上一篇博文介绍了一个自动更新.docx文件的Python脚本。当时通宵（通宵看葡萄牙VS西班牙顺带码的）码好的时候想着怎么分享给整个部门使用，考虑到公司电脑并没有Python环境（没有安装权限），于是我就找有没有办法可以让我的这个Python脚本在一台没有安装Python的电脑上执行。经过Google发现有py2exe和Pyinstaller可以将Python脚本编译成Windows（Pyinstaller支持多平台）可执行文件。经过比较发现Pyinstaller安装使用更简单（见下图），所以我选择了Pyinstaller，现记录一下转换过程。
我有一个关于使用断点续传到Google Cloud Storage的上传速度的问题。我已经编写了一个Python客户端，用于将大文件上传到GCS（它具有一些特殊功能，这就是为什么gsutil对我公司不适用的原因）。在大约2个月前运行的测试中，它很好地利用了可用的连接带宽，其中25Mbps连接中大约有20Mbps。该项目被冻结了将近2个月，现在，当重新打开该项目时，同一客户端以非常慢的速度上载，速度约为25Mbps的1.4Mbps。我已经编写了简单的Python脚本来检查它是否也会遇到相同的问题，并且速度稍快一些，但仍约为2Mbps。Gsutil工具的执行效果几乎与我的Python脚本相同。我还以超过50Mbps的上传速度在不同的网络基础架构上运行了该测试，效果非常好。
近日，一名叫Matt Fraser的小哥用Cloud AutoML制作了一个分类器，能识别分类澳大利亚的各种毒蜘蛛。
每个不平凡的机器学习项目最终都将使用漏洞缠身且无法维护的内部工具进行缝合。这些工具（通常是Jupyter笔记本和Flask应用程序的拼凑而成）难以部署，需要对客户端-服务器体系结构进行推理，并且无法与Tensorflow GPU会话等机器学习结构很好地集成。
目前我们可以在网络上搜索到大量制作好的数据集，那么如何快速制作属于自己的数据集呢？
众所周知，arXiv 是我们搜索、浏览和下载学术论文的重要工具。近 30 年来，arXiv 为公众和研究社区提供了开放获取学术论文的服务。这些论文涉及物理学的庞大分支和计算机科学的众多子学科，如数学、统计学、电气工程、定量生物学和经济学等等。
Python机器学习模型建立起来之后，如何对它的性能进行优化？按照本指南中的三个步骤可以对任意优化库设置自动调优。
最近在Github发现一个基于google浏览器的爬虫项目，此项目是由美国大神2018年开源的。这个开源项目不需要使用者再去手写核心爬虫，只需要下载安装，然后传入一些配置参数即可。重要的能做到google图片的无限量爬取，只有不想爬的图片，没有爬不到的。下来就介绍一下这个牛逼的开源项目。
Ampy是一个简单的命令行工具，用于通过串口连接操作文件并在CircuitPython或MicroPython板上运行代码。使用ampy，您可以将文件从计算机发送到电路板的文件系统，将文件从电路板下载到计算机，甚至可以将Python脚本发送到电路板上执行。
是否能够更快地训练和提供对象检测模型？我们已经听到了这种的反馈，在今天我们很高兴地宣布支持训练Cloud TPU上的对象检测模型，模型量化以及并添加了包括RetinaNet和MobileNet改编的RetinaNet在内的新模型。本文将引导你使用迁移学习在Cloud TPU上训练量化的宠物品种检测器。
多年没有花这么多的时间解决一个问题了，从数据的 Dump 到数据导入，到容器的 SQL 执行。
不得不说，对于写代码这件事，真的必须就是在电脑上才会有很好的体验。手机上写Python代码，那种感觉确实不敢想。
在很多歌迷眼里，尤其是喜欢乡村音乐的人，“霉霉”Taylor Swift是一位极具辨识度也绝对不能错过的女歌手。在美国硅谷就有一位非常喜欢 Taylor Swift 的程序媛 Sara Robinson，同时她也是位很厉害的 APP 开发者。喜爱之情难以言表，于是利用机器学习技术开发了一款iOS 应用，可以随时随地识别出 Taylor Swift~~~
因为近期要写嵌套for循环，由于运算量有点大，耗时比较久。所以就在谷歌上搜了搜有没有办法可以提升python for loop的速度，然后就发现了非常好用的模块：Numba
我们在【重磅来袭】在Power BI 中使用Python（4）——PQ数据导出&写回SQL 讲过如何在Power BI中调用Python实现powerquery获取和处理的数据回写到MySQL中。
本节将说明 API 在软件开发中的一般用法，并说明如何使用不同的最新深度学习 API 来构建智能 Web 应用。 我们将涵盖自然语言处理（NLP）和计算机视觉等领域。
Hadoop，是一个分布式系统基础架构，由Apache基金会开发。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力高速运算和存储。
Python是一种简单易学，功能强大的编程语言，它有高效率的高层数据结构，简单而有效地实现了面向对象编程。Python简洁的语法和对动态输入的支持，再加上解释性语言的本质，使得它在大多数平台上的许多领域都是一个理想的脚本语言，特别适用于快速的应用程序开发。
数据库通常会在您的基础架构中存储一些最有价值的信息。因此，在发生事故或硬件故障时，必须具有可靠的备份以防止数据丢失。
用VOSviewer尝试CNKI中文文献关键词共现（keyword co-occurence）分析时，你可能会踩到一个大坑。本文帮助你绕开这个坑，或是从坑里爬出来。
将环境变量GOOGLE_APPLICATION_CREDENTIALS设置为包含服务帐户密钥的JSON文件的文件路径。在Linux或macOS系统中设置方法如下：
Streamlit是第一个专门针对机器学习和数据科学团队的应用开发框架，它是开发自定义机器学习工具的最快的方法，你可以认为它的目标是取代Flask在机器学习项目中的地位，可以帮助机器学习工程师快速开发用户交互工具。
在军事、安防、监控领域，从输入视频中检测物体的任务扮演者关键的角色。姿态变化、衣着、背景杂斑、光照、容貌等因素会使这个任务变得更具挑战性。
机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术，对于大部分企业和组织而言，过去这一直都是一个遥不可及的事情。但是现在这种情况正在发生改变，正如
本章是关于互操作性的。 我们必须不断提醒自己，NumPy 在科学（Python）软件生态系统中并不孤单。 与 SciPy 和 matplotlib 一起工作非常容易。 还存在用于与其他 Python 包互操作性的协议。 在 Python 生态系统之外，Java，R，C 和 Fortran 等语言非常流行。 我们将详细介绍与这些环境交换数据的细节。
我有一个 GAE restful 服务，需要使用管理员帐户登录。而我正在用 Python 编写一个自动化脚本来测试这个服务。这个脚本只是执行一个 HTTP POST，然后检查返回的响应。对我来说困难的部分是如何将测试脚本验证为管理员用户。
随着云计算的普及，越来越多的企业和开发者转向使用云服务来构建和扩展他们的应用程序。AWS（亚马逊云服务）、Azure（微软云）和Google Cloud Platform（谷歌云平台）是当前市场上最受欢迎的三大云服务提供商。本文将使用Python语言为您展示如何在这三个平台上执行常见的任务，并比较它们的优缺点。
2018年，谷歌推出了云AutoML，引起了广泛关注，是机器学习和人工智能领域最重要的工具之一。在本文中，你将学习“AutoML”，这是一种借助 Google 云 AutoML 构建机器学习模型的无代码解决方案。
在 App Engine 中，当用户访问静态文件（例如媒体文件）时，默认情况下，浏览器会尝试对文件进行流媒体播放。这对于某些类型的文件（如视频和音频）来说通常是理想的，但对于其他类型的文件（如图像和文档）来说，用户可能希望直接下载该文件。
批评Python的讨论经常谈论使用Python进行多线程工作有多么困难，将矛头指向所谓的全局解释器锁（正式称为GIL），该锁阻止了多个Python代码线程同时运行。因此，如果您不是Python开发人员，并且来自其他语言（例如C ++或Java），则Python多线程模块的行为可能与您期望的不太一样。必须明确的是，只要考虑到某些因素，仍然可以用Python编写可同时运行或并行运行的代码，并在最终性能上产生显着差异。如果您尚未阅读，建议您看看Eqbal Quran的Toptal Engineering Blog上有关Ruby中的并发和并行性的文章。
目标：创建一个命令行游戏，游戏者可以在石头、剪刀和布之间进行选择，与计算机PK。如果游戏者赢了，得分就会添加，直到结束游戏时，最终的分数会展示给游戏者。
这篇文章是“用Tensorflow和OpenCV构建实时对象识别应用”的后续文章。具体来说，我在自己收集和标记的数据集上训练了我的浣熊检测器。完整的数据集可以在我的Github repo上看到。 看一
这是一篇来自PyImageSearch的Adrian Rosebrock的博客，他的博客内容包括计算机视觉，图像处理和建筑图像搜索引擎等。
在使用Python的过程中，我最喜欢的就是Python的各种第三方库，能够完成很多操作。
Machete是一个由西班牙语组织开发的网络间谍工具集，自2010年以来一直处于活动之中。该组织持续为其恶意软件开发新功能。他们长期攻击的重点在拉丁美洲国家，多年来一直收集目标国家情报并改进他们的攻击策略。近期研究人员发现了一项持续的，针对性很强的攻击活动，其中大多数目标都是军事组织。
机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术，对于大部分企业和组织而言，过去这一直都是一个遥不可及的事情。但是现在这种情况正在发生改变，正如标准的API简化了应用程序的开发一样，机器学习API也降低了这一领域的门槛，让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。 机器学习API隐藏了创建和部署机器学习模型的复杂性，让开发者能够专注于数据挖掘和用户体验。同时，将机器学习商业化成云服务也是当今的趋势，IBM、Microsof
摘自：InfoQ 原文链接：infoq.com/cn/news/2015/12/5-best-ml-api-to-use 作者：孙镜涛 机器学习作为大数据的前沿无疑是让人生畏的，因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术，对于大部分企业和组织而言，过去这一直都是一个遥不可及的事情。但是现在这种情况正在发生改变，正如标准的API简化了应用程序的开发一样，机器学习API也降低了这一领域的门槛，让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。 机器学习API隐藏了创
Hi，大家好。Python丰富的开发生态是它的一大优势，各种第三方库、框架和代码，都是前人造好的“轮子”，能够完成很多操作，让你的开发事半功倍。
有了能做出惊人预测的模型之后，要做什么呢？当然是部署生产了。这只要用模型运行一批数据就成，可能需要写一个脚本让模型每夜都跑着。但是，现实通常会更复杂。系统基础组件都可能需要这个模型用于实时数据，这种情况需要将模型包装成网络服务：这样的话，任何组件都可以通过REST API询问模型。随着时间的推移，你需要用新数据重新训练模型，更新生产版本。必须处理好模型版本，平稳地过渡到新版本，碰到问题的话需要回滚，也许要并行运行多个版本做AB测试。如果产品很成功，你的服务可能每秒会有大量查询，系统必须提升负载能力。提升负载能力的方法之一，是使用TF Serving，通过自己的硬件或通过云服务，比如Google Cloud API平台。TF Serving能高效服务化模型，优雅处理模型过渡，等等。如果使用云平台，还能获得其它功能，比如强大的监督工具。
你知道吗？你可以封装你的python代码，并提供给其他人去运行，即便他们没有安装python。可以像计算机（Windows、Mac或Linux）上的任何程序/应用程序一样运行脚本，无需Python，无需安装库。
这三个部分不是必须存在的，至少要存在业务部分。有没有空行也不是必须的，只是这样看起来更加规范好看。
为了连接到 TPU，我们必须配置一台虚拟机（单独结算）。要注意的是虚拟机和TPU是分别计费的。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
