章：Hello, Flask! 第 3 章：模板 第 4 章：静态文件 第 5 章：数据库 第 6 章：模板优化 第 7 章：表单 第 8 章：用户认证 第 9 章：测试 第 10 章：组织你的代码 第 11 章：部署上线 小挑战 后记 2 Flask 入门教程 这是一本 Flask 入门教程，提供了入门 Flask 所需的最少信息，你可以跟随本书自 己动手开发一个简单的 章：Hello, Flask! 第 3 章：模板 第 4 章：静态文件 第 5 章：数据库 第 6 章：模板优化 第 7 章：表单 第 8 章：用户认证 第 9 章：测试 第 10 章：组织你的代码 第 11 章：部署上线 小挑战 后记 版权信息 书名：Flask 入门教程 副书名：使用 Python 和 Flask 开发你的第一个 Web 程序 作者：李辉 简介 3 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 Guides 了解。 在安装 Pipenv

zhangxin@caicloud.io tangjiyuan@caicloud.io 关于我们 • 开源技术创新者 • 从 Kubernetes 到 Kubeflow • Google 原生 Borg 容器团队 • CMU 校友与世界金牌、冠军 • 中国技术社区引领者 • Kubernetes 中文官网组织者 • github.com/kubernetes/kubernetes-docs-cn •

获取最新的文档，以跟上知识更新换 代的步伐。 文档地址：http://www.bookstack.cn/books/Django-intro-zh 书栈官网：http://www.bookstack.cn 书栈开源：https://github.com/TruthHun 分享，让知识传承更久远！ 感谢知识的创造者，感谢知识的分享者，也感谢每一位阅读到此处的 读者，因为我们都将成为知识的传承者。 致谢 - CN) 构建 参考 the static files howto 和 the staticfiles reference。另外，Deploying static files 讨论了在真实的服务器上组织静态文件的方法。 如果你明白静态文件，来阅读 教程第七部分（zh） 学习如何自定义 Django 自动生成的管理站点 吧！ 创建你的第一个 Django 项目， 第六部分 - 69 - 本文档使用 创建你的第一个 Django 项目， 第七部分 - 78 - 本文档使用 书栈(BookStack.CN) 构建 17. ] DIRS 是在载入 Django 模板时会搜索的文件系统上的目录集合。 组织下模版们 就像静态文件那样，我们可以把所有模版放在一个大的模版目录里，那会工作得很好。不过，如果模版属于某个特别的应用，那它们 应该放在那个应用的模版目录下（比如 polls/templates

Operator Framework 是基于上述客户体验提供的一系列工具和功能。不仅仅是编写代码；测试、交付和 更新 Operator 也同样重要。Operator Framework 组件包含用于解决这些问题的开源工具： Operator SDK Operator SDK 辅助 Operator 作者根据自身专业知识，引导、构建、测试和包装其 Operator，而无需 了解 Kubernetes API 的复杂性。 1.3. registry 捆绑包 包规格 格 registry 捆绑包或 registry+v1 捆绑包包含一组以旧 Operator Lifecycle Manager (OLM) 捆绑包格式组织 的静态 Kubernetes YAML 清单。 其他 其他资源 源 旧的 OLM 捆绑包格式 2.2.3.2. BundleDeployment 警告 警告 BundleDeployment Kubernetes 原生应用程序 （Operator）以及在 OpenShift Container Platform 集群中运行的关联服务的生命周期。它是 Operator Framework 的一部分，后者是一个开源工具包，用于以有效、自动化且可扩展的方式管理 Operator。 图 2.2. Operator Lifecycle Manager 工作流 工作流 OLM 默认在 OpenShift Container

没有特定格式的单独配置文件。模型定义在 Python 代码中，这 些代码紧凑，易于调试，并且易于扩展。 1.3 快速开始：30 秒上手 Keras Keras 的核心数据结构是 model，一种组织网络层的方式。最简单的模型是 Sequential 顺 序模型，它是由多个网络层线性堆叠的栈。对于更复杂的结构，你应该使用 Keras 函数式 API， 它允许构建任意的神经网络图。 Sequential 等众多网站上使用。它尤其受以深度学习作为产品核心的创业公司的欢迎。 Keras 也是深度学习研究人员的最爱，在上载到预印本服务器 arXiv.org 的科学论文中被提 及的次数位居第二。Keras 还被大型科学组织的研究人员采用，特别是 CERN 和 NASA。 2.3 Keras 可以轻松将模型转化为产品 与任何其他深度学习框架相比，你的 Keras 模型可以轻松部署在更广泛的平台上： • 在 iOS TensorFlow 后端，Theano 后端，CNTK 后端。 • TensorFlow 是由 Google 开发的一个开源符号级张量操作框架。 • Theano 是由蒙特利尔大学的 LISA Lab 开发的一个开源符号级张量操作框架。 • CNTK 是由微软开发的一个深度学习开源工具包。 将来，我们可能会添加更多后端选项。 14.2 从一个后端切换到另一个后端 如果您至少运行过一次 Keras，您将在以下位置找到

块在所有更新和移植版本的 Python 中可用；另 一些模块仅在底层系统支持或要求时可用；还有些模块则仅当编译和安装 Python 时选择了特定配置选项 时才可用。 本手册以” 从内到外” 的顺序组织：首先描述内置函数、数据类型和异常，最后是根据相关性进行分组的 各种模块。 这意味着如果你从头开始阅读本手册，并在感到厌烦时跳到下一章，你仍能对 Python 库的可用模块和所 支持的应用领域有个大致了解。当然，你并非 (attribute)，一个创建子上下文的方法 (method)， 一个存取它们首个映射的属性 (property): maps 一个可以更新的映射列表。这个列表是按照第一次搜索到最后一次搜索的顺序组织的。它是 仅有的存储状态，可以被修改。列表最少包含一个映射。 new_child(m=None) 返回一个新的ChainMap 类，包含了一个新映射 (map)，后面跟随当前实例的全部映射 (map)。 其最坏的情况却可能非常糟糕。 堆在大磁盘排序中也非常有用。你应该已经了解大规模排序会有多个“运行轮次”（即预排序的序列，其 大小通常与 CPU 内存容量相关），随后这些轮次会进入合并通道，轮次合并的组织往往非常巧妙1。非常 重要的一点是初始排序应产生尽可能长的运行轮次。锦标赛模式是达成此目标的好办法。如果你使用全 部有用内存来进行锦标赛，替换和安排恰好适合当前运行轮次的条目，你将可以对于随机输入生成两倍

模块在所有更新和移植版本的 Python 中可用；另一些模块仅在 底层系统支持或要求时可用；还有些模块则仅当编译和安装 Python 时选择了特定配置选项时才可用。 本手册以” 从内到外” 的顺序组织：首先描述内置函数、数据类型和异常，最后是根据相关性进行分组的各 种模块。 这意味着如果你从头开始阅读本手册，并在感到厌烦时跳到下一章，你仍能对 Python 库的可用模块和所支持 的应用领域有个大致了解。当然，你并非 (attribute)，一个创建子上下文的方法 (method)，一个 存取它们首个映射的属性 (property): maps 一个可以更新的映射列表。这个列表是按照第一次搜索到最后一次搜索的顺序组织的。它是仅有 的存储状态，可以被修改。列表最少包含一个映射。 new_child(m=None) 返回一个新的ChainMap 类，包含了一个新映射 (map)，后面跟随当前实例的全部映射 (map)。如 坏的 情况却可能非常糟糕。 堆在大磁盘排序中也非常有用。你应该已经了解大规模排序会有多个“运行轮次”（即预排序的序列，其大 小通常与 CPU 内存容量相关），随后这些轮次会进入合并通道，轮次合并的组织往往非常巧妙1。非常重要 的一点是初始排序应产生尽可能长的运行轮次。锦标赛模式是达成此目标的好办法。如果你使用全部有用内 存来进行锦标赛，替换和安排恰好适合当前运行轮次的条目，你将可以对于随机输入生成两倍于内存大小的

块在所有更新和移植版本的 Python 中可用；另 一些模块仅在底层系统支持或要求时可用；还有些模块则仅当编译和安装 Python 时选择了特定配置选项 时才可用。 本手册以” 从内到外” 的顺序组织：首先描述内置函数、数据类型和异常，最后是根据相关性进行分组的 各种模块。 这意味着如果你从头开始阅读本手册，并在感到厌烦时跳到下一章，你仍能对 Python 库的可用模块和所 支持的应用领域有个大致了解。当然，你并非 (attribute)，一个创建子上下文的方法 (method)， 一个存取它们首个映射的属性 (property): maps 一个可以更新的映射列表。这个列表是按照第一次搜索到最后一次搜索的顺序组织的。它是 仅有的存储状态，可以被修改。列表最少包含一个映射。 new_child(m=None) 返回一个新的ChainMap 类，包含了一个新映射 (map)，后面跟随当前实例的全部映射 (map)。 其最坏的情况却可能非常糟糕。 堆在大磁盘排序中也非常有用。你应该已经了解大规模排序会有多个“运行轮次”（即预排序的序列，其 大小通常与 CPU 内存容量相关），随后这些轮次会进入合并通道，轮次合并的组织往往非常巧妙1。非常 重要的一点是初始排序应产生尽可能长的运行轮次。锦标赛模式是达成此目标的好办法。如果你使用全 部有用内存来进行锦标赛，替换和安排恰好适合当前运行轮次的条目，你将可以对于随机输入生成两倍

块在所有更新和移植版本的 Python 中可用；另 一些模块仅在底层系统支持或要求时可用；还有些模块则仅当编译和安装 Python 时选择了特定配置选项 时才可用。 本手册以” 从内到外” 的顺序组织：首先描述内置函数、数据类型和异常，最后是根据相关性进行分组的 各种模块。 这意味着如果你从头开始阅读本手册，并在感到厌烦时跳到下一章，你仍能对 Python 库的可用模块和所 支持的应用领域有个大致了解。当然，你并非 (attribute)，一个创建子上下文的方法 (method)， 一个存取它们首个映射的属性 (property): maps 一个可以更新的映射列表。这个列表是按照第一次搜索到最后一次搜索的顺序组织的。它是 仅有的存储状态，可以被修改。列表最少包含一个映射。 new_child(m=None) 返回一个新的ChainMap 类，包含了一个新映射 (map)，后面跟随当前实例的全部映射 (map)。 其最坏的情况却可能非常糟糕。 堆在大磁盘排序中也非常有用。你应该已经了解大规模排序会有多个“运行轮次”（即预排序的序列，其 大小通常与 CPU 内存容量相关），随后这些轮次会进入合并通道，轮次合并的组织往往非常巧妙1。非常 重要的一点是初始排序应产生尽可能长的运行轮次。锦标赛模式是达成此目标的好办法。如果你使用全 部有用内存来进行锦标赛，替换和安排恰好适合当前运行轮次的条目，你将可以对于随机输入生成两倍

模块在所有更新和移植版本的 Python 中可用；另一些模块仅在 底层系统支持或要求时可用；还有些模块则仅当编译和安装 Python 时选择了特定配置选项时才可用。 本手册以” 从内到外” 的顺序组织：首先描述内置函数、数据类型和异常，最后是根据相关性进行分组的各 种模块。 这意味着如果你从头开始阅读本手册，并在感到厌烦时跳到下一章，你仍能对 Python 库的可用模块和所支持 的应用领域有个大致了解。当然，你并非 (attribute)，一个创建子上下文的方法 (method)，一个 存取它们首个映射的属性 (property): maps 一个可以更新的映射列表。这个列表是按照第一次搜索到最后一次搜索的顺序组织的。它是仅有 的存储状态，可以被修改。列表最少包含一个映射。 new_child(m=None) 返回一个新的ChainMap 类，包含了一个新映射 (map)，后面跟随当前实例的全部映射 (map)。如 坏的 情况却可能非常糟糕。 堆在大磁盘排序中也非常有用。你应该已经了解大规模排序会有多个“运行轮次”（即预排序的序列，其大 小通常与 CPU 内存容量相关），随后这些轮次会进入合并通道，轮次合并的组织往往非常巧妙1。非常重要 的一点是初始排序应产生尽可能长的运行轮次。锦标赛模式是达成此目标的好办法。如果你使用全部有用内 存来进行锦标赛，替换和安排恰好适合当前运行轮次的条目，你将可以对于随机输入生成两倍于内存大小的