当前位置: 首页 > news >正文

Keras深度学习高级(四)

本篇涉及的内容

  • 如何将模型的结构由层升级成图
  • 如何使用 Keras 的回调函数在训练过程中监控模型,并根据模型状态采取行动
  • 使用TensorBoard将模型可视化
  • 什么是批标准化、深度可分离卷积和残差连接
  • 为什么应该使用超参数优化和模型集成

第一部分 Keras的函数式API

一、从线性结构到图结构

Sequential只能生成一个输入一个输出的线性网络模型,复杂一些的就得使用函数式API

1.1 线性结构

在这里插入图片描述

  • 一般Sequential写法
from keras.models import Sequential
import numpy as npseq_model = Sequential()
seq_model.add(layers.Dense(32, activation='relu', input_shape=(64,)))
seq_model.add(layers.Dense(32, activation='relu'))
seq_model.add(layers.Dense(10, activation='softmax'))
# seq_model.summary()seq_model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
x_train = np.random.random((1000, 64))
y_train = np.random.random((1000, 10))
seq_model.fit(x_train, y_train, epochs=10, batch_size=128)
score = seq_model.evaluate(x_train, y_train)
  • 对应的函数式写法
from keras.models import Model
from keras import layers
from keras import Input
import numpy as npinput_tensor = Input(shape=(64,))
x = layers.Dense(32, activation='relu')(input_tensor)
x = layers.Dense(32, activation='relu')(x)
output_tensor = layers.Dense(10, activation='softmax')(x)
model = Model(input_tensor, output_tensor)
# model.summary()model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
x_train = np.random.random((1000, 64))
y_train = np.random.random((1000, 10))
model.fit(x_train, y_train, epochs=10, batch_size=128)
score = model.evaluate(x_train, y_train)

layers.Dense(32, activation=‘relu’) 定义了一个层,也定义了一个函数,后面接的(x)就是函数的输入参数

1.2 多输入结构

有些任务需要多模态(multimodal)输入,合并来自不同输入源的数据,并使用不同类型的神经层处理不同类型的数据
在这里插入图片描述
一个问答系统的case
在这里插入图片描述

from keras.models import Model
from keras import layers
from keras import Inputtext_vocabulary_size = 10000
question_vocabulary_size = 10000
answer_vocabulary_size = 500text_input = Input(shape=(None,), dtype='int32', name='text')
embedded_text = layers.Embedding(text_vocabulary_size, 64)(text_input)
encoded_text = layers.LSTM(32)(embedded_text)question_input = Input(shape=(None,), dtype='int32', name='question')
embedded_question = layers.Embedding(question_vocabulary_size, 32)(question_input)
encoded_question = layers.LSTM(16)(embedded_question)concatenated = layers.concatenate([encoded_text, encoded_question],axis=-1)
answer = layers.Dense(answer_vocabulary_size, activation='softmax')(concatenated) model = Model([text_input, question_input], answer)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc'])import numpy as np
num_samples = 1000
max_length = 100
text = np.random.randint(1, text_vocabulary_size, size=(num_samples, max_length))
question = np.random.randint(1, question_vocabulary_size, size=(num_samples, max_length))
answers = np.random.randint(answer_vocabulary_size, size=(num_samples))
answers = keras.utils.to_categorical(answers, answer_vocabulary_size)# 方法一
model.fit([text, question], answers, epochs=10, batch_size=128)
# 方法二,对应输入名字的字典形式
model.fit({'text': text, 'question': question}, answers, epochs=10, batch_size=128)

1.3 多输出模型

在这里插入图片描述
输入某个匿名人士的一系列社交媒体发帖,然后尝试预测那个人的属性,比如年龄、性别和收入水平
在这里插入图片描述
重要的是,训练这种模型需要能够对网络的各个头指定不同的损失函数

例如,年龄预测是标量回归任务,而性别预测是二分类任务,二者需要不同的训练过程

在 Keras 中,你可以在编译时使用损失组成的列表或字典来为不同输出指定不同损失,然后将得到的损失值相加得到一个全局损失,并在训练过程中将这个损失最小化。

严重不平衡的损失贡献会导致模型表示针对单个损失值最大的任务优先进行优化,而不考虑其他任务的优化,为了解决这个问题,我们可以为每个损失值增加权重系数。

比如,用于年龄回归任务的均方误差(MSE)损失值通常在 3~5 左右,而用于性别分类任务的交叉熵损失值可能低至 0.1。在这种情况下,为了平衡不同损失的贡献,我们可以让交叉熵损失的权重取 10,而 MSE 损失的权重取 0.5。

from keras import layers,Input
from keras.models import Modelvocabulary_size = 50000
num_income_groups = 10posts_input = Input(shape=(None,), dtype='int32', name='posts')
embedded_posts = layers.Embedding(256, vocabulary_size)(posts_input)
x = layers.Conv1D(128, 5, activation='relu')(embedded_posts)
x = layers.MaxPooling1D(5)(x)
x = layers.Conv1D(256, 5, activation='relu')(x)
x = layers.Conv1D(256, 5, activation='relu')(x)
x = layers.MaxPooling1D(5)(x)
x = layers.Conv1D(256, 5, activation='relu')(x)
x = layers.Conv1D(256, 5, activation='relu')(x)
x = layers.GlobalMaxPooling1D()(x)
x = layers.Dense(128, activation='relu')(x)age_prediction = layers.Dense(1, name='age')(x)
income_prediction = layers.Dense(num_income_groups, activation='softmax', name='income')(x)
gender_prediction = layers.Dense(1, activation='sigmoid', name='gender')(x)
model = Model(posts_input, [age_prediction, income_prediction, gender_prediction])# 编译,方法一,数组格式
model.compile(optimizer='rmsprop', loss=['mse', 'categorical_crossentropy', 'binary_crossentropy'])
# 方法二,如果有名字的话可以用字典的方式
model.compile(optimizer='rmsprop', loss={'age': 'mse', 'income': 'categorical_crossentropy', 'gender': 'binary_crossentropy'})
# 方法三,增加权重
model.compile(optimizer='rmsprop',loss=['mse', 'categorical_crossentropy', 'binary_crossentropy'],loss_weights=[0.25, 1., 10.])
# 方法四,增加权重
model.compile(optimizer='rmsprop',loss={'age': 'mse','income': 'categorical_crossentropy','gender': 'binary_crossentropy'},loss_weights={'age': 0.25,'income': 1.,'gender': 10.})# 训练,方法一,
model.fit(posts, [age_targets, income_targets, gender_targets],epochs=10, batch_size=64)
# 方法二
model.fit(posts, {'age': age_targets,'income': income_targets,'gender': gender_targets},epochs=10, batch_size=64)

1.4 网络拓扑结构

Keras 中的神经网络可以是层组成的任意有向无环图(directed acyclic graph)

常见的神经网络组件 —— Inception 模块和残差连接

  • Inception 模块

    输入被多个并行的卷积分支所处理,然后将这些分支的输出合并为单个张量,首先是一个 1×1 的卷积,然后是一个 3×3 的卷积,最后将所得到的特征连接在一起。这种设置有助于网络分别学习空间特征和逐通道的特征,这比联合学习这两种特征更加有效。
    在这里插入图片描述

from keras import layersbranch_a = layers.Conv2D(128, 1, activation='relu', strides=2)(x)branch_b = layers.Conv2D(128, 1, activation='relu')(x)
branch_b = layers.Conv2D(128, 3, activation='relu', strides=2)(branch_b)branch_c = layers.AveragePooling2D(3, strides=2)(x)
branch_c = layers.Conv2D(128, 3, activation='relu')(branch_c)branch_d = layers.Conv2D(128, 1, activation='relu')(x)
branch_d = layers.Conv2D(128, 3, activation='relu')(branch_d)
branch_d = layers.Conv2D(128, 3, activation='relu', strides=2)(branch_d)output = layers.concatenate([branch_a, branch_b, branch_c, branch_d], axis=-1)

完整的Inception V3架构内置于keras.applications.inception_v3.InceptionV3,其中包含了在 ImageNet 数据集上预训练得到的权重。
这种 1×1 卷积[也叫作逐点卷积(pointwise convolution)]是 Inception 模块的特色,它有助于区分开通道特征学习和空间特征学习。如果你假设每个通道在跨越空间时是高度自相关的,但不同的通道之间可能并不高度相关,那么这种做法是很合理的。

  • 残差网络
    在这里插入图片描述

残差连接是将前面的输出张量与后面的输出张量相加,从而将前面的表示重新注入下游数据流中,这有助于防止信息处理流程中的信息损失
残差连接解决了困扰所有大规模深度学习模型的两个共性问题:梯度消失表示瓶颈。残差连接让前面某层的输出直接作为后面某层的输入,从而在序列网络中有效地创造了一条捷径,减少了信息丢失。
如果特征图的尺寸相同,使用恒等残差连接(identity residual connection)

from keras import layers
x = ... #一个四维输入张量
y = layers.Conv2D(128, 3, activation='relu', padding='same')(x)
y = layers.Conv2D(128, 3, activation='relu', padding='same')(y)
y = layers.Conv2D(128, 3, activation='relu', padding='same')(y)
y = layers.add([y, x])

如果特征图的尺寸不同,使用线性残差连接(linear residual connection)

from keras import layers
x = ... #一个四维输入张量
y = layers.Conv2D(128, 3, activation='relu', padding='same')(x)
y = layers.Conv2D(128, 3, activation='relu', padding='same')(y)y = layers.MaxPooling2D(2, strides=2)(y)
residual = layers.Conv2D(128, 1, strides=2, padding='same')(x)
y = layers.add([y, residual])

1.5 共享层权重

多次重复使用一个层实例,可以重复使用该层相同的权重。
举个例子,
假设一个模型想要评估两个句子之间的语义相似度,两个输入句子是可以互换的,因为语义相似度是一种对称关系。因此,学习两个单独的模型来分别处理两个输入句子是没有道理的,相反,你需要用一个 LSTM 层来处理两个句子。
这个 LSTM 层的表示(即它的权重)是同时基于两个输入来学习的。我们将其称为连体 LSTM(Siamese LSTM)或共享LSTM(shared LSTM)模型

from keras import layers
from keras import Input
from keras.models import Model# 学习一个LSTM模型来处理left和right的输入
lstm = layers.LSTM(32)left_input = Input(shape=(None, 128))
left_output = lstm(left_input)
right_input = Input(shape=(None, 128))
right_output = lstm(right_input)
merged = layers.concatenate([left_output, right_output], axis=-1predictions = layers.Dense(1, activation='sigmoid')(merged)
model = Model([left_input, right_input], predictions)
model.fit([left_data, right_data], targets)

1.6 将模型作为层

可以像使用层一样使用模型,输入-输出,层和模型都是一样的

在调用模型实例时,就是在重复使用模型的权重,正如在调用层实例时,就是在重复使用层的权重。

举个例子,
一个使用双摄像头作为输入的视觉模型,两个平行的摄像头,相距几厘米,这样的模型可以感知深度,在很多应用中都很有用。
你不需要两个单独的模型从左右两个摄像头中分别提取视觉特征,然后再将二者合并。这样的底层处理可以在两个输入之间共享,即通过共享层(使用相同的权重,从而共享相同的表示)来实现。

在 Keras 中实现连体视觉模型(共享卷积基)的代码如下所示。

from keras import layers
from keras import applications
from keras import Input# xception网络的卷积基
xception_base = applications.Xception(weights=None, include_top=False)left_input = Input(shape=(250, 250, 3))
right_input = Input(shape=(250, 250, 3))
left_features = xception_base(left_input)
right_input = xception_base(right_input)
merged_features = layers.concatenate([left_features, right_input], axis=-1)

二、Keras 回调函数

回调函数(callback)是在调用 fit 时传入模型的一个对象,它在训练过程中的不同时间点都会被模型调用。它可以访问关于模型状态与性能的所有可用数据,还可以采取行动 —— 中断训练、保存模型、加载一组不同的权重或改变模型的状态

回调函数常用功能:

  • 模型检查点(model checkpointing)

    在训练过程中的不同时间点保存模型的当前权重

  • 提前终止(early stopping)

    如果验证损失不再改善,则中断训练(当然,同时保存在训练过程中得到的最佳模型)

  • 在训练过程中动态调节某些参数值

    比如优化器的学习率

  • 在训练过程中记录训练指标和验证指标,或将模型学到的表示可视化

keras.callbacks 模块常用的类

keras.callbacks.ModelCheckpoint
keras.callbacks.EarlyStopping
keras.callbacks.LearningRateScheduler
keras.callbacks.ReduceLROnPlateau
keras.callbacks.CSVLogger
  • CASE1 ModelCheckpoint ➕ EarlyStopping 实现 early stop
import keras
callbacks_list = [keras.callbacks.EarlyStopping(monitor='acc',patience=1, # 如果下一轮没有更高的acc则stop),keras.callbacks.ModelCheckpoint(filepath='my_model.h5',monitor='val_loss',save_best_only=True,#如果loss不是更低则不更新模型文件)
]model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])model.fit(x, y,epochs=10,batch_size=32,callbacks=callbacks_list,validation_data=(x_val, y_val)
)
  • CASE2 ReduceLROnPlateau 实现动态调节学习率
callbacks_list = [keras.callbacks.ReduceLROnPlateau(monitor='val_loss'factor=0.1, # 触发时将学习率除以10patience=10, # 如果验证损失在10轮内没有改善,则触发回调函数)
]
model.fit(x, y,epochs=10,batch_size=32,callbacks=callbacks_list,validation_data=(x_val, y_val)
) 
  • CASE3 自定义回调函数
继承父类 keras.callbacks.Callback
可以重写的函数:
on_epoch_begin #在每轮开始时被调用  
on_epoch_end  
on_batch_begin #在处理每个批量之前被调用  
on_batch_end  
on_train_begin #在训练开始时被调用  
on_train_end   

如,在每轮结束后将模型每层的验证预测保存到硬盘

import keras
import numpy as np
class ActivationLogger(keras.callbacks.Callback):def set_model(self, model):self.model = modellayer_outputs = [layer.output for layer in model.layers]self.activations_model = keras.models.Model(model.input, layer_outputs)def on_epoch_end(self, epoch, logs=None):if self.validation_data is None:raise RuntimeError('Requires validation_data.')# 获取验证数据的第一个输入样本validation_sample = self.validation_data[0][0:1]activations = self.activations_model.predict(validation_sample)f = open('activations_at_epoch_' + str(epoch) + '.npz', 'w')np.savez(f, activations)f.close()

第二部分 模型可视化

一、TensorBoard

在这里插入图片描述
TensorBoard,是一个内置于 TensorFlow 的基于浏览器的可视化工具,用于检查并监控深度学习模型

基本特点

  • 在训练过程中以可视化的方式监控指标
  • 将模型架构可视化
  • 将激活和梯度的直方图可视化
  • 以三维的形式研究嵌入

Step 1. 创建模型,添加回调函数保存运行日志

import keras
from keras import layers
from keras.datasets import imdb
from keras.preprocessing import sequencemax_features = 2000
max_len = 500(x_train, y_train), (x_test, y_test) =imdb.load_data(num_words=max_features)
x_train = sequence.pad_sequences(x_train, maxlen=max_len)
x_test = sequence.pad_sequences(x_test, maxlen=max_len)
model = keras.models.Sequential()
model.add(layers.Embedding(max_features, 128,input_length=max_len, name='embed'))
model.add(layers.Conv1D(32, 7, activation='relu'))
model.add(layers.MaxPooling1D(5))
model.add(layers.Conv1D(32, 7, activation='relu'))
model.add(layers.GlobalMaxPooling1D())
model.add(layers.Dense(1))
#model.summary()
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])
# 使用回调函数来接受模型训练日志生成监控图形
callbacks = [keras.callbacks.TensorBoard(log_dir='my_log_dir',histogram_freq=1, # 每一轮之后记录激活直方图embeddings_freq=1, # 每一轮之后记录嵌入数据)
]
history = model.fit(x_train, y_train,epochs=20,batch_size=128,validation_split=0.2,callbacks=callbacks)

Step 2. 创建日志目录,启动Tensorborad服务,访问http://localhost:6006

$ mkdir my_log_dir
$ tensorboard --logdir=my_log_dir

在这里插入图片描述

  • HISTOGRAMS(直方图)
  • EMBEDDINGS(嵌入), 可以用主成分分析(PCA)、t-分布、随机近邻嵌入(t-SNE)降维展示
  • GRAPHS(图),底层 TensorFlow 运算图的交互式可视化

二、plot_model函数

直接将模型保存为一个图片

from keras.utils import plot_model
plot_model(model, show_shapes=True, to_file='model.png')

在这里插入图片描述

第三部分 让模型性能发挥到极致

一、高级架构模式

1.1 批标准化 BatchNormalization

批标准化(batch normalization)是 Ioffe 和 Szegedy 在 2015 年提出的一种层的类型,即使在训练过程中均值和方差随时间发生变化,它也可以适应性地将数据标准化。

工作原理是,训练过程中在内部保存已读取每批数据均值方差指数移动平均值,动态的将每一层的输入数据标准化

主要效果是,有助于梯度传播,允许更深的网络。BatchNormalization 广泛用于Keras内置的许多高级卷积神经网络架构,比如 ResNet50、Inception V3 和 Xception

# BatchNormalization 层通常在卷积层或密集连接层之后使用
# 卷积层后
conv_model.add(layers.Conv2D(32, 3, activation='relu'))
conv_model.add(layers.BatchNormalization())
# 全连接层后
dense_model.add(layers.Dense(32, activation='relu'))
dense_model.add(layers.BatchNormalization())

1.2 深度可分离卷积 SeparableConv2D

Conv2D的优化版,可以将空间特征学习和通道特征学习分开,需要的参数要少很多,计算量也更小,是一种执行卷积更高效的方法,可以得到性能更好的模型
在这里插入图片描述
尤其如果只用有限的数据从头开始训练小型模型,这些优点就变得更重要

from keras.models import Sequential, Model
from keras import layers
height = 64
width = 64
channels = 3
num_classes = 10
model = Sequential()
model.add(layers.SeparableConv2D(32, 3,activation='relu',input_shape=(height, width, channels,)))
model.add(layers.SeparableConv2D(64, 3, activation='relu'))
model.add(layers.MaxPooling2D(2))
model.add(layers.SeparableConv2D(64, 3, activation='relu'))
model.add(layers.SeparableConv2D(128, 3, activation='relu'))
model.add(layers.MaxPooling2D(2))
model.add(layers.SeparableConv2D(64, 3, activation='relu'))
model.add(layers.SeparableConv2D(128, 3, activation='relu'))
model.add(layers.GlobalAveragePooling2D())
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(num_classes, activation='softmax'))
model.compile(optimizer='rmsprop', loss='categorical_crossentropy')

二、超参数优化

超参(hyperparameter)有很多很多,常见的比如,每层应该包含多少个单元或过滤器、激活应该使用relu还是其他函数、在某一层之后是否应该使用BatchNormalization、应该使用多大的dropout比率…

超参数优化的过程通常是

  • (1) 选择一组超参数(自动选择)
  • (2) 构建相应的模型
  • (3) 将模型在训练数据上拟合,并衡量其在验证数据上的最终性能
  • (4) 选择要尝试的下一组超参数(自动选择)
  • (5) 重复上述过程
  • (6) 最后,衡量模型在测试数据上的性能

Hyperopt,是一个用于超参数优化的 Python 库,其内部使用 Parzen 估计器的树来预测哪组超参数可能会得到好的结果;
Hyperas,将 Hyperopt 与 Keras 模型集成在一起。

三、模型集成 Model Ensembling

集成依赖于这样的假设,对于独立训练的不同良好模型,它们表现良好可能是因为不同的原因,每个模型都从略有不同的角度观察数据来做出预测,得到了“真相”的一部分,但不是全部真相,因此,集成的模型应该尽可能好,同时尽可能不同。

# 直接取平均值
preds_a = model_a.predict(x_val) 
preds_b = model_b.predict(x_val) 
preds_c = model_c.predict(x_val) 
preds_d = model_d.predict(x_val)
# 使用 4 个不同的模型来 计算初始预测
# 这个新的预测数组应该 比任何一个初始预测都 更加准确
final_preds = 0.25 * (preds_a + preds_b + preds_c + preds_d# 加权平均
preds_a = model_a.predict(x_val) 
preds_b = model_b.predict(x_val) 
preds_c = model_c.predict(x_val) 
preds_d = model_d.predict(x_val)
# 假设 (0.5, 0.25, 0.1, 0.15) 这些权重是根据经验学到的
final_preds = 0.5 * preds_a + 0.25 * preds_b + 0.1 * preds_c + 0.15 * preds_d

在实践中可以多尝试将基于树的方法(比如随机森林或梯度提升树)和深度神经网络进行集成

参考文章&图书

《Python深度学习》

系列文章

Keras深度学习入门(一)
Keras计算机视觉(二)
Keras文本和序列(三)
Keras深度学习高级(四)
Keras生成式学习(五)

@ 学必求其心得,业必贵其专精

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.exyb.cn/news/show-3837758.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

openEuler iso x86_64 定制分析笔记

22.03 aarch64 ### BEGIN /etc/grub.d/10_linux ### menuentry Install openEuler 22.03-LTS --class red --class gnu-linux --class gnu --class os { linux /images/pxeboot/vmlinuz inst.stage2hd:LABELopenEuler-22.03-LTS-aarch64 ro inst.geoloc0 consoletty0 smm...

第一章 动态规划 状态压缩DP

1、基本概述 状态压缩dp和状态机一样,都是一种特殊的状态表示方式。状态机用一系列小状态表示某一状态。状态压缩dp用二进制数进行表示。虽然看代码起来时间复杂度比较高,但是很多的情况都给剪枝掉了。 状态压缩的题目主要分成两种 棋盘式(…...

JS原生DOM基本操作(上)

一.获取元素 1.根据id名称获取元素 语法&#xff1a;document.getElementById(‘id名称’) 作用&#xff1a;获取文档流中id对应的一个元素 返回值&#xff1a; 如果有id对应的元素&#xff0c;就是这个元素如果没有id对应的元素&#xff0c;就是null <div>一号</div…...

java计算机毕业设计郑工校园二手交易平台网站源程序+mysql+系统+lw文档+远程调试

java计算机毕业设计郑工校园二手交易平台网站源程序mysql系统lw文档远程调试 java计算机毕业设计郑工校园二手交易平台网站源程序mysql系统lw文档远程调试本源码技术栈&#xff1a; 项目架构&#xff1a;B/S架构 开发语言&#xff1a;Java语言 开发软件&#xff1a;idea ecl…...

Oracle SQL执行计划操作(2)——索引相关操作

2. 索引相关操作 该类操作与SQL语句执行计划中通过索引访问表中数据的路径和方式相关,主要包括索引访问类相关操作。根据不同的具体SQL语句及其他相关因素,以下各操作可能会出现于相关SQL语句的执行计划。 1)INDEX UNIQUE SCAN 进行一个索引唯一扫描。顾名思义,唯一索引…...

使用策略+工厂模式彻底干掉代码中的if else

对于业务开发来说&#xff0c;业务逻辑的复杂是必然的&#xff0c;随着业务发展&#xff0c;需求只会越来越复杂&#xff0c;为了考虑到各种各样的情况&#xff0c;代码中不可避免的会出现很多if-else。 一旦代码中if-else过多&#xff0c;就会大大的影响其可读性和可维护性。…...

HTML5期末大作业:基于html+css+javascript+jquery实现藏族文化15页【学生网页设计作业源码】

&#x1f389;精彩专栏推荐 &#x1f4ad;文末获取联系 ✍️ 作者简介: 一个热爱把逻辑思维转变为代码的技术博主 &#x1f482; 作者主页: 【主页——&#x1f680;获取更多优质源码】 &#x1f393; web前端期末大作业&#xff1a; 【&#x1f4da;毕设项目精品实战案例 (10…...

SQLServer 常用函数汇总

SYSDATETIME() 系统时间GETDATE() 当前时间CHARINDEX ( expressionToFind , expressionToSearch [ , start_location ] ) --可用来当做Contains函数expressionToFind &#xff1a;目标字符串&#xff0c;就是想要找到的字符串&#xff0c;最大长度为8000 。 expressionToSearc…...

Java游戏中的矩形碰撞检测

通常由x和y坐标以及长度和宽度来确定一个矩形&#xff0c;因此又可以利用这四个参数来确定是否发生了碰撞。 相交的情况下一定会发生碰撞&#xff0c;如下图&#xff1a; 还有一类特殊的相交情况&#xff0c;就是重叠&#xff0c;如下图&#xff1a; 所以开发的碰撞检测类如下&…...

阿里分布式事务seata

(一) seata 介绍 Seata 是一款阿里开源的分布式事务解决方案&#xff0c;致力于提供高性能和简单易用的分布式事务服务。Seata 将为用户提供了 AT、TCC、SAGA 和 XA 事务模式&#xff0c;为用户打造一站式的分布式解决方案这里演示学习使用SpringCloud/SpringBoot集成配置了Sea…...

使用Mybatis或Mybatis-plus查询返回值中,只有主键值为null,其余正常

使用Mybatis或Mybatis-plus查询返回值中,只有主键值为null,其余正常原因应该就是表中主键名称格式不对,(如我设置的n_id, s_id)所以,我们有三个选择 无脑,给你的主键改一个不带id的名字(如我把s_id改成了sno)很想保留id这个, 那就采用驼峰命名法,如s_id->sId不改变原表, 告…...

笨办法学Python第二十五天:更多练习

你离这本书第一部分的结尾已经不远了&#xff0c;你应该已经具备了足够的 Python 基础知识&#xff0c;可以继续学习一 些编程的原理了&#xff0c;但你应该做更多的练习。这个练习的内容比较长&#xff0c;它的目的是锻炼你的毅力&#xff0c;编辑以下内容&#xff1a; print…...

YMTC X3 NAND 232L 终露真容,全球领先|国产芯之光

上一篇文章&#xff08;芯片级解密YMTC NAND Xtacking 3.0技术&#xff09;&#xff0c;我们结合TechInsights获取芯片级信息梳理了国产NAND芯片厂商YMTC的技术演进之路&#xff0c;从2016公司成立&#xff0c;2018年发布Xtacking 1.0 NAND架构&#xff0c;2019年发布Xtacking …...

HBase Shell启动缓慢及操作耗时长的原因分析与解决

1.现象 在内网搭了一个 hbase-2.2.6&#xff08;hadoop-2.7.3&#xff09;的环境&#xff0c;使用的是其内置的 zookeeper-3.4.10&#xff0c;16010端口对应的 web界面可以正常访问&#xff0c;且各项功能正常。 在使用 hbase shell的过程中&#xff0c;首先是 hbase shell启…...

2021.06青少年软件编程(Python)等级考试试卷(三级)

2021.06青少年软件编程(Python)等级考试试卷(三级) 一、单选题(共25题,每题2分,共50分) 1.关于open()函数的参数,下列描述正确的是?( D ) A. "w+" 以十六进制格式打开一个文件只用于写入 B. "r+"打开一个文件用于读写。文件指针将会放在文件…...

FromBottomToTop第十二周项目博客

FromBottomToTop第十二周项目博客 本周项目计划 设计整体架构&#xff0c;收集素材&#xff0c;制作出静态界面部分 项目进展 已完成游戏整体架构设计已完成游戏界面、背景音乐等素材的收集正在进行静态界面部分的制作游戏整体架构 框架类及核心类 Activity的实现类MainGameAct…...

模拟,枚举与递推

模拟 模拟指的是将题目描述转化为可执行的代码&#xff0c;其中我们会用到编程语言的基础内容&#xff0c;最常见的就是循环。 简单的题目&#xff0c;通常直接模拟就够了&#xff0c;比如 874. 模拟行走机器人 。 而如果是中等和困难的题目&#xff0c;除了使用模拟&#x…...

李宏毅《DLHLP》学习笔记6 - 语言模型

视频链接&#xff1a;https://www.youtube.com/watch?vdymfkWtVUdo&listPLJV_el3uVTsO07RpBYFsXg-bN5Lu0nhdG&index8&ab_channelHung-yiLee 课件链接&#xff1a;https://speech.ee.ntu.edu.tw/~tlkagk/courses/DLHLP20/ASR3.pdf 1. Language Model LM的作用是预…...

【Java8 新特性 3】Supplier简介,java视频直播技术架构

Supplier persionSupplier Person::new; Arrays.asList(“a”,“b”,“c”).forEach(e->System.out.println(e)); 在Java8中增加的接口Supplier&#xff0c;最适合用于表示工厂。带有Supplier的方法&#xff0c;通常应该限制输入工厂的类型参数使用有限制的通配符类型&am…...

2022考研 计算机美术设计专业专业要求与就业方向

计算机专业如今竞争日趋激烈&#xff0c;考题形式多样涵盖的内容较多&#xff0c;对于报考计算机专业同学来说复习是难点&#xff0c;2022考研计算机的考生们要提早开始着手准备了。 本文整理分享“2022考研计算机&#xff1a;计算机美术设计专业专业要求与就业方向”相关内容&…...

C#报错:Could not find any resources appropriate for the specified culture or the neutral culture

WinForm程序报错&#xff0c;提示&#xff1a; Could not find any resources appropriate for the specified culture or the neutral culture 代码&#xff1a; object obj ResourceManager.GetObject("btn_bg_down", resourceCulture); 资源文件都在的&#…...

iOS 视频边下边播

直接切入主题&#xff0c;要实现的功能是&#xff1a;1、ios视频音频边缓存边播放&#xff0c;缓存时可以在已下载的部分拖拽进度条。2、缓存到一半退出&#xff0c;再次播放同一地址的视频时&#xff0c;视频继续下载&#xff0c;并且缓存进度已经走到上一次下载的位置。3、无…...

Android开发:xml布局中字母大写的问题

刚才写demo的时候碰到一个问题 Room只有首字母大写。然后在视图中表现出来的是全字母大写 解决方法&#xff1a;加一行代码 android:textAllCaps"false"...

【5G NR】物理资源

文章目录前言1. 天线端口1.1 天线端口的定义1.2 准共址的定义2. 资源网格3. 资源单元4. 资源块4.1 资源块概述4.2 Point A4.3 公共资源块4.4 物理资源块4.5 虚拟资源块5. 部分带宽参考文献前言 NR物理资源包括天线端口&#xff08;Antenna Port&#xff09;、资源网格&#xf…...

ubuntu22.04.1 新装后的常用设置

背景 ubuntu安装后需要作一些设置&#xff0c;以便于使用。记录一下。 常用设置 1&#xff0c;设置sudo免密 执行&#xff1a; sudo visudo 将以下内容 %sudo ALL(ALL:ALL) ALL 修改为&#xff1a; %sudo ALL(ALL:ALL) NOPASSWD:ALL 2&#xff0c;添加用户 新增用…...

win10蓝屏:终止代码:CRITICAL_PROCESS_DIED

1.硬件驱动问题Win X打开设备管理器-扫描检测硬件改动看是否有硬件驱动问题&#xff08;黄色标识&#xff09;&#xff0c;有的话更新或卸载重装2.查看蓝屏原因使用软件&#xff1a;BlueScreenViewWinX - 时间查看器window日志-系统&#xff1a;红色错误标识为系统错误问题3.一…...

idea搭建maven程序:03-80端口子程序的代码部分(RestTempl)

目录 一、说明 1.1 80端口 1.2 RestTemplate 1.3 负载均衡(SOA) 二、80端口子程序的代码部分 2.1 新建 2.2 pom.xml 2.3 application.yml 2.4 程序入口 UsersMain80.class 2.5 entities包和实体类 2.6 config包和对应类 2.7 controller包和对应类 三、运行 一、说…...

[附源码]Python计算机毕业设计Django茂名特产销售商城网站

项目运行 环境配置&#xff1a; Pychram社区版 python3.7.7 Mysql5.7 HBuilderXlist pipNavicat11Djangonodejs。 项目技术&#xff1a; django python Vue 等等组成&#xff0c;B/S模式 pychram管理等等。 环境需要 1.运行环境&#xff1a;最好是python3.7.7&#xff0c;…...

jmeter压力测试(windows,linux)

1、启动jmeter&#xff0c;打开界面工具&#xff0c;添加一个线程组&#xff0c;添加驱动 2、添加一个JDBC Connection Configuration&#xff0c;连接池配置文件。右键线程组【添加】--【配置元件】- -【JDBC Connection Configuration】 2.1配置数据库信息 3、右键线程组【添…...

@EventPublisher + @Async 异步事件流详解

本文主要介绍Spring事件流和Async异步线程池处理&#xff0c;以及Async默认线程池可能会导致的问题及解决方法。 事件流 Spring可以使用以观察者模式实现的事件流操作&#xff0c;将业务逻辑解耦&#xff0c;达到职责分离的效果 Spring事件流的详解 发布事件&#xff1a; pu…...

html radio的onclick事件设置

<span οnclick"show()"><?php foreach($choice as $key>$value){ ?><label><input name"choice" type"radio" value"<?php echo $key?>"><?php echo $value; ?></label>   &l…...

写给Android开发的一封信,没有深度技术的苦

前言 最近有一位读者去面试Android开发&#xff0c;这位读者师出名门&#xff08;BAT中的一家公司&#xff09;&#xff0c;是有十年的软件开发经验的高级Android工程师&#xff0c;但却以没有技术深度的理由拒绝了他。 昨天早上&#xff0c;我在给他做模拟面试的时候也发现了…...

webpack与vue-cli的关系

目录 1、什么是Webpack 2、为什要使用WebPack 3、WebPack和Grunt以及Gulp相比有什么特性 4、什么是vue-cli 5、webpack与vue-cli的关系 &#x1f53d; 扩展&#xff1a;vue-cli2.x 与 vue-cli3.x创建vue脚手架项目结构对比 &#x1f4da; 参考资料 vue-cli是基于nodej…...

国产音频CODEC芯片 CL7016

立晶半导体&#xff0c;由Cubic Lattice Inc于2017年2月在北京设立。主要从事开发高品质消费类音频芯片:音频ADC,音频DAC,音频Codec,音频CLASS D等&#xff08;性能等同Cirrus Logic、 TI等公司同类产品&#xff09;。 公司前身是美国Cubic Lattice Inc。由10名分别来自Texas …...

从局部信息推测基恩士的Removing BackGround Information算法的实现。

最近从一个朋友那里看到了一些基恩士的资料,本来是想看下那个比较有特色的浓淡补正滤波器的(因为名字叫Shading Correction Filter,翻译过来的意思有点搞笑),不过确鬼使神差的利用现有的简单函数实现了一个简易高效的去除纹理背景的算法。 最近从一个朋友那里看到了一…...

工作一年的java程序员薪资,纯干货

1 JVM的内存区域布局 java代码的执行步骤有三点 java源码文件->编译器->字节码文件字节码文件->JVM->机器码机器码->系统CPU执行 JVM执行的字节码需要用类加载来载入&#xff1b;字节码文件可以来自本地文件&#xff0c;可以在网络上获取&#xff0c;也可以实时…...

电力系统的延时潮流 (CPF)的计算【 IEEE-14节点】(Matlab代码实现)

&#x1f4a5;&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️❤️&#x1f4a5;&#x1f4a5;&#x1f4a5; &#x1f4dd;目前更新&#xff1a;&#x1f31f;&#x1f31f;&#x1f31f;电力系统相关知识&#xff0c;期刊论文&…...

arduino的pinMode()函数

pinMode() 1 说明 通过pinMode()函数&#xff0c;你可以将Arduino的引脚配置为以下三种模式&#xff1a; 输出(OUTPUT)模式输入(INPUT)模式输入上拉&#xff08;INPUT_PULLUP&#xff09;模式 &#xff08;仅支持Arduino 1.0.1以后版本&#xff09; 在输入上拉&#xff08;…...

new Data()、set Data()、get Data()方法

先看一个例子&#xff1a; 打印结果如下&#xff1a; 我们在newData()方法里设置一个日期&#xff0c;然后对该日期进行 -1&#xff0c;得到的并不是前一天2月28号&#xff0c;而是 0&#xff1b;如果在setData()里对日期设置进行 -1&#xff0c;可以得到28号。 1. new Data()…...

中国民生银行天眼日志平台架构演进的平凡之路

本文由 【AI前线】原创&#xff0c;原文链接&#xff1a;t.cn/RYgJ8hDAI 前线导读: “随着中国民生银行的 IT 业务系统的迅速发展&#xff0c;主机、设备、系统、应用软件数量不断增多&#xff0c;业务资源访问、操作量不断增加&#xff0c;对于应用整体系统智能分析与处理的要…...

北京一互联网公司被端,所有开发被全部带走!

△Hollis, 一个对Coding有着独特追求的人△这是Hollis的第 407 篇原创分享作者 l Hollis来源 l Hollis&#xff08;ID&#xff1a;hollischuang&#xff09;近日&#xff0c;北京市朝阳公安分局对外公开&#xff0c;按照公安部“净网”专项行动整体部署&#xff0c;朝阳警方深入…...

本地存储 sessionStorage / localStorage 使用及区别

本地存储 特性&#xff1a; 1.数据存储在用户浏览器中 2.设置、读取方便&#xff0c;甚至页面刷新不丢失数据 2.容量较大&#xff0c;sessionStorage 约5M&#xff0c;localStorage约20M 3.只能存储字符串&#xff0c;可以将对象JSON.stringify&#xff08;&#xff09;编码后存…...

Android使用其他应用打开文件

public class MapTable {/*** -- MIME 列表 --*/public static final String[][] MIME_MapTable {// --{后缀名&#xff0c; MIME类型} --{".3gp", "video/3gpp"},{".3gpp", "video/3gpp"},{".aac", "audio/x-mpeg&…...

k8s常用命令

k8s常用命令get 获取资源列表 [rootk8s-node1 mytestyaml]# kubectl get pod NAME READY STATUS RESTARTS AGE nginx-deployment-85ff79dd56-8f8s2 1/1 Running 0 30s nginx-deployment-85ff79dd56-nmhvr 1/1 R…...

Android开发——Jetpack Compose的使用

Android开发——Jetpack Compose的使用什么是Jetpack ComposeJetpack Compose带来的变化Jetpack Compose的两种运用方法将Jetpack Compose 添加到现有项目1.gradle 配置2.使用Kotlin-Gradle 插件3. 添加依赖项创建一个新的支持Jetpack Compose的项目1.创建一些简单应用定义可组…...

[附源码]计算机毕业设计springboot现代诗歌交流平台

项目运行 环境配置&#xff1a; Jdk1.8 Tomcat7.0 Mysql HBuilderX&#xff08;Webstorm也行&#xff09; Eclispe&#xff08;IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持&#xff09;。 项目技术&#xff1a; SSM mybatis Maven Vue 等等组成&#xff0c;B/S模式 M…...

软件测试之TCP、UPD协议详解

在网络层的中&#xff0c;使用ARP、IP、路由协议&#xff0c;实现了数据的转发&#xff0c;从而实现两个机器之间数据包的传输。但是当数据包特别大的时候&#xff0c;通过网络层的协议&#xff0c;没有办法保证数据的完整性。此时&#xff0c;就需要传输层的协议实现数据包的完…...

kali linux怎么装软件,linux安装软件的几种方式(kali平台)和一些实用的软件(持续更新)...

安装软件前我们先更改镜像源&#xff0c;编辑 /etc/apt/sources.list 文件, 在文件最前面添加以下条目&#xff1a;#中科大更新源deb https://mirrors.ustc.edu.cn/kali kali-rolling main non-free contribdeb-src https://mirrors.ustc.edu.cn/kali kali-rolling main non-fr…...

弘玑RPA | 广告优化师的智能小助手

作为一名广告优化师&#xff0c;日常工作就是时报、日报、周报、各种报表&#xff0c;各种分析&#xff0c;最怕的还是周末或者节假日正在外面玩&#xff0c;客户突然让发时报&#xff0c;因此不管去哪里都得带个电脑&#xff0c;非常不方便。有时候在想&#xff0c;做报表不过…...

想要精通算法和SQL的成长之路 - 最长序列问题

想要精通算法和SQL的成长之路 - 最长序列问题前言一. 最长递增子序列二. 最长连续递增子序列三. 最长重复子数组四. 最长公共子序列前言 想要精通算法和SQL的成长之路 - 系列导航 一. 最长递增子序列 原题链接 给你一个整数数组 nums &#xff0c;找到其中最长严格递增子序列…...

es module 和 commonjs 模块化实践

1、当export default 导出的值是基本数据类型时&#xff0c;其值是不能被改变的。 举个例子&#xff0c;我们新建文件&#xff1a; base.js let name Joker; export const fn (value) > {name value; } export default name;change.js import name, { fn } from ./base.j…...

ICC学习——LAB1

ICC学习——LAB1数据准备和基础流程 文章目录ICC学习——LAB1数据准备和基础流程Task1 创建Milkway库Task2 载入netlist&#xff0c;TLU&#xff0c;约束和控制Task3 基础流程&#xff1a;设计规划floorplanTask4 基础流程&#xff1a;布局placement学习目标&#xff1a; 1.完成…...

Kaggle Feedback Prize 3比赛总结:如何高效使用hidden states输出(1)

比赛链接&#xff1a;https://www.kaggle.com/competitions/feedback-prize-english-language-learning FeedBack 3 kaggle 主要使用了Transformer类的模型进行。对于如何使用高效transformer输出完成任务&#xff0c;本系列做了一些常见用法的总结。 hugging face中bert类的…...

信息技术(计算机基础知识精华版)

第1部分 计算机基础知识 计算机特点与应用范围计算机特点速度快 MIPS&#xff08;百万条指令/秒&#xff09; BIPS(十亿条指令/秒)MIPS:Million Instructions per second; BIPS: Billion Instructions per second存储容量大 精度高 在程序控制下自动完成具有逻…...

三翼鸟,用两年开启下一个十年

这段时间以来&#xff0c;我和亲朋好友的居家生活时间都增加了&#xff0c;以前一直存在但被忽视的不便体验&#xff0c;也开始凸显出来。比如在家就餐频次高了&#xff0c;厨房小白会为不会做饭而苦恼&#xff1b;智能设备的很多功能&#xff0c;依然需要手动操作……这些琐碎…...

MATLAB函数调用

数学建模matlab自定义函数时间2020年5月10日 学习Matlab自定义函数使用&#xff0c;并结合所学函数简单修改了一下上周的代码实现了Topsis法。 1.Matlab语句构成的程序文件称为M文件&#xff0c;以m作为文件的扩展名&#xff0c;分为函数文件和程序文件。 程序文件即脚本文件…...

香农-范诺编码(Shannon–Fano Coding)

香农-范诺编码香农-范诺编码简介算法示例香农-范诺编码 简介 香农-范诺编码&#xff08;Shannon–Fano Coding&#xff09;是一种基于一组符号集及其出现的或然率&#xff08;估量或测量所得&#xff09;&#xff0c;从而构建前缀码的技术。 一般过程&#xff1a;符号从最大可…...

Nginx配置之https

文章目录https配置openssl实现私有CA签发证书免费SSL证书申请教程(推荐)部署ssl证书实现httpshttps配置 生成私钥&#xff0c;生成证书签署请求并获得证书&#xff0c;然后在nginx.conf中配置 示例&#xff1a; server {listen 443 ssl;server_name www.idfsoft.com;…...

2021年11月28号布置的作业

CSP-J 章节 第64 66课 队列和栈&#xff0c;需要做后面的题 第68 70课 set map 只需要理解概念&#xff0c;并做笔记 加下面这道题 【拦截导弹2】 某国为了防御敌国的导弹袭击&#xff0c;发展出一种导弹拦截系统。但是这种导弹拦截系统有一个缺陷&#xff1…...

Windows下的性能调优工具

性能调优是通过定位软件性能瓶颈&#xff0c;在保证功能正常的前提下&#xff0c;使用相应的技术来优化软件性能&#xff0c;从而提高软件的性能。 本文主要探讨Visual Studio提供的Diagnostic Tools及Performance Profiler工具。 注1&#xff1a;限于笔者研究水平&#xff0…...

自定义错误页面 404.html

static/404.html <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><title>Title</title> </head> <body><div class"text" style"text-align: center">404,主人…...

web常见页面错误浅谈

转自&#xff1a;微点阅读 https://www.weidianyuedu.com 首先是412错误&#xff1a;打开当前调用的ajax方法&#xff0c;查看请求类型是post还是get&#xff0c;一般来说post的话改成get请求就可以解决。 //412错误 //也可以直接清除响应的头部缓存&#xff0c;还可以直接在…...

MAVEN中编译时出现 实际参数列表和形式参数列表长度不同

因为是用maven分开几个jar来存放service&#xff0c;controller还有dao之类的&#xff0c; 在添加了新的参数到service后&#xff0c; 需要重新maven install。...

解决:@Builder报错实际参数列表和形式参数列表不同

问题一&#xff1a; 实体类加入Builder注解后无参构造器不适用 解决&#xff1a;将定义的无参构造器上方加上 Tolerate 注解 问题二&#xff1a; 加入Builder注解&#xff0c;运行时提示实际参数列表和形式参数列表不同 解决&#xff1a;加入Lombok的 AllArgsConstructor 注…...

找到: 没有参数 原因: 实际参数列表和形式参数列表长度不同

Boot项目&#xff0c;运行时报错 定位到错误位置 解决方法 在User实体类中加上NoArgsConstructor注解,成功运行...

找不到接受实际参数的位置形式参数

1、检查路径是否包含空格特殊转义字符等&#xff0c;加上“”或者\转义 2、windows下powershell和cmd使用命令行有所不同 我使用powershell的copy命令提示 改用linux语法的cp就行了...

Windows CMD PowerShell ,Set-Location : 找不到接受实际参数“Hub\resources”的位置形式参数。

需求&#xff1a;破解Unity&#xff0c;启动没有LOGO 等我成了&#xff0c;再写一篇博客…… 报错截图 PS C:\Users\lzcam> cd D:\Unity\Unity Hub\resources Set-Location : 找不到接受实际参数“Hub\resources”的位置形式参数。 所在位置 行:1 字符: 1cd D:\Unity\Unity…...

java中形式参数和实际参数的理解

1.形式参数&#xff1a;就是调用的方法中需要输入的参数。 eg. public static void add(int x,int y){ int c; cxy; System.out.println©; } 这个为自己构建一个方法,其中参数x和y就是形式参数&#xff0c;切记这里的变量c&#xff0c;它是变量&#xff0c;不是参数&#…...

java 实际参数列表和形式参数列表长度不同

报错 PageVO类 终于找到错误了 PageVO类的构造方法已经指定了&#xff0c;有参的构造方法&#xff0c;所以PageVO类没有无参的构造方法&#xff0c;在PageVO<InstockVO> pageVO new PageVO();这行代码位置&#xff0c;我new了一个无参的构造方法&#xff0c;但是实际Pag…...

形式参数和实际参数是什么鬼?

我们常说实参和形参&#xff0c;到底什么是形参和实参呢&#xff1f; 举个例子&#xff1a; 例如&#xff0c;有如下一段C代码&#xff0c;有一个判断num1和num2两个数字哪个大的函数。 int max(int num1,int num2) {num1 > num2 ? num1 : num2; }int main() {int result_…...

形参(形式参数)和实参的特点

1、形参变量只有在被调用时才分配内存单元&#xff0c;在调用结束时&#xff0c;即刻释放所分配的内存单元。因此&#xff0c;形参只在函数内部有效。函数调用结束返回主调用函数后则不能再使用该形参变量。 2、实参可以是常量、变量、表达式、函数等&#xff0c;无论实参是何…...

编译报错:实际参数列表和形式参数列表长度不同 解决方法

项目中Service和dao层是分开俩个模块放的&#xff0c;在Service层中的方法本来俩个参数&#xff0c;增加到4个参数以后&#xff0c;在编译打包时候报错&#xff1a;实际参数列表和形式参数列表长度不同。 应该把Service层的项目maven install一下就可以&#xff0c;但是还是会…...

形式参数、实际参数

a&#xff0c;b是形式参数&#xff0c;1&#xff0c;2为实参...

java中形式参数改变,实际参数会发生变化吗

java中&#xff0c;基本数据类型传递的是值&#xff0c;引用数据类型传递的是地址 经典例题一个 class Demo {public static void main(String[] args) {int a 10;int b 20;System.out.println("a:"a",b:"b); //a:10,b:20change(a,b);System.out.print…...

Lombok报: @Builder 实际参数列表和形式参数列表长度不同

错误信息 E:\workspace\tvbox\pxwxm-model\pxwxm-tvbox-model\src\main\java\com\puxinwangxiao\mobile\model\tvbox\SysUserEntity.java:7 java: 无法将类 com.puxinwangxiao.mobile.model.tvbox.SysUserEntity中的构造器 SysUserEntity应用到给定类型;需要: 没有参数找到: j…...

函数的参数(实际参数和形式参数)

函数的参数 实际参数&#xff08;实参&#xff09;&#xff1a; 真实传给函数的参数&#xff0c;叫实参。实参可以是&#xff1a;常量、变量、表达式、函数等。无论实参是何种类型的量&#xff0c;在进行函数调用时&#xff0c;它们都必须有确定的值&#xff0c;以便把这些值传…...

Java学习笔记15. 形式参数与实际参数

Java中的方法可以分为&#xff1a;有参方法和无参方法。使用带参数的方法时&#xff0c;方法的参数可以是一个到多个。参数可以分为形式参数和实际参数。在实际调用方法的时候使用的参数就是实际参数&#xff0c;而在被调用时才临时分配内存的参数是形式参数。 可以这么理解&am…...

形式参数和实际参数的区别

形式参数&#xff1a;就是在定义函数或过程的时候命名的参数。通俗讲就是一个记号。2 实际参数&#xff1a;就是在执行时&#xff0c;调用函数或过程时&#xff0c;传递给函数或过程的参数。通俗讲就是实际值。3 参数嘛&#xff0c;就是一个可变量&#xff0c;它随着使用者的不…...

Java-类作为形式参数的问题

如果你看到一个方法需要的参数是一个类名&#xff0c;就应该知道这里实际需要的是一个具体的对象。 //形式参数是基本类型 class Demo {public int sum(int a,int b) {return a b;} } class StudentDemo {//如果你看到了一个方法的形式参数是一个类类型(引用类型)&#xff0c…...

C基础 函数的形式参数和实际参数

本人是刚开始学写博文&#xff0c;很多东西都是第一次接触嘛&#xff0c;哪里有写的不好的希望大家指出来&#xff0c;然后一起学习、一起进步&#xff0c;我也会坚持更新的&#xff01; 如何用函数实现模块化设计&#xff1f; 问题一&#xff1a;为什么要用函数呢&#xff1f…...

C语言形式参数传递的两种方式

C语言中实际参数&#xff08;实参&#xff09;与形式参数&#xff08;形参&#xff09;之间的传递方式有传值和传地址两种函数调用方式。 1.直接传值。 直接传值&#xff0c;在fun函数里面改变a,b的值&#xff0c;不会改变主函数里面a,b的值。 #include<stdio.h> void…...

C语言当中的实际参数及形式参数

首先我们来定义一个函数,使其可以交换两个整形变量的内容. #include <stdio.h> #include <stdlib.h> void Swap(int x, int y){int tmp;tmp x;x y;y tmp; } int main(){int num1 10;int num2 20;Swap(num1,num2);printf("num1 %d,num2 %d\n",num…...

java 实际参数列表_实际参数列表和形式参数列表长度不同

class ButtonDemo2 extends JFrame//输出结果窗口{public static final int WIDTH1000;public static final int HEIGHT680;public String rlt””;JFrame overGUI;ButtonDemo2(String jg2){overGUInew JFrame(“测试系统”);overGUI.setSize(WIDTH,HEIGHT);overGUI.setDefault…...

实际参数与形式参数

实际参数与形式参数实际参数形式参数Example值传递地址传递&#xff08;也称引用传递&#xff09;const引用传递Difference实际参数 实参是在调用时传递给函数的参数。实参可以是常量、变量、表达式、函数等&#xff0c;无论实参是何种类型的量&#xff0c;在进行函数调用时&a…...

java中的形式参数

先来看一道题: 5. 下列语句正确的是 A. 形式参数可被字段修饰符修饰 B. 形式参数不可以是对象 C. 形式参数为方法被调用时真正被传递的参数 D. 形式参数可被视为local variable 正确答案是:D A: 对于形式参数只能用final修饰符&#xff0c;其它任何修饰符都会引起编译器错误…...

java形式参数_java中形式参数与实际参数是什么

java中形式参数与实际参数是什么发布时间&#xff1a;2020-05-06 11:09:19来源&#xff1a;亿速云阅读&#xff1a;971作者&#xff1a;小新java中形式参数与实际参数是什么&#xff1f;相信有很多人都不太了解&#xff0c;今天小编为了让大家更加了解java中形式参数与实际参数…...

【C语言函数参数详解】——实际参数(实参)形式参数(形参)

文章目录一.什么是实际参数&#xff08;实参&#xff09;二.什么是形式参数&#xff08;形参&#xff09;三.形参与实参的关系这篇文章我们一起学习一下函数的参数&#xff0c;函数的参数分为实参和形参。 一.什么是实际参数&#xff08;实参&#xff09; 首先我们来学习实参&…...

什么是形式参数?什么是实际参数

1 形式参数&#xff1a;就是在定义函数或过程的时候命名的参数。通俗讲就是一个记号。2 实际参数&#xff1a;就是在执行时&#xff0c; 调用函数或过程时&#xff0c;传递给函数或过程的参数 。通俗讲就是实际值 。3 参数嘛 &#xff0c;就是一个可变量&#xff0c;它随着使用…...

深入理解函数的参数——实际参数(实参)和形式参数(形参)

目录 初步了解函数的参数 实际参数 形式参数 深入学习 初步了解函数的参数 函数是我们编写程序必定会用到的&#xff0c;但是我们真的有那么了解它吗&#xff1f;今天就让我们从形参和实参的角度深入学习函数。 接下来让我们上一个简单的代码&#xff0c;是判断是否为闰年…...

【laravel】使用trait超类管理公共代码

author&#xff1a;咔咔 wechat&#xff1a;fangkangfk 公众号&#xff1a;PHP初学者必看 文章地址&#xff1a;https://mp.weixin.qq.com/s/IeCO_DNd66E0bJnyMAM6KA 不管是laravle还是其他框架都会有一部分代码是公共代码&#xff0c;在我们之前会把公共的代码放置在基类或…...

获取类型及其父类、超类的字段属性

/*** 获取类型的所有字段属性&#xff0c;能够获取到类型的超类的字段属性* * param classOwner 类型* param containJavaClass 是否检索Java类型* param errcode [out]错误信息返回* return 类型及其超类的所有字段属性*/public static Field[] getFieldsConta…...

自主访问控制 强制访问控制_访问控制:第1部分

自主访问控制 强制访问控制什么是访问控制&#xff1f; (What is access control?) As the name suggests Access control restricts access to parts of the code from other source files and modules.顾名思义&#xff0c; 访问控制限制了对其他源文件和模块中部分代码的访…...

C++ | 继承(基类,父类,超类),(派生类,子类)

从接触面向对象开始&#xff0c;这几个概念就一直模模糊糊。于是觉得整理一下可能就清楚了&#xff08;做梦中。。。&#xff09; 文章参考&#xff1a;https://blog.csdn.net/war1111886/article/details/8609957 一 .继承中的访问权限关系 &#xff11;&#xff0e;基类&a…...

控制层继承java_java学习继承

2020-05-20 17:05:281.子类和超类存在is-a关系&#xff0c;子类is-a超类2.子类可以重用超类中已经编写的部分代码&#xff0c;并将超类中所有域都保留下来3.子类中的方法不能够直接访问超类的私有域&#xff0c;尽管每个子类对象都拥有名字和超类相同的域&#xff0c;但是在子类…...

Scala变量、数据类型与程序控制

章节目录Scala变量与数据类型Scala变量与常量Scala数据类型Scala程序控制条件控制条件语句返回值循环控制Scala变量与数据类型 Scala变量与常量 一、变量 赋值后可以改变&#xff0c;生命周期中可以被多次赋值 #语法&#xff1a;var 变量名称:类型xxx 注&#xff1a;一般无需…...

Java基础知识查漏补缺(Java核心技术)----类 超类和子类

Java基础知识查漏补缺&#xff08;Java核心技术&#xff09;----类 超类和子类知识点1 子类访问父类字段。知识点2 子类构造器知识点3 理解方法调用&#xff08;调用过程的详细描述&#xff09;知识点4 阻止继承final类和方法知识点5&#xff1a; 类之间的强制转换和instanceof…...

【TP5.1】超类解释

author&#xff1a;咔咔 wechat&#xff1a;fangkangfk 超类&#xff1a; 是PHP的一个特殊类 超类就是定义了一些通用的方法&#xff0c;在其他类中不需要继承就可以直接使用的超类的方法&#xff0c;而是通过use引入的类&#xff0c;相当于include这样理解 在框架中使用的这…...

Java访问控制修饰符与继承

部分内容参考于 Java - Access Modifiers Java的4种访问控制修饰符 Java使用访问控制修饰符&#xff08;Access Modifiers&#xff09;来保护对类、变量、方法和构造方法的访问。 共有的&#xff0c;以public 修饰符指定&#xff0c;对所有类可见。 受保护的&#xff0c;以 p…...

java继承之类、超类和子类

继承其实在生活中到处都是例子&#xff0c;比如哪个富豪去世了&#xff0c;然后他的子女继承了他的财产啊&#xff0c;或者是有人说你跟你爸或者你妈长得像等等&#xff0c;&#xff0c;都是继承&#xff0c;而在java中的继承&#xff0c;其实是为了减少代码的数量&#xff0c;…...

Java学习(继承)——类,超类,子类(二)

目录 理解方法调用 阻止继承&#xff1a;final类和方法 强制类型转换 抽象类 受保护访问 理解方法调用 假设要调用x.(args)&#xff0c;隐式参数为类C的一个对象。下面时调用过程的详细描述 编译器查看对象的声明类型和方法名 接下来编译器要确定方法调用中提供的参数类型…...

Java学习笔记-类的继承-类、超类和子类

超类雇员&#xff1a;Employee: import java.util.*; public class Employee{private String name;private double salary;public Employee(String n,double s){namen;salarys;}public String getName(){return name;}public double getSalary(){return salary;}public void …...

13.继承 -- 类、超类和子类【Java温故系列】

参考自–《Java核心技术卷1》 继承 -- 类、超类和子类1 定义子类、超类2 方法的覆盖3 子类构造器4 继承层次5 多态6 理解方法调用7 阻止继承&#xff1a;final 类和方法8 方法内联&#xff08;热点方法&#xff09;9 类对象的强制类型转换10 抽象类11 protected 受保护访问12 继…...

继承(基类,父类,超类),派生类,子类

一&#xff1a;继承中的访问权限关系。 &#xff11;&#xff0e;基类&#xff0c;父类&#xff0c;超类是指被继承的类&#xff0c;派生类&#xff0c;子类是指继承于基类的类&#xff0e; &#xff12;&#xff0e;在C中使用&#xff1a;冒号表示继承&#xff0c;如class A…...

【Java】继承(类、超类、子类)

文章目录1、父类与子类2、覆盖方法3、子类构造器4、this和super5、多态6、方法调用的过程7、阻止继承&#xff1a;final类和方法8、强制类型转换9、抽象类10、受保护访问11、四种访问控制符参考1、父类与子类 一个简单规则用于判断是否应该将数据设计为继承关系&#xff0c;即…...

java 类 覆盖,关于java:如何覆盖调用超类’超类方法的方法?

本问题已经有最佳答案&#xff0c;请猛点这里访问。我的一部分人认为这不可能(即使可能)&#xff0c;但我还是会问。鉴于以下类层次结构(Grandparent和Parent来自第三方&#xff0c;因此不在我的控制之下)&#xff0c;我如何在Child中重写myMethod()以便它绕过Parent中被重写的…...

Matlab中定义接口超类

定义接口超类 接口 类定义的属性和方法构成接口&#xff0c;该接口决定类用户如何与类的对象交互。创建一组相关类时&#xff0c;接口定义所有这些类的公共接口。接口的实际实现可能因类而异。 以一组设计用于表示各种图形类型的类为例。所有类都必须实现Data属性&#xff0c;…...

java异常的超类,java – 列出所有未报告的异常(包括声明异常的超类的异常)

请考虑以下情形public class A extends Throwable {}public class B extends A {}public class C{public void f() throws A, B{// Some conditionthrow new A();// Some conditionthrow new B();}void g(){f();}}使用上面的代码,编译器将警告不要捕获(或不声明为throws)C.java…...

iOS控制器瘦身-面向超类编程

今天写这篇文章的目的&#xff0c;是提供一种思路&#xff0c;来帮助大家解决控制器非常臃肿的问题&#xff0c;对控制器瘦身。 滴滴 老司机要开车了 如果手边有项目&#xff0c;不妨打开工程看一下你的控制器代码有多少行&#xff0c;是不是非常多&#xff1f;再看一下tableVi…...

java 超类object_java基础之 超类Object

一、概述&#xff1a;Object类是所有Java类的祖先。每个类都使用 Object 作为超类。所有对象(包括数组)都实现这个类的方法。在不明确给出超类的情况下&#xff0c;Java会自动把Object作为要定义类的超类。可以使用类型为Object的变量指向任意类型的对象。Object类是Java中唯一…...

java派生类属例子_相关类属和派生类属到底怎么区分?

最近好多童鞋在群里问到奥苏贝尔的类属学习&#xff0c;学了平行四边形再学菱形、学了杠杆再学滑轮&#xff0c;为什么是相关类属&#xff1f;这些题每年都有好多来问的&#xff0c;这次统一写出来&#xff0c;希望能帮到有迷惑的童鞋。奥苏贝尔的下位学习中&#xff0c;相关类…...

Java 派生类

Description 先定义一个圆类Circle&#xff0c;有double类型的半径属性&#xff0c;有带参数的构造函数和求面积的computeArea方法&#xff08;为保护型的&#xff0c;返回值为面积&#xff0c;圆周率取3.14&#xff09;&#xff1b; 然后定义一个从Circle派生的圆柱类Cylinder…...

C++ 继承性:派生类

C继承性&#xff1a;派生类 继承&#xff1a;继承是面向对象程序设计的一个重要机制&#xff0c;该机制自动地为一个类提供来自另一个类的操作和数据结构&#xff0c;这使程序员只需在新类中定义已有类中没有的成员来建立新类。即&#xff0c;它允许在既有类的基础上来创建新的…...

java派生类 构造函数_创建派生类对象时,构造函数的执行顺序是什么

创建派生类对象时&#xff0c;构造函数的执行顺序是&#xff1a;基类构造函数、派生类对象成员构造函数、派生类本身的构造函数。对象创建时&#xff0c;代码的加载顺序是&#xff1a;静态代码、非静态代码、构造方法。创建派生类对象时&#xff0c;构造函数的执行顺序是&#…...

基类与派生类之间的转换关系

一. 派生类到基类的转换&#xff1a; 1.可以使用派生类指针初始化基类指针&#xff0c;同样也可以使用派生类的引用或对象初始化基类的引用&#xff0c;注意这里提到的是对象的指针和引用而不是对象本身&#xff1b; &#xff08;但是&#xff0c;在使用基类指针(或引用)指向(…...

基类指针释放派生类对象方法

原因&#xff1a;基类对象的指针操作派生类对象时&#xff0c;防止析构函数只调用基类的&#xff0c;而不调用派生类的 下面详细说明&#xff1a; //基类class A{public :A(){ cout<<"A构造函数"<<endl; }~A(){cout<<"A被销毁了"<<…...

派生类和基类

OOP的主要目的之一是实现代码可重用。类继承从已有的类派生出新的类&#xff0c;而派生类继承了原有类&#xff08;基类&#xff09;的数据成员和方法。 派生类不能直接访问基类的私有成员&#xff0c;必须通过基类方法进行访问。 因此&#xff0c;派生类构造函数必须使用基类…...

java派生类属例子_【备考】带你认识相关类属vs派生类属!

原标题&#xff1a;【备考】带你认识相关类属vs派生类属&#xff01;关于下位学习中的相关类属和派生类属总有一些同学在做题过程中出现疑惑&#xff0c;做题也是错误率较高。究其原因就是同学们掌握二者概念的时候&#xff0c;很多人都是用例子来记住概念&#xff0c;而不是用…...

C++派生类向基类的类型转换

本篇主要参考《C Primer 第5版》&#xff0c;为什么派生类能向基类进行类型转换。 1. 派生类向基类的类型转换 C Primer P530 1.派生类对象中含有与其基类对应的组成部分&#xff0c;所以我们能把派生类的对象当成基类对象来使用&#xff0c;而且我们也能将基类的指针或引用…...

派生类的构造函数

派生类的构造函数 基类的构造函数和析构函数派生类是不能继承的。如果派生类需要对新成员初始化或者进行特定的清理工作&#xff0c;就需要自己定义构造函数和析构函数了。从基类继承的成员的初始化仍可通过基类的构造函数来完成。 我们使用派生类的对象以前需要对它的数据成…...

派生类和基类的转换

一.概述派生类和基类之间的转换有3中方式: a.默认的强转&#xff0c;如 A *pa(A*) p; b.dynamic_cast转换&#xff0c;A *padynamic_cast<A*>(p); c.static_cast转换&#xff0c;A *pastatic_cast<A*>(p); 还有一种强制转换为 reinterpret_cast&#xff0c;这种转换…...

再见阿里云,你好腾讯云

阿里云的那些坑 到今日为之&#xff0c;使用阿里云的时间刚好一年&#xff0c;用了几台服务器&#xff0c;应该说&#xff0c;阿里云还是不错的&#xff0c;但就是觉得累&#xff0c;用户体验太差&#xff0c;文档就更不用说了。 混乱的产品和解决方案 一直以来&#xff0c;…...

使用阿里云OSS实现文件上传

概述场景 文件上传&#xff0c;是程序开发中必须会使用到的一个功能&#xff0c;比如&#xff1a; 添加商品&#xff0c;用户头像&#xff0c;文章封面等需求富文本编辑&#xff08;插件文件上传&#xff09; 文件上传的原理是什么&#xff1f; 我们为什么要实现文件上传&a…...

【阿里云】 RDS MySQL入门学习笔记

打算把本地SQL Server内的数据都上传到云数据库中。本来是想申请一个RDS SQL Server&#xff0c;结果网上报价普遍比RDS MySQL贵&#xff0c;没办法选择了后者&#xff0c;虽然我没有使用过MySQL&#xff0c;当然前者也不是很熟。在阿里云和腾讯云之间选择了前者&#xff0c;原…...

阿里云ubuntu利用flask搭建网站问题记录

总目录&#xff1a;Linux操作整理 阿里云ubuntu利用flask搭建网站问题记录总思路Virtualenv安装和使用Virtualenv报错及解决方案最后一个运行的坑搭建成功# flask测试代码 from flask import Flaskapp Flask(__name__)app.route(/) def index():return hello sayasora!if __n…...

阿里云服务器怎么样?全方位评测

最近有好几个做网站的朋友跑来问我在用的阿里云主机服务器怎么样&#xff0c;说的多了&#xff0c;也就想专门写一篇文章来说说我这半年来的感受&#xff0c;供大家参考。 阿里云 我是大概去年一月份把我的网站迁移到了阿里云&#xff0c;差不多刚好半年的样子&#xff0c;虽然…...

阿里云开发板HaaS510解析JSON数据

摘要&#xff1a;JSON是JavaScript的原生数据格式&#xff0c;因此在 JavaScript 中处理 JSON数据不须要任何特殊的 API 或工具包。HaaS系列硬件内置了JavaScript引擎&#xff0c;按道理来说&#xff0c;解析JSON数据格式也应该是小菜一碟。 实验目的&#xff1a;通过haas510解…...

阿里云CentOS7 64位下安装Docker

文章目录1. 引言2. 安装步骤2.1 确定系统是CentOS7及以上版本2.2 yum安装gcc相关2.3 卸载旧版本2.4 安装需要的软件包2.5 设置stable镜像仓库2.6 更新yum软件包索引2.7 安装Docker CE2.8 启动Docker2.9 测试2.10 配置阿里云镜像加速2.11 卸载1. 引言 安装Docker的具体步骤&…...

阿里云是什么,与亚马逊的云服务相比较,处于什么位置?

阿里云ECS提供按需购买和包月购买两种。这里咱们讨论包月购买的情况。包月购买时&#xff0c;我们可以选择相应的配置&#xff1a;CPU、内存、硬盘、带宽。 价格分析 CPU&#xff0c;约48元1核 内存&#xff0c;18元512MB 硬盘最便宜&#xff0c;3毛钱1G 带宽&#xff0c;25块…...

mysql阿里云不显示中文乱码_阿里云Centos7的部署springboot后mysql中文问号乱码

在本地测试时候没有乱码, 但部署线上后在数据交互的时候乱码了如图:查看数据库分析:利用IDEA编写项目时&#xff0c;IDEA本身会将其转码为UTF-8&#xff0c;故本地写代码时不会乱码查看本地MySQL数据库字符集, utf8没什么问题, 并且在本地数据交互的时候没有乱码一旦部署到服务…...

阿里云ECS服务器基于Docker+WordPress搭建个人博客网站

详细介绍了阿里云ECS服务器基于DockerWordPress搭建个人博客网站的步骤&#xff01; 相比于其他复杂的方式&#xff0c;基于docker搭建wordpress个人博客显得非常的简单&#xff01;   在此之前&#xff0c;我们要有一台阿里云ECS服务器&#xff1a;第一次登陆阿里云ECS云服务…...

阿里云-搭建个人博客网站

欢迎回来&#xff0c;我是饕餮&#xff0c;或者叫我offer&#xff0c;当然也可以叫我的英文名字-gluttony&#xff01; hello&#xff0c;大家好&#xff01;我又回来了&#xff0c;刚刚搞定机器学习学习赛&#xff0c;我想做我之前一直想做的个人博客网站了&#xff0c;那么让…...

minikube 结合阿里云镜像搭建本地开发测试环境

作者&#xff1a;HaoKe 作者地址: http://github.com/KeHaohaoke 我的同事Daniel Hu写了一篇英文的博客&#xff0c;关于如何使用 minikube 搭建本地的 k8s 环境的。 我很喜欢这篇文章&#xff0c;链接在这里&#xff1a;minikube-k8s。 该文章和本文并不是一对一的翻译的。…...

基于java SSM校园兼职平台系统设计和实现

基于java SSM校园兼职平台系统设计和实现 博主介绍&#xff1a;5年java开发经验&#xff0c;专注Java开发、定制、远程、文档编写指导等,csdn特邀作者、专注于Java技术领域 作者主页 超级帅帅吴 Java毕设项目精品实战案例《500套》 欢迎点赞 收藏 ⭐留言 文末获取源码联系方式 …...

Spark——JDBC操作MySQL

文章目录JDBC操作MySQLJDBC读取数据方式JDBC读取MySQL数据JDBC操作MySQL 在实际的企业级开发环境中&#xff0c;如果数据规模特S别大&#xff0c;此时采用传统的SQL语句去处理的话一般需要分成很多批次处理&#xff0c;而且很容易造成数据库服务宕机&#xff0c;且实际的处理过…...

【GD32F427开发板试用】三、USB转CAN功能开发与试用总结

本篇文章来自极术社区与兆易创新组织的GD32F427开发板评测活动&#xff0c;更多开发板试用活动请关注极术社区网站。作者&#xff1a;chenjie 【GD32F427开发板试用】一、环境搭建与freertos移植 【GD32F427开发板试用】二、USB库移植与双USB CDC-ACM功能开发 【GD32F427开发板…...

ChatGPT API调用python和脚本实现

Chat GPT 由于其独特、近乎准确且类似人类的响应&#xff0c;如今在互联网上引起了过多的讨论。本文讨论如何通过 Python 代码连接到 Chat GPT API。 如果需要用website访问chatGPT&#xff0c; 请参考保姆级教程 火爆全球的网红OpenAI ChatGPT注册教程 文章目录第 1 步&#x…...

迪赛智慧数——折线图(平滑折线图):近10年国内旅游市场规模

效果图经过全面开放和“阳康”&#xff0c;旅游市场已经开始复苏。现在恰逢寒冬&#xff0c;海南等国内许多旅游胜地成为热门旅游目的地&#xff0c;泰国等国际旅游频频上热搜。2022年&#xff0c;随着我国国内疫情发展形势的好转&#xff0c;旅游产品市场经济呈现一个积极复苏…...

Hive(2):Apache Hive 安装部署

1 元数据相关名词 1.1 Metadata Metadata即元数据。元数据包含用Hive创建的database、table、表的位置、类型、属性&#xff0c;字段顺序类型等元信息。元数据存储在关系型数据库中。如hive内置的Derby、或者第三方如MySQL等。 1.2 Metastore Metastore即元数据服务。Metast…...

区块链究竟是怎么形成的?你明白了吗?

区块链到底是啥&#xff1f;首先&#xff0c;不要把区块链想的很复杂。其实&#xff0c;区块链很简单&#xff0c;它本质上就是一套数据库存储系统&#xff0c;该系统分布在全球各地&#xff0c;并且能够协同运转。不过&#xff0c;与其他数据库存储系统不一样的是&#xff0c;…...

说话人识别概述

又称为话者识别&#xff0c;通过对说话人语音信号的分析处理&#xff0c;自动确认是别人是否在所记录的话者集合中&#xff0c;以及进一步确认说话人是谁。 和语音识别技术很相似&#xff0c;都是在提取原始语音信号中某些特征参数的基础上&#xff0c;建立相应的参考模板或模型…...

紫边形成原因理解

有人解释紫边&#xff1a;https://blog.csdn.net/xrdsjb001/article/details/73130675 衍射抵马赛克&#xff0c;我不是完全同意。 广义上紫边不是一种&#xff0c;而是有好几种类型的&#xff0c;一种是这样的&#xff1a;&#xff08;这来源网络&#xff09; 还有一种是这样…...

深度了解js闭包形成及其原理

闭包 一说到这个问题&#xff0c;很多人第一印象就是函数里返回一个函数&#xff0c;就是闭包。闭包也是被大家广泛讨论的一个问题&#xff0c;但是很多人都是只知其然&#xff0c;不知其所以然。 那么闭包到底是什么&#xff1f;我们放到后面来回答。 作用域与作用域链 作用域…...

一个人的对世界的认识是怎么形成的

一、外界事物的存在形式。 外界是怎么样的&#xff0c;一个人有过怎样的经历 就会对这个世界有怎么样看法。我们大脑中的知识到底是什么&#xff1f;在我看来是对这个世界的认识。 我们看到这个世界样子&#xff0c;也就形成了自己对世界的认识。 尅这样说&#xff0c;是这个…...

OAK-D树莓派点云项目【附详细代码】

编辑&#xff1a;OAK中国 首发&#xff1a;oakchina.cn 喜欢的话&#xff0c;请多多&#x1f44d;⭐️✍ 前言 Hello&#xff0c;大家好&#xff0c;这里是OAK中国&#xff0c;我是助手君。 本文来自IBM工程师Richard Hopkins的教程&#xff0c;由OAK中国整理更新。 Part 1 低…...

论文翻译:Real-Time High-Resolution Background Matting

论文地址&#xff1a;https://arxiv.org/pdf/2012.07810.pdf 文中所有图片与表格统一移动至了文末 实时高分辨率背景抠图 摘要 我们介绍了一种实时的、高分辨率的背景替换技术。使用现代GPU&#xff0c;在4K分辨率下&#xff0c;该技术的可以以30fps运行&#xff1b;在HD分辨…...

FFplay文档解读-44-视频过滤器十九

29.180 uspp 应用超slow/simple的后处理过滤器&#xff0c;在多个&#xff08;或‘quality’level 8 - all的情况&#xff09;位移的情况下压缩和解压缩图像并平均结果。 这与spp行为的不同之处在于uspp实际上使用libavcodec Snow对每个案例进行编码和解码&#xff0c;而spp使…...

【进击的算法】动态规划——01背包

&#x1f37f;本文主题&#xff1a;动态规划 01背包 背包问题 C/C 算法 &#x1f388;更多算法&#xff1a;基础回溯算法 基础动态规划 &#x1f495;我的主页&#xff1a;蓝色学者的主页 文章目录一、前言二、概念✔️动态规划概念✔️01背包的概念三、问题描述与讲解&#x1…...

Pytorch 卷积核填充和步幅、多输入多输出通道、池化层

Pytorch 卷积层里的填充和步幅 0. 环境介绍 环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的 动手学深度学习 网站和 视频讲解 小技巧&#xff1a;当遇到函数看不懂的时候可以按 ShiftTab 查看函数详解。 1. 填充&#xff08;padding&#xff09;和步幅&#x…...

图像质量评估(7) -- 图像稳定性(Image Stabilization)

图像稳定性&#xff08;Image Stabilization&#xff09;指的是相机在捕获图像过程中&#xff0c;相机内的光学系统有多稳定。如果相机不稳定&#xff0c;那么图像看起来会模糊。造成图像模糊的原因有很多&#xff0c;例如弱光环境&#xff0c;使用了长焦距&#xff0c;以及手持…...

小户型也能装中央空调吗?

房价的不断上涨&#xff0c;让越来越多想要定居大城市的小年轻们将目光转向了小户型&#xff0c;虽然面积较小&#xff0c;但是打扫起来方便快捷&#xff0c;能帮助忙碌的打工人们节省不少时间成本&#xff0c;而且对注重生活质量的人来说&#xff0c;尽管小户型&#xff0c;只…...

思维还停留在只有开发者才能学习Python?你真的与现代社会脱节了

不做程序员学Python有什么用&#xff1f;用处当然是十分广泛的&#xff0c;如果你的思维还停留在只有编程开发者才能学习Python&#xff0c;那就真的与现代社会脱节了。编程更像是一种工具&#xff0c;一种技能&#xff0c;而不仅仅只是一个职业岗位。尤其是以其高效简洁&#…...

一个用互联网思维颠覆租房业的奇葩案例

用微创新的角度去看&#xff0c;租房绝对是一个国民性痛点。以至于不少很火的年轻题材都是以合租为背景&#xff0c;比如《爱情公寓》。很多年轻人都有过租房的痛苦经历&#xff0c;但目前很多产品都是解决了信息流&#xff0c;没有介入服务流。 最近看到一个奇葩案例&#xff…...

女研究生做“思维导图”与男友吵架!堪称吵架届的“内卷之王”....

来源&#xff1a;募格学术&#xff08;ID&#xff1a;mugexueshu&#xff09;研究生吵起架来的“职业病”有哪些&#xff1f;近日&#xff0c;湖南长沙一女研究生因为“画思维导图与男友吵架”的视频火了。网友们纷纷表示&#xff0c;“原来女生吵架都是认真的。”9日晚&#x…...

一名UI设计师眼中的用户体验

一名UI设计师眼中的用户体验 最近在面试寻找设计方面的工作&#xff0c;因我的职业规划偏向于视觉、用户体验方面。在面试过程中&#xff0c;大部分的面试官都会问我&#xff1a;你怎么看待用户体验&#xff1f; 一直以来&#xff0c;我对用户体验和交互设计有点概念模糊&#…...

室内设计阅读书籍名单

1、《设计准则&#xff1a;成为自己的室内设计师》——&#xff08;美&#xff09;格里芬 纠正错误认知&#xff0c;思维方式和习惯。 2、《创意家具表情--风格小屋特辑六本套装》 六个国家真实的居住人家&#xff0c;家&#xff0c;不是样板间。3、《住宅设计解剖书》——&am…...

关于智能家居的四大思维误区 并非你想的那样

智能生活&#xff0c;并不是简单地用手机APP操控居家的灯光、门锁、窗帘、电器等。回到家时&#xff0c;门锁识别主人自动打开&#xff0c;空调提前半小时预设好最舒适的温度&#xff0c;门一开&#xff0c;灯光自动开启“回家模式”……真的智能&#xff0c;能够聪明地读懂主人…...

毕业5年,月薪涨25倍!高薪思维能力!

毕业5年&#xff0c;月薪涨25倍&#xff01;高薪思维能力&#xff01; 毕业5年&#xff0c;我的月薪从1900到现在50000&#xff0c;涨了25倍&#xff0c;没有读MBA&#xff0c;凭借的都是第一份工作带给我的逻辑思考能力。下面四点是我在平时工作中总结的高薪思维能力。 1.Be M…...

2020年9月26日-02-软件工程-工程化思维+瀑布模型+敏捷开发

此博客用于记录2020年9月26日每日分享&#xff0c; 软件工程中的集中常见模式&#xff0c;瀑布模型&#xff0c;敏捷开发等 日期&#xff1a;2020年9月26日 主题&#xff1a; 讨论讨论怎么使用软件工程的思想来解决问题软件工程中的集中常见模式&#xff0c;瀑布模型&#xff…...

js 把字符串转成json对象的三种方法

js 把字符串转成json对象的三种方法 不管字符串是否含有转义字符&#xff0c;都能转换成 Json 对象 1, js自带的eval函数&#xff0c;其中需要添加小括号eval((str)); function strToJson(str){var json eval(( str ));return json; } 2,new Function形式 function strToJso…...

java 探花交友项目day5 推荐好友列表 MongoDB集群 发布动态,查询动态 圈子功能

推荐好友列表 需求分析 推荐好友&#xff1a;分页形式查询推荐的用户列表&#xff0c;根据评分排序显示 代码实现&#xff1a; tanhuaController: /** * 查询分页推荐好友列表 */ GetMapping("/recommendation") public ResponseEntity recommendation(Recomme…...

用HTML5和JavaScript实现语音合成朗读

用HTML5和JavaScript实现语音合成朗读 win10环境下 先给出效果图&#xff0c;最后给出完整代码 完整代码如下&#xff1a; <!DOCTYPE html> <html><head><meta charset"UTF-8"><meta name"viewport" content"widthdevi…...

不当 95% 的劣质勤奋者

本文转载自池老师的 MacTalk 公众号。这几天正在读村上春树的新书《我的职业是小说家》&#xff0c;这是村上先生的自传体随笔。村上的书我是不加掩饰的喜爱&#xff0c;新作必买必读。不过&#xff0c;小说读起来费时费力&#xff0c;闲暇时我总喜欢读他的随笔&#xff0c;可以…...

劣质勤奋者

微信推送的文章&#xff0c;极有启发性。尤其在学习、工作过程中&#xff0c;经常碰到三种情景&#xff1a; 1. 将方法当做目的&#xff0c;为了实现某项技术而研究&#xff0c;忽视了技术&#xff08;Engineering&#xff09;的目的是支撑需求&#xff1b; 2. 工作永远低头走…...

朗读行者 | 用生命影响生命,把握自己的生命感知度。

作者 心灵导师人活一辈子&#xff0c;最怕的是什么&#xff1f; 记得小品里说&#xff0c; 怕的是人活着&#xff0c;没有钱&#xff1b; 但更怕的是&#xff0c;人死了&#xff0c;钱还在。我们努力的工作赚钱&#xff0c;为了什么呢&#xff1f; 很多人都会回答&#xff0c;幸…...

清华大学计算机专业学生埃朗读村,《朗读者~矣晓沅(清华大学计算机研究生  彝族)》...

矣晓沅(清华大学计算机研究生 彝族)笔记分享人 幸福娃这个世界上&#xff0c;可能有些路&#xff0c;并不是靠双脚走出来的。就像史铁生&#xff0c;在漫长的轮椅生涯中&#xff0c;创造了一座中国的文学高峰。就像霍金&#xff0c;不能行走&#xff0c;不能出声&#xf…...

《朗读者之遇见》

卷首语朗读者就是朗读的人&#xff0c;在我看来可以分为两部分来理解&#xff0c;朗读是传播文字&#xff0c;而人则是展现生命&#xff0c;将值得尊重的生命和值得关注的文字完美结合就是我们的《朗读者》。你有多久没有朗读了?很久了吧。因为很多人都觉得朗读&#xff0c;那…...

朗读者 (一) 节选

致儿子的一封信 麦家 儿子&#xff0c;当你看到这封信时&#xff0c;你已在我万里之外&#xff0c;我则在你地球的另一端。地球很大&#xff0c;我们太小了&#xff0c;但我们不甘于小&#xff0c;我们要超过地球&#xff0c;所以你出发了。这是一次蓄谋已久的远行&#xff0c;…...

朗读者李晓云清华大学计算机,世界杰出女科学家奖得主张弥曼现身《朗读者》...

原标题&#xff1a;世界杰出女科学家奖得主张弥曼现身《朗读者》“路漫漫其修远兮&#xff0c;吾将上下而求索。”两千多年前&#xff0c;郁郁不得志的屈原在《离骚》中写出这句千古名言&#xff0c;道尽了一个人对理想的渴望和追求。从古至今&#xff0c;无数仁人志士不约而同…...

动态规划-多种遍历与状态变量

##使用单变量的 一般涉及局部遍历统计,然后做全局统计 ###[最长连续递增序列](https://leetcode-cn.com/problems/longest-continuous-increasing-subsequence) 给定一个未经排序的整数数组,找到最长且 连续递增的子序列,并返回该序列的长度。 连续递增的子序列 可以由两个…...

【SSD目标检测】2:如何制作自己的数据集

前言&#xff1a;因为要依赖上一章SSD目标检测(1)&#xff1a;图片视频版物体定位&#xff08;附源码&#xff09;来训练预测自己的数据集&#xff0c;所以建立自己的数据集是一个复杂且避不开的步骤&#xff0c;以下给出了制作自己的数据集所要经过的简单步骤&#xff0c;而后…...

一个基于mxnet的目标检测

学习mxnet也有一段时间了,但依然感觉对mxnet没有入门,于是计划了一个yolo实验, 主要不是复现yolo,而是按照自己的喜好整理一下mxnet的各个接口,希望有助于加深对mxnet的理解. 抛开mxnet, 一个识别算法应该包括如下几个模块: * 样本生成/加载 * 模型生成/加载 * 模型训练/预…...

代码复现:遥感旋转目标检测(可训练自己的数据集)

follow了上交博士大佬yangxue的两个方法&#xff0c;这篇仅记录复现过程中碰到的问题&#xff0c;具体论文的介绍就不写了&#xff0c;大佬自己的知乎已经写得非常详细了。 SCRDet&#xff1a;https://zhuanlan.zhihu.com/p/107400817 CSL&#xff1a;https://zhuanlan.zhihu…...

Swin-transformer纯目标检测训练自己的数据集

Swin-transformer纯目标检测训练自己的数据集前言具体步骤及过程一、基本修改1.修改类别名称&#xff08;两处&#xff09;2.修改类别数3.修改数据集路径4.修改训练参数5.修改日志参数二、禁用mask三、遇到的问题及解决办法总结前言 快写成swin系列博客了&#xff0c;前两篇&a…...

【LeetCode】递增的三元子序列 [M](动态规划)

334. 递增的三元子序列 - 力扣&#xff08;LeetCode&#xff09; 一、题目 给你一个整数数组 nums &#xff0c;判断这个数组中是否存在长度为 3 的递增子序列。 如果存在这样的三元组下标 (i, j, k) 且满足 i < j < k &#xff0c;使得 nums[i] < nums[j] < num…...

利用YOLO实现自己的目标检测

因为很多是我按照记忆来写的&#xff0c;可能会有错误&#xff0c;大家一定按照给的链接为准&#xff0c;参考这些即可。。。。。 最近&#xff0c;在师哥的引导下&#xff0c;接触了一下YOLO算法&#xff0c;是近年来一个比较好的目标检测算法&#xff0c;而且它有自己的开源深…...

给自己定的目标

今年一直充满了挫败感&#xff0c;感觉一直没有目标&#xff0c;也没有成就。想挣很多钱可是不知道该怎么办——工资一直很少&#xff1b;想努力改变自己的生活也不知道该怎么办——钱还是不够用。天生我材必有用&#xff0c;我怎么一点也没觉得这句话对我起作用呢... ...既然找…...

5个步骤实现目标检测

作者|DR. VAIBHAV KUMAR 编译|VK 来源|Analytics In Diamag 目标检测技术是当今计算机视觉领域的发展趋势。在场景图像和视频中&#xff0c;有许多方法被用来检测物体。在资源和执行时间方面&#xff0c;每种技术都有自己的优势和局限性。检测视频中的物体也需要大量的技术知识…...

给定一个整数数组 nums 和一个目标值

题目&#xff1a;给定一个整数数组 nums 和一个目标值 target&#xff0c;请你在该数组中找出和为目标值的那 两个 整数&#xff0c;并返回他们的数组下标。 你可以假设每种输入只会对应一个答案。但是&#xff0c;数组中同一个元素不能使用两遍。 示例: 给定 nums [2, 7, 11…...

给自己定个目标

07年又是新的一年&#xff0c;前段时间看新闻说有些人联合起来抵制新年&#xff0c;因为他们觉得现在是最好的&#xff0c;虽然有道理&#xff0c;毕竟时间流逝只能让我们老得更快。。呵呵&#xff0c;好笑归好笑&#xff0c;毕竟我们需要面对现实。 新的一年来了&#xff0c;看…...

给自己一个小目标

一个小目标 总想写点什么&#xff0c;却又不知道写点什么&#xff0c;闲来得空&#xff0c;必须正视自己&#xff0c;写写自己了。   一晃转行程序员已经快4年了&#xff0c;各种滋味&#xff0c;难以言说&#xff0c;但是最明显的感受是从18年下半年来&#xff0c;失去了曾经…...