最出圈的编程语言Python爬虫初体验

Llama-Turbo Llama-Turbo 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 673平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-08-28 14:30:30 发布 673 阅读 AI 写同款· GEO 优化 ›
如何用Python爬取网页数据，Python爬取网页详细教程 阅读详情

Python作为这几年的明星编程语言，可以说是最出圈的一门语言。有许多不是从事计算机行业的人都听说过python，小破站、各种搜索引擎的广告轰炸也是让人防不胜防。今天就来体验一下。。。

Python的发展方向主要分为以下几点：

  1. Web开发
  2. 网络爬虫
  3. 数据分析
  4. 人工智能和机器学习
  5. 自动化测试
  6. 自动化运维
  7. …

今天我们就来体验一下爬虫，正所谓“爬虫爬的好，牢饭不会少。”

环境配置

我们去官网选择好Python版本进行下载，一键安装即可。记得要配置环境变量。www.python.org/

image.png

然后在cmd中输入python命令。

image.png

看见对应的python信息即环境已经安装完毕。

Requests库

python中的库概念相当于Java中一个个jar包依赖。爬虫，作为一次在互联网上的虫子，我们首先要上网。当然Python也提供传统的网络编程，不过python最方便的就是已经存在好了各种各样的库。所以我们这次就直接安装下载Requests库。requests.readthedocs.io/en/latest/

image.png

安装也很方便，类似前端Vue使用npm install命令，python使用的是pip工具。

image.png

复制代码
python -m pip install requests

image.png

根据文档我们可以发现使用requests.get()是发送get请求，使用requests.post()是发送post请求。

我们使用get请求百度。

image.png

python
复制代码
import requests

response = requests.get("https://www.baidu.com")

print(response.status_code)
print(response.text)
  • 通过status_code查看状态码
  • 通过text查看响应的内容
  • 更多的可以查看官方文档api

接着我们来访问一下豆瓣电影前250榜单

image.png

我们把地址变成movie.douban.com/top250

image.png

python
复制代码
import requests

response = requests.get("https://movie.douban.com/top250")

print(response.status_code)
print(response.text)

可以发现返回的状态码为418,这个是什么意思呢？我们搜索一下

image.png

I’m a teapot.

我只是一个杯具（茶壶）。所以无法处理请求，服务器知道你不是正常行为访问网址的，算一个梗。

这是因为我们使用get请求访问没有配置其他的Http参数，而是使用库默认的导致被网站的反爬虫机制给识别出来了。所以我们要模拟的像我们人通过浏览器访问这个页面一样，这里我们要给它的请求头加上User-Agent即可。那么我们要加上什么值呢？很简单，打开浏览器访问一个页面，然后使用开发者工具，随便查看一个网络请求，将它这个值复制过来。。。

image.png

image.png

image.png

这个请求头python需要的是一个字典，即对应我们Java里面的HashMap，是一个Key-Value结构。参数名为headers

  • Key就是User-Agent
  • Value就是传的值
python
复制代码
import requests

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}

response = requests.get("https://movie.douban.com/top250", headers=headers)

print(response.status_code)
print(response.text)

image.png

成功访问~

BeautifulSoup库

当我们能使用代码正确访问网页，并且拿到网页信息，那么剩下的就是解析这些html代码，从中拿到我们所需要的数据了。

Beautiful Soup 是一个 可以从 HTML 或 XML 文件中提取数据的 Python 库。它能用你喜欢的解析器和习惯的方式实现 文档树的导航、查找、和修改。它会帮你节省数小时甚至数天的工作时间。可以称为“靓汤”。

安装方式也十分的简单

复制代码
pip install beautifulsoup4

使用起来也很简单，只要把我们请求返回的响应内容传入BeautifulSoup，并设置为html.parser解析即可。因为BeautifulSoup同时也支持解析xml。

image.png

同时如果我们想获取到页面的第一个meta标签的，内容那么只要使用find()传入标签名即可，默认是找到第一个符合的标签内容。

python
复制代码
import requests
from bs4 import BeautifulSoup

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}

response = requests.get("https://movie.douban.com/top250", headers=headers)
print(response.status_code)
print(response.text)
soup = BeautifulSoup(response.text, "html.parser")

print(soup.find("meta"))

当然我们不能忘了引入该库。

爬虫抓取豆瓣电影Top250电影名

通过使用这两个库，我们应该就能实现一些简单的数据获取了。这里我们想获取豆瓣电影Top250的电影名。那么我们就应该分析这些电影名在页面上在什么位置呢？

feb2ed66744~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=2560&h=1407&s=395957&e=png&b=fefefe)

image.png

我们可以发现它存在div标签class为hd下，span标签class名为title里面，我们只要取第一个名字即可，即第一个title。

python
复制代码
import requests
from bs4 import BeautifulSoup

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}

response = requests.get("https://movie.douban.com/top250", headers=headers)
soup = BeautifulSoup(response.text, "html.parser")

div = soup.findAll("div", attrs={"class": "hd"})

for d in div:
    span = d.find("span", attrs={"class": "title"})
    print(span.string)
  1. soup.findAll("div", attrs={"class": "hd"} 找到页面中所有div标签并且class属性为hd的。
  2. d.find("span", attrs={"class": "title"}) 在1的前提下，找到里面第一个符合为span标签并且class属性为title的。
  3. span.string获取span标签包含的值。

image.png

我们成功获取到了这一页的所有电影名，那么怎么获取到剩下的电影名呢？我们点击第二页

image.png

movie.douban.com/top250?star…

它是通过start参数来控制的，那么我们只要将上面的封装成一个方法，循环调用10次，并且改变对应的start参数值即可。当然我们也发现其实这个span只要取第一个即可，因为这三个都有class为title，所以代码可以进行修改。

python
复制代码
import requests
from bs4 import BeautifulSoup

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36"
}



def douban(page: int) -> None:
    response = requests.get(f'https://movie.douban.com/top250?start={page * 25}&filter=', headers=headers)

    print(response.status_code)

    soup = BeautifulSoup(response.text, "html.parser")

    all_titles = soup.findAll("div", attrs={"class": "hd"})

    for title in all_titles:
        # print(title)
        print(title.find("span").string)


for i in range(10):
    douban(i)

image.png

成功获取到豆瓣电影Top250的电影名。

image.png

这一路用下来，发现使用python的确是非常简单的，拥有许多强大的库，可以使用非常短的代码且方便的实现小功能。

当然这只是一个初体验，不能说明爬虫就是这么简单。只是对比Java、C、C++实现起来是相对简单方便不少。

这里给大家分享一份Python全套学习资料，包括学习路线、软件、源码、视频、面试题等等，都是我自己学习时整理的，希望可以对正在学习或者想要学习Python的朋友有帮助！

优快云大礼包：全网最全《全套Python学习资料》免费分享🎁

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉优快云大礼包🎁：全网最全《Python学习资料》免费分享（安全链接，放心点击）👈

​

1️⃣零基础入门

① 学习路线

对于从来没有接触过Python的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，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。
在这里插入图片描述

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~在这里插入图片描述

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
在这里插入图片描述
因篇幅有限，仅展示部分资料

2️⃣国内外Python书籍、文档

① 文档和书籍资料

在这里插入图片描述

3️⃣Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
在这里插入图片描述

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
在这里插入图片描述

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
在这里插入图片描述

4️⃣Python面试题

我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
在这里插入图片描述
在这里插入图片描述

5️⃣Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
在这里插入图片描述
在这里插入图片描述
上述所有资料 ⚡️ ，朋友们如果有需要 📦《全套Python学习资料》的，可以扫描下方二维码免费领取 🆓
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉优快云大礼包🎁：全网最全《Python学习资料》免费分享（安全链接，放心点击）👈

​

标签
#python #爬虫 #开发语言 #机器学习 #pytorch
#人工智能 #深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
初始Python自动化实现掘金文章自动点赞功能 最出圈的编程语言Python爬虫初体验上次使用了Python体验了爬虫功能，相对于其他语言还是十分简单方便易上手的。今天我们就来体验一下Python的。 阅读详情

相关推荐

别再死记硬背HJB方程了！用Python数值求解一个简单最优控制问题（附完整代码）

本文通过Python数值求解Hamilton-Jacobi-Bellman（HJB）方程，帮助读者从工程实践角度理解最优控制问题。教程涵盖从建立简单车辆控制模型到离散化HJB方程、实现值迭代算法及可视化结果的完整流程，适合具备Python基础的开发者学习。

weixin_42520796的博客 371

如何用六步教会你使用python爬虫爬取数据

用python的爬虫爬取数据真的很简单，只要掌握这六步就好，也不复杂。以前还以为爬虫很难，结果一上手，从初学到把东西爬下来，一个小时都不到就解决了。

程序员小芽的博客 3273

《计算机科学概论(第13版)》5-12章

定序是按给定语句的顺序应用每个算法步骤。(primitive)：建立一组定义明确的构建块，利用它们来构造和执行算法的表示。可以消除歧义，不会引起误解，就像咱们传统的自然语言(用英语来沟通交流)。(programming language)：原语的集合以及说明如何组合这些原语来表示比较复杂的想法的规则集合。用程序设计语言描述的算法可以在计算机上执行。每个原语都有自己的语法和语义，语法指的是原语的符号表示，语义是指该原语的含义。伪代码：用户开发过程中非正式表达想法的符号系统。

输入知识，消化知识，输出知识，分享知识，教人让我学习更好，业精于勤荒于嬉，行成于思毁于随 1036

Python爬虫

代码说明：该爬虫通过requests获取页面，BeautifulSoup解析HTML，最后将数据保存为CSV文件。在Python爬虫中，验证码（CAPTCHA）是常见的反爬机制之一。处理验证码的方法取决于其复杂程度和类型。根据实际需求选择合适方案。对于大多数场景，第三方打码平台是效率与成本的平衡选择。适用于简单的文本验证码（无扭曲、背景干扰）。适用于复杂验证码（如扭曲文字、滑动验证）。适用于高频或定制化验证码（需训练模型）。

Made In SQL 1612

【抓包工具】Windows 10/11：Charles 从零到精通（下载、安装、配置与HTTPS证书实战）

本文提供了一份详尽的Charles抓包工具在Windows 10/11系统上的从零到精通指南。内容涵盖下载安装、初始配置、解决端口冲突，并重点解析了HTTPS抓包的核心步骤——安装CA证书。此外，还介绍了手机抓包配置及映射、断点等高效使用技巧，帮助开发者和测试人员快速掌握网络调试与安全分析技能。

weixin_29251131的博客 551

virtuoso：layout如何做flat修drc

有些drc在virtuoso layout中修更节省时间，比如遇到一些via array需要做删改时，发现工具把via array做成了一个cell，如图。去改cell可能会影响很多via，所以最好的办法是做flat，去调整cut，比如删除。我正在「拾陆楼」和朋友们讨论有趣的话题，你⼀起来吧？

m0_61544122的博客 342

基于Python实现web网页内容爬取

在日常学习和工作中，我们经常会遇到需要爬取网页内容的需求，今天就如何基于Python实现web网页内容爬取进行讲解。

酒酿小圆子呀～ 1万+

如何构建一个 AI 驱动的数据分析系统

在现代数据分析中，将 AI 引入数据分析系统中可以极大提升效率和自动化程度。本文将从架构设计、工具选择、实现步骤等多个方面进行详细说明，帮助你构建一个 AI 驱动的数据分析系统。

晴天彩虹雨的博客 703

python 爬虫入门——获取页面代码

常见的爬虫有很多：requests库，lxml库，re库，bs4库，urllib库等。 因为urllib是python自带的库，而包含urllib用法的requests库其实还挺好用的(各有各的好，这里先不比较）。 这里看看爬虫requests库的使用。 import requests # url返回百度 response = requests.get("https://www.baidu.com") >>> response <Response [200]> 返回结果是2

ailuoyi521的博客 1万+

大数据架构中的数据治理：元数据管理与数据血缘追踪实践

本文将聚焦大数据架构中数据治理的两大核心支柱——元数据管理与数据血缘追踪元数据管理的目标、类型与实施步骤（从需求分析到工具落地）；数据血缘追踪的技术实现（静态解析、动态捕获、混合方案）与应用场景；如何将两者结合，构建完整的数据治理体系，并通过真实案例展示落地效果。元数据管理：定义了业务/技术/操作元数据，讲解了工具选型（如Apache Atlas）、采集（Hook/API）、存储（关系库+图数据库）、应用（数据发现、质量监控）；数据血缘追踪。

欢迎来到我的优快云空间！这里聚焦AI大模型应用实战，分享前沿技术、实战案例与开发经验。 866

全志A133的AndroidSDK

本小节来学习如何下载全志安卓SDK，SDK的目录，编译和烧录提示：以下是本篇文章正文内容，下面案例可供参考以上就是整个SDK的目录和编译烧录，目的在于让初学者快速了解整个源码的目录和编译出镜像喜欢就订阅吧。

qq_24093081的博客 4054

Python | Python的自我介绍（前世今生）

☀️大家好！我是新人小白博主朦胧的雨梦，希望大家多多关照和支持😝😝😝🌖大家一起努力，共同成长，相信我们都会遇到更好的自己👊👊👊🌗期待我的文章能给各位带来收获和解决问题的灵感🤩🤩🤩🌟大家的三连是我不断更新的动力~😘😘😘Python语言的亮点就是“优雅的写代码”，对于小白来说上手速度很快，其目前核心方向主要是人工智能和数据，在这方面具有独一无二的优势，当然，没有哪一门语言面面俱到，所以大家需要向哪方面发展就侧重向哪一方面学习就好了。拜拜~✨ ✨ ✨。

weixin_72906726的博客 2678

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

机器学习深度学习业余选手 1001

Python基础教程之Python简介

举一个做菜的例子吧，假设现在我们需要厨师给我们做一道西红柿炒鸡蛋的菜，在这里厨师就相当于计算机，而菜谱就相当于给计算机的下的指令，计算机会根据我们所下达的指令来完成某一项任务便相当于厨师根据菜谱做出西红柿炒鸡蛋这道菜。

shiwei0813的博客 674

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")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

浅学Python入门

Python基础知识入门

qq_46867640的博客 1138

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

编程语言排行前十名的前世今生

老板站台很重要（Java和C#背后没大佬早凉了）名字起得好，成功一半（比如JavaScript碰瓷Java，Go语言一听就很极客）千万别得罪社区（参见Python 2到3的“分裂大逃杀”）最后友情提醒：语言只是工具，别当饭圈吵！毕竟——“PHP才是最好的语言！” （众人：拖出去！

entropy0311的博客 3352

95年，现在学python还来的及吗?

被我们知道的编程语言有C++ 、JAVA、PHP、Python等，为什么只有Python成功出圈，各路大佬纷纷立Flag要去Python？其中SOHO的潘石屹最激进，甚至发条微博说自己要学Python，搞得像要冲进IT圈抢程序员饭碗一样！

m0_59236602的博客 159

为什么越来越多大学生在学Python?

如果假期只剩4天，你会做什么？如果假期还有1个月，你会做什么？面对这个问题，很多人会在前者安排充实计划，对后者却疏于安排和管理。（是不是和你平时做作业情况似曾相识）大学，我们的课外时间比以前更自由了，假期也没有繁重的作业。其实，假期是一个沉淀期。大家可以好好休息，再做点自己感兴趣事，绝不只是用来追剧、打游戏、一觉睡到中午12点的…那假期到底适合干点啥？比如，阅读经典大部头、提升英语口语、打磨一个作品、学习Python编程语言等。专注要求不被打断，时间不碎片化；

xxue345678的博客 138

ChatGPT火出圈！人工智能到底有多热门

近年来，中国人工智能发展迅速，国家也高度重视人工智能领域的发展。聊天、写文章、散文、笑话、诗歌、求职简历、写论文、敲代码、写研报、做投资顾问......甚至轻松通过了谷歌面试，拿到了年薪18万美元的码农offer。😎如果你还没有概念，那我告诉你，做到这个成绩，Tiktok用了9个月，Instagram则花了2年半的时间。：精选超过100个实战项目案例，从理论到实践，让您在解决实际问题的过程中，深化理解，提升编程能力。：一目了然，指引您从基础到进阶，再到专业领域的每一步学习路径，明确各方向的核心知识点。

biancheng_syz的博客 1248

python 倒计时_火出圈儿的Python，没有任何编程基础能学会吗

提起Python，哪怕你是一个对IT没有任何概念的萌新，也一定听说过。毕竟在去年我们共同的票圈，它的一则普通到不能再普通的信息流广告竟然成了热搜，几乎所有好友都疯了似的在下方评论，让Python速度火出圈了！于是乎，各方媒体纷纷捧哏，把python吹的天花烂醉，一下子推上神坛，好像作为个小白领不会点Python就跟没穿衣服出门一样丢人……连谈资都被剥夺了。今天咱在这里不继续深究这个问题，小编向来讲...

weixin_39999025的博客 68

2020年编程界的薪资排行榜----黑马Python强势“出圈啦”

Python作为时下最流行的一门网红语言，用一句话来证明它的实力就是：Python在手，天下我有！ 近日，PYPL编程语言排行榜公布了编程语言流行排行榜，Python稳坐第一名。 相对的，国内Python的招聘市场持续高涨。由于Python在人工智能和数据分析等领域的广泛应用，Python无论在大公司还是中小型公司、无论在一线城市，还是二三线城市，都成为了主要招聘语言。 在2020年金九银十的就业时节，黑马程序员区又有一批小伙伴收获offer啦，他们经历几个月的奋战，从“青铜”到“王者”，终于高薪就业。下

技术专家 837

Python是不是被高估了？

毕业实习的时候，公司领导交给我一个工作：对标行业竞品，工作内容就是搜集竞品信息，分析数据。那时候的我还不了解Python，也没听过爬虫。搜集信息就一个接一个网页的复制粘贴；分析数据也只能...

Python大本营的博客 479

python排名2020年_2020年10月编程语言排行榜出炉！python进步神速

7日TIOBE公布了2020年10月编程语言排行榜。官方标题为：Python正接近第二名。其中Python的受欢迎程度已经十分逼近排在第二位的Java，本月排名率为11.28%，达到历史新高。 *TIOBE2020年10月排行榜前20名TIOBE榜单以来，C和Java一直占据了前两名的位置，Python算是后起之秀，去年才上升至第三名，依照目前的走势来看，截止今年年底Python超过Java的可能...

weixin_39575737的博客 253

748集Python教程深度拆解：从零基础到数据分析与爬虫实战

Python作为通用编程语言，凭借简洁语法和丰富生态，成为数据分析、爬虫开发等领域的入门首选。掌握其核心语法与工具链，是零基础学习者迈向工程实践的关键。数据分析依赖pandas、NumPy等库实现数据清洗与可视化，爬虫则通过requests、BeautifulSoup等库获取网页数据，二者共同构成Python最典型的应用场景。对于初学者而言，选择一条主线明确、内容完整的实战教程，能有效避免资源过载与学习路径混乱。一套系统涵盖基础语法、数据分析与爬虫的教程，配合环境搭建、代码示例与常见问题排查，可帮助学习者建

weixin_30595035的博客 357
上一篇： Python 变量的知识补充
下一篇： 你的 Python 代码需要解释一下了
点赞 19
评论 0
书签 书签 23
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2021原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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