淺談tensorflow模型保存為pb的各種姿勢(shì)
一，直接保存pb
1, 首先我們當(dāng)然可以直接在tensorflow訓(xùn)練中直接保存為pb為格式，保存pb的好處就是使用場(chǎng)景是實(shí)現(xiàn)創(chuàng)建模型與使用模型的解耦，使得創(chuàng)建模型與使用模型的解耦，使得前向推導(dǎo)inference代碼統(tǒng)一。另外的好處就是保存為pb的時(shí)候，模型的變量會(huì)變成固定的，導(dǎo)致模型的大小會(huì)大大減小。
這里稍稍解釋下pb：是MetaGraph的protocol buffer格式的文件，MetaGraph包括計(jì)算圖，數(shù)據(jù)流，以及相關(guān)的變量和輸入輸出
主要使用tf.SavedModelBuilder來(lái)完成這個(gè)工作，并且可以把多個(gè)計(jì)算圖保存到一個(gè)pb文件中，如果有多個(gè)MetaGraph，那么只會(huì)保留第一個(gè)MetaGraph的版本號(hào)。
保持pb的文件代碼：
import tensorflow as tf
import os
from tensorflow.python.framework import graph_util
pb_file_path = os.getcwd()
with tf.Session(graph=tf.Graph()) as sess:
x = tf.placeholder(tf.int32, name='x')
y = tf.placeholder(tf.int32, name='y')
b = tf.Variable(1, name='b')
xy = tf.multiply(x, y)
# 這里的輸出需要加上name屬性
op = tf.add(xy, b, name='op_to_store')
sess.run(tf.global_variables_initializer())
# convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè)
constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
# 測(cè)試 OP
feed_dict = {x: 10, y: 3}
print(sess.run(op, feed_dict))
# 寫(xiě)入序列化的 PB 文件
with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f:
f.write(constant_graph.SerializeToString())
# 輸出
# INFO:tensorflow:Froze 1 variables.
# Converted 1 variables to const ops.
# 31
其實(shí)主要是：
# convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè) constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
# 寫(xiě)入序列化的 PB 文件 with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f: f.write(constant_graph.SerializeToString())
1.1 加載測(cè)試代碼
from tensorflow.python.platform import gfile
sess = tf.Session()
with gfile.FastGFile(pb_file_path+'model.pb', 'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
sess.graph.as_default()
tf.import_graph_def(graph_def, name='') # 導(dǎo)入計(jì)算圖
# 需要有一個(gè)初始化的過(guò)程
sess.run(tf.global_variables_initializer())
# 需要先復(fù)原變量
print(sess.run('b:0'))
# 1
# 輸入
input_x = sess.graph.get_tensor_by_name('x:0')
input_y = sess.graph.get_tensor_by_name('y:0')
op = sess.graph.get_tensor_by_name('op_to_store:0')
ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})
print(ret)
# 輸出 26
2，第二種就是采用上述的那API來(lái)進(jìn)行保存
import tensorflow as tf
import os
from tensorflow.python.framework import graph_util
pb_file_path = os.getcwd()
with tf.Session(graph=tf.Graph()) as sess:
x = tf.placeholder(tf.int32, name='x')
y = tf.placeholder(tf.int32, name='y')
b = tf.Variable(1, name='b')
xy = tf.multiply(x, y)
# 這里的輸出需要加上name屬性
op = tf.add(xy, b, name='op_to_store')
sess.run(tf.global_variables_initializer())
# convert_variables_to_constants 需要指定output_node_names，list()，可以多個(gè)
constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
# 測(cè)試 OP
feed_dict = {x: 10, y: 3}
print(sess.run(op, feed_dict))
# 寫(xiě)入序列化的 PB 文件
with tf.gfile.FastGFile(pb_file_path+'model.pb', mode='wb') as f:
f.write(constant_graph.SerializeToString())
# INFO:tensorflow:Froze 1 variables.
# Converted 1 variables to const ops.
# 31
# 官網(wǎng)有誤，寫(xiě)成了 saved_model_builder
builder = tf.saved_model.builder.SavedModelBuilder(pb_file_path+'savemodel')
# 構(gòu)造模型保存的內(nèi)容，指定要保存的 session，特定的 tag,
# 輸入輸出信息字典，額外的信息
builder.add_meta_graph_and_variables(sess,
['cpu_server_1'])
# 添加第二個(gè) MetaGraphDef
#with tf.Session(graph=tf.Graph()) as sess:
# ...
# builder.add_meta_graph([tag_constants.SERVING])
#...
builder.save() # 保存 PB 模型
核心就是采用了：
# 官網(wǎng)有誤，寫(xiě)成了 saved_model_builder
builder = tf.saved_model.builder.SavedModelBuilder(pb_file_path+'savemodel')
# 構(gòu)造模型保存的內(nèi)容，指定要保存的 session，特定的 tag,
# 輸入輸出信息字典，額外的信息
builder.add_meta_graph_and_variables(sess,
['cpu_server_1'])
2.1 對(duì)應(yīng)的測(cè)試代碼為：
with tf.Session(graph=tf.Graph()) as sess:
tf.saved_model.loader.load(sess, ['cpu_1'], pb_file_path+'savemodel')
sess.run(tf.global_variables_initializer())
input_x = sess.graph.get_tensor_by_name('x:0')
input_y = sess.graph.get_tensor_by_name('y:0')
op = sess.graph.get_tensor_by_name('op_to_store:0')
ret = sess.run(op, feed_dict={input_x: 5, input_y: 5})
print(ret)
# 只需要指定要恢復(fù)模型的 session，模型的 tag，模型的保存路徑即可,使用起來(lái)更加簡(jiǎn)單
這樣和之前的導(dǎo)入pb模型一樣，也是要知道tensor的name，那么如何在不知道tensor name的情況下使用呢，給add_meta_graph_and_variables方法傳入第三個(gè)參數(shù)，signature_def_map即可。
二，從ckpt進(jìn)行加載
使用tf.train.saver()保持模型的時(shí)候會(huì)產(chǎn)生多個(gè)文件，會(huì)把計(jì)算圖的結(jié)構(gòu)和圖上參數(shù)取值分成了不同文件存儲(chǔ)，這種方法是在TensorFlow中最常用的保存方式：
import tensorflow as tf
# 聲明兩個(gè)變量
v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
init_op = tf.global_variables_initializer() # 初始化全部變量
saver = tf.train.Saver() # 聲明tf.train.Saver類(lèi)用于保存模型
with tf.Session() as sess:
sess.run(init_op)
print("v1:", sess.run(v1)) # 打印v1、v2的值一會(huì)讀取之后對(duì)比
print("v2:", sess.run(v2))
saver_path = saver.save(sess, "save/model.ckpt") # 將模型保存到save/model.ckpt文件
print("Model saved in file:", saver_path)
checkpoint是檢查點(diǎn)的文件，文件保存了一個(gè)目錄下所有的模型文件列表
model.ckpt.meta文件保存了Tensorflow計(jì)算圖的結(jié)果，可以理解為神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，該文件可以被tf.train.import_meta_graph加載到當(dāng)前默認(rèn)的圖來(lái)使用
ckpt.data是保存模型中每個(gè)變量的取值
方法一， tensorflow提供了convert_variables_to_constants()方法，改方法可以固化模型結(jié)構(gòu)，將計(jì)算圖中的變量取值以常量的形式保存
ckpt轉(zhuǎn)換pb格式過(guò)程如下：
1，通過(guò)傳入ckpt模型的路徑得到模型的圖和變量數(shù)據(jù)
2，通過(guò)import_meta_graph導(dǎo)入模型中的圖
3，通過(guò)saver.restore從模型中恢復(fù)圖中各個(gè)變量的數(shù)據(jù)
4，通過(guò)graph_util.convert_variables_to_constants將模型持久化
import tensorflow as tf
from tensorflow.python.framework import graph_util
from tensorflow.pyton.platform import gfile
def freeze_graph(input_checkpoint,output_graph):
'''
:param input_checkpoint:
:param output_graph: PB模型保存路徑
:return:
'''
# checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態(tài)是否可用
# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑
# 指定輸出的節(jié)點(diǎn)名稱(chēng),該節(jié)點(diǎn)名稱(chēng)必須是原模型中存在的節(jié)點(diǎn)
output_node_names = "InceptionV3/Logits/SpatialSqueeze"
saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
graph = tf.get_default_graph() # 獲得默認(rèn)的圖
input_graph_def = graph.as_graph_def() # 返回一個(gè)序列化的圖代表當(dāng)前的圖
with tf.Session() as sess:
saver.restore(sess, input_checkpoint) #恢復(fù)圖并得到數(shù)據(jù)
output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定
sess=sess,
input_graph_def=input_graph_def,# 等于:sess.graph_def
output_node_names=output_node_names.split(","))# 如果有多個(gè)輸出節(jié)點(diǎn)，以逗號(hào)隔開(kāi)
with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
f.write(output_graph_def.SerializeToString()) #序列化輸出
print("%d ops in the final graph." % len(output_graph_def.node)) #得到當(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
# for op in graph.get_operations():
# print(op.name, op.values())
函數(shù)freeze_graph中，最重要的就是指定輸出節(jié)點(diǎn)的名稱(chēng)，這個(gè)節(jié)點(diǎn)名稱(chēng)是原模型存在的結(jié)點(diǎn)，注意節(jié)點(diǎn)名稱(chēng)與張量名稱(chēng)的區(qū)別：
如：“input:0”是張量的名稱(chēng)，而“input”表示的是節(jié)點(diǎn)的名稱(chēng)
源碼中通過(guò)graph = tf.get_default_graph()獲得默認(rèn)圖，這個(gè)圖就是由saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)恢復(fù)的圖，因此就必須執(zhí)行tf.train.import_meta_graph，再執(zhí)行tf.get_default_graph()
1.2 一個(gè)小工具
tensorflow打印pb模型的所有節(jié)點(diǎn)
from tensorflow.python.framework import tensor_util
from google.protobuf import text_format
import tensorflow as tf
from tensorflow.python.platform import gfile
from tensorflow.python.framework import tensor_util
pb_path = './model.pb'
with tf.Session() as sess:
with gfile.FastGFile(pb_path,'rb') as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
tf.import_graph_def(graph_def,name='')
for i,n in enumerate(graph_def.node):
print("Name of the node -%s"%n.name)
tensorflow打印ckpt的所有節(jié)點(diǎn)
from tensorflow.python import pywrap_tensorflow
checkpoint_path = './_checkpoint/hed.ckpt-130'
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
for key in var_to_shape_map:
print("tensor_name:",key)
方法二，除了上述辦法外還有一種是需要通過(guò)源碼的，這樣既可以得到輸出節(jié)點(diǎn)，還可以自定義輸入節(jié)點(diǎn)。
import tensorflow as tf
def model(input):
net = tf.layers.conv2d(input,filters=32,kernel_size=3)
net = tf.layers.batch_normalization(net,fused=False)
net = tf.layers.separable_conv2d(net,32,3)
net = tf.layers.conv2d(net,filters=32,kernel_size=3,name='output')
return net
input_node = tf.placeholder(tf.float32,[1,480,480,3],name = 'image')
output_node_names = 'head_neck_count/BiasAdd'
ckpt = ckpt_path
pb = pb_path
with tf.Session() as sess:
model1 = model(input_node)
sess.run(tf.global_variables_initializer())
output_node_names = 'output/BiasAdd'
input_graph_def = tf.get_default_graph().as_graph_def()
output_graph_def = tf.graph_util.convert_variables_to_constants(sess,input_graph_def,output_node_names.split(','))
with tf.gfile.GFile(pb,'wb') as f:
f.write(output_graph_def.SerializeToString())
注意：
節(jié)點(diǎn)名稱(chēng)和張量名稱(chēng)區(qū)別
類(lèi)似于output是節(jié)點(diǎn)名稱(chēng)
類(lèi)似于output:0是張量名稱(chēng)
方法三，其實(shí)是方法一的延伸可以配合tensorflow自帶的一些工具來(lái)進(jìn)行完成
freeze_graph
總共有11個(gè)參數(shù)，一個(gè)個(gè)介紹下(必選： 表示必須有值；可選： 表示可以為空)：
1、input_graph：（必選）模型文件，可以是二進(jìn)制的pb文件，或文本的meta文件，用input_binary來(lái)指定區(qū)分（見(jiàn)下面說(shuō)明）
2、input_saver：（可選）Saver解析器。保存模型和權(quán)限時(shí)，Saver也可以自身序列化保存，以便在加載時(shí)應(yīng)用合適的版本。主要用于版本不兼容時(shí)使用。可以為空，為空時(shí)用當(dāng)前版本的Saver。
3、input_binary：（可選）配合input_graph用，為true時(shí)，input_graph為二進(jìn)制，為false時(shí)，input_graph為文件。默認(rèn)False
4、input_checkpoint：（必選）檢查點(diǎn)數(shù)據(jù)文件。訓(xùn)練時(shí)，給Saver用于保存權(quán)重、偏置等變量值。這時(shí)用于模型恢復(fù)變量值。
5、output_node_names：（必選）輸出節(jié)點(diǎn)的名字，有多個(gè)時(shí)用逗號(hào)分開(kāi)。用于指定輸出節(jié)點(diǎn)，將沒(méi)有在輸出線上的其它節(jié)點(diǎn)剔除。
6、restore_op_name：（可選）從模型恢復(fù)節(jié)點(diǎn)的名字。升級(jí)版中已棄用。默認(rèn)：save/restore_all
7、filename_tensor_name：（可選）已棄用。默認(rèn)：save/Const:0
8、output_graph：（必選）用來(lái)保存整合后的模型輸出文件。
9、clear_devices：（可選），默認(rèn)True。指定是否清除訓(xùn)練時(shí)節(jié)點(diǎn)指定的運(yùn)算設(shè)備（如cpu、gpu、tpu。cpu是默認(rèn)）
10、initializer_nodes：（可選）默認(rèn)空。權(quán)限加載后，可通過(guò)此參數(shù)來(lái)指定需要初始化的節(jié)點(diǎn)，用逗號(hào)分隔多個(gè)節(jié)點(diǎn)名字。
11、variable_names_blacklist：（可先）默認(rèn)空。變量黑名單，用于指定不用恢復(fù)值的變量，用逗號(hào)分隔多個(gè)變量名字。
所以還是建議選擇方法三
導(dǎo)出pb后的測(cè)試代碼如下：下圖是比較完成的測(cè)試代碼與導(dǎo)出代碼。
# -*-coding: utf-8 -*-
"""
@Project: tensorflow_models_nets
@File : convert_pb.py
@Author : panjq
@E-mail : pan_jinquan@163.com
@Date : 2018-08-29 17:46:50
@info :
-通過(guò)傳入 CKPT 模型的路徑得到模型的圖和變量數(shù)據(jù)
-通過(guò) import_meta_graph 導(dǎo)入模型中的圖
-通過(guò) saver.restore 從模型中恢復(fù)圖中各個(gè)變量的數(shù)據(jù)
-通過(guò) graph_util.convert_variables_to_constants 將模型持久化
"""
import tensorflow as tf
from create_tf_record import *
from tensorflow.python.framework import graph_util
resize_height = 299 # 指定圖片高度
resize_width = 299 # 指定圖片寬度
depths = 3
def freeze_graph_test(pb_path, image_path):
'''
:param pb_path:pb文件的路徑
:param image_path:測(cè)試圖片的路徑
:return:
'''
with tf.Graph().as_default():
output_graph_def = tf.GraphDef()
with open(pb_path, "rb") as f:
output_graph_def.ParseFromString(f.read())
tf.import_graph_def(output_graph_def, name="")
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 定義輸入的張量名稱(chēng),對(duì)應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入張量
# input:0作為輸入圖像,keep_prob:0作為dropout的參數(shù),測(cè)試時(shí)值為1,is_training:0訓(xùn)練參數(shù)
input_image_tensor = sess.graph.get_tensor_by_name("input:0")
input_keep_prob_tensor = sess.graph.get_tensor_by_name("keep_prob:0")
input_is_training_tensor = sess.graph.get_tensor_by_name("is_training:0")
# 定義輸出的張量名稱(chēng)
output_tensor_name = sess.graph.get_tensor_by_name("InceptionV3/Logits/SpatialSqueeze:0")
# 讀取測(cè)試圖片
im=read_image(image_path,resize_height,resize_width,normalization=True)
im=im[np.newaxis,:]
# 測(cè)試讀出來(lái)的模型是否正確，注意這里傳入的是輸出和輸入節(jié)點(diǎn)的tensor的名字，不是操作節(jié)點(diǎn)的名字
# out=sess.run("InceptionV3/Logits/SpatialSqueeze:0", feed_dict={'input:0': im,'keep_prob:0':1.0,'is_training:0':False})
out=sess.run(output_tensor_name, feed_dict={input_image_tensor: im,
input_keep_prob_tensor:1.0,
input_is_training_tensor:False})
print("out:{}".format(out))
score = tf.nn.softmax(out, name='pre')
class_id = tf.argmax(score, 1)
print "pre class_id:{}".format(sess.run(class_id))
def freeze_graph(input_checkpoint,output_graph):
'''
:param input_checkpoint:
:param output_graph: PB模型保存路徑
:return:
'''
# checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態(tài)是否可用
# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑
# 指定輸出的節(jié)點(diǎn)名稱(chēng),該節(jié)點(diǎn)名稱(chēng)必須是原模型中存在的節(jié)點(diǎn)
output_node_names = "InceptionV3/Logits/SpatialSqueeze"
saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
with tf.Session() as sess:
saver.restore(sess, input_checkpoint) #恢復(fù)圖并得到數(shù)據(jù)
output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定
sess=sess,
input_graph_def=sess.graph_def,# 等于:sess.graph_def
output_node_names=output_node_names.split(","))# 如果有多個(gè)輸出節(jié)點(diǎn)，以逗號(hào)隔開(kāi)
with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
f.write(output_graph_def.SerializeToString()) #序列化輸出
print("%d ops in the final graph." % len(output_graph_def.node)) #得到當(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
# for op in sess.graph.get_operations():
# print(op.name, op.values())
def freeze_graph2(input_checkpoint,output_graph):
'''
:param input_checkpoint:
:param output_graph: PB模型保存路徑
:return:
'''
# checkpoint = tf.train.get_checkpoint_state(model_folder) #檢查目錄下ckpt文件狀態(tài)是否可用
# input_checkpoint = checkpoint.model_checkpoint_path #得ckpt文件路徑
# 指定輸出的節(jié)點(diǎn)名稱(chēng),該節(jié)點(diǎn)名稱(chēng)必須是原模型中存在的節(jié)點(diǎn)
output_node_names = "InceptionV3/Logits/SpatialSqueeze"
saver = tf.train.import_meta_graph(input_checkpoint + '.meta', clear_devices=True)
graph = tf.get_default_graph() # 獲得默認(rèn)的圖
input_graph_def = graph.as_graph_def() # 返回一個(gè)序列化的圖代表當(dāng)前的圖
with tf.Session() as sess:
saver.restore(sess, input_checkpoint) #恢復(fù)圖并得到數(shù)據(jù)
output_graph_def = graph_util.convert_variables_to_constants( # 模型持久化，將變量值固定
sess=sess,
input_graph_def=input_graph_def,# 等于:sess.graph_def
output_node_names=output_node_names.split(","))# 如果有多個(gè)輸出節(jié)點(diǎn)，以逗號(hào)隔開(kāi)
with tf.gfile.GFile(output_graph, "wb") as f: #保存模型
f.write(output_graph_def.SerializeToString()) #序列化輸出
print("%d ops in the final graph." % len(output_graph_def.node)) #得到當(dāng)前圖有幾個(gè)操作節(jié)點(diǎn)
# for op in graph.get_operations():
# print(op.name, op.values())
if __name__ == '__main__':
# 輸入ckpt模型路徑
input_checkpoint='models/model.ckpt-10000'
# 輸出pb模型的路徑
out_pb_path="models/pb/frozen_model.pb"
# 調(diào)用freeze_graph將ckpt轉(zhuǎn)為pb
freeze_graph(input_checkpoint,out_pb_path)
# 測(cè)試pb模型
image_path = 'test_image/animal.jpg'
freeze_graph_test(pb_path=out_pb_path, image_path=image_path)
以上這篇淺談tensorflow模型保存為pb的各種姿勢(shì)就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python多進(jìn)程同步Lock、Semaphore、Event實(shí)例
這篇文章主要介紹了Python多進(jìn)程同步Lock、Semaphore、Event實(shí)例,Lock用來(lái)避免訪問(wèn)沖突、Semaphore用來(lái)控制對(duì)共享資源的訪問(wèn)數(shù)量、Event用來(lái)實(shí)現(xiàn)進(jìn)程間同步通信,需要的朋友可以參考下2014-11-11
python實(shí)現(xiàn)簡(jiǎn)單中文詞頻統(tǒng)計(jì)示例
本篇文章主要介紹了python實(shí)現(xiàn)簡(jiǎn)單中文詞頻統(tǒng)計(jì)示例，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-11-11
vscode 遠(yuǎn)程調(diào)試python的方法
本篇文章主要介紹了vscode 遠(yuǎn)程調(diào)試python的方法，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-12-12
python中l(wèi)ist*n生成多維數(shù)組與for循環(huán)生成多維數(shù)組的區(qū)別說(shuō)明
這篇文章主要介紹了python中l(wèi)ist*n生成多維數(shù)組與for循環(huán)生成多維數(shù)組的區(qū)別說(shuō)明，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05
Python使用scrapy采集時(shí)偽裝成HTTP/1.1的方法
這篇文章主要介紹了Python使用scrapy采集時(shí)偽裝成HTTP/1.1的方法,實(shí)例分析了scrapy采集的使用技巧,非常具有實(shí)用價(jià)值,需要的朋友可以參考下2015-04-04
Pytorch中關(guān)于model.eval()的作用及分析
這篇文章主要介紹了Pytorch中關(guān)于model.eval()的作用及分析，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-02-02
Python中看到或使用self時(shí)一定要弄明白self的指代,這里就帶大家來(lái)全面理解Python中self的用法,需要的朋友可以參考下2016-06-06
Django掃碼抽獎(jiǎng)平臺(tái)的配置過(guò)程詳解
這篇文章主要介紹了Django掃碼抽獎(jiǎng)平臺(tái),本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-01-01
python實(shí)現(xiàn)進(jìn)度條的多種實(shí)現(xiàn)
這篇文章主要介紹了python實(shí)現(xiàn)進(jìn)度條的多種實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
這篇文章主要介紹了python 布爾注入原理及滲透過(guò)程示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪2022-10-10