下载Python-3.6.5-amd64 点击下载1Python-3.6.5-amd64版本，如需要Python3.6.5版本点击下载2，选择迅雷下载可以加速。
安装 Python-3.6.5-amd64 双击执行下载完成的exe文件，进入安装界面：勾选添加用户变量再选择自定义安装。
全部默认选择即可，继续下一步。
选择所有用户，自定义安装路径，点击Install安装。
Python-3.6.5-amd64开始安装…
下图提示安装成功！！点击Close关闭提示。
测试运行 win+r 调用运行窗口，并输入cmd
查看Python版本号
输出 hello world ！！
使用 pip 或 pip3 python3 已经默认安装 pip 错误使用 pip 方式
正确使用 pip 方式
安装PyQt5 python安装PyQt5对于版本要求比较高，然通过 pip 方式安装方便很多。
打开 cmd >python -m pip install Pillow >python -m pip install --upgrade pip >pip3 install sip >pip install --index-url https://pypi.douban.com/simple PyQt5 >pip install --index-url https://pypi.douban.com/simple PyQt5-tools 添加 PyQt5 环境变量 添加用户变量
变量名：QT_QPA_PLATFORM_PLUGIN_PATH
变量值：D:\Program Files\python3\Lib\site-packages\PyQt5\Qt\plugins
添加系统变量
测试 PyQt5，如下，证明成功
作业四
按要求编写程序（任选三题）
1、 编写一个从 1 加到 end 的当型循环。变量 end 的值由键盘输入。假如输入 end
的值为 6，则代码输出的结果应该是 21，也就是 1+2+3+4+5+6 的结果（不要用
sum 作为变量，因为它是内置函数）。
a = input() b=int(a) total = 0 for i in range(b+1): total = i+total print(total) 2、从键盘输入一个整数，判断该数字能否被 2 和 3 同时整除，能否被 2 整除，能否被 3 整除，不能被 2 和 3 整除。输出相应信息。
a = input() b=int(a) if b%2==0 and b%3==0: print('该数字能被 2 和 3 同时整除') elif b%2==0: print('该数字能被 2 整除') elif b%3==0: print('该数字能被 3 整除') else : print('该数字不能被 2 和 3 整除') 3、 一个数如果恰好等于它的因子之和，这个数就称为“完数”，例如， 6 的因子
电脑配置：i7-8700K 16G 256GSSD＋2T GTX1080Ti 由于要用tf==0.12.1，所以配置的深度学习环境并不是最新的。想安装最新的ＴＦ可以参考此教程
1、win10+Ubuntu16.04双系统，安装教程、补充教程。
2、cuda8.0+cudnn5.1+anaconda 安装教程，建议从作者提供的百度云链接下载，英伟达官网链接有点慢。
注：安装英伟达的驱动，桌面>>系统设置>>软件和更新>>附加驱动>>选择英伟达的驱动。
注：ｃｕｄａ的例子没有下载，所以教程中没有ｍａｋｅ例子。
3、用anaconda安装TF，参照tensorflow官网
conda create -n tensorflow ##后面加 pip python=2.7 (or 3.X) #Activate the conda environment by issuing the following command: source activate tensorflow (tensorflow)$ # Your prompt should change (tensorflow)$ pip install --ignore-installed --upgrade \ tfBinaryURL ##轮子地址 也可以直接 pip install tensorflow-gpu==0.12.1
激活conda环境后，进入python
检验TF和cuda是否安装成功
# Python import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello)) 我的一开始报错，
I tensorflow/stream_executor/dso_loader.cc:119]Could’t open CUDA library libcudnn.
#python 3.6 import mysql.connector import re import urllib conn = mysql.connector.connect(user='root', password='root',host = 'localhost',database = 'test') cursor = conn.cursor() def getHtml(url): req = urllib.request.urlopen(url).read() html = req.decode('utf-8') return html def getData(html,leibie): reg = re.compile('(.*?)筹款进度
',re.S) xiangmu = re.findall(reg,html) # print(xiangmu) shengfen = ['河北','山西','辽宁','吉林','黑龙江','江苏','浙江','安徽','福建', '江西','山东','河南','湖北','湖南','广东','海南','四川','贵州','云南', '陕西','甘肃','青海','台湾','内蒙古','广西','西藏','宁夏','新疆','香港','澳门'] zhixiashi = ['北京','天津','上海','重庆'] for x in range(len(xiangmu)): name = re.findall('class="siteCardICH3" title="(.*.)" target="_blank"',xiangmu[x]) # print(name) yichouzhichijindu = re.findall('(.*.)
',xiangmu[x]) label = re.findall('site_ALink siteIlB_item" target="_blank">(.*)',xiangmu[x]) index = 0 while 1: if label[index] in shengfen: province = label[index] city = label[index+1] index += 1 break elif label[index] in zhixiashi: province = label[index] city = '' index += 1 break else: index += 1 name = name[0].
在线安装 运行Pycharm,打开需要添加scapy文件的项目，以TestScapy为例 点击工具栏的File选项，选中Settings,单击打开 选中Settings的Project->Project Interpreter选项 点击右边选项栏上的‘+’按钮，在 弹出的Available Packages的搜索框中搜索想要添加所需要的第三方库的名称，例如scapy,选中想要的搜索结果，点击Install Package,然后等待安装成功即可。 安装成功的标志： 本地安装-通过添加第三方库的Path实现 前两部与在线安装操作相同，然后在打开的Settings窗口选择 设置->Show all 在弹出的Progect Interpreters窗口中选择第5个按钮，点击弹出的Interpreter Patha 窗口中选择‘+’按钮，在弹出的Select Path窗口，选择添加本地第三方库文件（例如Scapy）所在位置的路径，点击‘OK’按钮，完成配置。 添加成功后Inerpreter Paths窗口多出一行，点击ok确认，退出重新运行程序即可（注：需要等待pycharm更新配置完成，才能运行成功，pycharm最下方有显示更新进度的进度条）
Numpy中的矩阵和数组 numpy包含两种基本的数据类型：数组（array）和矩阵（matrix）。无论是数组，还是矩阵，都由同种元素组成。
下面是测试程序：
# coding:utf-8 import numpy as np # print(dir(np)) M = 3 #---------------------------Matrix--------------------------- A = np.matrix(np.random.rand(M,M)) # 随机数矩阵 print('原矩阵：',A) # A矩阵 print('A矩阵维数：',A.shape) # 获取矩阵大小 print('A的转置:',A.T) # A的转置 print('sum=',np.sum(A,axis=1)) # 横着加 print('sorted=',np.sort(A,axis=1)) # 竖着排 print('sin(A[0])=',np.sin(A[0])) # 第一行元素取余弦值 print('A*A.T=',A*A.T) # A*A.T print('A.*A=',np.multiply(A,A)) # 点乘 print('mean(A)=',np.mean(A)) # 平均值,mean(A,axis=1)亦可 print('Rank(A)=',np.linalg.matrix_rank(A)) # 矩阵的秩 #--------------------------Array-----------------------------# B = np.array(np.random.randn(2,M,M)) # 可以是二维的 print('B =',B) # 原矩阵 print('Size(B)= [',B.shape[0],B.shape[1],B.shape[2],']; ndim(B)=',B.ndim) print('B[0]=',B[0]) # 第一维 Position = np.where(B[0]<0) #numpy.
Windows10（64bit,显卡GTX1050Ti）环境下的python3.5.2+tensorflow（gpu）+opencv安装配置 笔记本环境: windows10(64位)，显卡GTX050Ti 安装前的注意事项: 1.TensorFlow目前在windows下只支持64-bit Python 3.5 2.tensorflow1.3当前只支持CUDA8.0
1.安装python 3.5 这里，笔者使用的是python 3.5.2，具体安装如下： (1).Python3.5.2安装教程_百度经验http://jingyan.baidu.com/article/a17d5285ed78e88098c8f222.html 备注：想要下载安装anaconda 3.5的朋友可以参考下面这篇博文： http://blog.csdn.net/sb19931201/article/details/53648615
2.配置tensorflow(gpu)+opencv+其他 (2).pip升级（python3.5.2使用） 最新版本指令：打开CMD，输入 python -m pip install –upgrade pip
(3).安装tensorflow 命令:pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow/tensorflow-gpu 或pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow（CPU版）
(4).安装opencv 命令:pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python
(5).安装matplotlib 指令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib
(6).安装scipy（找到安装包路径，在安装） 由于scipy依赖于有mkl的numpy库，而从pip安装的numpy的库不带mkl，所以需要从上面的网站下载。
这里，笔者分别下载了scipy-1.0.0-cp35-cp35m-win_amd64.whl和numpy-1.13.3+mkl-cp35-cp35m-win_amd64.whl放在python\Scripts文件夹下。 scipy下载地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy
numpy+mkl下载地址：http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy
a.安装numpy+mkl，pip install <安装包的路径>numpy-1.13.3+mkl-cp35-cp35m-win_amd64.whl
b.安装scipy：pip install <安装包的路径>scipy-1.0.0-cp35-cp35m-win_amd64.whl (7).安装sklearn pip install -i https://pypi.tuna.tsinghua.edu.cn/simple sklearn
（8）.安装pyinstaller pip install -i https://pypi.
1.今天我们来讲下一个非常有用的东西，代理ip池，结果就是一个任务每隔一定时间去到 目标ip代理提供网站（www.bugng.com）去爬取可用数据存到mysql数据库，并且检测数据库已有数据是否可用，不可用就删除。
2. 编写 提取代理ip到数据库 的爬虫
2.1准备mysql表
CREATE TABLE `t_ips` ( `id` int(10) NOT NULL AUTO_INCREMENT COMMENT '主键', `ip` varchar(15) COLLATE utf8_unicode_ci DEFAULT NULL COMMENT 'ip', `port` int(10) NOT NULL COMMENT 'port', `type` int(10) NOT NULL DEFAULT '0' COMMENT '0:http 1:https', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=421 DEFAULT CHARSET=utf8 COLLATE=utf8_unicode_ci COMMENT='ip表'; 2.2创建爬虫工程，编写items.py(对应数据库的字段)
import scrapy class IpsItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() ip = scrapy.
使用tensorflow自带的tf.random_crop()、tf.image.random_flip_left_right()、以及random_contrast()等函数处理图像数据时，不仅需要使用session，而且处理速度非常慢。使用Pillow库完成这些函数接口，在实际数据处理时就非常快速和方便。
#!/usr/bin/env python #-*- coding:utf-8 -*- ############################ #File Name: pic_process_PIL.py #Author: Wang #Mail: @hotmail.com #Created Time:2017-08-14 10:28:14 ############################ from PIL import Image import ImageEnhance import numpy as np from random import randint import random img = Image.open('1.jpg') #print img.format, img.size, img.mode #img.resize((1080,768)) #img.crop((14,14,79,79)).show() #print img.getpixel((1920,1080)) def random_crop(img, width, height): width1 = randint(0, img.size[0] - width ) height1 = randint(0, img.size[1] - height) width2 = width1 + width height2 = height1 + height img = img.
现在一系列的文章，有不少算法都于去雾有关，比如限制对比度自适应直方图均衡化算法原理、实现及效果、局部自适应自动色阶/对比度算法在图像增强上的应用这两个增强算法都有一定的去雾能力，而最直接的就是《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果及其他 一文，描述了暗通道去雾这一state-of-the-art algorithms的过程和实现，虽几经优化，对于常用的视频1024*768大小的图片，算法处理部分还是需要70MS的时间（I7 笔记本CPU），因此，这一算法用于实时要求时还有一定的难度，并且优化后的算法基本无法并行，而可并行的算法重复计算大，由于不熟悉GPU方面的理念，不晓得使用不优化的算法靠GPU是否能有多大速度的提升。 为此，我一直在找寻相关的论文，这种找寻的踪迹一般就是看到一篇好论文–》看其参考文献–》再看参考文献的参考文献，这样循环下去。 然后有某种机会或巧合，又看到一篇好论文，重复前面的过程，你就会发现很多交集，慢慢的就会有一些好运向你招手。 话说我原本只看英文的文献，所以一直忽略了国内的文章，前几日，一个QQ朋友推荐了一篇清华大学的论文，下载后稍微看了下，觉得其描述的结果还是比较吸引人的，于是就实现了下，实时的效果应该说很不错，这里就简单的介绍并推荐给大家。 算法原理没有什么复杂的地方，其实说原理，还不如说经验或实验，因为论文中可以用理论来推导的公式确实不多。不过这也没关系，有用的东西就应该拿来用
# -*- coding: utf-8 -*- from package_2 import autolevel import cv2 #cap = cv2.VideoCapture('LP_20170318104820.avi') cap = cv2.VideoCapture('test.avi') original_name = 'original' dehaze_name = 'dehaze' cv2.namedWindow(original_name,cv2.WINDOW_NORMAL) cv2.namedWindow(dehaze_name,cv2.WINDOW_NORMAL) def nop(): pass #def handle(): cv2.createTrackbar('lowcut',dehaze_name,0,100,nop) cv2.createTrackbar('highcut',dehaze_name,0,250,nop) success,frame = cap.read() iframe = frame while not success: success,frame = cap.read() iframe = frame while success: cv2.imshow(original_name,frame) lowcut = cv2.getTrackbarPos('lowcut',dehaze_name)/1000.0 highcut = cv2.