KeyError: '..\\datas\\omniglot_28x28\\omniglot_resized'

时间: 2023-11-17 12:03:15 浏览: 135
RAR

ds_d135_r3-official-datasheet.rar_ST MICRO_STID135_STiD135 Datas

star5星 · 资源好评率100%
这个错误通常是由于文件路径错误导致的。在你的代码中，可能有一个文件路径指向了一个不存在的文件或文件夹。请检查你的代码中的文件路径是否正确，并确保文件或文件夹存在。如果你使用的是相对路径，请确保你的当前工作目录正确。你可以使用Python的os库来获取当前工作目录并检查文件路径是否正确。如果你使用的是绝对路径，请确保路径正确，包括斜杠和反斜杠的方向。
阅读全文

相关推荐

zip

API_Function_call.zip_LabVIEW API_labview api_labview windows_l

4. **定义数据类型**：LabVIEW默认的数据类型可能与API函数所需的不匹配，因此需要创建自定义数据类型（C-DATAs）来匹配。 5. **处理错误**：API函数调用可能会失败，因此需要设置适当的错误处理机制，如使用错误...
zip

ma .zip_BOTDA_The Other

U guy can use this codes to deal with the several datas from the experiment of the BOTDA by averaging and comparing from each other.

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split pd.set_option('display.max_columns', None) # 所有列 pd.set_option('display.max_rows', None) # 所有行 data = pd.read_excel('半监督数据.xlsx') X = data.drop(columns=['label']) # 特征矩阵 y = data['label'] # 标签列 # 划分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, stratify=None, shuffle=True, random_state=0) # 划分带标签数据集 labeled_size = 0.3 n_labeled = int(labeled_size * len(X_train)) indices = np.arange(len(X_train)) unlabeled_indices = np.delete(indices, y_train.index[:n_labeled]) X_unlabeled = X_train.iloc[unlabeled_indices] y_unlabeled = y_train.iloc[unlabeled_indices] X_labeled = X_train.iloc[y_train.index[:n_labeled]] y_labeled = y_train.iloc[y_train.index[:n_labeled]] from sklearn import preprocessing pre_transform=preprocessing.StandardScaler() pre_transform.fit(np.vstack([train_datas, test_datas])) train_datas=pre_transform.transform(train_datas) test_datas=pre_transform.transform(train_datas) from LAMDA_SSL.Algorithm.Regression.CoReg import CoReg model=CoReg() model.fit(X=train_datas,y=labeled_y,test_datas=unlabeled_X) pred_y=model.predict(X=test_X) from LAMDA_SSL.Evaluation.Regressor.Mean_Squared_Error import Mean_Squared_Error performance = Mean_Squared_Error().scoring(test_y, pred_y)帮我看一下这段代码有什么问题？怎么修改？

from LAMDA_SSL.Evaluation.Regressor.Mean_Squared_Error import Mean_Squared_Error pd.set_option('display.max_columns', None) # 所有列 pd.set_option('display.max_rows', None) # 所有行 data = pd....

@app.route('/index', methods=['GET', 'POST']) def index(): stu_id = session.get('stu_id') datas = models.User.query.get(stu_id) if not datas: return redirect(url_for('login')) if request.method == 'GET': results = models.Case_item.query.all() return render_template('projects/table_s.html', datas=datas, results=results)

首先从session中获取学生ID（stu_id），然后从User表中查询该学生的信息（datas）。如果没有获取到学生信息，则重定向到登录页面。如果请求方式是GET，则从Case_item表中查询所有记录（results），并将学生信息和...

def save_to_sql(): df = ps.read_csv("./datas.csv",index_col=0) df.to_sql('movies_cop',con=engine,index=False,if_exists ='append')

This function reads a CSV file named "datas.csv" and saves its contents to a SQL database table named "movies_cop". The function uses the pandas library to read the CSV file and convert it into a ...

[root@localhost bin]# Logging to '/usr/mysql8/datas/mysql/localhost.localdomain.err'. 2023-07-08T08:19:47.900955Z mysqld_safe Starting mysqld daemon with databases from /usr/mysql8/datas/mysql 2023-07-08T08:19:52.227684Z mysqld_safe mysqld from pid file /usr/mysql8/datas/mysql/localhost.localdomain.pid ended

根据日志，MySQL在指定的数据目录/usr/mysql8/datas/mysql中启动，并且尝试加载数据库。然而，在启动过程中出现了异常，导致MySQL结束并生成了一个pid文件/usr/mysql8/datas/mysql/localhost.localdomain.pid。...

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn import preprocessing from LAMDA_SSL.Algorithm.Regression.CoReg import CoReg from LAMDA_SSL.Evaluation.Regressor.Mean_Squared_Error import Mean_Squared_Error pd.set_option('display.max_columns', None) # 所有列 pd.set_option('display.max_rows', None) # 所有行 data = pd.read_excel('半监督数据.xlsx') X = data.drop(columns=['label']) # 特征矩阵 y = data['label'] # 标签列 # 划分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, stratify=None, shuffle=True, random_state=0) # 划分带标签数据集 labeled_size = 0.3 n_labeled = int(labeled_size * len(X_train)) indices = np.arange(len(X_train)) unlabeled_indices = np.delete(indices, y_train.index[:n_labeled]) X_unlabeled = X_train.iloc[unlabeled_indices] y_unlabeled = y_train.iloc[unlabeled_indices] X_labeled = X_train.iloc[y_train.index[:n_labeled]] y_labeled = y_train.iloc[y_train.index[:n_labeled]] # 数据预处理 pre_transform=preprocessing.StandardScaler() pre_transform.fit(np.vstack([X_train, X_test])) X_train = pre_transform.transform(X_train) X_test = pre_transform.transform(X_test) # 构建和训练模型 model = CoReg() model.fit(X=X_train, y=y_labeled, test_datas=X_unlabeled) pred_y = model.predict(X=X_test) # 计算性能指标 performance = Mean_Squared_Error().scoring(y_test, pred_y)代码运行不了，怎么修改？

from LAMDA_SSL.evaluation.regressor.mean_squared_error import Mean_Squared_Error 这样代码就可以正常运行了。完整代码如下所示： python # 导入所需的库 import pandas as pd import numpy as np from ...

dataset=datas(labeled_size=0.3,test_size=0.1,stratified=False,shuffle=True,random_state=0, default_transforms=True) labeled_X=dataset.labeled_X labeled_y=dataset.labeled_y unlabeled_X=dataset.unlabeled_X unlabeled_y=dataset.unlabeled_y test_X=dataset.test_X test_y=dataset.test_y解释一下这一段代码，告诉我具体使用方法

1. 首先需要导入 datas 类，这个类可以封装了数据集的划分和转换操作。在导入之前需要确保已经安装了相关的依赖库。 2. 初始化 datas 类，设置相关的参数： - labeled_size：有标签数据集的比例，默认值为 ...

std::stable_partition(windspeed_datas2.begin(), windspeed_datas2.end(), [](double x) { return x != 0; }); windspeed_datas2.erase(std::remove(windspeed_datas2.begin(), windspeed_datas2.end(), 0), windspeed_datas2.end()); 用Qt4写出另一种办法

std::stable_partition(windspeed_datas2.begin(), windspeed_datas2.end(), [](double x) { return x != 0; }); 在上面的代码中，QMutableVectorIterator提供了操作容器元素的迭代器，通过调用remove()函数来...

def huifeikouchu_login(request): if request.method in ["POST", "GET"]: msg = {'code': normal_code, "msg": mes.normal_code} req_dict = request.session.get("req_dict") datas = huifeikouchu.getbyparams(huifeikouchu, huifeikouchu, req_dict) if not datas: msg['code'] = password_error_code msg['msg'] = mes.password_error_code return JsonResponse(msg) try: __sfsh__= huifeikouchu.__sfsh__ except: __sfsh__=None if __sfsh__=='是': if datas[0].get('sfsh')!='是': msg['code']=other_code msg['msg'] = "账号已锁定，请联系管理员审核!" return JsonResponse(msg) req_dict['id'] = datas[0].get('id') return Auth.authenticate(Auth, huifeikouchu, req_dict)

这是一个Django的视图函数，用于处理前端发送的请求。如果请求的方法是POST或GET，会从会话中获取一个名为'req_dict'的字典，然后调用huifeikouchu.getbyparams()函数来获取指定条件下的数据。...如果获取到了数据，则...

datas = [] for i in naps: datas.append(i) if len(datas) == 10: with concurrent.futures.ThreadPoolExecutor(max_workers=21) as executor: flag_list = {executor.submit(run, data): data for data in datas} for flag in concurrent.futures.as_completed(flag_list): flag.result() datas = []

这段代码首先创建了一个空列表 datas。 然后，使用一个 for 循环来遍历列表 naps 中的元素。在循环中，将每个元素添加到列表 datas 中。 接下来，通过判断 datas 列表的长度是否等于 10 来确定是否需要...

xAxis: [ //==== x轴 { //主图 gridIndex: 0, data: m_datas.times, axisLabel: { //label文字设置 show: false }, splitLine: { show: false, } }, { show:false, gridIndex: 1, data: m_datas.times, axisLabel: { //label文字设置 show: false }, splitLine: { show: false, } }, { //交易量图 splitNumber: 2, type: 'category', gridIndex: 2, data: m_datas.times, axisLabel: { //label文字设置 color: '#9b9da9', fontSize: 10 }, } ],这是x轴的最大最小开始

抱歉，这段代码并没有明确的最大和最小值设置，只有数据和轴的其他属性设置。最大和最小值的设置通常会在xAxis下的min和max属性中进行设置。例如： xAxis: { type: 'value', min: 0, max: 100 ...

crossTrainData = [np.concatenate((train_datas[0:k, :], train_datas[k + cross_size:, :])) for k in range(0, len(train_datas), cross_size)] crossTrainLabel = [np.concatenate((train_labels[0:k], train_labels[k + cross_size:])) for k in range(0, len(train_labels), cross_size)] crossValData = [train_datas[k:k + cross_size, :] for k in range(0, len(train_datas), cross_size)] crossValLabel = [train_labels[k:k + cross_size] for k in range(0, len(train_labels), cross_size)] return crossTrainData,crossTrainLabel,crossValData,crossValLabel

这段代码看起来像是进行交叉验证的操作，将训练数据和标签分成多个部分，每次将其中一部分作为验证集，其余部分作为训练集。具体来说，它将训练数据和标签分成多个大小为cross_size的部分，然后从每个部分的起始位置...

添加后报错：AttributeError: 'Lines_LineSeries_LineIterator_DataAccessor_Strateg' object has no attribute 'bar_executed'

self.dataclose = self.datas[0] self.order = None self.bar_executed = 0 # 初始化bar_executed属性 通过将self.bar_executed设置为初始值（例如0），你可以确保在next()方法中使用它时不会引发错误...

def _to_tensor(self, datas): x = torch.LongTensor([_[0] for _ in datas]).to(self.device) y = torch.LongTensor([_[1] for _ in datas]).to(self.device) # pad前的长度(超过pad_size的设为pad_size) seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device) mask = torch.LongTensor([_[3] for _ in datas]).to(self.device) return (x, seq_len, mask), y

具体来说，该函数的输入是一个数据集 datas，其中每个数据点由四个元素组成，分别是输入序列、标签、序列长度和 mask 矩阵。函数返回的是一个元组，其中第一个元素是一个元组，包括转换后的输入序列、序列长度和 ...

o matching function for call to ‘std::__cxx11::wstring_convert<std::codecvt_utf8_utf16<wchar_t> >::to_bytes(std::__cxx11::string&)’ std::string utf8_string = converter.to_bytes(datas);

这个错误的原因可能是你传递给 to_bytes 函数的参数类型不正确。to_bytes 函数需要一个 std::wstring 类型的参数，但是你传递了一个 std::string 类型的参数。你可以尝试将参数转换为正确的类型，或者使用...

@app.route('/chemistry_one/<marine_chemistry_id>/', methods=['GET', 'POST']) def chemistry_one(marine_chemistry_id): # 如果是正常的加载当前页面 if request.method == 'GET': marine_chemistry_one = Marine_chemistry.query.filter(Marine_chemistry.id == marine_chemistry_id).first() # 根据数据集的归属类型，查询到所有属于本数据集的所有数据 chemistry_datas = Chemistry_data.query.filter( Chemistry_data.uid_chemistry == marine_chemistry_one.id).all() context = { 'marine_chemistry_one': marine_chemistry_one, 'chemistry_datas': chemistry_datas } print(chemistry_datas) return render_template('marine_chemistry_one.html', **context) 怎么画类图

| - chemistry_datas | +----------------+ | | uses | +----------------+ | Marine_chemistry | +----------------+ | - id | | - ... | +----------------+ ^ | is-a | +----------------+ | Chemistry_...

def test_SetOsd(self): api = '/SetOsd' url = ip + api # 接口 datas = { "mode_id": {0}, "main_pic": '{"pos_x":160,"pos_y":100,"show":0,"type":9}', "sub_pic": '{"pos_x":160,"pos_y":200,"show":0,"type":9}', "main_title": '{"pos_x":870,"pos_y":0,"font_size":60,"font_dir":1,"font_color":4,"show":0,"type":9}', "sub_title": '{"pos_x":900,"pos_y":80,"font_size":40,"font_dir":1,"font_color":4,"show":0,"type":9}', "text": '{"pos_x":940,"pos_y":900,"font_size":50,"font_color":4,"font_dir":1,"show":0,"type":9}', "time": '{"pos_x":100,"pos_y":100,"font_size":30,"font_color":0,"show":0,"type":9}' } log.info('osd模板设置') sendRequest().all_send_request(method="post", url=url, params=datas) 更正写法

datas = { "mode_id": [0], "main_pic": '{"pos_x":160,"pos_y":100,"show":0,"type":9}', "sub_pic": '{"pos_x":160,"pos_y":200,"show":0,"type":9}', "main_title": '{"pos_x":870,"pos_y":0,"font_size":60...
ipynb

16-17 数据挖掘算法基础 - 分类与回归1(1).ipynb

16-17 数据挖掘算法基础 - 分类与回归1(1).ipynb

最新推荐

recommend-type

RHEL4-U4-x86_64-AS Oracle.10g.10201_database_linux_x86_64 安装文档

- /Datas：56GB，用于存储数据库数据 操作系统安装采用网络安装方式，因为这里没有光驱。可以参考相关URL来设置网络安装服务器，并通过U盘启动进行安装。在选择安装组件时，要包括开发工具、图形界面、系统管理和...
recommend-type

16-17 数据挖掘算法基础 - 分类与回归1(1).ipynb

16-17 数据挖掘算法基础 - 分类与回归1(1).ipynb
recommend-type

C语言数组操作：高度检查器编程实践

资源摘要信息: "C语言编程题之数组操作高度检查器" C语言是一种广泛使用的编程语言，它以其强大的功能和对低级操作的控制而闻名。数组是C语言中一种基本的数据结构，用于存储相同类型数据的集合。数组操作包括创建、初始化、访问和修改元素以及数组的其他高级操作，如排序、搜索和删除。本资源名为“c语言编程题之数组操作高度检查器.zip”，它很可能是一个围绕数组操作的编程实践，具体而言是设计一个程序来检查数组中元素的高度。在这个上下文中，“高度”可能是对数组中元素值的一个比喻，或者特定于某个应用场景下的一个术语。 知识点1：C语言基础 C语言编程题之数组操作高度检查器涉及到了C语言的基础知识点。它要求学习者对C语言的数据类型、变量声明、表达式、控制结构（如if、else、switch、循环控制等）有清晰的理解。此外，还需要掌握C语言的标准库函数使用，这些函数是处理数组和其他数据结构不可或缺的部分。 知识点2：数组的基本概念 数组是C语言中用于存储多个相同类型数据的结构。它提供了通过索引来访问和修改各个元素的方式。数组的大小在声明时固定，之后不可更改。理解数组的这些基本特性对于编写有效的数组操作程序至关重要。 知识点3：数组的创建与初始化 在C语言中，创建数组时需要指定数组的类型和大小。例如，创建一个整型数组可以使用int arr[10];语句。数组初始化可以在声明时进行，也可以在之后使用循环或单独的赋值语句进行。初始化对于定义检查器程序的初始状态非常重要。 知识点4：数组元素的访问与修改 通过使用数组索引（下标），可以访问数组中特定位置的元素。在C语言中，数组索引从0开始。修改数组元素则涉及到了将新值赋给特定索引位置的操作。在编写数组操作程序时，需要频繁地使用这些操作来实现功能。 知识点5：数组高级操作 除了基本的访问和修改之外，数组的高级操作包括排序、搜索和删除。这些操作在很多实际应用中都有广泛用途。例如，检查器程序可能需要对数组中的元素进行排序，以便于进行高度检查。搜索功能用于查找特定值的元素，而删除操作则用于移除数组中的元素。 知识点6：编程实践与问题解决 标题中提到的“高度检查器”暗示了一个具体的应用场景，可能涉及到对数组中元素的某种度量或标准进行判断。编写这样的程序不仅需要对数组操作有深入的理解，还需要将这些操作应用于解决实际问题。这要求编程者具备良好的逻辑思维能力和问题分析能力。 总结：本资源"c语言编程题之数组操作高度检查器.zip"是一个关于C语言数组操作的实际应用示例，它结合了编程实践和问题解决的综合知识点。通过实现一个针对数组元素“高度”检查的程序，学习者可以加深对数组基础、数组操作以及C语言编程技巧的理解。这种类型的编程题目对于提高编程能力和逻辑思维能力都有显著的帮助。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【KUKA系统变量进阶】：揭秘从理论到实践的5大关键技巧

![【KUKA系统变量进阶】：揭秘从理论到实践的5大关键技巧](https://giecdn.blob.core.windows.net/fileuploads/image/2022/11/17/kuka-visual-robot-guide.jpg) 参考资源链接：[KUKA机器人系统变量手册（KSS 8.6 中文版）：深入解析与应用](https://wenku.csdn.net/doc/p36po06uv7?spm=1055.2635.3001.10343) # 1. KUKA系统变量的理论基础 ## 理解系统变量的基本概念 KUKA系统变量是机器人控制系统中的一个核心概念，它允许
recommend-type

如何使用Python编程语言创建一个具有动态爱心图案作为背景并添加文字'天天开心（高级版）'的图形界面？

要在Python中创建一个带动态爱心图案和文字的图形界面，可以结合使用Tkinter库（用于窗口和基本GUI元素）以及PIL（Python Imaging Library）处理图像。这里是一个简化的例子，假设你已经安装了这两个库： 首先，安装必要的库： ```bash pip install tk pip install pillow ``` 然后，你可以尝试这个高级版的Python代码： ```python import tkinter as tk from PIL import Image, ImageTk def draw_heart(canvas): heart = I
recommend-type

基于Swift开发的嘉定单车LBS iOS应用项目解析

资源摘要信息:"嘉定单车汇(IOS app).zip" 从标题和描述中，我们可以得知这个压缩包文件包含的是一套基于iOS平台的移动应用程序的开发成果。这个应用是由一群来自同济大学软件工程专业的学生完成的，其核心功能是利用位置服务（LBS）技术，面向iOS用户开发的单车共享服务应用。接下来将详细介绍所涉及的关键知识点。 首先，提到的iOS平台意味着应用是为苹果公司的移动设备如iPhone、iPad等设计和开发的。iOS是苹果公司专有的操作系统，与之相对应的是Android系统，另一个主要的移动操作系统平台。iOS应用通常是用Swift语言或Objective-C（OC）编写的，这在标签中也得到了印证。 Swift是苹果公司在2014年推出的一种新的编程语言，用于开发iOS和macOS应用程序。Swift的设计目标是与Objective-C并存，并最终取代后者。Swift语言拥有现代编程语言的特性，包括类型安全、内存安全、简化的语法和强大的表达能力。因此，如果一个项目是使用Swift开发的，那么它应该会利用到这些特性。 Objective-C是苹果公司早前主要的编程语言，用于开发iOS和macOS应用程序。尽管Swift现在是主要的开发语言，但仍然有许多现存项目和开发者在使用Objective-C。Objective-C语言集成了C语言与Smalltalk风格的消息传递机制，因此它通常被认为是一种面向对象的编程语言。 LBS（Location-Based Services，位置服务）是基于位置信息的服务。LBS可以用来为用户提供地理定位相关的信息服务，例如导航、社交网络签到、交通信息、天气预报等。本项目中的LBS功能可能包括定位用户位置、查找附近的单车、计算骑行路线等功能。 从文件名称列表来看，包含的三个文件分别是： 1. ios期末项目文档.docx：这份文档可能是对整个iOS项目的设计思路、开发过程、实现的功能以及遇到的问题和解决方案等进行的详细描述。对于理解项目的背景、目标和实施细节至关重要。 2. 移动应用开发项目期末答辩.pptx：这份PPT文件应该是为项目答辩准备的演示文稿，里面可能包括项目的概览、核心功能演示、项目亮点以及团队成员介绍等。这可以作为了解项目的一个快速入门方式，尤其是对项目的核心价值和技术难点有直观的认识。 3. LBS-ofo期末项目源码.zip：这是项目的源代码压缩包，包含了完成单车汇项目所需的全部Swift或Objective-C代码。源码对于理解项目背后的逻辑和实现细节至关重要，同时也是评估项目质量、学习最佳实践、复用或扩展功能的基础。 综合上述信息，"嘉定单车汇(IOS app).zip"不仅仅是一个应用程序的压缩包，它还代表了一个团队在软件工程项目中的完整工作流程，包含了项目文档、演示材料和实际编码，为学习和评估提供了一个很好的案例。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依
recommend-type

PROTEUS符号定制指南：个性化元件创建与修改的全面攻略

![PROTEUS符号定制指南：个性化元件创建与修改的全面攻略](https://circuits-diy.com/wp-content/uploads/2020/05/74LS00-pinout.png) 参考资源链接：[Proteus电子元件符号大全：从二极管到场效应管](https://wenku.csdn.net/doc/1fahxsg8um?spm=1055.2635.3001.10343) # 1. PROTEUS符号定制基础知识 PROTEUS符号定制是电子工程设计中不可或缺的一环，它允许设计者创建和修改电路元件符号，以符合特定的设计需求。本章将为你提供关于PROTEUS符号
recommend-type

https://www.lagou.com/wn/爬取该网页职位名称，薪资待遇，学历，企业类型，工作地点数据保存为CSV文件的python代码

首先，你需要使用Python的requests库来获取网页内容，然后使用BeautifulSoup解析HTML，提取所需信息。由于这个链接指向的是拉勾网的搜索结果页面，通常这类网站会有反爬虫机制，所以你可能需要设置User-Agent，模拟浏览器访问，并处理可能的登录验证。 以下是一个基本的示例，注意这只是一个基础模板，实际操作可能需要根据网站的具体结构进行调整： ```python import requests from bs4 import BeautifulSoup import csv # 模拟浏览器头信息 headers = { 'User-Agent': 'Mozi