برنامه‌نویسی گرافیکی در پایتون با ماژول Tkinter – درس سوم

12 اسفند 1398
python-gui-3

Button ها

در مبحث قبلی از مجموعه درس های GUI در پایتون Button ها را مورد بررسی قرار دادیم و فهمیدیم که Button ها تعدادی صفت دارند، مانند صفت quit که در مبحث قبلی عمل خروج از برنامه را توسط کلیک کاربر بر روی دکمه ایجاد شده انجام می داد.

برخی از صفات مهم این کنترل عبارنتد از:

text. این صفت را در Label نیز مشاهده کردیم (Label = یک متن نوشتاری یا یک عکس را می افزود). در دکمه ها نیز عمل ثبت متن دیداری دکمه ها را بر عهده دارد.

font. فونت مورد استفاده در صفت text را مشخص می کند.

width & height. به ترتیب پهنای دکمه را تنظیم می کنند.

bitmap. تصویری را در زمینه دکمه قرار می دهد.

background & foreground. یا به اختصار bg & fg در کدنویسی رنگ پیش زمینه و پس زمینه را مشخص می کند.

تا به الان یاد گرفتیم که چگونه برنامه نویسی دیداری را برای دکمه ها انجام دهیم (به آن ها رنگ بدهیم و متن آنها را عوض کنیم و موارد دیگر). این بار می خواهیم که برنامه نویسی پنهان یا back-end را برای کنترل های خود انجام بدهیم؛ برای مثال با کلیک کاربر بر روی یک دکمه، یک عمل تعیین شده ای رخ دهد.

صفت command

در مباحث قبلی از command بصورت زیر استفاده می کردیم. (command: دقیقا دربرگیرنده مفهوم لغتی آن ، «در معنی دستور») :

but = Button(fourm , text="Hi" , command=quit)

در خط کد بالا، یک متغیر از نوع Button با صفات text و command تعیین کردیم و صفتی که به دستور خود دادیم، صفت خروج از برنامه بود (quit) که یک عمل از قبل تعیین شده ای را انجام می داد (دقیقا همانند کتابخانه ها). حال اگر بخواهیم پیشرفته تر از قبل نرم افزار خود را شخصی سازی کنیم، باید چه کاری انجام دهیم؟

یکی از مرسوم ترین روش ها این است که یک تابع بسازیم و کدهای خود را در آن قرار داده و آن تابع را به Button خود متصل کنیم. یعنی اگر بر روی دکمه کلیک شود، آن دستوراتی که در داخل تابع نوشته شده اند اجرا می شوند.

تابع

پایتون دارای دو نوع تابع است:

توابع کتابخانه ای: این توابع دستورات مشخص شده ، یا به اختصار از پیش تعیین شده ای را انجام می دهد مانند کتابخانه و یا تابع math که برای محاسبات ریاضی در پایتون به کار می رود و بوسیله دستور import مورد استفاده قرار می گیرد.

توابع تولید شده توسط برنامه نویس: توابعی که ما بنا به نیاز خود می نویسیم و تنها در داخل همان سورس کد قابل استفاده هستند و با دستور def ساخته می شوند.

توابع مورد نیاز ما در این مبحث توابع شخصی سازی شده یا نوع دوم هستند.

برای اینکه ما از این قابلیت منحصربه فرد استفاده کنیم:

from tkinter import *
four = Tk() 
def fun():
    but3 = Button(four , text = "Hello" ).pack()
but1 = Button(four , text = "Hello" , command = fun).pack()
but2 = Button(four , text = "Hello2" , command = quit).pack()

four.mainloop()

خط اول: ماژول tkinter را به همراه تمام کتابخانه های آن import کرده ایم.
خط دوم: یک فرم با نام four ساخته ایم (با استفاده از کلاس Tk).
خط سوم: یک تابع نوع دوم ساخته و نام آن را fun قرار داده ایم.
خط چهارم: در این خط که زیرمجموعه ی تابع تعریف شده است، یک Button با نام but3 ساخته ایم.
خط پنجم: یک Button داریم که نقش آن ، اجرای یک تابع است که نام تابع را در مقابل command قرار داده ایم.
خط ششم: یک دکمه ساخته ایم.
خط هفتم: فرم مورد نظر را ، مورد انتظار قرار داده ایم (برای کلیک و...).

توجه: برای اینکه به خطا برنخورید باید ابتدا تابع را تعریف کنید تا سیستم قبل از ایجاد Button ، آن را بشناسد.

اگر سورس کد بالا را اجرا کنید، با کلیک کردن بر روی دکمه اول یک Button دیگر نیز بوسیله تابع مورد نظری که به صفات دکمه اولی داده ایم ساخته می شود. کدها را برای درک بهتر در سیستم خود اجرا کنید.

شما می توانید بوسیله تابع configure ، تغییراتی را بر روی یک هدف مشخص شده انجام بدهید، برای مثال:

from tkinter import *
four = Tk() 
def fun():
    but2.configure(text = "Amir")
but1 = Button(four , text = "Hello" , command = fun).pack()
but2 = Label(four , text = "Hello2" ).pack()

four.mainloop()

این کدها نیز مانند مثال بالا ، but1 را به یک تابع هدایت می کنند و تابع configure باعث تغییر متن Label می شود (در but2)

توجه: طبق بررسی زودهنگامی که خودم انجام دادم ، configure در پایتون نسخه 3 کار نمی کند.

تنظیم رنج یک فرم با geometry

با استفاده از این تابع می توانیم برای محیط گرافیکی خود یک سایزی را در نظر بگیریم (مانند 300 در 200).

یک نمونه تنظیم geometry:

four.geometry("200x500")

طبق دستور بالا ما در فرم four رنج را مساوی با 200 در 500 قرار داده ایم.


منبع: سایت Geeks for Geeks

تمام فصل‌های سری ترتیبی که روکسو برای مطالعه‌ی دروس سری برنامه‌ نویسی گرافیکی در پایتون توصیه می‌کند:
نویسنده شوید

دیدگاه‌های شما (2 دیدگاه)

در این قسمت، به پرسش‌های تخصصی شما درباره‌ی محتوای مقاله پاسخ داده نمی‌شود. سوالات خود را اینجا بپرسید.

فیروزی نیا
02 تیر 1399
سلام خسته نباشید بنده ۳۰ سال در دانشگاه رشته کامپیوتر تدریس کردم . به نظر من شما خیلی عالی تدریس کرده اید و برای کشور و مردم مایه افتخار هستید. انشاء الله که موفق و سربلند باشید.

در این قسمت، به پرسش‌های تخصصی شما درباره‌ی محتوای مقاله پاسخ داده نمی‌شود. سوالات خود را اینجا بپرسید.

zahra asadpour
30 فروردین 1399
سلام وقتتون بخیر ممنون از اطلاعات خوبتون. ببخشید من یه برنامه دارم که با فایل انگلیسی کار می کنه می خوام برای فایل های فارسی تغییرش بدم فکر کنم باید encoding اش را تغییر بدم ولی نمی دونم چه جوری امکانش هست یه راهنمایی کنید ؟ممنون از لطفتون. برنامه را با jupyter اجرا کردم . فایل ورودی را می گیره و با deep learning اموزش می بینه تا بتونه در یک جمله کلمات بعدی را حدس بزنه . با فایل فارسی اجراش می کنم این error را میده UnicodeDecodeError Traceback (most recent call last) in 5 from IPython import display 6 plt.style.use('seaborn-white') ----> 7 data = open('input farsi.txt', 'r').read() 8 9 chars = list(set(data)) c:\python36.6\lib\encodings\cp1252.py in decode(self, input, final) 21 class IncrementalDecoder(codecs.IncrementalDecoder): 22 def decode(self, input, final=False): ---> 23 return codecs.charmap_decode(input,self.errors,decoding_table)[0] 24 25 class StreamWriter(Codec,codecs.StreamWriter): UnicodeDecodeError: 'charmap' codec can't decode byte 0x81 in position 85: character maps to اینم خود برنامه import numpy as np %matplotlib inline import numpy as np import matplotlib.pyplot as plt from IPython import display plt.style.use('seaborn-white') data = open('input farsi.txt', 'r').read() chars = list(set(data)) data_size, X_size = len(data), len(chars) print("data has %d characters, %d unique" % (data_size, X_size)) char_to_idx = {ch:i for i,ch in enumerate(chars)} idx_to_char = {i:ch for i,ch in enumerate(chars)} H_size = 100 # Size of the hidden layer T_steps = 25 # Number of time steps (length of the sequence) used for training learning_rate = 1e-1 # Learning rate weight_sd = 0.1 # Standard deviation of weights for initialization z_size = H_size + X_size # Size of concatenate(H, X) vector def sigmoid(x): return 1 / (1 + np.exp(-x)) def dsigmoid(y): return y * (1 - y) def tanh(x): return np.tanh(x) def dtanh(y): return 1 - y * y class Param: def __init__(self, name, value): self.name = name self.v = value #parameter value self.d = np.zeros_like(value) #derivative self.m = np.zeros_like(value) #momentum for AdaGrad class Parameters: def __init__(self): self.W_f = Param('W_f', np.random.randn(H_size, z_size) * weight_sd + 0.5) self.b_f = Param('b_f', np.zeros((H_size, 1))) self.W_i = Param('W_i', np.random.randn(H_size, z_size) * weight_sd + 0.5) self.b_i = Param('b_i', np.zeros((H_size, 1))) self.W_C = Param('W_C', np.random.randn(H_size, z_size) * weight_sd) self.b_C = Param('b_C', np.zeros((H_size, 1))) self.W_o = Param('W_o', np.random.randn(H_size, z_size) * weight_sd + 0.5) self.b_o = Param('b_o', np.zeros((H_size, 1))) #For final layer to predict the next character self.W_v = Param('W_v', np.random.randn(X_size, H_size) * weight_sd) self.b_v = Param('b_v', np.zeros((X_size, 1))) def all(self): return [self.W_f, self.W_i, self.W_C, self.W_o, self.W_v, self.b_f, self.b_i, self.b_C, self.b_o, self.b_v] parameters = Parameters() def forward(x, h_prev, C_prev, p = parameters): assert x.shape == (X_size, 1) assert h_prev.shape == (H_size, 1) assert C_prev.shape == (H_size, 1) z = np.row_stack((h_prev, x)) f = sigmoid(np.dot(p.W_f.v, z) + p.b_f.v) i = sigmoid(np.dot(p.W_i.v, z) + p.b_i.v) C_bar = tanh(np.dot(p.W_C.v, z) + p.b_C.v) C = f * C_prev + i * C_bar o = sigmoid(np.dot(p.W_o.v, z) + p.b_o.v) h = o * tanh(C) v = np.dot(p.W_v.v, h) + p.b_v.v y = np.exp(v) / np.sum(np.exp(v)) #softmax return z, f, i, C_bar, C, o, h, v, y def backward(target, dh_next, dC_next, C_prev, z, f, i, C_bar, C, o, h, v, y, p = parameters): assert z.shape == (X_size + H_size, 1) assert v.shape == (X_size, 1) assert y.shape == (X_size, 1) for param in [dh_next, dC_next, C_prev, f, i, C_bar, C, o, h]: assert param.shape == (H_size, 1) dv = np.copy(y) dv[target] -= 1 p.W_v.d += np.dot(dv, h.T) p.b_v.d += dv dh = np.dot(p.W_v.v.T, dv) dh += dh_next do = dh * tanh(C) do = dsigmoid(o) * do p.W_o.d += np.dot(do, z.T) p.b_o.d += do dC = np.copy(dC_next) dC += dh * o * dtanh(tanh(C)) dC_bar = dC * i dC_bar = dtanh(C_bar) * dC_bar p.W_C.d += np.dot(dC_bar, z.T) p.b_C.d += dC_bar di = dC * C_bar di = dsigmoid(i) * di p.W_i.d += np.dot(di, z.T) p.b_i.d += di df = dC * C_prev df = dsigmoid(f) * df p.W_f.d += np.dot(df, z.T) p.b_f.d += df dz = (np.dot(p.W_f.v.T, df) + np.dot(p.W_i.v.T, di) + np.dot(p.W_C.v.T, dC_bar) + np.dot(p.W_o.v.T, do)) dh_prev = dz[:H_size, :] dC_prev = f * dC return dh_prev, dC_prev def clear_gradients(params = parameters): for p in params.all(): p.d.fill(0) def clip_gradients(params = parameters): for p in params.all(): np.clip(p.d, -1, 1, out=p.d) def forward_backward(inputs, targets, h_prev, C_prev): global paramters # To store the values for each time step x_s, z_s, f_s, i_s, = {}, {}, {}, {} C_bar_s, C_s, o_s, h_s = {}, {}, {}, {} v_s, y_s = {}, {} # Values at t - 1 h_s[-1] = np.copy(h_prev) C_s[-1] = np.copy(C_prev) loss = 0 # Loop through time steps assert len(inputs) == T_steps for t in range(len(inputs)): x_s[t] = np.zeros((X_size, 1)) x_s[t][inputs[t]] = 1 # Input character (z_s[t], f_s[t], i_s[t], C_bar_s[t], C_s[t], o_s[t], h_s[t], v_s[t], y_s[t]) = \ forward(x_s[t], h_s[t - 1], C_s[t - 1]) # Forward pass loss += -np.log(y_s[t][targets[t], 0]) # Loss for at t clear_gradients() dh_next = np.zeros_like(h_s[0]) #dh from the next character dC_next = np.zeros_like(C_s[0]) #dh from the next character for t in reversed(range(len(inputs))): # Backward pass dh_next, dC_next = \ backward(target = targets[t], dh_next = dh_next, dC_next = dC_next, C_prev = C_s[t-1], z = z_s[t], f = f_s[t], i = i_s[t], C_bar = C_bar_s[t], C = C_s[t], o = o_s[t], h = h_s[t], v = v_s[t], y = y_s[t]) clip_gradients() return loss, h_s[len(inputs) - 1], C_s[len(inputs) - 1] def sample(h_prev, C_prev, first_char_idx, sentence_length): x = np.zeros((X_size, 1)) x[first_char_idx] = 1 h = h_prev C = C_prev indexes = [] for t in range(sentence_length): _, _, _, _, C, _, h, _, p = forward(x, h, C) idx = np.random.choice(range(X_size), p=p.ravel()) x = np.zeros((X_size, 1)) x[idx] = 1 indexes.append(idx) return indexes def update_status(inputs, h_prev, C_prev): #initialized later global plot_iter, plot_loss global smooth_loss # Get predictions for 200 letters with current model sample_idx = sample(h_prev, C_prev, inputs[0], 200) txt = ''.join(idx_to_char[idx] for idx in sample_idx) # Clear and plot plt.plot(plot_iter, plot_loss) display.clear_output(wait=True) plt.show() #Print prediction and loss print("----\n %s \n----" % (txt, )) print("iter %d, loss %f" % (iteration, smooth_loss)) def update_paramters(params = parameters): for p in params.all(): p.m += p.d * p.d # Calculate sum of gradients #print(learning_rate * dparam) p.v += -(learning_rate * p.d / np.sqrt(p.m + 1e-8)) import signal class DelayedKeyboardInterrupt(object): def __enter__(self): self.signal_received = False self.old_handler = signal.signal(signal.SIGINT, self.handler) def handler(self, sig, frame): self.signal_received = (sig, frame) print('SIGINT received. Delaying KeyboardInterrupt.') def __exit__(self, type, value, traceback): signal.signal(signal.SIGINT, self.old_handler) if self.signal_received: self.old_handler(*self.signal_received) # Exponential average of loss # Initialize to a error of a random model smooth_loss = -np.log(1.0 / X_size) * T_steps iteration, pointer = 0, 0 # For the graph plot_iter = np.zeros((0)) plot_loss = np.zeros((0)) while True: try: with DelayedKeyboardInterrupt(): # Reset if pointer + T_steps >= len(data) or iteration == 0: g_h_prev = np.zeros((H_size, 1)) g_C_prev = np.zeros((H_size, 1)) pointer = 0 inputs = ([char_to_idx[ch] for ch in data[pointer: pointer + T_steps]]) targets = ([char_to_idx[ch] for ch in data[pointer + 1: pointer + T_steps + 1]]) loss, g_h_prev, g_C_prev = \ forward_backward(inputs, targets, g_h_prev, g_C_prev) smooth_loss = smooth_loss * 0.999 + loss * 0.001 # Print every hundred steps if iteration % 100 == 0: update_status(inputs, g_h_prev, g_C_prev) update_paramters() plot_iter = np.append(plot_iter, [iteration]) plot_loss = np.append(plot_loss, [loss]) pointer += T_steps iteration += 1 except KeyboardInterrupt: update_status(inputs, g_h_prev, g_C_prev) break from random import uniform def calc_numerical_gradient(param, idx, delta, inputs, target, h_prev, C_prev): old_val = param.v.flat[idx] # evaluate loss at [x + delta] and [x - delta] param.v.flat[idx] = old_val + delta loss_plus_delta, _, _ = forward_backward(inputs, targets,h_prev, C_prev) param.v.flat[idx] = old_val - delta loss_mins_delta, _, _ = forward_backward(inputs, targets,h_prev, C_prev) param.v.flat[idx] = old_val #reset grad_numerical = (loss_plus_delta - loss_mins_delta) / (2 * delta) # Clip numerical error because analytical gradient is clipped [grad_numerical] = np.clip([grad_numerical], -1, 1) return grad_numerical def gradient_check(num_checks, delta, inputs, target, h_prev, C_prev): global parameters # To calculate computed gradients _, _, _ = forward_backward(inputs, targets, h_prev, C_prev) for param in parameters.all(): #Make a copy because this will get modified d_copy = np.copy(param.d) # Test num_checks times for i in range(num_checks): # Pick a random index rnd_idx = int(uniform(0, param.v.size)) grad_numerical = calc_numerical_gradient(param, rnd_idx, delta, inputs, target, h_prev, C_prev) grad_analytical = d_copy.flat[rnd_idx] err_sum = abs(grad_numerical + grad_analytical) + 1e-09 rel_error = abs(grad_analytical - grad_numerical) / err_sum # If relative error is greater than 1e-06 if rel_error > 1e-06: print('%s (%e, %e) => %e' % (param.name, grad_numerical, grad_analytical, rel_error)) gradient_check(10, 1e-5, inputs, targets, g_h_prev, g_C_prev)

در این قسمت، به پرسش‌های تخصصی شما درباره‌ی محتوای مقاله پاسخ داده نمی‌شود. سوالات خود را اینجا بپرسید.

امیر
22 آبان 1399
سلام اول برنامه بنویسید #-encoding utf-8-#

در این قسمت، به پرسش‌های تخصصی شما درباره‌ی محتوای مقاله پاسخ داده نمی‌شود. سوالات خود را اینجا بپرسید.