① python IDE之Pycharm中的快捷鍵總結
pycharm常用的快捷鍵合集!
搜索
Ctrl+Shift+F7：用法高亮顯示
Ctrl+Alt+F7：顯示用法
編輯
Ctrl+Shift+V：從最近的緩沖區粘貼
Ctrl+D：復制選定的區域或行到後面或下一行
Ctrl+Y：刪除當前行
Ctrl+Shift+J：添加智能線
Ctrl+Enter：智能線切割
Shift+Enter：下一行另起一行
Ctrl+O：重新方法
Ctrl+Alt+T：選中
Ctrl+Numpad+/-：展開折疊代碼塊
Ctrl+Numpad+：全部展開
Ctrl+Numpad-：全部折疊
Ctrl+F4：關閉運行的選項卡
Ctrl+Space：基本的代碼完成
Ctrl+Alt+Space：快速導入任意類
Ctrl+Shift+Enter：語句完成
Ctrl+P：參數信息
Ctrl+Q：快速查看文檔
Ctrl+/：行注釋
Ctrl+Shift+/：塊注釋
Ctrl+W：選中增加的代碼塊
Tab/Shift+Tab：縮進、不縮進當前行
Ctrl+X/Shift+Delete：剪切當前行或選定的代碼塊到剪貼板
Ctrl+C/Ctrl+Insert：復制當前行或選定的代碼塊到剪貼板
Ctrl+V/Shift+Insert：從剪貼板粘貼
Ctrl+Alt+I：自動縮進
Ctrl+Shift+U：在選定的區域或代碼塊間切換
Ctrl+Delete：刪除到字元結束
Ctrl+Backspace：刪除到字元開始
Shift+F1：外部文檔
Ctrl+滑鼠：簡介
Ctrl+Shift+W：回到之前狀態
Ctrl+Shift+]/[：選定代碼塊結束、開始
Alt+Enter：快速修正
Ctrl+Alt+L：代碼格式化
Ctrl+Alt+O：自動導入
Ctrl+F1：顯示錯誤描述或警告信息
Alt+Insert：自動生成代碼
運行調試
Alt+Shift+F10：運行模式配置
Shift+F10：運行
Shift+F9：調試
Alt+Shift+F9：調試模式配置
Ctrl+Shift+F10：運行編輯器配置
Ctrl+Alt+R：運行manage.py任務
② 如何在python中使用時間限制進行緩存
可以試試裝飾器
defcache(fn=None,time_to_live=3600*24):#oneDAYdefault(orwhatever)
ifnotfn:returnfunctools.partial(cache,time_to_live=time_to_live)
my_cache={}
def_inner_fn(*args,**kwargs)
kws=sorted(kwargs.items())#inpython3.6+youdontneedsorted
key=tuple(args)+tuple(kw)
ifkeynotinmy_cacheortime.time()>my_cache[key]['expires']:
my_cache[key]={"value":fn(*args,**kwargs),"expires":time.time()+time_to_live}
returnmy_cache[key]
return__inner_fn
@cache(time_to_live=3600)#anhour
defmy_sqrt(x):
returnx**0.5@cache(time_to_live=60*30)#30mins
defget_new_emails():
returnmy_stmp.get_email_count()
③ python web 怎麼部署
學過php的都了解，php的正式環境部署非常簡單，改幾個文件就OK，用FastCgi方式也是分分鍾的事情。相比起來，Python在web應用上的部署就繁雜的多，主要是工具繁多，主流伺服器支持不足，在了解Python的生產環境部署方式之前，先明確一些概念！很重要！
CGI：
CGI即通用網關介面(Common Gateway Interface)，是外部應用程序（CGI程序）與Web伺服器之間的介面標准，是在CGI程序和Web伺服器之間傳遞信息的規程。CGI規范允許Web伺服器執行外部程序，並將它們的輸出發送給Web瀏覽器，CGI將Web的一組簡單的靜態超媒體文檔變成一個完整的新的互動式媒體。通俗的講CGI就像是一座橋，把網頁和WEB伺服器中的執行程序連接起來，它把HTML接收的指令傳遞給伺服器的執行程序，再把伺服器執行程序的結果返還給HTML頁。CGI的跨平台性能極佳，幾乎可以在任何操作系統上實現。
CGI方式在遇到連接請求（用戶請求）先要創建cgi的子進程，激活一個CGI進程，然後處理請求，處理完後結束這個子進程。這就是fork-and-execute模式。所以用cgi方式的伺服器有多少連接請求就會有多少cgi子進程，子進程反復載入是cgi性能低下的主要原因。當用戶請求數量非常多時，會大量擠占系統的資源如內存，CPU時間等，造成效能低下。
CGI腳本工作流程：
瀏覽器通過HTML表單或超鏈接請求指向一個CGI應用程序的URL。
伺服器執行務器收發到請求。所指定的CGI應用程序。
CGI應用程序執行所需要的操作，通常是基於瀏覽者輸入的內容。
CGI應用程序把結果格式化為網路伺服器和瀏覽器能夠理解的文檔（通常是HTML網頁）。
網路伺服器把結果返回到瀏覽器中。
python有cgi模塊可支持原生cgi程序
FastCGI：
FastCGI是一個可伸縮地、高速地在HTTP server和動態腳本語言間通信的介面。多數流行的HTTP server都支持FastCGI，包括Apache、Nginx和lighttpd等，同時，FastCGI也被許多腳本語言所支持，其中就有Python。FastCGI是從CGI發展改進而來的。傳統CGI介面方式的主要缺點是性能很差，因為每次HTTP伺服器遇到動態程序時都需要重新啟動腳本解析器來執行解析，然後結果被返回給HTTP伺服器。這在處理高並發訪問時，幾乎是不可用的。FastCGI像是一個常駐(long-live)型的CGI，它可以一直執行著，只要激活後，不會每次都要花費時間去fork一次(這是CGI最為人詬病的fork-and-execute 模式)。CGI 就是所謂的短生存期應用程序，FastCGI 就是所謂的長生存期應用程序。由於 FastCGI 程序並不需要不斷的產生新進程，可以大大降低伺服器的壓力並且產生較高的應用效率。它的速度效率最少要比CGI 技術提高 5 倍以上。它還支持分布式的運算, 即 FastCGI 程序可以在網站伺服器以外的主機上執行並且接受來自其它網站伺服器來的請求。
FastCGI是語言無關的、可伸縮架構的CGI開放擴展，其主要行為是將CGI解釋器進程保持在內存中並因此獲得較高的性能。眾所周知，CGI解釋器的反復載入是CGI性能低下的主要原因，如果CGI解釋器保持在內存中並接受FastCGI進程管理器調度，則可以提供良好的性能、伸縮性、Fail-Over特性等等。FastCGI介面方式採用C/S結構，可以將HTTP伺服器和腳本解析伺服器分開，同時在腳本解析伺服器上啟動一個或者多個腳本解析守護進程。當HTTP伺服器每次遇到動態程序時，可以將其直接交付給FastCGI進程來執行，然後將得到的結果返回給瀏覽器。這種方式可以讓HTTP伺服器專一地處理靜態請求或者將動態腳本伺服器的結果返回給客戶端，這在很大程度上提高了整個應用系統的性能。
FastCGI的工作流程:
Web Server啟動時載入FastCGI進程管理器（PHP-CGI或者PHP-FPM或者spawn-cgi)
FastCGI進程管理器自身初始化，啟動多個CGI解釋器進程(可見多個php-cgi)並等待來自Web Server的連接。
當客戶端請求到達Web Server時，FastCGI進程管理器選擇並連接到一個CGI解釋器。Web server將CGI環境變數和標准輸入發送到FastCGI子進程php-cgi。
FastCGI子進程完成處理後將標准輸出和錯誤信息從同一連接返回Web Server。當FastCGI子進程關閉連接時，請求便告處理完成。FastCGI子進程接著等待並處理來自FastCGI進程管理器(運行在Web Server中)的下一個連接。 在CGI模式中，php-cgi在此便退出。
FastCGI 的特點：
打破傳統頁面處理技術。傳統的頁面處理技術，程序必須與 Web 伺服器或 Application 伺服器處於同一台伺服器中。這種歷史已經早N年被FastCGI技術所打破，FastCGI技術的應用程序可以被安裝在伺服器群中的任何一台伺服器，而通過 TCP/IP 協議與 Web 伺服器通訊，這樣做既適合開發大型分布式 Web 群，也適合高效資料庫控制。
明確的請求模式。CGI 技術沒有一個明確的角色，在 FastCGI 程序中，程序被賦予明確的角色（響應器角色、認證器角色、過濾器角色）。
WSGI：
PythonWeb伺服器網關介面（Python Web Server Gateway Interface，縮寫為WSGI）是為Python語言定義的Web伺服器和Web應用程序或框架之間的一種簡單而通用的介面。自從WSGI被開發出來以後，許多其它語言中也出現了類似介面。WSGI是作為Web伺服器與Web應用程序或應用框架之間的一種低級別的介面，以提升可移植Web應用開發的共同點。WSGI是基於現存的CGI標准而設計的。
WSGI區分為兩個部份：一為「伺服器」或「網關」，另一為「應用程序」或「應用框架」。在處理一個WSGI請求時，伺服器會為應用程序提供環境上下文及一個回調函數（Callback Function）。當應用程序完成處理請求後，透過先前的回調函數，將結果回傳給伺服器。所謂的 WSGI 中間件同時實現了API的兩方，因此可以在WSGI服務和WSGI應用之間起調解作用：從WSGI伺服器的角度來說，中間件扮演應用程序，而從應用程序的角度來說，中間件扮演伺服器。「中間件」組件可以執行以下功能：
重寫環境變數後，根據目標URL，將請求消息路由到不同的應用對象。
允許在一個進程中同時運行多個應用程序或應用框架。
負載均衡和遠程處理，通過在網路上轉發請求和響應消息。
進行內容後處理，例如應用XSLT樣式表。
以前，如何選擇合適的Web應用程序框架成為困擾Python初學者的一個問題，這是因為，一般而言，Web應用框架的選擇將限制可用的Web伺服器的選擇，反之亦然。那時的Python應用程序通常是為CGI，FastCGI，mod_python中的一個而設計，甚至是為特定Web伺服器的自定義的API介面而設計的。WSGI沒有官方的實現, 因為WSGI更像一個協議。只要遵照這些協議,WSGI應用(Application)都可以在任何伺服器(Server)上運行, 反之亦然。WSGI就是Python的CGI包裝，相對於Fastcgi是PHP的CGI包裝。
WSGI將 web 組件分為三類： web伺服器，web中間件,web應用程序， wsgi基本處理模式為 ： WSGI Server -> (WSGI Middleware)* -> WSGI Application 。
uwsgi：
uwsgi協議是一個uWSGI伺服器自有的協議，它用於定義傳輸信息的類型（type of information），每一個uwsgi packet前4byte為傳輸信息類型描述，它與WSGI相比是兩樣東西。據稱其效率是fcgi的10倍。具體的協議內容請參考：the uwsgi protocol
以上四者都可以理解為協議！協議！協議！實現了這樣的協議，就可以實現Web伺服器與Web應用程序相關聯的web服務！
uWSGI：
uWSGI項目旨在為部署分布式集群的網路應用開發一套完整的解決方案。uWSGI主要面向web及其標准服務，已經成功的應用於多種不同的語言。由於uWSGI的可擴展架構，它能夠被無限制的擴展用來支持更多的平台和語言。目前，你可以使用C，C++和Objective-C來編寫插件。項目名稱中的「WSGI」是為了向同名的Python Web標准表示感謝，因為WSGI為該項目開發了第一個插件。uWSGI是一個Web伺服器，它實現了WSGI協議、uwsgi、http等協議。uWSGI，既不用wsgi協議也不用FastCGI協議，而是自創了上文說將的uwsgi協議。
uWSGI的主要特點如下：
超快的性能。
低內存佔用（實測為apache2的mod_wsgi的一半左右）。
多app管理。
詳盡的日誌功能（可以用來分析app性能和瓶頸）。
高度可定製（內存大小限制，服務一定次數後重啟等）。
Gunicorn：
和uWSGi類似的工具，從rails的部署工具(Unicorn)移植過來的。但是它使用的協議是前文所講的WSGI，這是python2.5時定義的官方標准(PEP 333)，根紅苗正，而且部署比較簡單，詳細的使用教程請點擊這里。Gunicorn採用prefork模式，Gunicorn 伺服器與各種 Web 框架兼容，只需非常簡單的執行，輕量級的資源消耗，以及相當迅速。它的特點是與 Django 結合緊密，部署特別方便。 缺點也很多，不支持 HTTP 1.1，並發訪問性能不高，與 uWSGI，Gevent 等有一定的性能差距。
1. Gunicorn設計
Gunicorn 是一個 master進程，spawn 出數個工作進程的 web 伺服器。master 進程式控制制工作進程的產生與消亡，工作進程只需要接受請求並且處理。這樣分離的方式使得 reload 代碼非常方便，也很容易增加或減少工作進程。 工作進程這塊作者給了很大的擴展餘地，它可以支持不同的IO方式，如 Gevent,Sync 同步進程，Asyc 非同步進程，Eventlet 等等。master 跟 worker 進程完全分離，使得 Gunicorn 實質上就是一個控制進程的服務。
2. Gunicorn源碼結構
從 Application.run() 開始，首先初始化配置，從文件讀取，終端讀取等等方式完成 configurate。然後啟動 Arbiter，Arbiter 是實質上的 master 進程的核心，它首先從配置類中讀取並設置，然後初始化信號處理函數，建立 socket。然後就是開始 spawn 工作進程，根據配置的工作進程數進行 spawn。然後就進入了輪詢狀態，收到信號，處理信號然後繼續。這里喚醒進程的方式是建立一個 PIPE，通過信號處理函數往 pipe 里 write，然後 master 從 select.select() 中喚醒。
工作進程在 spawn 後，開始初始化，然後同樣對信號進行處理，並且開始輪詢，處理 HTTP 請求，調用 WSGI 的應用端，得到 resopnse 返回。然後繼續。
Sync 同步進程的好處在於每個 request 都是分離的，每個 request 失敗都不會影響其他 request，但這樣導致了性能上的瓶頸。
Tornado：
Tornado即使一款python 的開發框架，也是一個非同步非阻塞的http伺服器，它本身的數據產出實現沒有遵從上文所說的一些通用協議，因為自身就是web伺服器，所以動態請求就直接通過內部的機制，輸出成用戶所請求的動態內容。如果把它作為一個單獨伺服器，想用它來配合其他的框架如Flask來部署，則需要採用WSGI協議，Tornado內置了該協議，tornado.wsgi.WSGIContainer。
wsgiref：
Python自帶的實現了WSGI協議的的wsgi server。wsgi server可以理解為一個符合wsgi規范的web server，接收request請求，封裝一系列環境變數，按照wsgi規范調用注冊的wsgi app，最後將response返回給客戶端。Django的自帶伺服器就是它了。
以上都可以理解為實現！實現！實現！實現了協議的工具！
註：mod_wsgi（apache的模塊）其實也是實現了wsgi協議的一個模塊，現在幾乎不廢棄了，所以也不多說了，感興趣的自己查一下吧。
所以如果你採用Django框架開發了應用之後，想部署到生產環境，肯定不能用Django自帶的，可以用使用uwsgi協議的uWSGI伺服器，也可以採用實現了WSGI協議的gunicorn或者Tornado，亦可以用FastCGI、CGI模式的Nginx、lighttpd、apache伺服器。其他框架亦如此！明白了這些概念在部署的時候就可以做到心中有數，各種工具之間的搭配也就「知其然，並知其所以然」了。
在我們組的項目中有兩種框架Django和Tornado，生產環境也用到了兩種部署方式。uWSGI和Gunicorn：
Django項目用Nginx+uWSGI方式部署，Tornado項目用Nginx+Gunicorn方式部署：
Nginx都作為負載均衡以及靜態內容轉發。Tornado項目用supervisord來管理Gunicorn，用Gunicorn管理Tornado。眾所周知，由於Python的GIL存在，所以Python的並發都採用多進程模式，所以我們部署的方式是一個核心兩個進程。
④ 使用python遍歷文件夾將文件夾中所有的txt文本轉為html連接形式。
importos
defgetalltxtfilename(path):
txtfilenames=[]
fordirpath,dirnames,filenamesinos.walk(path):
filenames=filter(lambdafilename:filename[-4:]=='.txt',filenames)
filenames=map(lambdafilename:os.path.join(dirpath,filename),filenames)
txtfilenames.extend(filenames)
returntxtfilenames
deftxttohtmllink(path):
filenames=getalltxtfilename(path)
htmllink=[]
forfilenameinfilenames:
ifos.path.isfile(filename):
htmllinktext=''
myfile=open(filename)
firstline=myfile.readline()
whilefirstlineandlen(firstline)<2:
firstline=myfile.readline()
ifnotfirstline:
firstline=''*2
else:
firstline=firstline.strip(' ')
htmllinktext+=firstline[0]+'<ahref="'+
filename+'">'+
firstline[1:]+'</a><br>'
htmllink.append(htmllinktext)
myfile.close()
returnhtmllink
path=r"文件夾路徑"#將此處替換為實際文件夾的路徑
htmllinks=txttohtmllink(path)
forhtmllinkinhtmllinks:
printhtmllink
在html標記前加上一個字元,這就不是合法的html文本形式,還是按照要求做了,如果輸入到html文件肯定會出錯
⑤ 如何在playframework中集成livereload
實現這種功能，有三種可行的方式：
在java代碼中調用外部命令（即python庫livereload）
集成一個java實現的livereload庫
集成一個python實現的livereload庫
⑥ 現在比較好用的前端開發工具有哪些啊
1. node.js + npm， 這個是前端工具的一個平台，沒有他們就沒有以下的工具，建立開發環境，下載開發工具，運行開發工具的利器
2. bower, 庫依賴管理器，類似於npm，但針對瀏覽器JavaScript的依賴管理，減少尋找庫，下載庫和升級庫的煩惱
3.grunt，流程自動化管理工具，將你非編程的開發步驟減到最小，grunt watch+liveReload或者grunt connect,可以使得免除你F5無盡地獄，發布和開發各種無壓力。以下大部分開發工具，都有grunt的相對應的插件，也就是說他們都能利用grunt進行自動化運行
5. 本人用less比較多，因為基本無縫兼容歷史遺留系統中的css，（而Sass語法比較特殊，還沒有專門用過，應該開發新系統的css比較好），一套css預編譯語言，可以把less語法轉成css語法，lessc是less語言編譯器，配合grunt less，編寫大型css文檔毫無壓力。
6.Phantomjs，沒有界面的瀏覽器，用js腳本控制其操作網頁。測試，抓圖，網頁流程自動化利器。配合casperjs的語法簡化功能真強庫後，控制Phantomjs就更加容易了
7. grunt PhotoBox, 利用phantomjs抓圖功能和ImageMagick圖片比較功能，在利用live-reload即時刷新功能，可以讓你開發css的時候，快速對n多個頁面進行觀察，看其前後變化。不過缺點也比較明顯，就是速度慢。但比起手動對比來看，還是非常快的。值得css開發時擁有
8. phantomCSS，這個和grunt photobox類似，都用於css開發的，差別是photobox是全局觀察差別，而這個是單元組件觀察差別，它方便你就抓頁面中某一塊元素然後進行前後比較，更加註重細節上的差異，這個比較合適組件開發時候使用。
9. jshint，幫助你快速定位JavaScript的語法錯誤和潛在的跨瀏覽器兼容性問題。在部署你JS前，用jshint檢查一下是沒錯的 。
10.UglifyJS，壓縮JavaScript代碼，使你的JS代碼可以更加快速的載入。有grunt的插件
11. browserify允許你在瀏覽器裡面使用CMD標准模塊，但本人認為它的另外一個優勢是合並代碼，開發時候可以把代碼模塊化，分成很多很多小文件，然後有調理的放到相對應文件夾下，然後最後合成單一文件。本人曾經利用browserify開發greasemonkey代碼，大大簡化了greasemonkey的開發難度和增強了greasemonkey代碼的質量。browserify有grunt插件，這樣又減少的開發步驟。
12. Karma， google開發的一個單元測試運行器，這個自己本身不是一個單元測試框架，而是配合測試單元框架的一個工具。由於前端瀏覽器眾多，就算你有live-reload這樣自動化工具，但是還是要手動打開各種瀏覽器，手動把你的單元測試在各個瀏覽器都運行一遍。這個工具目的是目的就是讓電腦能自動化打開各種瀏覽器，然後把單元測試在各個瀏覽器中自動運行一遍，讓這個步驟也能自動化了。
13.clean-css (grunt cssmin)， 我用的是grunt cssmin，但是grunt cssmin實際上背後使用的是clean-css工具，這個工具就是用來壓縮精簡css的，讓css文件大小更小。
⑦ python處理圖片數據
目錄
1.機器是如何存儲圖像的？
2.在Python中讀取圖像數據
3.從圖像數據中提取特徵的方法#1：灰度像素值特徵
4.從圖像數據中提取特徵的方法#2：通道的平均像素值
5.從圖像數據中提取特徵的方法#3：提取邊緣
是一張數字8的圖像，仔細觀察就會發現，圖像是由小方格組成的。這些小方格被稱為像素。
但是要注意，人們是以視覺的形式觀察圖像的，可以輕松區分邊緣和顏色，從而識別圖片中的內容。然而機器很難做到這一點，它們以數字的形式存儲圖像。請看下圖：
機器以數字矩陣的形式儲存圖像，矩陣大小取決於任意給定圖像的像素數。
假設圖像的尺寸為180 x 200或n x m，這些尺寸基本上是圖像中的像素數（高x寬）。
這些數字或像素值表示像素的強度或亮度，較小的數字（接近0）表示黑色，較大的數字（接近255）表示白色。通過分析下面的圖像，讀者就會弄懂到目前為止所學到的知識。
下圖的尺寸為22 x 16，讀者可以通過計算像素數來驗證：
圖片源於機器學習應用課程
剛才討論的例子是黑白圖像，如果是生活中更為普遍的彩色呢？你是否認為彩色圖像也以2D矩陣的形式存儲？
彩色圖像通常由多種顏色組成，幾乎所有顏色都可以從三原色（紅色，綠色和藍色）生成。
因此，如果是彩色圖像，則要用到三個矩陣（或通道）——紅、綠、藍。每個矩陣值介於0到255之間，表示該像素的顏色強度。觀察下圖來理解這個概念：
圖片源於機器學習應用課程
左邊有一幅彩色圖像（人類可以看到），而在右邊，紅綠藍三個顏色通道對應三個矩陣，疊加三個通道以形成彩色圖像。
請注意，由於原始矩陣非常大且可視化難度較高，因此這些不是給定圖像的原始像素值。此外，還可以用各種其他的格式來存儲圖像，RGB是最受歡迎的，所以筆者放到這里。讀者可以在此處閱讀更多關於其他流行格式的信息。
用Python讀取圖像數據
下面開始將理論知識付諸實踐。啟動Python並載入圖像以觀察矩陣：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.io import imread, imshow
image = imread('image_8_original.png', as_gray=True)
imshow(image)
#checking image shape
image.shape, image
（28，28）
矩陣有784個值，而且這只是整個矩陣的一小部分。用一個LIVE編碼窗口，不用離開本文就可以運行上述所有代碼並查看結果。
下面來深入探討本文背後的核心思想，並探索使用像素值作為特徵的各種方法。
方法#1：灰度像素值特徵
從圖像創建特徵最簡單的方法就是將原始的像素用作單獨的特徵。
考慮相同的示例，就是上面那張圖（數字『8』），圖像尺寸為28×28。
能猜出這張圖片的特徵數量嗎？答案是與像素數相同！也就是有784個。
那麼問題來了，如何安排這784個像素作為特徵呢？這樣，可以簡單地依次追加每個像素值從而生成特徵向量。如下圖所示：
下面來用Python繪制圖像，並為該圖像創建這些特徵：
image = imread('puppy.jpeg', as_gray=True)
image.shape, imshow(image)
（650，450）
該圖像尺寸為650×450，因此特徵數量應為297,000。可以使用NumPy中的reshape函數生成，在其中指定圖像尺寸：
#pixel features
features = np.reshape(image, (660*450))
features.shape, features
(297000,)
array([0.96470588, 0.96470588, 0.96470588, ..., 0.96862745, 0.96470588,
0.96470588])
這里就得到了特徵——長度為297,000的一維數組。很簡單吧？在實時編碼窗口中嘗試使用此方法提取特徵。
但結果只有一個通道或灰度圖像，對於彩色圖像是否也可以這樣呢？來看看吧！
方法#2：通道的平均像素值
在讀取上一節中的圖像時，設置了參數『as_gray = True』，因此在圖像中只有一個通道，可以輕松附加像素值。下面刪除參數並再次載入圖像：
image = imread('puppy.jpeg')
image.shape
(660, 450, 3)
這次，圖像尺寸為（660，450，3），其中3為通道數量。可以像之前一樣繼續創建特徵，此時特徵數量將是660*450*3 = 891,000。
或者，可以使用另一種方法：
生成一個新矩陣，這個矩陣具有來自三個通道的像素平均值，而不是分別使用三個通道中的像素值。
下圖可以讓讀者更清楚地了解這一思路：
這樣一來，特徵數量保持不變，並且還能考慮來自圖像全部三個通道的像素值。
image = imread('puppy.jpeg')
feature_matrix = np.zeros((660,450))
feature_matrix.shape
(660, 450)
現有一個尺寸為（660×450×3）的三維矩陣，其中660為高度，450為寬度，3是通道數。為獲取平均像素值，要使用for循環：
for i in range(0,iimage.shape[0]):
for j in range(0,image.shape[1]):
feature_matrix[i][j] = ((int(image[i,j,0]) + int(image[i,j,1]) + int(image[i,j,2]))/3)
新矩陣具有相同的高度和寬度，但只有一個通道。現在，可以按照與上一節相同的步驟進行操作。依次附加像素值以獲得一維數組：
features = np.reshape(feature_matrix, (660*450))
features.shape
(297000,)
方法#3：提取邊緣特徵
請思考，在下圖中，如何識別其中存在的對象：
識別出圖中的對象很容易——狗、汽車、還有貓，那麼在區分的時候要考慮哪些特徵呢？形狀是一個重要因素，其次是顏色，或者大小。如果機器也能像這樣識別形狀會怎麼樣？
類似的想法是提取邊緣作為特徵並將其作為模型的輸入。稍微考慮一下，要如何識別圖像中的邊緣呢？邊緣一般都是顏色急劇變化的地方，請看下圖：
筆者在這里突出了兩個邊緣。這兩處邊緣之所以可以被識別是因為在圖中，可以分別看到顏色從白色變為棕色，或者由棕色變為黑色。如你所知，圖像以數字的形式表示，因此就要尋找哪些像素值發生了劇烈變化。
假設圖像矩陣如下：
圖片源於機器學習應用課程
該像素兩側的像素值差異很大，於是可以得出結論，該像素處存在顯著的轉變，因此其為邊緣。現在問題又來了，是否一定要手動執行此步驟？
當然不！有各種可用於突出顯示圖像邊緣的內核，剛才討論的方法也可以使用Prewitt內核（在x方向上）來實現。以下是Prewitt內核：
獲取所選像素周圍的值，並將其與所選內核（Prewitt內核）相乘，然後可以添加結果值以獲得最終值。由於±1已經分別存在於兩列之中，因此添加這些值就相當於獲取差異。
還有其他各種內核，下面是四種最常用的內核：
圖片源於機器學習應用課程
現在回到筆記本，為同一圖像生成邊緣特徵：
#importing the required libraries
import numpy as np
from skimage.io import imread, imshow
from skimage.filters import prewitt_h,prewitt_v
import matplotlib.pyplot as plt
%matplotlib inline
#reading the image
image = imread('puppy.jpeg',as_gray=True)
#calculating horizontal edges using prewitt kernel
edges_prewitt_horizontal = prewitt_h(image)
#calculating vertical edges using prewitt kernel
edges_prewitt_vertical = prewitt_v(image)
imshow(edges_prewitt_vertical, cmap='gray')
⑧ linux伺服器下python的import問題
from handle import Handle
如果日誌還是報錯沒有模塊
那就安裝一個
# pip install handle
Collecting handle
/usr/local/lib/python2.7/site-packages/pip/_vendor/requests/packages/urllib3/util/ssl_.py:90: InsecurePlatformWarning: A true SSLContext object is not available. This prevents urllib3 from configuring SSL appropriately and may cause certain SSL connections to fail. For more information, see https://urllib3.readthedocs.org/en/latest/security.html#insecureplatformwarning.
InsecurePlatformWarning
Downloading handle-0.1.0.tar.gz
Collecting click==6.6 (from handle)
Downloading click-6.6-py2.py3-none-any.whl (71kB)
100% |████████████████████████████████| 73kB 114kB/s
Collecting colorlog==2.7.0 (from handle)
Downloading colorlog-2.7.0-py2.py3-none-any.whl
Collecting jac==0.15.3 (from handle)
Downloading jac-0.15.3.zip
Requirement already satisfied (use --upgrade to upgrade): jinja2==2.8 in /usr/local/lib/python2.7/site-packages (from handle)
Collecting livereload==2.4.1 (from handle)
Downloading livereload-2.4.1-py2-none-any.whl
Collecting pygments==2.1.3 (from handle)
Downloading Pygments-2.1.3-py2.py3-none-any.whl (755kB)