人工智能开源项目DouZero，C#服务端对接Python接口

Lazy龙

已于 2024-09-12 19:45:59 修改

阅读量565

点赞数 16

分类专栏： Python 文章标签： python 开发语言游戏

于 2024-08-08 20:27:19 首次发布

本文链接：https://blog.csdn.net/qq_48512649/article/details/141035698

版权

Python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

记录背景：第一次接触人工智能开源项目 —— 斗地主打牌DouZero，记录接触过程中学到的概念和应用，以及Python创建接口C#服务端去发起请求。

Python创建接口

在Python中，可以使用多个框架来创建HTTP接口（API），其中最常用的是Flask和FastAPI。下面是使用这两种框架创建简单HTTP接口的示例。

使用Flask创建HTTP接口

python3写一个http接口服务(get, post)，给别人调用2--flask_如何将自己的python算法发布一个服务,别人能够post请求-CSDN博客https://blog.csdn.net/rensihui/article/details/103038262

安装Flask:
```
pip install Flask
```

创建一个简单的Flask应用:

from flask import Flask, request, jsonify

app = Flask(__name__)


@app.route('/add', methods=["GET", "POST"])
def calculate():
    if request.method == 'GET':
        params = request.args
    else:
        params = request.form if request.form else request.json
    a = params.get("a", 0)
    b = params.get("b", 0)
    c = int(a) + int(b)
    res = {"result": c}
    return jsonify(content_type='application/json;charset=utf-8',
                   reason='success',
                   charset='utf-8',
                   status='200',
                   content=res)


if __name__ == '__main__':
    app.run(host='0.0.0.0',
            threaded=True,
            debug=False,
            port=8868)

运行应用:
将上述代码保存到一个文件（例如a pp.py），然后在终端中运行：
```
python app.py
```
调用接口:
- ```
http://127.0.0.1:8868/add?a=1&b=4
```

使用Flask创建HTTP接口

当你使用FastAPI创建一个Web示例时，你可以按照以下步骤进行：

安装FastAPI:
首先，确保你已经安装了FastAPI。如果没有安装，可以使用以下命令安装：
```
pip install fastapi
```
创建应用程序:
创建一个Python文件（例如main.py），并编写一个简单的FastAPI应用程序。以下是一个示例代码：

from fastapi import FastAPI

# 创建一个FastAPI实例
app = FastAPI()

# 创建一个路由，定义一个GET请求处理函数
@app.get("/")
async def read_root():
    return {"Hello": "World"}

运行应用程序:
使用uvicorn命令来运行FastAPI应用程序。在命令行中执行以下命令：
```
uvicorn main:app --reload
```
- main:app 指定了应用程序的模块和实例。
- --reload 参数表示在代码更改时自动重新加载应用程序。
访问应用程序:
应用程序启动后，你可以在浏览器中访问http://127.0.0.1:8000（默认端口为8000），或者使用工具如curl或Postman发送GET请求来查看返回的数据。

通过按照上述步骤创建一个简单的FastAPI Web示例，你可以快速体验FastAPI的功能和简单的路由处理。你可以根据需要添加更多路由和功能来构建更复杂的Web应用程序。

总结

以上是使用Flask和FastAPI创建HTTP接口的基本示例。你可以根据需要扩展这些接口，添加更多的路由和功能。Flask适合简单的应用，而FastAPI则适合需要高性能和异步支持的应用。选择合适的框架可以帮助你更高效地开发API。

C#服务端向Python接口发起请求

知道了Python如何创建接口在去看C#服务端如何发起请求对接Python接口

 using (HttpClient client = new HttpClient())
            {
                // 设置请求的URL
                string url = "http://127.0.0.1:5000/api/";
                url += ///请求接口的具体方法
                 
                var data = 向Python接口发送的Data数据;

                try
                {
                    // 发起GET请求
                    HttpResponseMessage response = await client.PostAsync(url,data);
                
                    // 确保请求成功
                    response.EnsureSuccessStatusCode();
                
                    // 读取响应内容
                    string responseBody = await response.Content.ReadAsStringAsync();

                    return responseBody;
                    // 输出响应内容
                }
                catch (HttpRequestException e)
                {
                    
                    // 处理请求异常
                    Log.Info("Message :{0} " +  e.Message);
                    return "1";
                }
            }

DouZero

下边链接是原版DouZero介绍的文章

https://zhuanlan.zhihu.com/p/389439772https://zhuanlan.zhihu.com/p/389439772

下边链接作者在DouZero的基础上具体应用到欢乐斗地主这块游戏中，通过识别牌型给DouZero然后出牌：

GitHub - Vincentzyx/DouZero_For_HLDDZ_FullAuto: 将DouZero用于欢乐斗地主自动化

Python版本3.9

Linux服务器安装Python3.9 Red Hat系列的Linux发行版中如何安装python3.9 - 安琪儿一直在 - 博客园 (cnblogs.com)

.ckpt

.ckpt 文件是 TensorFlow 框架中用于保存和恢复模型的检查点文件。它包含了模型的权重、偏置以及其他训练状态信息，可以在模型训练过程中定期保存，以便在需要时恢复训练或进行推理。

`.ckpt` 文件的具体用途

模型保存：在训练过程中，定期保存模型的状态，以防止因意外中断而丢失训练进度。
恢复训练：可以从最后保存的检查点恢复训练，继续训练而不需要从头开始。
模型评估：可以使用保存的模型进行评估，查看其在验证集或测试集上的表现。
推理：使用保存的模型进行推理，生成预测结果。

如何使用 `.ckpt` 文件

1. 保存模型

在 TensorFlow 中，可以使用以下代码保存模型：

import tensorflow as tf

# 假设你有一个模型
model = ...  # 创建或训练你的模型

# 创建一个检查点回调
checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath='model_checkpoint.ckpt',
    save_weights_only=True,
    save_best_only=True
)

# 训练模型并保存检查点
model.fit(train_data, train_labels, callbacks=[checkpoint_callback])

2. 加载模型

要恢复模型的权重，可以使用以下代码：

import tensorflow as tf

# 创建模型
model = ...  # 重新创建模型结构

# 加载检查点
model.load_weights('model_checkpoint.ckpt')

3. 继续训练

如果需要从保存的检查点继续训练，可以在加载权重后再次调用 fit 方法：

model.fit(train_data, train_labels, epochs=additional_epochs)

注意事项

确保在加载权重时，模型的结构与保存时一致。
如果使用自定义层或模型，可能需要在加载时提供相应的类定义。

通过使用 .ckpt 文件，可以有效地管理模型的训练过程，提高训练的效率和可靠性。

深拷贝浅拷贝的概念

深拷贝和浅拷贝都是在编程中经常遇到的概念，它们涉及到复制数据结构时的不同方式。以下是通俗易懂的解释：

浅拷贝（Shallow Copy）

浅拷贝就像复印件：当你进行浅拷贝时，你会得到一个新的数据结构，但这个新的数据结构中的元素只是原始数据结构中元素的引用，而不是新的独立的元素。
举个例子：假设你有一个书架，进行浅拷贝就好像复印了一个书架的清单，但实际上书架上的书还是同一本。
影响：如果你改变了浅拷贝后的数据结构中的元素，原始数据结构中的对应元素也会受到影响。

深拷贝（Deep Copy）

深拷贝就像复制原件：当你进行深拷贝时，你会得到一个全新的数据结构，其中的元素都是全新的独立的副本，而不是原始数据结构中元素的引用。
举个例子：继续以书架为例，进行深拷贝就是把原书架上的每本书都复制一份到新的书架上。
影响：深拷贝后的数据结构和原始数据结构完全独立，彼此之间的操作互不影响。

总结

浅拷贝：复制的是引用，修改一个会影响另一个。
深拷贝：复制的是值，独立存在，修改一个不会影响另一个。

在编程中，根据需要选择适合的拷贝方式可以避免意外的数据修改和逻辑错误。

Lazy龙

关注

16
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
人工智能开源项目DouZero，C#服务端对接Python接口

以上是使用Flask和FastAPI创建HTTP接口的基本示例。你可以根据需要扩展这些接口，添加更多的路由和功能。Flask适合简单的应用，而FastAPI则适合需要高性能和异步支持的应用。选择合适的框架可以帮助你更高效地开发API。浅拷贝：复制的是引用，修改一个会影响另一个。深拷贝：复制的是值，独立存在，修改一个不会影响另一个。在编程中，根据需要选择适合的拷贝方式可以避免意外的数据修改和逻辑错误。t=O83A。
复制链接

扫一扫

专栏目录