.virtualenvs/fkpy3/lib/python3.5/site-packages/flask_sqlalchemy/__init__.py:794: FSADeprecationWarning: SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and will be disabled by default in the future.  Set it to True or False to suppress this warning.
  'SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and '
INFO  [alembic.runtime.migration] Context impl MySQLImpl.
INFO  [alembic.runtime.migration] Will assume non-transactional DDL.
INFO  [alembic.autogenerate.compare] Detected added table 'student'
  Generating /home/kakaxi/flaskcode/flaskday03/migrations/versions/02dc5c45c422_.py ... done
  
  
  
  
  
(fkpy3) kakaxi@ubuntu64:~/flaskcode/flaskday03$ python manager.py db upgrade
/home/kakaxi/.virtualenvs/fkpy3/lib/python3.5/site-packages/flask_sqlalchemy/__init__.py:794: FSADeprecationWarning: SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and will be disabled by default in the future.  Set it to True or False to suppress this warning.
  'SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and '
INFO  [alembic.runtime.migration] Context impl MySQLImpl.
INFO  [alembic.runtime.migration] Will assume non-transactional DDL.
INFO  [alembic.runtime.migration] Running upgrade cb90fa29d773 -> 02dc5c45c422, empty message





(fkpy3) kakaxi@ubuntu64:~/flaskcode/flaskday03$ python manager.py runserver -r -h 0 -p 8000
/home/kakaxi/.virtualenvs/fkpy3/lib/python3.5/site-packages/flask_sqlalchemy/__init__.py:794: FSADeprecationWarning: SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and will be disabled by default in the future.  Set it to True or False to suppress this warning.
  'SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and '
 * Serving Flask app "app" (lazy loading)
 * Environment: production
   WARNING: Do not use the development server in a production environment.
   Use a production WSGI server instead.
 * Debug mode: on
 * Running on http://0:8000/ (Press CTRL+C to quit)
 * Restarting with stat
/home/kakaxi/.virtualenvs/fkpy3/lib/python3.5/site-packages/flask_sqlalchemy/__init__.py:794: FSADeprecationWarning: SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and will be disabled by default in the future.  Set it to True or False to suppress this warning.
  'SQLALCHEMY_TRACK_MODIFICATIONS adds significant overhead and '
 * Debugger is active!
 * Debugger PIN: 182-666-561

Codex:可嵌入的AI任务编排引擎,打通办公自动化与云部署 Codex并非传统代码补全工具,而是一种面向任务闭环的AI执行引擎——它将自然语言指令解析为可验证的状态转移路径,统一支撑Excel自动化、Web应用部署、Dify集成等多元场景。其核心在于三层架构:意图识别层(NLIR)精准理解‘周报生成’‘JWT登录接口’等业务语义;技能调度层(Skill Orchestrator)按需调用pandas、Docker、Railway等模块;容器化运行时(Runtime Container)预置全栈环境,实现开箱即用。技术价值体现在降低DevOps与办公自动化的使用门槛, 阅读详情

相关推荐

Seakills:基于Agent协同的智能部署工作流引擎

部署自动化已从脚本编排时代迈入智能协同新阶段。传统CI/CD工具依赖线性YAML流程,面临状态不可见、决策不可协商、失败不可自愈等固有瓶颈;而以Agent Runtime为核心的新型部署范式,通过轻量沙箱(WebAssembly)、结构化事件总线与意图驱动(Intent-based)编排,实现执行体自治、多源信号共识判断与上下文感知的闭环控制。其技术价值在于将‘发布’升维为可观测、可协商、可演进的分布式任务协同,天然适配微服务治理、灰度发布、金融级合规审计等高阶场景。本文深入解析Seakills这一典型代表

weixin_33721344的博客 442

Python-Flask-migrate安装和使用

在开发过程中,需要修改数据库模型,而且还要在修改之后更新数据库。最直接的方式就是删除旧表,但这样会丢失数据。 更好的解决办法是使用数据库迁移框架,它可以追踪数据库模式的变化,然后把变动应用到数据库中。在Flask中可以使用Flask-Migrate扩展,来实现数据迁移。 环境:window11+pycharm2020.1+Anaconda4.11.0 +python3.7 Flask-sqlalchemy2.5.1 Flask-Migrate:3.1.0......

weixin_40239288的博客 5057

flask_sqlalchemy_starter:具有sqlalchemy和alembic的骨架烧瓶应用程序,无需使用flask-sqlalchemy扩展

带SQLAlchemy和Alembic的Flask应用样板 概述 该项目包括将SQLAlchemy与Flask集成所需的基本样板。 包括Alembic数据库升级。 不使用Flask-SQLAlchemy扩展:因此,不需要SQLAlchemy声明性模型的自定义基类,该类可创建对Flask的依赖关系。 安装 这些说明在某些地方可能是特定于Ubuntu Linux的。 需要Python 3.6+和pipenv。 创建env.sh文件并添加以下环境变量(分别替换~/dev/flask_sqlalchemy_starter , username , userpassword , server和dbname ): export PYTHONPATH= ~ /dev/flask_sqlalchemy_starter export SQLALCHEMY_USERNAME=username expor

小白笔记Flask:Flask-Migrate的使用

Flask-Migrate的介绍与使用 1.介绍: 因为采用’db.create_all()'在后期修改字段的时候,不会自动映射到数据库中,必须删除表,然后重新运行’db.create_all()'才会重新映射, 这样不符合需求,因此flask-migrate就是为了解决这个问题,他可以在每次修改模型后,将修改的东西映射到数据库中。 2.安装: 首先进入到虚拟环境中,然后使用’pip instal...

baibai_bjt的博客 675

Mac上安装虚拟机搭载window系统

用Mac的都知道,很多window用的软件是Mac版本没有的。平时有的还得要求去用那些软件,有几种方式可供大家选择: 1.再买个window本; 2.装双系统; 3.装虚拟机,搭载window系统。 我比较推荐第3条,这样可以在Mac本上做到双开,一边开着mac一边开着window,还能做到同时处理文件,不至于重新启动操作系统,下边是具体实现步骤,其中有几个需要下载的,建议在网速好的时候完...

Coder_Mumu的博客 1万+

生信小白必看:手把手教你用R语言实现counts/FPKM/TPM互转(附代码)

本文为生信初学者详细讲解如何使用R语言实现counts、FPKM和TPM三种转录组表达量单位的精准转换,包含完整代码示例和常见问题解决方案。重点解析了FPKM与TPM的数学原理及转换方法,帮助读者掌握RNA-seq数据分析中的关键预处理步骤,提升差异表达分析的准确性。

weixin_27442001的博客 500

flask踩坑记录:flask_migrate迁移数据库出现 1050 “Table ‘xxxx‘ already exists“

模型新增字段后,用flask-sqlalchemy迁移数据库的时候总是出现"Table 'xxxx' already exists"的错误提示 这里记录下解决的过程: 从报错推测,问题的原因应该是迁移文件中的语句是cerate表,但是实际想要的只是增加几个字段 为什么每次生成的迁移文件都是创建表,而不是新增字段呢?看到一个文章中提到是数据库引擎的问题:https://blog.youkuaiyun.com/qq_38187188/article/details/105825964 最初 SQLALCHE

joker_zsl的博客 1853

ACC自适应巡航功能

自适应巡航功能(Adaptive Cruise Control)通过传感器检测车辆前方形式环境,控制自车行驶速度以达到定速巡航、跟车巡航、跟车启停,并支持超车辅助等功能。1. 定速巡航一般可设置车辆在30~150km/h的定速范围内巡航2. 跟车巡航车速0~150km/h范围内的跟车巡航3. 跟车启停30s内:自车随之起步,驾驶员无需操作30s~600s内:驾驶员按钮激活 或 轻踩加速踏板激活起步600s后:ACC退出激活状态进入待激活状态,电子驻车制动EPB会自动启动4. 超车辅助。

LXY_LXY_的博客 1388

flask中SECRET_KEY的配置

如果遇到了 Must provide secret_key to use csrf错误提醒,原因就是没有设置secret_key 如在config.py文件配置: class Config(object): SECRET_KEY = "EjpNVSNQTyGi1VvWECj9TvC/+kq3oujee2kTfQUs8yCM6xX9Yjq52v54g+HVoknA" 操作系统可以基于一个密...

qq_33722246的博客 1万+

【Frida Android】实战篇4:SSL Pinning 证书绑定绕过 Hook 教程(一)

在前两章中,我们学习了中间人抓包与 Hook 抓包的基础方法,这些方法在理想环境下能够有效获取网络请求数据。但在实际的企业级应用中,出于安全防护需求,很多 APP 会启用证书绑定(SSL Pinning)机制。这种机制会让客户端对服务器证书的校验更为严格,导致常规的抓包方法(即使将 BurpSuite/Charles 证书安装到系统信任区)也无法生效。因此,从本章开始,我们将系统学习 SSL Pinning 机制的绕过技术。SSL Pinning(证书绑定)是客户端校验服务器身份的进阶安全机制。

水滴石穿 1612

如何学习总线技术

如何学习总线技术 以形象生动的比喻来描绘了总线技术的基本思想,指出了总线的基本分类和总线传输的基本原理,以及在学习过程中应当掌握的最基本的知识,对初学者有起到抛砖引入的作用。 0引言   如果一座只能容一个人来往的独木桥,两端的人都想要过桥,为了不拥挤、阻塞,那我们就得采取有效的办法。比如规定某段时间哪端的人过桥,另一端的人就等着该他过桥的时间段的到来,同时也还可以规定人多时要按先来后到或年

ce123的技术博客 8529

Flask框架

Flask诞生于2010年,是Armin ronacher(人名)用 Python 语言基于 Werkzeug 工具箱编写的轻量级Web开发框架。 Flask 本身相当于一个内核,其他几乎所有的功能都要用到扩展(邮件扩展Flask-Mail,用户认证Flask-Login,数据库Flask-SQLAlchemy),都需要用第三方的扩展来实现。比如可以用 Flask 扩展加入ORM、窗体验证工具,文件上传、身份验证等。Flask 没有默认使用的数据库,你可以选择 MySQL,也可以用 NoSQ

有用的话关个注,点个赞,收个藏🫶。 2084

大数据领域数据架构的工业互联网数据架构设计

工业互联网作为第四次工业革命的重要驱动力,正在深刻改变传统制造业的生产方式和商业模式。本文旨在探讨工业互联网环境下的大数据架构设计,重点解决工业数据采集、传输、存储、处理和分析等关键环节的技术挑战。工业互联网数据架构的核心组件大数据技术在工业场景下的应用数据治理和质量控制边缘计算与云计算的协同架构背景介绍:建立基本概念和问题域核心架构:详细解析工业互联网数据架构技术实现:通过代码和数学模型展示关键技术实践案例:展示真实场景应用工具资源:推荐实用开发工具和学习资源。

软件工程实践的博客 858

Flask全系

Flask全系03—实现一次页面注册往数据库添加数据 文档树如下 1.安装需要的组件 pip install flask-script 需要使用包里的Manager工具 pip3 install pymysql 建公路 pip3 install flask-sqlalchemy 实现ORM映射 pip3 install flask-migrate 发布命令工具 2.创建settings.py # 配置文件 class Config: DEBUG = True

li979036525的博客 260

【Windows Server 2019】DNS服务器的配置与管理——DNS正向解析

博文介绍了如何使用正向解析区,包括创建和添加并验证,以及术语 主机记录,别名,邮件交换记录的解释。

VMware, Windows, Linux, Cisco, Container, Kubernetes, Kali 1万+

AgentScope 实战训练营-A2UI的完整实现:从概念到部署全流程

本文详细介绍了如何在AgentScope框架中实现Google的A2UI(Agent-to-Agent UI)协议,构建一个能生成可交互UI的智能体应用。文章涵盖了从环境准备、架构设计、核心代码实现到测试部署的完整流程,包括A2UI协议解析、技能系统、客户端实现、通信机制等核心技术点,适合AI Agent和前端开发人员学习参考。

program哲学 206

引用wx.getclipboarddata中的内容_Flask干货:访问数据库——Flask循环引用

图 | 源网络文 | 5号程序员01在实际开发工作中,我们可能会为了省事出现循环引用问题。比如说,我们想在A文件中引用B文件的内容,在B文件引用A文件的内容,这样就能省去很多相同代码。但这种互相需要的情况会出现循环引用问题。下面我们用实例来说明。02循环引用问题新建test.py和models.py两个文件,其中test.py内容如下:from flask import Flaskfro...

weixin_39732866的博客 92

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")

Flask Web开发从入门到放弃(一)

第1章 章节一 01 内容概要 02 内容回顾 03 路飞学城之加入购物车 04 路飞学城之结算 05 路飞学城之立即支付 06 路飞学城之后续计划 07 Flask框架简介和快速使用 08 FLask框架之用户管理系统示例(一) 09 Flask框架之用户管理系统示例(二) 第2章 ...

weixin_30298497的博客 431

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

大表 更新失败 mysql_Flask远端mysql数据库更新表失败

1、学习Flask,windows pycharm编写,数据库是虚拟机上的MySQL,现在情况是创建数据库没有问题,但是进行数据库迁移总是报错,使用本地sqlite迁移没有报错,但似乎会将表清空了,我未做任何表修改,按道理应该保持原样才对!错误如下:File "D:Pythonpythonflaskmicroblogdb_repositoryversions001_migration.py", l...

weixin_30616635的博客 186

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

二手车价格预测实战:XGBoost+Flask端到端部署指南

二手车价格预测是典型的结构化数据回归任务,核心在于如何将车龄、里程、保养记录等多源异构特征转化为可建模信号。其技术原理依赖梯度提升树对混合类型特征的天然兼容性与强鲁棒性,兼顾精度与业务可解释性。相比深度学习,XGBoost在中小规模(3000–5000条)本地成交数据上更易收敛、调试友好、资源占用低,且能输出特征重要性支撑议价决策。典型应用场景包括车商收车评估、金融残值测算、平台估价引擎等,尤其适合需快速落地、强调归因分析与运维可控的B端工具开发。本文即基于真实车商项目,详解从数据清洗、SHAP可解释性集成

ozzzzzz的专栏 445

4 Flask mega-tutorial第4章 数据库 Database

如需转载请注明出处。 win10 64位、Python 3.6.3、Notepad++、Chrome 67.0.3396.99(正式版本)(64 位) 注:作者编写时间2017-12-27,linux、python 3.5.2 以下内容均是加入自己的理解与增删,以记录学习过程。不完全照搬作者Miguel Grinberg的博客,但版权属于作者,感谢他提供免费学习的资料。 参考: 作者博客...

神是念着倒 2184

python开发app需要多久_python数据库开发app

数据库迁移开发过程往往伴随着数据库的升级,有时候需要修改数据库模型,修改之后可能还要更新数据库。Flask-SQLAlchemy 只在数据库表不存在时才会根据模型创建表。因此只能先删除再更新。你是不是觉得这样有点太蠢了。好一点的办法就是数据库迁移,它能够追踪数据库模式的变化,然后增量的把变化应用到数据库...文章徐洲更2016-05-12605浏览量Python系列之Flask框架初识Flask是...

weixin_39907850的博客 451

FlaskWeb开发从入门到放弃(二)

第5章 章节五 01 内容概要 02 内容回顾 03 面向对象相关补充:metaclass(一) 04 面向对象相关补充:metaclass(二) 05 WTforms实例化流程分析(一) 06 WTforms实例化流程分析(二) 07 拓展:相关面试题 08 ORM框架概念 09 SQLAlchemy框架快...

weixin_30680385的博客 381

爱家租房项目①

文章目录01-项目说明01_项目资料说明02_前后端分离的认识03_前端后分离对于搜索引擎的缺点介绍优势:04_租房需求功能 01-项目说明 01_项目资料说明 02_前后端分离的认识 03_前端后分离对于搜索引擎的缺点 介绍 前后端分离已成为互联网项目开发的业界标准使用方式,通过nginx+tomcat的方式(也可以中间加一个nodejs)有效的进行解耦,并且前后端分离会为以后的大型分布式架...

王大阳的博客 2989

计算机毕业设计万套合集:从源码部署到个性化改造的完整指南

这次我们来看一个对计算机专业学生和开发者都非常实用的资源合集—— 计算机毕业设计最新万套合集 ,其中包含了“大学生个人记账系统”等多个热门毕设项目。这个合集的核心价值在于,它不是一个单一的工具或模型,而是一个覆盖Java、Python、PHP、Node.js等多种技术栈的毕业设计源码、论文和指导材料的集合。对于正在为毕设选题、开题报告、系统实现和论文撰写而头疼的同学来说,这无疑是一个能直接解决核心痛点的“资源包”。 这个合集最值得关注的几个特点是: 源码完整可运行 、 覆盖技术栈广泛 、 附带论文和查重指导

weixin_30873847的博客 499

Django+MySQL网购数据可视化系统搭建与改造教程

在Web开发与数据分析场景中,数据可视化已成为直观呈现业务规律的重要方式。通过图表和看板,非技术人员也能快速理解订单、商品、用户等核心数据的变化趋势。实现这类系统通常需要后端框架、关系型数据库与前端图表库的协同:Django作为成熟Python Web框架,提供ORM、Admin后台及模板渲染能力;MySQL负责结构化数据存储;ECharts等图表库则完成可视化展示。这种组合尤其适合课程设计与毕业设计,能完整覆盖数据建模、接口开发和页面交互等环节。本文以网购数据可视化分析系统为例,介绍基于Django与My

weixin_30764883的博客 382
上一篇: 2018-07-10-flask-02-Flask-Session&Flask-SQLAlchemy
下一篇: 2018-07-12-flask-04-flask-cache&flask-bootstrap&flask-debugtoolbar
mhh4399
博客等级 码龄9年 4粉丝 56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