小巨同学的python学习之路-day1

python跑科大讯飞语音唤醒 python跑科大讯飞语音唤醒SDK(windows) 阅读详情

环境:mac
python版本:2.7
编辑器:PyCharm

一、变量
python中的变量不需要提前申明,每个变量在使用之后都必须赋值,变量赋值之后才可以被创建。

变量的定义:
1.变量名只允许使用字母、数字、下划线的组合;
2.变量名首字母不能为数字;
3.变量名不能为以下的关键字:
{’and’, ‘as’, ‘assert’, ‘break’, ‘class’, ‘continue’, ‘def’, ‘del’, ‘elif’, ‘else’, ‘except’, ‘exec’, ‘finally’, ‘for’, ‘from’, ‘global’, ‘if’, ‘import’, ‘in’, ‘is’, ‘lambda’, ‘not’, ‘or’, ‘pass’, ‘print’, ‘raise’, ‘return’, ‘try’, ‘while’, ‘with’, ‘yield’}

#coding=utf-8
 name=xiaoju
 print name

以上代码表示,新建一个变量name,并将其打印

二、输入输出
输入:
python2.x版本中输入函数有raw_input(),input(),raw_input()相等于python3.x中的input()

两者的区别:
使用input()函数输入参数的时候,在运行输入字符的时候需要用引号扩起来

代码:

#coding=utf-8
username=input('username:')
password=input('password:')
print username,password

报错:
username:emyli
Traceback (most recent call last):
File “/Users/xiaoju/PycharmProjects/s14/day1/password.py”, line 2, in
username=input(‘username:’)
File “”, line 1, in
NameError: name ‘emyli’ is not defined
添加上单引号就无问题

使用raw_input(),输入参数,就不存在该问题,所以在python2.x中输入函数基本使用raw_input()

  #coding=utf-8
  age=int(raw_input('age:'))
  print age

格式化输出:

(1) %格式输出:
%s表示用字符串替换,%d表示用整数替换,%f表示用浮点数替换。有几个占位符,后面就需要跟几个变量

常用的占位符:

占位符替换内容
%d整数
%s字符串
%f浮点数
%x十六进制整数
 >>> print 'My name is %s'%'Emily'
My name is Emily

>>> name='xiaoju'
>>> age=17
>>> print 'My name is %s,age is %d'%(name,age)
My name is xiaoju,age is 17

(2)字符串format输出:
格式化字符串的方法可使用字符串的方法format(),它会用传入的参数一次替换字符串内的占位符{0},{1},{2}…

>>> print '我今年体重增加了{0},比去年重了{1}斤'.format(20,5)
我今年体重增加了20,比去年重了5斤
#coding=utf-8
#Author:XIAOJU

name=raw_input('Name:')
age=int(raw_input('Age:'))
job=raw_input('Job:')
salary=int(raw_input('Salary:'))

infor='''
         ----------infor of {_name}----------
         Nanme:{_name}
         Age:{_age}
         Job:{_job}
         Salary:{_salary}
      '''.format(_name=name,_age=age,_job=job,_salary=salary)

print infor
 #coding=utf-8
#Author:XIAOJU

name=raw_input('Name:')
age=int(raw_input('Age:'))
job=raw_input('Job:')
salary=int(raw_input('Salary:'))
infor2='''
         ----------infor2 of {0}----------
         Nanme:{1}
         Age:{2}
         Job:{3}
         Salary:{4}
      '''.format(name,name,age,job,salary)

print infor2 

三、判断语句if….else
猜年龄代码:

 #coding=utf-8
 age=30
 guess_age=int(raw_input('Guess_age:'))
 if guess_age==age:
    print'恭喜你,猜对了...'
 elif guess_age<age:
    print'猜小了'
 else:
    print '猜大了'

四、for循环
猜年龄,只允许猜三次:

#coding=utf-8
 age=30


 for i in range(3):
    guess_age=int(raw_input('Guess_age:'))
   if guess_age==age:
      print'恭喜你,猜对了...'
   elif guess_age<age:
      print'猜小了'
   else:
    print '猜大了

 esle:
    print '你猜的次数太多了!'

五、while循环
上述代码使用while实现

#coding=utf-8
 age=30
 count=0
 age=30                                     
count=0                                    
while count<3:                             
    guess_age=int(raw_input('age:'))       

    if   guess_age==age:                   
        print'猜对了!'                        
    elif guess_age<age:                    
        print'猜小了...'                      
    else:                                  
        print'猜大了...'                      
    count+=1                               
else:                                      
    print '您猜的次数过多!'                       

五、break、continue的区别

break:结束整个循环
continue:跳出本次循环,进入下次循环

break代码实例:

#coding=utf-8
for i in range(10):
   print '-------',i
   for j in range(10):
      print j
      if j>5:
         break

continue代码实例

#coding=utf-8
for i in range(10):
    if i<3:
       print 'loop:',i
     else:
       continue
     print 'hahahha'  
python之使用snowboy离线语音唤醒 python之使用snowboy离线语音唤醒 介绍 snowboy 是一个开源的、轻量级语音唤醒引擎,比较好用。 训练语音模型网址: 训练语音 环境 开发环境为: ubuntu 21.04 sudo apt-get install alsa-base sudo apt-get install alsa-utils sudo apt-get install libasound2-dev sudo apt-get install pulseaudio sudo apt-get install swig sudo 阅读详情

相关推荐

Python语音唤醒和语音识别 - 使用Pocketsphinx库

在本文中,我们将探讨如何使用Pocketsphinx库进行Python语音唤醒和语音识别。我们将首先介绍Pocketsphinx的安装过程,然后演示如何使用它进行语音唤醒和语音识别。在本文中,我们介绍了如何使用Pocketsphinx库进行Python语音唤醒和语音识别。我们首先安装了Pocketsphinx库,然后演示了如何使用它来实现语音唤醒和语音识别功能。语音唤醒是指通过语音识别来检测特定的唤醒词或短语,以启动后续的语音识别过程。接下来,我们将演示如何使用Pocketsphinx进行语音识别。

JdkwOle的博客 1392

python实现语音唤醒

2.关于模型包,可以直接从模型社区下载(实在找不到可私信我)3.最后的效果与你电脑的显卡有直接联系。1.必须有麦克风才能跑起来。

qq_41060065的博客 1828

《生成式AI引发的“认知污染”:社交媒体虚假信息的治理困局》

认知污染与生成式AI“认知污染”指信息环境被大量虚假、误导性内容所充斥,干扰公众对事实的认知判断。在社交媒体时代,虚假信息的生产和传播门槛大幅降低,呈现出工业化、规模化的趋势。近年兴起的生成式人工智能(Generative AI)技术,如大型语言模型(LLM)和深度伪造(deepfake),更是加剧了这一问题。AI可以自动生成看似真实的文本、图像、音视频,将虚假信息批量生产并快速散播到社交平台上。

那谁的博客 5913

基于python语音唤醒

语音唤醒开发

qq_28632069的博客 1890

用c++生成随机迷宫_自动生成随机迷宫(1)prim算法

“程序 = 数据 + 算法”,一款好的作品不单单是代码的堆砌,还有其灵魂的部分,那就是算法;算法是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机制。算法既然是解决某类型问题的规范,那么我们就学习它,并在我们的作品中使用它。从这一期开始做一个迷宫系列,包括用算法生成随机迷宫,用算法自动寻址走迷宫。 三大迷宫生成算法之一“随机Prim算法不是...

weixin_31787547的博客 2598

保姆级教程:STM32CubeMX配置PWM死区与刹车功能,防止电机驱动炸管

本文详细解析了使用STM32CubeMX配置PWM死区与刹车功能的完整流程,帮助工程师避免电机驱动中的炸管风险。通过深入讲解死区时间计算公式、CubeMX配置界面及刹车功能的安全机制,结合实际电路设计要点和调试技巧,为电机驱动和电源转换应用提供可靠解决方案。

weixin_42550597的博客 346

python--基于百度aip的语音交互及语音唤醒

1.获得音频文件----->2.识别音频文件----->3.将音频文件转换为字符串------>4.进行其他相关操作(打开网址,语音对话,指挥机器人.....)背景:当前随着人工智能的快速发展,人机交互的热度变得越来越大,作为人机交互的很重要的一部分-----语音交互,逐渐成为当前的热门论点。这里是通过将百度aip转化后,返回的字典中,将键‘result’对应的值提取出来,然后将其转化为字符串。dev-pid:对应的是不同语言的识别,这里可以去参考百度文档,找出自己需要的语言转换。准备阶段,导入相关的库。

weixin_63032791的博客 4747

Hive数据迁移

【迁移背景】 本次需要将老集群的hive数据(共30多张表)迁移至新集群中。 老集群版本为CDH5.13,未启用kerberos; 新集群版本为CDH5.14,启用了kerberos。 由于cloudera官方文档说明,在5.x的版本不支持从未启用kerberos的集群与启用了kerberos的集群之间的数据复制。因此无法通过bdr方式进行数据同步。于是采用手工方式进行测试验证。 第一步...

wangkuangood3200的专栏 469

python控制小爱同学_GitHub - xinruoyusixian/Blinker-for-xiaoai: 基于micopython 的小爱同学的代码...

基于Blinker的micopython 的小爱同学的代码支持 电灯 和温度计的控制##交互流程1.小爱请求状态 关键字{"get":"state"}完整数据:{"deviceType":"DiyArduino","data":{"get":"state"},"fromDevice":"MIOT","toDevice":"448D910CAQAQ5CWMT6PW41K7"}2.回复设备 当前状态"...

weixin_39705435的博客 2543

星载SAR的各项指标解读(史上最全)

一、系统指标 系统指标主要指雷达系统的通用的指标,以及和卫星整星相关的指标,主要有一下几项: 工作频段: 雷达体制: 极化方式: 设计s

9273

UWB:FiRa Consortium UCI Generic Technical Specification v1.1.0(1)- UCI架构和通用数据包头

如果大家学习过WiFi的SPEC,比如从我的资源里面下载 IEEE 802.11-2007,应该很容易发现,FiRa的spec定义实在是太差了。有现成的好例子不学,非得自己来一套,搞一堆新的名词,其实都是一个意思。比如GID,OID等,而且GID、OID是最先出现的,但是对应表格 还得去附件的最后一项去找。 FiRa是UWB联盟,希望跟WIFi联盟学习一下,把UWB做大做强,而不是自成一派,自命不凡。

Ankie资深技术项目经理 2434

python+百度语音识别+星火大模型+讯飞语音合成的语音助手

python+百度语音识别+星火大模型+讯飞语音合成的语音助手

Phillip_xian的博客 2957

2025年再论 SAP ABAP 系统经典的三层架构的理解

【摘要】本文基于作者19年SAP开发经验,深入解析SAP经典三层架构在S/4HANA时代的演进与实践。数据库层从多数据库支持转向HANA专属,通过SQLScript实现计算下推;应用层以ABAP平台为核心,融合OData和RAP等现代开发范式;表现层从SAP GUI过渡到Fiori Launchpad为主导。文章通过真实案例(如月末关账优化、ATP检查改造)展示三层协作如何提升性能,并探讨了本地/云/混合部署策略。全文贯穿SAP官方技术文档参考,为开发者提供体系化架构认知和实践指导。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 756

Python——Picovoice实现语音关键词唤醒

在ARM硬件RV328上,双核Contax A53,平均延时2ms。

Irving.Gao的博客 3600

芯片测试:WAT、CP、FT

最近部门来了一个日本回来的同事,虽然他尽量用非常Poor的中文给我解释一些东西,其中还夹杂着一些英文让我很受挫,于是最近来学一下WAT中的常用的单词含义。直接去查缩写、查单词很难去记住,要把具体的东西放在具体的场景,引发知识的连接才会在脑子里留下一定的映像。感兴趣的一起来学习一下这篇不错的文章吧。注释是我查询记录,如有不妥,欢迎指出修正。

叫好与叫座虽然不是对立面,但想在同一个作品中达到双重效果很难。 5087

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

让小爱同学播放本地/远程歌曲的方案 | 小爱音箱播放本地歌曲

环境:HACS+Python问题:小爱同学不能播放本地歌曲或者群晖中的歌曲解决办法:HACS + Http Server背景:冲绿砖是不可能的,DLNA也被阉割了,只能曲线救国了解决思路:通过HACS监控小爱事件,推送媒体链接并随机播放,具体看下面的流程图。

瑞哥的博客 2万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

python控制小爱同学_神秘鸭,用Siri小爱同学语音助手控制你的电脑

智能手机发展至今,智能可不仅是改变了沟通和上网形式,依据强大的算法核心,各种基于AI的智能语音助手屡见不鲜,其中苹果的Siri、小米的小爱同学、阿里的天猫精灵,极受欢迎。虽说现在的人工智能语音助手,仍处于简单应用阶段还无法完全真正理解主人意图,但只要善加利用,能给生活带来极大的便利,比如Siri的快捷指令~一般来说,智能语音助手控制范围有限,实际上只要打通不同设备之间沟通的桥梁,我们完全可以通过语...

weixin_39828198的博客 2490

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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控制小爱_如何用小爱同学控制智能设备

最新补充:最新版本的米家APP,可以直接在手动执行中设定小爱语音控制,提供了一条语音口令设定的新方法,可以虚线后的传统方法结合使用。一般情况下,只要在米家app里设定即可,尤其你家有多个小爱音箱时,可以一条手动执行命令,同时分配给多台小爱音箱,快速高效地设定。但在米家设定里有个缺陷,语音指令的命名不能重复,比如非常常见的“打开顶灯”“关灯”等,只能设定一次,比如你在主卧里设定了“关灯”,而且限定给...

weixin_29883867的博客 3223

Python实战:简单的语音助手

语音助手是一种通过语音命令控制计算机执行任务的工具。在Python中,我们可以利用一些库来实现语音助手的功能,如pyttsx3、speech_recognition等。本文将详细介绍语音助手的概念、使用方法以及如何用Python实现一个简单的语音助手,并提供具体代码示例。

oandy0的博客 1778

python控制小爱同学_小爱同学控制电脑开机 - IT客栈

这两天电脑开机键坏了,只能用WOL唤醒或手戳引脚。感觉好麻烦倒是以前实现过 “网页控制开发板连继电器跳线开机” 的方法。。。要打开网页还是好麻烦。于是就有了小爱同学控制了~~~大致步骤:1. 下载个点灯科技APP,注册账户2. 添加设备-->独立设备-->WIFI接入-->阿里云-->复制key3. 右上角编辑-->添加按钮-->修改键名为"btn-1"类型勾选...

weixin_39598584的博客 2080

小度太弱了,干脆自己用Python开发个对话机器人【pyQt,多线程,爬虫,数据库,面向对象】

由于篇幅限制本文实现前两种方案,下一篇文章实现第3种方案,科大讯飞的实现比较麻烦,涉及到的知识(账号注册,websocket,语音转换等)和代码量都比较大。为了方便的切换的不同的语音引擎,我们设计了一个tell_joke接口,各个方案都需要实现这个接口。Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

m0_59162248的博客 1229

Python开发之路(4)— 使用 snowboy 做语音唤醒功能

Python开发之路(4)— 使用 snowboy 做语音唤醒功能 本次开发在Ubuntu16.04虚拟机系统。 一、snowboy介绍 snowboy 是一个开源的、轻量级语音唤醒引擎,可以通过它很轻松地创建属于自己的类似“hey, Siri” 的唤醒词。它的主要特性如下: 高度可定制性。可自由创建和训练属于自己的唤醒词 始终倾听。 可离线使用,无需联网,保护隐私。精确度高,低延迟 轻量可嵌入...

qq_38113006的博客 1万+

python 小爱音箱集成_python控制小爱音箱自定义设备开关_修仙教程_小爱同学

send = send_to_login(ipport,cookie,start_time,end_time)def play(): name = 'info','播放' message_json ='{"action":"play","media":"app_ios"}' path = 'mediaplayer' method = 'player_play_operati...

weixin_35551323的博客 2093

电脑入米家,让小爱同学随意操控电脑开关机(需主机或软路由)

电脑入米家,让小爱同学随意操控电脑开关机

cgy233的博客 3万+

unittest单元测试断言函数assertEqual报:AssertionError的解决过程

为了测试web登录,使用python2+selenium+unittest进行测试,老是报如下错误: AssertionError: ‘\xe8\xb4\xa6\xe5\x8f\xb7\xe6\x88\x96\xe5\xaf\x86\xe7\xa0\x81\xe9\x94\x99\xe8\xaf\xaf’ != u’\u5e10\u53f7\u6216\u5bc6\u7801\u9519\u8be...

hellojuy的博客 3551
下一篇: Python+unittest用HTMLTestRunner生成html测试报告
hellojuy
博客等级 码龄14年 0粉丝 8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