【visum工作笔记】之五

这篇笔记探讨了在visum中如何通过COM接口操作软件,解释了Start Visum和LoadVersion之间的关系,以及在Python中使用Visum的方法。笔记提到了平衡矩阵的两种方法,并指出在visum版本升级后矩阵编号变化的问题,介绍了VPH模块和自定义GetMatrixNumber函数作为解决方案。

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

一本笔记竟然只有截取到那么一些有用的内容,可想而知我的笔记有多少废话啊。不过多说废话的人比较快乐!

在进入第三个月的时候,我已经开始慢慢接触到visum的接口了,可以说是飞速的掉进了一个很深的坑。

1. 在前一章讲到了 start visum, 创建一个对象,然后load一个具体的ver文件。那么究竟是一个什么样的关系呢?

在具体解释这两者的关系前,我先补充一句。

在阅读COM documentation的时候我发现了 Set Visum = Nothing 这个用法,其实就是将打开的一个Visum窗口里面的所有东西设成空的,但是并没有关闭这个软件。

而运用Set Visum = CreateObject("Visum.visum.110")创建对象就意味着将要打开一个窗口,而Visum.LoadVersion (Exe_version)这时在这个窗口open一个选中的version。所有当Visum.LoadVersion (Exe_version2),只是在原来的窗口重新打开一个新地址的文件。


2. 如果说现在已经知道如何用VBA打开Visum,那么python语句又是如何呢?

import vin32com.client
Visum = win32com.client.Dispatch("Visum.visum.110")

而设空的语句为

Visum = 0

3. 在知道未来年预计的矩阵总量后,可以在基年OD的基础上进行balance

    Set mat = visum.Net.ODMatrices.ItemByKey(matrixNos(i))
    Set newmat = visum.Net.ODMatrices.ItemByKey(newmatrix
<think>我们正在为用户推荐科研学习中常用的AI软件。根据用户提供的引用,特别是引用[1]提到Python非常适合初学者,有强大的库和可视化能力;引用[2]提到跨学科融合,AI在医学、金融等领域的应用;引用[3]提到大型预训练模型如GPT-3、BERT等。因此,我们可以结合这些信息,推荐与AI相关的科研软件和工具。由于用户是科研学习场景,我们将推荐涵盖机器学习、深度学习、数据处理、可视化以及大模型相关的软件和工具。注意:我们引用的来源是用户提供的三个引用,因此我们在回答中会使用[^1][^2][^3]来标注参考内容。常见的科研学习AI软件包括:1.Python及相关库:Python是AI领域的主流编程语言,拥有丰富的库和框架,非常适合科研和开发。2.MATLAB:在工程和科学计算中广泛应用,尤其是在信号处理、图像处理等领域。3.深度学习框架:如TensorFlow,PyTorch等,用于构建和训练神经网络。4.大型预训练模型工具:如HuggingFaceTransformers库,用于使用和微调BERT、GPT等模型。5.数据可视化工具:如Tableau,Matplotlib,Seaborn等,用于数据分析和结果展示。6.其他跨学科工具:根据具体领域,如医学影像处理用的ITK-SNAP,金融分析用的Pandas等。我们将按照上述分类详细说明。</think> 基于您的科研学习需求,我整理了以下主流AI软件推荐清单,并结合引用内容进行重点说明: ### 一、核心开发工具(必学) 1. **Python生态系统**(最佳入门选择[^1]) - 核心库:Scikit-learn(机器学习)、PyTorch/TensorFlow(深度学习) - 数据处理:Pandas/Numpy - 可视化:Matplotlib/Seaborn ```python # 典型科研示例:可视化训练过程 import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Model Training Progress') plt.ylabel('Loss') plt.xlabel('Epoch') plt.legend() ``` 2. **MATLAB**(工程领域首选) - 特别适用于信号处理、控制系统等方向 - 集成深度学习和传统算法工具箱 - 支持快速原型开发(Simulink) ### 二、大模型实践工具 1. **Hugging Face Transformers** - 支持GPT/BERT等[^3]大模型的微调与应用 - 包含100,000+预训练模型 ```bash # 快速调用GPT-2 from transformers import pipeline generator = pipeline('text-generation', model='gpt2') generator("AI在科研中的应用包括:") ``` 2. **OpenAI API** - 直接调用ChatGPT/GPT-4进行科研辅助 - 代码解释/论文摘要/实验设计等场景 ### 三、跨学科工具 | 领域 | 推荐工具 | 典型应用场景 | |------------|---------------------------|-------------------------| | 医学影像 | ITK-SNAP + MONAI | CT/MRI图像分割[^2] | | 金融分析 | TensorFlow Extended(TFX) | 风险预测模型开发[^2] | | 交通规划 | SUMO + PTV Visum | 智能交通流模拟[^2] | ### 四、可视化与协作平台 - **JupyterLab**:交互式笔记本(支持40+语言) - **Weights & Biases**:实验追踪与超参优化 - **Google Colab Pro**:免费GPU云环境(含V100/A100) > **科研路径建议**: > 初学者从Python生态[^1]入手 → 专业领域选择跨学科工具[^2] → 大模型开发[^3]进阶
评论 2
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