<think>根据用户需求，我们需要编写一个Python脚本来验证以下库是否安装成功： numpy, scipy, matplotlib, seaborn, tensorflow, tensorflow-model-optimization, scikit-learn, pandas, opencv-python, Pillow 思路： 1. 我们将尝试导入每个库，并打印其版本号。 2. 如果导入失败，则捕获异常并提示该库未安装。 3. 为了确保验证的准确性，我们还会对一些库进行简单的功能测试（如生成随机数、创建图像等），但为了简单起见，我们主要检查导入和版本信息。 注意：由于`tensorflow-model-optimization`在导入时使用的包名是`tensorflow_model_optimization`（下划线连接），因此导入时需要注意。 另外，考虑到用户可能在一个新的环境中运行，我们尽量避免在验证过程中产生副作用（如弹出图形窗口）。对于matplotlib，我们可以设置非交互式后端（Agg）以避免显示图形。 步骤： 1. 创建一个字典，键为库的名称，值为导入时使用的包名（如果不同的话）以及可选的别名（为了简化）。 2. 遍历这个字典，尝试导入每个库。 3. 对于每个成功导入的库，打印版本信息；对于失败的，打印错误信息。 具体实现如下： </think> ### 验证库安装的 Python 脚本 以下是用于验证指定库是否安装成功的完整脚本，包含版本检查和基础功能测试： ```python import sys import importlib # 待验证库列表 LIBRARIES = [ ("numpy", "np"), ("scipy", "sp"), ("matplotlib", "mpl"), ("seaborn", "sns"), ("tensorflow", "tf"), ("tensorflow_model_optimization", "tfmot"), ("sklearn", "sklearn"), # scikit-learn ("pandas", "pd"), ("cv2", "cv2"), # opencv-python ("PIL", "PIL") # Pillow ] def test_library_import(lib_name, alias): """测试库导入和基础功能""" try: # 动态导入库 module = importlib.import_module(lib_name) globals()[alias] = module # 获取版本信息 version = getattr(module, '__version__', 'unknown') print(f"✅ {lib_name.ljust(30)} 版本: {version}") # 执行库特定功能测试 if lib_name == "numpy": arr = module.array([1, 2, 3]) assert arr.sum() == 6, "NumPy 基础运算失败" elif lib_name == "opencv-python": img = module.zeros((100, 100, 3), dtype="uint8") assert img.shape == (100, 100, 3), "OpenCV 图像创建失败" elif lib_name == "PIL": from PIL import Image img = Image.new('RGB', (100, 100)) assert img.size == (100, 100), "Pillow 图像创建失败" elif lib_name == "tensorflow": constant = module.constant([[1.0, 2.0], [3.0, 4.0]]) assert constant.shape == (2, 2), "TensorFlow 张量创建失败" return True except Exception as e: print(f"❌ {lib_name.ljust(30)} 导入失败: {str(e)}") return False if __name__ == "__main__": print("="*50) print(f"Python 版本: {sys.version.split()[0]}") print("="*50) results = {} for lib_name, alias in LIBRARIES: results[lib_name] = test_library_import(lib_name, alias) print("="*50) success_rate = sum(results.values()) / len(results) * 100 print(f"✅ 验证完成: {sum(results.values())}/{len(results)} 个库安装成功 ({success_rate:.1f}%)") if not all(results.values()): print("\n⚠️ 未安装的库:") for lib, status in results.items(): if not status: print(f" - {lib}") print("\n安装命令: pip install " + " ".join([lib for lib, status in results.items() if not status])) ``` ### 使用说明 1. **运行脚本**： ```bash python verify_installations.py ``` 2. **预期输出示例**： ``` ================================================== Python 版本: 3.11.5 ================================================== ✅ numpy 版本: 1.26.4 ✅ scipy 版本: 1.11.4 ✅ matplotlib 版本: 3.8.2 ✅ seaborn 版本: 0.13.0 ✅ tensorflow 版本: 2.15.0 ✅ tensorflow_model_optimization 版本: 0.7.5 ✅ sklearn 版本: 1.3.2 ✅ pandas 版本: 2.1.4 ✅ cv2 版本: 4.8.1 ✅ PIL 版本: 10.1.0 ================================================== ✅ 验证完成: 10/10 个库安装成功 (100.0%) ``` 3. **错误情况示例**： ``` ❌ tensorflow_model_optimization 导入失败: No module named 'tensorflow_model_optimization' ⚠️ 未安装的库: - tensorflow_model_optimization 安装命令: pip install tensorflow_model_optimization ``` ### 设计要点 1. **动态导入机制**： - 使用 `importlib.import_module()` 实现按需加载 - 避免未安装库导致整个脚本崩溃 2. **功能验证**： - NumPy：数组创建和基础运算 - OpenCV：图像矩阵创建 - Pillow：图像对象创建 - TensorFlow：张量操作 - 其他库进行版本检查 3. **错误处理**： - 捕获 `ImportError` 和功能异常 - 自动生成安装命令建议 - 显示详细错误信息辅助调试 4. **兼容性**： - 支持 Python 3.6+ 版本 - 处理不同库的版本属性差异 - 避免产生实际文件输出（如测试图像） > 提示：对于 TensorFlow 的 GPU 支持验证，可添加 `tf.config.list_physical_devices('GPU')` 检测[^1] ### 相关问题 1. 如何验证 TensorFlow 是否成功启用了 GPU 加速？ 2. 使用 OpenCV 和 Pillow 处理图像时有哪些性能差异？ 3. 如何创建包含特定版本要求的 Python 环境配置文件？ 4. 当库版本冲突时，有哪些解决方法？ 5. 如何在 Docker 容器中运行此验证脚本？ [^1]: TensorFlow 提供专用 API 检测 GPU 设备