Python的依赖管理及Pipenv @frostming 我是谁？ • 研发效能·持续集成@Tencent • 从 2014 年开始用 Python，前测试，现开发 • 开源爱好者 • Pipenv 维护者之一 队长别开枪，是我！ 目录 CONTENTS 为什么需要虚拟环境 为什么需要依赖管理 Pipenv 的简单使用 Python 包管理的未来 为什么需要虚拟环境 你是否遇到过这些问题： • virtualenvwrapper • pew • pyenv-venv • conda • direnv • ... pip ? + 我们为什么需要依赖管理 pip 是否已经足够使用？ 它的依赖管理有什么问题？ 碰到这些问题，该怎么办？ 依赖冲突 $ pip install celery django-celery $ pip install celery $ pip (piptools) • Poetry • 没了 可用工具 Pipenv 的简单使用 • 自动创建、管理虚拟环境，与项目绑定 • 依赖解析、锁定 • 新的requirements.txt规范，基于TOML格式 • 优美的命令行界面 Pipenv Demo Python 包管理的未来 Python 包管理的未来 PEP 517 – 与构建系统无关的配置文件格式 PEP 518 – 在指定Python构建依赖

使用Python训练和部署低精度模型 （TensorFlow版） 张校捷 2019/9/21 目录 CONTENTS 低精度的概念和意义 TensorFlow的FP16模型 TensorRT的FP16/Int8模型 总结 1 低精度的概念和意义 实数的16-bit半精度浮点数和8-bit定点数表示 使用低精度的意义 深度学习模型中实数的表示 FP32: E8M23 FP16: ResNet-50-v1.5 3.3X speedup SSD-RN50-FPN-640 2.5X speedup FP16浮点数（E5M10）的表示范围 FP16模型的训练方法 Int8模型的推断过程 2 TensorFlow的FP16模型 实数的16-bit半精度浮点数和8-bit定点数表示 使用低精度的意义 TensorCores适用条件 1. 卷积：K（输入通道），C（输出通道） 2 2=1 TF_ENABLE_CUDNN_TENSOR_OP_MATH_FP32=1 TF_ENABLE_CUDNN_RNN_TENSOR_OP_MATH_FP32=1 TensorFlow手动转换模型 import tensorflow as tf import numpy as numpy input = tf.placeholder(dtype=tf.float32, shape=[None

Python的NLP实战分享 如何实现合同风险预测模型？ GVA TECH Co., Ltd 藤井美娜 自我介绍 2% |# | self-introduction • Machine Learning Engineer / Data Scientist • GVA TECH的人工智能法律服务AI-CON的多语言系统 开发负责人 inazo18 藤井美娜 目录 CONTENTS CONTENTS 1. Python NLP 入门 2. 多语言NLP攻略 3.“合同风险预测模型”实战经验分享 4. 总结 5% |### | today’s topic 1 Python NLP 入门 简单介绍自然语言处理的流程和使用corpus的EDA方法。 8% |##### | section1 NLP基础 11% |######### | section1 收集语料 前处理 section1 收集语料 前处理 分词 向量化 机器学习模型 各种OUTPUT 语义解析 NLP基础 22% |################## | section1 收集语料 前处理 分词 向量化 机器学习模型 各种OUTPUT 语义解析 有时候会把语义分析的结果做成 feature，放进机器学习模型里。 EDA NLP基础 25% |###################

Python的NLP实战分享 如何实现合同风险预测模型？ GVA TECH Co., Ltd 藤井美娜 自我介绍 2% |# | self-introduction • Machine Learning Engineer / Data Scientist • GVA TECH的人工智能法律服务AI-CON的多语言系统 开发负责人 inazo18 藤井美娜 目录 CONTENTS CONTENTS 1. Python NLP 入门 2. 多语言NLP攻略 3.“合同风险预测模型”实战经验分享 4. 总结 5% |### | today’s topic 1 Python NLP 入门 简单介绍自然语言处理的流程和使用corpus的EDA方法。 8% |##### | section1 NLP基础 11% |####### | section1 收集语料 前处理 分词 收集语料 前处理 分词 向量化 （Vectorization） 机器学习模型 各种OUTPUT 语义解析 NLP基础 19% |################ | section1 收集语料 前处理 分词 向量化 机器学习模型 语义解析 有时候会把语义分析的结果feature， 放进机器学习模型里。 各种OUTPUT EDA NLP基础 23% |###################

5. 可以开始翻译咯。 6. PR。 README - 5 - 本文档使用 书栈(BookStack.CN) 构建 初识 Django 初识 Django 设计模型 创建模型 享用便捷的 API 动态生成的管理页面：并非徒有其表 规划 URL 编写视图 设计模板 这只是冰山一角 Django 最初被设计用于具有快速开发需求的新闻类站点，目的是要实现简单快捷的网站开发。以下 实例教程（zh）开始入手，或者直接开始阅读详细的参考文档。 Django 无需数据库就可以使用，它提供了对象关系映射器（ORM）。通过此技术，你可以使用 Python 代码来描述数据库结构。 数据模型语法提供了很多方法来描述你的数据，这解决了多年来在数据库模式中的难题。以下是一个 简明的例子： 1. # mysite/news/models.py 2. 3. from django.db pub_date = models.DateField() 13. headline = models.CharField(max_length=200) 初识 Django 设计模型 初识 Django - 6 - 本文档使用 书栈(BookStack.CN) 构建 14. content = models.TextField() 15. reporter

章：准备工作 10 创建虚拟环境 虚拟环境是独立于 Python 全局环境的 Python 解释器环境，使用它的好处如下： 保持全局环境的干净 指定不同的依赖版本 方便记录和管理依赖 我们将使用 Pipenv 来创建和管理虚拟环境、以及在虚拟环境中安装和卸载依赖 包。它集成了 pip 和 virtualenv，可以替代这两个工具的惯常用法。另外，它还集 成了 Pipfile，它是新的依赖记录标准，使用 进阶提示 阅读 MDN 的 《Web 入门教程》（了解 HTML、CSS、JavaScript）。 阅读短教程《Git 简明指南》。 阅读文章《Pipenv：新一代Python项目环境与依赖管理工具》或 Pipenv 官方 文档。 如果你打算开源你的程序，在项目根目录中添加一个 README.md （自述文 件）和 LICENSE （授权声明）是很有必要的。详情可以访问 Open Source FLASK_APP 来告诉 Flask 你要启动哪个程序。 Flask 通过读取这个文件对应的模块寻找要运行的程序实例，你可以把它设置成下 面这些值： 模块名 Python 导入路径 文件目录路径 管理环境变量 现在在启动 Flask 程序的时候，我们通常要和两个环境变量打交道： FLASK_APP 和 FLASK_ENV 。因为我们的程序现在的名字是 app.py，暂时不需要设置 FLASK_APP

Python赋能智慧物流 主讲人： 康昊 – 调度系统开发工程师 Python赋能智慧物流 目 录 目 录 >> 行业背景 >> 系统/模型实现 >> Q&A Python赋能智慧物流 1-行业背景 · AGV/AMR：自动导引运输车/自主移动机器 人 仓储搬运 车间物料运输 室外无人配送 Python赋能智慧物流 1-行业背景 · 移动机器人行业持续增长 From Python赋能智慧物流 2-系统/模型实现 ·Why Python？ - 简单省事 - 易于编写、阅读、测试和维 护 - 支持多种编程范式 - 兼容主流平台 - 完备的标准库和框架 - 接口实现 - 框架搭建 - 不断提升的性能 Python赋能智慧物流 2-系统/模型实现 · 部分第三方库 Python赋能智慧物流 2-系统/模型实现 ·系统架构 Python赋能智慧物流 Python赋能智慧物流 2-系统/模型实现 · 类型实例 Python赋能智慧物流 2-系统/模型实现 · 流程示意 Python赋能智慧物流 2-系统/模型实现 · 算法实现 Python赋能智慧物流 2-系统/模型实现 · 路径规划 Less is more ——an ancient Greek proverb A* Bidirectional A* Lifelong

适合开发哪些类型的应用呢？ Python3 基础教程【完整版】 http://www.yeayee.com/ 10/531 首选是网络应用，包括网站、后台服务等等； 其次是许多日常需要的小工具，包括系统管理员需要的脚本任务等等； 另外就是把其他语言开发的程序再包装起来，方便使用。 最后说说 Python 的缺点。 任何编程语言都有缺点，Python 也不例外。优点说过了，那 Python 有 Homebrew，直接通过命令 brew install python3 安 装即可。 在 Linux 上安装 Python 如果你正在使用 Linux，那我可以假定你有 Linux 系统管理经验，自行 安装 Python 3 应该没有问题，否则，请换回 Windows 系统。 对于大量的目前仍在使用 Windows 的同学，如果短期内没有打算换 Mac，就可以继续阅读以下内容。 Python3 基础教程【完整版】 http://www.yeayee.com/ 33/531 缩进有利有弊。好处是强迫你写出格式化的代码，但没有规定缩进是几 个空格还是 Tab。按照约定俗成的管理，应该始终坚持使用 4 个空格的 缩进。 缩进的另一个好处是强迫你写出缩进较少的代码，你会倾向于把一段很 长的代码拆分成若干函数，从而得到缩进较少的代码。 缩进的坏处就是“复制－粘贴”功能失效了，这是最坑爹的地方。当你重

代码侵入性小，旧脚本代码仅需修改输入输出逻辑便可改造为 Web 服务 • 支持整合到现有的 Web 服务，目前支持与 Flask、Django、Tornado、aiohttp 框架集成 • 同时支持基于线程的执行模型和基于协程的执行模型 • 支持结合第三方库实现数据可视化 3 PyWebIO, 发布 1.2.3 4 Chapter 1. 特性 CHAPTER2 Installation 稳定版: pip3 put_markdown('**Coding**')) # insert the Coding into the top of the␣ �→hobby 上下文管理器 一些接受 put_xxx() 调用作为参数的输出函数支持作为上下文管理器来使用： with put_collapse('This is title'): for i in range(4): put_text(i) put_table([ put_table([ ['Commodity', 'Price'], ['Apple', '5.5'], ['Banana', '7'], ]) 支持上下文管理器的完整函数清单请见输出函数列表 事件回调 从上面可以看出，PyWebIO 把交互分成了输入和输出两部分：输入函数为阻塞式调用，会在用户浏览器上显 示一个表单，在用户提交表单之前输入函数将不会返回；输出函数将内容实时输出至浏览器。这种交互方式

代码侵入性小，旧脚本代码仅需修改输入输出逻辑便可改造为 Web 服务 • 支持整合到现有的 Web 服务，目前支持与 Flask、Django、Tornado、aiohttp 框架集成 • 同时支持基于线程的执行模型和基于协程的执行模型 • 支持结合第三方库实现数据可视化 3 PyWebIO, 发布 1.2.2 4 Chapter 1. 特性 CHAPTER2 Installation 稳定版: pip3 put_markdown('**Coding**')) # insert the Coding into the top of the␣ �→hobby 上下文管理器 一些接受 put_xxx() 调用作为参数的输出函数支持作为上下文管理器来使用： with put_collapse('This is title'): for i in range(4): put_text(i) put_table([ put_table([ ['Commodity', 'Price'], ['Apple', '5.5'], ['Banana', '7'], ]) 支持上下文管理器的完整函数清单请见输出函数列表 事件回调 从上面可以看出，PyWebIO 把交互分成了输入和输出两部分：输入函数为阻塞式调用，会在用户浏览器上显 示一个表单，在用户提交表单之前输入函数将不会返回；输出函数将内容实时输出至浏览器。这种交互方式