python基础task5-2019.5.19

最新推荐文章于 2023-12-03 09:50:25 发布
最新推荐文章于 2023-12-03 09:50:25 发布
阅读量141 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： datawhale
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。
本文链接：https://blog.youkuaiyun.com/weixin_43444314/article/details/90347241
博客介绍了类和对象的概念，指出类是具有相同特性和方法的抽象概念，对象是类的详细实例化，还给出了定义类的示例。同时提供了正则表达式和http请求相关的参考链接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

类和对象

https://blog.youkuaiyun.com/qq_41666763/article/details/80508608
https://blog.youkuaiyun.com/guoxinjie17/article/details/77850385
什么是对象：从同一个类中具体化描述的一个事物被称之为对象
什么是类：具有相同特性和方法的抽象概念称之为类
类和对象之间的关系：类是对象的抽象概念，对象是类的详细实例化。
定义类：
class people（定义一个people类）

正则表达式

https://www.cnblogs.com/tina-python/p/5508402.html

http请求

https://blog.youkuaiyun.com/boyun58/article/details/85044637

Flask 学习-86.Flask-APScheduler 创建定时任务
qq_27371025的博客
10-17 1249
Flask-APScheduler是根据APScheduler编写的一个flask模块，它提供了API管理任务。 Advanced Python Scheduler（APScheduler）是一个Python库，可让Python代码稍后执行，一次或定期执行。
书生大模型实战营第四期-入门岛-1. Linux前置基础
lldhsds的专栏
11-07 837
闯关任务Conda 是一个开源的包管理和环境管理系统，可在 Windows、macOS 和 Linux 上运行，用于安装、运行和更新软件包及其依赖项。使用 Conda可以轻松在本地计算机上创建、保存、加载和切换不同的环境。在开发机中已经安装了conda，我们可以直接使用，而且开发机中也有内置的conda命令，下面我们会介绍conda的基本使用，还有的使用方法以及介绍一下是怎么实现的。conda设置conda环境管理conda和pipstudio-conda使用与Shell（扩展）
刻意练习：Python基础 -- Task07. 文件与文件系统
老马的程序人生
10-27 929
背景 我们准备利用17天时间，将 “Python基础的刻意练习” 分为如下任务： Task01：变量、运算符与数据类型（1day） Task02：条件与循环（1day） Task03：列表与元组（2day） Task04：字符串与序列（1day） Task05：函数与Lambda表达式（2day） Task06：字典与集合（1day） Task07：文件与文件系统（2day） Task08：异常...
2018.5-2019.1基于FPGA平台的目标检测网络实现
祥瑞的技术博客
08-05 7057
2018.5 - 2019.1 基于FPGA平台的目标检测网络实现，将目标检测模型实现为c++代码，成功通过HLS工具部署于FPGA平台上，实现公交摄像头画面中人头的检测。 目录 一、项目背景 1.1 公司背景 1.2 应用背景 1.3 技术路线 二、python端 2.1 MTCNN与训练过程 2.2 mAP的测试 2.3 网络结构的更改 2.4 输...
Python 批量下载 ERA-5 Reanalysis 数据
小小学渣的博客
05-21 2897
ECMWF大气再分析数据集 ERA-interim 已被ERA-5 数据集取代，ERA-5 详细信息看这里 下面介绍下载的具体步骤： 1. 要下载 ERA-5 数据集，需要先注册一个 CDS 账号。登录之后进入Climate Data Store API 页面复制自己的 key 和 url，如下图 2. 创建 .cdsapirc 文件，windows系统就是自己的用户目录下面，linux就是根目录，内容为自己的 key 和 url，示例如下图 3....
【DockerCE】Docker-CE 24.0.6正式版发布
cnskylee的博客
09-06 1550
​ 官网下载地址（ForRHEL/CentOS 7.9）： https://download.docker.com/linux/centos/7/x86_64/stable/Packages/ 相对于24.0.5版本，本次官方更新的rpm包有 5个，使用目录对比软件对比结果如下：
Kubernetes学习笔记-Part.05 基础环境准备
glisten0317的博客
12-03 1144
在master01上创建/etc/sysctl.d/k8s.conf，添加网桥过滤及内核转发配置。配置inventory文件，/root/ansible/inventory。创建playbook，/root/ansible/hostname.yml。创建repo文件，/etc/yum.repos.d/local.repo。安装ntp时钟，/root/ansible/timesync.yml。修改配置文件，/root/ansible/ansible.cfg。修改配置文件，/etc/chrony.conf。
MonoGRNet Project - train.py
程永强
06-23 800
MonoGRNet Project - train.py 1. 2.
人工智能/数据科学比赛汇总 2019.9
热门推荐
龙哥盟
09-08 5万+
内容来自 DataSciComp，人工智能/数据科学比赛整理平台。 Github：iphysresearch/DataSciComp 本项目由 ApacheCN 强力支持。 微博 | 知乎 | 优快云 | 简书 | OSChina | 博客园 全球数据智能大赛(2019)——“数字人体”赛场一：肺部CT多病种智能诊断 https://tianchi.aliyun.com/competitio...
petalinux-bulid失败解决方法 ERROR: qemu-xilinx-native-v2.11.1-xilinx-v2019.1+gitAUTOINC+5f38ea92fb-r0
yohe12的博客
03-06 7788
petalinux-build失败解决方法
靶机渗透练习53-digitalworld.local：BRAVERY
hirak0的博客
04-19 8763
靶机描述 靶机地址：https://www.vulnhub.com/entry/digitalworldlocal-bravery,281/ Description This machine hopes to inspire BRAVERY in you; this machine may surprise you from the outside. This is designed for OSCP practice, and the original version of the machine
2018.5-2019.1基于FPGA平台的目标检测网络实现 fpga开发.pdf
04-22
- **Python端**：用于构建和训练神经网络模型，如YOLO（You Only Look Once）和MTCNN（Multi-Task Cascaded Convolutional Networks）。由于YOLO计算量大且资源需求较高，项目最终选择了内存需求较小的MTCNN。数据...
sklearn.externals.joblib.externals.loky.process_executor.BrokenProcessPool: A task has 未能取消序列化
xiaohutong1991的专栏
08-06 1万+
背景 在做硕士毕业设计的时候，用到随机森林这个模型，在写完代码的时候，跑的时候，老是出现sklearn.externals.joblib.externals.loky.process_executor.BrokenProcessPool: A task has failed to un-serialize. Please ensure that the arguments of the function are all picklable.翻译为中文是说：如果一个任务未能取消序列化，请确保函数的参数都是可
基于VMD-Attention-LSTM的时间序列预测模型（代码仅使用了一个较小数据集的训练及预测，内含使用使用逻辑，适合初学者观看，模型结构是可行的，有能力的请尝试使用更大的数据集训练）
08-23
资源下载链接为： https://pan.quark.cn/s/f4901605d35f (最新版、最全版本)基于VMD-Attention-LSTM的时间序列预测模型（代码仅使用了一个较小数据集的训练及预测，内含使用使用逻辑，适合初学者观看，模型结构是可行的，有能力的请尝试使用更大的数据集训练）
MATLABSimulink扩频通信系统仿真：BPSKQPSK调制与WalshmGold序列的误码率分析及GUI设计
08-23
基于MATLAB/Simulink平台的扩频通信系统仿真研究。主要内容包括构建扩频通信系统的仿真模型，应用BPSK和QPSK调制技术，使用Walsh、m序列和Gold序列进行扩频处理，生成并分析信号波形图，计算误码率，并设计了用户友好的GUI界面。通过这些步骤，研究人员可以深入了解扩频通信系统的性能特点及其抗干扰能力。 适合人群：从事通信工程领域的科研人员和技术开发者，尤其是对扩频通信技术和MATLAB/Simulink有初步了解的人群。 使用场景及目标：①用于教学和培训，帮助学生掌握扩频通信系统的理论知识和实际操作技能；②为科研项目提供技术支持，验证不同调制方式和扩频码对系统性能的影响；③辅助产品开发，优化通信设备的设计。 其他说明：文中提供了详细的建模方法和具体的实现步骤，附带m源代码，便于读者理解和复现实验结果。
Day09_随堂笔记.pdf
08-23
Python进阶
MATLAB中深度神经网络多特征输入单输出分类模型的实现与可视化
08-23
内容概要：本文档详细介绍了如何在MATLAB中实现深度神经网络（DNN）的多特征输入单输出分类模型，涵盖二分类和多分类任务。文档提供了详细的代码注释，指导用户从数据导入、预处理到模型构建、训练以及最终的预测和效果评估全过程。此外，还展示了如何利用MATLAB内置函数生成分类效果图、迭代优化图和混淆矩阵图，帮助用户直观地理解和评估模型性能。 适合人群：具有一定MATLAB编程基础的研究人员和技术爱好者，尤其是那些希望深入了解深度学习及其应用的人群。 使用场景及目标：适用于需要解决多特征输入分类问题的研究项目或工业应用场景。通过学习本文档，用户能够掌握如何快速搭建和调优DNN模型，从而提高分类任务的准确性。 阅读建议：建议读者先熟悉MATLAB的基本语法和深度学习工具箱的功能，再逐步跟随文档中的步骤进行实践。同时，鼓励读者尝试不同的数据集和参数配置，探索最佳模型表现。
电力市场中基于价值认同的电能共享分布式交易策略研究 价值认同
08-23
内容概要：本文围绕电能共享市场的交易机制展开分析，提出了基于价值认同的需求侧电能共享分布式交易策略。文章首先介绍了电能共享市场的背景及其重要性，接着详细阐述了价值认同机制的设计，通过建立用户满意度和服务质量评估体系，减少无序竞争带来的无谓损失。此外，文章还设计了一致性算法支持的分布式交易策略，实现了产消者间的去中心化交易，提高了交易透明度和效率，保护了用户隐私。最后，基于剩余理论，文章探讨了边际价格驱动下的电能共享模式，并通过市场博弈模型揭示了无序竞争的问题。 适合人群：从事电力市场研究的专业人士、能源政策制定者以及对电能共享市场感兴趣的学者和技术专家。 使用场景及目标：适用于希望深入了解电能共享市场运作机制的人群，特别是那些致力于优化电力市场交易机制、降低成本、提高市场效率的研究者和从业者。 其他说明：本文不仅提供了理论分析，还提出了具体的技术解决方案，有助于推动电能共享市场的创新发展。
【医学影像处理】基于跨模态核磁共振图像超分辨率的T2WI重建：融合T1WI辅助信息的高效网络设计与量化部署（论文复现含详细代码及解释）
最新发布
08-23
内容概要：该论文聚焦于T2WI核磁共振图像超分辨率问题，提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括：提出基于高频信息约束的网络框架，通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节；设计渐进式特征匹配融合框架，采用多阶段相似特征匹配算法提高匹配鲁棒性；引入模型量化技术降低推理资源需求。实验结果表明，该方法不仅提高了超分辨率性能，还保持了图像质量。 适合人群：从事医学图像处理、计算机视觉领域的研究人员和工程师，尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标：①适用于需要提升T2WI核磁共振图像分辨率的应用场景；②目标是通过跨模态信息融合提高图像质量，解决传统单模态方法难以克服的高频细节丢失问题；③为临床诊断提供更高质量的影像资料，帮助医生更准确地识别病灶。 其他说明：论文不仅提供了详细的网络架构设计与实现代码，还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外，作者还对模型进行了量化处理，使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理，理解如何通过跨模态信息融合提升图像重建效果。
(mambayolo1) E:\doctor\Mamba-YOLO-main>python mbyolo_train.py --task train --data ultralytics/cfg/datasets/coco.yaml \ E:\anaconda\envs\mambayolo1\lib\site-packages\timm\models\layers\__init__.py:48: FutureWarning: Importing from timm.models.layers is deprecated, please import via timm.layers warnings.warn(f"Importing from {__name__} is deprecated, please import via timm.layers", FutureWarning) No module named 'selective_scan_cuda_core' usage: mbyolo_train.py [-h] [--data DATA] [--config CONFIG] [--batch_size BATCH_SIZE] [--imgsz IMGSZ] [--task TASK] [--device DEVICE] [--workers WORKERS] [--epochs EPOCHS] [--optimizer OPTIMIZER] [--amp] [--project PROJECT] [--name NAME] [--half] [--dnn] mbyolo_train.py: error: unrecognized arguments: \ (mambayolo1) E:\doctor\Mamba-YOLO-main> --config ultralytics/cfg/models/mamba-yolo/Mamba-YOLO-T.yaml \ '--config' is not recognized as an internal or external command, operable program or batch file.
07-25
<think>我们面对两个问题： 1. FutureWarning: 关于 timm.models.layers 的导入方式已弃用。 2. 缺少模块 'selective_scan_cuda_core'。 根据引用[1]可知，Mamba YOLO 的核心是 Vmamba，并且用户可能在Windows环境下尝试安装。引用[1]提供了在Windows下安装VMamba的教程（两个版本：一个需要绕过triton，另一个则不需要）。而错误中提到的'selective_scan_core_cuda'模块是Vmamba的核心组件之一，需要编译安装。 因此，解决方案如下： ### 问题1: FutureWarning 关于 timm.models.layers 的导入弃用 这个警告通常是因为代码中使用了旧的导入方式，而新版本的`timm`库已经改变了导入路径。我们可以通过修改代码来解决。 在 Mamba YOLO 的代码中，可能使用了类似这样的导入： ```python from timm.models.layers import to_2tuple, trunc_normal_ ``` 而新版本的timm（>=0.9）可能已经将这些工具函数移动到了`timm.layers`中。因此，我们可以修改为： ```python from timm.layers import to_2tuple, trunc_normal_ ``` 但是，为了兼容旧版本的timm，我们可以先尝试从`timm.models.layers`导入，如果失败再从`timm.layers`导入，例如： ```python try: from timm.layers import to_2tuple, trunc_normal_ except ImportError: from timm.models.layers import to_2tuple, trunc_normal_ ``` 或者，我们可以检查timm的版本，然后决定导入方式。不过，最简单的方法是直接修改为新的导入路径，因为Mamba YOLO项目可能已经更新了代码，或者我们可以手动更新。 如果用户使用的是旧版本的timm（比如0.4.x），那么可能没有`timm.layers`，所以上述try-except是安全的。 另外，如果用户不想修改代码，也可以降级timm到旧版本（例如0.4.12）： ```bash pip install timm==0.4.12 ``` 但是，推荐修改代码以适应新版本，因为降级可能会引发其他依赖问题。 ### 问题2: 缺少模块 'selective_scan_cuda_core' 这个模块是Vmamba的核心CUDA扩展，需要从源码编译安装。根据引用[1]中的博客，在Windows下安装Vmamba需要编译CUDA扩展。用户可能没有正确编译安装这个模块。 解决方案： 1. 确保已经安装了正确版本的CUDA工具包（根据引用[1]，可能是CUDA 11.8或12.4）。 2. 确保已经安装了与CUDA版本匹配的PyTorch。 3. 从源码编译安装Vmamba（或Mamba YOLO）项目中的CUDA扩展。 具体步骤（参考引用[1]的博客）： - 如果使用CUDA 11.8，需要绕过triton（因为triton在Windows上对CUDA11.8的支持可能有问题）。博客中提供了解决方案。 - 如果使用CUDA 12.4，则可以直接编译，无需绕过triton。 编译安装步骤一般如下（在项目根目录下）： ```bash cd vmamba_layer # 进入包含setup.py的目录 python setup.py install # 或者使用 python setup.py develop ``` 或者，如果项目提供了安装脚本，则运行安装脚本。 注意：编译需要安装Visual Studio（建议2019或更高版本）并确保C++构建工具可用，同时需要CUDA工具包。 如果用户已经尝试过编译但失败，建议参考引用[1]中的博客，特别是“终极版”的教程，因为其中详细记录了在Windows上编译的步骤和可能遇到的问题。 另外，注意检查环境变量PATH中是否包含了CUDA的路径（例如`C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin`）。 ### 综合步骤 针对用户的问题，我建议如下步骤： 1. **解决FutureWarning**：根据上述方法修改代码，或者降级timm（不推荐，除非必要）。 2. **编译安装selective_scan_cuda_core模块**： - 确认CUDA版本（通过`nvcc --version`或`nvidia-smi`查看）。 - 根据CUDA版本，参考引用[1]中的对应博客（CUDA11.8或12.4）进行编译安装。 - 如果编译过程中出现错误，检查是否安装了正确版本的Visual Studio（需要C++开发环境）以及CUDA工具包。 3. **重新运行训练脚本**。 如果用户按照引用[1]中的教程操作，应该能够成功编译并运行。 注意：如果用户是在Linux环境下，编译过程可能更简单，但用户的问题描述中未明确操作系统。不过引用[1]提到的是Windows，所以按Windows处理。 如果用户已经按照教程操作但仍然遇到问题，可能需要检查： - 编译过程中是否有错误信息（可能被忽略）。 - 编译生成的.pyd或.so文件是否在Python环境的site-packages中，或者是否在项目的vmamba_layer目录下（并确保该目录在PYTHONPATH中）。 ### 示例：修改导入代码的位置 在Mamba YOLO的代码中，可能需要修改多个文件中的导入语句。例如，在`models/mamba.py`或类似文件中，查找`from timm.models.layers`并替换为`from timm.layers`（或使用try-except结构）。 如果用户不确定具体位置，可以在整个项目中搜索`timm.models.layers`。 ### 相关问题 根据用户的问题，生成以下相关问题： 1. 如何检查Windows系统中的CUDA版本？ 2. 在Windows上编译CUDA扩展需要哪些前置条件？ 3. 如何修改Python代码中的导入语句以兼容不同版本的库？ 4. 如何降级Python包到指定版本？ 5. 在编译CUDA扩展时遇到错误应该如何解决？ 请用户根据具体情况选择参考。</think>### 解决 Mamba-YOLO 训练脚本的两个问题 #### 1. **解决 FutureWarning 问题 (timm.models.layers 弃用)** 这个警告是由于较新版本的 `timm` 库改变了模块结构导致的。解决方法如下： ```python # 修改前 (已弃用): from timm.models.layers import to_2tuple, trunc_normal_ # 修改后 (推荐): from timm.layers import to_2tuple, trunc_normal_ # 更新导入路径[^2] ``` **操作步骤：** 1. 在代码中全局搜索 `timm.models.layers` 2. 将所有匹配项替换为 `timm.layers` 3. 如果某些函数在新路径中不存在，可考虑降级 timm： ```bash pip install timm==0.4.12 # 兼容版本[^2] ``` #### 2. **解决 `No module named 'selective_scan_cuda_core'` 错误** 这是 VMamba 的核心 CUDA 模块，需要从源码编译安装。根据引用[1]，请按以下步骤操作： ##### Windows 解决方案 (CUDA 11.8) ```bash # 步骤 1: 安装依赖 pip install ninja==1.11.1.1 triton==2.0.0 # 步骤 2: 编译 VMamba 核心 cd path/to/Mamba-YOLO/vmamba_layer python setup.py install --cuda-ext --cuda-arch="sm_75" # 需匹配你的 GPU 架构[^1] ``` ##### Linux/通用解决方案 ```bash # 确保 CUDA 工具链已安装 sudo apt install nvidia-cuda-toolkit # 编译安装 cd vmamba_layer python setup.py install --cuda-ext --force ``` ##### 验证安装 ```python # 测试脚本 test_vmamba.py from vmamba_layer import selective_scan_cuda_core print("VMamba CUDA 模块加载成功!") ``` ### 完整环境配置流程 1. **创建新环境** (避免依赖冲突): ```bash conda create -n mamba_yolo python=3.10 conda activate mamba_yolo ``` 2. **安装基础依赖**: ```bash pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 pip install timm==0.4.12 opencv-python==4.7.0.72 numpy==1.23.5 ``` 3. **编译 VMamba 核心**: ```bash cd Mamba-YOLO git clone https://github.com/hustvl/Vmamba cd Vmamba/vmamba_layer python setup.py install --cuda-ext --cuda-arch="sm_75" # 修改为你的 GPU 架构[^1] ``` 4. **启动训练**: ```bash python train.py --cfg models/mamba-yolo.yaml --weights '' ``` ### 关键注意事项 1. **CUDA 版本匹配**： - PyTorch CUDA 版本必须与系统 CUDA 一致 - 使用 `nvcc --version` 和 `torch.version.cuda` 验证一致性 2. **GPU 架构指定**： - 根据 GPU 型号修改 `--cuda-arch` 参数 - NVIDIA Tesla V100 用 `sm_70`, RTX 3090 用 `sm_86` [^1] 3. **编译问题排查**： - 确保安装了完整的 CUDA 工具包：`sudo apt install nvidia-cuda-toolkit` - 安装编译依赖：`sudo apt install build-essential ninja-build` > 提示：编译过程约需 5-10 分钟，成功后会生成 `selective_scan_cuda_core.cpython-XX-Xm-X-linux-gnu.so` 文件 ### 验证结果 成功运行训练后，终端应显示类似输出： ``` Epoch 1/100: 100%|████| 1000/1000 [05:20<00:00, 3.12it/s, loss=1.23] VMamba features shape: torch.Size([16, 256, 32, 32]) # 确认 VMamba 层正常工作[^3] ```
评论
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