pyramid学习笔记0-准备工作

本文涉及的产品
云数据库 MongoDB,独享型 2核8GB
推荐场景:
构建全方位客户视图
简介:

学习环境:windows+python2.7.5+pyramid1.4.5+mongodb2.4.6+eclipse

参考文档:http://docs.pylonsproject.org/projects/pyramid/en/1.4-branch/index.html

pyramid是python web开发的一个框架,中文文档非常少,由于看英文的比较吃力,故写下这篇博客将自己的学习过程记录下来,希望自己能坚持下去,同时也能为他人提供参考。

1.python安装

官网下载2.7.x版本:https://www.python.org/downloads/。 假设安装路径为: D:\python\python2.7.5, 将python安装路径添加到我的电脑->属性->高级->环境变量->系统变量中的PATH。这样就可以直接在DOS下执行python命令了。
如果你想在DOS下直接执行*.py文件,需要修改另外一个系统环境变量PATHEXT,将.PY;.PYM添加到PATHEXT后面即可。

2.pyramid安装

建议将python,pyramid,mongoDB都放在一个文件夹便于管理,楼主全都放在了D:\python下。

1.安装setuptools

下载ez_setup.py(进入该页面后网页另存为ez_setup.py即可,记住存在D;\python目录下)。cmd进入D:\python目录,执行

python ez_setup.py

2.安装virtualenv

用python目录下的Script/easy_install程序安装virtualenv:

python2.7.5\Scripts\easy_install virtualenv

3.用virtualenv创建工作区

python2.7.5\Scripts\virtualenv --no-site-packages env

4.安装pyramid

执行完上面的步骤后D:\python下应该多了一个env文件,cd env文件夹,然后执行:

Scripts\easy_install pyramid

默认会安装最新版的pyramid,如果你想安装指定版本的话可以加入版本号,比如:

Scripts\easy_install "pyramid==1.4"

至此,pyramid安装完成。Mac/Unix环境下安装教程,参考官网:http://docs.pylonsproject.org/projects/pyramid/en/1.4-branch/narr/install.html#installing-pyramid-on-a-unix-system

3.MongoDB安装

官网下载2.4版本:http://www.mongodb.org/downloads,在D:\python\下新建mongodb2_4_6文件夹,将下载的文件解压到这个目录下面(楼主解压后文件夹为mongodb-win32-x86_64-2008plus-2.4.6,这个看你情况相应修改)。在mongodb2_4_6下创建data文件夹,用来存放数据。这样做主要是为了便于管理,以后就可以将数据库data文件统一放在这个文件夹下。
进入D:\python\mongodb_2_4_6\mongodb-win32-x86_64-2008plus-2.4.6,启动MongoDB:
bin\mongod -dbpath D:\python\mongodb_2_4_6\data
-dbpath后面的参数是你的数据库存放路径。启动完成后在浏览器输入localhost:27017,会输出:
You are trying to access MongoDB on the native driver port. For http diagnostic access, add 1000 to the port number
输入localhost:28017会显示详细信息。

4.rockmongo安装

装完数据库后当然要有一个好的数据库管理软件了,楼主用的是rockmongo。去官网下载RockMongo-on-Windows版本:http://rockmongo.com/downloads。建议也放在D:\python下面,如D:\python\rockmongo-on-windows,然后进入该文件夹,执行rockstart.bat文件(要先启动MongoD),成功的话会自动打开浏览器显示登录页面。初始账号和密码都是admin。登录后显示页面如下:


这里可以方便的创建数据库,集合,以及数据查询和修改。
至此,开发环境基本安装配置完成,下一节讲如何将他们集成到eclipse里面,用于实际项目的开发。

相关实践学习
MongoDB数据库入门
MongoDB数据库入门实验。
快速掌握 MongoDB 数据库
本课程主要讲解MongoDB数据库的基本知识,包括MongoDB数据库的安装、配置、服务的启动、数据的CRUD操作函数使用、MongoDB索引的使用(唯一索引、地理索引、过期索引、全文索引等)、MapReduce操作实现、用户管理、Java对MongoDB的操作支持(基于2.x驱动与3.x驱动的完全讲解)。 通过学习此课程,读者将具备MongoDB数据库的开发能力,并且能够使用MongoDB进行项目开发。   相关的阿里云产品:云数据库 MongoDB版 云数据库MongoDB版支持ReplicaSet和Sharding两种部署架构,具备安全审计,时间点备份等多项企业能力。在互联网、物联网、游戏、金融等领域被广泛采用。 云数据库MongoDB版(ApsaraDB for MongoDB)完全兼容MongoDB协议,基于飞天分布式系统和高可靠存储引擎,提供多节点高可用架构、弹性扩容、容灾、备份回滚、性能优化等解决方案。 产品详情: https://www.aliyun.com/product/mongodb
相关文章
|
5月前
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】EMA(Efficient Multi-Scale Attention):基于跨空间学习的高效多尺度注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了创新的多尺度注意力模块EMA,它强化通道和空间信息处理,同时降低计算负担。EMA模块通过通道重塑和并行子网络优化特征表示,增强长距离依赖建模,在保持效率的同时提升模型性能。适用于图像分类和目标检测任务,尤其在YOLOv8中表现出色。代码实现和详细配置可在文中链接找到。
|
6月前
|
机器学习/深度学习 算法 计算机视觉
YOLOv8 | 卷积模块 | 提高网络的灵活性和表征能力的动态卷积【附代码+小白可上手】
本教程介绍了如何在YOLOv8中使用动态卷积提升网络性能和灵活性。动态卷积利用注意力机制动态选择和组合卷积核,适应输入数据特征,解决了轻量级CNN的局限。文中提供了详细步骤教读者如何添加和修改代码,包括在`conv.py`中添加`Dynamic_conv2d`模块,更新`init.py`、`task.py`和`yaml`配置文件。此外,还分享了完整代码和进阶技巧,帮助深度学习初学者实践目标检测。参考[YOLOv8改进](https://blog.csdn.net/m0_67647321/category_12548649.html)专栏获取更多详情。
|
6月前
|
机器学习/深度学习 Python
【Python 机器学习专栏】堆叠(Stacking)集成策略详解
【4月更文挑战第30天】堆叠(Stacking)是机器学习中的集成学习策略,通过多层模型组合提升预测性能。该方法包含基础学习器和元学习器两个阶段:基础学习器使用多种模型(如决策树、SVM、神经网络)学习并产生预测;元学习器则利用这些预测结果作为新特征进行学习,生成最终预测。在Python中实现堆叠集成,需划分数据集、训练基础模型、构建新训练集、训练元学习器。堆叠集成的优势在于提高性能和灵活性,但可能增加计算复杂度和过拟合风险。
793 0
|
6月前
|
机器学习/深度学习
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV1(附代码+修改教程)
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV1(附代码+修改教程)
181 1
|
6月前
|
机器学习/深度学习
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2(附代码+修改教程)
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2(附代码+修改教程)
439 0
|
机器学习/深度学习 TensorFlow 算法框架/工具
Spektral:使用TF2实现经典GNN的开源库
Spektral:使用TF2实现经典GNN的开源库
426 0
Spektral:使用TF2实现经典GNN的开源库
|
机器学习/深度学习 计算机视觉 网络架构
【即插即用】Triplet Attention机制让Channel和Spatial交互更加丰富(附开源代码)
【即插即用】Triplet Attention机制让Channel和Spatial交互更加丰富(附开源代码)
230 0
|
并行计算 PyTorch 测试技术
PyTorch 之 简介、相关软件框架、基本使用方法、tensor 的几种形状和 autograd 机制-2
由于要进行 tensor 的学习,因此,我们先导入我们需要的库。
|
机器学习/深度学习 人工智能 自然语言处理
PyTorch 之 简介、相关软件框架、基本使用方法、tensor 的几种形状和 autograd 机制-1
PyTorch 是一个基于 Torch 的 Python 开源机器学习库,用于自然语言处理等应用程序。它主要由 Facebook 的人工智能小组开发,不仅能够实现强大的 GPU 加速,同时还支持动态神经网络,这一点是现在很多主流框架如 TensorFlow 都不支持的。
|
机器学习/深度学习 算法 数据可视化
实战教程 | 使用Scratch中的NumPy构建卷积神经网络,开放源码
根据滤波器的数目和每个滤波器的大小来创建零数组。上述代码创建了2个3x3大小的滤波器,(2,3,3)中的元素数字分别表示2:滤波器的数目(num_filters)、3:表示滤波器的列数、3:表示滤波器的行数。由于输入图像是灰度图,读取后变成2维图像矩阵,因此滤波器的尺寸选择为2维阵列,舍去了深度。如果图像是彩色图(具有3个通道,分别为RGB),则滤波器的大小必须为(3,3,3),最后一个3表示深度,上述代码也要更改,变成(2,3,3,3)。
实战教程 | 使用Scratch中的NumPy构建卷积神经网络,开放源码
下一篇
无影云桌面