所以我有一个生成动画的 python 脚本 - 它需要我在 conda 环境中拥有的库。我需要在计算机打开后立即运行此脚本，因此我编写了一个简短的 bash 脚本，并将其添加到“启动应用程序”中。这个 bash 脚本在启动时运行，内容如下：
#!/bin/bash
conda activate myenv
cd ~/scripts
python generate.py
当我自己在终端中运行它时，这很好，但是每当我打开计算机时，脚本的 python 部分都不会执行，当我检查错误时，我发现：
conda: command not found
然后我还看到 python 脚本无法运行，因为它缺少库（来自未激活的 conda 环境）
我尝试在 bash 脚本中添加行，用“源激活”替换“conda activate”，我尝试添加echo ". /home/<user>/anaconda3/etc/profile.d/conda.sh" >> ~/.bashrc到 bash 脚本，用 替换“conda” /home/barrat/anaconda3/bin/conda，甚至添加whoami到在启动时运行的 bash 脚本以确保我不是偶然神奇地成为 root 的……这一切都没有奏效。我真的很感激任何帮助。现在是凌晨 3 点，我有点绝望。
我需要使用 OpenCV 在图像上绘制“软”白色圆圈（半透明边框），但我在文档中只能找到如何绘制带有硬边框的 100% 不透明圆圈。有谁知道我该如何做到这一点，或者至少创造出圆圈在边缘“淡出”的错觉？
所以我把这棵树还给了我
Tree('S', [('This', 'DT'), ('is', 'VBZ'), ('a', 'DT'), ('test', 'NN'), (',', ','), Tree('PERSON', [('Stackoverflow', 'NNP'), ('Users', 'NNP')]), ('.', '.')])
我可以把它变成一个漂亮的python列表
sentence = "This is a test, Stackoverflow Users."
tokens = nltk.word_tokenize(sentence)
tagged = nltk.pos_tag(tokens)
entities = nltk.chunk.ne_chunk(tagged)
tree = repr(entities) # THIS VARIABLE IS THE TREE THAT IS RETURNED TO ME
# below this point it's about turning the tree into a python list
tree = (("[" + tree[5:-1] + "]")).replace("Tree", "").replace(")", "]").replace("(", "[")
tree = ast.literal_eval(tree) #you'll need to …我正在尝试将我的keras模型与keras到caffe转换脚本一起使用；每当我尝试运行脚本时，它都会加载我的模型，然后给我一个错误，提示“仅支持通道优先”。我正在用模型（24,24,3）填充模型图像-但它想要（3,24,24）。
每当我尝试在形状为（3,24,24）的图像上训练模型时，都会出现此错误（我认为，它认为我会向它提供带有24个通道的3x24图像）；
ValueError: Negative dimension size caused by subtracting 3 from 1 for 'conv2d_2/convolution' (op: 'Conv2D') with input shapes: [?,1,22,32], [3,3,32,64].
我如何喂养我的keras模型频道优先图像？
（如果有人需要，请使用模型代码：我只是在做一个简单的分类问题）
input_1 = Input(shape=input_shape) # input shape is 24,24,3 - needs to be 3,24,24
conv_1 = Conv2D(32, kernel_size=(3, 3),
activation='relu',
input_shape=input_shape)(input_1)
conv_2 = Conv2D(64, (3, 3), activation='relu')(conv_1)
pool_1 = MaxPooling2D(pool_size=(2, 2))(conv_2)
drop_1 = Dropout(0.25)(pool_1)
flatten_1 = Flatten()(drop_1)
dense_1 = Dense(128, activation='relu')(flatten_1)
drop_2 = Dropout(0.5)(dense_1)
dense_2 = Dense(128, activation='relu')(drop_2)
drop_3 = Dropout(0.5)(dense_2)
dense_3 = Dense(num_classes, activation='softmax')(drop_3)
model = Model(inputs=input_1, …