python

比起pycharm我更喜欢做为轻量级编程神器SubLime Text 3 ，果然名副其实！确实好用，要求也不高。

现在即将呈现SubLime Text 3完整使用手册！

安装Python，设置环境变量

首先需要安装Python，访问地址https://python.org，下载Python，无脑点击下一步安装即可。

在CMS输入命令python，如果进入如图则表明Python安装成功：

如果没有进入Python IDE，添加环境变量：

这里以Windows 10为例，点击：我的电脑属性->高级系统设置->环境变量，点击下方新建：

编辑后，点击右上角新建，输入Python得到路径，最后点击确定即可：

再点击Use License 即可成功激活

配置Sublime Text 3 Python编译系统

首先配置Python编译模块，让编辑器能能解析Python代码。

点击Tools->Build System->New Build System

这时编译系统就搞好了，在桌面创建py文件，使用Sublime text 3打开，按Ctrl+b：

这样就可以运行Python代码了，下一步进行优化。

导入、中文啥的都支持，跟Python自带IDE一样，唯一的区别就是这个看着很爽。

在文本编辑框随意输入，按F5：

Python开发环境的搭建

一. 安装python

1. 从python官网下载相应版本的python安装包,打开百度,搜索python官网,或者输入python

官网地址https://python.org/

2. 点击download选择相应的操作平台

3. 下载完成后点击安装包并执行,运行出该界面

4. 这里安装到c盘上,默认安装

此处为自定义安装

选择第一项是系统用户下所有用户可启动，Add Python 3.6 to PATH 是将安装路径添加到PATH环境变量中，方便直接运行于系统各种环境中(如果有多个版本的Python或测试环境可不添加，需要添加可手动添加，查找到安装的地址并复制地址到以下操作，计算机——右键属性——高级系统设置——环境变量——系统变量——选择PATH——双击在变量值中添加——注意在最后添加并有“;”为隔断符)。

我这里选择自定义安装，并全选安装

开始安装过程，请耐心等待(所有的项目都选择，根据网速决定安装的速度)。如果有未选择的选项，可直接点击取消，重新开始安装过程。

安装完成，开启Python之旅。

如何打开命令行窗口

快捷方式：按住wins键 + R键 --> 输入cmd指令 -->enter

开始进入Python的编程界面，输入print("你好，Python!")。

本文所选的Python版本：

2.7.10，

3.4.4，

3.5.4，

3.6.1，和

3.7（我有beta 2）。

此外，这包括PyPy（5.6。）和PyPy3（5.4.10）。

呈现HTML模板

该django_html测试将使用Django模板渲染引擎，以建立一个150×150的HTML表格。它利用了Django引擎的内容和模板类。

Python 3.7的速度比Python 2.7快1.19倍，但是它是唯一一个能够击败我运行的Python 2.7基准的Python 3.x版本。speed.python.org基准测试显示类似的结果。

PyPy可以摧毁任何CPython结果，但PyPy3会比PyPy慢两倍。值得注意的是Django最近决定在Django 2.0及更高版本中放弃对Python 2的支持，这意味着PyPy将不再与Django 2兼容。

启动时间

该测试只是测试解释器启动所花费的时间。如果您通过运行多个进程来解决Python的“GIL”约束，那么这将非常重要。

Cryptography: crypto_paes

在这个测试中，你会看到Python 2和3之间的速度明显下降。为什么？加密需要大量的数字运算，Python 3不再具有32位整数类型，只有一个（非常）长整数。

PyPy用户 - 您会注意到PyPy3 比PyPy 慢5倍！

n-queens：算法测试

在CPython系列中，3.7 又一次出现，但值得注意的是PyPy和PyPy3的结果非常相似。

浮点运算

“浮动”的基准是一种人为的，浮点运算繁重的应用程序，将创建计算10万点的对象math.cos()，math.sin()和math.sqrt() 。

这是PyPy的完美应用，大量的数据处理，可预测的类型和方法以及循环。Python 3.7具有新的快速方法调用操作码，该操作码正在此测试中使用。

常用表达

在正则表达式测试中，“网络上最流行的网页有50个，并记录了所有正则表达式操作。每个操作都有一个权重，它是根据页面出现的热门程度以及加载每个页面时执行的次数来估算的。最后，使用ROT13对数据中的字母进行编码，这样不会影响正则表达式匹配其输入的方式。“

那么Python 3比Python 2更快吗？

是! 在几乎所有的测试中。值得注意的例外是crypto_paes测试，Python 3的速度慢了1.35倍（因为整数类型），python_startup的速度慢了1.39倍。

缓慢的Python 3启动是核心CPython团队正在为3.8,3.9版本开发的问题之一。

除了这两项测试外，Python 3在这些基准测试中的速度大约快1.2-1.3倍。今年晚些时候，你会看到升级到Python 3.7的改进。

为什么PyPy要快得多，为什么不是每个人都使用它呢？

PyPy比CPython快，因为它具有即时编译器。JIT编译器具有很大的好处，因为它们在执行可预测的重复性任务时非常高效。基准的其中一个特点是，您尝试多次运行同一段代码以使其准确无误，推送应用程序并减少错误边界。正如PyPy照耀这些测试。

JIT编译器，尤其是PyPy的缺点是启动成本高。另一个缺点是许多C-Extensions缺乏兼容性。因为“Python”（CPython，官方的PSF Python）是用C语言编写的，PyPi上的许多第三方扩展利用了这一点。Numpy就是一个很好的例子，Numpy的大部分都是用优化的C代码编写的。当你pip install numpy使用本地C编译器并为你的Python运行时建立一个二进制库来使用。

由于PyPy是用Python编写的，很多模块根本无法在PyPy中工作。

此外，PyPy也遭遇了与CPython相同的挑战 - 从语言版本2转移到版本3. PyPy3直到最近我发现它仍然不稳定，在基准测试中，您仍然可以看到与PyPy的奇怪不一致。我还遇到了一些软件包问题（例如PyTest），他们放弃了对PyPy3的支持，但他们解决了问题。

正文

然后进入注册页面

接着通过了人机认证以后，就会对你的手机号码进行认证，这个就不发图片了。

4. 进入console

注册好了以后，就可以进入我们自己的面板了

5. 写代码

根据文档的内容，我们编写了下面的代码：

然后执行程序，你应该会碰到下面的错误

可以从报错信息中明显的看到，提示我们说这个号码没有验证，我们可以到验证的网址上验证一下，也可以购买一个高级别的账号来给未验证的号码发送信息。

可以看到我们的用量以及花费，这个花费是不需要我们真正的付钱的，官方的解释是：

9.打电话

打电话的代码也很简单

谢谢阅读！！！

想学习Python的人都会有一个困惑，那就是Python目前有两个版本Python2和Python3，Python2与Python3有何区别，两个版本该学习哪个呢？

python3 和 python2 是不兼容的，而且差异比较大，python3是不向下兼容的，但是绝大多数组件和扩展都是基于python2的。目前实际应用中大部分暂不考虑 Python3，有的时候注意写兼容 2/3 的代码。用 Python2 为主的写新代码时要考虑以后迁移到 Python3 的可能性。据数据统计显示目前10% 使用 Python 3；20% 既使用Python 2也使用Python 3，Python 2用的更多；70% 使用Python 2。

其实python是linux上最常用的软件之一，但是linux目前的版本大部分还是使用python2的，而且，在linux上依赖python2的程序更多一些，所以 Python3 要代替 python2 成为主流还需要几年的时间。如果为了找工作还是学Python 2，学会了Python 2，由Python 2转到python3也不难。

说了半天，Python2与Python3到底有何区别呢？

1.性能

Py3.0运行 pystone benchmark的速度比Py2.5慢30%。Guido认为Py3.0有极大的优化空间，在字符串和整形操作上可以取得很好的优化结果。

Py3.1性能比Py2.5慢15%，还有很大的提升空间。

2.编码

Py3.X源码文件默认使用utf-8编码

3. 语法

1）去除了<>，全部改用!=

2）去除``，全部改用repr()

3）关键词加入as 和with，还有True,False,None

4）整型除法返回浮点数，要得到整型结果，请使用//

5）加入nonlocal语句。使用noclocal x可以直接指派外围（非全局）变量

6）去除print语句，加入print()函数实现相同的功能。同样的还有 exec语句，已经改为exec()函数

7）改变了顺序操作符的行为，例如x

8）输入函数改变了，删除了raw_input，用input代替：

9）去除元组参数解包。不能def(a, (b, c)):pass这样定义函数了

10）新式的8进制字变量，相应地修改了oct()函数。

11）增加了 2进制字面量和bin()函数

12）扩展的可迭代解包。在Py3.X 里，a, b, *rest = seq和 *rest, a = seq都是合法的，只要求两点：rest是list 对象和seq是可迭代的。

13）新的super()，可以不再给super()传参数，

14）新的metaclass语法：

15）支持class decorator。

4. 字符串和字节串

1）现在字符串只有str一种类型，但它跟2.x版本的unicode几乎一样。

2）关于字节串，请参阅“数据类型”的第2条目

5.数据类型

1）Py3.X去除了long类型，现在只有一种整型——int，但它的行为就像2.X版本的long

2）新增了bytes类型

6.面向对象

1）引入抽象基类（Abstraact Base Classes，ABCs）。

2）容器类和迭代器类被ABCs化，所以cellections模块里的类型比Py2.5多了很多。

3）迭代器的next()方法改名为__next__()，并增加内置函数next()，用以调用迭代器的

4）增加了@abstractmethod和 @abstractproperty两个 decorator，编写抽象方法（属性）更加方便。

7.异常

1）所以异常都从 BaseException继承，并删除了StardardError

2）去除了异常类的序列行为和.message属性

3）用 raise Exception(args)代替 raise Exception, args语法

4）捕获异常的语法改变，引入了as关键字来标识异常实例

5）异常链，因为__context__在3.0a1版本中没有实现

8.模块变动1）移除了cPickle模块，可以使用pickle模块代替。最终我们将会有一个透明高效的模块。

2）移除了imageop模块

3）移除了 audiodev, Bastion, bsddb185, exceptions, linuxaudiodev, md5, imeWriter, mimify, popen2, rexec, sets, sha, stringold, strop, sunaudiodev, timing和xmllib模块

4）移除了bsddb模块(单独发布，可以从Python "bindings" for Oracle Berkeley DB获取)

5）移除了new模块

6）os.tmpnam()和os.tmpfile()函数被移动到tmpfile模块下

7）tokenize模块现在使用bytes工作。主要的入口点不再是generate_tokens，而是 tokenize.tokenize()

9.其它 1）xrange() 改名为range()，要想使用range()获得一个list，必须显式调用

2）bytes对象不能hash，也不支持 b.lower()、b.strip()和b.split()方法

3）zip()、map()和filter()都返回迭代器。

4）string.letters和相关的.lowercase和.uppercase被去除，请改用string.ascii_letters 等

5）如果x< y的不能比较，抛出TypeError异常

6）__getslice__系列成员被废弃。

7）file类被废弃

大数据文摘出品

编译：朱一辉、雪清、小鱼

短短10行代码就可以实现目标检测？！

本文作者和他的团队构建了一个名为ImageAI 的Python库，集成了现今流行的深度学习框架和计算机视觉库。本文将手把手教你构建自己的第一个目标检测应用，而且文摘菌已经帮你踩过坑了，亲测有效！

无人超市、人脸识别、无人驾驶，众多的使用场景及案例，使得【目标检测】正成为计算机视觉最有前景的方向。

听起来似乎是个很难实现的技术，需要大量训练数据和算法才能完成。事实上，本文作者开发了一个基于Python的函数库，可以用十行代码高效实现目标检测。

还不熟悉的读者，我们先来看看，目标检测到底是什么，以及软件开发人员面临的挑战。

目标检测是借助于计算机和软件系统在图像/场景中，定位目标并识别出每个目标的类别的技术。目前已广泛用于人脸检测、车辆检测、行人计数、网络图像、安全系统和无人驾驶汽车等领域。随着计算机技术不断发展和软件开发人员的不懈努力，未来目标检测技术将更广泛的普及开来。

在应用程序和系统中使用先进的目标检测方法，以及基于这些方法构建新的应用程序并不容易。早期目标检测是基于经典算法而实现的，如 OpenCV（广受欢迎的计算机视觉库）所支持的一些算法。然而，这些经典算法的性能会因条件而受到限制。

2012年，深度学习领域取得众多突破，学者们提出了一系列全新、高精度的目标检测算法和方法，比如R-CNN, Fast-RCNN, Faster-RCNN, RetinaNet，以及既快又准的SSD和YOLO等。要使用这些基于深度学习的方法和算法（当然深度学习也是基于机器学习），需要对数学和深度学习框架有很深的理解。数百万的软件开发人员致力于整合目标检测技术进行新产品的开发。但是想要理解这项技术并加以使用，对非深度学习领域的程序员来说并不容易。

一位自学了计算机的开发者Moses Olafenwa在几个月前意识到了这个问题，并与同伴一起开发了一个名叫ImageAI的Python函数库。

ImageAI可以让程序员和软件开发者只用几行代码，就能轻易地把最先进的计算机视觉技术整合到他们现有的以及新的应用程序里面。

用ImageAI实现目标检测，你只需要以下步骤：

1. 安装Python

2. 安装ImageAI和相关函数库

3. 下载目标检测模型文件

4. 运行示例代码（只有10行）

准备工作

文摘菌测试环境为Windows 64位系统，Python版本为3.6。关注大数据文摘微信公众号，在后台回复“检测”可获取代码和模型文件~

1) 从Python官网下载并安装Python 3，并安装pip。

下载地址：

https://python.org

https://pip.pypa.io/en/stable/installing/

2）用pip安装下列依赖

找到Pyhthon安装目录下的Scripts文件夹，如C:\XXX \Python\Python36\Scripts，打开cmd命令窗口，依次输入下列安装命令即可。

1. Tensorflow：

pip install tensorflow

2.Numpy：

pip install numpy

3.SciPy

pip install scipy

4.OpenCV

pip install opencv-python

5.Pillow

pip install pillow

6.Matplotlib

pip install matplotlib

7. H5py

pip install h5py

8. Keras

pip install keras

9. ImageAI

pip install https://github/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl

注：在安装ImageAI时如果出现异常，可先下载.whl文件，并放在Scripts文件夹下，用下列命令进行安装：

pip install imageai-2.0.1-py3-none-any.whl

3) 下载用于目标检测的RetinaNet模型文件：

下载地址：

https://github/OlafenwaMoses/ImageAI/releases/download/1.0/resnet50_coco_best_v2.0.1.h5

准备工作到此结束，你可以写自己的第一个目标检测代码了。新建一个Python文件并命名（如FirstDetection.py），然后将下述代码写入此文件。接着将RetinaNet模型文件、FirstDetection.py和你想检测的图片放在同一路径下，并将图片命名为“image.jpg”。

下面是FirstDetection.py中的10行代码：

from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )

然后，双击FirstDetection.py运行代码，并稍等片刻，识别结果就会在控制台打印出来。一旦结果在控制台输出，在包含FirstDetection.py的文件夹里，你会发现一张新保存的图片，文件名为“imagenew.jpg”。

注：如果运行代码时出现下列异常：

则需要安装Numpy+MKL依赖，下载对应的.whl文件并放在Scripts文件夹下，用pip安装.whl文件即可。

下载地址：

https://lfd.uci.edu/~gohlke/pythonlibs/#numpy

检测结果

来看看下面这2张示例图片以及经过检测后保存的新图片。

检测前：

检测后：

检测结果：

person : 55.8402955532074

person : 53.21805477142334

person : 69.25139427185059

person : 76.41745209693909

bicycle : 80.30363917350769

person : 83.58567953109741

person : 89.06581997871399

truck : 63.10953497886658

person : 69.82483863830566

person : 77.11606621742249

bus : 98.00949096679688

truck : 84.02870297431946

car : 71.98476791381836

检测结果：

person : 71.10445499420166

person : 59.28672552108765

person : 59.61582064628601

person : 75.86382627487183

motorcycle : 60.1050078868866

bus : 99.39600229263306

car : 74.05484318733215

person : 67.31776595115662

person : 63.53200078010559

person : 78.2265305519104

person : 62.880998849868774

person : 72.93365597724915

person : 60.01397967338562

person : 81.05944991111755

motorcycle : 50.591760873794556

motorcycle : 58.719027042388916

person : 71.69321775436401

bicycle : 91.86570048332214

motorcycle : 85.38855314254761

文摘菌测试了另外几张图片，结果如下：

检测前：

检测后：

检测结果：

car : 59.04694199562073

car : 50.62631368637085

car : 71.59191966056824

car : 52.60368585586548

person : 76.51243805885315

car : 56.73831105232239

car : 50.02853870391846

car : 94.18612122535706

car : 70.23521065711975

car : 75.06842017173767

car : 87.21032738685608

car : 89.46954607963562

person : 73.89532923698425

bicycle : 90.31689763069153

bus : 65.3587281703949

竟然可以检测出牛……

检测结果：

person : 55.15214800834656

person : 62.79672980308533

person : 69.01599168777466

person : 67.26776957511902

person : 75.51649808883667

person : 52.9820442199707

person : 67.23594665527344

person : 69.77047920227051

person : 83.80664587020874

person : 61.785924434661865

person : 82.354336977005

person : 93.08169484138489

cow : 84.69656705856323

检测结果：

person : 65.07909297943115

person : 65.68368077278137

person : 68.6377465724945

person : 83.80006551742554

person : 85.69389581680298

person : 55.40691018104553

person : 56.62997364997864

person : 58.07020664215088

person : 70.90385556221008

person : 95.06895542144775

代码解释

下面我们来解释一下这10行代码的含义。

from imageai.Detection import ObjectDetectionimport osexecution_path = os.getcwd()

上面3行代码中，第一行导入ImageAI的目标检测类，第二行导入Python的os类，第三行定义一个变量，用来保存Python文件、RetianNet模型文件和图片所在文件夹的路径。

detector = ObjectDetection()detector.setModelTypeAsRetinaNet()detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))detector.loadModel()detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))

上面5行代码中，第一行定义目标检测类，第二行将模型类型设置为RetinaNet，第三行将模型的路径设为RetinaNet模型文件所在路径，第四行将模型载入目标检测类，然后第五行调用检测函数，并解析输入图片和输出图片的路径。

for eachObject in detections:print(eachObject["name"] + " : " + eachObject["percentage_probability"] )

上面2行代码中，第一行迭代所有detector.detectObjectsFromImage函数返回的结果，然后，第二行打印出模型检测出的图片中每个目标的类型和概率。

ImageAI还支持配置目标检测过程中的其他功能。例如，将检测到的每个目标的图片单独提取出来。通过简单地把extract_detected_objects=True写入detectObjectsFromImage函数，目标检测类就会为图片对象集新建一个文件夹，然后提取出每个图片，将它们存入这个文件夹，并返回一个数组用来保存每个图片的路径，如下所示：

detections, extracted_images = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"), extract_detected_objects=True)

我们用第一个示例图片提取出来的检测结果如图所示：

参数配置

为了满足目标检测的生产需求，ImageAI提供了一些可配置的参数，包括：

Adjusting Minimum Probability（可调整最小概率阈值）

默认阈值为50%，如果检测结果的概率值低于50%，则不显示检测结果。你可以根据具体需求对该阈值进行修改。

Custom Objects Detection（自定义目标检测）

使用提供的CustomObject类，你可以让检测结果只显示特定类型的目标。

Detection Speeds（检测速度）

可以将检测速度设置为“fast”、“ faster”和“fastest”，以减少检测图片所需的时间。

Input Types（输入类型）

你可以解析并修改图像的文件路径，其中，Numpy数组，或是图片文件流都可以作为输入类型。

Output Types（输出类型）

你可以修改detectObjectsFromImage 函数的返回结果，例如返回图片文件或Numpy数组。

详细的说明文档在GitHub上，GitHub链接：

https://github/OlafenwaMoses/ImageAI

关注大数据文摘微信公众号，在后台回复“检测”可获取代码和模型文件~

动手试试吧，欢迎在留言区分享~