2023-02-10Python55

fastposter v2.8.0 发布电商海报编辑器

fastposter海报生成器，电商海报编辑器，电商海报设计器，fast快速生成海报海报制作海报开发。二维码海报，图片海报，分享海报，二维码推广海报，支持Java Python PHP Go JS 小程序。基于Vue 和Pillow

fastposter v2.8.0 发布电商海报生成器

解决token冲突问题
默认自动登录，部署时可自定义设置凭证
使用vue-press文档
指南文档
进阶文档
迁移基本完成
解决图片无法查看问题
删除不需要的文件
开发文档：
在线演示：
专业版在线演示：

docker run -it --name fast-poster -p 5000:5000 tangweixin/fast-poster

电商主图编辑器
在线作图
电商海报编辑器
Java生成二维码分享海报图片
Java Graphics2D绘制海报图片
微信小程序生成海报分享朋友圈
PHP生成二维码海报图片
自定义商业海报图片
H5生成海报图片
二维码分享海报图片
canvas生成海报图片
通过JSON生成海报图片
二维码推广海报
分享海报

如果你觉得 fastposter对你有帮助，或者想对我们微小的工作一点支持，欢迎给我们

进群加作者微信 fastposter

Original: https://www.cnblogs.com/psoho/p/16160727.html
Author: 物有本末
Title: fastposter v2.8.0 发布电商海报编辑器

Title: 七、VGG16+BN（Batch Normalization）实现鸟类数据库分类

前文
加利福尼亚理工学院鸟类数据库分类VGG16+BN版本
数据生成器
图像显示
VGG16+BN模型构建
VGG16+BN模型编译与拟合
注意：
GitHub下载地址：

前文

加利福尼亚理工学院鸟类数据库分类VGG16+BN版本

数据生成器

from keras.preprocessing.image import ImageDataGenerator

IMSIZE = 224
train_generator = ImageDataGenerator(rescale=1. / 255).flow_from_directory('../../data/data_vgg/train',
                                                                           target_size=(IMSIZE, IMSIZE),
                                                                           batch_size=20,
                                                                           class_mode='categorical'
                                                                           )

validation_generator = ImageDataGenerator(rescale=1. / 255).flow_from_directory('../../data/data_vgg/test',
                                                                                target_size=(IMSIZE, IMSIZE),
                                                                                batch_size=20,
                                                                                class_mode='categorical'
                                                                                )
                                                                           )

图像显示

from matplotlib import pyplot as plt

plt.figure()
fig, ax = plt.subplots(2, 5)
fig.set_figheight(6)
fig.set_figwidth(15)
ax = ax.flatten()
X, Y = next(validation_generator)
for i in range(15): ax[i].imshow(X[i, :, :, ])

VGG16+BN模型构建

#VGG16+BN实现
#VGG16+BN模型构建
from keras.layers import Conv2D, BatchNormalization, MaxPooling2D
from keras.layers import Flatten, Dense, Input, Activation
from keras import Model
from keras.layers import GlobalAveragePooling2D

input_shape = (IMSIZE, IMSIZE, 3)
input_layer = Input(input_shape)
x = input_layer

x = BatchNormalization(axis=3)(x)
x = Conv2D(64, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(64, [3, 3], padding="same", activation='relu')(x)
x = MaxPooling2D((2, 2))(x)

x = BatchNormalization(axis=3)(x)
x = Conv2D(128, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(128, [3, 3], padding="same", activation='relu')(x)
x = MaxPooling2D((2, 2))(x)

x = BatchNormalization(axis=3)(x)
x = Conv2D(256, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(256, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(256, [3, 3], padding="same", activation='relu')(x)
x = MaxPooling2D((2, 2))(x)

x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = MaxPooling2D((2, 2))(x)

x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = BatchNormalization(axis=3)(x)
x = Conv2D(512, [3, 3], padding="same", activation='relu')(x)
x = MaxPooling2D((2, 2))(x)

x = GlobalAveragePooling2D()(x)

x = Dense(315)(x)
x = Activation('softmax')(x)
output_layer = x
model_vgg16_b = Model(input_layer, output_layer)
model_vgg16_b.summary()

VGG16+BN模型编译与拟合

from keras.optimizers import Adam

model_vgg16.compile(loss='categorical_crossentropy',
                    optimizer=Adam(lr=0.001),
                    metrics=['accuracy'])
model_vgg16.fit_generator(train_generator,
                          epochs=20,
                          validation_data=validation_generator)

注意：

因为自己是使用tensorflow-GPU版本，自己电脑是1050Ti，4G显存。实际运行时候batch_size设置不到15大小，太大了就显存资源不足。
但是batch_size太小，总的数据集较大较多，所以最后消耗时间就较长。
所以为了效率和烧显卡，请酌情考虑
数据集来源：kaggle平台315种鸟类：315 Bird Species - Classification | Kaggle

GitHub下载地址：

Tensorflow1.15深度学习

Original: https://www.cnblogs.com/lehoso/p/15642133.html
Author: 李好秀
Title: 七、VGG16+BN（Batch Normalization）实现鸟类数据库分类

前言

我国股票投资者数量为15975.24万户, 如此多的股民热衷于炒股,首先抛开炒股技术不说, 那么多股票数据是不是非常难找,找到之后是不是看着密密麻麻的数据是不是头都大了?

今天带大家爬取雪球平台的股票数据

; 开发环境

解释器版本: python 3.8
代码编辑器: pycharm 2021.2

第三方模块

requests: pip install requests
csv

爬虫案例的步骤:

1.确定url地址(链接地址)
2.发送网络请求
3.数据解析(筛选数据)
4.数据的保存(数据库(mysql\mongodb\redis), 本地文件)

爬虫程序全部代码

分析网页

打开开发者工具，搜索关键字，找到正确url
fastposter v2.8.0 发布电商海报编辑器

; 导入模块

import requests     # 发送网络请求
import csv

请求数据

url = f'https://xueqiu.com/service/v5/stock/screener/quote/list?page=1&size=30&order=desc&order_by=amount&exchange=CN&market=CN&type=sha&_=1637908787379'
# 伪装
headers = {
    # 浏览器伪装
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'
}
response = requests.get(url, headers=headers)
json_data = response.json()

解析数据

data_list = json_data['data']['list']
for data in data_list:
    data1 = data['symbol']
    data2 = data['name']
    data3 = data['current']
    data4 = data['chg']
    data5 = data['percent']
    data6 = data['current_year_percent']
    data7 = data['volume']
    data8 = data['amount']
    data9 = data['turnover_rate']
    data10 = data['pe_ttm']
    data11 = data['dividend_yield']
    data12 = data['market_capital']
    print(data1, data2, data3, data4, data5, data6, data7, data8, data9, data10, data11, data12)
    data_dict = {
        '股票代码': data1,
        '股票名称': data2,
        '当前价': data3,
        '涨跌额': data4,
        '涨跌幅': data5,
        '年初至今': data6,
        '成交量': data7,
        '成交额': data8,
        '换手率': data9,
        '市盈率(TTM)': data10,
        '股息率': data11,
        '市值': data12,
    }
    csv_write.writerow(data_dict)

翻页

对比1、2、3页数据url，找到规律
fastposter v2.8.0 发布电商海报编辑器

for page in range(1, 56):
    url = f'https://xueqiu.com/service/v5/stock/screener/quote/list?page={page}&size=30&order=desc&order_by=amount&exchange=CN&market=CN&type=sha&_=1637908787379'

保存数据

file = open('data2.csv', mode='a', encoding='utf-8', newline='')
csv_write = csv.DictWriter(file, fieldnames=['股票代码','股票名称','当前价','涨跌额','涨跌幅','年初至今','成交量','成交额','换手率','市盈率(TTM)','股息率','市值'])
csv_write.writeheader()
file.close()

运行代码，实现效果

; 数据可视化全部代码

导入数据

import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import Bar

读取数据

data_df = pd.read_csv('data2.csv')
df = data_df.dropna()
df1 = df[['股票名称', '成交量']]
df2 = df1.iloc[:20]
print(df2['股票名称'].values)
print(df2['成交量'].values)

可视化图表

c = (
    Bar()
        .add_xaxis(list(df2['股票名称']))
        .add_yaxis("股票成交量情况", list(df2['成交量']))
        .set_global_opts(
        title_opts=opts.TitleOpts(title="成交量图表 - Volume chart"),
        datazoom_opts=opts.DataZoomOpts(),
    )
        .render("data.html")
)

print('数据可视化结果完成,请在当前目录下查找打开 data.html 文件!')

运行代码，效果展示

Original: https://www.cnblogs.com/qshhl/p/15629671.html
Author: 松鼠爱吃饼干
Title: 股票交易数据采集+数据可视化（一个朴素无华的Python爬虫+可视化案例，附代全部代码）

Title: FastAPI 学习之路（四十三）利用Docker部署发布

我们之前的部署都是基于本地的部署，我们这次来看下，如何基于docker去部署我们的项目。

1.首先去编写一个docker镜像的制作文件Dockerfile

FROM python:3.7

RUN pip install fastapi uvicorn aiofiles fastapi-async-sqlalchemy python-multipart

EXPOSE 80

COPY . .

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "80"]

其实简单，就是告知依赖的python3.7，需要安装依赖包。然后复制本地文件。然后执行部署。

2.写好文件，就是打包我们的镜像。执行命令

docker build -t myfastapi .

这里需要耐心等待就可以

fastposter v2.8.0 发布电商海报编辑器

打包完成后，我们可以用docker images查看

fastposter v2.8.0 发布电商海报编辑器

然后我们可以去部署。

<span class="code-snippet_outer"><span class="code-snippet__selector-tag">sudo <span class="code-snippet__selector-tag">docker <span class="code-snippet__selector-tag">run <span class="code-snippet__selector-tag">-d <span class="code-snippet__selector-tag">--name <span class="code-snippet__selector-tag">myfastapi <span class="code-snippet__selector-tag">-p 80<span class="code-snippet__selector-pseudo">:80 <span class="code-snippet__selector-tag">myfastapi</span></span></span></span></span></span></span></span></span></span>

启动后，我们可以看使用docker ps -a查看

fastposter v2.8.0 发布电商海报编辑器

接下来我们就可以访问了

http://127.0.0.1/openapi或者http://0.0.0.0/openapi都可以查看

fastposter v2.8.0 发布电商海报编辑器

两个地址都可以访问成功。

3.我们也可以把本地镜像导出出来。

docker save -o myfastapi.tar myfastapi

导出之后，我们以后部署可以在任意的docker去部署我们的服务。

然后我们在要去部署的机器执行

docker load < myfastapi.tar

然后去启动镜像即可。其实docker去部署很简单。

文章首发在公众号，欢迎关注。

fastposter v2.8.0 发布电商海报编辑器

Original: https://www.cnblogs.com/leiziv5/p/15416846.html
Author: 北漂的雷子
Title: FastAPI 学习之路（四十三）利用Docker部署发布

2024 年 4 月
一	二	三	四	五	六	日
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

fastposter v2.8.0 发布 电商海报编辑器

相关阅读1

Title: 七、VGG16+BN（Batch Normalization）实现鸟类数据库分类

前文

加利福尼亚理工学院鸟类数据库分类VGG16+BN版本

数据生成器

图像显示

VGG16+BN模型构建

VGG16+BN模型编译与拟合

注意：

GitHub下载地址：

相关阅读2

前言

; 开发环境

第三方模块

爬虫案例的步骤:

爬虫程序全部代码

分析网页

; 导入模块

请求数据

解析数据

翻页

保存数据

运行代码，实现效果

; 数据可视化全部代码

导入数据

读取数据

可视化图表

运行代码，效果展示

相关阅读3

Title: FastAPI 学习之路（四十三）利用Docker部署发布

fastposter v2.8.0 发布电商海报编辑器