Python 优雅编程：会报恩的代码（四）

本篇文章分享Python 优雅编程：会报恩的代码（四），对你有帮助的话记得收藏一下，看Python资料网收获更多编程知识

引言

在 Python 编程中，有一些常用技巧和最佳实践可以帮助你编写更优雅、更高效的代码。本文将介绍的是 Python 中 urllib.parse.quote_plus 的 URL 编码作用、判断指定路径的文件是否存在、使用 imaplib 与 smtplib 实现收发邮件、使用 matplotlib 绘制人工神经网络拓扑图、使用 Keras 构建卷积神经网络（CNN）等。

urllib.parse.quote_plus

在 Python 中连接 PostgreSQL、Redis 等时，可以使用 urllib.parse.quote_plus 方法对密码进行 URL 编码，然后将其拼接到连接信息中。这样可以确保密码中的特殊字符被正确处理。

以下是一个示例代码，说明如何将密码进行编码并连接 Redis：

import redis
from urllib.parse import quote_plus

# 假设你有一个包含特殊字符的密码
password = "my#secret@password"
# 使用 quote_plus 对密码进行编码
encoded_password = quote_plus(password)

# 创建 Redis 连接
redis_url = f"redis://username:{encoded_password}@localhost:6379/0"
redis_client = redis.from_url(redis_url)

# 现在可以使用 redis_client 进行操作

此方法将特殊字符（如 # 和 @）转换为可以安全地包含在 URL 中的格式，从而避免连接错误。

判断指定路径的文件是否存在

在 Python 中，可以使用 os.path 模块或 pathlib 模块来判断指定路径的文件是否存在。下面分别介绍这两种方法。

使用 os.path 模块

import os

# 指定要检查的文件路径
file_path = 'your_file_path.txt'

# 判断文件是否存在
if os.path.isfile(file_path):
    print(f"文件 {file_path} 存在。")
else:
    print(f"文件 {file_path} 不存在。")

os.path.isfile(file_path) 检查指定路径是否为一个文件，并且该文件存在。如果存在返回 True，否则返回 False。

使用 pathlib 模块

from pathlib import Path

# 指定要检查的文件路径
file_path = Path('your_file_path.txt')

# 判断文件是否存在
if file_path.is_file():
    print(f"文件 {file_path} 存在。")
else:
    print(f"文件 {file_path} 不存在。")

Path(file_path).is_file() 同样可以检查指定路径是否为一个文件，并且该文件存在。

无论你选择使用哪个模块，上述两种方法都能够有效地判断指定路径的文件是否存在。你可以根据实际需要和喜好选择其中一种。

• os.path 传统方式，适用于较旧的 Python 版本（Python 2 和 3 均可使用）。
• pathlib 较新方法，推荐使用，因为它提供了更为面向对象的 API，使路径的操作更为直观和简洁。

使用 imaplib 和 smtplib 实现邮件收发

要在 Python 中实现使用 Google 邮箱（Gmail）进行邮件的收发，可以使用 smtplib 模块来发送邮件，以及 imaplib 模块来接收邮件。

发送邮件

依赖库

pip install secure-smtplib

发送邮件示例

import smtplib
from email.mime.text import MIMEText
from email.mime.multipart import MIMEMultipart

def send_email(subject, body, to_email):
    from_email = "你的邮箱@gmail.com"
    password = "你的应用专用密码"

    # 创建邮件
    msg = MIMEMultipart()
    msg['From'] = from_email
    msg['To'] = to_email
    msg['Subject'] = subject

    msg.attach(MIMEText(body, 'plain'))

    try:
        # 登录并发送邮件
        server = smtplib.SMTP('smtp.gmail.com', 587)
        server.starttls()  # 开始TLS加密
        server.login(from_email, password)
        server.sendmail(from_email, to_email, msg.as_string())
        print("邮件发送成功")
    except Exception as e:
        print(f"邮件发送失败: {e}")
    finally:
        server.quit()

# 示例调用
send_email("测试邮件", "这是邮件正文", "收件人邮箱@gmail.com")

接收邮件

依赖库

pip install imaplib2

接收邮件示例

import imaplib
import email

def read_email():
    email_user = '你的邮箱@gmail.com'
    password = '你的应用专用密码'
    mail = imaplib.IMAP4_SSL('imap.gmail.com')
    mail.login(email_user, password)
    mail.select('inbox')

    # 搜索所有邮件
    result, data = mail.search(None, 'ALL')
    mail_ids = data[0].split()

    # 读取最新一封邮件
    latest_email_id = mail_ids[-1]

    # 获取邮件
    result, msg_data = mail.fetch(latest_email_id, '(RFC822)')
    raw_email = msg_data[0][1]

    # 解码邮件
    msg = email.message_from_bytes(raw_email)
    subject = msg['subject']
    from_ = msg['from']
    print(f'发件人: {from_}')
    print(f'主题: {subject}')

    mail.logout()

# 示例调用
read_email()

扩展和优化

通过上述代码，可以实现 Gmail 邮箱的基本邮件收发功能。根据具体需求，还可以进一步扩展和优化。

• 启用两步验证：如果已经启用了 Gmail 的两步验证，需使用应用专用密码，而不是你的账户密码。
• 权限设置：确保在 Gmail 设置中允许“低安全性应用访问”或使用 OAuth 2.0 进行身份验证。
• 代码安全性：在生产环境中，切勿将密码硬编码在代码中，使用环境变量或密钥管理工具。

使用 matplotlib 绘制人工神经网络拓扑图

要用 Python 绘制一个简单的人工神经网络，可以使用 matplotlib 库。

依赖库

pip install matplotlib

以下是展示如何绘制一个包含输入层、隐藏层和输出层的简单神经网络的示例代码：

import matplotlib.pyplot as plt

def draw_neural_network():
    # 设置图形和轴
    plt.figure(figsize=(8, 6))

    # 网络参数
    layers = [3, 5, 2]  # 输入层3个神经元，隐藏层5个神经元，输出层2个神经元
    n_layers = len(layers)

    # 绘制神经元
    for n, layer in enumerate(layers):
        for m in range(layer):
            circle = plt.Circle((n, m * 1.5), 0.3, color='skyblue', ec='black')
            plt.gca().add_artist(circle)
            plt.text(n, m * 1.5, f'Neuron {m+1}', fontsize=9, ha='center', va='center')

    # 绘制连接线
    for n in range(n_layers - 1):
        for m in range(layers[n]):
            for k in range(layers[n + 1]):
                plt.plot([n, n + 1], [m * 1.5, k * 1.5], color='gray', alpha=0.5)

    # 设置坐标轴范围和隐藏坐标轴
    plt.xlim(-0.5, n_layers - 0.5)
    plt.ylim(-1, max(layers) * 1.5)
    plt.axis('off')
    plt.title('Simple Neural Network')
    plt.show()

# 示例调用
draw_neural_network()

运行此代码后，会看到一个简单的人工神经网络的拓扑图形。

这可以帮助理解神经网络的结构。还可以根据需要调整输入、隐藏和输出层的神经元数量。

• layers: 设定神经网络的层次结构，这里包括 3 个输入神经元、5 个隐藏神经元和 2 个输出神经元。
• 绘制神经元: 使用Circle绘制每个神经元，并在其中心标注。
• 绘制连接线: 使用plot绘制神经元之间的连接，表示层与层之间的权重连接。
• 设置坐标系: 隐藏坐标轴并设置合适的范围，使图形更加美观。

使用 Keras 构建卷积神经网络（CNN）

下面是使用 Keras 库构建一个卷积神经网络（CNN）的代码示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 构建模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

依赖模块

• Sequential：用于按顺序构建模型的 Keras 类。
• Conv2D：卷积层，用于提取图像特征。
• MaxPooling2D：池化层，用于降低特征图的尺寸，减少计算量。
• Flatten：将多维输入展平为一维数组，便于连接到全连接层。
• Dense：全连接层，用于完成分类等任务。

模型构建

1. 通过 Sequential() 创建一个顺序模型实例 model：

model = Sequential()

1. 通过 model.add() 向 model 添加卷积层：

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))

• Conv2D(32, (3, 3), ...)：添加一个卷积层，使用 32 个过滤器，每个过滤器的大小为 3x3。
• activation='relu'：使用 ReLU 激活函数，使非线性特性增强。
• input_shape=(64, 64, 3)：输入图像的形状为 64x64 像素，3 个通道（RGB 图像）。

1. 通过 model.add() 向 model 添加池化层：

model.add(MaxPooling2D(pool_size=(2, 2)))

• MaxPooling2D(pool_size=(2, 2))：添加一个 2x2 的池化层，用于减小特征图的尺寸，从而减少计算量和降低过拟合风险。

1. 通过 Flatten() 将卷积和池化层的输出展平成一维数组，为全连接层做好准备：

model.add(Flatten())

1. 添加 Dense(units=128, activation='relu') 全连接层，包含 128 个神经元，使用 ReLU 激活函数：

model.add(Dense(units=128, activation='relu'))

1. 添加 Dense(units=10, activation='softmax')：输出层，包含 10 个神经元（适用于处理 10 个类别），使用 Softmax 激活函数将输出转换为概率分布：

model.add(Dense(units=10, activation='softmax'))

1. 编译模型：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

• optimizer='adam'：使用 Adam 优化器，自动调整学习率，适合大多数情况。
• loss='categorical_crossentropy'：使用分类交叉熵损失函数，适用于多类别分类任务。
• metrics=['accuracy']：设置评估指标为准确率，以便在训练和测试时监测模型表现。

以上步骤构建了一个简单的卷积神经网络，可用于图像分类等任务。模型首先通过卷积层提取特征，然后使用池化减小特征尺寸，最后通过全连接层输出分类结果。

结语

本文介绍了 Python 中的 urllib 及其 quote_plus 功能、imaplib 与 smtplib、pathlib 与 path、matplotlib、Keras 等模块的一些特定用法，希望这些小技巧能在某个特定的时间正好帮到你。

---

PS：感谢每一位志同道合者的阅读，欢迎关注、点赞、评论！

---

• 上一篇：Python 优雅编程：会报恩的代码（三）
• 专栏：「计算通践」

版权声明：本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！