django1——创建基础流程

本文详细介绍了Django框架的MVT模式,包括模型-视图-模板的核心概念及其实现过程。从搭建虚拟环境到项目的具体实现,涵盖了模型类创建、视图设计、模型迁移等关键步骤。
如图1所示,设计模式MVT
  • MVT  全拼为模型-视图-模板
  • MVT核心 思想:  解耦
  • MVT  解析
    • M(模型)全拼为Model ,与MVC中的M功能相同,负责数据处理,内嵌了ORM框架。
    • V(视图)全拼为View ,与MVC中的C功能相同,接收HttpRequest,业务处理,返回HttpResponse。
    • T(模板)全拼为Template ,与MVC中的V功能相同,负责封装构造要返回的html,内嵌了模板引擎。
2,搭建虚拟环境
  • 安装虚拟环境的命令
sudo pip安装virtualenv
 sudo pip安装virtualenvwrapper
  • python3中创建虚拟环境
mkvirtualenv -p python3 py3_django 
- py3_django为虚拟环境名字
  • 查看与使用
workon两次tab键#查看
workon py3_django#使用
  • 删除虚拟环境
rmvirtualenv虚拟环境名称

  删除虚拟环境py3_django

  先退出:关闭
  再删除:rmvirtualenv py3_django
  • 安装的Django的
PIP安装包名称

  (安装django1.8.2的包
  pip安装django == 1.8.2
Pip freeze - 查看安装的包
3,创建项目
Cd / home / python / Desktop /            指定路径创建
Django-admin startproject BookManager ---项目名字

4,创建应用
Cd BookManager /
Python manage.py startapp 图书---应用名称

在INSTALLED_APPS加入书
用pychram打开需要添加对应环境
通过终端命令哪个python查看python路径
5,测试运行
python manage.py runserver python manage.py runserver ip:端口---端口可以不写默认8000
python manage.py runserver
6,创建模型类---在models.py中
django.db 导入 模型

#在这里创建你的模型。


#准备书籍列表信息的模型类
BookInfo (models.Model):
   #创建字段,字段类型..
   name = models.CharField(max_length = 10

   def __str__ self ):
       返回 self .name


#准备人物列表信息的模型类
class PeopleInfo(models.Model):
    name = models.CharField(max_length = 10
    gender = models.BooleanField()
   #外键约束:人物属于哪本书
   book = models.ForeignKey(BookInfo)

   def __str__ self ):
       返回 self .name


7,模型迁移
  • 生成迁移文件:根据模型类生成创建表的语句
      python manage.py makemigrations
  • 执行迁移:根据第一步生成的语句在数据库中创建表
      python manage.py migrate
8,本地化
9,创建管理员
python manage.py createsuperuser ---创建超级管理员
10,注册模型 - 在admin.py中操作
django.contrib 导入 管理
Book.models 导入 *
#在这里注册你的模型。

#注册书籍模型
admin.site.register(的BookInfo)


#自定义站点管理界面的类:重写list_display属性
class PeopleAdmin(admin.ModelAdmin):
    list_display = [ 'id' 'name' 'gender' 'book' ]


#注册人物模型
admin.site.register(PeopleInfo PeopleAdmin)
11,视图操作
django.shortcuts 导入 渲染
#导入HTTPesponse模块
django.http 导入 HttpResponse
Book.models 导入 *


def 索引(请求):
   #准备上下文:定义在字典中(测试数据)
   context = { 'title' '测试模板处理数据' }

   #将上下文交给模板中的进程处理,处理后视图想用给客户端
   返回 呈现(请求'Book / index.html' 上下文)


def bookList (request):
   #查询数据库书籍列表数据
   bookInfos = BookInfo.objects.all()#数据库中读取数据
   #构造上下文
   context = { 'booklist' :bookInfos}
   返回 呈现(请求'Book / booklist.html' 上下文)

def peopleList (request bookid):
   #查询数据库人物列表数据
   book = BookInfo.objects.get id = bookid)#读取数据
   #外键查询:人物所属于哪本书
   peopleInfos = book.peopleinfo_set.all()#读取数据

   #构造上下文
   context = { 'peoplelist' :peopleInfos}
   返回 render(request 'Book / peoplelist.html' context)
应用网址
从  django.conf.urls 导入 网址
导入Book.views


urlpatterns = [
    url(r'^ $' Book.views.index)
   url(r'^ booklist / $' Book.views.bookList)
   url(r'^(\ d +)/ $' Book.views.peopleList)
]
管理器网址
urlpatterns = [
    URL(R '^管理员/' 包括(admin.site.urls))
   #应用中定义URLconf,包含到项目URLconf中
    #正则为:只要不是'admin /'就算匹配成功
   url(r'^' include('Book.urls' ))
]

12,HTML文件
书目
<!DOCTYPE html >
<html lang = “en” >
<HEAD>
    <meta charset = “UTF-8” >
    <TITLE> 书籍列表信息</ TITLE>
</ HEAD>
<BODY>
<UL>
   {%本书书目%}
       <LI> <a href = “/ {{ .ID}}“>{{ }} </A> </ LI>
   {%endfor %}

</ UL>
</ BODY>
</ HTML>
peoplelist
<!DOCTYPE html >
<html lang = “en” >
<HEAD>
    <meta charset = “UTF-8” >
    <TITLE> 人物列表信息</ TITLE>
</ HEAD>
<BODY>
<UL>
   {%人物列表中的人员  %}
       <li> {{ people 名称}} </ li>
   {%endfor %}

</ UL>
</ BODY>
</ HTML>
内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
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