编译一时爽,环境火葬场

因为使用A*算法对于路径的寻找需要更高的效率,很明显,python自身完全不能满足我们的需求,因此使用C++编写python扩展变得非常重要.

不幸的是,我昨天花了整整一天都没有解决这个问题,但是今天却进行的异常顺利,下面我来讲一下在使用C++编写python中的几个坑

对于一个被控制对象$\mathcal{P}$,我们需要搭建一个反馈控制系统,如图所示:

其中$\mathcal{K}$为控制器,$r$为目标值,$u$为控制输入,$d$为扰动,$y$为输出,$e$为误差,下面来分别介绍稳定性,时域特性以及频域响应特性

经过数日的鏖战,我算是把一个路径规划程序给写完了,然而,这其中隐藏着不少的问题,以至于虽然这个程序理论上能够给出正确答案,但是实际上由于某些原因完全无法使用,下面我将这个记录下来,以供参考

由于之前写了一个误差计算脚本,采用了万能的nohup python calc_error.py >logs &实现了后台运行,但是在实际使用过程中,经常会遇到异常或者一些奇奇怪怪的问题,自己每次上线检查也麻烦,遂思考能不能用邮件来解决问题.

我参考这篇文章,学习一下使用python发送邮件

所用到的库

我们分为两部,一方面是写邮件的过程,需要特定的邮件头和附件,这一部分使用的是email模块进行

我在使用pip install email的时候一直出错,但是到pip install emails就可以,目前不确定两者关系,但是都可以使用import email调用

而编写完邮件后,对于邮件的发送则是通过smtp服务进行,这一部分则是用smtplib实现,而其安装可以用pip install aiosmtplib进行

配置smtp

我计划使用Gmail对这些邮件进行配置,为此,我打开了Gmail中的imap和pop3服务,关于Gmail更多信息如下,摘自于此

尝试发送邮件

下面代码展示发送测试邮件过程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import smtplib
from email.mime.text import MIMEText

mail_host=''
mail_user=''
mail_pass=''
sender=''
receivers=['']#可以群发

#设置邮件信息
message=MIMEText('content','plain','utf-8')
message['Subject']="Test email"
message['From']=sender
message['To']=receivers[0]

try:
    # smtpobj=smtplib.SMTP()
    # smtpobj.connect(mail_host,25)#这是无需ssl验证的情况
    smtpobj=smtplib.SMTP_SSL(mail_host)#这是需要ssl验证的情况
    smtpobj.login(mail_user,mail_pass)
    smtpobj.sendmail(sender,receivers,message.as_string())
    smtpobj.quit()
    print('Success')
except smtplib.SMTPException as e:
    print('error',e)

这个代码确实可以发送邮件,测试完成

添加附件

我们可以利用MIMENonMultipart中的MIMEText类来发送我们得到的csv文件

可以参考这篇文章

更多

自然,我们可以实现更多内容(比如HTML等),但是我目前不需要,就先留在这里,可能未来还会更新

在编写程序,尤其是某些运行时间长,中间存在可能错误的程序,往往需要记录日志以便于调试.

但是日志的编写往往存在大量重复劳动,并且对于我目前的状况来讲可能需要在已有的程序中添加日志代码.

经过相关资料查阅,我找到了一个内置logging库,其可以较好地实现对于日志的编写.但是查阅了一下相关资料后,发现似乎logging的使用较为复杂,我们往往不需要那么复杂的应用场景,因此我在这里选择另外一个库loguru对日志进行记录

安装

如果使用anaconda,可以用以下命令安装:

1

conda install -c conda-forge loguru

简单使用

我们可以直接利用封装好的logger对象,直接对不同级别的日志进行输出,例如使用以下代码可以实现不同级别的日志:

1
2
3
4
5
6

from loguru import logger

logger.debug('This is debug information')
logger.info('This is info information')
logger.warning('This is warn information')
logger.error('This is error information')

可以注意到在运行时,其对于不同级别的结果,有着不同的格式化与颜色

接下来,我们可以注意到logger编写日志的一个优势在于其无需设定复杂的如处理器,过滤器等信息

输出到文件

我们往往需要将数据输出到文件,尤其是在使用如xspec这样自己会有大量数据输出的程序(默认是在sys.std_err中输出),可以使用add改变输出位置(add的具体用法之后会讲)

1

logger.add("file_{time}.log")

其中{time}会自动替换为当前时间,还有其他的格式化字典如下:

输出到文件还有滚动和压缩等功能,在这里不再过多赘述(目前也用不到)

关于字符着色:

字符着色的问题是通过调节add中的参数colorize来控制的,其添加后有好处有坏处

好处在于可以使用tail -f等很方便看到数据内容

坏处在于由于字符串着色的机理是通过添加字符串进行的,会对编辑器查看带来不便

因此可以尝试同时记录两个log

过滤器与格式化

下面是关于更加复杂的过滤器写法和格式化写法的问题,这里不涉及(可能以后会),可以先看参考资料

参考资料

源代码与特性介绍

类定义

由于我在学习控制系统的时候,感觉Visio绘图手感像坨屎(我承认是我手不行),但是像流程图这样的东西有特点,即如果你能在这些空间里面把你想要塞的东西全部塞进去,那么优化这样的工作可以是完全交由计算机自行处理的.

在这里,我主要将介绍两种方式进行该类绘图,一种是使用LaTex中tikz包进行绘图,还有一种是使用Graphviz进行绘图

在前面一部分,我们构造了几种分类算法,而在这一部分,我们将介绍利用scikit-learn提供的便于使用的接口进行机器学习
将分成以下几个部分进行介绍:

1. 对具有良好稳定性的常用分类算法的介绍,例如logistic回归算法,支持向量机,决策树
2. 一些使用scikit-learn进行一些常见的应用
3. 对于线性与非线性决策边界的优势与劣势的讨论

选取分类算法

俗话说:天下没有免费的午餐,不同的分类算法具有相应的优势与劣势,在选择的时候需要充分考虑数据的特征以及目的,一般来说,训练一个机器学习模型可以分为以下五步

1. 选取特征收集训练数据
2. 选取一个表示矩阵
3. 选取一个分类与优化算法
4. 计算这个算法的效果
5. 改良这个算法

之前研究过对于MPS010602中的数字信号,应当如何处理(在其中使用二进制位来表示逻辑),今天恰好看到了numpy.bitwise_xor函数,会非常有用,在此记录一下

逻辑位操作

在numpy库中有相应的逻辑操作函数,而最大的特点就在于它们可以实现向量化,这对于我们应用的场景来说非常重要.

其使用的方法与&类似,主要看代码,以下代码展示如何从一个八进制数取出某一位的数字信号

1
2
3
4
5
6

import numpy as np
def get_binary(data_array:np.array,bit:int):
    check=1<<bit
    ca=np.array([check])
    dataout=np.bitwise_and(data_array,ca)
    return np.where(dataout==0,False,True)

标记与术语

• 特征(features):例如数据的种类(一般以列存储)
• 样本(samples):一般以行存储,数据列表
  $x^i_j$指第$i$个训练样本,训练集的第$j$维(第$j$个特征)

  这种标记输入输出均可

另外,机器学习是一回事,这本书中的python代码非常优美,值得学习

为分类问题训练简单的机器学习算法

在这一部分,我们构造一个简单的线性分类算法实现我们的分类任务

早期的机器学习模型

最早的机器学习模型是通过模拟神经元实现的
我们可以定义一个决定函数$\phi(x)$来从输入得到输出
通过将权重矢量与输入矢量点乘后通过一个阈值函数得到输出.
因此,通过计算$sign(\omega^Tx+\omega_0)$即可得到一个二分类输出

利用poetry进行包管理

今天我突发奇想: