Python产生10个目录

这篇博客介绍了如何使用Python编程实现创建10个包含.c和.h文件的目录。作者通过定义三个函数,分别用于创建目录、生成.c文件和生成.h文件,并在创建目录时注意使用绝对路径避免了目录嵌套问题。示例代码中展示了具体实现过程。
部署运行你感兴趣的模型镜像

Python产生10个目录,每个目录下都包含一个.c文件和.h文件

1、思路

写三个函数,再进行调用。
两个函数分别用来产生文件,一个函数用来循环产生目录

2、写代码过程中遇到的问题

编写创建目录函数时,使用chdir函数更改当前工作目录后,下一个目录创建就会在上一个目录下,出现“无限套娃”。
最后解决方法是加上绝对路径

3、代码

#产生10个c语言目录
def creat_c_file(file_name):
    print("打开")
    file = open(file_name,mode= 'w')
    print("写入")
    file.write("#include<stdio.h>\n")
    file.write("int main(){\n")
    file.write("}\n")
    print("关闭")
    file.close()
def creat_ctest_file(file_name):
    print("打开")
    file = open(file_name,mode= 'w')
    print("写入")
    file.write("#include name\n")
    file.write("test\n")
    print("关闭")
    file.close()
def creat_dir(dir_name):
    os.mkdir(dir_name)
    print("创建目录")
    os.chdir(dir_name)
    print("更换目录")
    creat_c_file("c_file.c")
    creat_ctest_file("c_test.c")
import os
i=1
os.mkdir("D:/pythondemo/c_dir")
while(i<11):
    creat_dir("D:/pythondemo/c_dir/"+"c_file_dir"+str(i))#绝对路径
    i+=1

您可能感兴趣的与本文相关的镜像

Python3.9

Python3.9

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### 深度学习项目的Python代码示例目录结构 对于深度学习项目而言,良好的文件夹和模块划分有助于提高开发效率并便于维护。下面展示了一个典型的基于Python的深度学习项目结构[^3]: ``` project_root/ │ ├── data/ # 数据集存储位置 │ ├── raw # 原始数据存放处 │ └── processed # 处理后的数据保存路径 │ ├── models/ # 各类模型定义及相关配置 │ ├── model.py # 定义神经网络架构 │ └── checkpoints/ # 训练过程中产生的权重文件 │ ├── src/ # 主要源码所在区域 │ ├── __init__.py # 初始化脚本使包可导入 │ ├── preprocess.py # 预处理函数集合 │ ├── train.py # 训练逻辑实现 │ └── evaluate.py # 测试评估功能封装 │ ├── utils/ # 辅助工具方法收集 │ ├── config.yaml # 超参数设定及其他全局设置 │ └── helper_functions.py # 提供一些通用的帮助函数 │ └── notebooks/ # Jupyter Notebook实验记录 └── exploration.ipynb # 探索性数据分析笔记本 ``` 此结构清晰地区分了不同类型的组件,使得整个工程更加条理分明。 #### 关键说明 - `data` 文件夹用于管理训练所需的各种形式的数据; - `models` 下放置具体的算法框架以及预训练好的模型参数; - `src` 是核心业务逻辑编写的地方,按照具体任务拆分成多个子模块; - `utils` 放置那些可以跨多处使用的实用程序或配置项; - `notebooks` 则为研究人员提供了灵活的空间来进行快速原型设计与验证工作。 ```python # 示例:model.py 中可能存在的简单 CNN 架构定义 import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self, num_classes=10): super(SimpleCNN, self).__init__() self.conv_layer = nn.Sequential( nn.Conv2d(in_channels=1, out_channels=8, kernel_size=(3, 3), padding='same'), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) ) self.fc_layer = nn.Linear(7 * 7 * 8, num_classes) def forward(self, x): batch_size = x.size(0) x = self.conv_layer(x) x = x.view(batch_size, -1) x = self.fc_layer(x) return x ```
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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