Python编程基础教程视频资料介绍

版权申诉
0 下载量 69 浏览量 更新于2024-10-19 收藏 19.69MB RAR 举报
资源摘要信息:"本资源主要介绍了Python编程语言的基础知识。Python是一种广泛使用的高级编程语言,以其简洁明了的语法和强大的功能而闻名。资源中包含的视频资料详细讲解了Python的基本概念、语法结构、数据类型等基础内容。" Python是一种高级的、解释型的、交互式的、面向对象的脚本语言。它简洁、易读,并且可以快速编写代码,从而减少了程序开发的时间。Python支持多种编程范式,包括面向对象、命令式、函数式和过程式编程。Python的设计哲学强调代码的可读性和简洁的语法(尤其是使用空格缩进划分代码块,而非使用大括号或关键字)。由于其可扩展性,Python可以通过C、C++或者Java语言编写的核心进行扩展。 Python在以下几个领域得到了广泛的应用: 1. Web应用开发:Python拥有Django和Flask这样的成熟框架,可以用来快速开发动态网站。 2. 自动化脚本:Python可以编写用于系统维护任务的自动化脚本,如文件操作、系统监控等。 3. 数据分析和人工智能:Python在数据科学领域非常流行,特别是在机器学习、数据挖掘和人工智能领域。 4. 网络爬虫:Python简单易学的特性使其成为编写网络爬虫的首选语言。 5. 科学计算:Python有一个庞大的数学运算库,非常适合做科学计算和工程计算。 Python的标准库提供了丰富的模块来支持各种编程需求,比如文件操作、正则表达式、网络通信、GUI开发等。除此之外,Python还有一个庞大的第三方库生态系统,涵盖了图像处理、文本处理、机器学习、深度学习、区块链等多种领域。 Python语言的设计哲学强调代码的可读性和简洁性,这使得Python成为初学者的理想选择。在教学中,Python通常作为入门级的编程语言,因其简单易懂,能够帮助初学者快速理解和掌握编程的基本概念。同时,Python的高效和灵活性也受到专业开发者的青睐,使得它在各个行业和领域都有广泛的应用。 本资源中提到的视频资料,即"01.认识Python.wmv",很可能是针对初学者的入门视频,内容可能包括但不限于以下几个方面: - Python的历史和特点 - Python开发环境的搭建,如安装Python解释器、设置环境变量等 - Python基础语法的介绍,包括变量声明、数据类型、控制流语句等 - 基本的输入输出操作 - 函数和模块的使用 - Python中的面向对象编程基础 这些内容对于学习Python编程语言至关重要,是掌握更高级特性和开发技能的基础。通过本资源的学习,初学者可以快速了解Python的基础知识,并为后续深入学习打下坚实的基础。

import face_recognition import cv2 import os unknow_people_list = [i for i in os.listdir('unknow_people') if (i.endswith('.jpg')) or (i.endswith('.png')) or (i.endswith('.jpeg'))] know_people_list = [i for i in os.listdir('know_people') if (i.endswith('.jpg')) or (i.endswith('.png')) or (i.endswith('.jpeg'))] def face_select(): for unknow_people in unknow_people_list: # 读取待识别图片 unknow = face_recognition.load_image_file('unknow_people/' + unknow_people) # 将待识别图片转化为特征向量 unknow_encode = face_recognition.face_encodings(unknow)[0] flag = False for know_people in know_people_list: # 读取计算机已经认识的图片 know = face_recognition.load_image_file('know_people/' + know_people) # 获得面部位置 face_location1 = face_recognition.face_locations(know) face_location2 = face_recognition.face_locations(unknow) # 提取面部关键点 face_landmarks_list1 = face_recognition.face_landmarks(know) face_landmarks_list2 = face_recognition.face_landmarks(unknow) # 图片转化为特征向量 know_encode = face_recognition.face_encodings(know)[0] # 两张图片进行比较的结果 res = face_recognition.compare_faces([know_encode], unknow_encode, tolerance=0.5) if res[0]: flag = True name = know_people.split(".")[0] break if flag: print(f'{name}匹配成功!') else: print(f'匹配失败') name = "UNKNOWN" # 绘制人脸特征点和矩形框 for (x1, y1, w1, h1) in face_location1: cv2.rectangle(know, (y1, x1), (h1, w1), (255, 0, 0), 2) cv2.putText(know, name, (y1 - 10, x1 - 10), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0, 255, 0), 2) for face_landmarks in face_landmarks_list1: for facial_feature in face_landmarks.keys(): for pt_pos in face_landmarks[facial_feature]: cv2.circle(know, pt_pos, 1, (192, 192, 192), 2) for (x1, y1, w1, h1) in face_location2: cv2.rectangle(unknow, (y1, x1), (h1, w1), (255, 0, 0), 2) cv2.putText(unknow, name, (y1 - 10, x1 - 10), cv2.FONT_HERSHEY_COMPLEX, 0.8, (0, 255, 0), 2) for face_landmarks in face_landmarks_list2: for facial_feature in face_landmarks.keys(): for pt_pos in face_landmarks[facial_feature]: cv2.circle(unknow, pt_pos, 1, (192, 192, 192), 2) # 显示图片 cv2.imshow("known", know) cv2.imshow("unknown", unknow) cv2.waitKey(0) if __name__ == '__main__': face_select()

2023-06-02 上传
2023-05-28 上传