pythonos模块介绍_python的os模块fnmatch模块介绍

一、先介绍一下os模块

import os

print(os.getcwd())

# E:\python\test\python_models

# 获取当前的目录

print(os.listdir("."))

# ['oop.py', 'python_argparse.py', 'python_click.py', 'python_os.py', 'python_re.py', 'python_requests.py', 'xx.py', '__init__.py']

# 列出指定目录下的所有文件和文件夹,返回的是一个列表

1、拆分路径的方法介绍

# 1、拆分路径的方法介绍

# os.path模块用来对文件和路径进程管理,显示他包含很多拆分路径的函数,os.path模块中和拆分路径相关的函数有

# os.path.split() 返回一个二元组,包含文件的路径和文件名

# os.path.dirname() 返回文件的路径

# os.path.basename() 返回文件的文件名

# os.path.splitext() 返回一个不包括文件扩展名的部分和文件扩展名的二元组

# 下面演示一下上面介绍的方法

path = "G:\新建文件夹\疯狂\永久地址.txt"

print(os.path.split(path))

# ('G:\\新建文件夹\\疯狂', '永久地址.txt')

print(os.path.dirname(path))

# G:\新建文件夹\疯狂

print(os.path.basename(path))

print(os.path.splitext(path))

# ('G:\\新建文件夹\\疯狂\\永久地址', '.txt')

2、构建文件路径的方法介绍

# 2、构建路径的方法介绍

# python工程师可以使用os.path模块方便的拆分路径,相应的,os.path模块的也包含了用以构建路径的函数,其中最常用的是

# os.path.expanduser() 展开用户的HOME目录,比如~,~username

# os.path.abspath() 得到文件或路径的绝对路径

# os.path.join() 根据不同的操作系统平台,使用不用的路径分隔符拼接路径

# 下面演示一下上面介绍的方法

# os.path.expanduser("~mysql") 返回mysql用户的HOME目录,我这里是windows平台,就不演示这个命令了

print(os.path.abspath("."))

# E:\python\test\python_models

print(os.path.abspath(".."))

# E:\python\test

# 相应的有一个方法可以判断一个路径是否为绝对路径

print(os.path.isabs("."))

# False

print(os.path.isabs(os.path.abspath(".")))

# True

print(os.path.join(os.path.abspath("."),"test","join.text"))

# E:\python\test\python_models\test\join.text

# 在python代码中,可使用__file__这个特殊的变量表示当前代码所在的源文件,在编写代码时,有时候需要导入当前源文件父目录下的软件包,因此需要用到

# 这里的路径函数获取源文件的父目录,如下所示

path = os.path.abspath(__file__)

print(path)

# E:\python\test\python_models\python_os.py

print(os.path.dirname(path))

# E:\python\test\python_models

print(os.path.pardir)

# ..

print(os.path.abspath(os.path.join(os.path.dirname(path),os.path.pardir)))

# E:\python\test

3、获取文件属性的方法介绍

# 3、获取文件属性

# os.path模块也包含了若干函数用来获取文件的属性,包括文件的创建时间,修改时间,文件的大小,访问时间

# os.path.getatime() 返回文件的访问的时间

# os.path.getmtime() 返回文件的修改的时间

# os.path.getctime() 返回文件的创建时间

# os.path.getsize() 返回文件的大小

4、判断文件的类型

# 4、判断文件类型

# os.path模块也提供了若干函数用来判断路径是否存爱,以及路径所指的文件的类型,这些判断类的函数一般以is开头,并且返回一个Boolean型的结果

# os.path.exists() 参数path指向的路径是否存在

# os.path.isfile() 参数path指向的路径存在,且为文件

# os.path.isdir() 参数path指向的路径存在,且为目录

# os.path.islink() 参数path指向的路径存在,且是一个连接

# os.path.ismount() 参数path指向的路径存在,且是一个挂载点

5、文件和目录操作

# 5、文件和目录的操作

# os模块保留文件和目录的操作函数,包括创建目录,删除目录,删除文件,重命名文件等

# os.remove() 删除path路径所指向的文件

# os.rmdir() 删除path路径锁指向的文件夹,该文件夹必须为空,否则会报失败

# os.mkdir() 创建一个文件夹

# os.rename() 重命名一个文件或者文件夹

6、修改文件属性和判断文件属性

# 6、修改文件权限和判断文件权限

# os模块也包含了修改文件权限,判断文件权限的函数,即chmod和access,chmod用来修改文件的权限,access用来判断文件是否具有相应的权限,在linux中,

# 权限分为读,写和执行,因此os模块也提供了三个常量来表示读,写,执行,即R_OK,W_OK,X_OK

print(os.access(__file__,os.R_OK))

# True

print(os.access(__file__,os.W_OK))

# True

print(os.access(__file__,os.X_OK))

# True

os.chmod(__file__,os.W_OK)

7、遍历目录树

# 8、os.walk遍历目录树

# 前面的例子都是查找某一个目录下的文件并通过模式匹配去选择自己需要的文件类型,在实际工作中,更有可能遇到的是查找某个目录及其子目录下的所有的文件

# 。例如查找某个目录及其子目录下所有的图片,查找某个目录及其子目录下最大的十个文件,对于这类的需求可以使用os模块walk方法,walk方法遍历某个目录及其

# 子目录,对于每一个目录,walk返回一个三元组,dirpath,dirnames,filenames,其中dirpath保存的是当前的目录,dirnames是当前目录下的子目录列表,filenames

# 是当前目录下的文件列表

for a,b,c in os.walk(".."):

print(a,b,c,"walk---------")

# a为当前的目录

# b为当前目录下目录

# c为当前目录下的文件

二、fnmatch模块介绍

# 7、查找文件

# 使用fnmatch来查找特定的文件,大部分情况下,使用字符串匹配查找特定的文件就能满足需求,如果需要更加灵活的字符串匹配,可以使用标准库中的fnmatch库,这个库

# 专门用来进行文件名匹配,支持使用通配符进行文件名的匹配

1、fnmatch支持的通配符如下

# fnmatch支持的通配符如下

# * 匹配任何数量的字符

# ? 匹配单个字符

# [sep] 匹配sep中的字符

# [!sep] 匹配除了sep以为的任何字符

2、fnmatch的常用方法介绍

# fnmatch常用的方法

# fnmatch.fnmatch() 判断文件名是否符合特定的模式,区分大小写

# fnmatch.fnmatchcase() 判断文件名是否符合特定的模块,不区分大小写

# fnmatch.filter() 返回输入列表中,符合特定模式的文件名列表

# fnmatch.translate() 将通配符匹配模式转换成正则表达式

3、fnmatch.fnmatch方法介绍

for file in os.listdir("."):

if fnmatch.fnmatch(file,"*.html"):

print(file)

elif fnmatch.fnmatch(file,"[a-z]??.py"):

print(file,"hahah")

elif fnmatch.fnmatch(file,"[!a-o]*"):

print(file)

else:

pass

4、fnmatch.filter方法介绍

# filter方法和fnmatch一样,只是filer需要传递一个文件的列表进行,返回一个符合匹配规则的列表

print(fnmatch.filter(os.listdir("."),"*py"))

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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