深海游弋的鱼 – 第 117 页 – 智障儿童欢乐多

Python 2.7 基于twisted实现简单的web服务器

Python 2.7自带的SimpleHTTPServer默认是HTTP/1.0，导致在投放简单的视频的时候，一般是无法通过FFMPEG进行播放的,主要是HTTP/1.0不支持Content-Range导致无法快进以及视频的Seek操作。并且比较悲剧的是，如该修改成HTTP/1.1协议，默认只有一个连接在处理，导致只要第一个用户不断开，第二个连接基本上连接不上。

网上搜索了以下，找到了用twisted代码来实现比较简单，并且性能还不错的服务器。

本文实例讲述了Python基于twisted实现简单的web服务器，分享给大家供大家参考。具体方法如下：
1.首先是通过PIP安装twisted

$ sudo pip install twisted

1	$ sudo pip install twisted

2. 新建htm文件夹,在这个文件夹中放入显示的网页文件

3. 在htm文件夹的同级目录下,建立web.py,代码如下:

from twisted.web.resource import Resource 
from twisted.web import server 
from twisted.web import static 
from twisted.internet import reactor 
  
PORT = 1234
  
######################################################################## 
class ReStructed(Resource): 
  """"""
  
  #---------------------------------------------------------------------- 
  def __init__(self, filename, *a): 
    """Constructor"""
    self.rst = open(filename).read() 
  def render(self, request): 
    return self.rst 
    
resource = static.File('htm/') 
resource.processors = {'.html':ReStructed} 
resource.indexNames = ['index.html'] 
  
reactor.listenTCP(PORT, server.Site(resource)) 
reactor.run()

from twisted.web.resource import Resource

from twisted.web import server

from twisted.web import static

from twisted.internet import reactor

PORT = 1234

########################################################################

class ReStructed(Resource):

""""""

#----------------------------------------------------------------------

def __init__(self, filename, *a):

"""Constructor"""

self.rst = open(filename).read()

def render(self, request):

return self.rst

resource = static.File('htm/')

resource.processors = {'.html':ReStructed}

resource.indexNames = ['index.html']

reactor.listenTCP(PORT, server.Site(resource))

reactor.run()

执行脚本

$ python web.py

1	$ python web.py

然后浏览器访问：http://127.0.0.1:1234/就可以看到内容了。

参考链接

Python基于twisted实现简单的web服务器

禁止Chrome的页面缓存

Chrome总是缓存页面，Internet Explorer,FireFox,Opera都提供了自己方式可以关掉缓存,实在不行在HTTP头中加上 "Cache-Control"为"no-cache"，可是顽固的Chrome无效，依旧自动缓存。现在新版的Chrome在Developer Tools（F12调出来）的Network标签中有了个Disable cache选项，可以解决这类问题。

如下图：

参考链接

ubuntu 16.04 LTS使用开源面部识别库Openface

Openface是一个基于深度神经网络的开源人脸识别系统。该系统基于谷歌的文章FaceNet: A Unified Embedding for Face Recognition and Clustering。Openface是卡内基梅隆大学的Brandon Amos主导的。

1.准备系统环境

如果是服务器版本的ubuntu,可能默认Python都没有安装

#如果没有安装python的话，执行最小安装命令即可，目前我们需要的是Python2
$ sudo apt-get install python-minimal
$ sudo apt-get install python-pip
$ sudo pip install --upgrade pip

#如果没有安装git的话，此处需要手工安装
$ sudo apt-get install git

#编译dlib时候需要
$ sudo apt-get install cmake
$ sudo apt-get install libboost-dev
$ sudo apt-get install libboost-python-dev

#如果没有安装python的话，执行最小安装命令即可，目前我们需要的是Python2

$ sudo apt-get install python-minimal

$ sudo apt-get install python-pip

$ sudo pip install --upgrade pip

#如果没有安装git的话，此处需要手工安装

$ sudo apt-get install git

#编译dlib时候需要

$ sudo apt-get install cmake

$ sudo apt-get install libboost-dev

$ sudo apt-get install libboost-python-dev

2.下载代码

$ git clone https://github.com/cmusatyalab/openface.git

1	$ git clone https://github.com/cmusatyalab/openface.git

3.安装`opencv`

$ sudo apt-get install libopencv-dev
$ sudo apt-get install python-opencv

1 2	$ sudo apt-get install libopencv-dev $ sudo apt-get install python-opencv

4.安装依赖的`python`库

$ cd openface
$ pip install -r requirements.txt
$ sudo pip install dlib
$ sudo pip install matplotlib

$ cd openface

$ pip install -r requirements.txt

$ sudo pip install dlib

$ sudo pip install matplotlib

5.安装`Torch7`

参考链接 ubuntu 16.04 LTS上安装Torch7

编译完成后，路径变量被加入了.bashrc，我们需要刷新一下Shell的环境变量

# 使 torch7 设置的刚刚的环境变量生效
source ~/.bashrc

1 2	# 使 torch7 设置的刚刚的环境变量生效 source ~/.bashrc

6.安装依赖的`lua`库

$ luarocks install dpnn

#下面的为选装，有些函数或方法可能会用到
$ luarocks install image
$ luarocks install nn
$ luarocks install graphicsmagick
$ luarocks install torchx
$ luarocks install csvigo

$ luarocks install dpnn

#下面的为选装，有些函数或方法可能会用到

$ luarocks install image

$ luarocks install nn

$ luarocks install graphicsmagick

$ luarocks install torchx

$ luarocks install csvigo

7.编译代码

$ python setup.py build
$ sudo python setup.py install

1 2	$ python setup.py build $ sudo python setup.py install

8.下载预训练后的数据

$ sh models/get-models.sh
#参考 https://cmusatyalab.github.io/openface/models-and-accuracies/ 下载对应的模型
$ wget https://storage.cmusatyalab.org/openface-models/nn4.v1.t7 -O models/openface/nn4.v1.t7

$ sh models/get-models.sh

#参考 https://cmusatyalab.github.io/openface/models-and-accuracies/ 下载对应的模型

$ wget https://storage.cmusatyalab.org/openface-models/nn4.v1.t7 -O models/openface/nn4.v1.t7

9.执行测试Demo

执行的脚本face_detect.py代码如下：

#!/usr/bin/env python2

import argparse
import cv2
import os
import dlib

import numpy as np
np.set_printoptions(precision=2)
import openface

from matplotlib import cm

fileDir = os.path.dirname(os.path.realpath(__file__))
modelDir = os.path.join(fileDir, '..', 'models')
dlibModelDir = os.path.join(modelDir, 'dlib')

if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '--dlibFacePredictor',
        type=str,
        help="Path to dlib's face predictor.",
        default=os.path.join(
            dlibModelDir,
            "shape_predictor_68_face_landmarks.dat"))
    parser.add_argument(
        '--networkModel',
        type=str,
        help="Path to Torch network model.",
        default='models/openface/nn4.v1.t7')
    # Download model from:
    # https://storage.cmusatyalab.org/openface-models/nn4.v1.t7
    parser.add_argument('--imgDim', type=int,
                        help="Default image dimension.", default=96)
    # parser.add_argument('--width', type=int, default=640)
    # parser.add_argument('--height', type=int, default=480)
    parser.add_argument('--width', type=int, default=1280)
    parser.add_argument('--height', type=int, default=800)
    parser.add_argument('--scale', type=int, default=1.0)
    parser.add_argument('--cuda', action='store_true')
    parser.add_argument('--image', type=str,help='Path of image to recognition')

    args = parser.parse_args()
    if (None == args.image) or (not os.path.exists(args.image)):
	print '--image not set or image file not exists'
	exit()

    align = openface.AlignDlib(args.dlibFacePredictor)
    net = openface.TorchNeuralNet(
        args.networkModel,
        imgDim=args.imgDim,
        cuda=args.cuda)

    cv2.namedWindow('video', cv2.WINDOW_NORMAL)

    frame = cv2.imread(args.image)  
    bbs = align.getAllFaceBoundingBoxes(frame)
    for i, bb in enumerate(bbs):
	# landmarkIndices set  "https://cmusatyalab.github.io/openface/models-and-accuracies/"
        alignedFace = align.align(96, frame, bb,
                                      landmarkIndices=openface.AlignDlib.OUTER_EYES_AND_NOSE)
        rep = net.forward(alignedFace)

        center = bb.center()
        centerI = 0.7 * center.x * center.y / \
                (args.scale * args.scale * args.width * args.height)
        color_np = cm.Set1(centerI)
        color_cv = list(np.multiply(color_np[:3], 255))

        bl = (int(bb.left() / args.scale), int(bb.bottom() / args.scale))
        tr = (int(bb.right() / args.scale), int(bb.top() / args.scale))
        cv2.rectangle(frame, bl, tr, color=color_cv, thickness=3)

    cv2.imshow('video', frame)

    cv2.waitKey (0)  

    cv2.destroyAllWindows()

#!/usr/bin/env python2

import argparse

import cv2

import os

import dlib

import numpy as np

np.set_printoptions(precision=2)

import openface

from matplotlib import cm

fileDir = os.path.dirname(os.path.realpath(__file__))

modelDir = os.path.join(fileDir, '..', 'models')

dlibModelDir = os.path.join(modelDir, 'dlib')

if __name__ == '__main__':

parser = argparse.ArgumentParser()

parser.add_argument(

'--dlibFacePredictor',

type=str,

help="Path to dlib's face predictor.",

default=os.path.join(

dlibModelDir,

"shape_predictor_68_face_landmarks.dat"))

parser.add_argument(

'--networkModel',

type=str,

help="Path to Torch network model.",

default='models/openface/nn4.v1.t7')

# Download model from:

# https://storage.cmusatyalab.org/openface-models/nn4.v1.t7

parser.add_argument('--imgDim', type=int,

help="Default image dimension.", default=96)

# parser.add_argument('--width', type=int, default=640)

# parser.add_argument('--height', type=int, default=480)

parser.add_argument('--width', type=int, default=1280)

parser.add_argument('--height', type=int, default=800)

parser.add_argument('--scale', type=int, default=1.0)

parser.add_argument('--cuda', action='store_true')

parser.add_argument('--image', type=str,help='Path of image to recognition')

args = parser.parse_args()

if (None == args.image) or (not os.path.exists(args.image)):

print '--image not set or image file not exists'

exit()

align = openface.AlignDlib(args.dlibFacePredictor)

net = openface.TorchNeuralNet(

args.networkModel,

imgDim=args.imgDim,

cuda=args.cuda)

cv2.namedWindow('video', cv2.WINDOW_NORMAL)

frame = cv2.imread(args.image)

bbs = align.getAllFaceBoundingBoxes(frame)

for i, bb in enumerate(bbs):

# landmarkIndices set "https://cmusatyalab.github.io/openface/models-and-accuracies/"

alignedFace = align.align(96, frame, bb,

landmarkIndices=openface.AlignDlib.OUTER_EYES_AND_NOSE)

rep = net.forward(alignedFace)

center = bb.center()

centerI = 0.7 * center.x * center.y / \

(args.scale * args.scale * args.width * args.height)

color_np = cm.Set1(centerI)

color_cv = list(np.multiply(color_np[:3], 255))

bl = (int(bb.left() / args.scale), int(bb.bottom() / args.scale))

tr = (int(bb.right() / args.scale), int(bb.top() / args.scale))

cv2.rectangle(frame, bl, tr, color=color_cv, thickness=3)

cv2.imshow('video', frame)

cv2.waitKey (0)

cv2.destroyAllWindows()

在Shell中如下执行代码：

$ python demos/face_detect.py --image=xx.jpeg

1	$ python demos/face_detect.py --image=xx.jpeg

识别完成后会弹出识别到的面部图片。

macOS Sierra (10.12.4)下使用Android Studio打开Android Virtual Device Manager报告“/dev/kvm is not found”错误

Android Virtual Device Manager突然出现了/dev/kvm is not found这个错误，我猜测大概Hardware_Accelerated_Execution_Manager丢失了某些文件，或者没安装好HAXM。

继续阅读macOS Sierra (10.12.4)下使用Android Studio打开Android Virtual Device Manager报告“/dev/kvm is not found”错误

ubuntu 16.04 LTS上16进制文件编辑&比较工具wxHexEditor

ubuntu 16.04 LTS上比较好用的16进制编辑&比较工具，当属wxHexEditor,官网地址在http://www.wxhexeditor.org/。

在Ubuntu系统上，可以使用如下命令安装：

$ sudo apt-get install wxhexeditor

$ wxHexEditor

$ sudo apt-get install wxhexeditor

$ wxHexEditor

参考链接

git删除未监视的文件(untracked files)命令用法

git在Linux下删除未监视的文件(untracked files)，一般通过命令来执行更方便，具体执行如下：

# 删除 untracked files
$ git clean -f

# 连 untracked 的目录也一起删掉
$ git clean -fd

# 连 gitignore 的untrack 文件/目录也一起删掉 （慎用，一般这个是用来删掉编译出来的 .o之类的文件用的）
$ git clean -xfd

# 在用上述 git clean 前，建议加上 -n 参数来先看看会删掉哪些文件，防止重要文件被误删
$ git clean -nxfd
$ git clean -nf
$ git clean -nfd

# 删除 untracked files

$ git clean -f

# 连 untracked 的目录也一起删掉

$ git clean -fd

# 连 gitignore 的untrack 文件/目录也一起删掉（慎用，一般这个是用来删掉编译出来的 .o之类的文件用的）

$ git clean -xfd

# 在用上述 git clean 前，建议加上 -n 参数来先看看会删掉哪些文件，防止重要文件被误删

$ git clean -nxfd

$ git clean -nf

$ git clean -nfd

一般执行

$ git clean -xfd

1	$ git clean -xfd

即可。

ubuntu 16.04 LTS上安装Torch7

1.安装luarocks

$ sudo apt-get install luarocks

1	$ sudo apt-get install luarocks

2.安装torch

$ git clone https://github.com/torch/distro.git ~/torch --recursive
$ cd ~/torch; bash install-deps;
$ ./install.sh

$ git clone https://github.com/torch/distro.git ~/torch --recursive

$ cd ~/torch; bash install-deps;

$ ./install.sh

如果要使用`NVIDIA CUDA`加速版本的`Torch7`则使用如下方法

1.安装luarocks

$ sudo apt-get install luarocks

1	$ sudo apt-get install luarocks

2.下载NVIDIA CUDA适配的代码

$ git clone https://github.com/torch/cutorch.git

1	$ git clone https://github.com/torch/cutorch.git

3.安装编译依赖的库

$ sudo apt install nvidia-cuda-toolkit

1	$ sudo apt install nvidia-cuda-toolkit

4.编译代码

$ cd cutorch
$ mkdir build
$ cd build
$ cmake ..
$ make

$ cd cutorch

$ mkdir build

$ cd build

$ cmake ..

$ make

参考链接

ubuntu 16.04 LTS编译最新的FFMPEG 3.3

ubuntu 16.04 LTS编译最新的FFMPEG 3.3的时候被Git的autocrlf折磨了好几天才搞定，在这里记录一下：

$ sudo apt-get install git
#关键操作，否在检出的代码无法正常编译
$ git config --global core.autocrlf false
$ git clone https://git.ffmpeg.org/ffmpeg.git
$ cd ffmpeg
#不要安装nasm否在编译不通过，应当使用yasm
$ sudo apt-get remove nasm
$ sudo apt-get install yasm
$ git fetch
$ git branch -a
$ git checkout -t remotes/origin/release/3.3
$ sudo apt-get update
$ sudo apt-get -y install autoconf automake build-essential libass-dev libfreetype6-dev \
  libsdl1.2-dev libtheora-dev libtool libva-dev libvdpau-dev libvorbis-dev libxcb1-dev libxcb-shm0-dev \
  libxcb-xfixes0-dev pkg-config texinfo zlib1g-dev
$ ./configure
$ make

$ sudo apt-get install git

#关键操作，否在检出的代码无法正常编译

$ git config --global core.autocrlf false

$ git clone https://git.ffmpeg.org/ffmpeg.git

$ cd ffmpeg

#不要安装nasm否在编译不通过，应当使用yasm

$ sudo apt-get remove nasm

$ sudo apt-get install yasm

$ git fetch

$ git branch -a

$ git checkout -t remotes/origin/release/3.3

$ sudo apt-get update

$ sudo apt-get -y install autoconf automake build-essential libass-dev libfreetype6-dev \

libsdl1.2-dev libtheora-dev libtool libva-dev libvdpau-dev libvorbis-dev libxcb1-dev libxcb-shm0-dev \

libxcb-xfixes0-dev pkg-config texinfo zlib1g-dev

$ ./configure

$ make

注意，如果检出的代码在执行./configure的时候报告错误：

bash: ./configure: /bin/sh^M: 解释器错误: 没有那个文件或目录

1	bash: ./configure: /bin/sh^M: 解释器错误: 没有那个文件或目录

则目前看到原因是Git的autocrlf导致的。

其余的参考 https://trac.ffmpeg.org/wiki/CompilationGuide即可。

ubuntu 16.04 LTS更改机器名后执行sudo提示"sudo: 无法解析主机：xx-ubuntu: 连接超时"

ubuntu 16.04 LTS更改机器名后执行sudo提示"sudo: 无法解析主机：xx-ubuntu: 连接超时"。
出现这种问题是hosts文件没有配置好所导致的，linux无法解析到您的主机地址，解决方案如下：

$ sudo vim /etc/hosts

1	$ sudo vim /etc/hosts

打开文件以后，将其中的:

127.0.1.1       xxx(旧主机名）

1	127.0.1.1 xxx(旧主机名）

修改为新的主机名。

error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments

使用open函数的时候，如果在第二个参数中使用了O_CREAT，就必须添加第三个参数：创建文件时赋予的初始权。

In function ‘open’,
    inlined from ‘test_detector_ffmpeg’ at ./src/ff_darknet.c:421:15:
/usr/include/x86_64-linux-gnu/bits/fcntl2.h:50:4: error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments
    __open_missing_mode ();
    ^
compilation terminated due to -Wfatal-errors.

In function ‘open’,

inlined from ‘test_detector_ffmpeg’ at ./src/ff_darknet.c:421:15:

/usr/include/x86_64-linux-gnu/bits/fcntl2.h:50:4: error: call to ‘__open_missing_mode’ declared with attribute error: open with O_CREAT or O_TMPFILE in second argument needs 3 arguments

__open_missing_mode ();

compilation terminated due to -Wfatal-errors.

建议使用如下参数创建文件：

//0755
fd = open(file_path,O_CREAT | O_APPEND | O_WRONLY,S_IRWXU|S_IRUSR|S_IXUSR|S_IROTH|S_IXOTH);

1 2	//0755 fd = open(file_path,O_CREAT \| O_APPEND \| O_WRONLY,S_IRWXU\|S_IRUSR\|S_IXUSR\|S_IROTH\|S_IXOTH);

2025 年 6 月
一	二	三	四	五	六	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30

参考链接

参考链接

1.准备系统环境

2.下载代码

3.安装opencv

4.安装依赖的python库

5.安装Torch7

6.安装依赖的lua库

7.编译代码

8.下载预训练后的数据

9.执行测试Demo

参考链接

如果要使用NVIDIA CUDA加速版本的Torch7则使用如下方法

参考链接

3.安装`opencv`

4.安装依赖的`python`库

5.安装`Torch7`

6.安装依赖的`lua`库

如果要使用`NVIDIA CUDA`加速版本的`Torch7`则使用如下方法