解决方法_404解决方法 - CSDN
精华内容
参与话题
  • 关于缺少vcruntime140_1.dll的解决办法

    万次阅读 2020-01-16 14:57:14
    下载vc++2019运行库安装解决所有问题

    下载vc++2019运行库安装解决所有问题

    展开全文
  • 亚稳态的几种解决方法

    千次阅读 2019-03-28 18:51:53
    亚稳态(semi-stable state)是指触发器无法在某个规定时间段内达到一个可确认的状态。当一个触发器进入亚稳态引时,既无法预测该单元的输出电平,也无法预测何时输出才能稳定在某个正确的电平上。...

    亚稳态(semi-stable state是指触发器无法在某个规定时间段内达到一个可确认的状态。当一个触发器进入亚稳态引时,既无法预测该单元的输出电平,也无法预测何时输出才能稳定在某个正确的电平上。在这个稳定期间,触发器输出一些中间级电平,或者可能处于振荡状态,并且这种无用的输出电平可以沿信号通道上的各个触发器级联式传播下去。

     

     

    https://gss3.bdstatic.com/7Po3dSag_xI4khGkpoWK1HF6hhy/baike/c0%3Dbaike80%2C5%2C5%2C80%2C26/sign=4c1983c23212b31bd361c57be7715d1f/0df431adcbef760974a2861a25dda3cc7dd99e8d.jpg

    平均故障间隔时间

    平均故障间隔时间,是指产品或系统在两相邻故障间隔期内正确工作的平均时间,也称平均无故障工作时间。它是标志产品或系统能平均工作多长时间的量,用MTBF表示。平均故障间隔时间越长,系统越可靠。   因此降低系统时钟,可以减少亚稳态发生的概率

    解决方法

    1. 降低系统时钟

    2 .用反应更快的FF

    3. 引入同步机制,防止亚稳态传播

    4. 改善时钟质量,用边沿变化快速的时钟信号

    关键是器件使用比较好的工艺和时钟周期的裕量要大。

    处理亚稳态的经典办法——双触发

    设计中使用的任何寄存器都会指定一个建立和保持时间,在时钟上升沿前后的这个时间内输入数据被禁止发生任何变动。所有器件中的寄存器都要指定这个精确参数,就是为了防止数据信号两次变化发生的时间间隔太过靠近,从而导致其输出陷入亚稳态。

    当需要在两个时钟域传输信号的时候,需要考虑一个重要的问题是:是否需要采样从一个时钟域传输到另一个时钟域的这个信号的每一个值?通过思考这个问题可以发现,在跨时钟边界存在跨时钟域传输数据允许丢失部分采样值和跨时钟域传输数据不允许丢失任何信号采样值两种情况,而且确认设计到底属于哪种情况则变得非常重要。

    对于第一种情况来说,没有必要去采样每一个值,但是需要注意的是被采样的值必需要确保精确度;而在第二种情况中,一个跨时钟域信号必需要被正确识别,或者说在其允许发生改变之前必须被识别。这两种情况中,跨时钟域信号都需要被同步到其接收时钟域之中。

    最常见的同步器就是使用两级寄存器,即使用寄存器打两拍的方式进行同步。所谓的同步器就是采样一个异步信号,采样输出能够同步到本地或采样时钟的模块。这种最简单也是使用最普遍的两级寄存的同步器如图所示。

    https://gss0.bdstatic.com/94o3dSag_xI4khGkpoWK1HF6hhy/baike/w%3D268/sign=29843b9409fa513d51aa6bd8056d554c/242dd42a2834349bbb30c0cdc8ea15ce36d3be40.jpg

    两级寄存的同步器

    当然,仍然有可能级联的第二个寄存器输出还会表现为非稳定状态,但是这种双寄存同步器已经可以解决大部分这类亚稳态问题。在设计这种同步器的时候应当注意遵循以下原则:

    1)级联的寄存器必须使用同一个采样时钟。

    2)发送端时钟域寄存器输出和接收端异步时钟域级联寄存器输入之间不能有任何其他组合逻辑。

    3)同步器中级联的寄存器中除了最后一个寄存器外所有的寄存器只能有一个扇出,即其只能驱动下一级寄存器的输入。 [2] 

    展开全文
  • 常用BUG解决方法

    千次阅读 2018-06-18 11:30:53
    关注重点也渐渐地从代码本身转移到了代码结构性、解决问题方法性等方面。下面就来说一说,在遇到代码BUG,我们常用的一些方法! 二分定位法   通常来说,无论BUG因此多深,通过二分定位法基本可以确定问题所在...

    扯淡

      随着工作时间越来越长,对于代码的理解也越来越多!关注重点也渐渐地从代码本身转移到了代码结构性、解决问题方法性等方面。下面就来说一说,在遇到代码BUG,我们常用的一些方法!

    二分定位法

      通常来说,无论BUG因此多深,通过二分定位法基本可以确定问题所在!那么什么是二分定位法?就是在程序关键点(可能的出错点)进行分割,看看还会不会出问题,类似二分查找的方法,逐步缩小问题范围。
      二分定位法适用于绝大所数问题环境。对二分定位法作进一步扩展延伸,就会得出我们常用一些BUG解决方法:

    • 注释大法: 将代码一点点注释,来缩小范围
    • Printf大法: 在合适的代码位置对特定的变量等进行输出
    • 日志大法: 在代码合适位置记录相关变量等关键数据

    或许你还有其他名称的方法,但是基本都属于二分定位法的范畴!

    IDE调试法

      此法在程序开发阶段是绝对的利器!通过加断点、单步调试等可以快速的发现问题所在。突然想到了宇宙第一IDE:Visual Studio。但是,该方法有个比较大的限制:对于非逻辑性错误(比如内存泄露)来说,IDE调试法就有些乏力了。因为单纯的调试,可能BUG并不会出现。而且一旦出现该种问题,可能会直接导致IDE调试不可用。
      其实,IDE调试,不仅仅是找BUG解决问题,对于分析代码逻辑来说无二选择。对于某些设计逻辑的实现,是否符合当初的设计。仅仅通过最终结果不能证明正确,还是需要通过IDE来验证!殊不知,在破解、逆向领域,调试绝对的NB,谁会有心情闷头看那一堆汇编代码,直接上调试器分析多好。

    小黄鸭调试法(Rubber duck debugging)

      又称橡皮鸭调试法,黄鸭除虫法。就是通过向不懂程序的人(只要是不了解要解释的代码的任何一个人都可以,比将你写的代码解释给你的同事)详细解释代码,从中发现问题或者获取灵感! 此概念是参照于一个来自《程序员修炼之道》书中的一个故事。传说中程序大师随身携带一只小黄鸭,在调试代码的时候会在桌上放上这只小黄鸭,然后详细地向鸭子解释每行代码。
    这里写图片描述
      许多程序员都有过向别人(甚至可能向完全不会编程的人)提问及解释编程问题,就在解释的过程中击中了问题的解决方案。一边阐述代码的意图一边观察它实际上的意图并做调试,这两者之间的任何不协调会变得很明显,并且更容易发现自己的错误。如果没有玩具小鸭子也可以考虑向其它东西倾诉,比如桌上的花花草草,键盘鼠标。
      类似的,有一种现象叫做ConeofAnswers,这是一个常见的现象。你的朋友跑来问你一个问题,但是当他自己把问题说完,或者说到一半的时候就想出了答案走了,留下一脸茫然的你。是的,这个时候你就起到了那只小黄鸭的作用。
      相似的概念还有不少,列如自白调试、纸板程序员或程序员的假人、想出脑外等等。总的来说,在你试图表述自己的想法的过程中,自然地在促使自己去整理思路,重新考虑问题。
      这种方法流传开后,很多程序员效仿,开始拿其他玩具,比如手办、喜欢二次元的、还会拿初音或者是其他公仔呀。
    这里写图片描述

    重读法

      这种方法比较简单直接,就是通过一遍遍地阅读代码来发现问题。

    重构法

      终极必杀器。如果最终无论如何也不能找到BUG的问题所在,那就直接重构吧!重构有个问题需要注意,就是重构时不要再参看之前的代码!重构必须要考虑结构性的设计问题!
      当然,对于简单的代码(对整体代码结构影响不大),直接重写会更迅速!

    总结

      常用的BUG查找方法基本就是以上这几种,可能你还有不同的叫法或者其他方法。在实际问题解决中,可能需要多种方法结合使用。
      优先解决可重现的bug,有些bug不是很明显,那么就想办法增加他的破坏性,把现象放大,这在我们的系统压力测试时会经常遇到一种方法。有时候我们甚至需要问自己,如果我要实现bug描述的现象我要怎么写代码才行?
    最后放几个奇葩注释!

    //                            _ooOoo_  
    //                           o8888888o  
    //                           88" . "88  
    //                           (| -_- |)  
    //                            O\ = /O  
    //                        ____/`---'\____  
    //                      .   ' \\| |// `.  
    //                       / \\||| : |||// \  
    //                     / _||||| -:- |||||- \  
    //                       | | \\\ - /// | |  
    //                     | \_| ''\---/'' | |  
    //                      \ .-\__ `-` ___/-. /  
    //                   ___`. .' /--.--\ `. . __  
    //                ."" '< `.___\_<|>_/___.' >'"".  
    //               | | : `- \`.;`\ _ /`;.`/ - ` : | |  
    //                 \ \ `-. \_ __\ /__ _/ .-` / /  
    //         ======`-.____`-.___\_____/___.-`____.-'======  
    //                            `=---='  
    //  
    //         .............................................  
    //                  佛祖镇楼                 BUG辟易  
    //          佛曰:  
    //                  写字楼里写字间,写字间里程序员;  
    //                  程序人员写程序,又拿程序换酒钱。  
    //                  酒醒只在网上坐,酒醉还来网下眠;  
    //                  酒醉酒醒日复日,网上网下年复年。  
    //                  但愿老死电脑间,不愿鞠躬老板前;  
    //                  奔驰宝马贵者趣,公交自行程序员。  
    //                  别人笑我忒疯癫,我笑自己命太贱;  
    //                  不见满街漂亮妹,哪个归得程序员?  
    //_ooOoo_  
    //o8888888o  
    //88" . "88  
    //(| -_- |)  
    // O\ = /O  
    //___/`---'\____  
    //.   ' \\| |// `.  
    /// \\||| : |||// \  
    /// _||||| -:- |||||- \  
    //| | \\\ - /// | |  
    //| \_| ''\---/'' | |  
    //\ .-\__ `-` ___/-. /  
    //___`. .' /--.--\ `. . __  
    //."" '< `.___\_<|>_/___.' >'"".  
    //| | : `- \`.;`\ _ /`;.`/ - ` : | |  
    //\ \ `-. \_ __\ /__ _/ .-` / /  
    //======`-.____`-.___\_____/___.-`____.-'======  
    //`=---='  
    //  
    //         .............................................  
    //          佛曰:bug泛滥,我已瘫痪!  
    /*
    *      
    *          ┌─┐       ┌─┐
    *       ┌──┘ ┴───────┘ ┴──┐
    *       │                 │
    *       │       ───       │
    *       │  ─┬┘       └┬─  │
    *       │                 │
    *       │       ─┴─       │
    *       │                 │
    *       └───┐         ┌───┘
    *           │         │
    *           │         │
    *           │         │
    *           │         └──────────────┐
    *           │                        │
    *           │                        ├─┐
    *           │                        ┌─┘    
    *           │                        │
    *           └─┐  ┐  ┌───────┬──┐  ┌──┘         
    *             │ ─┤ ─┤       │ ─┤ ─┤         
    *             └──┴──┘       └──┴──┘ 
    *                 神兽保佑 
    *                 代码无BUG! 
    */
     /** 
     *  
     * __   (__`\ 
     * (__`\   \\`\ 
     *  `\\`\   \\ \ 
     *    `\\`\  \\ \ 
     *      `\\`\#\\ \# 
     *        \_ ##\_ |## 
     *        (___)(___)## 
     *         (0)  (0)`\## 
     *          |~   ~ , \## 
     *          |      |  \## 
     *          |     /\   \##         __..---'''''-.._.._ 
     *          |     | \   `\##  _.--'                _  `. 
     *          Y     |  \    `##'                     \`\  \ 
     *         /      |   \                             | `\ \ 
     *        /_...___|    \                            |   `\\ 
     *       /        `.    |                          /      ## 
     *      |          |    |                         /      #### 
     *      |          |    |                        /       #### 
     *      | () ()    |     \     |          |  _.-'         ## 
     *      `.        .'      `._. |______..| |-'| 
     *        `------'           | | | |    | || | 
     *                           | | | |    | || | 
     *                           | | | |    | || | 
     *                           | | | |    | || |     Joan Stark 
     *                     _____ | | | |____| || | 
     *                jgs /     `` |-`/     ` |` | 
     *                    \________\__\_______\__\ 
     *                     """""""""   """""""'""" 
     * 
     */  
    /* 
    
                           .::::. 
                         .::::::::. 
                        :::::::::::  FUCK YOU 
                    ..:::::::::::' 
                  '::::::::::::' 
                    .:::::::::: 
               '::::::::::::::.. 
                    ..::::::::::::. 
                  ``:::::::::::::::: 
                   ::::``:::::::::'        .:::. 
                  ::::'   ':::::'       .::::::::. 
                .::::'      ::::     .:::::::'::::. 
               .:::'       :::::  .:::::::::' ':::::. 
              .::'        :::::.:::::::::'      ':::::. 
             .::'         ::::::::::::::'         ``::::. 
         ...:::           ::::::::::::'              ``::. 
        ```` ':.          ':::::::::'                  ::::.. 
                           '.:::::'                    ':'````.. 
    
    
    */  
    展开全文
  • 欠拟合、过拟合——解决方法

    千次阅读 2019-10-02 18:19:02
    这些问题的出现原因以及解决之道如下文。 1.3 判断是否过拟合 判断究模型否过拟合方法: 1.4 过拟合原因 (1)建模样本抽取错误,包括(但不限于)样本数量太少,抽样方法错误, 抽样时没有足够...


    在机器学习或者深度神经网络中经常会出现:欠拟合和过拟合。这些问题的出现原因以及解决之道如下文。

    1 过拟合原因

    (1)建模样本抽取错误,包括(但不限于)样本数量太少,抽样方法错误, 抽样时没有足够正确考虑业务场景或业务特点,不能有效足够代表业务逻辑或业务场景。

    (2)样本里的噪音数据干扰过大,模型学习了噪音特征,反而忽略了真实的输入输出间的关系。

    (3)建模时的“逻辑假设”到了模型应用时已经不能成立了。 任何预测模型都是在假设的基础上才可以搭建和应用的。常用的假设包括:

    • 假设历史数据可以推测未来,
    • 假设业务环节没有发生显著变化,
    • 假设建模数据与后来的应用数据是相似的,等等。
    • 如果上述假设违反了业务场景的话,根据这些假设搭建的模型当然是无法有效应用的。

    (4)参数太多、模型复杂度高。

    (5)决策树模型。

    • 如果我们对于决策树的生长没有合理的限制和修剪的话, 决策树的自由生长有可能每片叶子里只包含单纯的事件数据(event)或非事件数据(no event), 可以想象,这种决策树当然可以完美匹配(拟合)训练数据, 但是一旦应用到新的业务真实数据时,效果是一塌糊涂。

    (6)神经网络模型。

    • 由于对样本数据,可能存在隐单元的表示不唯一,即产生的分类的决策面不唯一,随着学习的进行, BP算法使权值可能收敛过于复杂的决策面,并至极致。
    • 权值学习迭代次数足够多(Overtraining),拟合了训练数据中的噪声和训练样例中没有代表性的特征.
    2 判断是否过拟合
    • 首先看一下三种误差的计算方法:
      training error (训练误差)
      Jtrain(θ)=12mi=1m(hθ(x(i))y(i))2J_{train}(\theta) = \frac{1}{2m}\sum_{i=1}^{m}(h_\theta(x^{(i)})-y^{(i)})^2
      cross validation error (交叉验证误差)
      Jcv(θ)=12mcvi=1mcv(hθ(xcv(i))ycv(i))2J_{cv}(\theta) = \frac{1}{2m_{cv}}\sum_{i=1}^{m_{cv}}(h_\theta(x_{cv}^{(i)})-y_{cv}^{(i)})^2
      test error (测试误差)
      Jtest(θ)=12mtesti=1mtest(hθ(xtest(i))ytest(i))2J_{test}(\theta) = \frac{1}{2m_{test}}\sum_{i=1}^{m_{test}}(h_\theta(x_{test}^{(i)})-y_{test}^{(i)})^2
    • 判断究模型否过拟合方法:
    1)学习曲线(learning curves)

    学习曲线就是比较 jtrainj_{train}jcvj_{cv}

    如下图所示,为一般的学习曲线,蓝线:训练误差 jtrainj_{train} , 粉色的线:验证集上的误差 jcvj_{cv},横轴表示训练集合的大小。

    2)交叉验证(cross-validation)

    模型的Error = Bias + Variance
    Error反映的是整个模型的准确度
    Bias反映的是模型在样本上的输出与真实值之间的误差,即模型本身的精准度
    Variance反映的是模型每一次输出结果与模型输出期望之间的误差,即模型的稳定性。

    这里写图片描述

    3 欠拟合–解决方法

    首先欠拟合就是模型没有很好地捕捉到数据特征,不能够很好地拟合数据。
    这里写图片描述

    解决方法:

    1. 添加其他特征项,模型出现欠拟合的时候是因为特征项不够导致的,可以添加其他特征项来很好地解决。
      例如,“组合”、“泛化”、“相关性”三类特征是特征添加的重要手段, 无论在什么场景,都可以照葫芦画瓢,总会得到意想不到的效果。 除上面的特征之外,“上下文特征”、“平台特征”等等,都可以作为特征添加的首选项。

    2. 添加多项式特征,例如将线性模型通过添加二次项或者三次项使模型泛化能力更强。

    3. 减少正则化参数,正则化的目的是用来防止过拟合的,当模型出现了欠拟合,则需要减少正则化参数。

    4 过拟合–解决方法

    通俗一点地来说过拟合就是模型把数据学习的太彻底(强行拟合),以至于把噪声数据的特征也学习到了, 这样不能够很好的分离(识别)测试数据,模型泛化能力太差。例如下面的例子:
    这里写图片描述

    解决方法:

    1. 重新清洗数据,导致过拟合的一个原因也有可能是数据不纯导致的, 如果出现了过拟合就需要我们重新清洗数据。

    2. 增大数据的训练量,之前用于训练的数据量太小导致的,训练数据占总数据的比例过小。

    3. 采用正则化方法。正则化方法包括 L0正则、L1正则和L2正则, 而正则一般是在目标函数之后加上对于的范数。但是在机器学习中一般使用L2正则,下面看具体的原因。

      1. L0 范数是指向量中非0的元素的个数。

      2. L1 范数是指向量中各个元素绝对值之和,也叫“稀疏规则算子”(Lasso regularization)。
        两者都可以实现稀疏性,既然L0可以实现稀疏,为什么不用L0,而要用L1呢?个人理解一是因为L0范数很难优化求解(NP难问题), 两者都可以实现稀疏性,既然L0可以实现稀疏,为什么不用L0,而要用L1呢?个人理解一是因为L0范数很难优化求解(NP难问题), 二是L1范数是L0范数的最优凸近似,而且它比L0范数要容易优化求解。

      3. L2 范数是指向量各元素的平方和然后求平方根。
        可以使得W的每个元素都很小,都接近于0, 可以使得W的每个元素都很小,都接近于0, 但与L1范数不同,它不会让它等于0,而是接近于0。L2正则项起到使得参数w变小加剧的效果,
        但是为什么可以防止过拟合呢?一个通俗的理解便是:更小的参数值w意味着模型的复杂度更低, 对训练数据的拟合刚刚好(奥卡姆剃刀),不会过分拟合训练数据,从而使得不会过拟合, 以提高模型的泛化能力。还有就是看到有人说L2范数有助于处理 condition number不好的 情况下矩阵求逆很困难的问题(具体这儿我也不是太理解)。

    5 神经网络过拟合解决方案
    1. 权值衰减.它在每次迭代过程中以某个小因子降低每个权值,这等效于修改E的定义,
      加入一个与网络权值的总量相应的惩罚项,此方法的动机是保持权值较小,避免weight decay, 从而使学习过程向着复杂决策面的反方向偏。

    2. 适当的stopping criterion (如图)
      在二次误差函数的情况下,关于早停止和权值衰减类似结果的原因说明。
      椭圆给出了常数误差函数的轮廓线,Wml表示误差函数的最小值。
      如果权向量的起始点为原点,按照局部负梯度的方向移动,那么它会沿着曲线给出的路径移动。
      通过对训练过程早停止,我们找到了一个权值向量w。
      定性地说,它类似于使用检点的权值衰减正则化项,然后最小化正则化误差函数的方法得到的权值。

    3. 验证数据
      一个最成功的方法是在训练数据外再为算法提供一套验证数据,
      应该使用在验证集合上产生最小误差的迭代次数,不是总能明显地确定验证集合何时达到最小误差.
      (通常30%的训练模式;每个时期检查验证集错误;如果验证错误上升,停止训练)

    4. 交叉验证
      交叉验证方法在可获得额外的数据提供验证集合时工作得很好,但是小训练集合的过度拟合问题更为严重.

    5. 采用dropout方法。这个方法在神经网络里面很常用。
      dropout方法是ImageNet中提出的一种方法,通俗一点讲就是dropout方法在训练的时候让神经元以一定的概率不工作,如下图。
      这里写图片描述

    参考资料:
    https://blog.csdn.net/willduan1/article/details/53070777
    https://blog.csdn.net/tansuo17/article/details/79129504

    展开全文
  • Hash冲突的四种解决办法

    万次阅读 2018-03-05 14:46:47
    一)哈希表简介 非哈希表的特点:关键字在表中的位置和它之间不存在一个确定的关系,查找的过程为给定值一次和各个关键字进行比较,查找的效率取决于和给定值进行比较的次数。 &nbsp; &...
  • 欠拟合、过拟合及其解决方法

    万次阅读 多人点赞 2016-11-08 10:14:20
    但是优化到了一定程度就需要解决过拟合的问题了,这个问题也在学术界讨论的比较多。(之前搜了很多有的博客,讲的都不太全,因此我重新整理总结了一遍,同时加入了自己的理解,方便自己和后来人查阅) 1. 欠
  • 解决方法】unable to locate adb

    千次阅读 2020-06-11 14:45:18
    解决方法:往往报错是因为SDK没有被选中。 File-Project Structure-Project SDK 正确填写SDK路径。 一般此时问题可以得到解决,否则检查是否正确安装了 SDK Manager-SDK Tools-Android SDK Platform Tools。 ...
  • 什么是跨域?跨域解决方法

    万次阅读 多人点赞 2020-05-13 12:34:57
    一、为什么会出现跨域问题 出于浏览器的同源策略限制。同源策略(Sameoriginpolicy)是一种约定,它是浏览器最核心也最基本的安全功能,如果缺少了同源策略,则浏览器的正常功能可能都会受到影响。...
  • loadrunner解决“服务器正在运行中”方法

    万次阅读 热门讨论 2015-09-23 15:03:13
     loadrunner解决“服务器正在运行中”方法 ...这个问题在上家公司遇见过,今天无意中找到了解决办法: ...解决方法: 打开任务管理器: 找到这个进程:ThumbProcess.exe,关掉这个进程即可解决。
  • 解决出现 Permission denied 的办法

    万次阅读 2020-01-19 08:28:41
    解决出现 Permission denied 的办法 解决方法:解决出现 Permission denied 的办法
  • 关于错误代码为0x80070643的问题的解决办法 解决方法:关于错误代码为0x80070643的问题的解决办法
  • vcruntime140.dll丢失的解决方法

    万次阅读 2019-03-29 11:25:34
    异常如下所示 1.下载提示所缺失的dll文件 ... 2.拷贝 win7 64位:C:\Windows\SysWOW64 win7 32位:C:\Windows\System32 ...本人尝试多种方法,可能是拷贝路径错误,最终将文件拷贝至如上路径后,成功解决。 ...
  • 转自 PheonixHkbxoic 的《前端解决跨域问题的8种方案(最新最全)》 原址:https://www.cnblogs.com/PheonixHkbxoic/p/5760838.html 1.同源策略如下: URL 说明 是否允许通信 http://www.a.com/a.js ...
  • 软件危机表现,原因及解决方法

    千次阅读 2019-08-01 19:39:34
    表现: ...解决方法: 用现代工程的概念,原理,技术和方法进行计算机软件的开发,管理和维护,由此诞生了软件工程。 软件工程是用工程,科学和数学的原则与方法来研制,维护计算机软件的有关技术及...
  • 解决各种中文乱码的方法

    千次阅读 2018-02-20 16:38:47
    response响应内容包含中文乱码问题解决方案request两种方式提交中文的解决方案
  • 多线程高并发解决办法

    千次阅读 2015-05-03 13:28:51
    网上关于这个问题五花八门,其实有很多解决办法,现在提供以下三种解决方法,供参考。每个方法详细实现等有时间再补充。1 線程間的代碼併做好同步工作,防止鎖的氾濫2 用線程池,解决多线程高并发3还有使用异步的...
  • 当时使用了jQuery的scrollTop方法,但是无效,百度了许久,仍找不出有效的解决方法。于是自己新建了一个网页用来测试scrollTop方法失效的原因,在一番折腾后,终于弄清楚了问题的原因和解决办法。  scrollTop失效...
  • msvcr120.dll丢失的解决方法

    万次阅读 2019-06-15 02:59:50
    2019独角兽企业重金招聘Python工程师标准>>> ...
  • 400 bad request 的问题,我发现在这个问题是自己用手机上的qovd的网页时候打不开也在网上找了各种办法都不行,现在就跟大家分享下我的解决办法,出现这种问题的朋友不知道你是否刷过机?我是刷过的 问题就是出在...
  • Ora-03114解决办法

    千次阅读 2010-06-27 10:11:00
    1.在使用pl/sql developer的时候老是报错 解决方法; <br /> 这是我们使用的客户端工具 Pl/Sql developer 和数据库的cdc产生冲突,如果使用TOAD等其他客户端工具则不会有这种情况。  还需要大家在...
1 2 3 4 5 ... 20
收藏数 4,880,119
精华内容 1,952,047
关键字:

解决方法