ubuntu 14 python？linux python安装
Ubuntu安装Odoo
说个坑，需要先进root账户。否则会有创建不了相关文档及位置的提示报错。
wget
tar-zxf Python-3.9.0.tgz
cd Python-3.9.0
./configure--prefix=/usr/local/python3
./configure--enable-optimizations
Step 1: Update Server
Step 2: Create Odoo User in Ubuntu
Step 3: Install PostgreSQL Server
Step 4: Create Odoo user for postgreSQL
Step 5: Install Python Dependencies
Step 6: Install Python PIP Dependencies
Step 7: Install other required packages
Step 8: Install Wkhtmltopdf
Step 9: Create Log directory
Step 10:Install Odoo
Step 11: Setting permissions on home folder
Step 12: Create server config file
Step 13: Install other Dependencies
Step 14:创建一个 Systemd Unit文件
打开你的文本编辑器，并且在/etc/systemd/system/目录下创建一个名为odoo.service的文件,将下面的内容粘贴到文件中：
保存文件并且关闭编辑器。
设置该文件的权限
通知 Systemd有一个新的 unit文件：
Step 15: Now Start Odoo
通过执行下面命令启用并且启动 Odoo服务：
或者直接执行以下命令
你可以通过下面的命令检查服务状态：
想要查看 Odoo服务日志，使用下面的命令：
打开你的浏览器，输入:
假设所有安装完成，你将会看到下面这样的屏幕：
如果你无法访问这个页面，那很可能是你的防火墙阻止了端口8069。请在宝塔面板(或通过防火墙命令)放行端口8069，云服务器上防火墙策略也应放行。
将 Nginx配置成 SSL代理服务器
默认的 Odoo网站服务器通过 HTTP服务。想要使 Odoo部署更安全，我们将会配置 Nginx作为 SSL代理服务器，使网站服务器通过 HTTPS进行服务。
SSL代理服务器是一个用来处理 SSL加密解密的代理服务器。这意味着，Nginx将会处理并且解密进来的 TLS连接（HTTPS），并且传递未被加密的请求到内部服务（Odoo）。在 Nginx和 Odoo之间的流量将不会被加密。
使用一个反向代理服务器有很多好处，比如负载均衡，SSL，缓存，压缩，静态内容服务，等等。
确保你满足下面的前提条件，再继续下一步的安装配置：
一个指向你的服务器的公网 IP的域名，我们使用example.com。
安装 Nginx
域名的 SSL证书。你可以安装一个免费的 Encrypt SSL证书。
打开你的文本编辑器，创建或者编辑域名服务器配置块:
下面的配置将会建立 SSL，HTTP转向 HTTPS，WWW转向 non-www，缓存静态文件，并且开启 GZip压缩。
不要忘记使用你自己的 Odoo域名替换 example.com并且设置正确的 SSL证书地址。
一旦你完成了，重启 Nginx和Odoo服务：
此时，反向代理服务器配置好了，你可以通过 来访问 Odoo了。
改变监听端口
这一步是可选的，但是它是一个很好的实践操作。
默认情况下，Odoo服务监听所有网络接口的8069端口。想要禁止对 Odoo的直接访问，你可以封锁8069端口，并且强制 Odoo只监听本地监控。
我们将会配置 Odoo仅仅监听 127.0.0.1。打开配置文件，添加下面的内容到文件最后面：/etc/odoo13.conf
保存配置文件，并且重启 Odoo服务器，使修改生效：
如果日志出现以下错误
「connect() failed(111: Connection refused) while connecting to upstream, client: XX.XX.XX.XX, server:, request:"POST/longpolling/poll HTTP/1.1", upstream:" ", host:"XX.XX.XX.XX", referrer:" "」
解决：
Let's just say you have a longpolling parameter in your odoo-server.conf
and set
after starting your odoo, just runs$ sudo netstat-tulpn to ensure that your longpolling is running, and you'll get this info:
Proto Recv-Q Send-Q Local Address Foreign Address State PID/Program name
tcp 0 0 0.0.0.0:8072 0.0.0.0:* LISTEN 10121/python3
tcp 0 0 0.0.0.0:8069 0.0.0.0:* LISTEN 10119/python3
tcp 0 0 0.0.0.0:22 0.0.0.0:* LISTEN 1461/sshd
...
when you can't find your longpolling there(that's why Bad Gateway Occurs, nginx can not find the running longpolling port), maybe just need to install gevent first:
and restart your odoo.
check$ sudo netstat-tulpn again, and you'll see that your longpolling port already running..
启用多进程
默认情况下，Odoo工作在多线程模式。对于产品级别的部署，我们推荐修改成多进程服务器，提升稳定性，并且充分利用系统资源。
想要启用多进程，你需要编辑 Odoo配置文件，并且设置一个非 0的工作进程数字。工作进程数字，基于系统中的 CPU核心数字和可用的 RAM内存来计算。
通过 Odoo官方文档计算工作进程的数量以及需要的 RAM内存大小，你可以使用下面的公式：
工作进程数量计算:
工作进程最大数量理论值=(system_cpus* 2)+ 1
1个工作进程可以服务约等于 6个并行客户。
Cron进程也需要 CPU
RAM内存大小计算
我们考虑 20%的请求是重请求，并且 80%的请求是轻量级请求。重量级请求使用将近 1GB RAM，而轻量级请求使用将近 150MB RAM。
需要的 RAM= number_of_workers*((light_worker_ratio* light_worker_ram_estimation)+(heavy_worker_ratio* heavy_worker_ram_estimation))
如果你不知道你的系统有多少 CPU，你可以使用下面的grep命令：
比方说，你有一个系统，拥有 4核心 CPU，8GB RAM内存，和 30个并行 Odoo用户。
30 users/ 6= 5(5是所需要的理论工作进程数量)
(4* 2)+ 1= 9(9是理论的最大工作进程数量)
基于上面的计算，你可以使用 5个进程+1个进程（Cron进程）总共 6个进程。
基于工作进程，计算 RAM内存：
RAM= 6*((0.8 150)+(0.2 1024))~= 2 GB of RAM
计算结果显示，Odoo安装将会需要大概 2GB内存。
想要切换到多进程模式，打开配置文件，并且添加计算值：/etc/odoo-server.conf
重启 Odoo服务，使修改生效：
ubuntu python怎么作为守护进程一直运行
测试程序
先写一个测试程序，用于输出日志和打印到控制台。
#-*- coding: utf-8-*-
import logging
import time
from logging.handlers import RotatingFileHandler
def func():
init_log()
while True:
print"output to the console"
logging.debug("output the debug log")
logging.info("output the info log")
time.sleep(3);
def init_log():
logging.getLogger().setLevel(logging.DEBUG)
console= logging.StreamHandler()
console.setLevel(logging.DEBUG)
formatter= logging.Formatter('%(asctime)s%(filename)s[line:%(lineno)d]%(levelname)s%(message)s')
console.setFormatter(formatter)
logging.getLogger().addHandler(console)
# add log ratate
Rthandler= RotatingFileHandler("backend_run.log", maxBytes=10* 1024* 1024, backupCount=100,
encoding="gbk")
Rthandler.setLevel(logging.INFO)
# formatter= logging.Formatter('%(asctime)s%(filename)s[line:%(lineno)d]%(levelname)s%(message)s')
Rthandler.setFormatter(formatter)
logging.getLogger().addHandler(Rthandler)
if __name__=='__main__':
func()
后台启动Python脚本
可以使用下面的命令来启动上面的脚本，让Python在后台运行。
nohup python-u main.py> test.out 2>&1&
来解释一下这几个命令的参数。这一段来自
其中 0、1、2分别代表如下含义：
0– stdin(standard input)
1– stdout(standard output)
2– stderr(standard error)
nohup python-u main.py> test.out 2>&1&
nohup+最后面的&是让命令在后台执行
>out.log是将信息输出到out.log日志中
2>&1是将标准错误信息转变成标准输出，这样就可以将错误信息输出到out.log日志里面来。
运行命令后，会返回一个pid。像下面这样：
[1] 9208
后续可以学习Hadoop它们，把pid存起来，到时候stop的时候就把它杀掉。
跟踪输出文件变化
为了验证脚本可以在后台继续运行，我们退出当前会话。然后重新连接一个Session，然后输入下面的命令来跟踪文件的输出：
tail-f test.out
输出内容如下：
output to the console
2017-03-21 20:15:02,632 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:02,632 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:05,635 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:05,636 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:08,637 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:08,638 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:11,640 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:11,642 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:14,647 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:14,647 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:17,653 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:17,654 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:20,655 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:20,656 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:23,661 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:23,661 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:26,665 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:26,666 main.py[line:12] INFO output the info log
output to the console
2017-03-21 20:15:29,670 main.py[line:11] DEBUG output the debug log
2017-03-21 20:15:29,671 main.py[line:12] INFO output the info log
说明我们的脚本确实在后台持续运行。
结束程序
可以直接通过之前的那个pid杀掉脚本，或者可以通过下面的命令查找pid。
ps-ef| grep python
输出的内容如下：
root 1659 1 0 17:40? 00:00:00/usr/bin/python/usr/lib/python2.6/site-packages/ambari_agent/AmbariAgent.py start
root 1921 1659 0 17:40? 00:00:48/usr/bin/python/usr/lib/python2.6/site-packages/ambari_agent/main.py start
user 8866 8187 0 20:03? 00:00:06/usr/bin/python3/usr/bin/update-manager--no-update--no-focus-on-map
root 9208 8132 0 20:12 pts/16 00:00:00 python-u main.py
root 9358 8132 0 20:17 pts/16 00:00:00 grep--color=auto python
可以看到我们的pid是9208，调用kill杀掉就可以了。
kill-9 9208
编写启动及停止脚本
启动脚本
#!/bin/sh
pid=`ps-ef|grep"python-u main.py"| grep-v"grep"|awk'{print$2}'`
if ["$pid"!="" ]
then
echo"main.py already run, stop it first"
kill-9${pid}
fi
echo"starting now..."
nohup python-u main.py> test.out 2>&1&
pid=`ps-ef|grep"python-u main.py"| grep-v"grep"|awk'{print$2}'`
echo${pid}> pid.out
echo"main.py started at pid:"${pid}
停止脚本
#!/bin/sh
pid=`ps-ef|grep"python-u main.py"| grep-v"grep"|awk'{print$2}'`
if ["$pid"!="" ]
then
kill-9${pid}
echo"stop main.py complete"
else
echo"main.py is not run, there's no need to stop it"
fi
稍后我会把实例代码上传到资料共享里面。
python多少版本才能安装dlib(安装不同版本的python)
今天给各位分享python多少版本才能安装dlib的知识，其中也会对安装不同版本的python进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
本文目录一览：
1、pythonpip安装dlib一直失败？2、如何线上部署用python基于dlib写的人脸识别算法3、ubuntu里面怎么安装dlib4、dlib库，怎么在python中安装5、谁用过python中的第三方库facerecognitionpythonpip安装dlib一直失败？
安装失败需要检查几个问题：
兼容问题，对应的包支持的操作系统，支持的Python版本
安装问题，部分包只能通过源码安装，或者离线的wheel方式安装
核对包的安装文档
如何线上部署用python基于dlib写的人脸识别算法
python使用dlib进行人脸检测与人脸关键点标记
Dlib简介：
首先给大家介绍一下Dlib
Dlib是一个跨平台的C++公共库，除了线程支持，网络支持，提供测试以及大量工具等等优点，Dlib还是一个强大的机器学习的C++库，包含了许多机器学习常用的算法。同时支持大量的数值算法如矩阵、大整数、随机数运算等等。
Dlib同时还包含了大量的图形模型算法。
最重要的是Dlib的文档和例子都非常详细。
Dlib主页：
这篇博客所述的人脸标记的算法也是来自Dlib库，Dlib实现了OneMillisecondFaceAlignmentwithanEnsembleofRegressionTrees中的算法
这篇论文非常出名，在谷歌上打上OneMillisecond就会自动补全，是CVPR2014(国际计算机视觉与模式识别会议)上的一篇国际顶级水平的论文。毫秒级别就可以实现相当准确的人脸标记，包括一些半侧脸，脸很不清楚的情况，论文本身的算法十分复杂，感兴趣的同学可以下载看看。
Dlib实现了这篇最新论文的算法，所以Dlib的人脸标记算法是十分先进的，而且Dlib自带的人脸检测库也很准确，我们项目受到硬件所限，摄像头拍摄到的画面比较模糊，而在这种情况下之前尝试了几个人脸库，识别率都非常的低，而Dlib的效果简直出乎意料。
相对于C++我还是比较喜欢使用python，同时Dlib也是支持python的，只是在配置的时候碰了不少钉子，网上大部分的Dlib资料都是针对于C++的，我好不容易才配置好了python的dlib，这里分享给大家：
Dlibforpython配置：
因为是用python去开发计算机视觉方面的东西，python的这些科学计算库是必不可少的，这里我把常用的科学计算库的安装也涵盖在内了，已经安装过这些库的同学就可以忽略了。
我的环境是Ubuntu14.04:
大家都知道Ubuntu是自带python2.7的，而且很多Ubuntu系统软件都是基于python2.7的，有一次我系统的python版本乱了，我脑残的想把python2.7卸载了重装，然后……好像是提醒我要卸载几千个软件来着，没看好直接回车了，等我反应过来Ctrl+C的时候系统已经没了一半了…
所以我发现想要搞崩系统，这句话比rm-rf还给力…
sudoapt-getremovepython2.71
首先安装两个python第三方库的下载安装工具,ubuntu14.04好像是预装了easy_install
以下过程都是在终端中进行：
1.安装pip
sudoapt-getinstallpython-pip1
2.安装easy-install
sudoapt-getinstallpython-setuptools1
3.测试一下easy_install
有时候系统环境复杂了，安装的时候会安装到别的python版本上，这就麻烦了，所以还是谨慎一点测试一下，这里安装一个我之前在博客中提到的可以模拟浏览器的第三方python库测试一下。
sudoeasy_installMechanize1
4.测试安装是否成功
在终端输入python进入pythonshell
python1
进入pythonshell后import一下刚安装的mechanize
importmechanize1
没有报错，就是安装成功了，如果说没有找到，那可能就是安装到别的python版本的路径了。
同时也测试一下PIL这个基础库
importPIL1
没有报错的话，说明PIL已经被预装过了
5.安装numpy
接下来安装numpy
首先需要安装python-dev才可以编译之后的扩展库
sudoapt-getinstallpython-dev1
之后就可以用easy-install安装numpy了
sudoeasy_installnumpy1
这里有时候用easy-install安装numpy下载的时候会卡住，那就只能用apt-get来安装了：
sudoapt-getinstallnumpy1
不推荐这样安装的原因就是系统环境或者说python版本多了之后，直接apt-get安装numpy很有可能不知道装到哪个版本去了，然后就很麻烦了，我有好几次遇到这个问题,不知道是运气问题还是什么，所以风险还是很大的，所以还是尽量用easy-install来安装。
同样importnumpy进行测试
python
importnumpy1234
没有报错的话就是成功了
下面的安装过程同理，我就从简写了，大家自己每步别忘了测试一下
6.安装scipy
sudoapt-getinstallpython-scipy1
7.安装matplotlib
sudoapt-getinstallpython-matplotlib1
8.安装dlib
我当时安装dlib的过程简直太艰辛，网上各种说不知道怎么配，配不好，我基本把stackoverflow上的方法试了个遍，才最终成功编译出来并且导入，不过听说18.18更新之后有了setup.py,那真是极好的，18.18我没有亲自配过也不能乱说，这里给大家分享我配置18.17的过程吧：
1.首先必须安装libboost，不然是不能使用.so库的
sudoapt-getinstalllibboost-python-devcmake1
2.到Dlib的官网上下载dlib，会下载下来一个压缩包，里面有C++版的dlib库以及例子文档，Pythondlib库的代码例子等等
我使用的版本是dlib-18.17,大家也可以在我这里下载：
之后进入python_examples下使用bat文件进行编译，编译需要先安装libboost-python-dev和cmake
cdtodlib-18.17/python_examples
./compile_dlib_python_module.bat123
之后会得到一个dlib.so，复制到dist-packages目录下即可使用
这里大家也可以直接用我编译好的.so库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：
将.so复制到dist-packages目录下
sudocpdlib.so/usr/local/lib/python2.7/dist-packages/1
最新的dlib18.18好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装18.18，也可以直接下载复制我的.so库，这两种方法应该都不麻烦～
有时候还会需要下面这两个库，建议大家一并安装一下
9.安装skimage
sudoapt-getinstallpython-skimage1
10.安装imtools
sudoeasy_installimtools1
DlibfacelandmarksDemo
环境配置结束之后，我们首先看一下dlib提供的示例程序
1.人脸检测
dlib-18.17/python_examples/face_detector.py源程序：
#!/usr/bin/python#Thecontentsofthisfileareinthepublicdomain.SeeLICENSE_FOR_EXAMPLE_PROGRAMS.txt##?Thisexampleprogramshowshowtofindfrontalhumanfacesinanimage.?In#?particular,itshowshowyoucantakealistofimagesfromthecommand#?lineanddisplayeachonthescreenwithredboxesoverlaidoneachhuman#?face.##?Theexamples/facesfoldercontainssomejpgimagesofpeople.?Youcanrun#?thisprogramonthemandseethedetectionsbyexecutingthe#?followingcommand:#???./face_detector.py../examples/faces/*.jpg##?ThisfacedetectorismadeusingthenowclassicHistogramofOriented#?Gradients(HOG)featurecombinedwithalinearclassifier,animage#?pyramid,andslidingwindowdetectionscheme.?Thistypeofobjectdetector#?isfairlygeneralandcapableofdetectingmanytypesofsemi-rigidobjects#?inadditiontohumanfaces.?Therefore,ifyouareinterestedinmaking#?yourownobjectdetectorsthenreadthetrain_object_detector.pyexample#?program.?###COMPILINGTHEDLIBPYTHONINTERFACE#?Dlibcomeswithacompiledpythoninterfaceforpython2.7onMSWindows.If#?youareusinganotherpythonversionoroperatingsystemthenyouneedto#?compilethedlibpythoninterfacebeforeyoucanusethisfile.?Todothis,#?runcompile_dlib_python_module.bat.?Thisshouldworkonanyoperating#?systemsolongasyouhaveCMakeandboost-pythoninstalled.#?OnUbuntu,thiscanbedoneeasilybyrunningthecommand:#???sudoapt-getinstalllibboost-python-devcmake##?Alsonotethatthisexamplerequiresscikit-imagewhichcanbeinstalled#?viathecommand:#???pipinstall-Uscikit-image#?Ordownloadedfrom.importsys
importdlib
fromskimageimportio
detector=dlib.get_frontal_face_detector()
win=dlib.image_window()
print("a");forfinsys.argv[1:]:
print("a");
print("Processingfile:{}".format(f))
img=io.imread(f)
#The1inthesecondargumentindicatesthatweshouldupsampletheimage
#1time.?Thiswillmakeeverythingbiggerandallowustodetectmore
#faces.
dets=detector(img,1)
print("Numberoffacesdetected:{}".format(len(dets)))??fori,dinenumerate(dets):
print("Detection{}:Left:{}Top:{}Right:{}Bottom:{}".format(
i,d.left(),d.top(),d.right(),d.bottom()))
win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue()#Finally,ifyoureallywanttoyoucanaskthedetectortotellyouthescore#foreachdetection.?Thescoreisbiggerformoreconfidentdetections.#Also,theidxtellsyouwhichofthefacesub-detectorsmatched.?Thiscanbe#usedtobroadlyidentifyfacesindifferentorientations.if(len(sys.argv[1:])0):
img=io.imread(sys.argv[1])
dets,scores,idx=detector.run(img,1)??fori,dinenumerate(dets):
print("Detection{},score:{},face_type:{}".format(
d,scores[i],idx[i]))123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081
我把源代码精简了一下，加了一下注释：face_detector0.1.py
#-*-coding:utf-8-*-importsys
importdlib
fromskimageimportio#使用dlib自带的frontal_face_detector作为我们的特征提取器detector=dlib.get_frontal_face_detector()#使用dlib提供的图片窗口win=dlib.image_window()#sys.argv[]是用来获取命令行参数的，sys.argv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径forfinsys.argv[1:]:??#输出目前处理的图片地址
print("Processingfile:{}".format(f))??#使用skimage的io读取图片
img=io.imread(f)??#使用detector进行人脸检测dets为返回的结果
dets=detector(img,1)??#dets的元素个数即为脸的个数
print("Numberoffacesdetected:{}".format(len(dets)))??#使用enumerate函数遍历序列中的元素以及它们的下标
#下标i即为人脸序号
#left：人脸左边距离图片左边界的距离；right：人脸右边距离图片左边界的距离
#top：人脸上边距离图片上边界的距离；bottom：人脸下边距离图片上边界的距离
fori,dinenumerate(dets):
print("dets{}".format(d))
print("Detection{}:Left:{}Top:{}Right:{}Bottom:{}"
.format(i,d.left(),d.top(),d.right(),d.bottom()))??#也可以获取比较全面的信息，如获取人脸与detector的匹配程度
dets,scores,idx=detector.run(img,1)
fori,dinenumerate(dets):
print("Detection{},dets{},score:{},face_type:{}".format(i,d,scores[i],idx[i]))??
#绘制图片(dlib的ui库可以直接绘制dets)
win.set_image(img)
win.add_overlay(dets)??#等待点击
dlib.hit_enter_to_continue()1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950
分别测试了一个人脸的和多个人脸的，以下是运行结果：
运行的时候把图片文件路径加到后面就好了
pythonface_detector0.1.py./data/3.jpg12
一张脸的：
两张脸的：
这里可以看出侧脸与detector的匹配度要比正脸小的很多
2.人脸关键点提取
人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。
除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlibsourceforge库下载：
arks.dat.bz2
也可以从我的连接下载：
这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。
dlib-18.17/python_examples/face_landmark_detection.py源程序：
#!/usr/bin/python#Thecontentsofthisfileareinthepublicdomain.SeeLICENSE_FOR_EXAMPLE_PROGRAMS.txt##?Thisexampleprogramshowshowtofindfrontalhumanfacesinanimageand#?estimatetheirpose.?Theposetakestheformof68landmarks.?Theseare#?pointsonthefacesuchasthecornersofthemouth,alongtheeyebrows,on#?theeyes,andsoforth.##?ThisfacedetectorismadeusingtheclassicHistogramofOriented#?Gradients(HOG)featurecombinedwithalinear
ubuntu里面怎么安装dlib
下面是在ubuntu下如何为Python安装dlib:
1.在官网dlib官网下载最新版本的dlib
由于dlib最初是一个C++库，要安装为python第三方库，
2.要下载boost将C++编译为python，同时还要下载cmake
命令：sudoapt-getinstalllibboost-python-devcmake11
3.然后切换到dlib-18.17/python_examples目录
然后运行
./compile_dlib_python_module.bat11
会生成dlib.so
4.该脚本还要加上可执行权限
这样在dlib-18.17/python_examples目录下就可以导入dlib库，但在其它地方还不能导入
将dlib.so复制到python第三库的文件夹下
sudocpdlib.so/usr/local/lib/python2.7/dist-packages/11
这样dlib库就安装好了
dlib库，怎么在python中安装
因为这个工程中用到的依赖库比较多，所以索性下载了Anaconda，它是一个python的发行版，包括了python和很多常见的软件库,和一个包管理器conda，所以安装了Anaconda后就不用再安装python了。
1、下载Anaconda的链接：
我下载的是对应python2.7version的64位Anaconda4.2.0，我的电脑系统是win64。
2、现在的问题就转换成如何用Anaconda安装第三方库的问题（Anaconda不包含dlib库），在自己电脑上运行cmd.exe，直接在默认的路径上面执行如下程序即可安装成功：
condainstall-cmenpodlib=18.18
3、执行没问题的话，结果应该如上图所示。困扰我好几天的问题终于解决了，走的太多的弯路，不过也是一个学习的过程，希望大家能有所收获吧。
谁用过python中的第三方库facerecognition
简介
该库可以通过python或者命令行即可实现人脸识别的功能。使用dlib深度学习人脸识别技术构建，在户外脸部检测数据库基准（LabeledFacesintheWild）上的准确率为99.38%。
在github上有相关的链接和API文档。
在下方为提供的一些相关源码或是文档。当前库的版本是v0.2.0，点击docs可以查看API文档，我们可以查看一些函数相关的
