【数据可视化】Pyecharts-家乡地图

終不似少年遊*2025-06-16 12:10

目录

项目解析

[① 整体结构：导入模块](#① 整体结构：导入模块)

[② 数据准备：结构化你的信息](#② 数据准备：结构化你的信息)

[③ 图表函数详解：封装每一个图表](#③ 图表函数详解：封装每一个图表)

[④ 页面布局与生成：组合与渲染](#④ 页面布局与生成：组合与渲染)

[Pyecharts 核心库与 API 讲解](#Pyecharts 核心库与 API 讲解)

如何借鉴此项目进行二次创作？

总结与更多资源

开始

地理位置

行政区划

人口数据

经济数据

自然资源

代码构建

导包

数据准备

可视化效果

图表绘制函数

生成网页

完整代码

前言
Pyecharts 是基于 Python 的开源可视化库，可生成交互式图表。数据可视化通过图表等形式呈现数据，二者结合能将复杂数据转化为直观图形，广泛应用于商业分析（如销售趋势展示）、学术研究（如数据模型可视化）、政务决策（如人口分布呈现）等场景，助力高效信息传递与决策支持。

项目解析

① 整体结构：导入模块
复制代码 
# 导入图表类，如 Map, Bar, Geo 等`
`from pyecharts.charts import Map, Bar, Geo, Gauge, WordCloud, Page`
`# 导入全局配置和系列配置项，这是自定义样式的关键`
`from pyecharts import options as opts`
`# 导入一些辅助常量，如图表类型、标记形状等`
`from pyecharts.globals` `import ChartType, SymbolType`
`

pyecharts.charts: 存放所有图表类型，如 Bar()（柱状图）、Line()（折线图）等；

pyecharts.options (通常简写为 opts): 这是 pyecharts 的精髓。它包含了所有用于定制图表样式的"配置项类"，如图表标题 (opts.TitleOpts)、坐标轴 (opts.AxisOpts)、提示框 (opts.TooltipOpts) 等；

pyecharts.globals: 提供一些全局的枚举值，比如图表类型、主题等。

② 数据准备：结构化你的信息

在代码中，我们先把所有需要展示的数据整理成 Python 的基础数据结构（列表、元组）。

复制代码 
# 例如，人口数据是 [(key, value), (key, value), ...] 的格式`
`districts_population =` `[`
    `("龙湖区",` `630749),` `("金平区",` `777024),` `...`
`]`
`# 经济数据是两个对应的列表`
`gdp_income_data_x =` `["GDP(亿元)",` `"城镇人均收入(元)",` `...]`
`gdp_income_data_y =` `[3167.97,` `39289,` `...]`
`

这样做的好处是让数据和绘图逻辑分离，代码更清晰，以后更新数据也只需要修改这一部分。

③ 图表函数详解：封装每一个图表

为每一个图表都创建了一个独立的函数（如 create_map(), create_economy_bar()）。这样做的好处是模块化，易于管理和复用。

以经济概览的柱状图为例：

复制代码 
def` `create_economy_bar()` `-> Bar:`
`    c =` `(`
`        Bar()`  `# 1. 创建一个柱状图实例`
        `.add_xaxis(gdp_income_data_x)`  `# 2. 添加 X 轴数据`
        `.add_yaxis("数值", gdp_income_data_y)`  `# 3. 添加 Y 轴数据，并命名该系列为"数值"`
        `.set_global_opts(`  `# 4. 设置全局配置项`
`            title_opts=opts.TitleOpts(title="图3 - 2024年汕头经济概览"),` `# 设置标题`
`            yaxis_opts=opts.AxisOpts(type_="log", name="数值 (Y轴为对数轴)")` `# 设置Y轴`
        `)`
        `.set_series_opts(` `# 5. 设置系列配置项`
`            label_opts=opts.LabelOpts(is_show=True, position="top")` `# 在柱顶显示数值`
        `)`
    `)`
    `return c`
`

.add_xaxis() 和 .add_yaxis()：是所有图表用来添加数据的核心方法；

.set_global_opts()：用于设置图表级别的选项，如标题、图例、工具箱、视觉映射等。这些设置对整个图表生效；

.set_series_opts()：用于设置数据系列级别的选项，比如柱子的颜色、线上标记的样式、标签的格式等。它只对用 .add_yaxis() 添加的那个数据系列生效。

④ 页面布局与生成：组合与渲染

Page 类是一个强大的布局工具。

复制代码 
def main():`
`    # 使用可拖拽布局`
`    page = Page(layout=Page.DraggablePageLayout, page_title="期末大作业 - 我的家乡汕头")`
`    # 将之前创建的所有图表对象加入页面`
`    page.add(`
`        create_map(),`
`        create_geo(),`
`        ...`
`    )`
`    # 生成最终的 HTML 文件`
`    page.render("my_hometown_shantou_visualization.html")`
`

Page.DraggablePageLayout: 让生成的 HTML 页面中的所有图表都可以用鼠标自由拖动和缩放，非常适合制作可交互的 Dashboard；

page.render(): 这是最后一步，将所有配置好的图表对象渲染成一个独立的网页文件。

Pyecharts 核心库与 API 讲解

核心设计理念："配置项皆为对象"

理解 pyecharts 的关键在于理解它的配置方式。你看到的每一个 opts.XXXOpts() 都是在创建一个"配置对象"，然后把它传递给 .set_global_opts() 或 .set_series_opts()。

例如，想改标题，就创建一个 TitleOpts 对象；想改坐标轴，就创建一个 AxisOpts 对象。这种方式非常清晰且灵活。

常用图表与配置项 (opts)

链式调用 (Chain-style Calling)

复制代码 
Bar().add_xaxis(...).add_yaxis(...).set_global_opts(...)`
`

这是 pyecharts 的标志性写法。每个方法执行后都会返回图表对象本身，所以可以继续在后面调用下一个方法，让代码写起来非常流畅、一气呵成。

如何借鉴此项目进行二次创作？

假设要为家乡 "西安" 制作一个类似的可视化项目。

第一步：明确你的主题与数据

首先，收集西安的相关数据。

行政区划与人口：碑林区、新城区等各区的人口。

经济数据：GDP、人均收入。

旅游数据：大雁塔、兵马俑的年游客量。

历史文化：十三朝古都、丝绸之路起点等关键词。

第二步：选择并修改图表函数

可以直接复用项目中的函数，只需修改数据和标题。

例：将汕头经济图改为西安旅游图

复制函数：复制 create_economy_bar() 函数，并重命名为 create_xian_tourism_bar()。

准备新数据：

复制代码 
xian_tourism_x =` `["兵马俑(万人次)",` `"大雁塔(万人次)",` `"城墙(万人次)"]`
`xian_tourism_y =` `[1200,` `800,` `650]` `# 假设的数据`
`

修改函数内部：

复制代码 
def` `create_xian_tourism_bar()` `-> Bar:`
`    c =` `(`
`        Bar()`
        `.add_xaxis(xian_tourism_x)`  `# <-- 使用西安的数据`
        `.add_yaxis("年游客量", xian_tourism_y)` `# <-- 使用西安的数据和系列名`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="西安主要景点年游客量对比"),` `# <-- 修改标题`
`            yaxis_opts=opts.AxisOpts(name="万人次")` `# <-- 修改Y轴单位`
        `)`
        `.set_series_opts(`
`            label_opts=opts.LabelOpts(is_show=True, position="top")`
        `)`
    `)`
    `return c`
`

第三步：组合可视化页面

在 main 函数中，调用你新创建的函数来替换或增加图表。

复制代码 
def` `main():`
`    page = Page(layout=Page.DraggablePageLayout, page_title="我的家乡 - 西安")`
    
    `# 你可以保留地图，但需要将 maptype 改为 "西安"`
    `# page.add(create_xian_map()) # 需要一个西安地图的函数`
    
    `# 添加你新创建的旅游图`
`    page.add(create_xian_tourism_bar())`
    
    `# ...添加其他关于西安的图表`
    
`    page.render("my_hometown_xian_visualization.html")` `# 生成新的HTML文件`
`

总结与更多资源

通过这个项目，你可以看到 pyecharts 的核心逻辑就是：准备数据 -> 创建图表 -> 添加数据 -> 配置样式 -> 渲染生成。

它最大的优点是：

简单易用：Python 语法，链式调用非常顺手；

功能强大：支持丰富的图表类型和高度自定义的配置；

交互性强：生成的 HTML 文件是动态的，支持缩放、筛选、提示等交互；

当你想要制作更复杂的图表时，可以访问 Pyecharts 官方文档和示例库

pyecharts - A Python Echarts Plotting Library built with love.

，那里有上百个可以直接运行的例子，是学习和寻找灵感的最佳去处。

开始

先进行数据收集

pyecharts绘制地理图表

  • Geo 地理坐标系组件：用于地图的绘制，支持在地理坐标系上绘制散点图，线集。
  • Map 函数：主要用于地理区域数据的可视化

用于绘制可视化的信息收集：

地理位置
  • 经纬度范围 ：汕头市全境处于东经116°14′40″至117°19′35″和北纬23°02′33″至23°38′50″之间。
  • 地理位置 ：位于广东省东部，韩江三角洲南端，北接潮州，西邻揭阳，东南濒临南海。
  • 地形地貌 ：汕头市处潮汕平原，仅西北部有小片丘陵。全市最高峰是位于南澳岛的大尖山，海拔587米。
行政区划

汕头市辖6个区、1个县：

| 市辖区 | 面积（平方千米） | 区政府驻地

| 龙湖区 | 125 | 大北山路一号

| 金平区 | 114.64 | 金砂路50号

| 濠江区 | 171.03 | 达濠街道府前路

| 潮阳区 | 665.74 | 中华路136号

| 潮南区 | 600.74 | 峡山街道玉峡南路

| 澄海区 | 382.93 | 文冠路党政大楼

| 南澳县 | 112.049 | 后宅镇隆澳大街

人口数据
  • 常住人口 ：2025年初常住人口为557.55万人。
  • 户籍人口 ：2024年初户籍人口为579.3421万人。
  • 人口密度 ：约为2624人/平方公里。
  • 城镇化率 ：2024年末为71.15%。
经济数据
  • GDP ：2024年汕头市生产总值为3167.97亿元。
  • 居民收入 ：2024年城镇居民可支配收入为39289元，农村居民可支配收入为23891元。
自然资源
  • 海岸线 ：大陆海岸线长217.7公里，海岛岸线长167.37公里，有大小岛屿82个。
  • 气候 ：属于亚热带季风气候，常年气候温和，热量丰富，阳光充足，雨量充沛。

代码构建

导包
复制代码 
# 导入所需的库和模块`
`from pyecharts import options as opts`
`from pyecharts.charts import Map, Bar, Geo, Gauge, WordCloud, Page`
`from pyecharts.globals import ChartType, SymbolType`
`
数据准备
复制代码 
# 1. 行政区划 & 人口数据`
`districts_population = [`
`    ("龙湖区", 630749), ("金平区", 777024), ("濠江区", 269471),`
`    ("潮阳区", 1654276), ("潮南区", 1231638), ("澄海区", 874444),`
`    ("南澳县", 64429)`
`]`

`# 2. 经济数据`
`gdp_income_data_x = ["GDP(亿元)", "城镇人均收入(元)", "农村人均收入(元)"]`
`gdp_income_data_y = [3167.97, 39289, 23891]`

`# 3. 人口数据`
`population_total_x = ["常住人口(万人)", "户籍人口(万人)"]`
`population_total_y = [557.55, 579.34]`

`# 4. 城镇化率`
`urbanization_rate = 71.15`

`# 5. 自然资源`
`natural_resources_x = ["大陆海岸线(km)", "海岛岸线(km)", "岛屿数量(个)"]`
`natural_resources_y = [217.7, 167.37, 82]`

`# 6. 气候特点`
`climate_words = [`
`    ("温和湿润", 100), ("阳光充足", 95), ("雨量充沛", 90),`
`    ("热量丰富", 85), ("亚热带季风气候", 80)`
`]`
`
可视化效果
图表绘制函数
复制代码 
# 1. 汕头人口分布地图`
`def create_map() -> Map:`
`    c = (`
`        Map()  # 旧版：InitOpts 不放在这里`
`        .add("常住人口", districts_population, "汕头", is_map_symbol_show=False)`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图1 - 汕头市各区人口分布图"),`
`            visualmap_opts=opts.VisualMapOpts(`
`                is_piecewise=True,`
`                pieces=[`
`                    {"min": 1500000, "label": "> 150万", "color": "#8A0808"},`
`                    {"min": 1000000, "max": 1499999, "label": "100-150万", "color": "#B40404"},`
`                    {"min": 500000, "max": 999999, "label": "50-100万", "color": "#DF0101"},`
`                    {"min": 100000, "max": 499999, "label": "10-50万", "color": "#F78181"},`
`                    {"max": 99999, "label": "< 10万", "color": "#F5A9A9"},`
`                ],`
`            )`
`        )`
`    )`
`    return c`
`
复制代码 
 2. 汕头最高峰示意图 (Geo)`
`def create_geo() -> Geo:`
`    c = (`
`        Geo()`
`        .add_schema(maptype="汕头")`
`        .add(`
`            "大尖山 (海拔587m)",`
`            [("南澳县", 587)],`
`            type_=ChartType.EFFECT_SCATTER,`
`            symbol_size=15,`
`        )`
`        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图2 - 汕头市最高峰位置示意"),`
`            tooltip_opts=opts.TooltipOpts(formatter="{b}"),`
`        )`
`    )`
`    return c`
`
复制代码 
# 3. 经济概览柱状图`
`def create_economy_bar() -> Bar:`
`    c = (`
`        Bar()`
`        .add_xaxis(gdp_income_data_x)`
`        .add_yaxis("数值", gdp_income_data_y, category_gap="50%")`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图3 - 2024年汕头经济概览"),`
`            yaxis_opts=opts.AxisOpts(`
`                type_="log", name="数值 (Y轴为对数轴)"`
`            ),`
`            tooltip_opts=opts.TooltipOpts(`
`                is_show=True, trigger="axis", axis_pointer_type="cross"`
`            ),`
`        )`
`        .set_series_opts(`
`            label_opts=opts.LabelOpts(is_show=True, position="top")`
`        )`
`    )`
`    return c`
`
复制代码 
# 4. 城镇化率仪表盘`
`def create_urbanization_gauge() -> Gauge:`
`    c = (`
`        Gauge()`
`        .add(`
`            "城镇化率",`
`            [(" ", urbanization_rate)],`
`            detail_label_opts=opts.LabelOpts(formatter="{value}%")`
`        )`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图4 - 2024年末城镇化率")`
`        )`
`    )`
`    return c`
`
复制代码 
# 5. 人口结构对比图`
`def create_population_bar() -> Bar:`
`    c = (`
`        Bar()`
`        .add_xaxis(population_total_x)`
`        .add_yaxis("人口数量", population_total_y)`
`        .reversal_axis()`
`        .set_series_opts(label_opts=opts.LabelOpts(position="right"))`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图5 - 汕头人口结构")`
`        )`
`    )`
`    return c`
`
复制代码 
# 6. 自然资源与气候词云`
`def create_resources_bar() -> Bar:`
`    c = (`
`        Bar()`
`        .add_xaxis(natural_resources_x)`
`        .add_yaxis("数值", natural_resources_y)`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图6 - 汕头自然资源"),`
`            xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=15))`
`        )`
`    )`
`    return c`


`def create_climate_wordcloud() -> WordCloud:`
`    c = (`
`        WordCloud()`
`        .add("气候", climate_words, word_size_range=[20, 100], shape=SymbolType.DIAMOND)`
`        .set_global_opts(`
`            title_opts=opts.TitleOpts(title="图7 - 汕头气候特点")`
`        )`
`    )`
`    return c`
`
生成网页
复制代码 
# --- 页面布局与渲染 ---`
`def main():`
`    # 使用 Page 进行自由布局`
`    page = Page(layout=Page.DraggablePageLayout, page_title="家乡汕头")`

`    # 将所有图表添加到页面中`
`    page.add(`
`        create_map(),`
`        create_geo(),`
`        create_economy_bar(),`
`        create_urbanization_gauge(),`
`        create_population_bar(),`
`        create_resources_bar(),`
`        create_climate_wordcloud(),`
`    )`

`    # 渲染生成 HTML 文件`
`    page.render("my_hometown_shantou_visualization.html")`

`    print("可视化报告已生成: my_hometown_shantou_visualization.html")`
`    print("请用浏览器打开查看。页面内的图表可以自由拖动和缩放！")`


`if __name__ == "__main__":`
`    main()`
`

完整代码

复制代码 
# 导入所需的库和模块`
`from pyecharts import options as opts`
`from pyecharts.charts import Map, Bar, Geo, Gauge, WordCloud, Page`
`from pyecharts.globals` `import ChartType, SymbolType`

`# --- 数据准备 ---`

`# 1. 行政区划 & 人口数据`
`districts_population =` `[`
    `("龙湖区",` `630749),` `("金平区",` `777024),` `("濠江区",` `269471),`
    `("潮阳区",` `1654276),` `("潮南区",` `1231638),` `("澄海区",` `874444),`
    `("南澳县",` `64429)`
`]`

`# 2. 经济数据`
`gdp_income_data_x =` `["GDP(亿元)",` `"城镇人均收入(元)",` `"农村人均收入(元)"]`
`gdp_income_data_y =` `[3167.97,` `39289,` `23891]`

`# 3. 人口数据`
`population_total_x =` `["常住人口(万人)",` `"户籍人口(万人)"]`
`population_total_y =` `[557.55,` `579.34]`

`# 4. 城镇化率`
`urbanization_rate =` `71.15`

`# 5. 自然资源`
`natural_resources_x =` `["大陆海岸线(km)",` `"海岛岸线(km)",` `"岛屿数量(个)"]`
`natural_resources_y =` `[217.7,` `167.37,` `82]`

`# 6. 气候特点`
`climate_words =` `[`
    `("温和湿润",` `100),` `("阳光充足",` `95),` `("雨量充沛",` `90),`
    `("热量丰富",` `85),` `("亚热带季风气候",` `80)`
`]`


`# --- 图表绘制 (已适配旧版 Pyecharts) ---`

`# 1. 汕头人口分布地图`
`def` `create_map()` `-> Map:`
`    c =` `(`
`        Map()`  `# 旧版：InitOpts 不放在这里`
        `.add("常住人口", districts_population,` `"汕头", is_map_symbol_show=False)`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图1 - 汕头市各区人口分布图"),`
`            visualmap_opts=opts.VisualMapOpts(`
`                is_piecewise=True,`
`                pieces=[`
                    `{"min":` `1500000,` `"label":` `"> 150万",` `"color":` `"#8A0808"},`
                    `{"min":` `1000000,` `"max":` `1499999,` `"label":` `"100-150万",` `"color":` `"#B40404"},`
                    `{"min":` `500000,` `"max":` `999999,` `"label":` `"50-100万",` `"color":` `"#DF0101"},`
                    `{"min":` `100000,` `"max":` `499999,` `"label":` `"10-50万",` `"color":` `"#F78181"},`
                    `{"max":` `99999,` `"label":` `"< 10万",` `"color":` `"#F5A9A9"},`
                `],`
            `)`
        `)`
    `)`
    `return c`


`# 2. 汕头最高峰示意图 (Geo)`
`def` `create_geo()` `-> Geo:`
`    c =` `(`
`        Geo()`
        `.add_schema(maptype="汕头")`
        `.add(`
            `"大尖山 (海拔587m)",`
            `[("南澳县",` `587)],`
`            type_=ChartType.EFFECT_SCATTER,`
`            symbol_size=15,`
        `)`
        `.set_series_opts(label_opts=opts.LabelOpts(is_show=False))`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图2 - 汕头市最高峰位置示意"),`
`            tooltip_opts=opts.TooltipOpts(formatter="{b}"),`
        `)`
    `)`
    `return c`


`# 3. 经济概览柱状图`
`def` `create_economy_bar()` `-> Bar:`
`    c =` `(`
`        Bar()`
        `.add_xaxis(gdp_income_data_x)`
        `.add_yaxis("数值", gdp_income_data_y, category_gap="50%")`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图3 - 2024年汕头经济概览"),`
`            yaxis_opts=opts.AxisOpts(`
`                type_="log", name="数值 (Y轴为对数轴)"`
            `),`
`            tooltip_opts=opts.TooltipOpts(`
`                is_show=True, trigger="axis", axis_pointer_type="cross"`
            `),`
        `)`
        `.set_series_opts(`
`            label_opts=opts.LabelOpts(is_show=True, position="top")`
        `)`
    `)`
    `return c`


`# 4. 城镇化率仪表盘`
`def` `create_urbanization_gauge()` `-> Gauge:`
`    c =` `(`
`        Gauge()`
        `.add(`
            `"城镇化率",`
            `[(" ", urbanization_rate)],`
`            detail_label_opts=opts.LabelOpts(formatter="{value}%")`
        `)`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图4 - 2024年末城镇化率")`
        `)`
    `)`
    `return c`


`# 5. 人口结构对比图`
`def` `create_population_bar()` `-> Bar:`
`    c =` `(`
`        Bar()`
        `.add_xaxis(population_total_x)`
        `.add_yaxis("人口数量", population_total_y)`
        `.reversal_axis()`
        `.set_series_opts(label_opts=opts.LabelOpts(position="right"))`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图5 - 汕头人口结构")`
        `)`
    `)`
    `return c`


`# 6. 自然资源与气候词云`
`def` `create_resources_bar()` `-> Bar:`
`    c =` `(`
`        Bar()`
        `.add_xaxis(natural_resources_x)`
        `.add_yaxis("数值", natural_resources_y)`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图6 - 汕头自然资源"),`
`            xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=15))`
        `)`
    `)`
    `return c`


`def` `create_climate_wordcloud()` `-> WordCloud:`
`    c =` `(`
`        WordCloud()`
        `.add("气候", climate_words, word_size_range=[20,` `100], shape=SymbolType.DIAMOND)`
        `.set_global_opts(`
`            title_opts=opts.TitleOpts(title="图7 - 汕头气候特点")`
        `)`
    `)`
    `return c`


`# --- 页面布局与渲染 ---`
`def` `main():`
    `# 使用 Page 进行自由布局`
`    page = Page(layout=Page.DraggablePageLayout, page_title="期末大作业 - 我的家乡汕头")`

    `# 将所有图表添加到页面中`
`    page.add(`
`        create_map(),`
`        create_geo(),`
`        create_economy_bar(),`
`        create_urbanization_gauge(),`
`        create_population_bar(),`
`        create_resources_bar(),`
`        create_climate_wordcloud(),`
    `)`

    `# 渲染生成 HTML 文件`
`    page.render("my_hometown_shantou_visualization.html")`

    `print("可视化报告已生成: my_hometown_shantou_visualization.html")`
    `print("请用浏览器打开查看。页面内的图表可以自由拖动和缩放！")`


`if __name__ ==` `"__main__":`
`    main()`
`
相关推荐
springfe01012 小时前
图形化表达方法
uml·数据可视化
Johny_Zhao4 小时前
CentOS Stream 8 高可用 Kuboard 部署方案
linux·网络·python·网络安全·docker·信息安全·kubernetes·云计算·shell·yum源·系统运维·kuboard
站大爷IP5 小时前
精通einsum()：多维数组操作的瑞士军刀
python
站大爷IP5 小时前
Python与MongoDB的亲密接触：从入门到实战的代码指南
python
Roc-xb6 小时前
/etc/profile.d/conda.sh: No such file or directory : numeric argument required
python·ubuntu·conda
世由心生7 小时前
[从0到1]环境准备--anaconda与pycharm的安装
ide·python·pycharm
猛犸MAMMOTH8 小时前
Python打卡第54天
pytorch·python·深度学习
梓羽玩Python8 小时前
12K+ Star的离线语音神器！50MB模型秒杀云端API，隐私零成本，20+语种支持！
人工智能·python·github
成都犀牛8 小时前
LangGraph 深度学习笔记：构建真实世界的智能代理
人工智能·pytorch·笔记·python·深度学习
热门推荐
01Coze扣子平台完整体验和实践（附国内和国际版对比）02DeepSeek各版本说明与优缺点分析03KGG转MP3工具|非KGM文件|解密音频04扣子（coze）实战|我用扣子搭建了一个自动分析小红薯笔记内容的AI应用|详细步骤拆解05从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑06YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】07电工电子课程设计---四路病房呼叫系统08零代码入门 | Coze——让大模型接入自己的数据库09【SpeedAI科研小助手】2分钟极速解决知网维普重复率、AIGC率过高，一键全文降！文件格式不变，公式都保留的！10基于单片机的智能环境监测系统