新闻

PyGotham 2018 征集提议

鼓励任何对演讲有兴趣的人提交提案。对主题无限制，但是我们建议是 Python 人感兴趣的主题。演讲时长为 20 分钟到 40 分钟，包含提问和回答的时间。

文章，教程和讲座

加速深度神经演化：在单台个人电脑上训练 Atari

将硬件加速应用到深度神经演化现在是开源项目了，Uber AI 实验室能够在单台个人电脑上，花费短短几个小时就能训练出玩 Atari 的神经网络，使得更多数量的人可以使用这类型的研究。

使用 pytest 测试 Django：调试一个 teardown 失败

这是一个关于调试 odyssey 的故事，可以通过更仔细地阅读文档来避免此事的发生。讲述这个故事不仅是要引起读者对文档的注意，还因为这是一个有趣的追捕故事。我们任何人都可以从中学习到很好的经验教训。

Pipenv：新的 Python 打包工具指南

Pipenv 是一个 Python 打包工具，它解决了使用 pip、virtualenv 以及很好的老 requirements.txt 的典型工作流中的一些常见问题。本指南介绍了 Pipenv 所解决的问题，以及如何使用它管理你的 Python 依赖。

使用 CoreML，在 iOS 之上运行 Keras 模型

在上周的文章中，你学习了如何使用 Keras 训练一个卷积神经网络（CNN）。在这篇文章中，我们将使用这个已训练的 Keras 模型，并利用 Apple 称为 “CoreML” 的机器学习框架（用于苹果应用）将其部署到 iPhone 和 iOS app 上。

Python 中的贝叶斯线性回归：使用机器学习预测学生成绩（第一部分）

在这个贝叶斯机器学习项目的第一部分，我们概述了问题，进行了全面的探索性数据分析，选择了特性并建立基准。

第二部分 - 在这一部分，我们将用 Python 实现贝叶斯线性回归，来构建一个模型。在训练完我们的模型后，我们将解释模型参数，并使用这个模型进行预测。

ESP8266 车库门监控器/控制器（第一部分）

车库门监控器/控制器原型，使用 MicroPython 和一块 ESP8266。

如何使用 Python 和 Arcade 库，创建一个 2D 游戏

学习如何开始使用 Arcade（一个易于使用的用来创建 2D 视频游戏的 Python 库）。

Flask Webcast #2: 请求和应用上下文

本次讨论了 Flask 上下文，以及错误使用时可能会导致的非常混淆的错误。包含了问答部分。

使用 Dlib 和 Python，实现 Instagram 中的“Pin”效果

在这篇文章中，我们将用 Python 实现 Instagram 的“Pin”效果，其中，当相机在图像周围移动时，图像保持在特定位置。这种 pin 效果随着苹果的 ARKit 的普遍而影响不大，但是，使用像 Dlib 的相关跟踪器这样简单的接口，使得我们可以在不需要像 iPhone 中的传感数据下，就可以很好地开始实现它。因此，我们将使用 Python 构建一个工具，用于创建带有被 pin 图像的视频。在此期间，我们会构建一个交互式环境，用以测试我们关联跟踪器的候选位置，从而允许我们能够预览我们的地点被跟踪的程度。

Python 3 的 pathlib 模块：驯服文件系统

如何用 Python 3 以及标准库中新的 “pathlib” 模块，有效地处理文件系统路径。

解开 Python 代码

之前关于 2017 以及 2018 的 Great Khan Academy Python Refactor 的文章回答了两个问题：我们为什么以及如何重构我们所有的 Python 代码的？在这篇文章中，我想仔细看看这个项目的一个主要目标：清理 Python 代码库部分之间的依赖关系。

用 Python 编写一个简单的 SOCKS 服务器

本文解释了如何用 Python 3.6 编写一个虽小但五脏俱全的 SOCKS 5 服务器。假设你已经对代理服务器有了基本的了解。

在 Python 上创建 TUI

在这篇文章中，我将讨论 npyscreen —— 创建控制台应用的库。

将 Python AST 转换为优化推导式

Python 推导式允许重复的函数调用（例如：[foo(x) for x in ... if foo(x)]）。如果这些函数调用开销不菲，那么我们需要重写我们的推导式，以避免多次调用的开销。在这篇文章中，我们通过编写一个装饰器来解决这个问题，这个装饰器将函数转换为 AST，优化掉重复的函数调用，并在运行时编译。

使用 Python DIY Pokedex！

预测纽约市的 Uber 需求

不完整的 HTTP 读取和 Python 中的 requests 库

结构化并发的注意事项，或者：Go 语句并认为是有害的

书籍

Deep Learning with TensorFlow - Second Edition: Explore neural networks with Python（使用 TensorFlow 进行深度学习 —— 第二版本：使用 Python 探索神经网络）

借助这本全面的 TensorFlow 指南，深入研究神经网络、实现深度学习算法并探索数据抽象层。在这本书中，你将学习如何为机器学习系统实现深度学习算法，并将其整合到你的产品中，包括搜索、图像识别和语言处理。此外，你还会学习如何分析和改善深度学习模型的性能。这可以通过比较算法与基准，以及机器智能来完成，从而从信息中学习，并确定特定环境中的理想行为。