Python之Flash路由框架2.0

本文介绍了Python的Flask框架,包括如何开启调试模式、设置路由、使用路径变量、构造URL,以及添加链接、图片、代码块、列表、表格、居中对齐等Markdown元素。此外,还提到了甘特图、UML图表和Flowchart流程图的使用。
摘要由CSDN通过智能技术生成

Python之flask框架

授课:林德尧(泉舟时代-未来城市技术总监)

Flask是一个Python编写的Web 微框架,让我们可以使用Python语言快速实现一个网站或Web服务。本文参考自Flask官方文档,大部分代码引用自官方文档。

我们修改代码中的输出,然后查看浏览器上是否有变化。如果你照做的话,可以看到什么变化都没有。其实Flask内置了调试模式,可以自动重载代码并显示调试信息。这需要我们开启调试模式,方法很简单,设置FLASK_DEBUG环境变量,并将值设置为1。或者设置app.debug=True

调用模式

from flask import Flask

app = Flask(__name__)
app.debug=True

@app.route('/')
def hello_world():
    return 'Hello World!'

@app.route('/login')
def login():
    return 'Login'


if __name__ == '__main__':
    app.run()

然后再次运行程序,会看到有这样的输出。这时候如果再次修改代码,会发现这次Flask会自动重启

* Restarting with stat
 * Debugger is active!
 * Debugger PIN: 157-063-180
 * Running on http://127.0.0.1:5000/ (Press CTRL+C to quit)

路由

在上面的例子里可以看到路由的使用。如果了解Spring Web MVC的话,应该对路由很熟悉。路由通过使用Flask的app.route装饰器来设置,这类似Java的注解。

@app.route('/')
def index():
    return 'Index Page'

@app.route('/hello')
def hello():
    return 'Hello, World'

路径变量

如果希望获取/article/1这样的路径参数,就需要使用路径变量。路径变量的语法是/path/converter:varname。在路径变量前还可以使用可选的转换器,有以下几种转换器。

转换器 作用
string 默认选项,接受除了斜杠之外的字符串
int 接受整数
float 接受浮点数
path 和string类似,不过可以接受带斜杠的字符串
any 匹配任何一种转换器
uuid 接受UUID字符串
下面是Flask官方的例子。

@app.route('/user/<username>')
def show_user_profile(username):
    # show the user profile for that user
    return 'User %s' % username

@app.route('/post/<int:post_id>')
def show_post(post_id):
    # show the post with the given id, the id is an integer
    return 'Post %d' % post_id

构造URL

在Web程序中常常需要获取某个页面的URL,在Flask中需要使用url_for(‘方法名’)来构造对应方法的URL。下面是Flask官方的例子。

>>> from flask import Flask, url_for
>>> app = Flask(__name__)
>>> @app.route('/')
... def index(): pass
...
>>> @app.route('/login')
... def login(): pass
...
>>> @app.route(
TensorFlow 2.0是一个开源的机器学习框架,可以使用Python进行编程。以下是使用Python的TensorFlow 2.0框架的步骤: 1. 安装TensorFlow 2.0 可以使用pip命令来安装TensorFlow 2.0: ``` pip install tensorflow==2.0.0 ``` 2. 导入TensorFlow 2.0库 在Python代码中,需要导入TensorFlow 2.0库: ``` import tensorflow as tf ``` 3. 创建模型 使用TensorFlow 2.0,可以使用Keras API创建模型。以下是一个简单的例子: ``` from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense model = Sequential() model.add(Dense(10, activation='relu', input_shape=(784,))) model.add(Dense(1, activation='sigmoid')) ``` 上面的代码创建了一个简单的神经网络模型,包含一个输入层、一个隐藏层和一个输出层。 4. 编译模型 在创建模型后,需要编译模型。可以指定优化器、损失函数和评估指标: ``` model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` 5. 训练模型 使用fit方法来训练模型。需要指定训练数据和标签,以及训练的批次大小和训练的轮数: ``` model.fit(train_data, train_labels, batch_size=32, epochs=10) ``` 6. 评估模型 使用evaluate方法来评估模型的性能: ``` loss, accuracy = model.evaluate(test_data, test_labels) print('Test accuracy:', accuracy) ``` 7. 使用模型进行预测 使用predict方法来对新的数据进行预测: ``` predictions = model.predict(new_data) ``` 上面的代码返回模型对新数据的预测结果。 这就是使用Python的TensorFlow 2.0框架的基本步骤。当然,还有很多其他的功能和选项可以使用,例如使用预训练模型、进行数据增强等。
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