走错路的程序员

当这样建立了虚拟环境后，在其中安装的包很多，也很费时间，你想将这个MyApp放到其他电脑上去开发，是不是直接复制MyApp文件夹就可以了呢?因为在建立虚拟环境时，虚拟环境中的python.exe, pip.exe…等一些文件会“硬编码”，记录的是绝对路径，放到其他电脑后，因为路径不同会出错！所以采用的方法是导出安装的包，在另一台电脑新建虚拟环境，再将包导入到新建的虚拟环境。Python虚拟环境导出包安装到另一台电脑的方法。环境：Windows 版 Python。为防止文章丢失，特此转载。

黄色区域数值为1,就是img[0200,100600]=1修改的部分.其余为初始化的0。numpy索引直接修改矩形区域的中的数值。

如题:CRC计算参考了这篇文章. https://blog.youkuaiyun.com/dzahzhcz/article/details/103759813import structimport platformimport timesysstr = platform.system()#RS485文件的通信地址,在开发板上是/dev/ttysWK0if(sysstr=="Windows"): RS485FileName = "d:/RS485.txt"elif(sysstr =="Lin

from tkinter import *from PIL import Image,ImageTkfrom tkinter import ttkimport osimport platformimport cv2import threading capture = cv2.VideoCapture(0) def loopCapture(): global capture global imgCanvas global win # imgp

今天发现 torch.cuda.is_available()==false 无法初始化GPU进行训练.于是着手开始检查torch的版本和cuda的版本检查torch的版本输入python>>> import torch>>> print(torch.__version__)如果带有cpu字样说明你装的不是 gpu版本的, 需要重新安装pytorch我的是cpu版本的. 于是重装.再次测试输入python>>> import torc

经过长达一年的反复安装和卸载开发环境, 得出一些结论和比较.供大家参考首先是conda和venv+pip的比较.我最开始用的是conda, 但是永久了之后发现conda并不是那么方便. 尤其是在国内环境下.conda的缺点,1. 每次执行安装库, 都需要一段比较长的开始收集资料的时间, 这一点上pip就快很多.2. 下载速度有限3. 下载的包不知道哪里下载.相比之下venv + pip的优点1.venv的虚拟环境是可以放在项目目录下面的. 比较方便迁移和同事间共享, 项目之间绿色无污染,

TensorRT 的版本 需要使用查看.dpkg -l | grep TensorRT

Traceback (most recent call last): File "f:/project/yolov5/modelconvert/onnx2rknn.py", line 10, in <module> rknn = RKNN() File "F:\project\yolov5\.env_yolov5_5.0\lib\site-packages\rknn\api\rknn.py", line 47, in __init__ self.config() .

参考文章: https://blog.youkuaiyun.com/xietansheng/article/details/115558069服务器端import asyncioimport websocketsimport asyncioimport websocketsfrom websockets.legacy.server import WebSocketServerProtocolimport jsonimport timeimport threadingclients={}async

额， 首先抱歉， 不是入门， 只是为了防止各位新手用错了框架。 方便大家搜索。RabbitMQ本来就是个很简单的事情， 收消息和发消息而已。如果你不小心用错了框架那么遇到的问题可是一大堆一大堆的。首先在python下， 一定不要使用 pika 这个框架，它是线程非安全的 ， 这个框架不是线程安全的， 一但上线，动不动就掉线的情况， 让你崩溃。 好在换个框架也是很简单的事情。 那么应该用那个框架的呢 我经过实际检验最终还是 rabbitpy 比较优秀和稳定。切记一定要用 rabbitpy，

使用python 创建虚拟环境$ python3 -m venv vvv报错内容如下Error: Command ‘[’/home/*****/learning_log_env/bin/python’, ‘-Im’, ‘ensurepip’, ‘–upgrade’, ‘–default-pip’]’ returned non-zero exit status 1使用命令行：$ python3 -m venv --without-pip --system-site-packages v

工作需要, java做服务器端, python做客户端一个服务器端对应多个python客户端… 中间用socket通信.(注意如果你的是tomcat服务器报错, 本文或许不适用你的问题. 我这个是手写的socket通信)刚开始报错如下.Caused by: java.net.SocketException: Connection reset by peer: socket write error 虽然报错但是数据确实收到了. 并未影响系统运行. 但是每天报这个错误也不是个事, 于是决

pytorch 官方并未提供 arm平台的安装包.于是按照官方页面提供的命令是无论如何也无法安装成功的.只要你的CPU用的ARM芯片. 那么无论你是什么操作系统, Liunx, windows,maxos 都不行解决方法有2个,第一个是下载源代码然后进行手动编译.(此方法太过复杂和耗时, 没点耐心搞不好.)第二个是用社区其它人编译好的版本. 这个方法就非常简单了.请参考: https://github.com/KumaTea/pytorch-aarch64得感谢 KumaTea使用方法也很简

>>> import numpy as np>>> a=np.random.randint(1,10,15).reshape(3,5)>>> a #输出array([[4, 4, 1, 8, 4], [7, 5, 8, 8, 1], [5, 5, 1, 2, 7]])>>> c=np.bincount(a.flat) # 这是一个方法. 直接调用 a.flat , 这返回的是一个迭代器. 不是数据

为管理项目环境, 使用了python3自带的 venv创建的虚拟环境.命令如下python -m venv 虚拟环境名选择 “输入解释器路径” -> 选择 虚拟环境下的python3的路径, 一般是在 “虚拟环境名/bin/python3”这样编辑器和编译器就都正确了....

工作需要, 买了萤火虫的NPU开发板. RK3399Pro1.在Linux Ubuntu 中,Vscode 不能找到模块. RKNN原因是, linux中默认装了python 2.7 , 而RKNN是装在python 3.5下的.解决方法很简单, 改一下vscode 的解释器即可如果改了不管用, 可以在代码中的第一行加上 , 然后保存的时候会有个蓝色的提示弹出来. 请注意, 点击即可.#!/usr/bin/python3.5# -*- coding:utf-8 -*-第2个问题. 报

报错内容如下.Collecting grpcio>=1.8.6 (from tensorflow==1.11.0) Using cached https://files.pythonhosted.org/packages/8c/34/7dafc9052bd9b2b41c5a8912aeeca01e179d16de17e9c275633d4b807330/grpcio-1.38.0.tar.gz Complete output from command python setup.py eg

ERROR: Command errored out with exit status 1: command: 'D:\Anaconda3\python.exe' -c 'import sys, setuptools, tokenize; sys.argv[0] = '"'"'F:\\PySlowFast\\pyslowfast\\detectron2_repo\\setup.py'"'"'; __file__='"'"'F:\\PySlowFast\\pyslowfast\\detectron.

1.第一个内存溢出.解决方法,增加系统虚拟内存.2.导出时报错D:\Anaconda3\lib\site-packages\torch\onnx\symbolic_helper.py:266: UserWarning: You are trying to export the model with onnx:Resize for ONNX opset version 10. This operator might cause results to not match the expected res

最近使用visdom做训练用的界面, 结果发现, 启动服务后一段时间后训练界面总是会无缘无故的卡在某个地方.后来我用命令行启动的时候却又是好的. 非常的奇怪. 后来我判断应该是跟 subprocess.Popen 有关系.猜测可能跟stdout有关系, 有可能是PIPE 的缓存塞满了, 所以就卡住了.后来调试了一下源代码发现 还有 subprocess.DEVNULL 可以输出到控. 然后果断换上了. 然后就正常可以使用了.subprocess.STDOUTsubprocess.PIPE

固定摄像头求变化物体的算法, 前面做了好多个版本, 其中速度最快的还是对应位置的像素直接对减法比较快.但是也有一些问题存在. 好在都能接受. from PIL import Imageimport numpy as npfrom matplotlib import pyplot as plt# import scipy.signal as signalimport cv2 a = Image.open('F:\\project\\MyAI\\计算两张图的新增部分\\43771star

代码很简单写死的, 方便以后使用. def GetCrossIndex(x,y): ''' 获取某个点为中心上下左右4个点的坐标 ''' return [ [x,y-1], #上 # [x,y], #中 [x,y+1], #下 [x-1,y], #左点 [x+1,y], #右点 ]# def GetSudokuIndex(x,y): ''' 获取某个点

先吹个牛. 上一下战绩.从原先的8秒到最后的0.8秒. 提高了10倍.说一下优化思路.对于比较慢的程序, 首先要考虑的是哪个函数.比较慢. 要用计时器进行分段计时, 找出最慢的函数.计时器一般用 time.time() 就够了.开始分析计时的要求是程序输入应该是不能变的. 环境也要是一致的.import timet1= time.time() 函数1()t2= time.time()print("耗时",t2-t1) #多段打印, 多试几次, 这叫有目的的优化, 我

@jit(nopython=True)def ViralInfection(img, x:int, y:int): ''' 病毒感染传播算法 算法原理 依某一点为中心逐渐扩大感染范围 先从一个点向一个方向使劲的感染, 每个被感染的细胞加入到病毒源中. 传播方向是垂直的. ''' #病毒源的点位 viralSrcPoints = List() # List() #queue.Queue() .

matplotlib 挺好用的.记录一下,方便日后使用import matplotlibmatplotlib.use('TkAgg') # 解决一个bug.import matplotlib.pyplot as pltimport turtle# 解决中文标题的显示问题plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False 动态实时显示数据结果,运行效果可视化很棒

python setup.py install后 ModuleNotFoundError 问题的一个可能点.由于项目需要在另外两个项目中引用. 为统一源代码管理, 需要将一个源代码发布成全局的.百度了之后, 添加了setup.py文件,from setuptools import setup, find_packagesfrom codecs import openfrom os import pathhere = path.abspath(path.dirname(__file__))set

numba，让python速度提升百倍参考原文 https://www.cnblogs.com/zhuwjwh/p/11401215.htmlpython由于它动态解释性语言的特性，跑起代码来相比java、c++要慢很多，尤其在做科学计算的时候，十亿百亿级别的运算，让python的这种劣势更加凸显。什么是numba？numba是一款可以将python函数编译为机器代码的JIT编译器，经过numba编译的python代码（仅限数组运算），其运行速度可以接近C或FORTRAN语言。使用numba非常

由于引用第三发源代码总是或多或少的需要去修改. 将第三方的源代码引入之后一般都是放在源代码下面某个目录下.例如我会将其它第三方的神经网络都放在nn下面.但是,主项目引入 nn下面的目录中的文件时, 会报错提示找不到 moduleModuleNotFoundError: No module named 'nn.Pytorch_DeepLabV3Plus.modeling.modeling'作为一个独立的项目时, 第三方的源代码不会把自己写成相对路径的 引用方式.这个时候最合适的方法是用 sys

visdom 显示制作进度条.先上总进度图绿色的是训练了多少轮,蓝色的是每轮训练了多少的进度. def processbar(self, epoch,epochs,indeximage,totalimages,opts=None): win = self.cur_win.get("processbar", None) bili = epoch / epochs * 100 imgbili = indeximage / totalimag

先搞个效果图这个UI是在https://g2.antv.vision/zh/examples/point/bubble#bubble-image 这个的基础上改的.另外一个效果图, 如下. 也是在G2的基础上改的参考了. https://g2.antv.vision/zh/examples/bar/basic#time-bar有数据才能知道如何分析系统性能. 那么该如何分析呢?分析整个算法的性能问题点当然方法很多, 但是如果是系统性的算法甚至是分布式系统的算法, 又该如何分析系统性能问题点呢

技巧一, 利用颜色数值的和进行黑白色的操作 npImg = np.array(img) yansemask = npImg[:,:,0] + npImg[:,:,1] + npImg[:,:,2] # 将3个通道的颜色值加起来, ==0 的是黑色, 等于 255 * 3 =765 的是白色 npImg[yansemask == 0] = 255 # 黑色的全变成白色 npImg[yansemask != 0] = 0 # 不是黑色的改成黑色.

业务需求如下图. 一个业务既要通过webapi实时的接收处理任务, 又需要定时从数据库轮询, 还需要从socket接收数据后,为了统一方便后面的编程. 和性能提高. 分析了一下, 程序结构设计如下.分析后结果如下数据处理线程是一样的任务, 线程再多也是一个类业务入口则需要根据具体情况来实现 一个入口就是一个线程, 并且任务内容不同 . 需要是多个类.本程序通过python实现的, webapi 用到了tornado框架,定时循环则是简单的while循环主程序启动代码 start.py

resize之前的图片下面是resize之后的图片用ps就可以看出来,多了一层边框. 貌似还去不掉.

pytorch版Unet 还是非常简洁易懂的.官方给的代码有点小问题, 在输入和输出方面不是很好处理.为了方便自己, 而且我打算日后改一下网络模型. 所以我自己在官方的示例上建了一个分支官方的分支是https://github.com/milesial/Pytorch-UNet我的分支是https://github.com/phker/Pytorch-MyUNet目前代码还没提交.训练的时候遇到了下面这个问题.Traceback (most recent call last): Fil

原始的双循环写法. 比较耗时#将RGB色彩空间 转换成HSV色彩空间 def ConvertRGB2HSV(image): w,h,c = image.shape newHSVImage = np.zeros((w,h,c), dtype=np.int) # print(newHSVImage.shape) for wi in range(0,w): for hi in range(0,h): ch,cs,cv = rgb2hsv(image[wi,hi])

在项目根目录下新建一个 ProjectRoot.py然后在你子文件夹下面的文件里面 加上下面这些代码.会自动将项目根目录的文件夹添加到 sys.path 这样就不必为 import 的层级而烦恼了.import osimport sys# 向上逐层查找 发现存在__ProjectRoot__.py 则当做项目根目录.pathPoint = os.path.dirname(__file__)while(pathPoint != os.path.abspath(os.path.join(p

import osimport glob # UTF-8BOM_UTF8 = b'\xef\xbb\xbf'# UTF-16, little endianBOM_LE = BOM_UTF16_LE = b'\xff\xfe'# UTF-16, big endianBOM_BE = BOM_UTF16_BE = b'\xfe\xff'# UTF-32, little endianBOM_UTF32_LE = b'\xff\xfe\x00\x00'# UTF-32, big

import osimport glob def 批量改文件名(src,dst): datasetRootDir = "E:\\www\\ai\\static\\dataset\\非厨余垃圾\\FeiChYuLaJi" mylabel_jsonfiles = glob.glob(os.path.join(datasetRootDir, '*.*'))# 第一个星号 '*' 是子文件夹,第二个* 是文件名 for labelfile in mylabel_j

python如何启动新进程,并获取程序的输出.第一种比较恶心的方式, 会阻塞主进程,而且如果你不读取,会经常卡死日志.import shleximport subprocess if __name__ == '__main__': shell_cmd = 'python3 subprogram.py' cmd = shlex.split(shell_cmd) p = subprocess.Popen(cmd, shell=False, stdout=subprocess.P

主网站启动代码#完整打分流程V2import osimport os.path import sys# sys.path.apend()#解决yolov5的反序列化问题 startimport os,sysroot_path = os.getcwd()sys.path.insert(0,root_path+"/yolov5")#解决yolov5的反序列化问题 end import tornado.httpserverimport tornado.ioloopimport t