DW2XLS V5.0:PowerBuilder到XLS格式转换工具

版权申诉
5星 · 超过95%的资源 5 下载量 108 浏览量 更新于2024-10-05 1 收藏 3.01MB RAR 举报
资源摘要信息:"pb-dw2xls-v5.0.rar_DW2XLS 5_dw2xls_dw2xls v5.0_powerbuilder xls_" PB-DW2XLS 是一个专门用于PowerBuilder应用的数据转换工具。PowerBuilder 是一种用于构建高性能、可扩展的客户端/服务器应用程序的开发环境。它由Sybase公司开发,并且在90年代和21世纪初非常流行。它允许开发人员创建使用数据窗口对象(DataWindow)的数据驱动的应用程序,这些对象能够展示和处理数据。 1. PowerBuilder 数据窗口对象(DataWindow): DataWindow对象是PowerBuilder的核心特性之一,它允许开发者以多种格式展示和操作数据,如表格、图形、自由格式等。DataWindow可以连接到多种数据库,并且能够轻松地将数据展示给用户,同时提供丰富的API进行数据操作。 2. DW2XLS 数据转换概念: DW2XLS是一个实用程序或脚本,用于将PowerBuilder中的DataWindow对象中的数据导出到Microsoft Excel文件中。这种转换对于报告生成和数据分析非常有用,因为Excel是一个广泛使用的电子表格程序,能够处理各种数据分析和可视化任务。 3. PowerBuilder与Excel的集成: 在PowerBuilder应用中集成Excel,可以通过各种方法实现,包括使用OLE自动化(对象链接和嵌入自动化)技术。OLE自动化允许PowerBuilder应用程序直接控制Excel应用程序,从而可以创建和操作Excel工作簿。 4. DW2XLS 版本升级及其特性: 在版本5.0中,DW2XLS可能会包含多项更新和改进。虽然文件描述中指出“最新无需注册”,这可能意味着用户不需要进行复杂的注册过程,直接下载即可使用。这样的特性对于用户来说非常方便,尤其是对于那些需要立即使用工具而不想进行繁琐的注册或支付费用的开发者。 5. 标签中的关键词解释: - dw2xls_5: 可能指的是DW2XLS工具的第五个版本。 - dw2xls: 是指该转换工具的简写。 - dw2xls_v5.0: 明确指出这个版本号,确保用户获取的是最新版本。 - powerbuilder_xls: 指代的是PowerBuilder环境与Excel文件格式的结合。 - wfm: 这个标签可能是指“Workflow Management”工作流管理,它可能与DW2XLS在处理数据转换和管理工作流程方面的能力有关。 文件名称列表中的"dw2xls v5.0最新无需注册"直接指向了用户可以获取工具的版本和特定的使用条件,即版本5.0,并且不需要注册。这通常是软件提供者为了提高用户体验和产品推广而采用的一种策略。通过提供无需注册的版本,开发者可以迅速开始使用该工具而不需要等待注册审批或是支付费用,这在某些情况下能够激发用户立即下载并尝试使用工具的兴趣。 总结而言,从标题、描述、标签和文件名称列表中可以看出,这个资源是为PowerBuilder开发者社区提供的一个数据处理工具,特别是用于将DataWindow对象的数据转换为Excel格式。该工具的新版本5.0允许用户无需注册即可使用,这可能有助于简化用户的使用过程并提高工具的传播效率。在分析这些资源的过程中,我们不仅了解了工具的用途和功能,还揭示了它在开发者工具市场中的定位。

将这两个代码结合import cv2 import numpy as np import urllib.request import tensorflow as tf # 下载DeepLabv3+模型权重文件 model_url = "http://download.tensorflow.org/models/deeplabv3_mnv2_pascal_train_aug_2018_01_29.tar.gz" tar_filename = "deeplabv3_mnv2_pascal_train_aug.tar.gz" urllib.request.urlretrieve(model_url, tar_filename) # 解压缩 with tarfile.open(tar_filename, "r:gz") as tar: tar.extractall() model_filename = "deeplabv3_mnv2_pascal_train_aug/frozen_inference_graph.pb" # 加载模型 graph = tf.Graph() with graph.as_default(): od_graph_def = tf.GraphDef() with tf.io.gfile.GFile(model_filename, 'rb') as fid: serialized_graph = fid.read() od_graph_def.ParseFromString(serialized_graph) tf.import_graph_def(od_graph_def, name='') # 读取图像 image_path = "your_image.jpg" image = cv2.imread(image_path) # 进行图像分割 with tf.compat.v1.Session(graph=graph) as sess: input_tensor = graph.get_tensor_by_name('ImageTensor:0') output_tensor = graph.get_tensor_by_name('SemanticPredictions:0') output = sess.run(output_tensor, feed_dict={input_tensor: image}) # 解码并可视化分割结果 segmentation_mask = np.squeeze(output) segmentation_mask = np.uint8(segmentation_mask) segmentation_mask = cv2.resize(segmentation_mask, (image.shape[1], image.shape[0]), interpolation=cv2.INTER_NEAREST) # 显示原始图像和分割结果 cv2.imshow("Image", image) cv2.imshow("Segmentation Mask", segmentation_mask) cv2.waitKey(0) cv2.destroyAllWindows() model1 = models.CellposeModel(gpu=True, model_type='livecell') model2 = models.Cellpose(gpu=True,model_type='nuclei') model3= models.Cellpose(gpu=True,model_type='cyto2') 集成DeepLabv3+模型和cellpose模型

2023-07-14 上传