该博客亦是对博客《在ROS中利用PyQt写GUI程序》的一个扩展。
目录
一、软件安装
Pycharm是python比较好的IDE。PyCharm的下载为https://www.jetbrains.com/pycharm/download，可选择community版本，免费使用，安装过程也非常简单。
Python的安装，直接在官网https://www.python.org/downloads/下载即可。目前最新的版本为3.7系列。建议下载可执行程序进行安装，直接按默认选项装，pip一定要勾选上。建议python放在系统环境变量中，这样打开cmd输入python回车可查看python是否安装成功及其对应版本。。
二、环境配置
双击安装好的pycharm，第一次打开时会要求选择python解释器，一般默认是加载虚拟环境，这个不建议使用。直接选择刚刚装入系统的解释器，如下。
新建一个工程，这样就可以导入python的一些库，如math，sys，socket等。
三、安装其他库
python主要有两个包管理器系统，一个是conda（这个需要安装anaconda），一个是pip。python的包管理器系统实在太强大太好用了，简直有点爱不释手，详见https://pypi.org/project/pip/。
pip是一种脚本语言，其运行目录在所安装python环境的Scripts文件夹下。
pip的使用方法如下，一般是使用install指令。
比如要安装PyQt5（这是一种基于Qt库的python封装，适合用python做一些GUI程序） ，直接在cmd中输入
pip install PyQt5后回车就开始安装，详见https://pypi.org/project/PyQt5。可能第一次不会安装成功，原因在于会依赖一些其他库，会优先安装其他库。如果失败，再执行一遍该指令即可。
同理，TensorFlow是安装也是这样，
pip install tensorflow详见https://pypi.org/project/tensorflow。也要安装几遍才成功，原因在于要依赖numpy等第三方库。
为验证TensorFlow是否安装成功，可在python IDLE中写一个简单的程序验证一下：
import tensorflow as tf
import numpy as np
# 引入图表
import matplotlib.pyplot as plt
# 没有激励就是线性
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size,out_size]))# 随机生成一个矩阵，有in_size行数和out_size列数
biases = tf.Variable(tf.zeros([1,out_size])+0.1)# 这个是个一维数组，行数只有1，列数为out_size，这里+0.1表示他每个值都是0.1
Wx_plus_b = tf.matmul(inputs,Weights)+biases# 矩阵相乘再加biases
if activation_function is None:
outputs = Wx_plus_b# 如果没有激励，则直接就是这个线性函数
else:
outputs = activation_function(Wx_plus_b)# 如果有激励，则把线性函数传进激励函数（进行过滤或缩放等操作）
return outputs
# 这个x_data是这样的：产生300个[x],其值从-1开始到1不等距分布
# [-0.001234234]
# [-0.002453244]
# .
# .
# .
# [0.932423425]
# [0.993242424]
x_data = np.linspace(-1,1,300)[:,np.newaxis]
# 噪点，结构与x_data类似有负有正
# 以0为中点，方差为0.05波动
# 这个数与0之间的差值的平方值，最大为0.05，即这个数的平方不能大于0.05
noise = np.random.normal(0,0.05,x_data.shape)
# 令y_data等于x_data的二次方，再减去0.5,然后加上一个随机噪声，这样x跟y就不是完全线性相关的
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
# 定义隐藏层。输入神经元1个，隐藏层神经元10个，激励函数：非线性函数
#（inputs,in_size,out_size,activation_function=None）
#(输入数据，输入参数个数，输出参数根数，激励函数)
l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)
# 定义输出层。l1，神经元10个，输出1
# 输出层，就是预测值
predition = add_layer(l1,10,1,activation_function = None)
# tf.square(ys - predition) （对每个例子）实际值减预测值的平方
# 对刚才的平方，所有例子求和
# 对刚才求的和求一个平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition),
reduction_indices = [1]))
# 梯度下降法优化器
# 参数是学习效率
# 优化器的目标是最小化误差
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
# 在此显示图形
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)# x和对应的y
plt.ion()#有这个语句就不阻塞会继续往下走
plt.show()
for i in range(1000):
sess.run(train_step,feed_dict = {xs:x_data,ys:y_data})
if i% 50:
#print(sess.run(loss,feed_dict = {xs:x_data,ys:y_data}))
try:
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value = sess.run(predition,feed_dict={xs:x_data})
lines = ax.plot(x_data,prediction_value,'r-',lw=5)#红线是预测的线
plt.pause(0.1)#暂停0.1秒
# 如果打印的loss越来越小，说明是收敛的，训练有效
# 检验发现，10000次训练不会比1000此训练loss更小，说明不收敛(不是无限收敛)
然后运行，会出现以下界面。
这样我们就可以研究一些机器学习算法了。
用pip安装的库都在Python37\Lib\site-packages中可以找到。
四、PyQt在PyCharm中的搭建
做UI界面设计，还需要安装pyqt5-tools工具，实际是Qt Designer等一些辅助工具，以及将Qt的ui，qrc等文件转换为python描述。
打开pycharm，在Settings/Tools中添加External Tools，主要有三个，QtDesigner用于设计界面，pyuic用于将.ui文件转换为python描述，pyrcc用于将.qrc文件转换为python描述。其中熟悉Qt的朋友应该对QtDesigner很了解，而pyuic和pyrcc则在Python37\Scripts文件夹下，也是用脚本去操作。
pyrcc的用法如下：
pyuic的用法如下：
一般-o指令即可，用于将生成的代码输出到文件。
因此，在pycharm中设置如下：
- QtDesigner
- pyuic，其中Arguments中输入$FileDir$\$FileName$ -o $FileDir$\$FileNameWithoutExtension$.py，Working directory中填入$FileDir$，可以在旁边的插入宏中找到一些关键词。
- pyrcc，其中Arguments中输入$FileDir$\$FileName$ -o $FileDir$\$FileNameWithoutExtension$_rc.py，Working directory中填入$FileDir$。
填好后保存，就可以开始编写PyQt程序。
此时，新建一个工程测试一下PyQt库。用QtDesinger编写一个简单界面，然后右键选择External Tools中pyuic，此时会生成一个同名的.py文件；新建一个qrc文件，输入一些图片等信息，然后右键选择External Tools中pyrcc，会生成一个带_rc.py的文件。工程目录如下图所示：
其中main.py的代码如下：
from PyQt5 import QtWidgets
import sys
from test import *
from rqc_rc import *
import numpy as np
from matplotlib import pyplot as plt
i = 1
x = np.arange(-5, 5, 0.1)
y = x*x+5
plt.title("python plot demo")
plt.xlabel("x axis")
plt.ylabel("y axis")
plt.plot(x, y, '-*')
plt.show()
class TestUi(QtWidgets.QWidget):
def __init__(self, parent=None):
super(TestUi, self).__init__(parent)
self.ui = Ui_Form()
self.ui.setupUi(self)
self.ui.pushButton.pressed.connect(self.slot_btn_1)
def slot_btn_1(self):
global i
print(i)
self.ui.lineEdit.setText(str(i))
i = i + 1
if __name__ == "__main__":
app = QtWidgets.QApplication(sys.argv)
widget = TestUi()
widget.show()
sys.exit(app.exec())
其中matplotlib挺类似于matlab的，纯粹测试用，可以不用理会。
最后程序的运行效果如下：
Enjoy!