NAO机器人接力程序

python的打外星人游戏，包含主程序，几个类，图片和game_function几个文件

改程序是一个小插件，改程序可以在abaqus中自动生成二维的颗粒随机分布的板(Can generate random distribution of particles)

基于BP神经网络做安全库存预测研究，实例代码调试成功，未用遗传算法进行优化的代码。

说明：  使用pytorch实现长短期记忆人工神经网络。(Using Python to realize lstm artificial neural network.)

说明：  30个常用Python程序实现，包括冒泡算法之类(30 commonly used Python programs, including bubbling algorithms and the like)

弹幕助手算是本软件的一个核心模块，因为全屏游戏的焦点不可获取性质，本工具只能在“窗口化”，“窗口化全屏”，“无边框全屏”之类的非全屏游戏下可显示。在运行之前根据每个用户的屏幕分辨率不同，推荐设置弹幕助手气泡出现的纵坐标值，使用记事本打开根目录下的tip.properties文件，设置Tip_screenHeight之后的值，推荐设置的值为屏幕纵向分辨率的0.66倍。(例如1920x1080分辨率推荐设置720)其他关于气泡显示效果的设置也在此文件中可以设置，欢迎动手能力的强的同学们使用我。最后，记得保存配置文件。

机器学习的实践书，图灵程序设计用书。有需要的可以学习一下(Practice book of machine learning)

使用的是最新版本的PyQt5.9，详细讲解了PyQt5的各个知识点，包含从入门到实战的所有例子。本书共包含11个章节，这些章节基本包含了笔者在使用PyQt中遇到的绝大多数技术以及一些简单的应用。本书虽然有11个章节，但是有些章节是具有独立性的，读者可以针对自己的实际情况选择性阅读。本书第一章介绍了PyQt的入门知识，讲述了PyQt的安装配置以及Eric6这个IDE的简单使用方法。对于对PyQt已经有一定基础的朋友可以略去这一章。本书第二章简单介绍了Python的基本语法，本章针对一些没有接触过python的读者，对于Python已经有一些基础的朋友可以略去这一章。本书第三章介绍Qt Designer的使用方法，Qt Designer是一个PyQt的可视化界面编辑程序，他的作用是帮助我们快速开发出界面文件，我们可以通过其他方式把界面文件转化成python代码文件。对于不懂太多PyQt知识的读者来说，本章可以让你快速入门，同时，本章也是让自己的PyQt技术快速进步的最重要的章节。本书第四章介绍了PyQt的基本控件的使用方法，如果读者时间并不充裕，只对部分控件感兴趣，可以选取相应的小节进行阅读。本书第五章介绍了PyQt的高级控件的使用方法，如果读者对PyQt的表格、树、多文本页面、数据库、多线程等等感兴趣，可以在这一章中选择相应的小节阅读。本书第六章重新介绍了PyQt的布局管理的使用（之前在第3章通过Qt Designer的使用方法中已经介绍，第3章是通过Qt Designer这个代码生成器进行介绍，这里通过手工敲打代码的方法介绍）。由于布局管理非常重要，值得我们以一个新的章节介绍，如果读者对纯代码实现布局管理器感兴趣可以参考这一章，如果对代码生成器Qt Designer的布局管理器感兴趣也可以忽略这个章节。实际上两种方法并没有本质的区别。本书第七章介绍了PyQt信号与槽的应用，信号与槽是PyQt的核心，想要掌握PyQt的高级玩法的朋友可以仔细阅读这个章节。本书第八章介绍了PyQt的图形特效，如果读者对PyQt绘图，背景着色等感兴趣，可以阅读这个章节。本书第九章介绍了PyQt的扩展应用，如果你想知道如何把Python的一些非常流行的模块如pyinstaller、pandas、matplotlib、pyqtgraph、plotly等与PyQt结合，可以从这一章节中选择性的阅读。本书第十章通过几个例子介绍PyQt的实战应用，想要简单了解一些简单的程序是如何开发的朋友可以选择性的阅读这个章节。本书第十一章介绍PyQt在金融领域中的应用，是本书的另一个作者孙洋在金融公司工作过程中积累的一些实战性较高的案例，向读者展示PyQt如何应用到投资研究系统、量化投资、以及金融工具开发，读者可以根据自己的需求选择性阅读。

说明：  适用于新手练习的简单爬虫代码，运行此代码将自动从网站上下载一张图片到桌面上(Simple crawler code for novices)

说明：  基于BP神经网络的手写数字识别系统，程序使用python语言编写，训练数据集为mnist；交互界面使用PYQT编写，用户可在画板通过鼠标书写数字作为识别对象。(The program of handwritten digit recognition system based on BP neural network is written in Python language, and the training data set is MNIST; the interactive interface is written in pyqt, and the user can write the digit on the drawing board through the mouse as the recognition object.)