本博客运行环境为jupyter下python3.6
掌握笑脸数据集（genki4k）正负样本的划分、模型训练和测试的过程，输出模型训练精度和测试精度（F1-score和ROC）；完成一个摄像头采集自己人脸、并对表情（笑脸和非笑脸）的实时分类判读（输出分类文字）的程序。

目录

    • 环境搭建
    • genki-4k数据集下载
    • 图片预处理
    • 划分数据集
  • CNN提取人脸特征识别笑脸或非笑脸
    • 创建模型
    • 归一化处理
    • 数据增强
    • 创建网络
    • 单张图片测试
    • 摄像头实时测试
  • Dlib提取人脸特征识别笑脸或非笑脸

环境搭建

注意！！一定要提前把环境装好，不然后面再跑一遍比较慢，也会很心累。
必需环境

pip install tensorflow==1.2.0

pip install keras==2.0.6

pip install dlib==19.6.1

其他，由于我创建了一个新的虚拟环境，用到了其他库也需要自己装

pip install opencv_python==4.1.2.30

pip install pillow

pip install matplotlib

pip install h5py

如果下载较慢，可使用国内源，格式如下，替换成自己需要的库就好啦

pip install  -i https://pypi.tuna.tsinghua.edu.cn/simple matplotlib

genki-4k数据集下载

genki-4k数据集下载地址：https://inc.ucsd.edu/mplab/wordpress/index.html%3Fp=398.html

图片预处理

把数据集中的图片人脸部分裁剪下来。
files是初始数据集的名字，files1是裁剪后数据集的名字。
代码如下：

import dlib         # 人脸识别的库dlib
import numpy as np  # 数据处理的库numpy
import cv2          # 图像处理的库OpenCv
import os# dlib预测器
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')# 读取图像的路径
path_read = "files"
for file_name in os.listdir(path_read):#aa是图片的全路径aa=(path_read +"/"+file_name)#读入的图片的路径中含非英文img=cv2.imdecode(np.fromfile(aa, dtype=np.uint8), cv2.IMREAD_UNCHANGED)#获取图片的宽高img_shape=img.shapeimg_height=img_shape[0]img_width=img_shape[1]# 用来存储生成的单张人脸的路径path_save="files1" # dlib检测dets = detector(img,1)print("人脸数：", len(dets))for k, d in enumerate(dets):if len(dets)>1:continue# 计算矩形大小# (x,y), (宽度width, 高度height)pos_start = tuple([d.left(), d.top()])pos_end = tuple([d.right(), d.bottom()])# 计算矩形框大小height = d.bottom()-d.top()width = d.right()-d.left()# 根据人脸大小生成空的图像img_blank = np.zeros((height, width, 3), np.uint8)for i in range(height):if d.top()+i>=img_height:# 防止越界continuefor j in range(width):if d.left()+j>=img_width:# 防止越界continueimg_blank[i][j] = img[d.top()+i][d.left()+j]img_blank = cv2.resize(img_blank, (200, 200), interpolation=cv2.INTER_CUBIC)cv2.imencode('.jpg', img_blank)[1].tofile(path_save+"/"+file_name) # 正确方法

运行结果如下：
文件夹内照片样式如下，这样裁剪可能会导致数据集内照片数量变少一些。但没关系我们可以再补充一些。

划分数据集

方法一
记得修改为自己的数据集名字，可以先划分一下smile和unsmile两个大类。

import os, shutil
# 原始数据集路径
original_dataset_dir = 'files1'# 新的数据集
base_dir = 'files2'
os.mkdir(base_dir)# 训练图像、验证图像、测试图像的目录
train_dir = os.path.join(base_dir, 'train')
os.mkdir(train_dir)
validation_dir = os.path.join(base_dir, 'validation')
os.mkdir(validation_dir)
test_dir = os.path.join(base_dir, 'test')
os.mkdir(test_dir)train_cats_dir = os.path.join(train_dir, 'smile')
os.mkdir(train_c_dir)train_dogs_dir = os.path.join(train_dir, 'unsmile')
os.mkdir(train_d_dir)validation_cats_dir = os.path.join(validation_dir, 'smile')
os.mkdir(validation_c_dir)validation_dogs_dir = os.path.join(validation_dir, 'unsmile')
os.mkdir(validation_d_dir)test_cats_dir = os.path.join(test_dir, 'smile')
os.mkdir(test_c_dir)test_dogs_dir = os.path.join(test_dir, 'unsmile')
os.mkdir(test_d_dir)# 复制1000张笑脸图片到train_c_dir
fnames = ['file{}.jpg'.format(i) for i in range(900)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(train_c_dir, fname)shutil.copyfile(src, dst)fnames = ['file{}.jpg'.format(i) for i in range(900, 1350)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(validation_c_dir, fname)shutil.copyfile(src, dst)# Copy next 500 cat images to test_cats_dir
fnames = ['file{}.jpg'.format(i) for i in range(1350, 1800)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(test_c_dir, fname)shutil.copyfile(src, dst)fnames = ['file{}.jpg'.format(i) for i in range(900)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(train_d_dir, fname)shutil.copyfile(src, dst)# Copy next 500 dog images to validation_dogs_dir
fnames = ['file{}.jpg'.format(i) for i in range(900, 1350)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(validation_d_dir, fname)shutil.copyfile(src, dst)# Copy next 500 dog images to test_dogs_dir
fnames = ['file{}.jpg'.format(i) for i in range(1350, 1800)]
for fname in fnames:src = os.path.join(original_dataset_dir, fname)dst = os.path.join(test_d_dir, fname)shutil.copyfile(src, dst)

运行结果如下：

方法二
因为数据集里排序是好的，也可以手动划分，然后导入。
路径导入的代码如下：

import keras
import os, shutil
train_smile_dir="files2/train/smile/"
train_umsmile_dir="files2/train/unsmile/"
test_smile_dir="files2/test/smile/"
test_umsmile_dir="files2/test/unsmile/"
validation_smile_dir="files2/validation/smile/"
validation_unsmile_dir="files2/validation/unsmile/"
train_dir="files2/train/"
test_dir="files2/test/"
validation_dir="files2/validation/"

查看文件夹下图片的数量：

print('total training smile images:', len(os.listdir(train_smile_dir)))
print('total training unsmile images:', len(os.listdir(train_umsmile_dir)))
print('total testing smile images:', len(os.listdir(test_smile_dir)))
print('total testing unsmile images:', len(os.listdir(test_umsmile_dir)))
print('total validation smile images:', len(os.listdir(validation_smile_dir)))
print('total validation unsmile images:', len(os.listdir(validation_unsmile_dir)))

运行结果如下：
total training smile images: 900
total training unsmile images: 900
total testing smile images: 450
total testing unsmile images: 450
total validation smile images: 450
total validation unsmile images: 450

CNN提取人脸特征识别笑脸或非笑脸

创建模型

代码如下：

#创建模型
from keras import layers
from keras import models
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

查看模型：

model.summary()#查看

运行结果如下：
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_1 (Conv2D) (None, 148, 148, 32) 896
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 74, 74, 32) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 72, 72, 64) 18496
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 36, 36, 64) 0
_________________________________________________________________
conv2d_3 (Conv2D) (None, 34, 34, 128) 73856
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 17, 17, 128) 0
_________________________________________________________________
conv2d_4 (Conv2D) (None, 15, 15, 128) 147584
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 7, 7, 128) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 6272) 0
_________________________________________________________________
dense_1 (Dense) (None, 512) 3211776
_________________________________________________________________
dense_2 (Dense) (None, 1) 513
=================================================================
Total params: 3,453,121
Trainable params: 3,453,121
Non-trainable params: 0
_________________________________________________________________

归一化处理

代码如下：

#归一化
from keras import optimizers
model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])

from keras.preprocessing.image import ImageDataGenerator
train_datagen = ImageDataGenerator(rescale=1./255)
validation_datagen=ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(# 目标文件目录train_dir,#所有图片的size必须是150x150target_size=(150, 150),batch_size=20,# Since we use binary_crossentropy loss, we need binary labelsclass_mode='binary')
validation_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=20,class_mode='binary')
test_generator = test_datagen.flow_from_directory(test_dir,target_size=(150, 150),batch_size=20,class_mode='binary')

for data_batch, labels_batch in train_generator:print('data batch shape:', data_batch.shape)print('labels batch shape:', labels_batch)break
#'smile': 0, 'unsmile': 1

运行结果如下：‘smile’:代表0, ‘unsmile’: 代表1
data batch shape: (20, 150, 150, 3)
labels batch shape: [0. 1. 1. 1. 0. 1. 1. 0. 1. 0. 0. 0. 1. 1. 1. 1. 1. 1. 1. 0.]

数据增强

代码如下：

#数据增强
datagen = ImageDataGenerator(rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')

查看数据增强后图片变化

#数据增强后图片变化
import matplotlib.pyplot as plt
# This is module with image preprocessing utilities
from keras.preprocessing import image
fnames = [os.path.join(train_smile_dir, fname) for fname in os.listdir(train_smile_dir)]
img_path = fnames[3]
img = image.load_img(img_path, target_size=(150, 150))
x = image.img_to_array(img)
x = x.reshape((1,) + x.shape)
i = 0
for batch in datagen.flow(x, batch_size=1):plt.figure(i)imgplot = plt.imshow(image.array_to_img(batch[0]))i += 1if i % 4 == 0:break
plt.show()

运行结果如下：

创建网络

#创建网络
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(150, 150, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(128, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dropout(0.5))
model.add(layers.Dense(512, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',optimizer=optimizers.RMSprop(lr=1e-4),metrics=['acc'])

归一化处理：

#归一化处理
train_datagen = ImageDataGenerator(rescale=1./255,rotation_range=40,width_shift_range=0.2,height_shift_range=0.2,shear_range=0.2,zoom_range=0.2,horizontal_flip=True,)test_datagen = ImageDataGenerator(rescale=1./255)train_generator = train_datagen.flow_from_directory(# This is the target directorytrain_dir,# All images will be resized to 150x150target_size=(150, 150),batch_size=32,# Since we use binary_crossentropy loss, we need binary labelsclass_mode='binary')validation_generator = test_datagen.flow_from_directory(validation_dir,target_size=(150, 150),batch_size=32,class_mode='binary')history = model.fit_generator(train_generator,steps_per_epoch=100,epochs=60,  validation_data=validation_generator,validation_steps=50)

运行结果如下：因为电脑性能不是很好，跑了很久。如果使用GPU版本的会快一些。

Found 1800 images belonging to 2 classes.
Found 900 images belonging to 2 classes.
Epoch 1/60
100/100 [==============================] - 265s - loss: 0.6933 - acc: 0.5194 - val_loss: 0.7027 - val_acc: 0.5057
Epoch 2/60
100/100 [==============================] - 266s - loss: 0.6813 - acc: 0.5681 - val_loss: 0.6628 - val_acc: 0.5916
Epoch 3/60
100/100 [==============================] - 264s - loss: 0.6716 - acc: 0.5897 - val_loss: 0.6719 - val_acc: 0.5483
Epoch 4/60
100/100 [==============================] - 267s - loss: 0.6553 - acc: 0.6125 - val_loss: 0.6179 - val_acc: 0.6896
Epoch 5/60
100/100 [==============================] - 269s - loss: 0.6321 - acc: 0.6459 - val_loss: 0.5897 - val_acc: 0.7150

……

Epoch 56/60
100/100 [==============================] - 250s - loss: 0.3843 - acc: 0.8272 - val_loss: 0.3589 - val_acc: 0.8776
Epoch 57/60
100/100 [==============================] - 251s - loss: 0.3612 - acc: 0.8375 - val_loss: 0.3768 - val_acc: 0.8685
Epoch 58/60
100/100 [==============================] - 252s - loss: 0.3684 - acc: 0.8428 - val_loss: 0.3498 - val_acc: 0.8679
Epoch 59/60
100/100 [==============================] - 255s - loss: 0.3760 - acc: 0.8300 - val_loss: 0.3822 - val_acc: 0.8569
Epoch 60/60
100/100 [==============================] - 256s - loss: 0.3636 - acc: 0.8475 - val_loss: 0.3754 - val_acc: 0.8683

保存模型：

model.save('smileAndUnsmile1.h5')

数据增强过后的训练集与验证集的精确度与损失度的图形

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']epochs = range(len(acc))plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()
plt.figure()plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()
plt.show()

运行结果如下：

单张图片测试

代码如下：

# 单张图片进行判断  是笑脸还是非笑脸
import cv2
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
#加载模型
model = load_model('smileAndUnsmile1.h5')
#本地图片路径
img_path='test.jpg'
img = image.load_img(img_path, target_size=(150, 150))img_tensor = image.img_to_array(img)/255.0
img_tensor = np.expand_dims(img_tensor, axis=0)
prediction =model.predict(img_tensor)
print(prediction)
if prediction[0][0]>0.5:result='非笑脸'
else:result='笑脸'
print(result)

运行结果如下：
我测试了两张图片，记得改为自己的模型文件和测试图片哦。

摄像头实时测试

代码如下：

#检测视频或者摄像头中的人脸
import cv2
from keras.preprocessing import image
from keras.models import load_model
import numpy as np
import dlib
from PIL import Image
model = load_model('smileAndUnsmile1.h5')
detector = dlib.get_frontal_face_detector()
video=cv2.VideoCapture(0)
font = cv2.FONT_HERSHEY_SIMPLEX
def rec(img):gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)dets=detector(gray,1)if dets is not None:for face in dets:left=face.left()top=face.top()right=face.right()bottom=face.bottom()cv2.rectangle(img,(left,top),(right,bottom),(0,255,0),2)img1=cv2.resize(img[top:bottom,left:right],dsize=(150,150))img1=cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)img1 = np.array(img1)/255.img_tensor = img1.reshape(-1,150,150,3)prediction =model.predict(img_tensor)    if prediction[0][0]>0.5:result='unsmile'else:result='smile'cv2.putText(img, result, (left,top), font, 2, (0, 255, 0), 2, cv2.LINE_AA)cv2.imshow('Video', img)
while video.isOpened():res, img_rd = video.read()if not res:breakrec(img_rd)if cv2.waitKey(1) & 0xFF == ord('q'):break
video.release()
cv2.destroyAllWindows()

运行结果如下：

Dlib提取人脸特征识别笑脸或非笑脸

代码如下：

import cv2                     #  图像处理的库 OpenCv
import dlib                    # 人脸识别的库 dlib
import numpy as np             # 数据处理的库 numpy
class face_emotion():def __init__(self):self.detector = dlib.get_frontal_face_detector()self.predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")self.cap = cv2.VideoCapture(0)self.cap.set(3, 480)self.cnt = 0  def learning_face(self):line_brow_x = []line_brow_y = []while(self.cap.isOpened()):flag, im_rd = self.cap.read()k = cv2.waitKey(1)# 取灰度img_gray = cv2.cvtColor(im_rd, cv2.COLOR_RGB2GRAY)  faces = self.detector(img_gray, 0)font = cv2.FONT_HERSHEY_SIMPLEX# 如果检测到人脸if(len(faces) != 0):# 对每个人脸都标出68个特征点for i in range(len(faces)):for k, d in enumerate(faces):cv2.rectangle(im_rd, (d.left(), d.top()), (d.right(), d.bottom()), (0,0,255))self.face_width = d.right() - d.left()shape = self.predictor(im_rd, d)mouth_width = (shape.part(54).x - shape.part(48).x) / self.face_width mouth_height = (shape.part(66).y - shape.part(62).y) / self.face_widthbrow_sum = 0 frown_sum = 0 for j in range(17, 21):brow_sum += (shape.part(j).y - d.top()) + (shape.part(j + 5).y - d.top())frown_sum += shape.part(j + 5).x - shape.part(j).xline_brow_x.append(shape.part(j).x)line_brow_y.append(shape.part(j).y)tempx = np.array(line_brow_x)tempy = np.array(line_brow_y)z1 = np.polyfit(tempx, tempy, 1)  self.brow_k = -round(z1[0], 3) brow_height = (brow_sum / 10) / self.face_width # 眉毛高度占比brow_width = (frown_sum / 5) / self.face_width  # 眉毛距离占比eye_sum = (shape.part(41).y - shape.part(37).y + shape.part(40).y - shape.part(38).y + shape.part(47).y - shape.part(43).y + shape.part(46).y - shape.part(44).y)eye_hight = (eye_sum / 4) / self.face_widthif round(mouth_height >= 0.03) and eye_hight<0.56:cv2.putText(im_rd, "smile", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 2,(0,255,0), 2, 4)if round(mouth_height<0.03) and self.brow_k>-0.3:cv2.putText(im_rd, "unsmile", (d.left(), d.bottom() + 20), cv2.FONT_HERSHEY_SIMPLEX, 2,(0,255,0), 2, 4)cv2.putText(im_rd, "Face-" + str(len(faces)), (20,50), font, 0.6, (0,0,255), 1, cv2.LINE_AA)else:cv2.putText(im_rd, "No Face", (20,50), font, 0.6, (0,0,255), 1, cv2.LINE_AA)im_rd = cv2.putText(im_rd, "S: screenshot", (20,450), font, 0.6, (255,0,255), 1, cv2.LINE_AA)im_rd = cv2.putText(im_rd, "Q: quit", (20,470), font, 0.6, (255,0,255), 1, cv2.LINE_AA)if (cv2.waitKey(1) & 0xFF) == ord('s'):self.cnt += 1cv2.imwrite("screenshoot" + str(self.cnt) + ".jpg", im_rd)# 按下 q 键退出if (cv2.waitKey(1)) == ord('q'):break# 窗口显示cv2.imshow("Face Recognition", im_rd)self.cap.release()cv2.destroyAllWindows()
if __name__ == "__main__":my_face = face_emotion()my_face.learning_face()

运行结果如下：

Python-人脸识别并判断表情 笑脸或非笑脸 使用笑脸数据集genki4k相关推荐

  1. python人脸识别、人脸关键点检测、性别检测

    python人脸识别.人脸关键点检测.性别检测 文章目录 根据人脸预测年龄性别和情绪 (python + keras)(三) 一款入门级的人脸.视频.文字检测以及识别的项目. age-gender-e ...

  2. Python人脸识别——从入门到工程实践

    参考书籍:<Python人脸识别从入门到工程实践> 全书共8章: 第 1 章:介绍了人脸识别的基础知识和必备常识: 第 2~4 章:详细讲解了与人脸识别相关的数学.机器学习.计算机视觉.O ...

  3. python人脸识别神器_教你用Python人脸识别自动开机，值得收藏

    这里将告诉您教你用Python人脸识别自动开机,值得收藏,具体操作方法:是不是厌烦了每次回家都要点击按钮打开电脑的操作? 你如果有看过我以前的推送,是不是厌烦了每次回家都要喊 "echo,t ...

  4. Python | 人脸识别系统 — 用户操作

    本博客为人脸识别系统的摄像头画面展示代码解释 人脸识别系统博客汇总:人脸识别系统-博客索引 项目GitHub地址:Su-Face-Recognition: A face recognition for ...

  5. Python人脸识别黑科技（二）：教你使用python+Opencv完成人脸解锁

    继上一篇"Python人脸识别黑科技(一):50行代码运用Python+OpenCV实现人脸追踪+详细教程+快速入门+图像识",那么今天我们来讲关于使用python+opencv+ ...

  6. 【优秀课设】基于OpenCV的Python人脸识别、检测、框选（遍历目录下所有照片依次识别 视频随时标注）

    基于OpenCV的Python人脸识别.检测.框选 (遍历目录下所有照片依次识别 视频随时标注) 移步: https://blog.csdn.net/weixin_53403301/article/d ...

  7. Python | 人脸识别系统 — 活体检测

    本博客为人脸识别系统的活体检测代码解释 人脸识别系统博客汇总:人脸识别系统-博客索引 项目GitHub地址:Su-Face-Recognition: A face recognition for us ...

  8. python人脸识别、语音合成、智能签到系统（2）

    基于python+face_recognition+opencv+pyqt5+百度AI实现的人脸识别.语音播报.语音合成.模拟签到系统(2) 人脸识别效果图 简单介绍以及需要的配置在 python人脸 ...

  9. 人脸图像识别（python人脸识别技术）

    python人脸识别 人脸识别的崛起 什么是人脸识别 人脸识别技术的应用和发展 python人脸识别 导入库 实现代码 人脸识别的崛起 什么是人脸识别 人脸识别是将采集到的数据信息,根据人脸特征信息进 ...

  10. python人脸识别考勤系统 dlib+OpenCV和Pyqt5、数据库sqlite 人脸识别系统 计算机 毕业设计 源码

    一.项目介绍 Python语言.dlib.OpenCV.Pyqt5界面设计.sqlite3数据库 本系统使用dlib作为人脸识别工具,dlib提供一个方法可将人脸图片数据映射到128维度的空间向量,如 ...

最新文章

  1. java mawen介绍_Maven的介绍及使用
  2. 四大科技巨头跟随者众 智能家居市场容量可观
  3. java泛型程序设计——无限定通配符+通配符捕获
  4. 用键盘怎么直接打出小于等于和大于等于
  5. php在菜单栏里加子菜单,WordPress后台添加子菜单add_submenu_page()
  6. python-文件操作(1)
  7. concurrenthashmap获取不到_面试必问的ConcurrentHashMap
  8. c语言程序设计第五版李丽娟_c语言程序设计第五版习题答案解析
  9. 腾讯校招笔试题之贪吃的小Q
  10. unity helios_用于Eclipse Helios的JBoss工具！
  11. STM32 RCC浅析
  12. python的PIL库部分模块函数
  13. 腾讯云双十一云服务器配置表汇总
  14. 基于STM32F103RCT6实现串口中断发送，使用环形队列
  15. 【转载】用cx_Freeze把Python代码打包成单个独立的exe可执行文件
  16. Xcode自带的instrument中的Automation实现自动化测试简单使用
  17. 晚清时真正的武林高手在这儿？
  18. 彩虹瓶【含详细注释】
  19. 人工智能教程第二课 目标检测OverView和RCNN
  20. ios系统判断设备上是否有安装某app

热门文章

  1. win7设置自动开机时间_想要服务器断电后自动开机，怎么设置？
  2. plc中int数据类型范围_AB的PLC中，这些数据类型：INT、DINT、SINT、REAL和BOOL，分别代表什么意思？...
  3. git拉取最新的代码
  4. mysql前台工具下载_phpmyadmin工具下载
  5. OC 技术 防止截屏(禁止截图)(源码)
  6. OpenGL学习笔记：GLAD和第一个窗口
  7. 在线数字转大写金额工具
  8. 特殊符号 mysql_mysql 特殊字符
  9. 电商行业短信平台选择，电商行业短信通道选择考虑的问题
  10. YB4556系列 28V 高输入耐压4056 可支持4.2V 4.3V 电池 并且具有多种封装方式 可应用于电子烟 充电器 等各类产品