python程序都能做什么

从入门级选手到专业级选手都在做的——爬虫

用 Python 写爬虫的教程网上一抓一大把，据我所知很多初学 Python 的人都是使用它编写爬虫程序。小到抓取一个小黄图网站，大到一个互联网公司的商业应用。通过 Python 入门爬虫比较简单易学，不需要在一开始掌握太多太基础太底层的知识就可以很快上手，而且很快可以做出成果，非常适合小白一开始想做出点看得见的东西的成就感。

除了入门，爬虫也被广泛应用到一些需要数据的公司、平台和组织，通过抓取互联网上的公开数据，来实现一些商业价值是非常常见的做法。当然这些选手的爬虫就要厉害的多了，需要处理包括路由、存储、分布式计算等很多问题，与小白的抓黄图小程序，复杂度差了很多倍。

Web 程序

除了爬虫，Python 也广泛应用到了 Web 端程序，比如你现在正在使用的知乎，主站后台就是基于 Python 的 tornado 框架，豆瓣的后台也是基于 Python。除了 tornado (Tornado Web Server)，Python 常用的 Web 框架还有 Flask(Welcome | Flask (A Python Microframework))，Django (The Web framework for perfectionists with deadlines) 等等。通过上述框架，你可以很方便实现一个 Web 程序，比如我认识的一些朋友，就通过 Python 自己编写了自己的博客程序，包括之前的 zhihuphoto，我就是通过 Flask 实现的后台(出于版权等原因，我已经停掉了这个网站)。除了上述框架，你也可以尝试自己实现一个 Web 框架。

桌面程序

Python 也有很多 UI 库，你可以很方便地完成一个 GUI 程序(话说我最开始接触编程的时候，就觉得写 GUI 好炫酷，不过搞了好久才在 VC6 搞出一个小程序，后来又辗转 Delphi、Java等，最后接触到 Python 的时候，我对 GUI 已经不感兴趣了)。Python 实现 GUI 的实例也不少，包括大名鼎鼎的 Dropbox，就是 Python 实现的服务器端和客户端程序。

人工智能(AI)与机器学习

人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。现在释放出来的几个非常有影响力的AI框架，大多是Python的实现，为什么呢因为Python足够动态、具有足够性能，这是AI技术所需要的技术特点。比如基于Python的深度学习库、深度学习方向、机器学习方向、自然语言处理方向的一些网站基本都是通过Python来实现的。

机器学习，尤其是现在火爆的深度学习，其工具框架大都提供了Python接口。Python在科学计算领域一直有着较好的声誉，其简洁清晰的语法以及丰富的计算工具，深受此领域开发者喜爱。

早在深度学习以及Tensorflow等框架流行之前，Python中即有scikit-learn，能够很方便地完成几乎所有机器学习模型，从经典数据集下载到构建模型只需要简单的几行代码。配合Pandas、matplotlib等工具，能很简单地进行调整。

而Tensorflow、PyTorch、MXNet、Keras等深度学习框架更是极大地拓展了机器学习的可能。使用Keras编写一个手写数字识别的深度学习网络仅仅需要寥寥数十行代码，即可借助底层实现，方便地调用包括GPU在内的大量资源完成工作。

值得一提的是，无论什么框架，Python只是作为前端描述用的语言，实际计算则是通过底层的C/C++实现。由于Python能很方便地引入和使用C/C++项目和库，从而实现功能和性能上的扩展，这样的大规模计算中，让开发者更关注逻辑于数据本身，而从内存分配等繁杂工作中解放出来，是Python被广泛应用到机器学习领域的重要原因。

科学计算

Python 的开发效率很高，性能要求较高的模块可以用 C 改写，Python 调用。同时，Python 可以更高层次的抽象问题，所以在科学计算领域也非常热门。包括 scipy、numpy 等用于科学计算的第三方库的出现，更是方便了又一定数学基础，但是计算机基础一般的朋友。

同质化严重，有几种方法可以引流。

1、低价，压低价，再压低价。

当然，这种方法不适用所有商家！这种方法不适用所有商家！这种方法不适用所有商家！

打价格战最为直接。做2C，大多数的消费者都是价格取向，只要价钱够低，一些小瑕疵都可以选择性忽略。

那么，适用于哪家商家呢？

（1）有实力和手段以及资本做“私域流量”的商家。

（2）散财童子，做慈善的商家。

（3）（自己体会）

2、在素材、文案、落地页上动手脚

让设计弟弟老老实实工作，别老是抄别人的设计，自己重新做一份创意。视频也好、图文也好，讲究的就是与众不同，讲究的就是鹤立鸡群。人家做的好不好不是关键，关键是我们要与众不同。

当然，不同也要保质。

而不同可以体现在展示的亮点。别人展示颜值，我们展示功能，别人展示特价，我们展示质量。

将创意素材展示的“亮点”差异化来吸引消费者，在产品/创意设计同质化严重的市场也是一种不错且较低成本的方法。

3、偏方

这里所指的偏方是指一些不是正常人用的方法：

（1）降维打击，品牌下场。和大品牌合作，同时结合各种促销方案+营销热点组合拳来打压竞品。

这种方法在二类电商零食市场很常见，前段时间的周黑鸭、三只松鼠、丹麦曲奇饼等品牌就爆卖了很长一段时间，甚至某单周的零食榜单前十清一色都是三只松鼠的产品，且单价压得比其他平台要低。

（2）供应链垄断。这种玩法也有的，但实际上有了线上2B平台之后，这种玩法实施起来的难度并不小。但这种从源头解决对手的方式，确实是不错的方法。现在很多做电商的商家也在抱团搞这种事。

看到这，有人不禁问了：“万一人家厂家自己做电商怎么办呀？”

合作啊！合作不成打压啊！打压不成收购啊！

（3）下三滥招数。至于怎么个下三滥法，这里就不说了。

pytorch保存模型非常简单，主要有两种方法：

一般地，采用一条语句即可保存参数：

其中model指定义的模型 实例变量 ，如 model=vgg16( ), path是保存参数的路径，如 path='/modelpth' , path='/modeltar', path='/modelpkl', 保存参数的文件一定要有后缀扩展名。

特别地，如果还想保存某一次训练采用的优化器、epochs等信息，可将这些信息组合起来构成一个字典，然后将字典保存起来：

针对上述第一种情况，也只需要一句即可加载模型：

针对上述第二种以字典形式保存的方法，加载方式如下：

需要注意的是，只保存参数的方法在加载的时候要事先定义好跟原模型一致的模型，并在该模型的实例对象(假设名为model)上进行加载，即在使用上述加载语句前已经有定义了一个和原模型一样的Net, 并且进行了实例化 model=Net( ) 。

另外，如果每一个epoch或每n个epoch都要保存一次参数，可设置不同的path，如 path='/model' + str(epoch) +'pth'，这样，不同epoch的参数就能保存在不同的文件中，选择保存识别率最大的模型参数也一样，只需在保存模型语句前加个if判断语句即可。

下面给出一个具体的例子程序，该程序只保存最新的参数：

在训练模型的时候可能会因为一些问题导致程序中断，或者常常需要观察训练情况的变化来更改学习率等参数，这时候就需要加载中断前保存的模型，并在此基础上继续训练，这时候只需要对上例中的 main() 函数做相应的修改即可，修改后的 main() 函数如下：

以上方法，如果想在命令行进行 *** 作执行，都只需加入argpase模块参数即可，相关方法可参考我的 博客

用法可参照上例。

以上就是关于python程序都能做什么全部的内容，包括:python程序都能做什么、电商市场产品同质化严重，有什么方法突围、Pytorch训练中断，继续训练（转）等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！