pip

Airtest 是一款 基于图像识别原理 的跨平台UI自动化测试框架，它能够根据大量的 特征点 来识别一个截图在当前画面中的位置，但是它并不能识别出截图中具体包含了什么文字。 而在自动化测试的过程中，我们会经常遇到需要进行文字识别的场景，比如 识别验证码 、 识别截图中的文字 、 读取截图中的数值 等等，遇到这些情况时我们可以如何处理呢？ 今天教大家用一款免费的开源图像OCR文字识别软件 -- Tesseract-OCR 来处理上述情况。 1.安装Tesseract-OCR.exe 自动化软件测试交流群：642830685，领取最新软件测试资料大厂面试和Python自动化学习资料！一起学习交流 在网上搜索“Tesseract”，我们可以找到很多Tesseract-OCR的下载链接和安装教程，大家可以选择其中一个版本下载到本地即可。 下载完成后双击进入安装，需要特别注意的是，在选择安装的组件时，我们需要把 Additional language data(download) 这一选项勾上，目的是 安装各个版本的语言包 ，后续我们就不用手动下载语言包来安装了。 还有一点要注意的是，记住我们选择的软件安装路径，因为我们需要把这个路径添加到 系统环境变量 的 path 中： 另外一个要新增的环境变量是 TESSDATA_PREFIX ，如下图所示，未设置在识别过程中会报 Please

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。 1、关于虚拟环境的创建可以参考之前发布的两篇博文，在 Windows下如何创建指定的虚拟环境 和 在Windows下如何创建虚拟环境（默认情况下） 。下面在指定的文件夹下，直接先创建环境，在命令行输入环境创建命令“virtualenv --python=C:Python34python.exe scrapy_demo”，指定Python的版本和路径，以及虚拟环境的名字scrapy_demo，其中虚拟环境可以自己进行修改，这里命名为scrapy_demo。 2、尔后进入到scrapy_demo文件夹下，找到Scripts文件夹，输入activate.bat以激活虚拟环境，步骤如下图所示。之后可以看到scrapy_demo被括号括起来了，说明进入了环境，在命令行中输入python，可以看到直接弹出Python3的环境。 3、新建完虚拟环境之后，接下来就开始安装Scrapy，输入安装命令“pip install Scrapy”或者“pip install -i https:// pypi.douban.com/simple/

​作为深度学习小白一枚，从一开始摸索如何使用深度学习框架，怎么让脚本跑起来，到现在开始逐步读懂论文，看懂模型的网络结构，按照 飞桨 官方文档进行各种模型训练和部署，整个过程遇到了无数问题。非常感谢 飞桨 开源社区的大力支持，并热情答复我遇到的各种问题，使得我可以快速上手。特整理本篇学习笔记，以此回馈网友们的无私付出。大家都共享一点点，一起为深度学习的推进添砖加瓦（哈哈，非常正能量，有木有！） 这篇文章详细记录了如何使用百度深度学习平台—— 飞桨 进行SSD目标检测模型的训练、以及如何将模型部署到服务器和移动端。文末给出了笔者认为非常有用的资料链接。 下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu 本文的代码基于百度AI Studio官方示例代码，并能够在 飞桨 1.7.1上跑通，Python版本是3.7。 SSD模型介绍 如果你对经典的CNN模型比较熟悉的话，那么SSD也并不难理解。SSD大体上来说是 将图片分为6种不同大小的网格，找到目标中心的落点，确定物体的位置

1 设置docker安装源 1.1 翻墙安装 2020.0702 更新 参考 https://www.cnblogs.com/wxxf/p/12976421.html 1 允许apt以https方式安装 sudo apt-get install \ apt -transport- https \ ca - certificates \ curl \ gnupg - agent \ software -properties-common 2 添加密钥 翻墙,在浏览器中下载https://download.docker.com/linux/ubuntu/gpg 是1个文本文件, 随便保存为docker_gpg 然后 sudo apt-key add ./docker_gpg 3设置安装源 mint20 sudo add-apt- repository \ " deb [arch=amd64] https://download.docker.com/linux/ubuntu focal stable " 4 安装 sudo apt- get update sudo apt-get -y install docker-ce docker-ce-cli containerd.io 2019.12.19更新 curl -sSL https://get.docker.com/ | sh 如果报

使用 virtualenv/venv 和 pip 管理虚拟环境： 进入项目的根目录，创建虚拟环境： virtualenv --python=python3 venv 或 python3 -m venv ./venv （venv不用安装，不过需要python3.3以上） 进入虚拟环境： source venv/bin/activate 安装依赖： pip install -r requirements.txt 安装新包后，执行这个命令将包名和包版本信息写入 requirements.txt： pip freeze > requirements.txt 来源： oschina 链接： https://my.oschina.net/u/4344048/blog/4291988

算法工程师往往在使用算法的过程中要不断地调整参数去找到最好的效果，俗称“调参民工”。在不断的调参过程中，会产生各种各样的模型，如何记录好这些参数与模型效果对应的关系，往往另算法工程师很头疼。所以大家都在呼唤一款实用的模型管理工具，因为有了版本管理机制才能更好的做效果比对，甚至多人协同开发。 今天就介绍一款开源的模型管理工具-DVC： https://dvc.org/doc/tutorials/get-started/experiments 1 模型版本控制的误区 在设计模型版本管理功能的时候有一个误区，就是只管理模型文件。模型版本管理这件事，要从整个机器学习pipline的角度去思考，要考虑到每次训练的数据可能不同、算法参数可能不同、评价指标metrics可能不同。 所以模型管理更是一个机器学习全链路工程的管理，这一点DVC和MLflow的设计理念都是比较好的。 2 DVC的设计理念 DVC是一个创业团队维护的开源模型管理SDK，跟客户的交互基本上是通过命令行的形式，只要“pip install dvc”就可以快速安装。 DVC可以看做是对git的一种二次封装，如下图所示，dvc checkout底层调用的就是git checkout DVC把数据+算法脚本+Metrics当成一次代码checkout，这样就可以天然的利用git的能力进行版本管理。 3 DVC具体使用 （1

一年半以前写了关于 Python 包管理及虚拟环境系列 Python 包管理及虚拟环境的应用(一: pip) Python 包管理及虚拟环境的应用(二: virtualenv) Python 包管理及虚拟环境的应用(三: pipenv) 其中历数了 virtualenv , python3 -m venv , pipenv , 并提到了 pyenv 和 conda，但未作介绍，其中 conda 似乎不该错过，Pycharm 中对它也有很好支持。因此本文来了解一下 conda 以及 Anaconda。 首先 Anaconda 是什么，它是一个用于科学计算的，跨平台的包管理与 Python 环境的工具，它方便的解决了多版本 Python 并存，切换及第三方包安装的问题。所以 Anaconda 不只是像 venv , pipenv 那样的创建管理 Python 虚拟环境，还承担了系统软件的安装管理，像 Mac 下的 brew 那样的功能。一般来说我们没有必须安装 Anaconda, 只需要安装 Miniconda 获得 conda 这个命令行工具即可。 阅读全文 >> 来源： oschina 链接： https://my.oschina.net/u/2791/blog/4460496

步骤 既然是快速开发，那废话不多说，直接说步骤： 安装Djagno 安装Django Rest Framework 定义models 定义Rest framework的serializers 定义Rest framework的viewsets 配置Rest framework的router 配置管理后台admin 根据需要写template和对应的view 经过这些步骤就能得到一个具备完整的后端接口和后台管理界面的网站了，如果写了template的话还能把前端的工作也做了。 接下来按照上面提到的顺序记录一下我的开发实践。 定义models 好像没啥好说的，Django3多了几个新的特性，可以用class来定义choices，这个比以前的元组定义方便一些，其他的好像没什么了，对了，定义ManyToMany最好设置一个related_name，方便以后在代码里做反向查询。 定义serializers 这个很简单，只要告诉框架你需要序列化model的哪个字段就好了。 官方文档： https://www.django-rest-framework.org/tutorial/1-serialization/ 代码例子如下： from .models import * from rest_framework import serializers class StudentSerializer

前不久微信上线了拍一拍功能，刚推出就被有才的网友玩坏了。 还有更多没有节操的拍法这里就不展示了。 但拍一拍属于弱提示，只有在聊天界面才能感受到。如果不在微信界面，被人拍了没办法及时回应，这里给大家介绍一下如何使用 PyWeChatSpy 来用表情包回应拍一拍。 1.首先我们准备一些表情图，这里我选了沙雕熊猫头 2.安装 2.8.0.133版本的PC微信客户端 3.安装 Python3.8.3_x64 32位系统的同学可以去官网自行下载32位安装包 新手安装的时候一定要记得勾选Add Python 3.x to PATH 可以省去很多配置麻烦 （这里只是用3.7的安装做了示例） 4.打开cmd 输入pip install PyWeChatSpy 回车执行 出现红框里的Sucessfully installed PyWeChatSpy-1.0.4.x即为安装成功了 5.这时候需要我们编码了，先新建一个app.py文件 1.先引入PyWeChatSpy模块、正则re模块和随机random模块 re用于匹配消息内容，random用于随机选取回复图片 from PyWeChatSpy import WeChatSpy import random import re 2.接着定义一个回复处理函数my_parser def my_parser(data): pass 3

ImportError: cannot import name '_validate_lengths' pip install -U scikit-image -i https://pypi.tuna.tsinghua.edu.cn/simple numpy库的版本变了，所以导致错误。因此，只需升级一下scikit-image库 来源： oschina 链接： https://my.oschina.net/u/4415254/blog/4424173