forms与admin

models.objects.get() 获取单条数据,不存在则报错
models.objects.all() 获取所有的数据
models.Tb1.objects.filter(name='seven') # 获取指定条件的数据 models.Tb1.objects.exclude(name='seven') # 获取指定条件的数据
models.Tb1.objects.filter(name='seven').delete() # 删除指定条件的数据 models.Tb1.objects.filter(name='seven').update(gender='0') # 将指定条件的数据更新,均支持 **kwargs

django中的表单类

每个 Form 实例拥有一个 is_valid() 方法,它对所有字段进行认证,如果所有字段均有效,它将返回 True ,并且将表单的数据放入 cleaned_data 的属性中

使用模型表单(继承 forms.ModelForm):
创建表单的显示类型,如单选框,多选框,再重写save()方法,使用join()方法添加进models中的字段存入字段值,在admin中使用model字段时,需要引用自定义的表单类,如
form = UrlChaogeInfoForm
  1. 首先从django.forms导入ModelForm;从 app 中导入模型类
  2. 编写一个自己的类,继承ModelForm;
  3. 在新类里,设置元类Meta;
  4. 在Meta中,设置model属性为你要关联的ORM模型;
  5. 在Meta中,设置fields属性为你要在表单中使用的字段列表;
  6. 列表里的值,应该是ORM模型model中的字段名。
  7. 在视图里创建一个form类之后,通过实例.save()的方法赋值给 model 类,然后模型实例.save()就可以保存了

  8. exclude = ('birth_date',) 排除不需要用户填写的字段
使用自定义的表单(继承 forms.Form)
不需要与Model中的数据对应,可以充当Model,

form里面有 is_valid cleaned_data errors可以验证表单

django admin 中定制HTML模板:

add_form_template = 自定义原有的模板,用于模型实列添加页面(html型的模板定制)可继承,
数据库的关联性需要很高。
缺点:会导致无法升级。

change_form_template = 重置原有使用的模板,更改视图,用于模型实列编辑页面(html型的模板定制),可继承

form = 自定义修改数据的表单(内置表单型的模板定制),它用于创建你的添加/修改页面的表单,在"添加/修改"页面覆盖默认的表单行为


项目架构:

需要先画出项目流程图,需求分析清楚再进行数据库的设计,需要对需求分析清楚。


















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