首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >python学习笔记5.2-包和模块的导入

python学习笔记5.2-包和模块的导入

作者头像
锦小年
发布于 2018-01-02 06:18:54
发布于 2018-01-02 06:18:54
91700
代码可运行
举报
文章被收录于专栏:锦小年的博客锦小年的博客
运行总次数:0
代码可运行

在理解什么是包以及什么是模块之后,就要学会如何去导入包或者模块了,本文主要介绍如何导入包以及在导入包的过程中需要注意一些什么。导入包的核心是使用关键词import以及搭配其他的一些关键词(from,as)等。因而根据不用的需要会有以下几种导入形式。

1. 只使用import导入

一般情况下,如果包比较小,功能比较单一,或者是属于系统功能,能够使用很短的字符就能使用函数或类的时候,就只需要用关键词import,显得代码逻辑更加清晰。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import sys
sys.path.append('your dir')

import time
print(time.time())

2. import 搭配 as

在包或者模块名称比较长,我们想在代码中使用比较公认的简写的时候,import 搭配as的使用会使得代码更加简洁。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import numpy as np
import matplotlib.pyplot as plt

3. import 搭配from

有时候我们只想导入一个包中的一个特定功能的模块,这样会节约内存的使用,这个时候我们可以使用from…import …。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from matplotlib import pyplot as plt
from numpy import random

4. import 搭配 from *

有时候我们想导入包或者模块后直接使用导入对象的名来调用对象,而不需要在前面加入包名。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from numpy import *
from time import *

需要注意的是,当使用此种调用方式时,如果一个模块如果定义有列表all,则from module import * 语句只能导入all列表中存在的对象。

import 语句可以在程序的任何位置使用,你可以在程序中多次导入同一个模块,但模块中的代码*仅仅*在该模块被首次导入时执行。后面的import语句只是简单的创建一个到模块名字空间的引用而已。sys.modules字典中保存着所有被导入模块的模块名到模块对象的映射。这个字典用来决定是否需要使用import语句来导入一个模块的最新拷贝. from module import *语句只能用于一个模块的最顶层.

特别注意:由于存在作用域冲突,不允许在函数中使用from 语句。

5. reload重新导入

如果更新了一个已经用import语句导入的模块,内建函数reload()可以重新导入并运行更新后的模块代码.在reload()运行之后的针对模块的操作都会使用新导入代码,不过reload()并不会更新使用旧模块创建的对象,因此有可能出现新旧版本对象共存的情况。

注意: 使用C或C++编译的模块不能通过 reload() 函数来重新导入。记住一个原则,除非是在调试和开发过程中,否则不要使用reload()函数.

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import time
# doing something

reload(time)
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
卷积神经网络之 - 残差⽹络(RESNET)
残差神经网络 (ResNet) 是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出的。ResNet 在 2015 年的 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)中取得了图像分类、检测、定位三个冠军。2016 年 CVPR 论文:《Deep Residual Learning for Image Recognition》就介绍了 ResNet,该论文截至当前 (2020.1.3) 已被引用超过 36500 次。
机器视觉CV
2020/07/23
3.4K0
卷积神经网络之 - 残差⽹络(RESNET)
【AI初识境】近20年深度学习在图像领域的重要进展节点
这是专栏《AI初识境》的第3篇文章。所谓初识,就是对相关技术有基本了解,掌握了基本的使用方法。
机器视觉CV
2019/10/11
9620
【AI初识境】近20年深度学习在图像领域的重要进展节点
【技术综述】你真的了解图像分类吗?
图像分类是计算机视觉中最基础的任务,基本上深度学习模型的发展史就是图像分类任务提升的发展历史,不过图像分类并不是那么简单,也没有被完全解决。
abs_zero
2018/12/13
7460
【AI有识境】如何掌握好图像分类算法?
进入到有识境界,可以大胆地说自己是一个非常合格的深度学习算法工程师了,能够敏锐地把握自己研究的领域,跟踪前沿和能落地的技术,对自己暂时不熟悉的领域也能快速地触类旁通。
用户1508658
2020/07/07
9670
用这种方法实现无监督端到端图像分类!
FAIR 的研究者提出了一种为卷积网络进行大规模端到端训练的聚类方法。他们证明了用聚类框架获得有用的通用视觉特征是可实现的。
数据派THU
2018/08/14
1.1K0
用这种方法实现无监督端到端图像分类!
【深度学习】CNN图像分类:从LeNet5到EfficientNet
在对卷积的含义有了一定的理解之后,我们便可以对CNN在最简单的计算机视觉任务图像分类中的经典网络进行探索。CNN在近几年的发展历程中,从经典的LeNet5网络到最近号称最好的图像分类网络EfficientNet,大量学者不断的做出了努力和创新。本讲我们就来梳理经典的图像分类网络。
黄博的机器学习圈子
2020/10/19
4.2K0
【深度学习】CNN图像分类:从LeNet5到EfficientNet
被垃圾分类逼疯?AI或许能拯救你
垃圾分类可以更好地保护我们的环境卫生,为了让大家能够正确对垃圾进行分类,官方发布了垃圾分类指南,列举了每种类别对应的常见垃圾,大家可以对照着进行分类投放。此外,脑洞大开的网友们也另辟蹊径,提供了各种有意思的分类思路。
IT阅读排行榜
2019/07/09
7710
被垃圾分类逼疯?AI或许能拯救你
通用视觉框架OpenMMLab图像分类与基础视觉模型
在ImageNet 图像识别挑战赛里,2010 和2011 年的冠军队伍都使用了经典的视觉方法,基于手工设计的特征+ 机器学习算法实现图像分类,Top-5 错误率在25% 上下。
timerring
2023/02/24
8420
通用视觉框架OpenMMLab图像分类与基础视觉模型
别磨叽,学完这篇你也是图像识别专家了
图像识别是当今深度学习的主流应用,而Keras是入门最容易、使用最便捷的深度学习框架,所以搞图像识别,你也得强调速度,不能磨叽。本文让你在最短时间内突破五个流行网络结构,迅速达到图像识别技术前沿。
AI科技大本营
2018/04/27
2.8K0
别磨叽,学完这篇你也是图像识别专家了
开发 | CNN 那么多网络有何区别?看这里了解 CNN 发展历程
AI科技评论按:本文原载于知乎, AI科技评论获作者授权转载。 深度学习算法最近变得越来越流行和越来越有用的算法,然而深度学习或者深度神经网络的成功得益于层出不穷的神经网络模型架构。这篇文章当中作者回
AI科技评论
2018/03/13
1.2K0
开发 | CNN 那么多网络有何区别?看这里了解 CNN 发展历程
ResNet - 2015年 ILSVRC 的赢家(图像分类,定位及检测)
在本文,我们ResNet进行了回顾。通过学习残差表征函数而不是直接学习目标表征,ResNet可以拥有多达152层的非常深的网络。
AI研习社
2019/05/08
1.5K0
ResNet - 2015年 ILSVRC 的赢家(图像分类,定位及检测)
深度学习基础之卷积神经网络
卷积神经网络(Convolutional Neural Networks, CNN)是深度学习领域的重要分支,其历史发展和关键里程碑可以追溯到20世纪50年代,并经历了多个重要的阶段。
用户11315985
2024/10/16
3050
深度学习基础之卷积神经网络
【一图看懂】计算机视觉识别简史:从 AlexNet、ResNet 到 Mask RCNN
原文:medium 来源:新智元 作者:Đặng Hà Thế Hiển 编译:新智元编辑部 本文长度为5000字,建议阅读8分钟 本文通过一张信息图示,讲述计算机视觉(CV)物体识别的现代史,总结CV 6 大关键技术和目标识别的重要概念。 [导读]Medium 用户 Đặng Hà Thế Hiển 制作了一张信息图示,用专业、简洁并且最有吸引力的方式——信息图示,讲述计算机视觉(CV)物体识别的现代史。不仅总结了CV 6 大关键技术和目标识别的重要概念,整个信息图示从 2012年 AlexNet 赢
数据派THU
2018/01/29
1.3K0
CNN经典模型汇总[通俗易懂]
作为深度学习的基础,神经网络这个算法是必须要有深入的了解的,这里不介绍太多,简单介绍一下原理和单个神经元的结构:
全栈程序员站长
2022/08/02
2.8K0
CNN经典模型汇总[通俗易懂]
基于卷积神经网络的垃圾图像分类算法
垃圾分类作为资源回收利用的重要环节之一, 可以有效地提高资源回收利用效率, 进一步减轻环境污染带 来的危害. 随着现代工业逐步智能化, 传统的图像分类算法已经不能满足垃圾分拣设备的要求. 本文提出一种基于 卷积神经网络的垃圾图像分类模型 (Garbage Classification Network, GCNet). 通过构建注意力机制, 模型完成局部 和全局的特征提取, 能够获取到更加完善、有效的特征信息; 同时, 通过特征融合机制, 将不同层级、尺寸的特征进 行融合, 更加有效地利用特征, 避免梯度消失现象. 实验结果证明, GCNet 在相关垃圾分类数据集上取得了优异的 结果, 能够有效地提高垃圾识别精度.
小白学视觉
2022/02/14
1.2K0
基于卷积神经网络的垃圾图像分类算法
关于CNN图像分类的一份综合设计指南
对于计算机视觉任务而言,图像分类是其中的主要任务之一,比如图像识别、目标检测等,这些任务都涉及到图像分类。而卷积神经网络(CNN)是计算机视觉任务中应用最为广泛且最为成功的网络之一。大多数深度学习研究者首先从CNN入门,上手的第一个项目应该是手写体MNIST数字图像识别,通过该项目能够大致掌握图像分类的基本操作流程,但由于该项目太成熟,按步骤操作一遍可能只知其然而不知其所以然。所以,当遇到其它图像分类任务时,研究者可能不知道如何开始,或者不知道选取怎样的预训练网络模型、或者不知道对已有的成熟模型进行怎样的调整、模型的层数怎样设计、如何提升精度等,这些问题都是会在选择使用卷积神经模型完成图像分类任务时应该考虑的问题。 当选择使用CNN进行图像分类任务时,需要优化3个主要指标:精度、仿真速度以及内存消耗。这些性能指标与设计的模型息息相关。不同的网络会对这些性能指标进行权衡,比如VGG、Inception以及ResNets等。常见的做法是对这些成熟的模型框架进行微调、比如通过增删一些层、使用扩展的其它层以及一些不同的网络训练技巧等完成相应的图像分类任务。 本文是关于使用CNN进行图像分类任务的优化设计指南,方便读者快速掌握图像分类模型设计中所遇到的问题及经验。全文集中在精度、速度和内存消耗这三个性能指标进行扩展,介绍不同的CNN分类方法,并探讨这些方法在这三个性能指标上的表现。此外,还可以看到对这些成熟的CNN方法进行各种修改以及修改后的性能表现。最后,将学习如何针对特定的图像分类任务优化设计一个CNN网络模型。
用户3578099
2019/08/16
1.2K0
【图像分类】从数据集和经典网络开始
一场完美的交响乐演出,指挥家需要充分结合每位演奏者和乐器的特点,根据演奏曲目把控节奏,才能将曼妙的音符传送到所有听众的耳中。
用户1508658
2019/07/26
1.9K0
眼疾识别图像分类任务
这里使用到了眼疾识别数据集iChallenge-PM,是百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛中,提供的关于病理性近视(Pathologic Myopia,PM)的医疗类数据集,包含1200个受试者的眼底视网膜图片,训练、验证和测试数据集各400张。
灯珑LoGin
2022/10/31
1.2K0
眼疾识别图像分类任务
基于飞桨PaddlePaddle的多种图像分类预训练模型强势发布
在计算机视觉领域,图像分类是非常重要的基本问题,是图像目标检测、图像分割、图像检索、视频理解、物体跟踪、行为分析等其他高层视觉任务的基础,在实际场景中,有着广泛应用。飞桨(PaddlePaddle)视觉模型库图像分类持续提供业内领先的分类网络结构训练方法以及在imagenet 1000分类任务上的预训练模型。目前,已开源10种不同网络结构,25个预训练模型,包括当前效果最优的ResNet50(top-1:79.84%),助力用户提高构建模型的效率,大大减轻“炼丹”的烦恼。
用户1386409
2019/07/11
1.1K0
基于飞桨PaddlePaddle的多种图像分类预训练模型强势发布
从AlexNet到残差网络,理解卷积神经网络的不同架构
该文介绍了神经网络模型压缩、加速和量化三个方面的研究进展。其中,压缩技术包括模型剪枝、知识蒸馏等方法,加速技术包括硬件加速、优化算法等方法,量化技术包括量化训练、量化推理等方法。这些技术在不同程度上减小了模型的大小、提高了推理的速度、降低了训练的能耗。
企鹅号小编
2018/01/04
1K0
从AlexNet到残差网络,理解卷积神经网络的不同架构
推荐阅读
相关推荐
卷积神经网络之 - 残差⽹络(RESNET)
更多 >
LV.0
这个人很懒,什么都没有留下~
交个朋友
加入HAI高性能应用服务器交流群
探索HAI应用新境界 共享实践心得
加入架构与运维学习入门群
系统架构设计入门 运维体系构建指南
加入架构与运维工作实战群
高并发系统设计 运维自动化实践
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档