机器学习笔记之深度玻尔兹曼机(一)玻尔兹曼机系列整体介绍
机器学习笔记之深度玻尔兹曼机——玻尔兹曼机系列整体介绍
- 引言
- 关于含隐变量模型的对数似然梯度
- 玻尔兹曼机
- 受限玻尔兹曼机
- 深度信念网络
- 深度玻尔兹曼机
引言
从本节开始,将介绍玻尔兹曼机系列的最后一个模型——深度玻尔兹曼机(Deep Boltzmann Machine,DBM)
关于含隐变量模型的对数似然梯度
在之前介绍的包含隐变量的能量模型如波尔兹曼机、受限波尔兹曼机,其能量模型的结构均可表示为如下形式:
本质上就是包含隐变量的马尔可夫随机场~
P(X)=1Z∑i=1Kψi(xCi)\begin{aligned} \mathcal P(\mathcal X) = \frac{1}{\mathcal Z} \sum_{i=1}^{\mathcal K} \psi_{i}(x_{\mathcal C_i}) \end{aligned}P(X)=Z1i=1∑Kψi(xCi)
其中
X\mathcal XX表示随机变量集合(包含隐变量、观测变量);
xCi(i=1,2,⋯,K)x_{\mathcal C_i}(i=1,2,\cdots,\mathcal K)xCi(i=1,2,⋯,K)表示极大团;对应的
ψi(xCi)\psi_i(x_{\mathcal C_i})ψi(xCi)表示该极大团对应的势函数。由于势函数的非负性质,因此如果从能量模型的角度观察势函数,可将
P(X)\mathcal P(\mathcal X)P(X)表示为如下形式:
P(X)=P(h,v)=1Zexp{−E[h,v]}\begin{aligned} \mathcal P(\mathcal X) & = \mathcal P(h,v) \\ & = \frac{1}{\mathcal Z} \exp \left\{-\mathbb E[h,v]\right\} \end{aligned} P(X)=P(h,v)=Z1exp{−E[h,v]}
其中
Z\mathcal ZZ表示‘配分函数’,具体可表示为
Z=∑h,vexp{−E[h,v]}\mathcal Z = \sum_{h,v} \exp \left\{-\mathbb E[h,v]\right\}Z=∑h,vexp{−E[h,v]}.
关于该模型的对数似然函数可表示为:
系数
1N\frac{1}{N}N1为后续计算方便所添加的结果,在‘极大似然估计’中,该系数并不影响‘最优模型参数’
θ\thetaθ的结果。
其中
V\mathcal VV表示观测变量产生的实际样本集合:
V={v(i)}i=1N\mathcal V = \{v^{(i)}\}_{i=1}^NV={v(i)}i=1N,
NNN表示样本数量。
对应地,
h(i)h^{(i)}h(i)表示某样本
v(i)v^{(i)}v(i)在模型中对应的隐变量集合。
L(θ)=logP(V;θ)=log∏i=1NP(v(i);θ)∝1N∑i=1NlogP(v(i);θ)=1N∑i=1Nlog[∑h(i)P(h(i),v(i);θ)]\begin{aligned} \mathcal L(\theta) & = \log \mathcal P(\mathcal V;\theta) \\ & = \log \prod_{i=1}^N \mathcal P(v^{(i)};\theta) \\ & \propto \frac{1}{N} \sum_{i=1}^N \mathcal \log P(v^{(i)};\theta) \\ & = \frac{1}{N} \sum_{i=1}^N \log \left[\sum_{h^{(i)}} \mathcal P(h^{(i)},v^{(i)};\theta)\right] \end{aligned}L(θ)=logP(V;θ)=logi=1∏NP(v(i);θ)∝N1i=1∑NlogP(v(i);θ)=N1i=1∑Nlog[h(i)∑P(h(i),v(i);θ)]
将能量函数代入,对应的对数似然梯度∇θL(θ)\nabla_{\theta} \mathcal L(\theta)∇θL(θ)可表示为:
求解过程详见
受限玻尔兹曼机——基于含隐变量能量模型的对数似然梯度
∇θL(θ)=1N∑i=1N∇θ[logP(v(i);θ)]=1N∑i=1N{∑h(i),v(i)[P(h(i),v(i))⋅∇θE(h(i),v(i))]−∑h(i)[P(h(i)∣v(i))⋅∇θE(h(i),v(i))]}\begin{aligned} \nabla_{\theta}\mathcal L(\theta) & = \frac{1}{N} \sum_{i=1}^N \nabla_{\theta} \left[\log \mathcal P(v^{(i)};\theta)\right] \\ & = \frac{1}{N} \sum_{i=1}^N \left\{ \sum_{h^{(i)},v^{(i)}} \left[\mathcal P(h^{(i)},v^{(i)}) \cdot \nabla_{\theta} \mathbb E(h^{(i)},v^{(i)})\right] - \sum_{h^{(i)}} \left[\mathcal P(h^{(i)} \mid v^{(i)}) \cdot \nabla_{\theta} \mathbb E(h^{(i)},v^{(i)})\right]\right\} \end{aligned}∇θL(θ)=N1i=1∑N∇θ[logP(v(i);θ)]=N1i=1∑N⎩⎨⎧h(i),v(i)∑[P(h(i),v(i))⋅∇θE(h(i),v(i))]−h(i)∑[P(h(i)∣v(i))⋅∇θE(h(i),v(i))]⎭⎬⎫
玻尔兹曼机
玻尔兹曼机本质上是一个马尔可夫随机场(无向图模型),概率图中的随机变量结点均是服从伯努利分布的离散型随机变量。
从随机变量的性质角度,可将随机变量划分成两个部分:观测变量vvv、隐变量hhh:
这里的
v,hv,hv,h表示随机变量集合,并定义
vvv中包含
D\mathcal DD个随机变量,
hhh中包含
P\mathcal PP个随机变量。
{v=(v1,v2,⋯,vD)T;v∈{0,1}Dh=(h1,h2,⋯,hP)T;h∈{0,1}P\begin{cases} v = \left(v_1,v_2,\cdots,v_{\mathcal D}\right)^T;v \in \{0,1\}^{\mathcal D} \\ h = \left(h_1,h_2,\cdots,h_{\mathcal P}\right)^T; h \in \{0,1\}^{\mathcal P} \end{cases}{v=(v1,v2,⋯,vD)T;v∈{0,1}Dh=(h1,h2,⋯,hP)T;h∈{0,1}P
对应的概率图结构可表示如下:
下图是一个全连接的特殊情况,即无论是观测变量还是隐变量,两两之间均存在关联关系。而实际上可能仅是观测变量、隐变量的无向图结构而已。
关于波尔兹曼机的能量函数可表示为:
E(v,h)=−[vTW⋅h+12vTL⋅v+12hTJ⋅h]\mathbb E(v,h) = - \left[v^T\mathcal W \cdot h + \frac{1}{2}v^T \mathcal L \cdot v + \frac{1}{2}h^T \mathcal J \cdot h\right]E(v,h)=−[vTW⋅h+21vTL⋅v+21hTJ⋅h]
将能量函数E(v,h)\mathbb E(v,h)E(v,h)代入到对数似然函数中,可得到关于波尔兹曼机的对数似然梯度:
根据能量函数的表示,发现明显存在三个参数:
W,L,J\mathcal W,\mathcal L,\mathcal JW,L,J,因此需要对三个参数分别求解梯度。以模型参数
W\mathcal WW(麻烦)为例,其推导过程详见
玻尔兹曼机——基本介绍
∇WL(θ)=1N∑i=1N∇W[logP(v(i);θ)]≈EPdata[v(i)(h(i))T]−EPmodel[v(i)(h(i))T]{Pdata=Pdata(v(i),h(i))=Pdata(v(i)∈V)⋅Pmodel(h(i)∣v(i))Pmodel=Pmodel(v(i),h(i))\begin{aligned} \nabla_{\mathcal W}\mathcal L(\theta) & = \frac{1}{N} \sum_{i=1}^N \nabla_{\mathcal W} \left[\log \mathcal P(v^{(i)};\theta)\right] \\ & \approx \mathbb E_{\mathcal P_{data}} \left[v^{(i)}(h^{(i)})^T\right] - \mathbb E_{\mathcal P_{model}} \left[v^{(i)}(h^{(i)})^T\right] \end{aligned} \\ \begin{cases} \mathcal P_{data} = \mathcal P_{data}(v^{(i)},h^{(i)}) = \mathcal P_{data}(v^{(i)} \in \mathcal V) \cdot \mathcal P_{model}(h^{(i)} \mid v^{(i)}) \\ \mathcal P_{model} = \mathcal P_{model}(v^{(i)},h^{(i)}) \end{cases}∇WL(θ)=N1i=1∑N∇W[logP(v(i);θ)]≈EPdata[v(i)(h(i))T]−EPmodel[v(i)(h(i))T]{Pdata=Pdata(v(i),h(i))=Pdata(v(i)∈V)⋅Pmodel(h(i)∣v(i))Pmodel=Pmodel(v(i),h(i))
可以同过上式发现,梯度上升迭代过程中,模型参数W\mathcal WW梯度的计算主要分为两个部分:正相(Positive Phase\text{Positive Phase}Positive Phase)与负相(Negative Phase\text{Negative Phase}Negative Phase):
EPdata[v(i)(h(i))T]⏟Positive Phase−EPmodel[v(i)(h(i))T]⏟Negative Phase\underbrace{\mathbb E_{\mathcal P_{data}} \left[v^{(i)}(h^{(i)})^T\right]}_{\text{Positive Phase}}- \underbrace{\mathbb E_{\mathcal P_{model}} \left[v^{(i)}(h^{(i)})^T\right]}_{\text{Negative Phase}}Positive PhaseEPdata[v(i)(h(i))T]−Negative PhaseEPmodel[v(i)(h(i))T]
从关于Pdata\mathcal P_{data}Pdata的描述也可以看出来,依赖数据(Data Dependent\text{Data Dependent}Data Dependent) 所产生的联合概率分布Pdata(v(i),h(i))\mathcal P_{data}(v^{(i)},h^{(i)})Pdata(v(i),h(i))由两部分构成:
- 基于真实样本v(i)∈Vv^{(i)} \in \mathcal Vv(i)∈V的关于观测变量的边缘概率分布Pdata(v(i))\mathcal P_{data}(v^{(i)})Pdata(v(i));
- 在真实样本给定的条件下,模型内部隐变量的后验概率分布Pmodel(h(i)∣v(i))\mathcal P_{model}(h^{(i)} \mid v^{(i)})Pmodel(h(i)∣v(i));
隐变量
h(i)h^{(i)}h(i)从始至终都是依赖于模型存在的,因此写作
Pmodel(h(i)∣v(i))\mathcal P_{model}(h^{(i)} \mid v^{(i)})Pmodel(h(i)∣v(i)).
而 不依赖数据(Data Independent\text{Data Independent}Data Independent),仅通过模型产生的联合概率分布Pmodel(v(i),h(i))\mathcal P_{model}(v^{(i)},h^{(i)})Pmodel(v(i),h(i))不包含任何真实样本的参与,甚至生成的样本也被称为幻想粒子(Fantasy Particle\text{Fantasy Particle}Fantasy Particle)。
而正相、负相均采用MCMC进行求解。其思想是:由于观测变量、隐变量内部也存在关联关系,因而无法求解后验概率P(h∣v)\mathcal P(h \mid v)P(h∣v)。因此它针对当个变量的后验概率进行表示:
其中
v−iv_{-i}v−i表示除去观测变量
viv_ivi之外的其他观测变量。
详细推导过程详见
玻尔兹曼机——梯度求解
P(vi(i)∣h(i),v−i(i))v(i)∈{0,1}∣D∣;h(i)∈{0,1}∣P∣\mathcal P(v_i^{(i)} \mid h^{(i)},v_{-i}^{(i)}) \quad v^{(i)} \in \{0,1\}^{|\mathcal D|};h^{(i)} \in \{0,1\}^{|\mathcal P|}P(vi(i)∣h(i),v−i(i))v(i)∈{0,1}∣D∣;h(i)∈{0,1}∣P∣
玻尔兹曼机的缺陷是明显的——随机变量结点数过多,算力跟不上。由于任意随机变量之间都有可能存在关联关系,这样模型的计算是复杂的,在MCMC采样过程中,随机变量结点过多导致极难达到平稳分布。
这种模型可能仅在理论中实现,实用性基本是没有的。
受限玻尔兹曼机
相比于玻尔兹曼机,受限玻尔兹曼机对于随机变量的约束进行了提升。主要表现在:隐变量、观测变量 之间存在关联关系,其内部随机变量之间相互独立:
不同于玻尔兹曼机的混乱结构,经过约束后的受限玻尔兹曼机存在明显的层级结构——观测变量层、隐变量层。
关于受限玻尔兹曼机的能量函数可表示为:
E(v,h)=−(vTW⋅h+bTv+cTh)\mathbb E(v,h) = - \left(v^T \mathcal W \cdot h + b^T v + c^T h\right)E(v,h)=−(vTW⋅h+bTv+cTh)
对应的模型参数为:W,b,c\mathcal W,b,cW,b,c。其中b,cb,cb,c分别表示一个列向量,并且其向量中的每一个元素均表示某结点与自身的关联关系信息。
由于结点与同层中的其他结点之间均不存在关联关系,因此这里的
b,cb,cb,c视作‘偏置项’信息即可。
关于受限玻尔兹曼机关于模型参数的学习任务表示如下。将受限玻尔兹曼机的能量函数带入到对数似然梯度中:
这里的
θ\thetaθ是指某样本
v(i)v^{(i)}v(i)对应的某一观测变量
vj(i)v_j^{(i)}vj(i)与该样本对应模型中的某一隐变量
hk(i)h_k^{(i)}hk(i)之间关联关系的参数信息
Wkj(i)\mathcal W_{kj}^{(i)}Wkj(i).
详细推导过程见
受限玻尔兹曼机——对数似然梯度求解
需要再次强调一下,关于大括号内的项对于
∇θ[logP(v(i);θ)]\nabla_{\theta} \left[\log \mathcal P(v^{(i)};\theta)\right]∇θ[logP(v(i);θ)]的表示并不完整,其内部只是关于模型参数
Wkj(i)\mathcal W_{kj}^{(i)}Wkj(i)的梯度信息
.
∇θL(θ)=1N∑i=1N∇θ[logP(v(i);θ)]θ=Wkj(i)=1N∑i=1N{∑h(i)[P(h(i)∣v(i))⋅(−hk(i)vj(i))]+∑h(i),v(i)[P(h(i),v(i))⋅(−hk(i)vj(i))]}=1N∑i=1N{P(hk(i)=1∣v(i))⋅vj(i)−∑v(i)P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i)}\begin{aligned} \nabla_{\theta}\mathcal L(\theta) & = \frac{1}{N} \sum_{i=1}^N \nabla_{\theta} \left[\log \mathcal P(v^{(i)};\theta)\right] \quad \theta = \mathcal W_{kj}^{(i)}\\ & = \frac{1}{N} \sum_{i=1}^N \left\{ \sum_{h^{(i)}} \left[\mathcal P(h^{(i)} \mid v^{(i)}) \cdot (- h_k^{(i)}v_j^{(i)})\right] + \sum_{h^{(i)},v^{(i)}} \left[\mathcal P(h^{(i)},v^{(i)}) \cdot (-h_k^{(i)}v_j^{(i)})\right]\right\} \\ & = \frac{1}{N} \sum_{i=1}^N \left\{\mathcal P(h_k^{(i)}=1 \mid v^{(i)}) \cdot v_j^{(i)} - \sum_{v^{(i)}} \mathcal P(v^{(i)}) \cdot \mathcal P(h_k^{(i)} = 1 \mid v^{(i)}) \cdot v_j^{(i)}\right\} \end{aligned}∇θL(θ)=N1i=1∑N∇θ[logP(v(i);θ)]θ=Wkj(i)=N1i=1∑N⎩⎨⎧h(i)∑[P(h(i)∣v(i))⋅(−hk(i)vj(i))]+h(i),v(i)∑[P(h(i),v(i))⋅(−hk(i)vj(i))]⎭⎬⎫=N1i=1∑N{P(hk(i)=1∣v(i))⋅vj(i)−v(i)∑P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i)}
其中关于大括号内的积分项∑v(i)P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i)\sum_{v^{(i)}} \mathcal P(v^{(i)}) \cdot \mathcal P(h_k^{(i)} = 1 \mid v^{(i)}) \cdot v_j^{(i)}∑v(i)P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i),它的连加项数量于样本数量相关,直接求解的代价是极大的。因此关于该项的求解使用块吉布斯采样(Block Gibbs Sampling)进行近似求解:
块吉布斯采样的优势在于,由于隐变量、观测变量内部随机变量之间条件独立,因此关于随机变量的采样均可同步进行,而不需要使用基于‘坐标上升法’的吉布斯采样方式。因此,该方法比真正的吉布斯采样要简化许多。
∑v(i)P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i)=Ev(k)∼Pdata[P(hk(i)=1∣v(i))⋅vj(i)]\sum_{v^{(i)}} \mathcal P(v^{(i)}) \cdot \mathcal P(h_k^{(i)} = 1 \mid v^{(i)}) \cdot v_j^{(i)} = \mathbb E_{v^{(k)} \sim \mathcal P_{data}} \left[\mathcal P(h_k^{(i)} = 1 \mid v^{(i)}) \cdot v_j^{(i)}\right]v(i)∑P(v(i))⋅P(hk(i)=1∣v(i))⋅vj(i)=Ev(k)∼Pdata[P(hk(i)=1∣v(i))⋅vj(i)]
当然,即便块吉布斯采样虽然可以简化过程,但每次迭代需要收敛至平稳分布依然是十分消耗时间的。对此,使用对比散度方法优化吉布斯采样的效率。以精度换效率,加快其迭代速度。
个人理解:这种方式与强化学习中的
广义策略迭代(Generalized Policy Iteration,GPI)思想非常相似。简单来说,只要更新了,无论更新是否完全,都是向正确方向迭代。而最终都会向最优方向收敛。
对比散度也是这种思想,每次迭代都仅向前执行
kkk步,无论第
kkk步是否是平稳分布,都会停止。它的底层逻辑是“第
kkk步的迭代结果至少比没有迭代的更接近平稳分布。”
相反地,对比散度算法在受限玻尔兹曼机的学习过程被证明成功后,对于玻尔兹曼机的学习过程也被进行改进。
- 关于Pdata(v(i),h(i))=Pdata(v(i)∈V)⋅Pmodel(h(i)∣v(i))\mathcal P_{data}(v^{(i)},h^{(i)}) = \mathcal P_{data}(v^{(i)} \in \mathcal V) \cdot \mathcal P_{model}(h^{(i)} \mid v^{(i)})Pdata(v(i),h(i))=Pdata(v(i)∈V)⋅Pmodel(h(i)∣v(i))中,关于隐变量的后验分布Pmodel(h(i)∣v(i))\mathcal P_{model}(h^{(i)} \mid v^{(i)})Pmodel(h(i)∣v(i))使用基于平均场理论——变分推断进行表达。
- 关于生成过程中的联合概率分布Pmodel(v(i),h(i))\mathcal P_{model}(v^{(i)},h^{(i)})Pmodel(v(i),h(i))通过序列化对比散度(Persistent Contrast Divergence)进行求解。
深度信念网络
深度信念网络的底层思想是将相比于模型参数本身求解隐变量的边缘概率分布P(h(i))\mathcal P(h^{(i)})P(h(i)),通过对隐变量进行建模,通过极大似然估计求解对数似然函数logP(h(i))\log \mathcal P(h^{(i)})logP(h(i))的方式求解P(h(i))\mathcal P(h^{(i)})P(h(i))的最优解,最终对样本的对数似然梯度logP(v(i))\log \mathcal P(v^{(i)})logP(v(i))进行提升。
在深度信念网络——背景介绍与结构表示中关于传统受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)对于隐变量的边缘概率分布P(h)\mathcal P(h)P(h)表示如下:
P(v)=∑hP(h)⋅P(v∣h){P(v)=∏v(i)∈VP(v(i))P(v∣h)=∏j=1∣D∣P(vj∣h)P(vj∣h)=Sigmoid(∑k=1∣P∣wjk⋅hk+bj)\begin{aligned} & \mathcal P(v) = \sum_{h} \mathcal P(h) \cdot \mathcal P(v \mid h) \\ & \begin{cases} \mathcal P(v) = \prod_{v^{(i)} \in \mathcal V} \mathcal P(v^{(i)}) \\ \mathcal P(v \mid h) = \prod_{j=1}^{|\mathcal D|} \mathcal P(v_j \mid h) \\ \mathcal P(v_j \mid h) = \text{Sigmoid}\left(\sum_{k=1}^{|\mathcal P|} w_{jk} \cdot h_k + b_j\right) \end{cases} \end{aligned}P(v)=h∑P(h)⋅P(v∣h)⎩⎨⎧P(v)=∏v(i)∈VP(v(i))P(v∣h)=∏j=1∣D∣P(vj∣h)P(vj∣h)=Sigmoid(∑k=1∣P∣wjk⋅hk+bj)
最终可以实现使用模型参数对P(h)\mathcal P(h)P(h)进行表示。但这种表示仅是通过梯度上升法对模型参数更新时,P(h)\mathcal P(h)P(h)仅是被联代着被更新,可能并没有达到当前迭代步骤关于P(h)\mathcal P(h)P(h)的最优解。
因此,叠加RBM\text{RBM}RBM结构是基于训练出更优秀的P(h)\mathcal P(h)P(h),从而产生更优秀的P(v)\mathcal P(v)P(v)的一种思想。但叠加RBM\text{RBM}RBM结构 并不是单纯在已知的RBM\text{RBM}RBM结构上堆叠另一个RBM\text{RBM}RBM,在深度信念网络——模型构建思想(叠加RBM结构)中介绍过,如果将RBM\text{RBM}RBM中的无向边视作相互关联的话(即两个结点间存在两个有向边并相互关联):
在叠加RBM\text{RBM}RBM结构过程中,会存在V\mathcal VV型结构:
为了方便观察,这里仅拆解一个部分。
这意味着,单纯地叠加一层RBM\text{RBM}RBM结构,当h(1)h^{(1)}h(1)层被观测(通过P(h(1)∣v)\mathcal P(h^{(1)} \mid v)P(h(1)∣v)产生样本)时,h(2),vh^{(2)},vh(2),v层结点之间存在关联关系,这违背了受限波尔兹曼机的模型结构初衷。为了修改这个问题,只能将h(1),vh^{(1)},vh(1),v之间红色有向边去除,最终得到深度信念网络的结构表示。
此时,观测变量层
vvv与
h(2)h^{(2)}h(2)层之间必然相互独立。
关于该模型参数的学习任务,主要分为如下两个步骤:
- 关于Pre-training的部分:主要是贪心逐层预训练算法。将Sigmoid\text{Sigmoid}Sigmoid信念网络视作受限玻尔兹曼机来求解后验概率P(h(1)∣v)\mathcal P(h^{(1)} \mid v)P(h(1)∣v),然后逐层向上,忽视其他层对当前遍历层的影响,最终可以得到所有随机变量结点的初始参数信息。
- 关于fine-tuning的部分:在深度信念网络中,介绍它关于模型参数的学习算法——醒眠算法。因此在后续迭代过程中可以尝试使用Weak Phase\text{Weak Phase}Weak Phase去替代贪心逐层预训练中的算法求解P(h(1)∣v)\mathcal P(h^{(1)} \mid v)P(h(1)∣v)——变种醒眠算法;
如果是有监督学习,可以将深度信念网络当成前馈神经网络进行训练,使用反向传播算法(Back Propagation,BP)对模型参数进行学习。
深度玻尔兹曼机
深度玻尔兹曼机(Deep Boltzmann Machine)它的模型结构表示如下:
关于它的训练过程与深度信念网络相似,也可以通过预训练(Pre-training)以及后续微调(Fine-tuning)的步骤中进行求解。由于深度玻尔兹曼机也是一种玻尔兹曼机,因此关于模型参数的微调过程同样可以使用玻尔兹曼机中求解对数似然梯度的方式进行近似求解。
后续主要关注深度玻尔兹曼机是如何实现预训练过程的。
相关参考:
深度玻尔兹曼机1-背景介绍
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-4499376.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!
http://hostap.epitest.fi/wpa_supplicant/
Linux WPA/WPA2/IEEE 802.1X Supplicant wpa_supplicant is a WPA Supplicant for Linux, BSD, Mac OS X, andWindows withsupport for WPA and WPA2 (IEEE 802.11i / RSN). It is suitable for bothdesktop/laptop computers and embedded systems. Supplicant is the IEEE80...

Xml培训笔记
6月18号 Xml:(可扩展的标记语言)是一个可扩展的标记语言是SGML的子集用于存储数据和交换数据。实现数据的共享。 Xml中涉及的技术有:验证,约束:DTD/Schema转换:XSL XSLT查询:XPath链接ÿ…...

python读取xml文件并修改_如何在Python中解析和修改XML?
,我们经常需要解析用不同语言编写的数据。Python提供了许多库来解析或拆分用其他语言编写的数据。在本Python XML解析器教程中,您将学习如何使用Python解析XML。这,我们经常需要解析用不同语言编写的数据。Python提供了许多库来解析或拆分用其…...
如何清除chrome,firefox浏览器dns缓存
我们在开发的时候,有时候会给某个域名绑hosts,用于本地开发测试,但是绑了之后,用谷歌浏览器访问会发现并没有生效,按F12会发现访问的还是线上的ip,说明浏览器是有该域名的dns缓存的,那么如何清除…...

【MySQL进阶】多版本并发控制——MVCC
【MySQL进阶】多版本并发控制——MVCC 文章目录【MySQL进阶】多版本并发控制——MVCC一:MVCC 原理1:版本链2:ReadView 简介3:访问记录的规则4:READ COMMITTED —— 每次读取数据前都生成一个 ReadView5:REP…...

springboot+基于web的传染病信息管理系统的设计与实现 毕业设计-附源码221124
基于web的传染病信息管理系统的设计与实现 摘 要 传染病报告是传染病防控工作的重要内容,医疗机构及其执行职务的人员开展传染病疫情报告工作是中华人民共和国传染病防治法》第三十条赋予的法定职责。传染病上报系统的不断完善提高了传染病暴发的早期识别能力&#…...

XML Essential Training XML基本培训 Lynda课程中文字幕
XML Essential Training 中文字幕 XML基本培训 中文字幕XML Essential Training 可扩展标记语言(XML)旨在简化信息共享和数据解释 深入了解XML是什么以及如何使用它对于任何开发人员都是至关重要的 在本课程中,Joe Marini将带您了解XML的基本…...

javaweb学习笔记(XML基础)
XML基础XML基础XML概述什么是XMLXML和HTML比较XML语法文档声明版本声明文档编码声明独立文档声明元素定义属性定义注释特殊字符处理CDATA区DTD约束什么是约束DTD约束DTD语法元素定义属性定义实体定义Schema约束什么是Schema约束名称空间引入Schema文档使用名称空间引入XML Sche…...

数据库的学习
数据库的学习 1.单表查询 学生表student的结构: 查询表中所有学号小于8的男学生的学号和姓名 select sid,sname # 需要查询出来的字段 from student # 从哪张表中取数 where ssex 男’ and sid < 8 #设置查询条件,两个条件用and(和)/or(或)连接…...

Non-managed pom.xml file found
hi各位大佬好,我是java菜鸟小明哥,之前有个项目需要maven,主要是xml配置文件需要这个玩意,这里面全是依赖,一打开项目就出现了如下提示, For Recommendation in Deep learning QQ Group 277356808 For de…...

强制清理CDN(DNS)缓存方法
强制清理CDN(DNS)缓存方法/步骤 1.打开命令对话框:开始--cmd--确定 2.在CMD命令操作框上输入清空DNS缓存的命令,命令为:ipconfig/flushdns ,然后回车即可清除DNS缓存。 当我们电脑无法上网,或者DNS出错的时候都可以尝…...

【LVGL V8.x移植教程】
LVGL V8.x移植教程官网下载LVGL源码,(可以通过github下载,也可以打包下载)甚至可以选择以前的版本进行下载 解压,得到下面的文件,我们暂时只用得上下面框住的文件 移植当中需要注意的是examples\porting文…...
程序员汤姆:我的特长是复制、粘帖
特长 大家好,我是工作时长两年半的程序员汤姆,喜欢谷歌、复制、粘帖和提交。 招聘 应聘程序员,HR一上来就问我:有对象吗? 我:分了! HR:为什么? 我:因为她…...

python修改xml文件内容,不废话,拿来即用
XML 被设计用来传输和存储数据。 HTML 被设计用来显示数据。 XML 指可扩展标记语言(eXtensible Markup Language)。 可扩展标记语言(英语:Extensible Markup Language,简称:XML)是一种标记语言&…...

开源web框架_带有酷名称的开源JavaScript和Web框架的词汇表
开源web框架Its getting to the point where there are so many cool open source projects that I cant keep up. When you add in the currently battle royale of JavaScript projects that are basically just hip sounding words with ".js" added to the end, …...

1.2 XML 的基本语法
1.2.1 文档声明 在一个完整的 XML 文档中必须包含一个 XML 文档声明,该声明必须位于文档的第一行。这个声明表示该文档是一个 XML 文档,遵循的是哪个 XML 版本的规范。 最简单的 XML 文档声明语法如下: <?xml version"1.0" …...

XML学习之做过的实验——实验三
实验三 在XML文档中使用Schema 一、实验目的 通过本实验,使学生能够了解并掌握XML Schema的定义方法及其用途 (1)了解并掌握Schema的基本结构 (2)了解并掌握Schema的数据类型 (3)了解并掌握…...

嵌入式部分BUG与解决方法记录(不定期更新)
关闭串口缓存 在使用422转USB数据线采集IMU数据时,上位机的USB驱动程序会对接收到的数据进行缓存,表现在于IMU使用200Hz的频率发送IMU数据,而采集到的IMU数据的时间戳间隔并不是5ms,而是出现一串时间戳相近的数据,这串…...

XML第十讲:XML中Schema深入详解、元素、属性、关系
上一讲我们主要讲了Schema中simpleType等一些基本的属性用法,这一讲我们继续来Schema中的其他内容,同时对之前学习的过程来一个小阶段的总结。 1. choise 元素 1) 作用:允许唯一的一个元素从一个组中被选择 2) 属性:minOccurs/ma…...

Win32 API
------------------------------------------------------------------------ WIN32API.TXT -- Win32 API Declarations for Visual Basic Copyright (C) 1994-98 Microsoft Corporation This file is required for the Visual Basic 6.0 version of the AP...

TensorFlow 首个优化工具来了:模型压缩4倍,速度提升3倍!
今天,TensorFlow发布了一个新的优化工具包:一套可以让开发者,无论是新手还是高级开发人员,都可以使用来优化机器学习模型以进行部署和执行的技术。这些技术对于优化任何用于部署的TensorFlow模型都非常有用。特别是对于在内存紧张…...

XML约束
一、什么是xml约束 在XML技术里,可以编写一个文档约束一个XML文档的书写规范,这称之为XML约束。 常用的XML约束技术: 1. XML DTD 2. XML Schema 二、DTD (Documetn type Definition) 文档类型定义。 1、编程校验xml文档的正确性 IE5以…...

八大行业Hadoop大数据应用回顾和展望
任何新技术的发展都会经历一个从被公众了解到最终普遍应用的过程。大数据技术作为一个新兴的数据处理技术,经过了近十年的发展,刚刚开始在各个行业得到应用。但从媒体和公众视野中,大数据技术总是带有神秘的色彩,似乎有着挖掘财富…...

acwing 903. 昂贵的聘礼 有约束的最短路
题目: 年轻的探险家来到了一个印第安部落里。 在那里他和酋长的女儿相爱了,于是便向酋长去求亲。 酋长要他用 10000 个金币作为聘礼才答应把女儿嫁给他。 探险家拿不出这么多金币,便请求酋长降低要求。 酋长说:”嗯ÿ…...

基于SpringBoot的学生选课管理系统
项目技术栈 末尾获取源码 开发语言:Java Java开发工具:JDK1.8 后端框架:SpringBoot 前端:采用HTML和Vue相结合开发 数据库:MySQL5.7和Navicat管理工具结合 服务器:Tomcat8.5 开发软件:IDEA / Ec…...

人脸融合java_java实现人脸融合
【实例简介】腾讯优图中的人脸融合,就是把自己的照片和军装照等各种模板照片融合,我在这个项目上补上了代码实现,测试可用,下载可以直接运行【实例截图】【核心代码】java_sdk-master└── java_sdk-master├── README.md├──…...

代码随想录算法训练营第十七天二叉树 java : . 110.平衡二叉树 257.二叉树的所有路径 404.左叶子之和
文章目录前言Leetcode 110.平衡二叉树题目讲解思路Leetcode 257. 二叉树的所有路径题目讲解这道题涉及到了回溯Leetcode 404.左叶子之和题目讲解总结前言 选择一个简单的理念,矢志不渝地去执行(Take one simple idea and take it seriously 递归三部曲…...

一份好的商业计划书该怎么写
一、商业计划书是创业者找VC/PE的敲门砖 •据统计投资人平均每天收到50-100份BP,而只有5-8份会受到重视 •投资人阅读每份商业计划书平均时间为3分44秒 •商业计划书平均长度19.2页,建议不超过20页 •商业计划书撰写建议使用PPT(节省投资人时…...

:C语言I博客作业08
这个作业属于哪个课程2021秋C语言_中南林涉外社区-CSDN社区云这个作业要求在哪里2021秋C语言_中南林涉外社区-CSDN社区云这个作业的目标学号C语言学号20218568 1. PTA作业 1.1 (题目名称): 本题要求编写程序,输出给定正整数M和N…...

人脸融合技术
传统的图像融合方法:https://blog.csdn.net/weixin_42512684/article/details/108423845 传统的人脸融合分为三步: 1.特征点提取 2.三角剖分 3.像素融合 三角剖分 Delaunay :最大化最小角,避免瘦三角形 Delaunay剖分是一种三角剖分的标准&…...

算法编程题总结(一)
1.小美的送花线路小美是美团的一名鲜花快递员,鲜花是一种保质期非常短的商品,所以需要尽快送到客户手中,公司对于骑手的一个要求就是要规划送花的线路,使得骑手送完所有订单走的路程尽可能少。(骑手开始派送时带走了所有需要派送的…...

关于书面辞职报告和试用期离职
原文:http://zhidao.baidu.com/question/334026583.html 关于书面辞职报告和试用期离职 2011-10-25 17:59jiushijay2011 | 来自手机知道 | 分类:法律 |浏览17096次我目前试用期内,想离职,主管说现在手头没人一个月才能走ÿ…...

LVGL8.1笔记1--显示移植(2022-0515)
LVGL8.1笔记1--显示移植前言一、移植前准备二、LVGL-8.1目录简介主要用的的内容examples文件夹内容介绍src文件夹内容介绍lv_conf_template.h文件内容介绍三、开始移植1. 编译准备好的带屏幕显示的keil工程2. 添加LVGL-8.1到工程中3. API接口移植(重点)4…...

android xml属性,android中解析XML androidxml属性大全
【android中解析XML androidxml属性大全】Android中有哪几种解析xml的类,官方推荐哪种?以及它们的原理和区别,达内android培训技术专家整理。方式一:DOM解析优点:1、XML树在内存中完整存储,因此可以直接修改其数据和结…...

c 语言编程框架_使用此框架选择您的下一种编程语言
c 语言编程框架Human capital is our greatest asset.人力资本是我们最大的财富。 Like financial capital, the all-powerful force of compound growth means that a small difference in the rate of skill acquisition can lead to massive differences in career outcome…...

Arduino UNO驱动DS1307数字实时时钟RTC
DS1307时钟模块简介 DS1307是一款低功耗,具有56字节非失性RAM的全BCD码时钟日历实时时钟芯片,地址和数据通过两线双向的串行总线的传输,芯片可以提供秒,分,小时等信息,每一个月的天数能自动调整。并且有闰…...

lvgl v8.3移植及组件使用
前言 最近在学习lvgl,网上的教程主要有韦东山和正点原子他们两家有做,我手上只有野火的开发板,但野火他们没做这个教程,不过问题不大,其实随便一个带屏幕的开发板就可以,移植过程都是差不多的,…...

Spark 内存管理
一、堆内和堆外内存规划 作为一个JVM 进程,Executor 的内存管理建立在JVM的内存管理之上,Spark对 JVM的堆内(On-heap)空间进行了更为详细的分配,以充分利用内存。同时,Spark引入了堆外(Off-hea…...

PHP 限制输出内容的字数
2019独角兽企业重金招聘Python工程师标准>>> 一、contentWordNumLimit($content, $maxWordNum) 1 作用描述:内容格式化(英文单双引号替换为中文,回车换行替换为html中的br标签,\n替换为空格), 限制输出内容的字数&…...

分享网站到其他社区
新浪微博 : <html xmlns:wb"http://open.weibo.com/wb"> <script src"http://tjs.sjs.sinajs.cn/open/api/js/wb.js" type"text/javascript" charset"utf-8"></script> <wb:share-button addition"numbe…...

云康集团通过聆讯:8个月营收超10亿 期内利润2.7亿
雷递网 雷建平 2月21日报道云康集团有限公司(简称:“云康集团”)日前通过港交所上市聆讯,预计近期上市。2020年以前,云康集团是亏损的,疫情发生后,让云康集团实现收入暴增,同时&…...

设计模式(一)-单例模式
本文章是转载自用,详细请参考原创作者,内容更加丰富:https://blog.csdn.net/weixin_41949328/article/details/107296517 什么是单例模式 单例模式(Singleton Pattern)是 Java 中最简单的设计模式之一。这种类型的设计…...

WSL_02 WSL配置强大的 zsh
文章目录1 ZSH简介2 安装zsh2.1 准备阶段2 基础安装3 zsh更换主题3.1 使用vscode 打开 .zshrc4 自定义支持插件4.1 修改配置5 安装第三方插件autosuggestion5. 1 下载参考1 ZSH简介 zsh是Linux命令行界面,可以为帮助我们自定义配置命令行窗口,并且具有许…...

线程池必须是单例模式
线程池一定要在合理的单例模式下才有效,工作中我发现有些同学将线程池的创建方法放在services方法里面去创建线程池,这是不可以的,因为每当这个方法被调用的时候不是创建多少个线程的问题了,而是创建出来了一大堆线程池࿰…...

SRS为何加入木兰社区孵化?
凌云时刻SRS正式加入木兰开源社区孵化,我想很多朋友只是大概知道木兰社区是国家级的开源社区,是一件很值得荣耀的事情,其他的事情可能就了解不多了。这次和大家分享下我对这个事情的理解和思考,如果有疑问欢迎评论区留言ÿ…...

[附源码]Python计算机毕业设计-高校人事管理系统Django(程序+LW)
该项目含有源码、文档、程序、数据库、配套开发软件、软件安装教程 项目运行 环境配置: Pychram社区版 python3.7.7 Mysql5.7 HBuilderXlist pipNavicat11Djangonodejs。 项目技术: django python Vue 等等组成,B/S模式 pychram管理等…...

群、环、域——群
群环域 群 原群 Magma 原群是一种基本的代数结构,只要满足两元素作二元运算得到新元素仍属于该集合,即满足封闭性(closure)。 一言以蔽之,原群是运算具有 封闭性 的集合。即,GG→GG\times G\to GGG→G.…...

Spring为什么默认是单例模式?
单例bean与原型bean的区别: 如果一个bean被声明为单例的时候,在处理多次请求的时候在spring容器里只实例化出一个bean,后续的请求都公用这个对象,这个对象会保存在一个map里面。当有请求来的时候会先从缓存(map&#…...
【二次开发】如何使用C#进行CATIA二次开发
1. 引言 由于项目需要,最近搜集整理了一些关于CATIA二次开发的资料,貌似国内对于CATIA二次开发需求不大,相关资料比较有限,因此刚开始遇到了不少问题,通过分析网上的一些示例,以及结合CATIA的宏录制功能生…...

线程安全的单例模式
单例模式,即我们只允许一个类有且仅有一个实例对外提供服务。通常为了性能考虑,单例模式会以懒加载的形式创建,也即单例中的懒汉模式,与之相对的当然就是单例的饿汉模式:不管用不用,我可以先给你创建出来。…...

什么是单例模式,懒汉式和饿汉式使用方式
什么是单例模式,单例模式解决的问题 单例 听这个名字就知道是单着的,唯一的,例:就是实例 单例合起来就是这个类在整个系统中值能有一个实例对象可被获取和使用的代码模式,就称之为单例模式。 单例模式怎样来操作&#…...

vue 记住密码下次自动登录
<span><input type"checkBox" name"adviceCheck" id"adviceCheck" :checked"pasChecked" click"changeChecked" hidden/><label for"adviceCheck" class"advice">下次自动登录</l…...

java的一些基础知识(引用BlogJava 落花飞雪)
java的一些基础知识(引用BlogJava 落花飞雪) 《Practical Java》笔记 1. 声明是什么? String s "Hello world!"; 许多人都做过这样的事情,但是,我们到底声明了什么?回答通常是:一个Strin…...
10月书讯(下)| 双节同庆,读书正当时
8天小长假,正是读书好时节又到上新季,读书与休假更配哦10月书讯(下)请查收1/19《现代操作系统:原理与实现》操作系统和系统安全领域国际知名学者上海交通大学陈海波教授作品作者:陈海波 夏虞斌 等书号&…...

关于如何在sql语句like通配符后面写select语句
今天遇到一个需求,需要查出选择的区域下所有的子区域数据,就在想如何在like通配符后面写select语句,最后写出来了,截个图以备查询...

高速高精度半导体运动台设计
不管是晶圆制造设备如光刻机、刻蚀机等,还是半导体后端封装设备,如固晶机、焊线机等,XY 运动平台都是这些设备的核心部件,运动平台的性能决定着设备的性能。 高速高精运动平台,其最大特点就是高速度、高加速度和高精度…...

【手写 Vue2.x 源码】第二十六篇 - 数组依赖收集的实现
一,前言 上篇,主要介绍了数组依赖收集的原理 本篇,数组依赖收集的实现 二,对象依赖收集的总结 {}.dep > watcher 目前,“对象本身”和“对象中的每一个属性”都拥有一个 dep 属性,用于做依赖收集 此…...

ansible学习笔记4
ansible 1.按照要求定义以下变量。(可以在多个位置下定义实现相应操作即可) | 变量名 | 值 | | --------- | ------- | | file_name | newfile | | user_name | devops | | pk_name | httpd | 2.编写任务模块在node1和node2主机中根据以上变量值创…...

iOS开发 获取手机型号
1.导入头文件#import "sys/utsname.h"2.获取原理:获取当前设备的型号标识符,根据型号标识符对应的手机型号来判断当前设备型号。 型号标识符与手机型号的对应关系见:https://www.theiphonewiki.com/wiki/Models#iPhone3.代码实例&a…...

Java中什么是单例模式
单例模式又叫做 Singleton模式,指的是一个类,在一个JVM里,只有一个实例存在。 1.饿汉式单例模式 通过私有化其构造方法,使得外部无法通过new 得到新的实例。 举个例子: LOL里有一个怪叫大龙GiantDragon,只…...

综述 | 深度强化学习在自动驾驶中的应用
本文是2020年的综述论文《Deep Reinforcement Learning for Autonomous Driving: A Survey》的部分内容节选。翻译稿全文共2万6千字,本文略掉了第3、4节强化学习理论的介绍及扩展部分。摘要随着深度表征学习(deep representation learning)的发展,强化学…...

Oracle客户端 PL/SQL Developer:
1、配置文件进行导入导出 2、提示“ORA-00900: 无效 SQL 语句“解决方法 在PL/SQL中的SQL窗口用desc想显示指定表格abs_generl.prodord_sku的结构,提示无效语句 PL/SQL切换到命令窗口,再用desc显示表格abs_generl.prodord_sku的结构,执行成功…...

聊天室之主界面
聊天室之主界面 文章目录聊天室之主界面一. 环境:二、代码三、效果图厚积薄发一. 环境: 开发工具:Vscode 前端技术栈:HTMLCSSBootstrap 二、代码 <!DOCTYPE html> <html lang"en"> <head><meta…...

基于UDP协议的Java聊天室
在实现Java聊天室之前,我们先了解一下什么是UDP协议,以及使用UDP协议的客户端或服务器端是如何来接收信息或者发送信息的。 UPD(User Datagram Protocol)用户数据报协议,是网络模型中的传输层协议。UDP协议是无连接、不…...

Java作业 - 聊天室系统
介绍 这学期Java的一个大作业室使用socket 实现一个聊天室系统,要求能够做到: 实现多客户端之间的交流 实现无限制的对方自由发送信息 实现文件传输 另外,可以引入UI框架 我的代码可以分为两个相对独立的部分:UI框架实现 和 核…...

Android聊天室(源码)
服务器源码 import java.io.DataInputStream; import java.io.DataOutputStream; import java.io.IOException; import java.net.InetAddress; import java.net.ServerSocket; import java.net.Socket; import java.util.ArrayList;public class Server {public static void m…...

原码反码和补码详解
原码-反码-补码 1:有符号数据表示法在计算机内,有符号数有三种表示法:原码,反码,补码,所有数据的运算都是采用内补码进行的,在计算机操作的时候,都是采用数据对于的二进制补码来计算的,在内存中的存储1:原码就是二进制定点表示法,即最高位为符号位,"0"表示正,"1…...

【算法】二叉树
❤️ Author: 老九 ☕️ 个人博客:老九的CSDN博客 🙏 个人名言:不可控之事 乐观面对 😍 系列专栏: 文章目录二叉树数组转化为二叉树二叉树转化为二叉链表二叉树的遍历排序二叉树BST(二叉搜索树&…...

【C语言】自定义类型
前言男孩子在外面要保护好自己~一、结构体为什么会有结构体呢?但要描述一个复杂对象时,仅用之前学过的基本数据类型表达不了(如:我要描述一个人,仅靠基本数据类型只能说定义他的一种属性<如用 int 定义他的年龄>…...

[NSSRound#6 Team]Web学习
[NSSRound#6 Team]Web学习 文章目录[NSSRound#6 Team]Web学习前言一、[NSSRound#6 Team]check(V1)二、[NSSRound#6 Team]check(Revenge)总结前言 日常做点题娱乐下,刷到了[NSSRound#6 Team]中是三道web题,学习到了不少,记录下知识点。 提示&…...

python多进程cpu利用率高,python多进程反而慢
python多进程cpu利用率高,python多进程反而慢 - 胖熊NET...
H2 db 用法
1、下载 H2 db 直接解压,点击bin/h2.bat 2、弹出ie登陆信息框: 4、数据库文件 D:/HMC_2.3.3 5、连接上之后:...

【转载】jmeter 做一个简单的http接口测试,并执行断言和查看结果树
打开jmeter,在测试计划中右键,添加一个线程组。由于jmeter是一款Java应用。此处一个线程组就是一个用户。 线程组,右键,添加一个http请求 线程组右键添加一个监听器–>查看结果树。作用就顾名思义了。是用来反映此次执行的结…...

安装后打开 eclipse 很可能会弹出对话框出现警告信息
安装后打开 eclipse 很可能会弹出对话框出现警告信息 The Maven Integration requires that Eclipse be running in a JDK, because a number of Maven core plugins are using jars from the JDK. Please make sure the -vm option in eclipse.ini is pointing to a JDK and …...

Postman介绍测试准备
Postman介绍&测试准备 Postman介绍:postman是一个开源的接口测试工具,无论是做单个接口的测试还是整套测试脚本的拨测都非常方便。 前期准备:测试前,需要安装好postman, 客户端版本跟插件版本都行,根据个人需要选…...

接口测试(一)常见接口类型
介绍接口测试之前,本文先介绍一下接口的概念及常见的接口类型。 接口是指外部系统与系统之间以及内部各子系统之间的交互点。包括外部接口、内部接口,内部接口又包括:上层服务与下层服务接口、同级接口。 常见web接口:一类是htt…...

安卓软件测试的几个要点
用户体验测试 1、界面 ①文字错误、图片不显示或显示不正确、缺少输入项、按钮的大小和点击效果 ②布局、图片和配色设计问题,测试人员很难进入 ③提示信息,提示信息语言准确简洁,有指导性。在应该提示的位置放入提示信息,比如程…...

软件测试 相关理论基础概念(汇总整理)
目录: 1.大纲总览 2.软件测试方法 3.测试步骤 一、软件测试基本概念 1.1 软件测试的目的和重要性(rs勿忘初心关于这些总结的很棒) 发现和改正错误。 1.2软件测试的特点 测试开销大 不能进行穷举测试 测试难度大。(既不能进行穷…...

【转载】App测试流程及测试点
1 APP测试基本流程 1.1流程图 1.2测试周期 测试周期可按项目的开发周期来确定测试时间,一般测试时间为两三周(即15个工作日),根据项目情况以及版本质量可适当缩短或延长测试时间。正式测试前先向主管确认项目排期。 1.3测试资…...

一个测试工程师的感悟
手动测试工作做个两三年,基本上就能掌握测试需要的大部分知识,如果没有爬到test lead的位置, 很多人就感觉到发展瓶颈了,每天重复测试,学不到东西,很快就会对测试工作失去激情。 学不到东西,技…...

自动化测试常见问题怎么解决?
1、找不到元素,脚本报"NoSuchElementException:Unable to find element",或者"定位到了,不能操作,点击无效" 首先查看自己的"属性值"是否写正确 元素的标签不唯一,默认找到第一个 向上…...

【转载】软件测试分类
软件测试-测试分类 一、按软件测试阶段: a. 单元测试 b. 集成测试 c. 系统测试 d. 验收测试 1、单元测试 单元测试的原则: 1、尽可能保证部没测测试用例相互独立 2、一般由代码的编写人员来实施 单元测试的优点: 1、能尽早发现缺陷 2…...

【转载】测试报告模板
1. 简介 1.1 编写目的 本文档用于记录测试过程,总结各轮次的测试情况,分析测试数据,归纳测试工作进行过程中暴露的问题与遗留的风险,给出相应的测试建议以供后续项目参考。 1.2 项目背景 xx需要一个拥有真实用户的社区化产品&…...
Cocos2dx 环境搭建(失败)
1、下载地址: http://www.cocos2d-x.org/download 下载后文件: 下载画面 2、解压文件到:E:\czx0911\android\cocos2d-x-3.10 3、本机已经装好vs2012了,所以双击E:\czx0911\android\cocos2d-x-3.10\build下面的cocos2d-wi…...
sqlserver2012 连接测试
package sqlserver2012;import java.sql.Connection; import java.sql.DriverManager; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.ResultSetMetaData; import java.sql.SQLException; import java.util.ArrayList; import java.util.Li...

java计算机毕业设计h5仿淘宝购物系统源码+数据库+系统+lw文档
java计算机毕业设计h5仿淘宝购物系统源码数据库系统lw文档 java计算机毕业设计h5仿淘宝购物系统源码数据库系统lw文档本源码技术栈: 项目架构:B/S架构 开发语言:Java语言 开发软件:idea eclipse 前端技术:Layui、H…...

当青训营遇上码上掘金之主题四-攒青豆
theme: juejin 攒青豆 现有 n 个宽度为 1 的柱子,给出 n 个非负整数依次表示柱子的高度,排列后如下图所示,此时均匀从上空向下撒青豆,计算按此排列的柱子能接住多少青豆。(不考虑边角堆积) 以下为上图例子…...

国外问卷调查到底能不能赚钱?
问卷调查行业其实对于我们来说并不陌生,它已经存在了很多年了,但是问卷调查赚钱确是很多人最近几年才了解到的,这是因为中国互联网最近几年的飞速发展再加上各行业的竞争所导致的。 互联网网络创业可以说是成本最低廉的创业项目之一了,不需要…...

C语言 小明的调查作业
Description 小明的老师布置了一份调查作业,小明想在学校中随机找N个同学一起做一项问卷调查,聪明的小明为了实验的客观性,他先随机写下了N个1到1000之间的整数(0<N≤1000),不同的数对应着不同的学生的…...

Spring REST风格
REST(Representational State Transfer),表现形式状态转换,它是一种软件架构风格。 当我们想要表示一个网络资源时,传统方式通常是用一个请求url表示一个操作。这样既不方便,也不安全,因为操作对于用户是透…...

健康调查系统c语言代码大全,C语言问卷调查(示例代码)
你对自己的未来有什么规划?做了哪些准备?努力做一名程序员,课余时间看看代码。你认为什么是学习?学习有什么用?现在学习动力如何?为什么?学习可以了解许多东西。现在学习动力不足。因为懒。你感…...

前端对数据的处理
gydj () {let a {name: "张三",age: 30,height: 180.4,weight: 110,sex: "男"}let b JSON.stringify(a) //把对象转化为JSON字符串console.log(b, b)let c JSON.parse(b) //字符把JSON串转化为对象console.log(c, c)//遍历对象for (var i in c) {cons…...

EOS Transaction
EOS Transaction 转账 Transfer (转移凭证) 转账时候的金额精度需要和发行该token时保持一致, [roottest-work2 ~]# cleos push action eosio.token transfer [ "kevin", "coco", "25.0000 CL", "fa goong zi le ." ] -…...

从南丁格尔图到医学发展史
可视化中,前端用于表现不同类目的数据在总和中的占比的场景,往往会采用饼图。 针对数据大小相近,南丁格尔图的呈现会更加美观。 南丁格尔图,又称玫瑰图,是由弗罗伦斯南丁格尔发明。 弗洛伦斯南丁格尔 开创了护理事业…...

2019-05-23 利用Cookie 给论坛灌水;利用Cookis当版主;
在论坛发帖 又叫 "灌水" 可面对别人 动辄成千上万的帖子数量 想要快速灌水 需要借助 Cookie ; 转载于:https://www.cnblogs.com/wbly2019/p/10910630.html...

php灌水,PHP实现自动刷数/灌水程序
PHP实现自动刷数/灌水程序今天无意间搜索.htaccess的资料,看到一个网站,它的计数器能够在静态页里更新,我想,应该是使用js来做的,打开源代码一看,果然是:作者:未知 文章来源…...

2014.06.20 (转)IEEE与论坛灌水
转自"饮水思源"电子类学生大都知道IEEE, 这个IEEE就像一个大的BBS论坛,而这个协会下面有很多杂志,比如图像处理,信号处理,微波技术等。这些杂志就是论坛下的分版面。每个版面有版主(主编)&#x…...

灌水 的论坛
IT方面的论坛太多了,有综合,有专业,有行业,在各个论坛里混了几年,体会颇深,以前是论坛哪里人多,往哪里去,新浪论坛,网易是经常去的,人多啊,好几十…...

nodejs之nightmare的使用--网络爬虫---论坛灌水
参考:https://www.cnblogs.com/xiaxuexiaoab/p/7297509.htmlnightmare是PhantomJS的高级封装,让你能够实现浏览器自动化任务。PhantomJS 是一个基于WebKit的服务器端 JavaScript API。它全面支持web而不需浏览器支持,其快速,原生支…...

论坛灌水机器——用CSocket提交数据网页数据表单
其实还算不上是灌水机器人,因为仅仅实现了用CSocket提交网页数据表单,我以前没有想过要弄网络编程的,因为寒假里的一部电视剧《孔雀翎》间接使我做了这个工具。 自从看《孔雀翎》的结局后,心里很不是滋味,一直在纠结&a…...

以后再也去不论坛灌水了
相册被封,论坛不能发帖子,当时注册这个账号就是为了来csdn学习的,后来发现自己的动机变了 这个论坛还有很多东西我还没学会哪,怎么可以灌水,好好学习,天天向上,不发high图 发次日志࿰…...

Python贴吧灌水脚本
文章目录写在前面包和全局变量获取已有页数评论模块控制函数写在后面写在前面 作为一个水笔,我的梦想是无休止的灌水,无休止的经验3,所以写了这么一个东西帮我灌水!需要的参数是cookie中的BDUSS,如何获取,…...

使用webdriver进行论坛灌水升级账号,学会的小伙伴可以愉快的畅览各个论坛版块了
背景:有的论坛设置了账号权限,只有账号达到了某个权限以后才能访问某个特定版块。这对于低级别的用户不是很友好,我也是其中一员,还好论坛有灌水区,可以随意灌水提升账号积分,但是用人工一条条灌水太费时间…...

用Ruby实现的论坛灌水工具:CC98 Post Machine
介绍 ZJU 的校网论坛 CC98 比较活跃。论坛只对校内网开放,而且账号跟学生绑定,每个学生注册的账号数量有限。『十大』是 CC98 的经典页面:基于关注的人数(回帖的用户数而不是回帖的数量)用算法求出 24 小时内最火爆的十…...

论坛灌水举报助手
功能说明直接输入tid亦可读取可调整智能多线程评论列表支持右键菜单功能评论列表支持表头单击排序内置9个排行榜最新{贴}网址节点防重复提交(已存在返回失败)(edb附加写出:程序数据目录/结构:字段“节点” 长度15&…...

byr论坛灌水小工具
原来写过一个模拟登陆byr论坛的脚本:一个CURL模拟登陆论坛的脚本cookie伪造的方法 这次改了改,就成了一个小小的灌水机器人。 直接贴代码了: <?php /*** author : wusuopubupt* date : 2014-02-19* desc : byr论坛灌水小工具* * 利用c…...

论坛灌水打油
2009-07-20/Lexlin论坛七零版灌水--- 周一休息不上班,无聊ing!我自灌水向天笑,其他水客请勿扰。个人自灌自家水,休管他人洪水潮。七零版上水如虹,办公室里人声嘈。不理耳边无聊事,一心只识灌水高。灌到兴头…...

持续监控某个进程的输出
watch -n1 cmd...

java中打印1-100之间的13的倍数
public static void main(String[] args) { //打印1-100之间13的倍数 for(int i1;i<100;i){ if(i%130){ System.out.println("1到100之间13的倍数为:"i); } } }...

C语言输出1-100中3的倍数
#include <stdio.h> int main() { for (int m 1; m < 100; m) { if (m % 3 0) printf("%d ", m); } return 0; }...

C语言 1~100之间3的倍数
1~100之间3的倍数 1.代码1 初始值为3,每次3,即可得到3的倍数 #include<stdio.h> int main() {int i1;for(i3;i<100;i3){printf("%d ",i);}return 0; }2.代码2 能除3余0的为3的倍数 #include<stdio.h.> int main() {int i1;…...

c语言1到1000的3的倍数之和,C语言编程:用for语句求1~100中是3的倍数的所有整数之和...
#includeint main(){int i,s0;for(i1;i;i)si;printf("%d\\n",s);return 0;}输出5050www.mh456.com防采集。C语言用for语句求21131~100中是3的倍数的所有5261整数之和,提供两种解4102法如下:for循环是编程语言中一种开界的循环语句,…...

python 100以内3的倍数_编程题求1-100内所有的3的倍数之和 – 手机爱问
所有既不是 5的倍数, 也不是 7的倍数的整数之和是? 先求从1到100这100个数的总和? S1??1 2 。。。 100??(1 100)*100/2??5050 再求从1到100这100个数中所有5的倍数的总和 S2? ?5 10 15 。 。。 100? ?5*?(?1 2 。。。 20) ?5?*?(1 20)*2…...

5, 计算1~100中所有7的倍数的个数(c语言编程题,编写程式,分别统计1~100中,满足3的倍数,7的倍数各有多少个...
编写程式,分别统计1~100中,满足3的倍数,7的倍数各有多少个以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!编写程式,分别统计1&…...

求1-n连续自然数的最小公倍数
计算最小公倍数公式 两个或多个整数公有的倍数叫做它们的公倍数,其中除0以外最小的一个公倍数就叫做这几个整数的最小公倍数。整数a,b的最小公倍数记为[a,b],同样的,a,b,c的最小公倍数记为[a,b,c],多个整数的最小公倍数也有同样的记号。 与最小公倍数相对应的概念是…...

枚举1到n所有数的倍数
假设我们枚举的是n个数,那么每一个数的倍数有n/i个,一共枚举的数量就是n* ,调和级数嘛,也就是n*logn咯,似乎可以证明是均摊logn,而质数的个数约为O(n/lgn),因此 枚举所有…...

52 N的倍数
52 N的倍数 作者: 张志寿 时间限制: 2S章节: 函数 问题描述 : 明明的爸爸在研究一个复杂的数学问题,研究了很长时间都没有结果。明明看见后就问爸爸在研究什么。明明的爸爸回答说:“我在研究一个整数的倍数问题,想找到某个数的倍数……”明…...

半静态语言–原理和价值分析
【摘要】动态类型语言在企业开发和互联网开发中应用广泛,而其弱类型的内在特点使其在这些业务复杂的应用开发中存在很多缺点:无法静态检查,程序不健壮,测试成本高;缺乏一些敏捷开发功能如IDE内实时验证、代码提示、代码…...

pygame贪吃蛇 暂停+计数
摘要 贪吃蛇是一款经典的小游戏,深受人们喜爱,贪吃蛇游戏就是随机的给出食物,玩家控制蛇前去吃食,蛇会随着所吃食物的增加而增长,当蛇咬到自己或撞墙时,游戏结束。 游戏中的蛇由白色方块组成,食…...

SpringSecurity设计流程
个人总结版,不适用Security最新版本,但大体道理还是相似 0. 引言 首先说明为什么我要学习Security: 因为最近新公司需要重构安全框架,所以选来选去最后Security是最合适的。安全框架,究其根本无非就是认证、授权; 认证:验证当前访问系统的是不是本系统的…...

腾讯云CloudPages建站模板搭建网站教程
腾讯云建站CloudPages自助建站模板,建站神奇不需要会代码小白轻松搭建网站,CloudPages支持海量精美建站模板,可用于搭建企业官网、广告落地页、微信小程序等,支持PC、H5、小程序三端自适应,像做PPT一样自助搭建网站&am…...

【web开发网页制作】Html+Css网页制作关于我的家乡(6页面)【附源码下载】
【写在前面】之前学生时代自己也做了不少页面,现在毕业后也希望能慢慢的分享出来给大家,希望能给刚接触web开发的你带来一些启发。其实关于网页制作,没有大家想象中的那么难,接下来给大家详细介绍一下如何实现网页的制作ÿ…...

大数据之Hive SQL题库-初级
第一章环境准备1.1 建表语句hive>-- 创建学生表 DROP TABLE IF EXISTS student; create table if not exists student_info(stu_id string COMMENT 学生id,stu_name string COMMENT 学生姓名,birthday string COMMENT 出生日期,sex string COMMENT 性别 ) row format delim…...

百元蓝牙降噪耳机哪个比较好?平价不踩雷的降噪蓝牙耳机评测
目前最流行热门的3C数码好物,必然是降噪蓝牙耳机!在大街上、公交和地铁上都可以看到很多用户都佩戴着蓝牙耳机,并且具有降噪功能的蓝牙耳机更受欢迎。下面我来分享几款平价又不踩雷的降噪蓝牙耳机给大家,希望大家都能找到心仪那…...

Win11的两个实用技巧系列之电脑磁盘分区的方法、任务栏点击网络声音图标无反应怎么办
Win11怎么把C盘分成几个盘?Win11电脑磁盘分区的方法近期有用户刚给电脑安装了新的Win11系统,在后续的使用中,发现电脑磁盘只有一个C盘,需要分盘,如何分呢?本文就为大家带来了详细的分盘教程,需要的朋友一起看看吧Win1…...

如何基于Security框架兼容多套用户密码加密方式
一、说明 当已上线的系统存在使用其他的加密方式加密的密码数据,并且密码 不可逆 时,而新的数据采用了其他的加密方式,则需要同时兼容多种加密方式的密码校验。 例如下列几种情况: 旧系统用户的密码采用了 MD5 的加密方式&…...

python:数据结构内容(1)
文章目录壹、元组定义1、创建元组2、访问元组中数据3、元组的连接4、删除元组5、常用的元组函数贰、列表定义1、创建列表2、访问列表3、列表赋值4、删除元素5、列表中的操作方法引言:为了在计算机程序中表示现实世界中更加复杂的数据,python除了提供数字…...

Lazada各大跨境站点,lazada商品详情 API 返回值说明
item_get-lazada商品详情 公共参数 名称类型必须描述keyString是 调用key(必须以GET方式拼接在URL中) 注册Key和secret测试 secretString是调用密钥api_nameString是API接口名称(包括在请求地址中)[item_search,item_get,item_s…...

【iOS】—— ARC学习
ARC 文章目录ARC内存管理的思考方式自己生成的对象自己持有非自己生成的对象,自己也能持有不再需要自己持有的对象时释放无法释放非自己持有的对象所有权修饰符在什么时候会用到weak和strong?__unsafe_unretained__autoreleasing__autoreleasing的应用场…...

onethink 字段插件 多图上传 UploadImages
多图上传插件,先上效果图该插件和之前的一个UploadImages 插件命名一样只不过功能不一样,所以不能同时使用,如果知道怎么改插件那就当我上面没说哈。功能列表:多图上传,删除,拖拽排序,自定义增加字段添加扩…...

东风最高降9万,一场卖车焦虑背后的“定价权”争夺
文|智能相对论作者|leo陈3月,“东风系”汽车湖北大降价,猛地刺激了消费者和同行。“门店里东风雪铁龙车型全部爆单,没有办法再接新订单,因为没有车交,其他车型倒是还有少量现车。”湖北某家东风门店的销售这样说&#…...

RabbitMQ学习(一)中间件技术、消息队列协议、持久化、分发策略、高可用与高可靠、入门与安装、角色分类
中间件技术与分布式架构 分布式中间件 消息中间件 类型:ActiveMQ、RabbitMQ、Kafka、RocketMQ 场景:消息中间件监控数据 、异步数据传输场景、流量削峰、任务调度、海量数据同步、分布式事务、日志管理、大数据分析与传递、数据的分发与异步处理 协议…...

GBase 8c GDCA培训认证【环境准备、安装】
1. 环境准备 相关配置要求如下: 配置:内存16G以上(最好16G),硬盘 20G以上,固定IP地址和mac地址;镜像包(Centos7.9)下载,root 账户密码6个1:11111…...

java总结--线程
什么是线程、什么是进程 进程是程序运行和资源分配的基本单位,一个程序至少有一个进程,一个进程至少有一个线程。进程在执行过程中拥有独立的内存单元,而多个线程共享内存资源,减少切换次数,从而效率更高。 线程是进程…...

计算机网络中---重要相似基础的概念
目录 TCP和UDPhttp和https网段和网关端到端和点到点流量控制和拥塞控制单工、半双工和全双工虚电路服务和数据报服务CSMA / CD和CSMA / CA电路交换、报文、分组交换频分复用、时分、波分、码分复用TCP和UDP 这是传输层为了支持不断增多的应用层协议而提供的两种协议,主要是为…...

神经网络之反向传播算法(自适应学习率调整算法Adadelta)
文章目录自适应学习率调整算法(Adadelta)1、算法原理2、算法实现2.1 训练过程2.2 测试过程及结果3、参考源码及数据集自适应学习率调整算法(Adadelta) 自适应学习率调整算法(Adadelta)可以视作是自适应梯度…...

使用TensorFlow Serving进行模型的部署和客户端推理
目的:在一个server端使用TensorFlow框架对模型进行训练和保存模型文件后用TensorFlow Serving进行部署,使得能在客户端上传输入数据后得到server端返回的结果,实现远程调用的效果。环境:操作系统: ubuntu 20.04.1当然可…...

Android异步消息机制
一、异步消息处理机制Handler Android中的异步消息处理主要由4个部分组成:Message、Handler、MessageQueue和Looper。 Message Message是在线程之间传递的消息,它可以在内部携带少量的信息,用于在不同线程之间传递数据。如Message的what字段…...

【id:10】【20分】B. 三串合一(指针与字符数组)
题目描述 输入三个字符串,通过指针读取各个字符串的子串(子串是指字符串中连续的一小部分),把它们合并成一个新字符串 要求: 1. 三个字符串的创建和输入可以使用数组,也可以不用 2. 输入后,根…...

GoJS 2.3 Crack
GoJS 2.3 新的 SVG 渲染上下文 GoJS 通常将图渲染到 HTML 画布,并提供将图场景导出到 图像格式和 SVG。在 GoJS 2.3 中,该库现在支持在 添加到默认画布上下文中。视觉上应该没有变化,性能会 使用默认画布上下文时速度更快,但 SVG…...

数据结构 -- 线性表:定长顺序表和不定长顺序表的代码和实现
一、顺序表 概念: 是一种线性结构(1对1的关系),每一个数据元素都有一个前驱(除了第一个元素)和一个后继(除了最后一个元素) 在逻辑上数据元素都是连续的,在物理存储上数…...

面试了8家软件公司测试岗位,面试题大盘点,我真的尽力了
包含的模块:本文分为十九个模块,分别是:软件测试 基础、liunx、MySQL、web测试、接口测试、APP测试 、管理工具、Python、性能测试、selenium、lordrunner、计算机网络、组成原理、数据结构与算法、逻辑题、人力资源需要的可以看文末获取方式…...

JavaScript专题之惰性函数
参考原文:JavaScript专题之惰性函数 需求 我们现在需要写一个 foo 函数,这个函数返回首次调用时的 Date 对象,注意是首次。 解决一:普通方法 var t; function foo() {if (t) return t;t new Date()return t; }问题有两个&…...

Android本地关键代码安全处理
一、背景 最近在做代码安全方面的工作,发现一些关键信息如:密钥、加密策略等直接写死在项目代码中,存在代码安全隐患。本文档提供一种示例:把关键信息,保存在native层;并对安装包关联信息进行校验…...

Phoenix简介_安装部署_以及连接使用---大数据之Hbase工作笔记0035
我们之前都是用hbase的api的jar包来执行操作的hbase,但是不方便因为语法,太复杂了,提供的api也很麻烦,操作很不友好,Phoenix是凤凰的意思,可以让操作像mysql一样简单,写就可以了 可以看到Phoenix的介绍 上面是官网可以看下 然后看一下如何安装,可以看...

2020-复习
2020-复习一、程序设计二、操作系统三、计算机网络一、程序设计 1.编写一个函数实现十进制向二进制转换的功能,函数的输入为一个十进制数,输出为一个二进制数,如输入37,输出为100101 #include <stdio.h> // 编写一个函数实现十进制向二进制转换的功能,函数的输入为一个…...

Vue2项目总结-电商后台管理系统
Vue2项目总结-电商后台管理系统 去年做的项目,拖了很久,总算是打起精力去做这个项目的总结,并对Vue2的相关知识进行回顾与复习 各个功能模块如果有过多重复冗杂的部分,将会抽取部分值得记录复习的地方进行记录 一:项目…...

M1/M2 Pro VMware Fusion虚拟机安装Win11教程(超详细)
前言 最近换了新电脑 —— M2 Pro,属于是结束了二十多年的Windows生涯了。但是有些东西又必须在Windows系统上去搞。 比如 易语言开发、运行一些exe的软件等等,没办法,搞个虚拟机,装个Win11吧。 下面进入正题: 一、安装…...

记一次Excel模板导出功能
前言 这篇文章是要记载在开发过程中实现:使用自己定义的excel模板文件,将list数据填入模板文件中。 说明 这里只记录了一些功能要点和使用时要注意的地方!!! 详细 引入依赖 这里使用的是easypoi来实现这个功能,先引入依赖包,版本是4.1.2<dependency><group…...

Internet基础
目录Internet1、MAC地址2、IP地址(1)IP地址定义(2)IP地址分类(3)IP地址组成(4)IP地址的计算①子网数,主机数的计算②网络地址和广播地址的计算3、DNS和URL(1&…...

day11-函数总结
Function Effect 在实现某个功能对应的代码的时候,如果将实现功能对应的函数放到函数中,那么下一次再需要这个功能的时候,就可以不用再写这个功能对应的代码了,而是直接调用这个功能对应的函数 def sum_range(num):sum1 0for x…...

python中dumps、dump、load、loads的区别
根据序列化和反序列的特性 loads: 是将string转换为dictdumps: 是将dict转换为stringload: 是将里json格式字符串转化为dict,读取文件dump: 是将dict类型转换为json格式字符串,存入文件 一、相同点 dump…...

CSS基础之盒模型
盒模型 简介 在CSS中,元素都是被一个个的盒子(box)包围着,理解这些盒子的基本原理,是我们使用CSS实现准确布局,处理元素排列的关键。在CSS中有 块级盒子、内联盒子 两种,它们在页面流和元素…...

2023系统分析师---项目管理
一、项目管理 一、基本概念 范围管理:确定项目的边界,即那些工作是项目应该做的,那些工作不应该包括在项目中范围定义的输入包括:项目章程、项目范围管理计划、批准的变更申请、组织过程资产WBS的作用包括:便于估算、…...

go-zero学习 — 基础
go-zero学习 — 基础1 参考2 goctl 相关命令整理2.1 .api生成swagger的命令2.2 .api生成api模块的命令2.3 .proto生成rpc模块的命令2.4 sql文件生成model的命令2.5 docker启动swagger的命令3 架构图4 go-zero环境搭建4.1 注意事项4.2 go-zero 需要安装的组件4.3 方式 14.4 方式…...

【算法】退火算法+背包问题 python
目录一、概念二、算法的优点三、基本流程和公式四、例题python代码已知背包的装载量为 c10,现有 n5 个物品,它们的重量和价值分别是 (2, 3, 5, 1, 4) 和 (2, 5, 8, 3, 6)。试使用模拟退火算法求解该背包问题。python 代码一、概念 模拟退火算法采用类似…...

算法高频函数
目录 fixed() setprecision() setw() swap() sort() subsrt() atoi() 将不定时更新 fixed() 消除浮点数的科学计数法 只要出现了fixed,则后面都是以fixed输出。 用定点表示法表示浮点…...

PCIE时钟解说
接上篇文章《clock oscillator,generator,buffer选型杂谈》,今天我们来说下PCIE时钟的要求: 首先先看下PCIE架构组件:下图中主要包括了CPU(ROOT COMPLEX),PCIE SWITCH,BUFFER以及一些PCIE ENDP…...

从0开始学python -64
Python urllib -1 Python urllib 库用于操作网页 URL,并对网页的内容进行抓取处理。 本文主要介绍 Python3 的 urllib。 urllib 包 包含以下几个模块: urllib.request - 打开和读取 URL。urllib.error - 包含 urllib.request 抛出的异常。urllib.par…...

[前端笔记036]vue2之ajax配置
前言 本笔记参考视频,尚硅谷:BV1Zy4y1K7SH p96 - p104 vue脚手架配置代理服务器: 方法一:在vue.config.js中添加如下配置: devServer:{proxy:"http://localhost:5000" }优点:配置简单,请求资…...

Activity学习——安卓第二次作业
作业要求: 在第一个Activity通过两个EditText分别输入学号和姓名,然后通过数据传递,在第二个Activity上显示出刚才输入的学号和姓名。 布局要求用约束布局实现。 Activity的启动和结束 从当前页面跳到新页面,跳转代码如下&…...

python正则化
一、re模块简介聊到Python正则表达式的支持,首先肯定会想到re库,这是一个Python处理文本的标准库。标准库的意思表示这是一个Python内置模块,不需要额外下载,目前Python内置模块大概有300个。可以在这里查看Python所有的内置模块&…...

week13周报
一.动态规划走楼梯2难点:不能连续走三次两级台阶如何表示思路:可以用二维数组f[i][j],i表示当前台阶数,j表示已经连续走了j次二级台阶了转移方程:f[i2][j1]f[i2][j1]f[i][j] 当j!2时,我们可以选择走二级台阶…...

Mybatis使用Oracle数据库主键自增
一、关于mysql和oracle主键自增 我们知道在mysql中主键设置为int类型,然后设置AUTO_INCREMENT,则在插入数据的时候mapper中的sql文件是可以不写主键这个字段,数据库就会自动补全一个自增的主键值,但是在oracle中没有AUTO_…...

音视频技术开发周刊 | 285
每周一期,纵览音视频技术领域的干货。新闻投稿:contributelivevideostack.com。GPT-4 Office全家桶发布谷歌前脚刚宣布AI工具整合进Workspace,微软后脚就急匆匆召开了发布会,人狠话不多地祭出了办公软件王炸——Microsoft 365 Cop…...

具备人脸识别功能的多目标在线实时行为检测(yolov5+deepsort+slowfast)
文章目录前言配置项人脸识别配置多目标行为检测配置人脸识别模块采集模块人脸存储模块识别模块目标行为检测模块非在线实时检测在线实时检测结合人脸识别总结前言 这里先声明一下本项目是基于https://github.com/wufan-tb/yolo_slowfast 做的一个二次开发,也就是进…...

你绝对不知道的 SpringBoot 的外部化配置特性!
作为 Java 程序员,相信大家都知道,我们日常的 SpringBoot 项目会有一个配置文件 application.properties 文件。 里面会配置很多参数,例如服务的端口等,这些都只是默认值,在不改变配置文件里面内容的情况下,…...

《2023大型企业财务数智化白皮书》:大型企业财务数智化建设应用架构
2023年3月16日,用友在北京国家会计学院举办“智能会计价值财务”2023企业数智化财务创新峰会 北京站。会上,用友《大型企业财务数智化白皮书》重磅发布,其核心观点之一中强调,大型企业财务数智化建设应遵循“1-1-7”体系ÿ…...

JAVA进阶 —— 动态代理
目录 一、什么是动态代理? 二、如何为Java对象创建代理对象? 三、两种常见的动态代理方式 1. 基于接口的动态代理 2. 基于类的动态代理 一、什么是动态代理? 在原有代码上加入新的功能该如何操作呢? 我们可以采用 侵入式修改…...

TCP报文和UDP报文
TCP报文 TCP(Transmission Control Protocol)是一种面向连接的、可靠的传输协议,用于在网络中传输数据。TCP报文段是TCP协议的基本单位,它主要由以下字段组成:20个字节 源端口号(16 bits)和目…...

【ChatGPT】教你搭建多任务模型
ChatGPT教你搭建多任务模型 You: tell me what’s your version of gpt ? ChatGPT: As an AI language model developed by OpenAI, I am based on the GPT (Generative Pretrained Transformer) architecture. However, my version is known as GPT-3.5, which is an updat…...

【微信小程序】-- 案例 - 自定义 tabBar(四十六)
💌 所属专栏:【微信小程序开发教程】 😀 作 者:我是夜阑的狗🐶 🚀 个人简介:一个正在努力学技术的CV工程师,专注基础和实战分享 ,欢迎咨询! &…...

人工智能多模态方向学习笔记Attention and Tell
简介 Attention and Tell(通常缩写为“Attn-Tell”)是一种机器学习算法,用于自然语言处理任务,如文本摘要和问答。 该算法由两个主要组件组成:注意力机制和解码器。注意力机制用于识别输入序列的重要部分,…...

ESP8266-NodeMCU开发板-------开发板介绍(1)
目录 认识ESP8266-NodeMCU开发板编辑 GPIO编号与NodeMCU开发板引脚名的区别: ESP8266 GPIO编号与NodeMCU开发板引脚名的对应关系 可用引脚 电压电流限制 特殊引脚情况说明 上拉电阻/下拉电阻 模拟输入 通讯 认识ESP8266-NodeMCU开发板 初识NodeMCU开发板 (第1章-第…...

蓝桥杯算法全集之完全背包问题(动态规划算法)
一、概念定义有 N 种物品和一个容量是 V 的背包,每种物品都有无限件可用。第 i种物品的体积是 vi,价值是 wi。求解将哪些物品装入背包,可使这些物品的总体积不超过背包容量,且总价值最大。输出最大价值。用下面这个图来分别动态规…...

Servlet:利用Response实现重定向及其与请求转发的区别与实例展示
目录 一、创建RedirectServlet类 二、注册Srevlet(在web.xml中) 三、重定向和请求转发的区别 四、重定向实例应用——登录界面 1、打开index.jsp设计登录页面 2、创建RequestTest类 3、注册servlet 4、在webapp文件夹下新建一个success.jsp文件 …...

leetcode 2111 使数组K递增的最少操作次数
给你一个下标从 0 开始包含 n 个正整数的数组 arr ,和一个正整数 k 。 如果对于每个满足 k < i < n-1 的下标 i ,都有 arr[i-k] < arr[i] ,那么我们称 arr 是 K 递增 的。 比方说,arr [4, 1, 5, 2, 6, 2] 对于 k 2 是…...

(数字图像处理MATLAB+Python)第一章:绪论
文章目录一:图像的基本概念(1)视觉与图像A:视觉B:图像(2)图像的表示A:函数表示B:模拟图像C:数字图像二:数字图像处理(1)数…...

【3.20】BFS算法、操作系统进程管理(整理)、Java并发面试题
BFS BFS出现的常见场景是:让你在一幅「图」中找到从起点 start 到终点 target 的最近距离,这个例子听起来很枯燥,但是 BFS 算法问题其实都是在干这个事儿。 BFS框架: // 计算从起点 start 到终点 target 的最近距离 int BFS(No…...

【服务器数据恢复】使用碎片拼接方法恢复SQL Server数据库的数据恢复案例
服务器数据恢复环境: 某公司一台DELL服务器,作为WEB服务器使用,安装的Windows Server操作系统,配置了SQL Server数据库; 采用了Xen Server虚拟化系统; 底层是通过raid卡,用4块STAT硬盘搭建的RAI…...