存档2

#!/usr/bin/python
# -*- coding: utf-8 -*-

"""
ZetCode Tkinter tutorial

In this script, we use the Label
widget to show an image.

Author: Jan Bodnar
Last modified: November 2015
Website: www.zetcode.com
"""

from PIL import Image, ImageTk
from Tkinter import *
from spider import spider


class Example(Frame):

    def __init__(self, parent):
        Frame.__init__(self, parent)

        self.parent = parent

        self.spider=spider()

        self.initUI()


    def initUI(self):

        self.parent.title("成绩获取小助手")

        self.img = self.spider.getCaptcha()
        img_captcha = ImageTk.PhotoImage(self.img)
        self.Lbl_captcha = Label(self, image=img_captcha)
        self.Lbl_captcha.image = img_captcha

        self.Btn_fresh=Button(self, text="刷新")
        self.Lbl_studentID=Label(self, text="学号")
        self.Lbl_password= Label(self, text="密码")
        self.Lbl_verifyCode=Label(self, text="验证码")
        self.Btn_login=Button(self,text="登录")
        self.Ety_studentID = Entry(self)
        self.Ety_password = Entry(self)
        self.Ety_verifyCode= Entry(self)

        self.Lbl_studentID.grid(row=0,column=0)
        self.Ety_studentID.grid(row=0,column=1)
        self.Lbl_password.grid(row=1,column=0)
        self.Ety_password.grid(row=1,column=1)
        self.Lbl_verifyCode.grid(row=2,column=0)
        self.Ety_verifyCode.grid(row=2,column=1)
        self.Lbl_captcha.grid(row=2,column=2)
        self.Btn_fresh.grid(row=3,column=2)
        self.Btn_login.grid(row=3,column=1)
        self.Btn_login.bind("<Button-1>", self.loginSystem)
        self.Btn_fresh.bind("<Button-1>", self.freshCaptcha)


        self.pack()

    def loginSystem(self,event):
        self.spider.studentID=self.Ety_studentID.get()
        self.spider.password=self.Ety_password.get()
        self.spider.captcha=self.Ety_verifyCode.get()

        self.spider.loginMainPage()

        result=self.spider.getAndSaveScore()
        if(result==0):
            self.show_toplevel('获取失败,请重试!')
        else:
            self.show_toplevel('获取成功!')
        self.update()

    def show_toplevel(self,msg):
        self.top = Toplevel()
        self.top.title('操作提示')
        self.top.geometry("30x20+350+350")
        Label(self.top, text=msg).pack()

    def freshCaptcha(self,event):
        self.img = self.spider.getCaptcha()
        img_captcha = ImageTk.PhotoImage(self.img)
        self.Lbl_captcha = Label(self, image=img_captcha)
        self.Lbl_captcha.image = img_captcha
        self.Lbl_captcha.grid(row=2,column=2)
        self.update()

    def setGeometry(self):

        #w, h = self.img.size
        self.parent.geometry("300x150+300+300" )


def main():

    root = Tk()
    ex = Example(root)
    ex.setGeometry()
    root.mainloop()


if __name__ == '__main__':
    main()
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值