從安裝到應(yīng)用全面掌握Python與OpenCV的配置與高級(jí)功能(最新推薦)
從基礎(chǔ)到實(shí)踐，深入學(xué)習(xí)。無論你是初學(xué)者還是經(jīng)驗(yàn)豐富的老手，對(duì)于本專欄案例和項(xiàng)目實(shí)踐都有參考學(xué)習(xí)意義。
每一個(gè)案例都附帶關(guān)鍵代碼，詳細(xì)講解供大家學(xué)習(xí)，希望可以幫到大家。正在不斷更新中~
從安裝到應(yīng)用全面掌握Python與OpenCV的配置與高級(jí)功能
OpenCV（Open Source Computer Vision Library）是一個(gè)開源的計(jì)算機(jī)視覺庫，廣泛應(yīng)用于圖像處理、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)領(lǐng)域。Python作為一種高效的編程語言，與OpenCV的結(jié)合使得開發(fā)者能夠更快速地實(shí)現(xiàn)視覺處理任務(wù)。本文將詳細(xì)介紹如何在Python環(huán)境中配置和安裝OpenCV，并提供一些代碼實(shí)例幫助你快速入門。
1. 安裝OpenCV的步驟
1.1. 環(huán)境準(zhǔn)備
在安裝OpenCV之前，確保你的計(jì)算機(jī)上已經(jīng)安裝了Python。如果還未安裝，請(qǐng)?jiān)L問Python官網(wǎng)下載并安裝最新版本的Python。
1.2. 使用pip安裝OpenCV
OpenCV可以通過Python的包管理工具pip來安裝。打開終端（或命令提示符），執(zhí)行以下命令：
pip install opencv-python
這將安裝OpenCV的主模塊。如果你需要更多的功能，例如額外的模塊或優(yōu)化過的版本，可以安裝opencv-python-headless（不包含GUI功能）：
pip install opencv-python-headless
1.3. 驗(yàn)證安裝
安裝完成后，可以通過Python交互式解釋器（或腳本）驗(yàn)證OpenCV是否成功安裝。運(yùn)行以下代碼：
import cv2 print(cv2.__version__)
如果正確安裝，將輸出OpenCV的版本號(hào)。例如，4.5.3。
2. 基本的OpenCV操作實(shí)例
以下是一些使用OpenCV進(jìn)行基本圖像處理的示例代碼，包括讀取、顯示、保存圖像和基本的圖像處理操作。
2.1. 讀取和顯示圖像
以下代碼示例演示如何讀取圖像文件并顯示它：
import cv2
# 讀取圖像
image = cv2.imread('example.jpg')
# 顯示圖像
cv2.imshow('Image', image)
# 等待用戶按下任意鍵
cv2.waitKey(0)
# 關(guān)閉所有OpenCV窗口
cv2.destroyAllWindows()確保example.jpg文件存在于你的工作目錄中。運(yùn)行這段代碼后，會(huì)彈出一個(gè)窗口顯示圖像，按下任意鍵將關(guān)閉窗口。
2.2. 圖像處理：轉(zhuǎn)換為灰度圖像
將彩色圖像轉(zhuǎn)換為灰度圖像可以通過以下代碼完成：
import cv2
# 讀取圖像
image = cv2.imread('example.jpg')
# 將圖像轉(zhuǎn)換為灰度
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 顯示灰度圖像
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()2.3. 圖像處理：圖像平滑
使用高斯模糊進(jìn)行圖像平滑：
import cv2
# 讀取圖像
image = cv2.imread('example.jpg')
# 應(yīng)用高斯模糊
blurred_image = cv2.GaussianBlur(image, (15, 15), 0)
# 顯示模糊圖像
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()2.4. 圖像處理：邊緣檢測
使用Canny邊緣檢測算法：
import cv2
# 讀取圖像
image = cv2.imread('example.jpg')
# 轉(zhuǎn)換為灰度圖像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 應(yīng)用Canny邊緣檢測
edges = cv2.Canny(gray_image, 100, 200)
# 顯示邊緣圖像
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()3. 進(jìn)階配置與優(yōu)化
3.1. 配置OpenCV的額外功能
如果需要使用OpenCV的額外功能，如深度學(xué)習(xí)模塊（dnn）或高級(jí)圖像處理功能，你可能需要安裝帶有擴(kuò)展功能的OpenCV版本?？梢酝ㄟ^源碼編譯的方式來實(shí)現(xiàn)，但這需要一定的配置和編譯知識(shí)。
3.2. 使用Conda進(jìn)行安裝
如果你使用Anaconda作為Python環(huán)境管理工具，可以通過Conda來安裝OpenCV：
conda install -c conda-forge opencv
這種方式可以確保所有依賴項(xiàng)都得到正確配置，尤其是在處理復(fù)雜的環(huán)境時(shí)。
4. 進(jìn)階配置與優(yōu)化
在使用OpenCV的過程中，你可能會(huì)遇到需要優(yōu)化性能或配置額外功能的場景。以下是一些進(jìn)階配置和優(yōu)化的方法：
4.1. 使用Conda進(jìn)行安裝
Conda是一個(gè)流行的包管理工具，可以簡化OpenCV及其依賴項(xiàng)的安裝過程，尤其是在復(fù)雜的環(huán)境中。以下是使用Conda安裝OpenCV的步驟：
創(chuàng)建新環(huán)境（可選）：
conda create -n opencv_env python=3.8
替換python=3.8為你需要的Python版本。
激活環(huán)境：
conda activate opencv_env
安裝OpenCV：
conda install -c conda-forge opencv
Conda會(huì)自動(dòng)處理所有依賴項(xiàng)和兼容性問題，使得安裝過程更加順利。
4.2. 編譯OpenCV源碼
如果你需要自定義配置或啟用額外的功能，可以從源碼編譯OpenCV。以下是編譯OpenCV的步驟：
安裝依賴項(xiàng)：
在Linux系統(tǒng)上，你可以使用以下命令安裝依賴項(xiàng)：
sudo apt-get update sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
對(duì)于其他系統(tǒng)，依賴項(xiàng)的安裝方式可能會(huì)有所不同。
下載OpenCV源碼：
git clone https://github.com/opencv/opencv.git cd opencv
創(chuàng)建構(gòu)建目錄并生成構(gòu)建文件：
mkdir build cd build cmake ..
如果需要啟用額外的功能或模塊，可以在cmake命令中添加選項(xiàng)。例如，啟用CUDA支持：
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_CUDA=ON ..
編譯和安裝：
make -j$(nproc) sudo make install
這將編譯OpenCV并將其安裝到/usr/local目錄。
4.3. 性能優(yōu)化
對(duì)于性能要求較高的應(yīng)用，以下是一些優(yōu)化建議：
啟用多線程和并行計(jì)算：
OpenCV支持多線程和并行計(jì)算，可以通過調(diào)整編譯選項(xiàng)或在運(yùn)行時(shí)配置來優(yōu)化性能。例如，啟用TBB（Threading Building Blocks）可以提高并行計(jì)算性能：
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON ..
利用GPU加速：
OpenCV支持CUDA加速，可以顯著提高圖像處理性能。編譯時(shí)啟用CUDA支持，并使用OpenCV的CUDA模塊來加速計(jì)算。注意，這需要具有NVIDIA GPU的支持。
優(yōu)化內(nèi)存使用：
在處理大圖像或視頻流時(shí)，優(yōu)化內(nèi)存使用非常重要。使用cv2.UMat代替cv2.Mat可以自動(dòng)處理內(nèi)存優(yōu)化。示例如下：
import cv2
# 讀取圖像到UMat
image = cv2.imread('example.jpg', cv2.IMREAD_UNCHANGED)
# 使用UMat進(jìn)行處理
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)5. OpenCV高級(jí)功能示例
5.1. 人臉檢測
OpenCV提供了多種預(yù)訓(xùn)練的模型來進(jìn)行人臉檢測。以下示例演示如何使用Haar級(jí)聯(lián)分類器進(jìn)行人臉檢測：
import cv2
# 加載預(yù)訓(xùn)練的人臉檢測模型
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 讀取圖像
image = cv2.imread('example.jpg')
# 轉(zhuǎn)換為灰度圖像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 檢測人臉
faces = face_cascade.detectMultiScale(gray_image, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
# 繪制檢測到的人臉
for (x, y, w, h) in faces:
cv2.rectangle(image, (x, y), (x+w, y+h), (255, 0, 0), 2)
# 顯示結(jié)果
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()5.2. 使用深度學(xué)習(xí)進(jìn)行對(duì)象檢測
OpenCV支持使用深度學(xué)習(xí)模型進(jìn)行對(duì)象檢測。以下示例演示如何使用YOLO模型進(jìn)行對(duì)象檢測：
import cv2
import numpy as np
# 加載YOLO模型
net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
# 讀取圖像
image = cv2.imread('example.jpg')
height, width, channels = image.shape
# 進(jìn)行預(yù)處理
blob = cv2.dnn.blobFromImage(image, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)
# 解析檢測結(jié)果
class_ids = []
confidences = []
boxes = []
for out in outs:
for detection in out:
for obj in detection:
scores = obj[5:]
class_id = np.argmax(scores)
confidence = scores[class_id]
if confidence > 0.5:
center_x = int(obj[0] * width)
center_y = int(obj[1] * height)
w = int(obj[2] * width)
h = int(obj[3] * height)
x = int(center_x - w / 2)
y = int(center_y - h / 2)
boxes.append([x, y, w, h])
confidences.append(float(confidence))
class_ids.append(class_id)
# 繪制檢測結(jié)果
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
for i in indices:
i = i[0]
box = boxes[i]
x, y, w, h = box[0], box[1], box[2], box[3]
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 顯示結(jié)果
cv2.imshow('Detected Objects', image)
cv2.waitKey(0)
cv2.destroyAllWindows()5.3. 圖像變換與濾波
OpenCV提供了豐富的圖像變換和濾波函數(shù)。以下示例演示如何應(yīng)用仿射變換和透視變換：
import cv2
import numpy as np
# 讀取圖像
image = cv2.imread('example.jpg')
# 仿射變換
rows, cols, ch = image.shape
pts1 = np.float32([[50, 50], [200, 50], [50, 200]])
pts2 = np.float32([[10, 100], [200, 50], [100, 250]])
M = cv2.getAffineTransform(pts1, pts2)
affine_image = cv2.warpAffine(image, M, (cols, rows))
# 透視變換
pts1 = np.float32([[56, 65], [368, 52], [28, 387], [389, 390]])
pts2 = np.float32([[0, 0], [300, 0], [0, 300], [300, 300]])
M = cv2.getPerspectiveTransform(pts1, pts2)
perspective_image = cv2.warpPerspective(image, M, (300, 300))
# 顯示結(jié)果
cv2.imshow('Affine Transform', affine_image)
cv2.imshow('Perspective Transform', perspective_image)
cv2.waitKey(0)
cv2.destroyAllWindows()6. 高級(jí)功能與應(yīng)用場景
在掌握了OpenCV的基本操作后，你可以深入探討一些更高級(jí)的功能和應(yīng)用場景。以下是一些常見的高級(jí)應(yīng)用，包括視頻分析、實(shí)時(shí)對(duì)象檢測、圖像拼接以及特征匹配。
6.1. 視頻分析
OpenCV支持實(shí)時(shí)視頻處理和分析。以下示例演示如何從攝像頭捕捉視頻流并進(jìn)行簡單的圖像處理，如邊緣檢測：
import cv2
# 打開攝像頭
cap = cv2.VideoCapture(0)
while True:
# 讀取幀
ret, frame = cap.read()
if not ret:
break
# 轉(zhuǎn)換為灰度圖像
gray_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 應(yīng)用Canny邊緣檢測
edges = cv2.Canny(gray_frame, 100, 200)
# 顯示處理后的幀
cv2.imshow('Edges', edges)
# 按 'q' 鍵退出
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 釋放攝像頭并關(guān)閉所有窗口
cap.release()
cv2.destroyAllWindows()在這個(gè)示例中，程序不斷從攝像頭捕捉幀，將其轉(zhuǎn)換為灰度圖像，并應(yīng)用Canny邊緣檢測。按下 ‘q’ 鍵將退出程序。
6.2. 實(shí)時(shí)對(duì)象檢測
實(shí)時(shí)對(duì)象檢測可以使用深度學(xué)習(xí)模型來識(shí)別視頻流中的對(duì)象。以下示例演示如何使用YOLO模型進(jìn)行實(shí)時(shí)對(duì)象檢測：
import cv2
import numpy as np
# 加載YOLO模型
net = cv2.dnn.readNet('yolov3.weights', 'yolov3.cfg')
layer_names = net.getLayerNames()
output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
# 打開攝像頭
cap = cv2.VideoCapture(0)
while True:
# 讀取幀
ret, frame = cap.read()
if not ret:
break
# 進(jìn)行預(yù)處理
blob = cv2.dnn.blobFromImage(frame, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)
# 解析檢測結(jié)果
class_ids = []
confidences = []
boxes = []
height, width, channels = frame.shape
for out in outs:
for detection in out:
for obj in detection:
scores = obj[5:]
class_id = np.argmax(scores)
confidence = scores[class_id]
if confidence > 0.5:
center_x = int(obj[0] * width)
center_y = int(obj[1] * height)
w = int(obj[2] * width)
h = int(obj[3] * height)
x = int(center_x - w / 2)
y = int(center_y - h / 2)
boxes.append([x, y, w, h])
confidences.append(float(confidence))
class_ids.append(class_id)
# 繪制檢測結(jié)果
indices = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)
for i in indices:
i = i[0]
box = boxes[i]
x, y, w, h = box[0], box[1], box[2], box[3]
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
# 顯示結(jié)果
cv2.imshow('Real-time Object Detection', frame)
# 按 'q' 鍵退出
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 釋放攝像頭并關(guān)閉所有窗口
cap.release()
cv2.destroyAllWindows()這個(gè)示例將YOLO模型應(yīng)用于實(shí)時(shí)視頻流，以檢測和標(biāo)記視頻中的對(duì)象。
6.3. 圖像拼接
圖像拼接（Image Stitching）用于將多張圖像合成為一張全景圖像。以下示例演示如何使用OpenCV進(jìn)行簡單的圖像拼接：
import cv2
# 讀取圖像
images = [cv2.imread('image1.jpg'), cv2.imread('image2.jpg')]
# 創(chuàng)建拼接器
stitcher = cv2.createStitcher() if cv2.__version__.startswith('4') else cv2.createStitcher(True)
# 執(zhí)行拼接
status, stitched_image = stitcher.stitch(images)
if status == cv2.Stitcher_OK:
# 顯示結(jié)果
cv2.imshow('Stitched Image', stitched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
else:
print('Error during stitching')在此示例中，createStitcher()用于創(chuàng)建一個(gè)拼接器，并將圖像拼接成一個(gè)全景圖像。如果拼接成功，將顯示結(jié)果。
6.4. 特征匹配
特征匹配用于比較和匹配圖像中的相似特征點(diǎn)。以下示例演示如何使用SIFT（尺度不變特征變換）進(jìn)行特征匹配：
import cv2
# 讀取圖像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')
# 轉(zhuǎn)換為灰度圖像
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建SIFT檢測器
sift = cv2.SIFT_create()
# 檢測特征點(diǎn)和描述符
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)
# 創(chuàng)建BFMatcher對(duì)象
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
# 匹配描述符
matches = bf.match(des1, des2)
# 按照距離排序
matches = sorted(matches, key=lambda x: x.distance)
# 繪制匹配結(jié)果
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
# 顯示結(jié)果
cv2.imshow('Feature Matches', img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()在這個(gè)示例中，SIFT特征檢測器用于檢測特征點(diǎn)和描述符，并使用BFMatcher進(jìn)行特征匹配。結(jié)果會(huì)顯示前10個(gè)匹配對(duì)。
7. 自定義OpenCV模塊
在某些情況下，你可能需要自定義OpenCV模塊來滿足特定需求。以下是如何創(chuàng)建和使用自定義模塊的一些基本步驟：
7.1. 創(chuàng)建自定義模塊
定義模塊：
創(chuàng)建一個(gè)Python腳本來定義你的自定義模塊。例如，my_custom_module.py：
import cv2
import numpy as np
def custom_filter(image):
# 應(yīng)用自定義濾鏡
kernel = np.array([[1, 1, 1], [1, -7, 1], [1, 1, 1]])
return cv2.filter2D(image, -1, kernel)使用自定義模塊：
在你的主腳本中導(dǎo)入并使用自定義模塊：
import cv2
from my_custom_module import custom_filter
# 讀取圖像
image = cv2.imread('example.jpg')
# 應(yīng)用自定義濾鏡
filtered_image = custom_filter(image)
# 顯示結(jié)果
cv2.imshow('Filtered Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()7.2. 擴(kuò)展OpenCV功能
如果需要將自定義算法或功能集成到OpenCV庫中，可以參考OpenCV的開發(fā)文檔，了解如何編寫和編譯C++擴(kuò)展模塊。有關(guān)詳細(xì)信息，請(qǐng)?jiān)L問OpenCV官方開發(fā)文檔.
8. 結(jié)語
通過本文的介紹，你已經(jīng)掌握了Python與OpenCV的安裝配置、基本和高級(jí)功能的使用方法。OpenCV的強(qiáng)大功能不僅限于基本的圖像處理，還可以擴(kuò)展到實(shí)時(shí)視頻分析、復(fù)雜的圖像拼接和特征匹配等應(yīng)用場景。隨著你的深入學(xué)習(xí)和實(shí)踐，你將能夠利用OpenCV實(shí)現(xiàn)更復(fù)雜和具有挑戰(zhàn)性的計(jì)算機(jī)視覺任務(wù)。
到此這篇關(guān)于從安裝到應(yīng)用全面掌握Python與OpenCV的配置與高級(jí)功能的文章就介紹到這了,更多相關(guān)Python與OpenCV配置內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
- opencv-python 開發(fā)環(huán)境的安裝、配置教程詳解
- VS2019+python3.7+opencv4.1+tensorflow1.13配置詳解
- python3 使用Opencv打開USB攝像頭,配置1080P分辨率的操作
- python 下 CMake 安裝配置 OPENCV 4.1.1的方法
- Anaconda下配置python+opencv+contribx的實(shí)例講解
- Ubuntu16.04/樹莓派Python3+opencv配置教程(分享)
- Linux-ubuntu16.04 Python3.5配置OpenCV3.2的方法
- 淺談配置OpenCV3 + Python3的簡易方法(macOS)
相關(guān)文章
九九乘法表是初學(xué)者學(xué)習(xí)編程的必要練手題目之一,因此各種語言都有對(duì)應(yīng)的實(shí)現(xiàn)方式,而 Python 也不例外,在 Python 中,我們可以使用多種方式來生成一個(gè)簡單的九九乘法表,本文給大家總結(jié)了使用python制作九九乘法表的四種方法,需要的朋友可以參考下2024-03-03
Django shell調(diào)試models輸出的SQL語句方法
今天小編就為大家分享一篇Django shell調(diào)試models輸出的SQL語句方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-08-08
Python使用pymupdf實(shí)現(xiàn)PDF內(nèi)容搜索并顯示功能
在日常工作和學(xué)習(xí)中，我們可能需要查找和提取PDF文件中的特定內(nèi)容,本文將介紹如何使用pymupdf實(shí)現(xiàn)PDF內(nèi)容搜索并顯示的功能，需要的可以參考下2023-08-08
pytorch在fintune時(shí)將sequential中的層輸出方法,以vgg為例
今天小編就為大家分享一篇pytorch在fintune時(shí)將sequential中的層輸出方法,以vgg為例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-08-08
下載python中Crypto庫報(bào)錯(cuò)：ModuleNotFoundError: No module named ‘Cry
Crypto不是自帶的模塊，需要下載。下面這篇文章主要給大家介紹了關(guān)于下載python中Crypto庫報(bào)錯(cuò)：ModuleNotFoundError: No module named 'Crypto'的解決方法，文中通過圖文介紹的非常詳細(xì)，需要的朋友可以參考下。2018-04-04
python 實(shí)現(xiàn)多線程下載視頻的代碼
這篇文章主要介紹了python 實(shí)現(xiàn)多線程下載視頻的代碼,代碼簡單易懂，非常不錯(cuò)，具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2019-11-11
TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集實(shí)現(xiàn)示例
這篇文章主要介紹了TensorFlow卷積神經(jīng)網(wǎng)絡(luò)MNIST數(shù)據(jù)集的實(shí)現(xiàn)示例的過程詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2021-11-11
使用Python正則表達(dá)式操作文本數(shù)據(jù)的方法
這篇文章主要介紹了使用Python正則表達(dá)式操作文本數(shù)據(jù)的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2019-05-05
Pytorch深度學(xué)習(xí)addmm()和addmm_()函數(shù)用法解析
這篇文章主要為大家介紹了Pytorch中addmm()和addmm_()函數(shù)用法解析,有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-06-06
Python2與Python3的區(qū)別實(shí)例總結(jié)
這篇文章主要介紹了Python2與Python3的區(qū)別,結(jié)合實(shí)例形式總結(jié)分析了Python2與Python3打印輸出、編碼、數(shù)值運(yùn)算、異常處理等使用區(qū)別,需要的朋友可以參考下2019-04-04