《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装
原文博客：Doi技术团队
链接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：记录优秀的Doi技术团队学习经历
前言
这一章我们介绍如何安装新版本的PaddlePaddle，这里说的新版本主要是说Fluid版本。Fluid 是设计用来让用户像Pytorch和Tensorflow Eager Execution一样执行程序。在这些系统中，不再有模型这个概念，应用也不再包含一个用于描述Operator图或者一系列层的符号描述，而是像通用程序那样描述训练或者预测的过程。也就是说PaddlePaddle从Fluid版本开始使用动态图机制，所以我们这个系列也是使用Fluid版本编写的教程。
环境
- 系统：64位Windows 10专业版，64位Ubuntu 16.04
- Python环境：Python 3.5
- 内存：8G
Windows下安装
PaddlePaddle在1.2版本之后开始支持Windows，也就是说使用Windows的用户不需要再安装Docker容器，或者使用Windows的Liunx子系统，直接可以在Windows系统本身安装PaddlePaddle。下面我们就介绍如何在Windows安装PaddlePaddle，分为两个部分介绍，首先安装Python 3.5环境，然后再使用命令安装PaddlePaddle。
安装Python
1、本系列使用的是Python 3.5，官方在Windows上支持Python2.7.15，Python3.5.x，Python3.6.x，Python3.7.x。读者根据自己的实际情况安装自己喜欢的版本。官网下载页面：https://www.python.org/downloads/windows/ ，官网下载地址：https://www.python.org/ftp/python/3.5.4/python-3.5.4-amd64.exe
2、双击运行Python 3.5安装包开始安装，记住要选上添加环境变量，这很重要，之后使用命令都要依赖这个环境变量，要不每次都要进入到pip的目录比较麻烦。然后点击Install Now开始安装。
3、安装完成之后，测试安装是否成功，打开Windows PowerShell或者cmd，笔者的系统是Windows 10，可以使用Windows PowerShell，如果读者是其他系统，可以使用cmd。用命令python -V查看是否安装成功。正常安装之后可以显示安装Python的版本。
安装PaddlePaddle
PaddlePaddle支持Windows之后，安装起来非常简单，只需要一条命令就可以完成安装。
- 安装CPU版本，打开
Windows PowerShell，输入以下命令。可以使用==指定安装PaddlePaddle的版本，如没有指定版本，默认安装是最新版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
- 安装GPU版本，目前支持Windows的CUDA 8.0 cuDNN v7的GPU版本
pip3 install paddlepaddle-gpu==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
- 测试安装是否成功，在
Windows PowerShell中输入命令python，进入到Python 编辑环境，并输入以下代码，导没有保存证明安装成功：
import paddle.fluid
Ubuntu下安装
下面介绍在Ubuntu系统下安装PaddlePaddle，PaddlePaddle支持64位的Ubuntu 14.04 /16.04 /18.04系统，Python支持Python2.7.15，Python3.5.x，Python3.6.x，Python3.7.x。
- 安装Python 3.5（通常不需要执行）。通常情况下Ubuntu 16.04自带的就是Python 3.5，其他Ubuntu的版本自带的可能是其他版本，不过没有关系，PaddlePaddle基本都支持，所以不必专门安装Python3.5。
sudo apt install python3.5
sudo apt install python3.5-dev
- 安装CPU版本，打开Ubuntu的终端，快捷键是
Ctrl+Alt+T，输入以下命令。可以使用==指定安装PaddlePaddle的版本，如没有指定版本，默认安装是最新版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle==1.4.1 -i https://mirrors.aliyun.com/pypi/simple/
- 安装GPU版本，安装GPU版本之前，要先安装CUDA，可以查看笔者之前的文章《Ubuntu安装和卸载CUDA和CUDNN》，安装完成 CUDA 9 和 CUDNN 7 之后，再安装PaddlePaddle的GPU版本，安装命令如下。可以使用
==指定安装PaddlePaddle的版本和CUDA、CUDNN的版本，这必须要跟读者系统本身安装的CUDA版本对应，比如以下命令就是安装支持CUDA 9.0和CUDNN 7的PaddlePaddle版本。-i后面是镜像源地址，使用国内镜像源可以大大提高下载速度：
pip3 install paddlepaddle-gpu==1.4.1.post97 -i https://mirrors.aliyun.com/pypi/simple/
- 测试安装是否成功，在终端中输入命令
python3，进入到Python 编辑环境，并输入以下代码，正确情况下如图所示：
import paddle.fluid
源码编译
这部分我们将介绍使用源码编译PaddlePaddle，可以通过这种方式安装符合读者需求的PaddlePaddle，比如笔者的电脑安装的是CUDA 10 和 CUDNN 7，而目前官方提供的没有支持CUDA 10 和 CUDNN 7的PaddlePaddle版本，所以笔者就可以通过源码编译的方式编译PaddlePaddle安装包，当然也要PaddlePaddle支持才行。
Windows下源码编译
下面我们将介绍在Windows系统下进行源码编译PaddlePaddle。目前支持使用的系统是64位的Windows 10 家庭版/专业版/企业版。
安装
Visual Studio 2015 Update3。下载地址：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/ ，因为是旧版本，还有加入免费的 Dev Essentials 计划才能正常下载。
安装
cmake 3.13，下载cmake的安装包，下载地址：https://cmake.org/download/ ，一路默认，只需要在添加环境变量的时候注意添加环境变量就可以了。如何存在环境变量问题，可以重启系统。
安装Python的依赖库，只要执行以下命令。关于Windows安装Python，在“Windows下安装”部分已经介绍过，这里就不介绍了。
pip3 install numpy
pip3 install protobuf
pip3 install wheel
安装 git 工具。git的下载地址：https://git-scm.com/downloads ，下载git的安装包，安装的时候一路默认就可以了。
右键打开
Git Bash Here，执行以下两条命令。将PaddlePaddle的源码clone在当下目录下的Paddle的文件夹中，并进入Padde目录下，操作如下图所示，之后的命令也是在这个终端操作：
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle
- 切换到较稳定release分支下进行编译，入笔者选择1.2版本的代码：
git checkout release/1.2
- 创建名为build的目录并进入：
mkdir build
cd build
执行编译
- 编译CPU版本命令如下：
cmake .. -G "Visual Studio 14 2015 Win64" -DPY_VERSION=3.5 -DPYTHON_INCLUDE_DIR=${PYTHON_INCLUDE_DIRS} -DPYTHON_LIBRARY=${PYTHON_LIBRARY} -DPYTHON_EXECUTABLE=${PYTHON_EXECUTABLE} -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release- 编译GPU版本，目前Windows还不支持GPU，支持后会更新。
9. 下载第三方依赖包（openblas，snappystream），下载地址：https://github.com/wopeizl/Paddle_deps ，将整个third_party文件夹放到上面第7步创建的build目录下。
10. 使用Blend for Visual Studio 2015 打开paddle.sln文件，选择平台为x64，配置为Release，开始编译
11. 编译成功后进入\paddle\build\python\dist目录下找到生成的.whl包
12. 执行以下命令安装编译好的PaddlePaddle包：
pip3 install （whl包的名字）
Ubuntu本地下源码编译
下面介绍的是使用Ubuntu编译PaddlePaddle源码，笔者的系统是64位的Ubuntu 16.04，Python环境是Python 3.5。
安装openCV
- 更新apt的源，命令如下：
sudo apt update
下载openCV源码，官方地址：https://opencv.org/releases.html ， 笔者下载的是3.4.5版本，选择的是
Sources点击下载。
解压openCV源码，命令如下：
unzip opencv-3.4.5.zip
- 安装可能需要的依赖库，命令如下：
sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev
- 开始执行cmake。
cd opencv-3.4.5/
mkdir my_build_dir
cd my_build_dir
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
- 开始执行编译
make -j$(nproc)
- 执行安装命令
sudo make install
安装依赖环境
编译PaddlePaddle源码之前，还需要安装以下的一些依赖环境。
sudo apt install python3.5-dev
sudo apt-get udpate
sudo apt-get install -y software-properties-common
sudo add-apt-repository ppa:deadsnakes/ppa
sudo apt install curl
sudo curl https://bootstrap.pypa.io/get-pip.py -o - | python3.5
sudo easy_install pip
sudo apt install swig
sudo apt install wget
sudo pip install numpy==1.14.0
sudo pip install protobuf==3.1.0
sudo pip install wheel
sudo apt install patchelf
编译PaddlePaddle
- 将PaddlePaddle的源码clone在当下目录下的Paddle的文件夹中，并进入Padde目录下，命令如下：
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle
- 切换到较稳定release分支下进行编译，比如笔者使用的是1.2版本，读者可以根据自己的情况选择其他版本：
git checkout release/1.4
- 创建并进入一个叫build的目录下：
mkdir build && cd build
执行cmake，这里分为CPU版本和GPU版本。
- 编译CPU版本，命令如下。使用参数
-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定不使用GPU，也就是只编译CPU版本：
cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release- 编译GPU版本，还要安装一下依赖环境，如下：
- 安装 CUDA 和 CUDNN，可以查看笔者之前的文章《Ubuntu安装和卸载CUDA和CUDNN》
- 安装nccl2，命令如下
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb dpkg -i nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb sudo apt-get install -y libnccl2=2.2.13-1+cuda9.0 libnccl-dev=2.2.13-1+cuda9.0- 执行cmake。使用参数
-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定使用GPU，同时编译支持CPU和GPU版本的PaddlePaddle。
cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=ON -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release
- 编译CPU版本，命令如下。使用参数
使用以下命令正式编译，编译时间比较长：
make -j$(nproc)
- 编译成功后进入
/paddle/build/python/dist目录下找到生成的PaddlePaddle.whl包，可以使用这个命令进入到指定目录。
cd /paddle/build/python/dist
- 在当前机器或目标机器安装编译好的
.whl包：
pip3 install （whl包的名字）
Ubuntu使用Docker源码编译
使用docker编译的安装包只能支持Ubuntu的PaddlePaddle，因为下载docker镜像也是Ubuntu系统的。通过使用docker编译PaddlePaddle得到的安装包，可以在docker本身使用，之后可以使用docker执行PaddlePaddle。也可以本地的Ubuntu上安装使用，不过要注意的是docker中的系统是Ubuntu 16.04。
安装Docker
- 安装前准备
# 卸载系统原有docker
sudo apt-get remove docker docker-engine docker.io containerd runc
# 更新apt-get源
sudo apt-get update
# 安装docker的依赖
sudo apt-get install \apt-transport-https \ca-certificates \curl \gnupg-agent \software-properties-common
# 添加Docker的官方GPG密钥：
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
# 验证拥有指纹
sudo apt-key fingerprint 0EBFCD88
# 设置稳定存储库
sudo add-apt-repository \"deb [arch=amd64] https://download.docker.com/linux/ubuntu \$(lsb_release -cs) \stable"
- 安装Docker，编译CPU版本使用。
# 再次更新apt-get源
sudo apt-get update
# 开始安装docker
sudo apt-get install docker-ce
# 加载docker
sudo apt-cache madison docker-ce
# 验证docker是否安装成功
sudo docker run hello-world
正常情况下输出如下图所示。
- 安装nvidia-docker，编译GPU版本使用（根据情况安装）。安装之前要确认本地有独立显卡并安装的显卡驱动。
# 设置stable存储库和GPG密钥
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list# 更新软件包清单后
sudo apt-get update# 安装软件包
sudo apt-get install -y nvidia-docker2# 设置默认运行时后，重新启动Docker守护程序以完成安装：
sudo systemctl restart docker# 测试
sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi
编译PaddlePaddle
- 克隆PaddlePaddle源码：
git clone https://github.com/PaddlePaddle/Paddle.git
- 进入Paddle目录下：
cd Paddle
启动docker镜像
- 编译CPU版本，使用命令
sudo docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash- 编译GPU版本，使用命令
sudo nvidia-docker run --name paddle-test -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash进入Docker后进入paddle目录下：
cd paddle
- 切换到较稳定release分支下进行编译，读者可以根据自己的情况选择其他版本：
git checkout release/1.4
- 创建并进入
/paddle/build路径下：
mkdir -p /paddle/build && cd /paddle/build
- 使用以下命令安装相关依赖：
pip3 install protobuf==3.1.0
apt install patchelf
执行cmake：
- 编译CPU版本PaddlePaddle的命令。使用参数
-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定不使用GPU，只编译支持CPU的PaddlePaddle：
cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=OFF -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release- 编译GPU版本PaddlePaddle的命令。使用参数
-DPY_VERSION指定编译的PaddlePaddle支持的Python版本，笔者这里选择的是Python 3.5。并且使用参数-DWITH_FLUID_ONLY指定不编译V2版本的PaddlePaddle代码。使用参数-DWITH_GPU指定使用GPU，同时编译支持CPU和GPU版本的PaddlePaddle。这里要注意一下，我们拉取的这个镜像是CUDA 8.0的，不一定跟读者本地的CUDA版本对应，这可能导致编译的安装包在本地不可用：
cmake .. -DPY_VERSION=3.5 -DWITH_FLUID_ONLY=ON -DWITH_GPU=ON -DWITH_TESTING=OFF -DCMAKE_BUILD_TYPE=Release- 编译CPU版本PaddlePaddle的命令。使用参数
执行编译：
make -j$(nproc)
- 编译成功后，生成的安装包存放在
/paddle/build/python/dist目录下，如果是想在docker中安装PaddlePaddle，可以直接在docker中打开这个目录。如果要在本地安装的话，还有先退出docker，并进入到这个目录：
# 在docker镜像中安装
cd /paddle/build/python/dist
# 在Ubuntu本地安装
exit
cd build/python/dist
- 安装PaddlePaddle，执行以下命令：
pip3.5 install （whl包的名字）
测试环境
下面介绍在Windows测试PaddlePaddle的安装情况，Ubuntu环境类似。
开发工具笔者喜欢使用PyCharm，下载地址：https://www.jetbrains.com/pycharm/download/#section=windows ， 笔者使用的是社区版本的PyCharm，因为这个是免费的[坏笑]。
创建一个新项目，并选择系统的Python环境，第一个是创建一个Python的虚拟环境，这里选择第二个外部的Python环境，点击
...选择外部Python环境。
这里选择系统的Python环境，选择的路径是之前安装Python的路径。
创建一个Python程序文件，并命名为
test_paddle.py，编写并执行以下测试代码，现在看不懂没有关系，跟着这个系列教程来学，我们会熟悉使用PaddlePaddle的：
# Include libraries.
import paddle
import paddle.fluid as fluid
import numpy
import six# Configure the neural network.
def net(x, y):y_predict = fluid.layers.fc(input=x, size=1, act=None)cost = fluid.layers.square_error_cost(input=y_predict, label=y)avg_cost = fluid.layers.mean(cost)return y_predict, avg_cost# Define train function.
def train(save_dirname):x = fluid.layers.data(name='x', shape=[13], dtype='float32')y = fluid.layers.data(name='y', shape=[1], dtype='float32')y_predict, avg_cost = net(x, y)sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)sgd_optimizer.minimize(avg_cost)train_reader = paddle.batch(paddle.reader.shuffle(paddle.dataset.uci_housing.train(), buf_size=500),batch_size=20)place = fluid.CPUPlace()exe = fluid.Executor(place)def train_loop(main_program):feeder = fluid.DataFeeder(place=place, feed_list=[x, y])exe.run(fluid.default_startup_program())PASS_NUM = 1000for pass_id in range(PASS_NUM):total_loss_pass = 0for data in train_reader():avg_loss_value, = exe.run(main_program, feed=feeder.feed(data), fetch_list=[avg_cost])total_loss_pass += avg_loss_valueif avg_loss_value < 5.0:if save_dirname is not None:fluid.io.save_inference_model(save_dirname, ['x'], [y_predict], exe)returnprint("Pass %d, total avg cost = %f" % (pass_id, total_loss_pass))train_loop(fluid.default_main_program())# Infer by using provided test data.
def infer(save_dirname=None):place = fluid.CPUPlace()exe = fluid.Executor(place)inference_scope = fluid.core.Scope()with fluid.scope_guard(inference_scope):[inference_program, feed_target_names, fetch_targets] = (fluid.io.load_inference_model(save_dirname, exe))test_reader = paddle.batch(paddle.dataset.uci_housing.test(), batch_size=20)test_data = six.next(test_reader())test_feat = numpy.array(list(map(lambda x: x[0], test_data))).astype("float32")test_label = numpy.array(list(map(lambda x: x[1], test_data))).astype("float32")results = exe.run(inference_program,feed={feed_target_names[0]: numpy.array(test_feat)},fetch_list=fetch_targets)print("infer results: ", results[0])print("ground truth: ", test_label)# Run train and infer.
if __name__ == "__main__":save_dirname = "fit_a_line.inference.model"train(save_dirname)infer(save_dirname)
正常情况下会输出：
Pass 0, total avg cost = 13527.760742
Pass 1, total avg cost = 12497.969727
Pass 2, total avg cost = 11737.727539
Pass 3, total avg cost = 11017.893555
Pass 4, total avg cost = 9801.554688
Pass 5, total avg cost = 9150.510742
Pass 6, total avg cost = 8611.593750
Pass 7, total avg cost = 7924.654297
......
PaddlePaddle的安装已经介绍完成，那我们开始进入深度学习的大门吧。本系列教程将会一步步介绍如何使用PaddlePaddle，并使用PaddlePaddle应用到实际项目中。
项目代码GitHub地址：https://github.com/yeyupiaoling/LearnPaddle2/tree/master/note1
注意： 最新代码以GitHub上的为准
下一章：《PaddlePaddle从入门到炼丹》二——计算1+1
参考资料
- http://www.paddlepaddle.org/documentation/docs/zh/1.2/beginners_guide/install/install_Ubuntu.html
- http://www.paddlepaddle.org/documentation/docs/zh/1.2/beginners_guide/install/install_Windows.html
- https://blog.csdn.net/cocoaqin/article/details/78163171
《PaddlePaddle从入门到炼丹》一——新版本PaddlePaddle的安装相关推荐
- 《PaddlePaddle从入门到炼丹》六——生成对抗网络
前言 我们上一章使用MNIST数据集进行训练,获得一个可以分类手写字体的模型.如果我们数据集的数量不够,不足于让模型收敛,最直接的是增加数据集.但是我们收集数据并进行标注是非常消耗时间了,而最近非常火 ...
- djangosave保存数据太慢_PaddlePaddle从入门到炼丹八——模型的保存与使用
今日要闻 1.微信支付发布"全国小店烟火计划",数字化工具推动"地摊经济"提档升级 2.贝壳找房与百度地图达成合作,可实现直接在地图上选房看房 3.京东宣布启动 ...
- 新手第四课-PaddlePaddle快速入门
新手第四课-PaddlePaddle快速入门 文章目录 新手第四课-PaddlePaddle快速入门 PaddlePaddle基础命令 计算常量的加法:1+1 计算变量的加法:1+1 使用Paddle ...
- 动手学PaddlePaddle（0）：新版本PaddlePaddle安装
目录 0.引言 1.环境 2.Windows下安装 安装Python 安装PaddlePaddle 0.引言 今天介绍如何安装新版本的PaddlePaddle,现在最新版的PaddlePaddle是指 ...
- Pytorch：入门指南和 PyTorch 的 GPU版本安装(非常详细)
Pytorch: 入门指南和 PyTorch 的 GPU版本安装(非常详细) Copyright: Jingmin Wei, Pattern Recognition and Intelligent S ...
- 7.1 pdo 宝塔面板php_小白入门基础傻瓜式操作PHP面板安装使用_Bt宝塔面板
小白入门基础傻瓜式操作PHP面板安装使用--Bt宝塔面板 从购买服务器到安装面板在到搭建网站(最基础的教程,以后会延伸到部署项目) 不用写代码谁都可以做到搭建自己的网站(PHP类)还有小程序,只要 ...
- Linux入门基础教程之Linux下软件安装
Linux入门基础教程之Linux下软件安装 一.在线安装: sudo apt-get install 即可安装 如果在安装完后无法用Tab键补全命令,可以执行: source ~/.zshrc AP ...
- 32位mysql安装包_《MySQL 入门教程》第 02 篇 MySQL 安装
文章来源:<MySQL 入门教程>第 02 篇 MySQL 安装 原文作者:不剪发的Tony老师 来源平台:CSDN 上一篇我们了解了什么是MySQL数据库. 本文介绍如何在 Window ...
- MySQL入门 (一) : 资料库概论与MySQL的安装
1. 储存与管理资料 储存与管理资料一直是资讯应用上最基本.也是最常见的技术. 在还没有使用电脑来管理你的资料时,你可能会使用这样的方式来保存世界上所有的国家资料: 这样的作法在生活中是很常见的,例如 ...
最新文章
- 《自然语言处理入门》不是 NLP 学习路上的万能药
- Java Array 常见报错
- 【原理+实战+视频+源码】手撸SpringBoot缓存系统
- F5 network
- 罗永浩直播翻车频现，抖音选错了吗？
- c语言next的用法,C语言strchr使用之Next查找和截断想要的字符串
- html表单提交不判断,请问jquery有方法可以判断一个表单提交之后结果是成功或不成功吗？...
- java中list，set，map集合的区别，及面试要点
- Linux卸载驱动方法
- java 过滤 rtf 图片_忽略WPF RichTextBox中RTF文件中图像的定位
- 电子计算机的核心部件是哪三个,电子计算机三大核心部件 是什么
- EXCEL里判断空值（有可能是函数返回的““），可用的3个函数counta() ,countblank() ,countif()，及语法注意点
- 动态规划-切木头问题（代码实现）
- Spring系列九：Spring 事务
- 真的羡慕玉自寒和烈如歌的爱情
- centos安装oracle报错,CentOS安装oracle和rsh服务报错处理
- 微软的MSR paraphrase数据集
- 计算机网络打不开怎么办,网页无法打开,详细教您有网络但是打不开网页怎么办?...
- 『华为』 [行业要闻]华为VS思科：21世纪的第一场战争 。
- unity摇杆-技能指示器-滑屏