猪猪猪序员
猪猪猪序员

粉丝6780获赞5.6万

相关视频

  • 还在用 pip?uv 让 Python 装包快一截 还在用 pip 慢慢装依赖?这条带你认识 uv:用 Rust 做的 Python 工具链,装包、虚拟环境、版本切换、跑脚本都能顺手很多。不聊空话,只看它到底能帮你省多少时间、少踩多少坑。 
#Python  #编程 #程序员 #办公技巧 #自媒体干货 #效率工具  #uv  #pip
    01:02
    查看AI文稿
  • ROS 激光雷达节点Python如何编写? 第一步。在终端里进入 catkin 工作空间,创建一个软件包,包名叫做 lidar_pkg。注意依赖项里多了一个 sensor_msgs,是包含了雷达消息格式的软件包。回车,这就创建好了。为了让这个新建的软件包能够进入 ROS 的包列表,还需要对其进行编译。回退上一级目录,catkin_make 编译。好,这就编译完成了。
来到 VSCode,第二步,在 lidar_pkg 里新建一个目录,名字叫 scripts,在目录中新建一个节点文件,名字叫 lidar_node.py。在这个文件里编写代码,第一行是 Shebang,如果是 Ubuntu 18.04 及之前的版本,选择 python 解释器。而这里是 Ubuntu 20.04,所以选择python3的解释器。第二行,指定运行环境的编码为utf-8,让中文字符能正常显示。
接下来,引入大管家 rospy,然后是激光雷达的消息格式。好,开始编写 main主函数。先初始化节点。接着是第三步,让 ROS 大管家 rospy 帮忙订阅话题 /scan,回调函数设为 LidarCallback。调用 spin() 让节点保持运行别退出,到这里主函数的任务就完成了,我们来看看回调函数。第四步,构建回调函数LidarCallback,需要放在 main 主函数的前面。参数是接收到的激光雷达消息包 msg。这个 msg 的 ranges 数组里存储了 360 个测距值,哪一个是机器人前方的测距值呢。
前面我们分析了消息包的参数,ranges 数组的排列顺序是从起始角度到终止角度,每旋转一度得到一个测距值。所以ranges数组的下标和测距方向应该是这样的对应关系。机器人正前方正好位于数组顺序的正中间,对应下标为 180 的测距值。#python #ROS #激光雷达 #机器人 #机器人工匠阿杰
    01:56
    ROS 激光雷达节点Python如何编写? 第一步。在终端里进入 catkin 工作空间,创建一个软件包,包名叫做 lidar_pkg。注意依赖项里多了一个 sensor_msgs,是包含了雷达消息格式的软件包。回车,这就创建好了。为了让这个新建的软件包能够进入 ROS 的包列表,还需要对其进行编译。回退上一级目录,catkin_make 编译。好,这就编译完成了。
    来到 VSCode,第二步,在 lidar_pkg 里新建一个目录,名字叫 scripts,在目录中新建一个节点文件,名字叫 lidar_node.py。在这个文件里编写代码,第一行是 Shebang,如果是 Ubuntu 18.04 及之前的版本,选择 python 解释器。而这里是 Ubuntu 20.04,所以选择python3的解释器。第二行,指定运行环境的编码为utf-8,让中文字符能正常显示。
    接下来,引入大管家 rospy,然后是激光雷达的消息格式。好,开始编写 main主函数。先初始化节点。接着是第三步,让 ROS 大管家 rospy 帮忙订阅话题 /scan,回调函数设为 LidarCallback。调用 spin() 让节点保持运行别退出,到这里主函数的任务就完成了,我们来看看回调函数。第四步,构建回调函数LidarCallback,需要放在 main 主函数的前面。参数是接收到的激光雷达消息包 msg。这个 msg 的 ranges 数组里存储了 360 个测距值,哪一个是机器人前方的测距值呢。
    前面我们分析了消息包的参数,ranges 数组的排列顺序是从起始角度到终止角度,每旋转一度得到一个测距值。所以ranges数组的下标和测距方向应该是这样的对应关系。机器人正前方正好位于数组顺序的正中间,对应下标为 180 的测距值。#python #ROS #激光雷达 #机器人 #机器人工匠阿杰
  • 深度学习环境安装 #深度学习 #pytorch #MiniConda #conda
使用Miniconda管理深度学习环境的优势,包括隔离依赖、简化CUDA管理等。Miniconda比Anaconda更轻量,适合搭建深度学习环境。提供了Miniconda的安装方法、配置镜像源以提升下载速度的步骤,以及如何安装Python和PyTorch。还介绍了虚拟环境的概念、创建、管理环境的方法,以及如何测试环境是否配置成功。
    11:14
    查看AI文稿
  • 一分钟看懂Anaconda是干啥的 还在为 Python 环境打架发愁?这条带你搞懂 Anaconda 到底是啥、能帮你省哪些事:它不是一门新语言,而是一套 Python「全家桶」——自带解释器、用 conda 管虚拟环境和包装库,常用数据分析工具也能在同一套流程里衔接。适合想学 Python、做表格与数据分析入门的朋友先看概念再动手。
#Python  #Anaconda  #conda #编程入门 #数据分析 #虚拟环境 #程序员 #干货分享 #电脑技巧
    01:14
    查看AI文稿
  • 基于Python的Django 毕设项目深度拆解:避坑指南 本视频带你拆解基于 Django 2.0 的 Python 毕设成品项目,详解 MVC 三层架构、前后端分离(Vue+Django)核心结构,梳理项目目录层级、依赖文件、数据库配置与启动运行要点。同时揭秘这类老旧复用项目的冗余问题、代码硬编码缺陷与修改风险,给出毕设项目避坑、精简与维护实用建议,帮你快速吃透 Django 毕设项目核心逻辑,轻松应对答辩与调试。
#计算机毕设项目 #Python毕设 #django框架 #计算机毕设
    12:44
    查看AI文稿
  • 真正的零基础Python数据分析实战(附全套源码) 系列教程第一弹,更多Python实战项目持续更新[机智]
#数据分析 #零基础学编程 #Python实战 #人工智能 #数据可视化
    07:13
    查看AI文稿
  • 最热门的Python自动化测试之 python3包管理pip
    19:10
    查看AI文稿
  • 50行Python讲清RAG全部原理! RAG(检索增强生成)是解决大语言模型幻觉问题的关键技术。但市面上的 RAG
  框架动辄几千行代码、几十个依赖,新手根本看不清核心逻辑在哪儿。 
  今天介绍的 qwen-rag-from-scratch 项目,把 RAG 的完整流程压缩到大约 50 行 Python
  代码里。全部跑在本地,不依赖任何云服务,只需要 Ollama 加两个开源模型。 
  视频按五个核心部分展开: 
  第一,为什么需要 RAG。大模型面对训练数据之外的事实,不会老实说不知道,而是编一个听起来合理的错误答案。比如你问 RDT-1B      
  是哪个团队发布的,裸模型可能说 DeepMind,但答案是清华大学。RAG 在回答之前先从知识库检索真实资料,让模型基于事实生成回答。   
  第二,三大组件拆解。Embedding 模型负责把文本变成 4096 维向量(Qwen3-Embedding,约
  4.7GB);向量数据库负责存储和检索(教学版用 Python 列表);语言模型负责最终生成(Qwen3.5 的 4B 版本,约 3.4GB)。全部通过  
  Ollama 本地运行。 
  第三,Indexing 索引阶段。项目读取 31 条 Physical AI 前沿事实(覆盖 RT-2、OpenVLA、Pi-zero、RDT-1B
  等),把每一行文本通过嵌入模型转换成浮点数向量,存入 VECTOR_DB
  列表。纯数学变换,人类可读的文字变成机器可以计算相似度的向量。 
  第四,Retrieval 检索阶段。用余弦相似度做几何直觉解释:所有向量从原点出发,方向越接近,夹角越小,语义越相似。项目返回相似度 
  最高的前三条结果。 
  第五,Generation 生成阶段。检索到相关内容后构建 System
  Prompt,加上约束语句"请基于参考内容回答,没有相关信息就直接说明",然后调用 Qwen3.5 流式生成回答。 
  整个项目只有两个依赖:requests 和 numpy。不是生产级框架,但正因为砍掉了分块策略、重排序、混合检索等复杂功能,你才能一眼看清
   RAG 的核心流程。先懂原理,再用 LangChain 或 LlamaIndex 就不会迷失了。
    05:13
    50行Python讲清RAG全部原理! RAG(检索增强生成)是解决大语言模型幻觉问题的关键技术。但市面上的 RAG
    框架动辄几千行代码、几十个依赖,新手根本看不清核心逻辑在哪儿。
    今天介绍的 qwen-rag-from-scratch 项目,把 RAG 的完整流程压缩到大约 50 行 Python
    代码里。全部跑在本地,不依赖任何云服务,只需要 Ollama 加两个开源模型。
    视频按五个核心部分展开:
    第一,为什么需要 RAG。大模型面对训练数据之外的事实,不会老实说不知道,而是编一个听起来合理的错误答案。比如你问 RDT-1B
    是哪个团队发布的,裸模型可能说 DeepMind,但答案是清华大学。RAG 在回答之前先从知识库检索真实资料,让模型基于事实生成回答。
    第二,三大组件拆解。Embedding 模型负责把文本变成 4096 维向量(Qwen3-Embedding,约
    4.7GB);向量数据库负责存储和检索(教学版用 Python 列表);语言模型负责最终生成(Qwen3.5 的 4B 版本,约 3.4GB)。全部通过
    Ollama 本地运行。
    第三,Indexing 索引阶段。项目读取 31 条 Physical AI 前沿事实(覆盖 RT-2、OpenVLA、Pi-zero、RDT-1B
    等),把每一行文本通过嵌入模型转换成浮点数向量,存入 VECTOR_DB
    列表。纯数学变换,人类可读的文字变成机器可以计算相似度的向量。
    第四,Retrieval 检索阶段。用余弦相似度做几何直觉解释:所有向量从原点出发,方向越接近,夹角越小,语义越相似。项目返回相似度
    最高的前三条结果。
    第五,Generation 生成阶段。检索到相关内容后构建 System
    Prompt,加上约束语句"请基于参考内容回答,没有相关信息就直接说明",然后调用 Qwen3.5 流式生成回答。
    整个项目只有两个依赖:requests 和 numpy。不是生产级框架,但正因为砍掉了分块策略、重排序、混合检索等复杂功能,你才能一眼看清
    RAG 的核心流程。先懂原理,再用 LangChain 或 LlamaIndex 就不会迷失了。
  • python 多进程定时任务的实现 #python #定时任务 #apscheduler #AI日日新
    02:35
    查看AI文稿
  • python 自动化办公 (第三方库安装) #python #python编程 #python基础 #计算机专业 #大学生就业
    05:45
    查看AI文稿
  • Python构建ROS发布地图节点 咱们开始第一步。在终端里,创建软件包 map_pkg。依赖项里加上 nav_msgs。这就创建好了。然后 catkin_make 编译一下,让软件包进入 ROS 的包列表。
来到 VSCode,打开 map_pkg,为其新建一个文件夹,名字叫 scripts。在这个文件夹里创建节点代码文件。map_pub_node.py。
开始编写代码,第一行是 Shebang,如果是 Ubuntu 18.04 及之前的版本,选择 python 解释器。而这里是 Ubuntu 20.04,所以选择 python3 的解释器。第二行,指定运行环境的编码为 utf-8,让中文字符能正常显示。先引入 rospy 和 地图消息类型。然后是 main 主函数。初始化节点。发布话题 /map。消息包发送频率设置为 1 Hz。使用 while 循环,不停发送消息包。构建地图消息包 msg 。然后开始消息包的赋值。先是 header,坐标系 ID 设置为 map。时间戳设置为当前时间。然后是地图描述信息。地图原点的 x y 偏移量都设置为 0。分辨率是 1.0 表示栅格地图的单元格边长为 1 米。地图的宽度为 4 个单元格。高度为 2 个单元格。
接下来是地图数据的赋值,先调整数组大小。数组初始值为 0,长度为 宽度 × 高度。接下来是栅格赋值过程。
将赋值好的消息包发送出去。最后是发送频率的控制。好,节点代码完成了,Ctrl + S 保存。#Python #ROS #机器人编程 #robot #机器人工匠阿杰
    01:30
    Python构建ROS发布地图节点 咱们开始第一步。在终端里,创建软件包 map_pkg。依赖项里加上 nav_msgs。这就创建好了。然后 catkin_make 编译一下,让软件包进入 ROS 的包列表。
    来到 VSCode,打开 map_pkg,为其新建一个文件夹,名字叫 scripts。在这个文件夹里创建节点代码文件。map_pub_node.py。
    开始编写代码,第一行是 Shebang,如果是 Ubuntu 18.04 及之前的版本,选择 python 解释器。而这里是 Ubuntu 20.04,所以选择 python3 的解释器。第二行,指定运行环境的编码为 utf-8,让中文字符能正常显示。先引入 rospy 和 地图消息类型。然后是 main 主函数。初始化节点。发布话题 /map。消息包发送频率设置为 1 Hz。使用 while 循环,不停发送消息包。构建地图消息包 msg 。然后开始消息包的赋值。先是 header,坐标系 ID 设置为 map。时间戳设置为当前时间。然后是地图描述信息。地图原点的 x y 偏移量都设置为 0。分辨率是 1.0 表示栅格地图的单元格边长为 1 米。地图的宽度为 4 个单元格。高度为 2 个单元格。
    接下来是地图数据的赋值,先调整数组大小。数组初始值为 0,长度为 宽度 × 高度。接下来是栅格赋值过程。
    将赋值好的消息包发送出去。最后是发送频率的控制。好,节点代码完成了,Ctrl + S 保存。#Python #ROS #机器人编程 #robot #机器人工匠阿杰
  • Hermes安装 “我提供保姆级安装服务:
远程协助,你只需要提供电脑权限
自动安装所有依赖,包括 Python、Git、Docker
配置界面化操作,不用记复杂命令
手把手教你基础使用,确保你会用才结束
不管你是学生、宝妈还是职场新人,都能轻松拥有这个强大的 AI 助手!”
#0 代码 AI #小白也能玩 #AI 工具 #远程安装 #效率提升
    00:36
    查看AI文稿