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
200+累计阅读
271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
cmd
pyinstaller -Fw D:\test\test.py # 控制台程序 加w不显示控制台，去掉w就能显示控制台
（-F 是打包成一个文件，-w是不出现调试窗口，窗体程序要这个）
用这个打包出来的exe会很大，没面子。
百度一下，据说Anaconda环境打包会使exe小很多。
但是，我不知道Anaconda，只知道pipenv，都可以创建py虚拟环境。
cmd
#安装pipenv
pip install pipenv
#建立虚拟环境
pipenv install
#进入虚拟环境
pipenv shell
#安装模块
pip install test.py里面用到的模块
#pyinstaller也要安装
pip install pyinstaller
#打包
pyinstaller -Fw D:\test\test.py
打包完成，14M！
python脚本打包成exe+配置文件
1、python下安装pyinstaller： pip install pyinstaller 如果安装失败，返回一堆地址的选择（忘记截图），直接选择第一地址，重新使用命令：pip install --target xxx aaa （xxx为返回的第一个地址，安装aaa为包名） 2、打包Python代码： pyinstaller -F xxx.py 打包结束后在当前文件夹生成dist和build两个文件夹和xxx.spec文件，其中dist文件夹中便是执行文件，里...
pyinstaller打包pytest+allure框架的代码后，运行时exe: error: unrecognized arguments: --alluredir
pyinstaller打包pytest+allure框架的代码后，运行时exe: error: unrecognized arguments: --alluredir 使用pytest+allure写完自动化脚本后，在PyCharm中运行正常，使用Pyinstaller run_test.py运行后，在dist中找到run_test.exe运行报错 这个是什么原因引起的呢？麻烦路过的大神帮忙看看~ ...
推荐系统公平性之流行度偏差（fairness in recommender systems -- popularity bias）
主要参考论文：《The Unfairness of Popularity Bias in Recommendation》 RMSE@RecSys 2019 流行度偏差是什么 先定义流行物品和非流行物品。下图是（Movielens 1M）数据集中物品的评分情况。 图的横坐标表示不同物品，纵坐标表示物品的评分次数。可以看出只有少部分物品得到了很多的评分，大部分曲线尾部的物品都只有少量的评分，我们也把这部分物品称为长尾物品。在本文中，我们取曲线的前20%对应的物品为流行物品，剩余的为非流行物品（长尾物品）。 然
pyinstaller打包pytest的自动化程序为exe文件
不然会提示错误：ERROR: usage: main.exe [options] [file_or_dir] [file_or_dir] [...] main.exe: error: unrecognized arguments: --alluredir=report/allure --clean-alluredir inifile: G:\vss\Android\pytest.ini rootdir: G:\vss\Android。直接--hidden-import xxx即可。
海思方案定制hi3531dv200/SS528 DVR方案解析：从硬件选型到编解码实战应用
海思方案，Hi3518EV100，Hi3518CV100，Hi3515CV100，Hi3516CV100，Hi3516ECV100，Hi3516D，Hi3516A，Hi3519，Hi3520D，Hi3521A，Hi3535，Hi3531，Hi3536，Hi3536C，Hi3536D，Hi3518EV200，Hi3518EV201，Hi3520DV200，Hi3516CV200，Hi3516CV300，Hi3516AV200，Hi3520DV300，Hi3519V101，sd3403，hi3519av200
电动汽车BMS核心技术：AS8510高精度传感器解析
电池管理系统(BMS)是电动汽车的核心组件，其精度直接影响电池安全与续航表现。通过Σ-Δ ADC和斩波稳定等技术，现代BMS传感器可实现±0.5%的电流测量精度，满足汽车级AEC-Q100和ISO 26262标准。AS8510作为行业标杆芯片，采用双通道16位ADC架构，在-40°C至+150°C范围内保持稳定性能，特别适合新能源汽车的严苛环境。这类高精度传感器技术不仅解决了传统BMS的温漂难题，还为智能电池诊断、无线BMS等创新应用奠定了基础，是推动电动汽车技术进步的关键要素。
Pyinstaller打包pytest总结
学习python也有一段时间了，最近有项目需求，需要对pytest打包，按照正常的打包流程，打包后，发现仍不能完整脱离环境运行，遂对pytest的pyinstaller打包方式进行了一些钻研 1. Pyinstaller 的安装 python环境下，cmd输入使用 pip install pyinstaller 进行安装 特别注意: 如果是默认源，建议切换为国内源 2. pyinstaller 常用的打包参数 pyinstaller xxxx.py # 表示带命令行多文件打包 pyinstaller
01-SA8155 QNX 虚拟机Hypervisor
Hypervisor运行在Host OS操作系统上，其他操作系统均在Hypervisor上运行。：Hypervisor直接运行在硬件上，操作系统在Hypervisor之上运行。终止(关闭)：echo control 0 dev/vmm。路径：qnx_ap/AMSS/platform/vm/resources/关闭/终止 qvm(GVM)：slay -s SIGQUIT qvm。", //host PVM --- 主机。不直接操作/dev/vmm 实现关闭，启动vm。
关于pytest框架使用pyinstaller打包后执行提示ERROR: file or directory not found C:xxxxx
pytest框架使用pyinstaller打包后执行提示ERROR: file or directory not found C:xxxxx
学习笔记之——Event Camera（事件相机）调研
概述 Event Camera是一种bio-inspired sensor，对应的领域为bio-inspired vision。对于传统的相机，从某种程度上，是捕获一个静态/静止的空间，而Event Camera的目的是：敏感地捕捉运动的物体。 对于传统RGB-camera，相机传回的信息是同步的，所谓同步，就是在某一时刻t，相机会进行曝光，把这一时刻所有的像素填在一个矩阵里回传，一张照片就诞生了。一张照片上所有的像素都对应着同一时刻。至于视频，不过是很多帧的图片，相邻图片间的时间间隔...
从 RAP OData 到可交付的 SAP Fiori 应用：部署与授权全链路实战笔记
摘要：本文探讨了RAP开发中常见的交付误区，指出开发者预览(FEAP)并非可部署应用，强调从服务发布到业务应用落地的完整链路。文章详细对比了不同部署路径(ABAP/BTP)，解析权限管理关键点(SAP_BR_DEVELOPER的临时性)，并提供了标准授权组合方案(IAM+业务目录+角色)。通过"发运跟踪"案例，展示了从开发验证到生产部署的全流程，特别提醒注意开发环境与生产环境的权限差异，避免"开发机正常、生产机403"的典型问题。（149字）
用 PyInstaller 打包封装python
用 PyInstaller 打包封装python 一、必备环境：安装PyInstaller ： pip install pyinstaller 二、输入数据： test.py 代码，以及 test.png ，test2.png 用于界面显示到图标文件。 三、期望结果： 输出一个test 可以执行程序文件，可直接运行。如： ./test. 实际上，这个文件可运行程序文件是一个包，运行...
基于深度学习的番茄成熟度检测系统——YOLOv5、YOLOv8、YOLOv10及UI界面的实现
YOLO是一种快速且准确的目标检测模型，近年来，YOLOv5、YOLOv8和YOLOv10作为YOLO系列的重要版本，分别在速度、精度和效率上进行了优化。下面我们简要介绍这些模型。本文介绍了如何基于YOLOv5、YOLOv8和YOLOv10等深度学习模型，结合PyQt5设计一个番茄成熟度检测系统。通过训练模型、优化算法和设计用户友好的界面，我们能够构建一个高效且准确的番茄成熟度检测系统，广泛应用于农业自动化和智能化管理中。
Python脚本打包成exe，看这一篇就够了！
1、说起来还是有点玄学，上文中一模一样的过程我在两个电脑都执行过一遍。在其中一个上显示缺少xlrd这个库，安装后成功打包，也是一样的大小。小伙伴们可以在文末获取文件，也试试。2、在安装库是要注意一些库名，比如docx这个库不要，而是需要还有一些库可能因为版本不同导致不能使用，多碰碰壁就好了。3、为了防止打包时候有些库没安装好，可以先在虚拟环境中执行一下Python脚本。运行无误的话再打包，比较保险。4、最后，如果想要删除虚拟环境的话，可执行下方命令。
YOLOv11改进 | 细节涨点篇 | DySample一种最新的轻量化动态上采样算子（效果完爆CARAFE）
本文给大家带来的最新改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比，DySample采用了一种基于点采样的方法，相比于以前的基于内核的动态上采样器，DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外，DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中，性能均优于其他上采样器（截至目前最有效的上采样算子），
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');```[](https://bitdeli.com/free "Bitdeli Badge")
一键式Excel分词统计工具：如何轻松打包Python脚本为EXE
最近，表姐遇到了一个挑战：需要从Excel文件中统计出经过分词处理的重复字段，但由于数据隐私问题，这些Excel文件不能外传。这种情况下，直接使用Excel内置功能好像是行不通的，需要借助Python脚本来实现。 为了解决这个问题，我写了一个简单的数据分析和自动化办公脚本，以方便使用。想象一下，即使电脑上没有安装Python，也能通过一个简单的EXE文件轻松完成工作，这是多么方便！ 因此，我决定不仅要写出这个脚本，还要学会如何将其打包成一个独立的EXE文件。这样，无需Python环境的电脑也能直接运行它
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
Python打包脚本为EXE可执行文件
在 main.py 中导入 add.py 的加法函数和 sub.py 的减法函数，并通过读取 config.yaml 中的参数来决定调用加法或减法函数。若需要将一个Python小项目打包成exe，则一般会选取入口程序（或称为主程序）作为打包的入口，并通过打包工具Pyinstaller进行打包操作。Python脚本打包为EXE的过程，主要是通过将Python代码、依赖库和Python解释器一起打包成一个可执行文件，从而实现不依赖于Python环境的独立执行。这样，生成的EXE文件将使用你指定的图标。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
如何将python脚本打包成exe
前言 为了别人能在不装python环境的情况下，更加方便地调用我们写的python脚本，本篇博文将简单介绍下如何将python脚本打包成exe。 pyinstaller 很多编程语言的IDE都是默认自带打包功能的，而Python的打包，就相对“落魄”一点了，需要额外安装第三方的打包工具库，我这里用到的是pyinstaller这个库。 输入如下命令进行安装： pip install PyInstaller 安装方法一 在主程序目录下，进入cmd窗口，输入如下命令： pyinstaller -F gen
Python selenium 自动化脚本打包成一个exe
目标 打包Python selenium 自动化脚本（如下run.py文件）为exe执行文件，使之可以直接在未安装python环境的windows下运行 run.py文件源码： 文件路径：D:\gongcheng 注：chromedriver.exe 文件在D:\gongcheng目录下 #!/usr/bin/python3 # encoding:utf-8 from selenium impor...
【python 学习】如何将Python脚本打包成可执行的exe文件#520表白代码
文章目录前言安装pyinstaller案例素材setup.py素材ico素材pyinstaller打包扩展了解 前言 我们开发的脚本一般都会用到一些第三方包，可能别人也需要用到我们的脚本，如果我们将我们的xx.py文件发给他，他是不能直接用的，他还需要安装python解释器，甚至还要安装我们用的那些第三方包，是不是有点小麻烦？但是我们都知道，PC是可以直接运行exe文件的，这就为我们提供了一个便捷的方式。发源码又要求对方有对应的解释器，一般是行不通的，所以我们要把源码打包成可执行的.exe文件，方便广大用
python一键打包32版exe脚本
个人原创，转载请注明出处 环境说明: python32位，版本3.7.3 理论上3.4以上版本可行 直接上代码，通俗易懂 #!/usr/bin/env python3 # _*_ coding: utf-8 _*_ # File : 一键打包exe.py # Author: DaShenHan&道长-----先苦后甜，任凭晚风拂柳颜------ # Date ...
Python脚本打包成exe文件
别急，今天我就教你如何将python脚本打包成exe可执行文件，这样无论你的朋友有没有安装python，都可以运行你写好的程序！我把我们的python脚本程序wechat_multi_open.py以及准备设置exe的图标文件VX.ico放在了"E:\Python\VX"路径中；注意：我们很多人会由于网速的原因，安装会比较慢，所以，我们可以通过切换下载源来提升下载速度！：此时我们发现python脚本程序文件夹中多了一个dist文件夹，打开它，我们就可以找得到我们打包好的exe可执行文件了。
Python脚本打包可执行文件exe：一款便捷的Python脚本转换工具
Python脚本打包可执行文件exe：一款便捷的Python脚本转换工具 【下载地址】Python脚本打包可执行文件exe 该项目提供了一份详细的指南，帮助开发者将Python脚本打包成Windows系统下的可执行文件（exe）。通过使用pyinstaller工具，用户可以轻松地将Python程序转换为无需Python环...
python自动化脚本打包_Python selenium —— 将你的自动化脚本打包成一个exe
写好了Python selenium脚本，到其余机器上运行，还得要在其余机器上也装一套Python的环境，尤为在你用了一些第三方库的时候，甚至还要顾及操做系统是32位仍是64位，是否是很坑，若是能打成一个exe就行了，不论32位仍是64位，只要拷过去，安装合适版本的浏览器就好了。今天博主就带你将你的py脚本打包成一个exejavascript1. 环境首先准备下环境，一台32位虚拟机(64位的py...
Pyinstaller库打包单个python脚本为exe可执行文件的方式
亲测有效，小白过坑指南。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5675
扫一扫
