有关ResNetRS的原理部分，看我以前的论文阅读笔记：ResNet-RS架构复现–CVPR2021

1、ResNet-D架构

  ResNetRS是在ResNet-D架构上面的改进，ResNet-D架构的结构如下：

  注意，残差边上多了个池化操作。

2、ResNetRS架构

  我们提供了有关 ResNet-RS 架构更改的更多详细信息。我们重申 ResNet-RS 是：改进的缩放策略、改进的训练方法、ResNet-D 修改（He 等人，2018 年）和 SqueezeExcitation 模块（Hu 等人，2018 年）的组合。

  表 11 显示了我们工作中使用的所有 ResNet 深度的块布局。 ResNet-50 到 ResNet-200 使用 He 等人的标准块配置。 （2015 年）。 ResNet-270 及更高版本主要扩展 c3 和 c4 中的块数，我们尝试保持它们的比例大致恒定。我们凭经验发现，在较低阶段添加块会限制过度拟合，因为较低层中的块具有显着较少的参数，即使所有块具有相同数量的 FLOP。图 6 显示了我们的 ResNet-RS 模型中使用的 ResNet-D 架构更改。

   图 6. ResNet-RS 架构图。

   输出大小假定输入图像分辨率为 224×224。

   在卷积布局中，x2 是指第一个 3×3 卷积，步长为 2。

  ResNet-RS 架构是 Squeeze-and-Excitation 和 ResNet-D 的简单组合。

   × 符号表示块在 ResNet-101 架构中重复的次数。这些值根据表 11 中的块布局随深度变化。

3、手动搭建模型(Tensorflow)

   这里只是介绍网络的搭建方法，训练的时候我们直接使用迁移学习去做，用这个从头训练太慢了。

import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.models import Model
from typing import Callable, Dict, List, Union

3.1 模型配置项

DEPTH_TO_WEIGHT_VARIANTS = {50: [160],101: [160, 192],152: [192, 224, 256],200: [256],270: [256],350: [256, 320],420: [320],
}
BLOCK_ARGS = {50: [{"input_filters": 64,"num_repeats": 3},{"input_filters": 128,"num_repeats": 4},{"input_filters": 256,"num_repeats": 6},{"input_filters": 512,"num_repeats": 3},],101: [{"input_filters": 64,"num_repeats": 3},{"input_filters": 128,"num_repeats": 4},{"input_filters": 256,"num_repeats": 23},{"input_filters": 512,"num_repeats": 3},],152: [{"input_filters": 64,"num_repeats": 3},{"input_filters": 128,"num_repeats": 8},{"input_filters": 256,"num_repeats": 36},{"input_filters": 512,"num_repeats": 3},],200: [{"input_filters": 64,"num_repeats": 3},{"input_filters": 128,"num_repeats": 24},{"input_filters": 256,"num_repeats": 36},{"input_filters": 512,"num_repeats": 3},],270: [{"input_filters": 64,"num_repeats": 4},{"input_filters": 128,"num_repeats": 29},{"input_filters": 256,"num_repeats": 53},{"input_filters": 512,"num_repeats": 4},],350: [{"input_filters": 64,"num_repeats": 4},{"input_filters": 128,"num_repeats": 36},{"input_filters": 256,"num_repeats": 72},{"input_filters": 512,"num_repeats": 4},],420: [{"input_filters": 64,"num_repeats": 4},{"input_filters": 128,"num_repeats": 44},{"input_filters": 256,"num_repeats": 87},{"input_filters": 512,"num_repeats": 4},],
}
CONV_KERNEL_INITIALIZER = {"class_name": "VarianceScaling","config": {"scale": 2.0,"mode": "fan_out","distribution": "truncated_normal"},
}

这里只搭建ResNet-RS101架构

3.2 get_survival_probability

  根据区块数和初始速率获取生存概率

def get_survival_probability(init_rate, block_num, total_blocks):return init_rate * float(block_num) / total_blocks

3.3 fixed_padding

def fixed_padding(inputs, kernel_size):"""沿空间维度填充输入，与输入大小无关"""pad_total = kernel_size - 1pad_beg = pad_total // 2pad_end = pad_total - pad_beg# 使用 ZeroPadding 来避免 TFOpLambda 层padded_inputs = layers.ZeroPadding2D(padding=((pad_beg, pad_end), (pad_beg, pad_end)))(inputs)return padded_inputs

3.4 Conv2DFixedPadding

```python
# Conv2D block with fixed padding
def Conv2DFixedPadding(filters, kernel_size, strides, name=None):def apply(inputs):if strides > 1:inputs = fixed_padding(inputs, kernel_size)return layers.Conv2D(filters=filters,kernel_size=kernel_size,strides=strides,padding='same' if strides == 1 else 'valid',use_bias=False,kernel_initializer=CONV_KERNEL_INITIALIZER,name=name)(inputs)return apply
```

3.5 STEM块

# ResNet-D型STEM块
def STEM(inputs,bn_momentum: float = 0.0,bn_epsilon: float = 1e-5,activation: str = 'relu',name=None):# first stem blockx = Conv2DFixedPadding(filters=32,kernel_size=3,strides=2,name=name + '_stem_conv_1')(inputs)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_stem_batch_norm_1')(x)x = layers.Activation(activation, name=name + '_stem_act_1')(x)# second stem blockx = Conv2DFixedPadding(filters=32,kernel_size=3,strides=1,name=name + '_stem_conv_2')(x)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_stem_batch_norm_2')(x)x = layers.Activation(activation, name=name + '_stem_act_2')(x)# final stem blockx = Conv2DFixedPadding(filters=64,kernel_size=3,strides=1,name=name + '_stem_conv_3')(x)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_stem_batch_norm_3')(x)x = layers.Activation(activation, name=name + '_stem_act_3')(x)# Replace stem max pool:x = Conv2DFixedPadding(filters=64,kernel_size=3,strides=2,name=name + '_stem_conv_4')(x)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + 'stem_batch_norm_4')(x)x = layers.Activation(activation, name=name + '_stem_act_4')(x)return x

3.6 SE注意力机制模块

def SE(inputs,in_filters: int,se_ratio: float = 0.25,expand_ratio: int = 1,name=None):x = layers.GlobalAveragePooling2D(name=name + '_se_squeeze')(inputs)se_shape = (1, 1, x.shape[-1])x = layers.Reshape(se_shape, name=name + '_se_reshape')(x)num_reduced_filters = max(1, int(in_filters * 4 * se_ratio))x = layers.Conv2D(filters=num_reduced_filters,kernel_size=(1, 1),strides=[1, 1],kernel_initializer=CONV_KERNEL_INITIALIZER,padding='same',use_bias=False,activation='relu',name=name + '_se_reduce')(x)x = layers.Conv2D(filters=4 * in_filters * expand_ratio,  # Expand ratio is 1 by defaultkernel_size=[1, 1],strides=[1, 1],kernel_initializer=CONV_KERNEL_INITIALIZER,padding='same',use_bias=False,activation='sigmoid',name=name + '_se_expand')(x)out = layers.multiply([inputs, x], name=name + '_se_excite')return out

3.7 Bottleneck Block

def BottleneckBlock(filters: int,strides: int,use_projection: bool,bn_momentum: float = 0.0,bn_epsilon: float = 1e-5,activation: str = 'relu',se_ratio: float = 0.25,survival_probability: float = 0.8,name=None):# 带有BN的残差网络的bottle block变体def apply(inputs):shortcut = inputs# 是否需要projection shortcutif use_projection:filters_out = filters * 4if strides == 2:shortcut = layers.AveragePooling2D(pool_size=(2, 2),strides=(2, 2),padding='same',name=name + '_projection_pooling')(inputs)shortcut = Conv2DFixedPadding(filters=filters_out,kernel_size=1,strides=1,name=name + '_projection_conv')(shortcut)else:shortcut = Conv2DFixedPadding(filters=filters_out,kernel_size=1,strides=strides,name=name + '_projection_conv')(inputs)shortcut = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_projection_batch_norm')(shortcut)# first conv layer:1x1 convx = Conv2DFixedPadding(filters=filters,kernel_size=1,strides=1,name=name + '_conv_1')(inputs)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + 'batch_norm_1')(x)x = layers.Activation(activation, name=name + '_act_1')(x)# second conv layer:3x3 convx = Conv2DFixedPadding(filters=filters,kernel_size=3,strides=strides,name=name + '_conv_2')(x)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_batch_norm_2')(x)x = layers.Activation(activation, name=name + '_act_2')(x)# third conv layer:1x1 convx = Conv2DFixedPadding(filters=filters * 4,kernel_size=1,strides=1,name=name + '_conv_3')(x)x = layers.BatchNormalization(momentum=bn_momentum,epsilon=bn_epsilon,name=name + '_batch_norm_3')(x)if 0 < se_ratio < 1:x = SE(x, filters, se_ratio=se_ratio, name=name + '_se')# Drop connectif survival_probability:x = layers.Dropout(survival_probability,noise_shape=(None, 1, 1, 1),name=name + '_drop')(x)x = layers.Add()([x, shortcut])return layers.Activation(activation, name=name + '_output_act')(x)return apply

3.8 Block Group

def BlockGroup(filters,strides,num_repeats,  # Block重复次数se_ratio: float = 0.25,bn_epsilon: float = 1e-5,bn_momentum: float = 0.0,activation: str = "relu",survival_probability: float = 0.8,name=None):"""Create one group of blocks for the ResNet model."""def apply(inputs):# 只有每个block_group的第一个block块使用projection shortcut和stridesx = BottleneckBlock(filters=filters,strides=strides,use_projection=True,se_ratio=se_ratio,bn_epsilon=bn_epsilon,bn_momentum=bn_momentum,activation=activation,survival_probability=survival_probability,name=name + "_block_0_",)(inputs)for i in range(1, num_repeats):x = BottleneckBlock(filters=filters,strides=1,use_projection=False,se_ratio=se_ratio,activation=activation,bn_epsilon=bn_epsilon,bn_momentum=bn_momentum,survival_probability=survival_probability,name=name + f"_block_{i}_",)(x)return xreturn apply

3.9 ResNetRS

# 构建ResNet-RS模型:这里复现ResNet-RS101
def ResNetRS(depth: int,  # ResNet网络的深度，101:[160,192]input_shape=None,bn_momentum=0.0,  # BN层的动量参数bn_epsilon=1e-5,  # BN层的Epsilon参数activation: str = 'relu',  # 激活函数se_ratio=0.25,  # 挤压和激发曾的比例dropout_rate=0.25,  # 最终分类曾之前的dropoutdrop_connect_rate=0.2,  # skip connection的丢失率include_top=True,  # 是否在网络顶部包含全连接层block_args: List[Dict[str, int]] = None,  # 字典列表，构造块模块的参数model_name='resnet-rs',  # 模型的名称pooling=None,  # 可选的池化模式weights='imagenet',input_tensor=None,classes=1000,  # 分类数classifier_activation: Union[str, Callable] = 'softmax',  # 分类器激活include_preprocessing=True):  # 是否包含预处理层(对输入图像通过ImageNet均值和标准差进行归一化):img_input = layers.Input(shape=input_shape)x = img_inputinputs = img_input# 这里本来有个预处理判断，tensorflow版本太低。# if include_preprocessing:#     num_channels=input_shape[-1]#     if num_channels==3:#         # 预处理# Build stemx = STEM(x, bn_momentum=bn_momentum, bn_epsilon=bn_epsilon, activation=activation, name='stem')# Build blocksif block_args is None:block_args = BLOCK_ARGS[depth]for i, args in enumerate(block_args):# print(i,args)survival_probability = get_survival_probability(init_rate=drop_connect_rate,block_num=i + 2,total_blocks=len(block_args) + 1)# args['input_filters']=[64,128,256,512]# 只有第一个BlockGroup的stride=1,后面三个都是stride=2x = BlockGroup(filters=args['input_filters'],activation=activation,strides=(1 if i == 0 else 2),num_repeats=args['num_repeats'],se_ratio=se_ratio,bn_momentum=bn_momentum,bn_epsilon=bn_epsilon,survival_probability=survival_probability,name=f"BlockGroup{i + 2}_")(x)# Build head:if include_top:x = layers.GlobalAveragePooling2D(name='avg_pool')(x)if dropout_rate > 0:x = layers.Dropout(dropout_rate, name='top_dropout')(x)x = layers.Dense(classes, activation=classifier_activation, name='predictions')(x)else:if pooling == 'avg':x = layers.GlobalAveragePooling2D(name='avg_pool')(x)elif pooling == 'max':x = layers.GlobalMaxPooling2D(name='max_pool')(x)# Create modelmodel = Model(inputs, x, name=model_name)return model

3.10 ResNetRS101架构

# build ResNet-RS101 model
def ResNetRS101(include_top=True,weights='imagenet',classes=1000,input_shape=None,input_tensor=None,pooling=None,classifier_activation='softmax',include_preprocessing=True):return ResNetRS(depth=101,include_top=include_top,drop_connect_rate=0.0,dropout_rate=0.25,weights=weights,classes=classes,input_shape=input_shape,input_tensor=input_tensor,pooling=pooling,classifier_activation=classifier_activation,model_name='resnet-rs-101',include_preprocessing=include_preprocessing)

if __name__ == '__main__':model = ResNetRS101(input_shape=(224, 224, 3), classes=1000)model.summary()

4、宝可梦数据集

  部分数据展示

  都按照文件夹分好了，那么我们对数据集进行切分就可以了。
  按照8:2切分数据集。

import os
import random
import shutil
import numpy as np# 数据集路径
DATASET_DIR = "pokeman"
# DATASET_DIR = "../第13章-验证码识别项目/captcha"
# 数据切分后存放路径
NEW_DIR = "data"
# 测试集占比
num_test = 0.2# 打乱所有种类数据，并分割训练集和测试集
def shuffle_all_files(dataset_dir, new_dir, num_test):# 先删除已有new_dir文件夹if not os.path.exists(new_dir):passelse:# 递归删除文件夹shutil.rmtree(new_dir)# 重新创建new_dir文件夹os.makedirs(new_dir)# 在new_dir文件夹目录下创建train文件夹train_dir = os.path.join(new_dir, 'train')os.makedirs(train_dir)# 在new_dir文件夹目录下创建test文件夹test_dir = os.path.join(new_dir, 'test')os.makedirs(test_dir)# 原始数据类别列表directories = []# 新训练集类别列表train_directories = []# 新测试集类别列表test_directories = []# 类别名称列表class_names = []# 循环所有类别for filename in os.listdir(dataset_dir):# 原始数据类别路径path = os.path.join(dataset_dir, filename)# 新训练集类别路径train_path = os.path.join(train_dir, filename)# 新测试集类别路径test_path = os.path.join(test_dir, filename)# 判断该路径是否为文件夹if os.path.isdir(path):# 加入原始数据类别列表directories.append(path)# 加入新训练集类别列表train_directories.append(train_path)# 新建类别文件夹os.makedirs(train_path)# 加入新测试集类别列表test_directories.append(test_path)# 新建类别文件夹os.makedirs(test_path)# 加入类别名称列表class_names.append(filename)print('类别列表：', class_names)# 循环每个分类的文件夹for i in range(len(directories)):# 保存原始图片路径photo_filenames = []# 保存新训练集图片路径train_photo_filenames = []# 保存新测试集图片路径test_photo_filenames = []# 得到所有图片的路径for filename in os.listdir(directories[i]):# 原始图片路径path = os.path.join(directories[i], filename)# 训练图片路径train_path = os.path.join(train_directories[i], filename)# 测试集图片路径test_path = os.path.join(test_directories[i], filename)# 保存图片路径photo_filenames.append(path)train_photo_filenames.append(train_path)test_photo_filenames.append(test_path)# list转arrayphoto_filenames = np.array(photo_filenames)train_photo_filenames = np.array(train_photo_filenames)test_photo_filenames = np.array(test_photo_filenames)# 打乱索引index = [i for i in range(len(photo_filenames))]random.shuffle(index)# 对3个list进行相同的打乱，保证在3个list中索引一致photo_filenames = photo_filenames[index]train_photo_filenames = train_photo_filenames[index]test_photo_filenames = test_photo_filenames[index]# 计算测试集数据个数test_sample_index = int((1 - num_test) * float(len(photo_filenames)))# 复制测试集图片for j in range(test_sample_index, len(photo_filenames)):# 复制图片shutil.copyfile(photo_filenames[j], test_photo_filenames[j])# 复制训练集图片for j in range(0, test_sample_index):# 复制图片shutil.copyfile(photo_filenames[j], train_photo_filenames[j])# 打乱并切分数据集
shuffle_all_files(DATASET_DIR, NEW_DIR, num_test)

  切分之后：

5、ResNetRS50架构实现宝可梦图像识别

import tensorflow as tf
import numpy as np
from tensorflow.keras import layers
from tensorflow.keras.models import Model
from tensorflow.keras.applications import ResNetRS50
import math
import os
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import Sequential
from tensorflow.keras.optimizers import Adam
import matplotlib.pyplot as plt
from tensorflow.keras.callbacks import LearningRateScheduler
from tensorflow.keras.models import Model

5.1 ResNetRS50架构

  这里去掉顶部的全连接层。

model=ResNetRS50(include_top=False,input_shape=(224,224,3))
model.summary()

5.2 超参数与模型结构

# 类别数
num_classes = 5
# 批次大小
batch_size = 32
# 周期数
epochs=100
# 图片大小
image_size = 224model=tf.keras.Sequential([model,layers.GlobalAveragePooling2D(),layers.Dense(num_classes,activation='softmax')
])
model.summary()

5.3 数据增强

# 训练集数据进行数据增强
train_datagen = ImageDataGenerator(rotation_range=20,  # 随机旋转度数width_shift_range=0.1,  # 随机水平平移height_shift_range=0.1,  # 随机竖直平移rescale=1 / 255,  # 数据归一化shear_range=10,  # 随机错切变换zoom_range=0.1,  # 随机放大horizontal_flip=True,  # 水平翻转brightness_range=(0.7, 1.3),  # 亮度变化fill_mode='nearest',  # 填充方式
)
# 测试集数据只需要归一化就可以
test_datagen = ImageDataGenerator(rescale=1 / 255,  # 数据归一化
)

5.4 数据生成器

# 训练集数据生成器，可以在训练时自动产生数据进行训练
# 从'data/train'获得训练集数据
# 获得数据后会把图片resize为image_size×image_size的大小
# generator每次会产生batch_size个数据
train_generator = train_datagen.flow_from_directory('../data/pokeman-dataset/train',target_size=(image_size, image_size), # 调整图像尺寸batch_size=batch_size,
)# 测试集数据生成器
test_generator = test_datagen.flow_from_directory('../data/pokeman-dataset/test',target_size=(image_size, image_size),batch_size=batch_size,
)
# 字典的键为17个文件夹的名字，值为对应的分类编号
print(train_generator.class_indices)

5.5 callbacks

# 学习率调节函数，逐渐减小学习率
def adjust_learning_rate(epoch):# 前40周期if epoch<=30:lr = 1e-4# 前40到80周期elif 30 < epoch <= 80:lr = 1e-5# 80到100周期else:lr = 1e-6return lr# 定义优化器
adam = Adam(learning_rate=1e-4)# 读取模型
checkpoint_save_path = "./checkpoint/ResNetRS50-pokeman.ckpt"
if os.path.exists(checkpoint_save_path + '.index'):print('-------------load the model-----------------')model.load_weights(checkpoint_save_path)
# 保存模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_save_path,save_weights_only=True,save_best_only=True)
# 早停
early_stop=tf.keras.callbacks.EarlyStopping(monitor='val_loss',patience=3,verbose=0)# 定义学习率衰减策略
callbacks = []
callbacks.append(LearningRateScheduler(adjust_learning_rate))
# callbacks.append(early_stop)
callbacks.append(cp_callback)

5.6 compile&fit

# 定义优化器，loss function，训练过程中计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])# Tensorflow2.1版本(包括2.1)之后可以直接使用fit训练模型
history = model.fit(x=train_generator,epochs=epochs,validation_data=test_generator,callbacks=callbacks)

5.7 保存模型

# 保存模型
model.save('model/ResNetRS50-pokeman.h5')

5.8 acc和loss可视化

# 画出训练集准确率曲线图
plt.plot(np.arange(epochs),history.history['accuracy'],c='b',label='train_accuracy')
# 画出验证集准确率曲线图
plt.plot(np.arange(epochs),history.history['val_accuracy'],c='y',label='val_accuracy')
# 图例
plt.legend()
# x坐标描述
plt.xlabel('epochs')
# y坐标描述
plt.ylabel('accuracy')
# 显示图像
plt.show()

# 画出训练集loss曲线图
plt.plot(np.arange(epochs),history.history['loss'],c='b',label='train_loss')
# 画出验证集loss曲线图
plt.plot(np.arange(epochs),history.history['val_loss'],c='y',label='val_loss')
# 图例
plt.legend()
# x坐标描述
plt.xlabel('epochs')
# y坐标描述
plt.ylabel('loss')
# 显示图像
plt.show()

5.9 test

  这里随便用一些图片测试下这个模型

import tensorflow as tf
import numpy as np
import os
import matplotlib.pyplot as plt
from tensorflow.keras import layers
from tensorflow.keras.models import load_model# from PIL import Imagemodel = load_model('model/ResNetRS50-pokeman.h5')
model.summary()# 类别总数
dataset_dir = 'data/train'
classes = []
for filename in os.listdir(dataset_dir):classes.append(filename)
# print('classes:',classes)# 预测单张图片
def predict_single_image(img_path):# string类型的tensorimg = tf.io.read_file(img_path)# 将jpg格式转换为tensorimg = tf.image.decode_jpeg(img, channels=3)# 数据归一化img = tf.image.convert_image_dtype(img, dtype=tf.float32)# resizeimg = tf.image.resize(img, size=[224, 224])# 扩充一个维度img = np.expand_dims(img, axis=0)# 预测：结果是二维的test_result = model.predict(img)# print('test_result：', test_result)# 转化为一维result = np.squeeze(test_result)# print('转化后result：', result)# 找到概率值最大的索引predict_class = np.argmax(result)# print('概率值最大的索引：', predict_class)# 返回类别和所属类别的概率return classes[int(predict_class)], result[predict_class]# 对整个文件夹的图片进行预测
def predict_directory(file_path):classes_pred=[]classes_true=[]probs=[]for file in os.listdir(file_path):# 测试图片完整路径file_dir=os.path.join(file_path,file)# 打印文件路径print(file_dir)# 传入文件路径进行预测preds,prob=predict_single_image(file_dir)# 取出图片的真实标签(这里直接将文件夹名称作为真实标签值了)# label_true=file.split('_')[0].title()label_true = file_dir.split('\\')[0].split('/')[-1]# 保存真实值和预测值结果classes_true.append(label_true)classes_pred.append(preds)probs.append(prob)return classes_pred,classes_true,probs# img_path = 'Gemstones/train/Almandine/almandine_0.jpg'
# classes, prob = predict_single_image(img_path)
# print(classes, prob)file_path= 'data/test/bulbasaur'
classes_pred,classes_true,probs=predict_directory(file_path)
print(classes_pred)
print(classes_true)
print(probs)

  效果还是不错的。

基于ResNetRS的宝可梦图像识别相关推荐

1. 基于小程序开发的宝可梦图鉴小程序源码课程设计毕业设计

   源码地址:基于小程序开发的宝可梦图鉴小程序源码课程设计毕业设计 宝可梦是一款备受喜爱的游戏,其丰富的剧情和可爱的角色深受玩家们的喜欢.而对于宝可梦爱好者来说,一款好的宝可梦图鉴是必不可少的.今天,我来 ...

2. 把宝可梦搬到终端后，摸鱼也不会被老板发现了，收集对战玩法一应俱全｜开源...

   鱼羊 发自 凹非寺 量子位 | 公众号 QbitAI 在电脑终端里当上宝可梦大师,是一种怎样的体验? 别说,还真有玩家不满足于在老任家捕捉小精灵,动手把宝可梦游戏搬到了终端里. 玩法那也是像模像样. ...

3. 用python画皮卡丘源代码-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘...

   原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘 大数据文摘出品 作者:李雷.蒋宝尚 还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...

4. python简单代码画皮卡丘-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘...

   原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘 大数据文摘出品 作者:李雷.蒋宝尚 还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...

5. 用python画皮卡丘代码-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘

   大数据文摘出品 作者:李雷.蒋宝尚 还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模样吗? 最近上映的<大侦探皮卡丘>,是否会让你秒回童年 ...

6. 用python画皮卡丘-实现童年宝可梦，教你用Python画一只属于自己的皮卡丘

   大数据文摘出品 作者:李雷.蒋宝尚 还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模样吗? 最近上映的<大侦探皮卡丘>,是否会让你秒回童年 ...

7. 怎么用python画皮卡丘_实现童年宝可梦，教你用Python画一只属于自己的皮卡丘

   原标题:实现童年宝可梦,教你用Python画一只属于自己的皮卡丘 大数据文摘出品 作者:李雷.蒋宝尚 还记得小时候疯狂收集和交换神奇宝贝卡片的经历吗? 还记得和小伙伴拿着精灵球,一起召唤小精灵的中二模 ...

8. android wear 神奇宝贝,宝可梦Home安卓版下载_宝可梦Home手机app官方版（Pokemon Home） v1.0.3-安族游戏网...

   宝可梦Home安卓版(Pokemon Home)是基于云技术所打造的一款云端服务app,该应用能够连接不同的设备,并且通能够同步不同设备的宝可梦进行宝可梦数据交换,同时移动端也能够和ns端利用此应用来 ...

9. 用计算机弹精灵宝可梦音乐,《精灵宝可梦》图鉴402：可以演奏出优美音乐的精灵——音箱蟀...

   原标题:<精灵宝可梦>图鉴402:可以演奏出优美音乐的精灵--音箱蟀 本篇我们要介绍的宝可梦就是圆法师的进化型--音箱蟀,这只宝可梦和圆法师的外形差距小二个人认为还是蛮大的,在动画中,音箱 ...

最新文章

1. android.view.InflateException: Binary XML file line #8: Binary XML file line #8: Error inflating cl
2. 1.11 为什么使用卷积-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
3. vs2010 Qt插件报错Couldn't register all Qt4VSAddin command解决方案
4. IDEA中Maven项目使用Junit4单元测试的写法
5. js Date 生成某年某月的天数
6. 2017.9.21 所驼门王的宝藏 思考记录
7. ubuntu14.04 LTS Visual Studio Code 编辑器推荐
8. 微软Windows系统命令和Sysinternals系列工具
9. If,for,range混合使用笔记-（VBA视频教程2：使用IF进行逻辑判断）
10. oppor11点击Android,OPPO R11怎么网络共享？OPPO R11三种共享网络设置教程
11. Watir vs Selenium
12. —— GPS测量原理及应用复习 ——
13. Android关键字persistent
14. iOS开发技巧--xcode中的group与folder
15. 三箭暴雷造清算 回顾三箭资本Zhu Su黑以太坊奶自己投资项目的黑历史
16. style是什么意思
17. qtp:vbs基础教程
18. 哪一个国家耗巨资请熊猫去的_熊猫4.0：一个月过去了，复苏迹象
19. mysql将数据库表内容(表内字段/属性)导出为excel表格
20. aix查看lv_AIX中的硬盘、PP、VG、LV、文件系统

热门文章

1. 墨羽卿画第二章第5节：另一个世界，腊月廿四
2. php 合成图片、合成圆形图片
3. uni-app开发App上架Apple Store流程（简略版）
4. 新生儿的一类（免费）疫苗（截止2019年）
5. 「SDUDOC」个人总结报告
6. 金三银四，中高级测试面经，我不信你能看完！
7. 关于使用KEIL建立STM32项目（附带建立好的工程以及注意事项）
8. excel如何晒出重复数据_怎么筛选出excel中重复数据
9. 攻防世界 reverse leaked-license-64
10. 在AWS Lambda上部署标准FFmpeg工具——Docker方案