欢迎来到Python周刊第 342 期。让我们直奔主题。

来自赞助商

Intel® Distribution for Python 以及包含的 NumPy、Scipy、scikit-learn 通过最新的矢量指令和高效的多线程技术，榨干 CPU 的每一分内存 —— 所有的内置模块都使用高度优化后的性能库。立即获得免费下载，并让 Python 在你的数据上策马狂奔。

文章，教程和讲座

仅需 $1 硬件，即可将 MacBook 变成触摸屏

我们只使用了 $1 硬件以及一点点计算机视觉，就将一台 MacBook 变成了触摸屏。这个概念验证（在西斯廷教堂着名的绘画休闲活动后，被称为“西斯廷计划”）大约在 16 个小时内完成了原型设计。

如何在树莓派上，用深度学习轻松检测对象

真实世界带来的挑战是，数据有限，以及诸如移动电话和树莓派这样的小型硬件，使得我们无法运行复杂的深度学习模型。文本演示了你可以如何使用一个树莓派来检测对象。像路上的车辆，冰箱里的橘子，文档中的签名，以及太空中的特斯拉。

如何（快速）构建一个深度学习图像数据集

学习可以如何快速构建一个适用于深度学习的图像数据集，并且使用 Python 和（免费的）必应图像搜索 API 来训练卷积神经网络（CNN）。

作为数据流程序的安全计算

将 TensorFlow 当成数据流程序的分布式计算框架使用，我们可以全面实现带网络的 SPDZ 协议，从而实现加密数据的优化机器学习。

使用 Pdb 进行 Python 调试

在这个实践教程中，你将学习 pdb （Python 的交互式源代码调试器）的基础知识。Pdb 是一个很棒的工具，可以用来跟踪难以发现的问题，并且允许你更快速地修复错误代码。

使用 SSH 远程 Python 解释器，运行 NumPy

许多应用中的错误的一个常见原因是，开发和生产环境不同。虽然在大多数的情况下，不可能为开发提供一个生产环境的精确副本，但追求开发平价是值得的。大多数的 web 应用部署在某种 Linux VM 上。如果你使用传统的网络主机，那么则是 VPS 托管。如果我们想要在一个类似于我们的生产环境的环境中开发，那么要如何解决这个问题？最接近的会是为开发设置第二台虚拟主机。所以，让我们看看可以如何将 PyCharm 连接到 VPS box 上。

Python 中的蒙特卡罗方法

在这篇文章中，我们将探索我们的第一个用于估值的强化学习方法。这是本系列中第一次真正的强化学习尝试。

看吧，没有 for 循环：使用 NumPy 进行数组编程

如果利用矢量化和广播，从而让你能够充分利用 NumPy。在这个教程中，你将逐步了解 NumPy 中的这些高级特性是如何帮助你编写更快的代码的。

可视化贝多芬的作品，第一部分：从 IMSLP 爬取并清理数据

本文是一个简短的教程系列的第一部分，这个系列用于记录我个人项目中的进度，在这个项目中，我希望分析并可视化贝多芬的全部作品。本文的目标是探索音乐和情感之间的联系，同时尝试不同的可视化音乐数据的方式，特别是在色彩方面。

扫月（Moonsweeper） | 用 Python 克隆扫雷，使用 PyQt

使用 Python 创建地图动画

使用 Tweepy，用 Python 创建一个推特机器人

16 小时内，构建并部署企业级 Django Web 应用

从头开始创建一个 Python3 Web 服务器

书籍

用 Python 进行机器学习烹饪指南：从预处理到深度学习的实用解决方案（Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning）

本实用指南提供了近 200 种自包含的食谱，以帮助你解决日常工作中可能会遇到的机器学习难题。每一个食谱都包含了代码，你可以复制粘贴到测试数据集中，以确保其能工作。在那里，你可以插入、组合或者调整代码，以帮助钩子你的应用。食谱还包含了解释解决方案和提供有意义上下文的讨论。本烹饪指南通过提供构建工作的机器学习应用所需的零件，让你超越理论和概念。