发表于 | 分类于 | 阅读次数:
字数统计: 172 | 阅读时长 ≈ 1

面试前的准备工作

很多都会一条一条问原理。一提到底层就尴尬！！！

重点需要刷数据结构和算法题目。

进程管理

同步异步阻塞非阻塞等

爬虫类采集数据工作

xpath

基础语法：

双斜杠 // 定位根节点

单斜杠 / 寻找当前标签路径的下一层路径标签或者对当前路径标签内容进行操作

/text() 获取当前的文本内容

/@xxx 属性值

| 可选符 可获取若干个

点 用来选取当前节点

点点 选取当前节点的父节点

web 开发工作

运维运营工具类

数据分析类

发表于 | 阅读次数:
字数统计: 349 | 阅读时长 ≈ 1

keras 训练卷积神经网络：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
import numpy as np
from keras.datasets import mnist

# 引入卷积模块
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D

# 读入数据
(X_train, y_train), (X_test, y_test) = mnist.load_data()

print(X_train[0].shape)
print(y_train[0])

# 图像是 28 * 28 的格式 标签是0-9的数字
# 手写黑白字体变成四维张量形式 样本数量 长 宽 1
X_train = X_train.reshape(X_train.shape[0], 28, 28, 1).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1).astype('float32')

X_train /= 255
X_test /= 255

def tran_y(y):
	y_ohe = np.zeros(10)
	y_ohe[y] = 1
	return y_ohe

y_train_ohe = np.array([tran_y(y_train[i]) for i in range(len(y_train))])
y_test_ohe = np.array([tran_y(y_test[i]) for i in range(len(y_test))])

model = Sequential()

# 第一层卷积 64个过滤器 每个覆盖范围3*3*1 图像四周补0， relu进行非线性变化
model.add(Conv2D(filters=64, kernel_size=(3, 3), strides=(1, 1),
		  padding='same', input_shape=(28, 28, 1), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 设立 dropout 层
model.add(Dropout(0.5))

model.add(Conv2D(128, kernel_size=(3, 3), strides=(1, 1), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))
model.add(Conv2D(256, kernel_size=(3, 3), strides=(1, 1), padding='same', activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.5))

# 当前层节点展平
model.add(Flatten())

# 构造全连接神经网络层
model.add(Dense(128, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(10, activation='softmax'))

# 损失函数选择交叉熵
model.compile(loss='categorical_crossentropy',
			  optimizer='adagrad',
			  metrics=['accuracy'])

model.fit(X_train, y_train_ohe,
		  validation_data=(X_test, y_test_ohe),
		  epochs=20, batch_size=128)

scores = model.evaluate(X_test, y_test_ohe, verbose=0)

发表于 | 阅读次数:
字数统计: 0 | 阅读时长 ≈ 1

发表于 | 阅读次数:
字数统计: 69 | 阅读时长 ≈ 1

how to install

python3 -m pip install sanic

getting_started

安装完成之后 写下一个 run.py 文件 直接使用py3 运行即可 代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# run.py
from sanic import Sanic
from sanic.response import text


app = Sanic(__name__)


@app.route("/")
async def test(request):
    return text("Hello tiny world!")


app.run(host="0.0.0.0",
        port=10080,
        debug=True)

发表于 | 分类于 | 阅读次数:
字数统计: 85 | 阅读时长 ≈ 1

2018 年值得关注的 python 库

[] sanic web 开发领域 类似flask 但是更快

[] pipenv 包管理 k神新作

[] requestium 爬虫 结合了chrome的headless 无头特性

[] caffe2 深度学习框架

[] flashtext 文本处理

[] upterm 最强终端

[] pypython 交互式解释器

[] anaconda 包管理必备

[] sublime 3 编辑器

[] codesandbox 前端在线编辑器