20232121 2023-2024-2《Python程序设计》实验一报告

20232121李蕊伊 2024-03-19 16:30:52

20232121 2023-2024-2 《Python程序设计》实验一报告

课程:《Python程序设计》
班级: 2321
姓名: 李蕊伊
学号:20232121
实验教师:王志强
实验日期:2024年3月13日
必修/选修: 公选课

1.实验内容

1.熟悉Python开发环境;

2.练习Python运行、调试技能;

3.编写程序,练习变量和类型、字符串、对象、缩进和注释等;

4.掌握git技能(可把猜数字游戏上传到gitee)

2. 实验过程及结果

1.熟悉Python开发环境:
了解开发环境的基本组成并选择,安装合适的IDE并掌握IDE的基本操作,并进行一些实践编写和运行代码。

img

2.练习Python运行、调试技能:
通过编写简单的Python程序,如猜数字,石头剪刀布等,熟悉Python的基本语法。
通过设置断点、单步执行、查看变量值等方式进行调试,使我能找出代码中的错误和异常。

img

img

3.编写程序,练习变量和类型、字符串、对象、缩进和注释等:
对编写的程序进行逐行注释,能更深入理解程序含义,更深入学习python。

img

4.掌握git技能(可把猜数字游戏上传到gitee):
在git上创建仓库,并能将写好的代码上传到其中:将代码托管在Gitee上可以实现代码的备份,避免因为本地代码丢失或损坏导致的风险,同时可以使用Git进行版本控制,轻松管理代码的变更历史,包括代码的提交、分支管理、合并等操作。

img

3. 实验过程中遇到的问题和解决过程

问题1:在pycharm中运行程序时发现缺少解释器,使得代码无法正常运行。
问题1解决方案:Python解释器是将Python代码转换为机器可执行代码的程序。
在PyCharm环境中安装Python解释器,可以按照以下步骤进行:
打开PyCharm,在菜单栏中选择“File”(文件)->“Settings”(设置),打开PyCharm的设置面板。
在设置面板的左侧,找到并点击“Project”(项目名)->“Python Interpreter”(Python解释器)。
在Python Interpreter面板的右上角,点击齿轮图标,选择“Add”(添加)。
在弹出的对话框中,选择已安装的Python解释器。如果已经在系统中安装了Python解释器,可以选择“System Interpreter”(系统解释器),并点击“OK”(确定)。如果没有已安装的解释器,可以选择“Virtualenv Environment”(虚拟环境)或“Conda Environment”(Conda环境),并点击“OK”。

问题2:在Pycharm终端环境中无法生成可执行文件
问题2解决方案:未安装pyinstaller,在终端里安装即可。

img

其他(感悟、思考等)

通过这次的学习,让我对python这门语言有了一个初步的了解。同时我也明白了,学习中会遇到很多问题,每个设备的情况都不尽相同,这使得在探索过程中会遇到一些麻烦。但是我们应该多向老师同学求助,不放弃,让我们在这条求学之路上走的更远。同时在pycharm的安装及使用上也有一些专业性的问题,应该多加注意。

...全文
70 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
数据集可视化效果可参见下方展示。 【数据集概况】 · 检测类别(中文):[保龄球(bowling)] · 训练集:594 张 · 验证集:75 张 · 测试集:74 张 · 总计:743 张 该数据集聚焦于室内保龄球馆场景,系统性采集了多角度、多姿态下保龄球在不同运动阶段的视觉特征,为保龄球运动过程中的球体识别与轨迹分析提供了高质量标注样本,具有明确的体育训练与智能辅助系统开发价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9938** mAP50-95 | 0.6966 Precision | 0.9740 Recall | 0.9974 train/box_loss | 0.9113 train/cls_loss | 0.2862 val/box_loss | 1.1516 val/cls_loss | 0.3116 【训练过程分析】 100 轮训练后 mAP50 达到 0.9938,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.6966,和 mAP50 差距 0.30,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9740、Recall 0.9974,精召双高,模型对保龄球的检测能力强。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖保龄球,置信度整体偏高。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 ...
PaddleOCR 与YOLO目标检测 HTTP 服务。 项目通过 PaddleOCROnnx 原生库集成 OnnxRuntime加速能力,围绕 ONNX 模型部署, 以统一接口提供图像文字识别、YOLO 目标检测和 Tensor 数据输出。 功能概览 文字识别:支持图片 Base64、multipart/form-data 上传,以及文本和 JSON 结果。 目标检测:支持 YOLO 图片检测,返回检测框 JSON 或原始 Tensor。 浏览器演示:访问服务根地址,上传图片并切换 OCR、YOLO 模式。 健康检查:通过 /health 查看服务及 OCR、YOLO 引擎初始化状态。 并发处理:通过 OCR 引擎实例池处理并发请求,可调整实例数量。 体验与调用 启动后访问: 入口 地址 浏览器演示 http://localhost:5000/ 健康检查 http://localhost:5000/health 原生依赖 Windows:优先从 runtimes/win-x64/native/ 加载原生 DLL;该目录没有 PaddleOCROnnx.dll 时,尝试从可执行文件所在目录加载。主 DLL 与对应后端依赖应放在同一原生目录中,不要将同一组依赖分散到多个目录。 Linux:原生运行时位于 runtimes/linux-x64/native/,程序使用相对于可执行文件的运行时搜索路径查找随包部署的依赖。 后端选择:CoreOCROnnx 支持 ONNX Runtime、OpenVINO、TensorRT 后端。请使用与平台、进程架构、硬件和后端匹配的一整套运行时,不要混用不同后端或版本的依赖。

110

社区成员

发帖
与我相关
我的任务
社区描述
人生苦短,我用Python!
python3.11 高校
社区管理员
  • blackwall0321
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧