机器学习之朴素贝叶斯分类器原理详解、公式推导(手推)、面试问题、简单实例(python实现,sklearn调包)
目录
- 1. 朴素贝叶斯原理
- 1.1. 特性
- 1.2. 思路
- 2. 公式推导
- 3. 简单实例
- 3.1. 数据集
- 脱单数据集2.0
- 脱单数据集1.0
- 西瓜数据集
- 3.2. python实现
- 3.3. sklearn实现
- 3.4. 实验结果
- 4. 几个注意点(面试问题)
- 5. 运行(可直接食用)
1. 朴素贝叶斯原理
1.1. 特性
朴素贝叶斯是一种有监督学习算法,这种算法基于贝叶斯的一个朴素的假设——每对特征和样本数据都是独立同分布的。最终可以推出朴素贝叶斯分类器的判定准则:
hnb(x)=argmaxc∈ΥP(c)∏i=1dP(xi∣c)h_{nb}(x)=\mathop{arg\ max}\limits_{c\in \varUpsilon}\ P(c) \prod_{i=1}^dP(x_i\ | \ c) hnb(x)=c∈Υarg max P(c)i=1∏dP(xi ∣ c)
我们之前说朴素贝叶斯是一系列算法,这是因为基于不同的条件独立性假设,朴素贝叶斯的分类器会有所不同。
虽然朴素贝叶斯看起来很简单(实际上推起来也很简单),但是它们在现实中的运用还是很不错的,主要是它们仅仅只需要少量训练数据就能估计几个必要的参数,这非常重要。
下面说一下朴素贝叶斯的优缺点:
优点:
- 朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。
- 对小规模的数据表现很好,能个处理多分类任务,适合增量式训练,尤其是数据量超出内存时,我们可以一批批的去增量训练。
- 对缺失数据不太敏感,算法也比较简单,常用于文本分类。
- 快。和SVM等复杂的方法相比,朴素贝叶斯分类器可以非常快,因为类条件特征分布的独立性意味着每个分布可以独立估计为一维分布,这有助于缓解维度数量过大带来的问题。
缺点:
- 理论上,朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为朴素贝叶斯模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,在属性个数比较多或者属性之间相关性较大时,分类效果不好。而在属性相关性较小时,朴素贝叶斯性能最为良好。对于这一点,有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。
- 需要知道先验概率,且先验概率很多时候取决于假设,假设的模型可以有很多种,因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。所以在使用sklearn等包的时候,
predict_proba
仅仅做参考就好了,一般都不太靠谱。 - 由于我们是通过先验和数据来决定后验的概率从而决定分类,所以分类决策存在一定的错误率。
- 对输入数据的表达形式很敏感。
1.2. 思路
贝叶斯的主要思路就是数数,统计每个条件组合下各种结果的概率,并根据这个概率做出分类。
但是,单纯的贝叶斯在计算机计算的时候会出现计算规模过大的情况,这里就需要 引入朴素条件,化简式子。
最终结果就是在计算时我们只需要统计单个条件下的结果,并据此计算得结果就好了,区别于先自由组合条件在统计结果。
2. 公式推导
朴素贝叶斯分类器的推导离不开概率论,这边顺便复习下概率论最基础的知识:
已知有一种疾病,在城市中的患病率为1%,在检查时有银兴阳性两种结果,在检查结果为阴性时有10%概率患病,在检查结果为阳性时有90%概率患病。
城市中有10000个人参与检查。
我们将这个问题带入到 0-1 评分下的脱单数据集中:
不难发现,直接使用贝叶斯公式时,我们遇到了麻烦。我们判断交往(R)的特征有5个,在计算时条件的结果有 252^525 种组合方式。如果我们有50个特征,那需要计算 2502^{50}250 种特征组合;如果特征还不是 0-1 变量,而是另一个脱单数据集那样的 0-10 评分数据,则需要计算 115011^{50}1150 种特征组合!甚至在连续数据下,这种方法是不可用的。
这个时候就体现出朴素贝叶斯下那个朴素的假设效果不朴素了。在此假设下,问题转化为:
需要注意的是, 朴素贝叶斯在加入朴素条件后变换式子还能提高算法的可靠性。在样本量不够大的时候很可能出现 P(A0B0C0D0E0∣R1)P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)P( A0 B0 C0 D0 E0 ∣ R1) 为 0 和 P(A0B0C0D0E0)P(\ A_0\ B_0\ C_0\ D_0\ E_0)P( A0 B0 C0 D0 E0) 为 0 的情况,毕竟总有一类人的条件在相亲市场中不受欢迎,但是因为这是在小样本数据中的结果,并不能真实代表这个概率,直接判定 0 显然不可靠。
在朴素贝叶斯公式中,P(A0∣R1)P(\ A_0\ |\ R_1)P( A0 ∣ R1) 等条件累乘的结果显然大于等于 P(A0B0C0D0E0∣R1)P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)P( A0 B0 C0 D0 E0 ∣ R1) ,这意味着变换后更不容易为0。
换一种说法,P(A0∣R1)P(\ A_0\ |\ R_1)P( A0 ∣ R1) 每个条件相较于 P(A0B0C0D0E0∣R1)P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)P( A0 B0 C0 D0 E0 ∣ R1) 的可能性是更高的,他们每个不等于0的概率都比 P(A0B0C0D0E0∣R1)P(\ A_0\ B_0\ C_0\ D_0\ E_0\ |\ R_1)P( A0 B0 C0 D0 E0 ∣ R1) 大。
因此,在变换后,朴素贝叶斯公式更加稳定,在小样本数据中发挥更好。
为了模拟计算过程,我们回到 0-1 脱单数据集中:
然后对照着计算。
我们之前提过一嘴,这样的方法只是最简单的数量统计,面对连续型数据时,简单的数量统计势必会使算法陷入维度灾难中,此外简单的统计数量也不能体现样本数据的连续性。因此,我们需要一种方法处理连续型数据,当然如果这种方法对连续型数据有效,那对离散型数据也同样适用。
3. 简单实例
3.1. 数据集
脱单数据集2.0
我们这里根据身边朋友的相亲意向对如下脱单样本打标签,完成如下交往意向数据集。我们将这个数据集称为脱单数据集2.0。
样本 | 颜值(A) | 身材(B) | 性格(C) | 收入(D) | 学历(E) | 交往(R) |
---|---|---|---|---|---|---|
1 | 6 | 4 | 7 | 7 | 8 | 1 |
2 | 10 | 10 | 2 | 4 | 2 | 0 |
3 | 7 | 9 | 6 | 8 | 6 | 1 |
4 | 8 | 2 | 10 | 2 | 6 | 0 |
5 | 6 | 6 | 1 | 9 | 4 | 0 |
6 | 3 | 9 | 5 | 7 | 6 | 0 |
7 | 9 | 7 | 3 | 4 | 4 | 0 |
8 | 8 | 5 | 6 | 7 | 6 | 1 |
9 | 4 | 1 | 6 | 8 | 10 | 0 |
10 | 6 | 6 | 7 | 6 | 7 | 1 |
11 | 7 | 4 | 9 | 5 | 2 | 0 |
12 | 1 | 5 | 9 | 10 | 6 | 0 |
13 | 6 | 7 | 7 | 5 | 8 | 1 |
14 | 6 | 5 | 6 | 8 | 6 | 1 |
15 | 8 | 7 | 7 | 6 | 10 | 1 |
lovedata_2.csv
颜值(A),身材(B),性格(C),收入(D),学历(E),交往(R)
6,4,7,7,8,1
10,10,2,4,2,0
7,9,6,8,6,1
8,2,10,2,6,0
6,6,1,9,4,0
3,9,5,7,6,0
9,7,3,4,4,0
8,5,6,7,6,1
4,1,6,8,10,0
6,6,7,6,7,1
7,4,9,5,2,0
1,5,9,10,6,0
6,7,7,5,8,1
6,5,6,8,6,1
8,7,7,6,10,1
脱单数据集1.0
楼上的数据集不是0-1数据,不太适合说明问题,我们这里退化下交往意向数据集,将1-5的评分标记为0,6-10的评分标记为1,完成0-1交往意向数据集。暂时忽略重复数据,毕竟现实中也可能出现样本特性一样的情况。我们将这个数据集称为脱单数据集1.0。
样本 | 颜值(A) | 身材(B) | 性格(C) | 收入(D) | 学历(E) | 交往(R) |
---|---|---|---|---|---|---|
1 | 1 | 0 | 1 | 1 | 1 | 1 |
2 | 1 | 1 | 0 | 0 | 0 | 0 |
3 | 1 | 1 | 1 | 1 | 1 | 1 |
4 | 1 | 0 | 1 | 0 | 1 | 0 |
5 | 1 | 1 | 0 | 1 | 0 | 0 |
6 | 0 | 1 | 0 | 1 | 1 | 0 |
7 | 1 | 1 | 0 | 0 | 0 | 0 |
8 | 1 | 0 | 1 | 1 | 1 | 1 |
9 | 0 | 0 | 1 | 1 | 1 | 0 |
10 | 1 | 1 | 1 | 1 | 1 | 1 |
11 | 1 | 0 | 1 | 0 | 0 | 0 |
12 | 0 | 0 | 1 | 1 | 1 | 0 |
13 | 1 | 1 | 1 | 0 | 1 | 1 |
14 | 1 | 0 | 1 | 1 | 1 | 1 |
15 | 1 | 1 | 1 | 1 | 1 | 1 |
lovedata_1.csv
颜值(A),身材(B),性格(C),收入(D),学历(E),交往(R)
1,0,1,1,1,1
1,1,0,0,0,0
1,1,1,1,1,1
1,0,1,0,1,0
1,1,0,1,0,0
0,1,0,1,1,0
1,1,0,0,0,0
1,0,1,1,1,1
0,0,1,1,1,0
1,1,1,1,1,1
1,0,1,0,0,0
0,0,1,1,1,0
1,1,1,0,1,1
1,0,1,1,1,1
1,1,1,1,1,1
西瓜数据集
参考西瓜书上的数据,转化为整型变量。
watermelon.csv
编号,色泽,根蒂,敲声,纹理,脐部,触感,密度,含糖率,好瓜
1,0,0,0,0,0,0,0.697,0.46,1
2,1,0,1,0,0,0,0.774,0.376,1
3,1,0,0,0,0,0,0.634,0.264,1
4,0,0,1,0,0,0,0.608,0.318,1
5,2,0,0,0,0,0,0.556,0.215,1
6,0,1,0,0,1,1,0.403,0.237,1
7,1,1,0,1,1,1,0.481,0.149,1
8,1,1,0,0,1,0,0.437,0.211,1
9,1,1,1,1,1,0,0.666,0.091,0
10,0,2,2,0,2,1,0.243,0.267,0
11,2,2,2,2,2,0,0.245,0.057,0
12,2,0,0,2,2,1,0.343,0.099,0
13,0,1,0,1,0,0,0.639,0.161,0
14,2,1,1,1,0,0,0.657,0.198,0
15,1,1,0,0,1,1,0.36,0.37,0
16,2,0,0,2,2,0,0.593,0.042,0
17,0,0,1,1,1,0,0.719,0.103,0
3.2. python实现
def love1(filename, coiled=False):# 计算p(a|b)def calculate_frq_ab(data, label, coiled):# 存储各个label对应的概率label_p = {}# unique就series能用for label_value in label.unique():# 存储这个label值下,这个特征值组合的概率feature_p = {}# 筛选label后的数据data_filter = data.loc[label[label == label_value].index.values]# 每个feature一个个数过去for feature in data_filter.columns:feature_p[feature] = data_filter.value_counts(feature) / data_filter.shape[0]label_p[label_value] = feature_preturn label_p# label = {# label_value1: {feature1: df, feature2: df},# label_value2: {feature1: df, feature2: df},# }# 计算p(a),p(b)def calculate_frq_a_b(data, label, coiled):p = {}p[label.name] = label.value_counts() / label.shape[0]for feature in data.columns:p[feature] = data.value_counts(feature) / data.shape[0]return p# 分类器,a为条件,b为labeldef clf(data, label, p_ab, p_a_b):# label = label.unique()ret = []for sample in data.T.iteritems():r = []for label_i in label:p_b_i = p_a_b[label.name][label_i]p_a_i = 1p_ab_i = 1for index, feature_name in enumerate(data.columns):try:p_a_i *= p_a_b[feature_name][sample[1][index]]p_ab_i *= p_ab[label_i][feature_name][sample[1][index]]except KeyError as e:# 出现概率为0的情况p_a_i = 0p_ab_i = 1breakr.append(p_b_i * p_a_i)# / p_ab_ir = label[r.index(max(r))]ret.append(r)return retdata_train, data_test, label_train, label_test = get_data(filename)p_ab = calculate_frq_ab(data_train, label_train, coiled)p_a_b = calculate_frq_a_b(data_train, label_train, coiled)print("训练准确率为:")eveluate(clf(data_train, label_train, p_ab, p_a_b), label_train)print("测试准确率为:")eveluate(clf(data_test, label_train, p_ab, p_a_b), label_test)
3.3. sklearn实现
# 高斯朴素贝叶斯
def sk(files):while 1:for index, name in enumerate(files):print(index, ". ", name)print(len(files), ". 退出")try:choice = int(input())file = files[choice]except:return 0data_train, data_test, label_train, label_test = get_data(file)clf = GaussianNB()clf = clf.fit(data_train, label_train)predict = clf.predict(data_test)eveluate(predict, label_test)
3.4. 实验结果
一、脱单数据集1.0
二、脱单数据集2.0
三、西瓜数据集
四、sklearn
4. 几个注意点(面试问题)
朴素贝叶斯有几个注意点,可能会在面试中被提到,还是比较能体现被面试者对这个算法的理解的。当然我们也不一定就是为了面试,搞清楚这些问题对帮助我们理解这个算法还是很有好处的。其中部分答案是博主自己的理解,如果有问题麻烦路过的大佬评论区指正。
-
证明:条件独立性假设不成立时,朴素贝叶斯分类器仍有可能产生最优贝叶斯分类器。
**答:**这篇论文给出了详细的解答《On the Optimality of the Simple Bayesian Classifier under Zero-One Loss》,我们浅浅尝试复述下。 -
实践中使用 hnb(x)=argmaxc∈ΥP(c)∏i=1dP(xi∣c)h_{nb}(x)=\mathop{arg\ max}\limits_{c\in \varUpsilon}\ P(c) \prod_{i=1}^dP(x_i\ | \ c)hnb(x)=c∈Υarg max P(c)∏i=1dP(xi ∣ c) 决定分类类别时,如果数据维度很高,则会导致 ∏i=1dP(xi∣c)\prod_{i=1}^dP(x_i\ | \ c)∏i=1dP(xi ∣ c) 的结果非常接近0,从而导致下溢。试述防止下溢的方法。
答: 这个问题其实西瓜书第153页有提及,方法跟很多的数学式子的思路相似,对原式取对数,将连乘转化为连加。 hnb(x)=argmaxc∈ΥP(c)∏i=1dP(xi∣c)h_{nb}(x)=\mathop{arg\ max}\limits_{c\in \varUpsilon}\ P(c) \prod_{i=1}^dP(x_i\ | \ c)hnb(x)=c∈Υarg max P(c)∏i=1dP(xi ∣ c) 因此转化为 hnb(x)=argmaxθlog(P(c))+∑i=1dlog(P(xi∣c))h_{nb}(x)=\mathop{arg\ max}\limits_{\theta}\ log(P(c)) + \sum_{i=1}^dlog(P(x_i\ | \ c))hnb(x)=θarg max log(P(c))+∑i=1dlog(P(xi ∣ c)) 。 -
证明:二分类任务种两类数据满足高斯分布且方差相同时,线性判别分析产生贝叶斯最优分类器。
答: 转其他博主答案
5. 运行(可直接食用)
import random
from sklearn import preprocessing
import numpy as np
from sklearn.naive_bayes import GaussianNB
import pandas as pddef get_data(filename, to_one=False, train_size=0.5):data = pd.read_csv(filename).sample(frac=1, random_state=1129)labels = data[data.columns[-1]]data_shuffled = data[data.columns[:-1]]if to_one:data_shuffled = pd.DataFrame(preprocessing.scale(data_shuffled), columns=data.columns[:-1])# 划分训练集测试集# 更喜欢pandas的计算,这里就任性点全变成dataframe的了data_train = data_shuffled.head(int(data_shuffled.shape[0] * train_size)).reset_index(drop=True)label_train = labels.head(int(data_shuffled.shape[0] * train_size)).reset_index(drop=True)# .reset_index(drop=True)可重置indexdata_test = data_shuffled.tail(int(data_shuffled.shape[0] * (1 - train_size))).reset_index(drop=True)label_test = labels.tail(int(data_shuffled.shape[0] * (1 - train_size))).reset_index(drop=True)return data_train, data_test, label_train, label_testdef eveluate(predict, result):result = result.tolist()correct = 0for index, i in enumerate(predict):correct += (i == result[index])print("准确率为:", correct / len(predict) * 100, "%")# love1.0
def love1(filename, coiled=False):# 计算p(a|b)def calculate_frq_ab(data, label, coiled):# 存储各个label对应的概率label_p = {}# unique就series能用for label_value in label.unique():# 存储这个label值下,这个特征值组合的概率feature_p = {}# 筛选label后的数据data_filter = data.loc[label[label == label_value].index.values]# 每个feature一个个数过去for feature in data_filter.columns:feature_p[feature] = data_filter.value_counts(feature) / data_filter.shape[0]label_p[label_value] = feature_preturn label_p# label = {# label_value1: {feature1: df, feature2: df},# label_value2: {feature1: df, feature2: df},# }# 计算p(a),p(b)def calculate_frq_a_b(data, label, coiled):p = {}p[label.name] = label.value_counts() / label.shape[0]for feature in data.columns:p[feature] = data.value_counts(feature) / data.shape[0]return p# 分类器,a为条件,b为labeldef clf(data, label, p_ab, p_a_b):# label = label.unique()ret = []for sample in data.T.iteritems():r = []for label_i in label:p_b_i = p_a_b[label.name][label_i]p_a_i = 1p_ab_i = 1for index, feature_name in enumerate(data.columns):try:p_a_i *= p_a_b[feature_name][sample[1][index]]p_ab_i *= p_ab[label_i][feature_name][sample[1][index]]except KeyError as e:# 出现概率为0的情况p_a_i = 0p_ab_i = 1breakr.append(p_b_i * p_a_i)# / p_ab_ir = label[r.index(max(r))]ret.append(r)return retdata_train, data_test, label_train, label_test = get_data(filename)p_ab = calculate_frq_ab(data_train, label_train, coiled)p_a_b = calculate_frq_a_b(data_train, label_train, coiled)print("训练准确率为:")eveluate(clf(data_train, label_train, p_ab, p_a_b), label_train)print("测试准确率为:")eveluate(clf(data_test, label_train, p_ab, p_a_b), label_test)# 高斯朴素贝叶斯
def sk(files):while 1:for index, name in enumerate(files):print(index, ". ", name)print(len(files), ". 退出")try:choice = int(input())file = files[choice]except:return 0data_train, data_test, label_train, label_test = get_data(file)clf = GaussianNB()clf = clf.fit(data_train, label_train)predict = clf.predict(data_test)eveluate(predict, label_test)if __name__ == '__main__':random.seed(1129)choice = 0while choice != 5:# # 因为有个label载columns里,所以有data.columns-1个w,偏置b还有一列# w = np.random.rand(data_shuffled.shape[1]).reshape(-1, 1)print("1. 恋爱1.0数据集\n2. 恋爱2.0数据集\n3. 西瓜数据集(手写)\n4. sklearn高斯朴素贝叶斯\n5. 退出")try:choice = int(input())except:breakif choice == 1:print("恋爱1.0数据集手写求解中...")love1("lovedata_1.csv")elif choice == 2:print("恋爱2.0数据集手写求解中...")love1("lovedata_2.csv")elif choice == 3:print("西瓜数据集求解中...")love1("watermelon.csv")elif choice == 4:print('西瓜数据集sklearn yyds')sk(["lovedata_1.csv", "lovedata_2.csv", "watermelon.csv"])else:print("退出成功")choice = 6break
参考:
吴恩达《机器学习》
sklearn官网
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-4925936.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!
php isset unset,php中isset(),unset(),empty()函数
I think this is a wonderful idea. I know when my mind is in a positive state, my life seems great. The same life, when I am not thinking positively, seems awful. Hmmmem..makms you think the power of suggestion really does work.Great website. Plenty of hel...

史上最全性能测试方案
XX项目 性能测试方案 引言文档版本版本 作者 审批 备注 V1.0 Vincent XXX 项目情况项目名称 XXXXXXXX 项目版本 V2.31 项目经理 XXX 测试经理 Vincent 所属部门 XXXXXXX 文档编写目的 本文档主要用于指导XX项目性能测试的开展。本文对项目性能测试的范围、目…...

跃迁-功利心的学习方法,学的更好,学的更少
2019独角兽企业重金招聘Python工程师标准>>> 识别知识的源头: 一手信息:知识的源头。二手信息:忠实的转述一手信息。三手信息:为传播简化和极端观点的陈述。四手信息:出于各种冬季充满个人经验的情绪化表达…...

给自己:得失心莫太重,功利心莫太强
得失心莫太重 得失性重,意味着情绪会非常影响你的注意力,很多事情你难以专注的投入,对于事情的完成无疑是不好的。而且,你可能不知道自己到底喜欢什么,不喜欢什么,因为外在的评价标准对你的影响太大。 功…...

2022年全球市场天然除臭剂和香水总体规模、主要生产商、主要地区、产品和应用细分研究报告
本文研究全球市场、主要地区和主要国家天然除臭剂和香水的销量、销售收入等,同时也重点分析全球范围内主要厂商(品牌)竞争态势,天然除臭剂和香水销量、价格、收入和市场份额等。针对过去五年(2017-2021)年的…...

url最大长度
对于前端作为分享页,或者跳转新页面时,或者做hrbrid 通信,需要用到一系列的参数来处理相对的业务逻辑,那么具体url可以携带多少参数合适,从网上搜索了相关信息如下:1,IE浏览器对URL的最大限制为…...

论文查询AI知识查询网站推荐
文章目录前言一、 [semanticscholar](https://www.semanticscholar.org/)二、[AI 知识库](https://easyai.tech/ai-definition/)前言 推荐几个查阅论文的网站,后续会一直更新,感谢关注 一、 semanticscholar 能够搜索你需要的论文,提供论文…...

Wordvice推出人工智能工具 免费论文润色功能受欢迎
目前,国际知名的英文论文润色服务机构Wordvice(霍华斯)推出人工智能英文校对工具Wordvice AI Proofreader,是一款自动英文校正,线上自动英文润色的工具,适用于英文论文润色、英文文章修改、英文商务文件纠错…...

Java中高级核心知识全面解析——AQS(原理、什么是Semaphore(信号量)、CountDownLatch(倒计时器)、CyclicB
一、AQS 简单介绍 AQS的全称为(AbstractQueuedSynchronizer),这个类在java.util.concurrent.locks包下面。 AQS 是一个用来构建锁和同步器的框架,使用 AQS 能简单且高效地构造出应用广泛的大量的同步器,比如我们提到…...

【RabbitMQ二】——RabbitMQ入门教程(简单模式)
RabbitMQ入门教程(简单模式)前言RabbitMQ相关术语RabbitMQ简单模式示例总结如果博主的文章对您有所帮助,可以评论、点赞、收藏,支持一下博主!!!前言 本篇博客主要是实现RabbitMQ最简单的模式,一个生产者,一…...

普通高中机器人竞赛的现状、问题、对策
全国中小学电脑制作活动。该活动创办于 2000 年,由中央电化教育馆等单位主办。该活动分为小学 组、初中组、高中组和中职组,内容包括 艺术设计、 网页设计、 程序设计、 动画设计、 创新设计、 微博英 语、 机器人竞赛 等。 其中机器人竞赛分为 机器人灭…...

学计算机二手笔记本,二手笔记本中的套路 坑你就跟玩一样
买笔记本是为了什么?有两种情况,其一是学生党为了在寝室玩游戏,其二就是为了办公便携。学生玩游戏买游戏本还是很多的,大部分学生还是青睐于游戏本的选择。办公外出的人选择笔记本就是为了方便。那么笔记本真的要买新的么…...

省赛前的做题计划记录
NOEXCUSES\large NO \ \ \ \ EXCUSESNO EXCUSES plan 复习&学习 计算几何 半平面交 凸包 动态凸包 旋转卡壳 欧几里得距离转换 DP 斜率优化 决策单调性 四边形不等式 凸包优化 wqs二分 概率期望 数位DP 数据结构 平衡树 线段树分治 左偏树 圆方树 kruskal重构树 虚…...

Linux(三十)三剑客整理及小工具拓展
目录 一、三剑客之SED 1.1.基础知识 1.1.1.概述 1.1.2.语法 1.2.案列展示 1.2.1.在/etc/passwd 第四行添加 1.2.2. 追加插入 1.2.3.删除 1.2.4.替换 1.2.5.打印展示 1.2.6.多点编辑 1.2.7修改文本内容 二、三剑客之AWK 2.1.概述 2.2.语法 2.3.案列 2.3.1.选择列进…...

算法:链表(力扣+牛客经典题)
链表 力扣 203. 移除链表元素 思路:使用while循环每找到指定的值,就把下一个节点指向下下个节点的位置 /*** Definition for singly-linked list.* public class ListNode {* int val;* ListNode next;* ListNode() {}* ListNode(int…...

51Testing软件测试论坛
51Testing软件测试论坛...

软件测试需要学存储过程吗,SQL学习之三———约束和存储过程
每日一句:Bugs lurk in corners and congregate at boundaries.习题的讲解让我看到自己是多么浮躁,几乎没有题是做对的。why?自以为是吧。看着差不多就行了,从不考虑它是不是完全没有问题了,这样做测试可不行啊。可知,…...

Vue2.0开发之——组件数据共享-Eventbus(39)
一 概述 兄弟组件之间数据共享的方案—EventBusEventBus的使用步骤EventBus的使用示例 二 兄弟组件之间数据共享的方案—EventBus 在 vue2.x 中,兄弟组件之间数据共享的方案是EventBus。 三 EventBus的使用步骤 创建 eventBus.js 模块,并向外共享一…...

jquery滚动条平滑滑动
采用锚点进行页面中的跳转的确很方便,但是要想增加网页的效果,可以使用jquery中的animate,实现滚动的一个动作,慢慢的滚动到你想跳转到的位置,从而看起来会非常高大上。 滚动到顶部: $(.scroll_top).click(…...

解决linux下sudo更改文件权限报错xxxis not in the sudoers file. This incident will be reported.
本文转自Linux社区作者为z-sm的文章 原文链接http://www.linuxidc.com/Linux/2016-07/133066.htm Linux中普通用户用sudo执行命令时报”xxx is not in the sudoers file.This incident will be reported”错误,解决方法就是在/etc/sudoers文件里给该用户添加权限。…...

jquery html滚动条样式,jquery自定义网页滚动条样式
系统默认的滚动条样式真的很难看,这里介绍如何使用jquery插件自定义一些精美的滚动条样式,mCustomScrollbar,一个精美的滚动条插件。mCustomScrollbar 使用jQuery UI,可以通过灵活的 CSS 定义你的滚动条。同时可以定义垂直的和水平…...

程序员试用期提离职被领导起诉
试用期,是一个让用人单位和员工相互了解的必要渠道。少则3日,多则半年,不一而足。在使用期间里,员工可以尝试着融入公司,学习公司的文化、精神和增长自己的技能。公司也可以在试用期内继续考察员工,看是否适…...

java 两个list 取出交集
List<Integer> accountIdListOne new ArrayList<>();accountIdListOne.add(1);accountIdListOne.add(2);accountIdListOne.add(3);List<Integer> accountIdListTwo new ArrayList<>();accountIdListTwo.add(3);accountIdListTwo.add(4);accountIdLi...

谈数据库查询涉及的存储效率
(Owed by: 春夜喜雨 http://blog.csdn.net/chunyexiyu) 参考:https://blog.csdn.net/Sword52888/article/details/125352635 11月马上也进入尾声了;紧接着的12月,新年也就不远了… 今年对数据查询做了许多的分析、测试、修改、验证…...

jquery滚动条平滑滚动_使用jQuery平滑垂直或水平页面滚动
jquery滚动条平滑滚动View demo 查看演示Download Source 下载源In this tutorial we will create a simple smooth scrolling effect with jQuery. We will create a horizontal and a vertical website layout to show the effect. We will be using the jQuery Easing Plugi…...

ES 集群健康 API返回结果解析说明
package com.easy.es.monitor;import com.alibaba.fastjson.JSON; import com.easy.es.common.CommonUtils; import com.easy.es.network.HttpClientResp; import com.easy.es.network.HttpUtils; import lombok.Data;import java.io.IOException; import java.net.URISyntaxE...

JQuery滚动条及位置相关方法
scrollLeft:获取匹配元素集合中第一个元素的滚动条的当前水平位置。如果滚动条位于最左边,或者元素不可滚动,则该值为0。当直接调用animate或使用动画属性时,如果元素不可见,scrollLeft将不起作用。可以接受一个参数用…...

CANOE CAPL编程 HEX文件读取
最近在学习CAPL编程,简单的操作基本掌握了。其实CAPL就是C语言的简化版本,少了挺多特性的。刚开始上手有点不太懂,后面看了几个别人的实例后就手痒痒想动手做点什么。刚好在工作上遇到一些问题,想要用CAPL编写一个UDS刷写器。但是…...

Spring报错org.springframework.beans.factory.NoSuchBeanDefinitionException: No bean named ‘book‘ availa
Spring报错 org.springframework.beans.factory.NoSuchBeanDefinitionException: No bean named book available 其实都是自己粗心写错单词的结果 比如我的就是book写成了bool 还有很多比如xml名写错 xml文件首字母必须小写,中间分隔符不能用“.” 还有缺少ja…...

网页设计工资一般多少_做外贸的工资一般多少钱
做外贸的工资一般多少钱?关于这个问题,UEESHOP外贸建站平台认为,不同的外贸职位,自然有不一样的分工和职责,因此说工资也会不同。下面我们来听听网友们是怎么说的!小馄饨:要了解工资,…...

2021-08-11好奇心
好奇心 最近看了阿里张勇先生在母校2019年开学典礼的演讲稿,提到了“好奇心是我们每个人最宝贵的东西,我们说要创新,我们说要创造,我们说要开拓一条新的路,原动力都来自于好奇心。” 之前也看到过很多名人都强调好奇…...

Linux 查看日志总结
实时日志1、查看实时日志tail -f error.log温馨展示:默认展示最后102、查看实时日志,最后10 行记录tail -n 10 error.log3、查看实时日志,最后20行记录tail -20f error.log4、查看实时日志,从第五行开始日志内容tail -n 5 error.l…...

android 调用其他activity方法吗,Android 调用其他应用的Activity并判断是否存在
方法1://第一个参数是Activity所在的package包名,第二个参数是完整的Class类名(包括包路径)ComponentName componetName new ComponentName("com.gohoc.afinancegeek","com.gohoc.afinancegeek.StartPageActivity");Intent intent new Intent…...

git如何查看本地分支及对应的远程分支
命令: git branch -va 查看后,按q键可以退出...

程序员生活_买卖二手电脑需要注意什么
前言 对于已经参加工作的程序员来说,笔记本电脑是工作必须,那基本上是人手一台。而且呢,程序员手里多少的都有点钱,一般都会买新的,从神舟到外星人不等。所以,对于程序员来说,只要不是做专门的…...

夜天之书 #32 Effective Open-source Participant
本文重新发布了如何高效利用有限的时间参与开源社区的两篇文章,修复了大量影响阅读的措辞。大部分人参与开源社区会面临的一个巨大挑战,那就是缺乏时间。本文试图提供一种方式,帮助想要参与开源社区的同学高效利用有限的时间。在一个开源社区…...

从淘宝,天猫,1688,微店,京东,苏宁,淘特等其他平台一键复制商品到拼多多平台(批量上传宝贝详情接口教程)
不少开网店的朋友拿到数据包或宝贝图片的时候不知道该如何上传快速有效完整地到自己所开的网店上,您是不是也有这个困扰呢?下面就来为广大网店店主介绍如何批量上传宝贝。 从淘宝,天猫,微店,京东,苏宁等其…...

图像正投影与重建初认识
图像正投影与重建初认识 (1)观察原始图像 用于正投影的原始图像:将img/img_test.raw文件拖入imagej。用如下参数打开该文件。 (2)正投影 原始参数设置: 原始图像每个像素大小0.4 mm x 0.4 mm,探测器像素大小0.5mm,一行400个,在360度内投影360个投影角。 运行mgfpj…...

SQL学习笔记(基础部分)
SQL学习笔记 基础部分 SQL语法 数据库语言对大小写不敏感,用分号分隔每条数据库语言 SQL通用数据类型 SQL开发,在创建SQL表时要确定每个列要存储的数据类型,每一列都需要一个列名和确定的数据类型 常见数据类型自行查询 一些重要的SQL…...

Lurk——Recursive zk-SNARKs编程语言
1. 引言 Lurk 是一种用于Recursive zk-SNARK(递归零知识简洁非交互式知识论证)的图灵完备编程语言,它将为 SNARK 证明、区块链共识、Filecoin 虚拟机 (FVM)、去中心化应用程序、与 IPFS 和 IPLD 等激发新的可能。 Lurk为Lisp的一种静态方言…...

图片颜色处理
目录背景任务需求思考过程背景 背景叙述的是我为什么要做颜色处理以及整个思考过程,有些流水账,可不看。 任务需求 拍照,获取图片中固定一块区域的颜色,判断是不是红色。 思考过程 知道这个任务的时候,首先对图像…...

关于带符号整数在计算机中,带符号的整数在计算机中采用什么码表示
有符号整数在计算机,用最高位的二进制值表示符号位,最高位为0表示正数,最高位为1表示负数。计算机中的符号位,就是在处理二进制数据时,专门规定有一位,是用来确定数据的正负容,符号位是1表示负数…...

网络编程项目:图书管理系统
1.运行结果 1.1-1管理员登陆 1.1-2管理员添加书籍信息 1.1-3查询所有书籍信息 1.1-4指定查询某种书籍信息 1.1-5修改书籍信息 1.1-6删除书籍信息 1.1-7会员登陆 1.1-8会员查询书籍信息 1.1-9会员购买书籍 1.2-1会员修改密码 1.2-2会员注销账号 1.2-3会员注册账号 2.项目基本…...

工作就是愉快的带薪学习
工作就是一种愉快的带薪学习,只有我们认真的思索这句话才能够真正的理解到工作和学习的关系,工作和自我职业发展关系,工作和知识技能,工作与经验 积累之 间的关系。工作的过程就是学习的过程和自我知识积累的过程,只有…...

医师中级职称加工资要几个计算机证,医师工资12级能否聘中级职称?
医师是属于医生的初级职称,但对于12级的医师来说,能不能直接聘用到中级职称这个并不一定。我国的公立医院是属于事业单位,医生都是聘用在事业单位专业技术岗位上。专业技术岗位分为13个等级,其中1到7级属于高级岗位,8到…...

32位有符号整数反转
32位有符号整数反转前言一、题目1、内容2、示例二、题解前言 不存储大于32位的前提下,实现32位有符号整数反转。 一、题目 1、内容 给你一个 32 位的有符号整数 x ,返回将 x 中的数字部分反转后的结果。 如果反转后整数超过 32 位的有符号整数的范围 [−…...

SA实战 ·《SpringCloud Alibaba实战》第07章-服务治理:实现服务的自动注册与发现
注意:本项目完整源码加入 冰河技术 知识星球即可获取,文末有优惠券。 大家好,我是冰河~~ 在《SpringCloud Alibaba实战》专栏的《SA实战 《SpringCloud Alibaba实战》快速搭建三大微服务并完成交互开发与测试》一文中,我们初步实现了用户微服务、商品微服务和订单微服务之…...

Web自动化selenium技术快速实现爬虫
selenium是大家众所周知的web自动化测试框架,主要用来完成web网站项目的自动化测试,但其实如果要实现一个web爬虫,去某些网站爬取数据,其实用selenium来实现也很方便。 比如,我们现在要实现一个这样的需求:…...

2022爱分析·人工智能厂商全景报告
报告编委 报告指导人 黄勇 爱分析 合伙人&首席分析师 报告执笔人 洪逸群 爱分析 高级分析师 任 理 爱分析 分析师 目录 \1. 研究范围定义 \2. 市场全景地图 \3. 市场定义与厂商评估 \4. 入选厂商列表 1. 研究范围定义 研究范围 人工智能,是指运用机…...

Git!从零开始用连接远程仓库!![全平台]
Git!从零开始用连接远程仓库!![全平台] 文章目录Git!从零开始用连接远程仓库!![全平台]前言准备工作🌱步骤一➡️配置你的Git个人用户信息**macos和Linux下:**Windows下:…...

WSL 下载服务器加速
网络下载加速,这里使用修改 hosts 文件 ,地址映射 方法,所有网址适用,这里以 WSL 下载服务器为例子 命令 wsl -l -o 访问的地址: https://raw.githubusercontent.com/microsoft/WSL/master/distributions/Distributi…...

Lurk的blog开始啦!
作为一位非计算机系的大一新生,且学校也并不是闻名遐迩,我开始入驻CSDN看起来毫无理由。 而且,如果我说我对于编程抑或互联网的热爱深沉,也毫无价值。因为,凡事冠以热爱为名都需要足够的付出和深入的理解。 那…...
5G时代,学编程不学web前端,你是怎么想的?
5G这个新时代发展之下的产物,所影响的不是只有科技业,从生产到生活,各个行业都将为其到来发生改变,包括可穿戴设备等领域将释放出大量的前端开发需求。而处在人与物连接的互联网就显的由为重要,不管多先进的技术都需要…...

JavaScript_提交表单和MD5算法密码加密
通过学习狂神说Java的视频,接触到了MD5算法,觉得挺有意思的,写下来记录一下。 一、写一个简单的form表单 <form action"#" method"post"><p><span>用户名:</span><input type&q…...
KiCad设计PCB-42-把PCB文件下单给工厂、电路板的加工制作
知识点1:把PCB文件下单给工厂 PCB生产厂家推荐:嘉立创 网址:www.sz-jlc.com 交付PCB文件的操作步骤: Step1.账号注册 Step2.选择在线下单 Step3.选择板子长、宽度、层数及板子生产的数量 Step4.进入第二个页…...

java 面向对象
面向对象 编程思想 面向过程: 关注每一步的细节 主导者从头到尾都是自己 核心功能不突出 更贴近计算器 机器执行的方式 优点: 简单直接,效率高 面向对象: …...

nodeJs--egg框架介绍
egg框架一、egg框架介绍二、约定规则三、主要模块路由(router.js)控制器(Controller.js)服务(service)配置(Config)一、egg框架介绍 简单来说:egg.js 是『约定优先于配置』的一个 Node.js web 框架, 基于M…...

2022年医院三基考试医师考试模拟试题卷及答案
题库来源:优题宝公众号 2022年医院三基考试医师考试模拟试题卷及答案,由优题宝公众号根据最新医院三基考试医师考试大纲与历年医院三基考试医师考试真题汇总编写,包含医院三基考试医师考试常考重点题型与知识点,有助于考生复习备…...

类和对象2
static关键字 1.静态变量或方法不属于对象,但依赖类。 2.静态变量是全局变量,生命周期从类被加载后一直到程序结束 3.静态变量内存只存一份,在静态方法区存储(静态方法区:静态变量,类信息(方法…...

Linux CFS调度器之sched_slice函数
文章目录一、sched_slice二、sched_vslice一、sched_slice /* CFS-related fields in a runqueue */ struct cfs_rq {struct load_weight load;unsigned int nr_running; }load:CFS队列所有进程的负荷权重总和。该值越大,说明该CPU上可运行的进程越大&a…...

什么样的光源不伤眼睛?精选优秀的全光谱护眼台灯
日光对眼睛最好,所有人造灯都不如日光对眼睛友好,日光指的是全光谱照射,而现在许多护眼灯做到全光谱照射,所以护眼灯成为很多家庭的必备产品之一,晚上学习、工作,有了护眼灯的陪伴,既明亮又不伤…...

复杂因子秒级计算,文谛资产是这样做到的...
上海文谛资产管理有限公司(以下简称“文谛资产”)秉持理性、务实、高效、专业的投资精神,凭借科学的量化投资战略、先进的量化交易技术和成熟的风险管理能力深耕量化领域,以创造长期稳定收益为投资目标,为国内外投资者…...

投稿计算机SCI期刊,什么是同行评议? - 易智编译EaseEditing
首先,初审论文的可能不是审稿人,有些稿源丰富的相对高端期刊,还会由作为大同行的编辑对稿件的内容本身,尤其是创新性等方面对稿件进行评估。 这个编辑内部初审,对于牛期刊而言也会拒掉许多投稿,这一过程通…...

如何添加 WhatsApp按钮打开Facebook页?SaleSmartly(ss客服)为您解答
关键词:SaleSmartly(ss客服);Facebook WhatsApp 按钮想要了解如何添加 WhatsApp 按钮到您的 Facebook 页?您来对地方了。在本文中,我们将概述合并 WhatsApp 按钮 Facebook 页面,并提供有关如何执…...

【CodeFroces】【DP】Maximum White Subtree
CodeForces 1324F Maximum White Subtree 题目传送门 题目大意 给定一棵树,每个节点为白色或黑色,现对每个节点 uuu,选出任意大小的包含该节点的连通图,使得图上白色点数目与黑色的数目的差距最大。 分析 不妨记白点权值为1&…...

RTC直播与RTMP直播
RTC直播与RTMP直播 RTMP传统直播成本低廉,已大规模部署稳定运行,延时较高直播场景。 RTC直播主要用于对延迟要求高实时互动直播场景。 传统直播与RTC直播对比 以下整理了一下传统直播与RTC直播的不同之处: MR直播 MR直播实例(混合现实直播…...

Elasticsearch7.8.0版本入门——集群部署(linux环境-centos7)
目录一、三台服务器信息二、Elasticsearch7.8.0单机部署三、Elasticsearch7.8.0集群部署3.1、分别再三台服务器中都安装Elasticsearch7.8.03.2、修改192.168.136.23服务器中elasticsearch配置文件3.2、修改192.168.136.24服务器中elasticsearch配置文件3.3、修改192.168.136.25…...

STM32开发(五)STM32F103 通信 —— CAN通信编程详解
文章目录一、基础知识点二、开发环境1、硬件开发准备2、软件开发准备三、STM32CubeMX相关配置1、STM32CubeMX基本配置2、STM32CubeMX CAN相关配置四、Vscode代码讲解五、结果演示CAN 内部回环测试CAN 正常模式测试使用ADALM2000分析工具解析CAN时序一、基础知识点 了解CAN通讯…...

VOC/YOLO/COCO数据集格式转换及LabelImg/Labelme/精灵标注助手Colabeler标注工具介绍
数据集格式:VOC(xml)、YOLO(txt)、COCO(json) 本文主要对Label格式,以及LabelImg、Labelme、精灵标注助手Colabeler这常用的三种数据标注软件进行介绍。 1 Label格式 LabelImg是目标检测数据标注工具,可以标注标注两种格式: VOC…...

linux下原子操作指令
目录 原子操作CAS 原子操作 Demo CAS C/CLinux服务器开发/后台架构师【零声教育】-学习视频教程-腾讯课堂 原子操作CAS 原子操作 所谓原子操作是指不会被线程调度机制打断的操作,当某次操作一旦开始,就一直运行到结束,中间不会有任何中…...

Kafka入门(二)
1、Kafka集群工作进程 下面了解一下Kafka的工作流程,Kafka集群会将消息存储在Topic中,每条记录会由一个Key、一个Value和一个Timestamp组成。 Kafka中的消息是以Topic进行分类的,生产者生产消息,消费者消费消息,读取和…...

古月居ros2机器人系列修改图片后如何编译问题
A(我):你好删掉这两个文件后它出现了learning——node未找到这种错误;不仅如此,我建立了另一个同样的文件,而这次我是先修改了路径再编译的,尽管这次新生成的build是修改后的,并且也并未出现多余的…...

PTA Advanced 1164 Good in C C++
目录 题目 Input Specification: Output Specification: Sample Input: Sample Output: 易错测试点 易错点&C知识UP 代码 题目 When your interviewer asks you to write "Hello World" using C, can you do as the following figure shows? Input …...

数学建模练习——非线性规划
...

十、数据库操作
数据库操作 一旦创建 数据模型后,Django 自动给予你一套数据库抽象 API,允许你创建(create),检索(retrieve),更新(update)和删除(delete)对象。 为了方便调试我们通过下面的命令进入交互式python命令行: python man…...

Linux -终端中的编辑器vi(2)
4.常用命令4.8缩排和重复执行命令功能>>向右增加缩进<<向左减少缩进.重复上次命令缩排命令 在开发程序时,统一增加代码的缩进比较有用!一次性在选中代码前增加4个空格,就叫做增加缩进一次性在选中代码前删除4个空格,就…...

鼎盛合方案——轮胎充气泵方案
轮胎的质量好坏直接影响到备胎上位的时间长短,而在轮胎的使用中如果充气不恰当则是又给了备胎一个摩拳擦掌准备登场的机会。诶、怎么今天老是说备胎备胎的,对象和她的蓝颜知己这几天确实走的近了一些。发展方向有点不对……她们昨天还一起吃饭也没叫我&a…...

Python常见异常类型
开发人员在编写程序时,难免会遇到错误,有的是编写人员疏忽造成的语法错误,有的是程序内部隐含逻辑问题造成的数据错误,还有的是程序运行时与系统的规则冲突造成的系统错误,等等。总的来说,编写程序时遇到的…...

测试工作杂记
1、安卓 测试过程中系统突然卡住不能动了、系统直接(Crash)崩溃掉了、应用程序无响应(ANR),即出现闪退或者异常的情况下 adb logcat -c && adb logcat > d:\logcat.txt 抓包工具android studio (接口、参…...

数据库笔记(三)
havingwhere后面只能写普通字段条件,不能写聚合函数条件having关键字专门用来写聚合函数条件的,并且需要和group by结合使用,写在分组的后面查询每个部门的平均工资,要求平均工资大于2000;select dept_id, avg(sal) a from emp group by dept_id having a>2000;查询每种工作…...

AD硬件电路学习笔记(四)四层板实战(上)之常见模块要求
系列文章目录 AD硬件电路学习笔记(一)常见的管脚名字以及FPGA、Lora AD硬件电路学习笔记(二) GND的种类及PCB布线实战 AD硬件电路学习笔记(三)mos管开关电路学习总结 文章目录系列文章目录常见要点防静电…...

Grafana 系列文章(十):为什么应该使用 Loki
👉️URL: https://grafana.com/blog/2020/09/09/all-the-non-technical-advantages-of-loki-reduce-costs-streamline-operations-build-better-teams/ 📝Description: 我们都知道为什么 Loki 对日志管理有很大帮助。但这里有所有的原因,为什…...

((蓝桥杯 刷题全集)【备战(蓝桥杯)算法竞赛-第7天-贪心专题】( 从头开始重新做题,记录备战竞赛路上的每一道题 )距离蓝桥杯还有60天
🏆🏆🏆🏆🏆🏆🏆 欢迎观看我的博客,如有问题交流,欢迎评论区留言,一定尽快回复!(大家可以去看我的专栏,是所有文章的目录&a…...

Anchor Free的孪生目标跟踪
Anchor Free的孪生目标跟踪 跟踪任务可以看成是分类任务与状态估计任务的结合。分类任务的目的是精确定位目标的位置,而状态估计获得目标的姿态(即目标框)。SiamFC一文将当前的跟踪器按照不同状态估计的方法分为三类: 以DCF和Si…...

【6s965-fall2022】神经架构搜索 Neural Architecture Search
在很长一段时间里,研究人员都是手动设计神经网络的架构。神经网络架构的设计空间非常大,它包括#layers、#channel width、#branches、kernel sizes、input resolutions。因此,手动调整这些参数非常困难。而神经架构搜索,NAS&#…...

如何从脚本小子变成黑客大神?【网络安全】
学前感言: 1.这是一条坚持的道路,三分钟的热情可以放弃往下看了. 2.多练多想,不要离开了教程什么都不会了.最好看完教程自己独立完成技术方面的开发. 3.有时多google,baidu,我们往往都遇不到好心的大神,谁会无聊天天给你做解答. 4.遇到实在搞不懂的,可以先放放,以后再来解决. …...

Suflo-Cyanine5.5 Tyramide,Suflo-Cyanine3 TSA,磺酸基-花青素Cy5 酪酰胺
一、试剂基团反应特点(Reagent group reaction characteristics):TSA主要原理是利用酪胺Tyramide的过氧化物酶反应(酪胺盐在HRP催化H202下形成共价键结合位点),产生大量的酶促产物,该产物能与周围的蛋白残基(包括色氨酸…...

LaoCat带你认识容器与镜像(实践篇一下)
实践篇主要以各容器的挂载和附加命令为主。 本章内容 本文实操全部基于Ubuntu 20.04 宿主机 > linux服务器本身 Docker > 20.10.22 从该章开始,我们就进入了Docker实践篇系列了,主要介绍Docker相关附加命令,与实际日常生产部署注意点…...

Android设备的各种唯一标识符 ID
IMEI 只有Android手机才有, IMEI号是一串15位的号码,比如像这样 359881030314356 TelephonyManager TelephonyMgr (TelephonyManager)getSystemService(TELEPHONY_SERVICE); String szImei TelephonyMgr.getDeviceId();需要权限android.permission.R…...

git串讲笔记
1.注册2.gitee 创建 仓库3. 你的电脑 git软件4. 将上边软件的安装路径需要设置到idea中file settting git path to git executeable: C:\Program Files\Git\bin\git.exe5.vcs create git repository6.点 对号 将idea代码提交本地仓库中7.点 斜右上 方绿色箭头 : 将本…...

ChIP-seq 分析:原始数据质控(2)
1. ChIPseq 简介 染色质免疫沉淀,然后进行深度测序 (ChIPseq) 是一种成熟的技术,可以在全基因组范围内识别转录因子结合位点和表观遗传标记。 ChIPseq1.1. 实验处理 ChIPseq2交联和蛋白质结合的 DNA。通过抗体富集特定蛋白质或 DNA 。添加 末端修复、A 尾…...

对几万行数据的调优操作,调优后系统性能提升明显
文章目录 前言一、问题一:对几万条数据筛选二、问题二:对几万条数据增删查改总结前言 对几万行的数据的处理或者对几万行数据与数据库的交互操作,虽然严格意义上来说,并不是很多,但是如果按照传统普通的流程一次性的遍历处理操作数据,也是会性能很差,有可能到分钟级别;…...

索尼官方答疑,你关心的PS VR2问题都在这里
随着索尼PS VR2即将开售,索尼在近期也逐渐公布更多关于PS VR2的消息,包括首发阵容(2-3月期间)共计37款。与此同时,外界对于索尼PS VR2提出了更多担心,彭博社爆料称:因PS VR2的预订量未及预期&am…...

SSM企业权限管理项目(一)
AdminLTE AdminLTE是一款建立在bootstrap和jquery之上的开源的模板主题工具,它提供了一系列响应的、 可重复使用的组件,并内置了多个模板页面;同时自适应多种屏幕分辨率,兼容PC和移动端后台模板框架github获取AdminLTE源码&#…...

C++设计模式(10)——原型模式
亦称: 克隆、Clone、Prototype 意图 原型模式是一种创建型设计模式, 使你能够复制已有对象, 而又无需使代码依赖它们所属的类。 问题 如果你有一个对象, 并希望生成与其完全相同的一个复制品, 你该如何实现呢&…...

uniCloud 云函数/云对象 node版本改变成12或18解决方案
爆红信息 right-hand side of instanceof is not an object 今天卡到一个本地跑好好的云对象部署云端直接报错了。 原因是这样的!! 1、你去看看你云函数依赖那npm install的插件node版本是不是有要求,博主开github看了尽然是node>12 2、…...

面对元宇宙算力瓶颈,AI算力专家宁畅开出三大秘方
文 | 智能相对论作者 | 沈浪元宇宙这把火,从2022继续烧到了2023。目前来看,资本市场对扎克伯格的元宇宙故事依旧抱以希望。2月1日美股收盘,Meta涨2.79%,报收153.12美元/股,盘后股价一度涨逾19%,市值暴涨将近…...

(考研湖科大教书匠计算机网络)第三章数据链路层-第七节:MAC地址、IP地址和ARP协议
pdf下载:密码7281专栏目录首页:【专栏必读】考研湖科大教书匠计算机网络笔记导航 文章目录一:MAC地址(1)概述(2)IEEE 802局域网的MAC地址A:地址格式B:地址表示方法C&…...

LeetCode刷题模版:273 - 275、278 - 279、283 - 284、287、289 - 290
目录 简介273. 整数转换英文表示【未理解】274. H 指数275. H 指数 II278. 第一个错误的版本279. 完全平方数283. 移动零284. 顶端迭代器287. 寻找重复数289. 生命游戏290. 单词规律结语简介 Hello! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~ ଘ(੭ˊᵕ…...

HDFS基本命令
目录 1.上传文件到HDFS文件系统 2.查看HDFS文件系统中的文件 3.查看上传到HDFS文件系统中指定文件的内容 4.从HDFS文件系统下载指定文件,并存放在指定文件中 5.删除HDFS文件系统中的指定文件 6.创建目录 7.创建多级目录 8.递归删除目录下的所有文件 9.删除…...

Java中if结构语句有几种格式?怎样执行?
在一个程序执行的过程中,各条语句的执行顺序对程序的结果是有直接影响的。所以,我们必须清楚每条语句的执 行流程。而且,很多时候要通过控制语句的执行顺序来实现我们想要的功能。流程控制类语句包括顺序、分支、循环三个结构语句。下面就来了…...

百趣代谢组学分享:基于大规模多中心人群的肝癌血清标志物研究
为什么都是多组学发的高分文章,我只想做代谢组学可以发高分吗? 答案当然是 Yes。接下来Lavender就为大家分享由大连物化所许国旺老师课题组发表在HEPATOLOGY上面的一篇文章。 百趣代谢组学文献分享,文章的题目为:A Large-Scale,…...

java面试题(十四)数据库之sql
开启掘金成长之旅!这是我参与「掘金日新计划 2 月更文挑战」的第 N 天,点击查看活动详情 1.1 介绍一下数据库分页 参考答案 MySQL的分页语法: 在MySQL中,SELECT语句默认返回所有匹配的行,它们可能是指定表中的每个…...

Java顺序表模拟实现 + ArrayList介绍
文章目录前言一、模拟实现顺序表成员属性成员方法1,构造方法2,add——新增元素,默认在数组末尾新增2.1, isFull——判断顺序表是否已满2.2, expandCapacity——扩容3,add——在 pos 位置新增元素3.1&#x…...

html+css网页练习四
文章目录一、购物网站页面1、要求2、效果图3、index.html4、style.css二、活动页面1、要求2、效果图3、index.html4、style.css三、电商网站页面1、要求2、效果图3、index.html4、style.css四、搜索引擎页面1、要求2、效果图3、index.html3.1、index1.html3.2、index2.html4、s…...

行云洞见|为何行业权威都预测“云原生IDE 将成为常态”?
原文:《The year of the Cloud Development Environment 》 作者:RedMonk创始人 James Governor 最近CNCF在2023年云原生预测中谈到“云原生IDE 成为常态”,让CloudIDE又成为了云原生的焦点,市场上对CloudIDE的态度以及发展趋势讨…...

Fluke ADPT连接器给福禄克万用表插上翅膀
所需设备: 1、Fluke ADPT连接器; 2、Fluke 15B / 17B / 18B 简介 Fluke ADPT连接器允许个人计算机通过串行口与福禄克万用表进行通信。 计算机PC程序通过图形界面来输入数据和命令,与福禄克万用表进行交互。 Fluke ADPT连接器是一款先…...

VUE 年份范围选择器
VUE 年份范围选择器遇到一个需求,需要写一个年份选择器,是范围的年份选择器,比如:xxx年到xxx年 在使用elment UI的时候发现没有这种功能,于是采用el-date-picker 的年份选择器自己后封装了一个年份范围选择器 由于组件使用的地方很多,所以格式化都在组件中处理,回传格式在回传的…...

工业以太网交换机功能测试标准和方法
一、 数据帧过滤:测试被测设备数据帧过滤功能。 a) 测试步骤:1) 按图1搭建测试环境;2) 网络测试仪测试口1向测试口2和测试口3线速发送数据帧;3) 记录网络测试仪测试口2和测试口3数据接收情况;4) 在被测设备上配置端口2…...

Prometheus监控Elasticsearch
1 下载elasticsearch exporterhttps://github.com/prometheus-community/elasticsearch_exporter2 systemd 管理elasticsearch exporter service文件: /usr/lib/systemd/system/es_exporter.service[Unit] Descriptiones_exporter Documentationhttps://prometheus.io Afterne…...

Linux C 中数组名和结构体变量名代表的含义
在linux c 中数组和结构体是常见的数据结构类型,那么他们的标号名称 有代表神魔呢? 比如: int a, a 代表的是一个变量名程,它对应的地址中(&a)存的是一个整形值, 那么 char buf…...

如何控制Facebook投放广告成本?
一,Facebook广告成本高的原因和常见问题广告的成本很高,因为我们需要扩张正如前几篇文章所说,我们所要做的就是扩大对表现良好的产品和广告的广告。有两种扩展方式:这个过程也是我们的AD优化测试的一部分。因为在扩大规模的过程中…...

LeetCode——1604. 警告一小时内使用相同员工卡大于等于三次的人
一、题目 力扣公司的员工都使用员工卡来开办公室的门。每当一个员工使用一次他的员工卡,安保系统会记录下员工的名字和使用时间。如果一个员工在一小时时间内使用员工卡的次数大于等于三次,这个系统会自动发布一个 警告 。 给你字符串数组 keyName 和 …...

NLP之相似文本搜索
NLP之相似文本搜索相似文本搜索介绍应用场景常见算法1.text2vec流程代码2.gensim流程代码相似文本搜索 介绍 相似文本搜索是一种特殊的文本搜索,它的目的是找到与指定文本最相似的文档。这种技术通常通过计算文本间的相似度来实现,相似度可以通过各种方…...

python数据可视化开发(4):爬取对应地址的pdf文档并分类保存到本地文件夹(爬虫)
系列文章目录 python开发低代码数据可视化大屏:pandas.read_excel读取表格python实现直接读取excle数据实现的百度地图标注python数据可视化开发(1):Matplotlib库基础知识python数据可视化开发(2):pandas读取Excel的数据格式处理python数据可…...

Nginx是什么?有哪些优点?
Nginx(“engine x”)一个具有高性能的【HTTP】和【反向代理】的【WEB服务器】,同时也是一个【POP3/SMTP/IMAP代理服务器】,是由伊戈尔赛索耶夫(俄罗斯人)使用C语言编写的,Nginx的第一个版本是2004年10月4号发布的0.1.0版本。另外值得一提的是…...

matplotlib在一张图上绘制包含多条折线的多个子图
matplotlib在一张图上绘制包含多条折线的多个子图问题描述解决办法问题描述 实验用了多个数据集,并且用了多种对比实验的方法,想把结果展示在一张图上,就需要在一个图上画多个折线图,并且需要在一张大图上绘制多个小图。 解决办…...

【LeetCode每日一题】【2023/2/7】1604. 警告一小时内使用相同员工卡大于等于三次的人
文章目录1604. 警告一小时内使用相同员工卡大于等于三次的人方法1:哈希表1604. 警告一小时内使用相同员工卡大于等于三次的人 LeetCode: 1604. 警告一小时内使用相同员工卡大于等于三次的人 中等\color{#FFB800}{中等}中等 力扣公司的员工都使用员工卡来开办公室的…...

Arbitrum上首个跨链互操应用开启空投计划!
2月6日消息,波卡生态跨链互操作应用Avault 全链产品正式上线。据悉,该版本代码经由派盾完成审计,并在本周一正式支持Arbitrum网络。这标志着Avault从波卡生态出发,正式升级为区块链世界中第一个严格意义上的一站式跨链收益平台。 …...

浅学persistent
文章目录1. 背景2. 开机自启动流程3. adb kill -9 杀进程后会自动重启4. 小结1. 背景 在应用AndroidManifest文件下添加 android:persistent“true” 关键字,并把Apk预置到system/app目录下,可以给应用实现开机自启动和保活效果。 从以下两个疑问去找答…...

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…...

VBA提高篇_ 31 VBA调用正则表达式_RegExp.Pattern/Global/Execute(s)/Replace(s,r)
文章目录1.VBScript处理正则的对象:2.创建对象: CreateObject("")3. 查找步骤RegExp.Pattern/Global/Execute(s)3.1 RegExp.Pattern--> 设置正则3.2 RegExp.Global--> 设置全局查找3.3 RegExp.Execute(s)--> 执行查找4.查找结果4.1 Matchs4.2 ()分组的高级应…...

基于BP神经网络的图像跟踪,基于BP神经网络的细胞追踪识别
目录 摘要 BP神经网络的原理 BP神经网络的定义 BP神经网络的基本结构 BP神经网络的神经元 BP神经网络激活函数及公式 基于BP神经网络的细胞识别追踪 matab编程代码 效果 结果分析 展望 摘要 智能驾驶,智能出行是现代社会发展的趋势之一,其中,客量预测对智能出行至关重要,…...

day11-Python-函数
Python-函数 一.函数作用 """ 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 &qu…...

总线(六)SPI通信协议介绍
文章目录SPI背景知识SPI特征SPI总线的物理层SPI标准协议SPI背景知识 SPI(Serial Peripheral interface)是串行外设接口,是一种高速、全双工、同步的通信总线。是Motorola首先在其MC68HCXX系列处理器上定义的。 SPI特征 1、全双工串行通信&a…...

国产化替代浪潮下,企业该如何保障电子邮件安全?
电子邮件,是日常工作到会经常用到的联系方式。但也正因为此,邮件攻击也成了网络攻击的主要手段之一,特别是带有恶意病毒、网页木马程序、特制木马程序以及利用软件漏洞的邮件木马在互联网上泛滥成灾,邮件安全已经成为一个安全领域…...

ChatGPT能够改变时代吗?一点点思考
都知道ChatGPT的出现对整个世界产生了剧烈的影响,前不久出的ChatGPT4更是在ChatGPT3.5的基础上展现了更强的功能。比如说同一个问题,ChatGPT3.5还是乱答的,ChatGPT4已经能给出正确解了。当然这只能说明技术是进步的。 虽然如此,很…...

十四届蓝桥杯青少组选拔赛Python_2023.03.12
十四届蓝桥杯青少组选拔赛Python_2023.03.12 未完 待更新...... T4. 编程实现: 假设果园中有N(1<=N<=100)种水果,猴子想要采摘一些水果带回家,但猴子采摘水果的总重量不能超过W(1<=W<=1000). 已知每种水果的最大采摘数量Ni(1<=Ni<=100)、每种水…...

桌面出现白色图标的恢复办法
前几天装了一个软件,在桌面生成了快捷方式,用着用着这个图标突然变成了白色的,如下图所示。 这对有强迫症的人来说是难以接受的,所以就在网上找了很多解决办法,本来觉得重启电脑会解决,但是也没能够&#…...

1052 Linked List Sorting PAT甲级真题
A linked list consists of a series of structures, which are not necessarily adjacent in memory. We assume that each structure contains an integer key and a Next pointer to the next structure. Now given a linked list, you are supposed to sort the structure...

RK3588平台开发系列讲解(NPU篇)NPU调试方法
平台内核版本安卓版本RK3588Linux 5.10Android 12文章目录 一、日志等级二、NPU 支持查询设置项沉淀、分享、成长,让自己和他人都能有所收获!😄 📢本篇我们一起来看一下NPU的调试方法。 一、日志等级 NPU 的运行库会根据开发板上的系统环境变量输出一些日志信息或者生成…...

SpringMVC框架详解(学习总结)
目录 什么是MVC SpringMVC概述 SpringMVC常见开发方式 SpringMVC执行流程 SpringMVC核心组件介绍 快速构建Spring MVC程序 SpringMVC参数绑定 SpringMVC跳转方式 SpringMVC处理json请求和响应 SpringMVC静态资源处理 SpringMVC操作session和cookie SpringMVC拦截器 …...

Java 基于 JAVE 库 实现 视频转音频的批量转换
文章目录 Java 基于 JAVE 库 实现 视频转音频的批量转换Maven:方案一:代码优化:方案二:示例代码:代码优化:结语Java 基于 JAVE 库 实现 视频转音频的批量转换 实现视频转音频的功能需要使用到一个第三方的 Java 库,叫做 JAVE。JAVE 是一个开源的 Java 库,提供了视频和音频转换…...

为何在 node 项目中使用固定版本号,而不使用 ~、^?
以语雀 文档为准 使用 ~、^ 时吃过亏希望版本号掌握在自己手里,作者自己升级(跟随官方进行升级,就算麻烦作者,也不想麻烦使用者)虽然 pnpm 很好用,但是不希望在项目中用到(临时性解决问题可以选…...

Blazor JWT登录退出、身份控制、定时检测账户管理示例项目
本示例项目为.Net Core 7.04 Blazor Server 版本。功能:适合企业内部的账户分发(非开放公众注册)的App。1、身份控制:分发账户为初始密码,使用初始密码登录后必须修改密码才能使用相应身份的功能;根据身份提…...

聊一聊java程序中的换换符
常见的换行符Java程序中的换行符一般使用“\n”表示,它是一个转义字符,表示换行符。根据操作系统的不同,换行符的实际表示可能不同:在Windows系统中,换行符由两个字符“\r\n”表示,即回车符和换行符。在Uni…...

【Hive基础】-- 常见面试题目
一、请描述一下数据倾斜,并提供解决方案? 定义:由于数据分布不均匀,导致大量数据集中到一点,造成数据热点。现象是100个 task, 有一个运行了 1个小时,其他99个只有 10分钟。本质是数据量太大。原因:key 分布不均匀、sql倾斜join、建表时类型有问题算子:count、dist…...

VNC 远程登录树莓派 zero 2w
就两步 开启树莓派的 VNC server在电脑上安装 VNC viewer sudo raspi-config哇,竟然能在终端进入GUI交互 到此就成功开启树莓派的 VNC server 了 在电脑上安装 VNC viewer https://www.realvnc.com/en/connect/download/viewer/ 挺好,比单独再给树莓派配…...

如何巧妙应用JMeter的Dummy Sampler
很少人知道Dummy Sampler这个采样器(扩展插件里带的),也不知道它的妙用。Dummy Sampler 可以比较方便地模拟测试场景,自定义Request Data和Response Data,在学习测试脚本编写的过程中非常有用。另外如果巧妙应用它,可以在开发人员出接口文档后(接口还没实现)就可以同步…...

Elasticsearch 设置最低安全性
Elasticsearch 设置最低安全性 您启用 Elasticsearch 安全功能,然后为内置用户创建密码。您可以稍后添加更多用户,但使用内置用户可以简化为集群启用安全性的过程。 最小安全场景对于 生产模式集群是不够的。如果您的集群有多个节点,您必须…...

leetcode:66:加一
给定一个由 整数 组成的 非空 数组所表示的非负整数,在该数的基础上加一。 最高位数字存放在数组的首位, 数组中每个元素只存储单个数字。 你可以假设除了整数 0 之外,这个整数不会以零开头。 示例 1: 输入:digits…...

DirectX12(D3D12)基础教程(二十一)—— PBR:IBL 的数学原理(5/5)镜面反射积分项2及光照合成
这里写目录标题3.5.4、根据 Epic 近似假设进一步拆分积分项为两部分之积3.5.5、镜面反射预过滤积分贴图的重要性采样实现3.5.6、菲涅尔近似项 FSchlickF_{Schlick}FSchlick 中菲涅尔常数 F0F_0F0 的分离3.5.7、预积分 BRDF-LUT贴图3.6、最终光照合成4、总结5、参考资料3.5.…...

本科课程【移动互联网应用开发(Android开发)】实验3 - Activity及数据存储
大家好,我是【1+1=王】, 热爱java的计算机(人工智能)渣硕研究生在读。 如果你也对java、人工智能等技术感兴趣,欢迎关注,抱团交流进大厂!!! Good better best, never let it rest, until good is better, and better best. 近期会把自己本科阶段的一些课程设计、实验报…...

一口一口吃掉yolov8(2)
前面介绍了训练的第一个部分,也是大部分人在网上找得到的文章,但是后面2个部分应该是网上没有的资料了,希望大家喜欢。 0.数据 我的数据是一些栈板,主要是检测栈板的空洞,识别出空洞的位置和偏转角度。原图如下 我的…...

springboot静态资源解析失效处理
继承WebMvcConfigurationSupport导致默认配置失效问题描述问题分析解决问题方式1:WebMvcConfigurationSupport补充静态资源【不推荐】方式2:改写mvc自定义配置实现【推荐】总结问题描述 我们开发了一个基于SpringBoot的工具(starter封装),可以提供通用的功能和管理…...

kafka-manager配置及安装Kerberos(Ambari-HDP)认证
目录 一、概述 二、环境 三、部署kafka-manager 3.1下载 3.2 配置修改 3.3kafka开启JMX 3.4启动CMAK 3.5登录 3.6添加kafka cluster配置 3.7 问题 3.8Topic和Broker信息查看 3.9Topic创建 一、概述 为了简化开发者和服务工程师维护Kafka集群的工作,yaho…...

【手把手教程】MacOS 安装Multipass一款更轻量级的虚拟机 保姆级安装教程
【手把手教程】MacOS 安装Multipass轻量级虚拟机 📔 千寻简笔记介绍 千寻简笔记已开源,Gitee与GitHub搜索chihiro-notes,包含笔记源文件.md,以及PDF版本方便阅读,且是用了精美主题,阅读体验更佳,如果文章对你有帮助请帮我点一个Star~ 文章目录 【手把手教程】MacOS …...

C - Candy Machine 二分
传送门 题意 JB非常喜欢糖果。 有一天,他发现了一台糖果机,里面有 N里面有糖果。看完机器的说明书后,他知道他可以选择一个子集 N糖果。每颗糖果都有一个甜味价值。JB 选择子集后,假设所选糖果的平均甜度值为 X,所有甜…...

一起来学5G终端射频标准(EVM均衡器频谱平坦度-2)
上一篇一起来学5G终端射频标准(EVM均衡器频谱平坦度-1)中的测试图例,这里补一下: 01 — EVM均衡器系数的计算 由上图红框可知,结果由四部分组成,那么这四个结果是如何计算的呢?我们曾在一起来学…...

火遍全网的chatGPT怎么使用
类别 描述 学术论文 它可以写各种类型的学术论文,包括科技论文、文学论文、社科论文等。它可以帮助你进行研究、分析、组织思路并编写出符合学术标准的论文。 创意写作 它可以写小说、故事、剧本、诗歌等创意性的文学作品,能够在描述情节和角色方面…...

Selenium:找不到对应的网页元素?常见的一些坑
目录 1. 用Xpath查找数据时无法直接获取节点属性 2. 使用了WebDriverWait以后仍然无法找到元素 2.1. 分辨率原因 2.2. 需要滚动页面 2.3. 由于其他元素的遮挡 1. 用Xpath查找数据时无法直接获取节点属性 通常在我们使用xpath时,可以使用class的方式直接获取节…...

Linux的诞生过程
个人简介:云计算网络运维专业人员,了解运维知识,掌握TCP/IP协议,每天分享网络运维知识与技能。座右铭:海不辞水,故能成其大;山不辞石,故能成其高。个人主页:小李会科技的…...

arcpy基础篇(6)-制图脚本
arcpy.mapping模块可以实现地图制图的自动化,它的具体功能包括管理地图文档、数据框架、图层文件以及上述元素中的数据。此外,还可用于地图自动化打印和输出。 1.地图文档 地图文档(MXD)在磁盘中的后缀名是.mxd。ArcPy制图模块可…...

基于RBF神经网络的机械臂运动控制算法(Matlab代码实现)
目录 💥1 概述 📚2 运行结果 🎉3 参考文献 👨💻4 Matlab代码 💥1 概述 在信号处理、模式识别等系统中,多层前馈网络是应用较为广泛的模型。但是大部分基于反向传播的多层前馈网络的学习算法必须基于某…...