Anaconda

1下载mysql-installer-community-5.7.24.0.msi （https://dev.mysql.com/downloads/windows/installer/8.0.html， 选择 Looking for previous GA versions? ） 2.安装 2.1选择模块 2.2安装方式 2.3设置密码 2.4查看环境变量 3. 配置数据库 3.1 配置服务器编码 在my.ini文件下修改（默认在C:\ProgramData\MySQL\MySQL Server 5.7，可通过查看服务启动配置文件获取）： [client] default-character-set= utf8 [mysql] default-character-set= utf8 [mysqld] character-set-server=utf8 //注意这里和client,mysql不一样 注意： mysql到了5.5版本， [mysql] 项内可以写default-character-set=utf8， 但是[mysqld] 项内不能再这么写了，而是必须写：character-set-server=utf8 重启服务net stop mysql57，net start mysql57 3.2 连接mysql Cmd窗口输入mysql -u root -p，输入密码 3.3

“人生苦短，我用Python”。Python编程语言是最容易学习、并且功能强大的语言。只需会微信聊天、懂一点英文单词即可学会Python编程语言。但是很多人声称自己精通Python，然后自己却写不出Pythonic的代码，对很多常用的包不是很了解。万丈高楼平地起，咱们先从Python中最最基础的开始。 01 Python的优点 Python是一种类似人类讲话的语言 极其简单易学的语言 也是开源的语言之一 可移植性良好，在各大平台都可以运行，比如Windows、Mac、Linux上都可运行 丰富的第三方库：只有你想不到，没有Python做不到 解释性语言：可以直接从源代码运行。 既支持面向对象编程，又支持面向过程编程。 可扩展性好，部分程序可以使用其他语言编程，比如C/C++ 02 Python开发环境 目前，主流的Python开发环境有三个（开发环境也被称为IDE, Integrated Development Environment）,分别是PyCharm、Anaconda 和Jupyter Notebook，我们称之为Python三剑客。为了说明它们的主要区别，笔者引用Python实战圈圈友劳元辉的一段话：“我三剑客在手，感觉可以屠进天下报表和模型。Anaconda，最主要是整体开发环境和第三方库的安装方便；Pycharm

“TensorFlow在Windows上支持Python 3.5.x和3.6.x.” 因此，您无法在Windows上使用Python 2.7的tensorflow 如果您被迫使用Python 2.7，则使用虚拟机框将Linux设置为guest虚拟机。 如果您可以选择使用python 3.x（例如python 3.6），您可以使用python 3.6安装anaconda。 https://repo.anaconda.com/archive/Anaconda3-5.1.0-Windows-x86_64.exe 如果你有一个带有python 2.7的anaconda你可以定义一个environment.yml然后创建conda env https://conda.io/docs/user-guide/tasks/manage-environments.html#creating-an-environment-from-an -environment-yml-file https://conda.io/docs/user-guide/tasks/manage-environments.html#create-env-file-manually 可能是因为使用Python 2.7你无法创建一个Python 3.x环境。 试试看。 一旦你有一个使用Python 3.6的Anaconda就可以了

study from : https://www.cnblogs.com/HongjianChen/p/8385547.html 执行1-6 7 安装jupyter 每次使用tensorflow，都要 事先 activate tensorflow 来启动tensorflow pip install --upgrade --ignore-installed tensorflow 安装时间较长，有可能出现刚开始出现网络问题，重新再试一遍就行 更快一点的操作 Cache entry deserialization failed, entry ignored 用管理员权限打开anaconda prompt (study from : https://blog.csdn.net/shanpenghui/article/details/80564268) tensorflow只不支持python 3.7，所以要使用python 3.6 anaconda内含python，不需要单独安装python ---恢复内容结束--- study from : https://www.cnblogs.com/HongjianChen/p/8385547.html 执行1-6 pip install --upgrade --ignore-installed tensorflow 安装时间较长

五一劳动节假期，我们一起来玩扫雷吧。用Python+OpenCV实现了自动扫雷，突破世界记录，我们先来看一下效果吧。 中级 - 0.74秒 3BV/S=60.81 相信许多人很早就知道有扫雷这么一款经典的游（显卡测试）戏（软件），更是有不少人曾听说过中国雷圣，也是中国扫雷第一、世界综合排名第二的郭蔚嘉的顶顶大名。扫雷作为一款在Windows9x时代就已经诞生的经典游戏，从过去到现在依然都有着它独特的魅力：快节奏高精准的鼠标操作要求、快速的反应能力、刷新纪录的快感，这些都是扫雷给雷友们带来的、只属于扫雷的独一无二的兴奋点。 ▍准备 准备动手制作一套扫雷自动化软件之前，你需要准备如下一些工具/软件/环境 - 开发环境 Python3 环境 - 推荐3.6或者以上 [更加推荐Anaconda3，以下很多依赖库无需安装] numpy依赖库 [如有Anaconda则无需安装] PIL依赖库 [如有Anaconda则无需安装] opencv-python win32gui、win32api依赖库 支持Python的IDE [可选，如果你能忍受用文本编辑器写程序也可以] - 扫雷软件 · Minesweeper Arbiter 下载地址（必须使用MS-Arbiter来进行扫雷！） 好啦，那么我们的准备工作已经全部完成了！让我们开始吧~ ▍ 实现思路 在去做一件事情之前最重要的是什么

Graphviz是一个可以对图进行自动布局的绘图工具，由贝尔实验室开源。我们在上次 Python 快速绘制画出漂亮的系统架构图 提到的diagrams，其内部的编排逻辑就用到了这个开源工具包。 而今天我们要介绍的项目，就是基于Python和Graphviz开发的，能将源代码转化为流程图的工具：pycallgraph。 1.准备 开始之前，你要确保Python和pip已经成功安装在电脑上噢，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。 当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。 在终端输入以下命令安装我们所需要的依赖模块: pip install pycallgraph 看到 Successfully installed xxx 则说明安装成功。 macOS用户请使用brew安装： brew install graphviz

这个Linux系统下本来装了python2，而且是好几个。还装了anaconda，自带python3。我的目的是想让python环境变量默认使用python3。 查看当前python版本： [liusiyi@localhost ~]$ python --version Python 2.7.5 用which 看一下当前使用的python的路径： [liusiyi@localhost ~]$ which python /usr/bin/python 用whereis 确认所有python路径（但这个不全，因为没有anaconda）： [liusiyi@localhost ~]$ whereis python python: /usr/bin/python /usr/bin/python2.7 /usr/bin/python2.7-config /usr/lib/python2.7 /usr/lib64/python2.7 /etc/python /usr/include/python2.7 /usr/share/man/man1/python.1.gz 改用echo $PATH再次确认（这里也没包含anaconda）： [liusiyi@localhost ~]$ echo $PATH /appcom/kylin/bin:/appcom/hadoop/bin:/appcom

luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ git clone https://github.com/endernewton/tf-faster-rcnn.git Cloning into 'tf-faster-rcnn'... remote: Enumerating objects: 1675, done. remote: Total 1675 (delta 0), reused 0 (delta 0), pack-reused 1675 Receiving objects: 100% (1675/1675), 2.45 MiB | 429.00 KiB/s, done. Resolving deltas: 100% (1090/1090), done. luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ ls 20190227-5 Anaconda3 arraypad.py COCO labelImg Labelme opencv TensorflowProject tf-faster-rcnn luo@luo-All-Series:~/MyFile$ luo@luo-All