精华内容
下载资源
问答
  • Zookeeper的局限性

    2017-11-05 14:29:31
    Zookeeper框架的局限性有以下几个方面:存储容量 局限性: Zookeeper将所有数据都放在内存里,这意味着服务器的物理内存大小决定了ZNode节点所能够存储的数据量的上限;  对实际影响:配置数据总量不能大,否则...

    Zookeeper框架的局限性有以下几个方面:

    存储容量

      局限性: Zookeeper将所有数据都放在内存里,这意味着服务器的物理内存大小决定了ZNode节点所能够存储的数据量的上限;
      对实际影响:配置数据总量不能太大,否则会造成启动太慢,甚至OOM;

    伸缩性

      局限性: 增加机器可以提升ZK集群的读性能,但是写性能不会提高,甚至可能下降。原因是写操作需要集群中过半的机器投票决定,机器数量的增加导致投票时间增加,从而写性能下降。官网原话如下:

       Although ZooKeeper performs very well by having clients connect directly to voting members of the ensemble, this architecture makes it hard to scale out to huge numbers of clients. The problem is that as we add more voting members, the write performance drops. This is due to the fact that a write operation requires the agreement of (in general) at least half the nodes in an ensemble and therefore the cost of a vote can increase significantly as more voters are added.

    官网实验测试数据如下:
            这里写图片描述
      对实际影响:客户端的数量不能过于庞大,因为没办法通过增加机器来分担压力;

    Zookeeper原生API存在如下局限性:

    同机房优先

      为了达到容灾需求,ZK集群中的机器通常会分开部署在多个机房中,这就会导致网络延时问题(应用连接到了其它机房的ZK机器),如下图所示。通的解决放哪就是“同机房优先策略”,但是HostProvider只是随机选取一台机器,并没有提供“同机房优先”的策略。
          这里写图片描述

    服务器地址列表动态变更

      HostProvider中的服务器地址在客户端启动后就变成固定的了,没法跟着ZK集群的变更而变化。这就导致当ZK集群迁移或者变更时,所有依赖ZK集群的客户端都有需要进行变更。

    展开全文
  • 我们表明,广义相对论与量子场论耦合通常会导致物质领域的非局部效应。 这些非局部效应可以用非局部高维算子描述,该算子明显具有近似的移位对称。... 但是,这些影响太小,无法在宇宙微波背景下观察到。
  • 主要的关键的方向是傅立叶变换、短时傅立叶变换,小波变换等,第二代波的什么的就不说了,多了没多意义。当然,其中会看到很多的名词,例如,内积,基,归一化正交,投影,Hilbert空间,多分辨率,父波,母...

    原文链接:https://www.cnblogs.com/jfdwd/p/9249850.html
         https://blog.csdn.net/m0_37269455/article/details/74201023

      这原是“逼乎”上的一遍问答,我也在博客网站上看到了同样的转载博文,可是由于图片转载不过来影响了阅读,我在这里重新把图像转载到了CSDN,并且不是完全照搬原文,而是增加了一些其他的东西进去,供大家阅读。感谢原作者!

      从傅里叶变换到小波变换,并不是一个完全抽象的东西,可以讲得很形象。小波变换有着明确的物理意义,如果我们从它的提出时所面对的问题看起,可以整理出非常清晰的思路。
      下面我就按照傅里叶–>短时傅里叶变换–>小波变换的顺序,讲一下为什么会出现小波这个东西、小波究竟是怎样的思路。

      小波,一个神奇的波,当去学习小波的时候,第一个首先要做的就是回顾傅立叶变换(又回来了),因为他们都是频率变换的方法,而傅立叶变换是最入门的,也是最先了解的,通过傅立叶变换,了解缺点,改进,慢慢的就成了小波变换。主要的关键的方向是傅立叶变换、短时傅立叶变换,小波变换等,第二代小波的什么的就不说了,太多了没太多意义。当然,其中会看到很多的名词,例如,内积,基,归一化正交,投影,Hilbert空间,多分辨率,父小波,母小波,这些不同的名词也是学习小波路上的标志牌,所以在刚学习小波变换的时候,看着三个方向和标志牌,可以顺利的走下去,当然路上的美景要自己去欣赏(这里的美景就是定义和推导了)。因为内容太多,不是很重要的地方我都注释为(查定义)一堆文字的就是理论(可以大体一看不用立刻就懂)。

    一、基

      傅立叶变换和小波变换,都会听到分解和重构,其中这个就是根本,因为他们的变化都是将信号看成由若干个东西组成的,而且这些东西能够处理还原成比原来更好的信号。那怎么分解呢?那就需要一个分解的量,也就是常说的基,基的了解可以类比向量,向量空间的一个向量可以分解在x,y方向,同时在各个方向定义单位向量e1e_1e2e_2,这样任意一个向量都可以表示为a=xe1+ye2a=xe_1+ye_2,这个是二维空间的基,
    在这里插入图片描述
      而对于傅立叶变换的基是不同频率的正弦曲线,所以傅立叶变换是把信号波分解成不同频率的正弦波的叠加和,而对于小波变换就是把一个信号分解成一系列的小波,这里时候,也许就会问,小波变换的小波是什么啊,定义中就是告诉我们小波,因为这个小波实在是太多,一个是种类多,还有就是同一种小波还可以尺度变换,但是小波在整个时间范围的幅度平均值是0,具有有限的持续时间和突变的频率和振幅,可以是不规则,也可以是不对称,很明显正弦波就不是小波,什么的是呢,看下面几个图就是

                    

      当有了基,以后有什么用呢?
      下面看一个傅立叶变换的实例:
      对于一个信号的表达式为x=sin(2πt)+0.5sin(2π5t)x=sin(2πt)+0.5sin(2π*5t);
      这里可以看到是他的基就是sin函数,频率是1和5,下面看看图形的表示,是不是感受了到了频域变换给人的一目了然。
    在这里插入图片描述
      基具有非冗余性,即使基不是正交的,有相关性,但若去掉其中任何一个,则不成为基,这一点也叫完备性;基的表示有唯一性,即给定一族基对一个函数的表达是唯一的;一般情况下基非正交,也称为为exact frame(Resize basis),这个时候要表示信号可以将基正交化成唯一的正交基(对偶为其自身);也可以求其对偶框架(dual frame),其对应了小波变换中的双正交情形!信号可以依框架分解,然后用对偶框架重构。若在基集里添加一些新的向量,并随意调整空间位置,则有可能成为框架。把函数与基或框架作内积,也可以说成是一种函数空间到系数空间的变换。若某种变换后的能量(内积的平方和度量)仍然有一个大于0的上下界,才可以成为框架,由于框架的冗余性,所以系数的表达也不具有唯一性。若上下界相等,则为紧框架,且界表示冗余度。若上下界相等为且为1,称为pasval identity frame,此时不一定为正交基(想象把一组正交基中某一个拆成两个同方向的基之和,则pasval identity仍然成立),此时若加上基的长度均为一的条件,则框架退化为正交基。可能你会问我们用基来表示信号就行了啊,为什么还要框架呢?其实很多信号表示方法不能构成基,却能构成框架,如短时傅立叶变换中如要求窗函数满足基条件,则可推出该函数有很差的时频局部化性质(事实上退化为了傅立叶变换。

    二、内积

      在Hilbert(希尔伯特)空间(查定义)里看到这个东西,用来刻画两个向量的夹角,当内积为0时,两个向量正交,若g为Hilbert空间里的正交基的时候,内积为f向基上的正交投影;(Hilbert空间是一个很直观的空间,我一直都理解为欧氏空间去理解定义在其上的东西,L2L^2(平方可积,查定义)和l2l^2同样为Hilbert空间。
      下面这个公式是基本,经过变形后会用在推导中:
    在这里插入图片描述
      如果两个向量的内积为0 ,就说他们是正交的。
      如果一个向量序列相互对偶正交,并且长度都为1,那么就说他们是正交归一化的。
      对于f(t)L2(R)f(t)⊆L^2(R),存在L2(R)L^2(R);上一组标准正交基gi(t),i=1,2,3.g_i(t),i=1,2,3….,使得
    在这里插入图片描述
      L2(R)L^2(R)上任意一个函数f(t)f(t)都可以由L2(R)L^2(R)上的一个规范正交基gi(t)g_i(t)进行线性组合表示出来

    三、傅里叶变换的缺点

      先列举出来缺点,然后再说明:
      (1)Fourier分析不能刻画时间域上信号的局部特性
      (2)Fourier分析对突变和非平稳信号的效果不好,没有时频分析

      傅立叶变换傅立叶变换将函数投影到三角波上,将函数分解成了不同频率的三角波,这不能不说是一个伟大的发现,但是在大量的应用中,傅立叶变换的局限性却日趋明显,事实上在光滑平稳信号的表示中,傅立叶基已经达到了近似最优表示,但是日常生活中的信号却并不是一直光滑的,而且奇异是平凡的,傅立叶在奇异点的表现就着实让人不爽,从对方波的傅立叶逼近就可以看出来,用了大量不同频率的三角波去逼近其系数衰减程度相当缓慢,而且会产生Gibbs(吉布斯)效应。其内在的原因是其基为全局性基,没有局部化能力,以至局部一个小小的摆动也会影响全局的系数。实际应用中很需要时频局部化,傅立叶显然缺乏此能力了。即使如此,由于其鲜明的物理意义和快速计算,在很多场合仍然应用广泛。傅立叶变换在从连续到离散的情形是值得借鉴与学习的,大家都知道,时间周期对应频域离散,时间离散对应频域周期,时间离散周期对应频域离散 周期,DFT其实是将离散信号做周期延拓然后做傅立叶变换再截取一个周期,反变换同样如此,所以DFT用的是块基的概念,这样如果信号两端的信号连接后不再光滑(即使两边都光滑),同样会在边界上产生大幅值系数(边界效应),延伸到图像中就是块效应。当对信号做对称周期延拓后再做傅立叶变换得到的正弦系数全部为0,也就是任何对称函数可以写成余弦的线性组合,同样按照离散的思路构造得到的是离散块余弦基,即DCT变换,虽然DCT可以通过对称后周期延拓再变换减少了边界效应(两边信号接上了,但不一定平滑),但任不能消除块效应,尤其是图像变换中人为将图像分成8*8处理后块效应更加明显。但是DCT很好的能量聚集效应让人惊奇,加之快速计算方法使它替代DFT成为图像的压缩的标准了很长时间(JPEG)。
      上面一堆文字也许看的有点蒙,还是用图来说明
      第一个就是傅立叶变换是整个时域,所以没有局部特征,这个也是他的基函数决定的看图,同时如果在时域张有了突变,那么在频域就需要大量的三角波去拟合,这也是傅立叶变换性质决定的。

      第二个就是面对非平稳信号,傅立叶变换可以看到由哪些频域组成,但是不知道各成分对应的时刻是什么,也就是没有时频分析,看不出来信号频域随着时间变换的情况,反过来说就是,一个的频图对应好几个时域图,不知道是哪个,这个在实际应用中就不好了,看图
    在这里插入图片描述
      做FFT后,我们发现这三个时域上有巨大差异的信号,频谱(幅值谱)却非常一致。尤其是下边两个非平稳信号,我们从频谱上无法区分它们,因为它们包含的四个频率的信号的成分确实是一样的,只是出现的先后顺序不同。
      可见,傅里叶变换处理非平稳信号有天生缺陷。它只能获取一段信号总体上包含哪些频率的成分,但是对各成分出现的时刻并无所知。因此时域相差很大的两个信号,可能频谱图一样。
      然而平稳信号大多是人为制造出来的,自然界的大量信号几乎都是非平稳的,所以在比如生物医学信号分析等领域的论文中,基本看不到单纯傅里叶变换这样naive的方法。
    在这里插入图片描述
      上图所示的是一个正常人的事件相关电位。对于这样的非平稳信号,只知道包含哪些频率成分是不够的,我们还想知道各个成分出现的时间。知道信号频率随时间变化的情况,各个时刻的瞬时频率及其幅值——这也就是时频分析。

    四、短时傅里叶变换(Short-time Fourier Transform,STFT)

      有了缺点就要改进了,这里就出来了短时傅立叶变换,也叫加窗傅立叶变换,顾名思义,就是因为傅立叶变换的时域太长了,所以要弄短一点,这样就有了局部性。
      定义:把整个时域过程分解成无数个等长的小过程,每个小过程近似平稳,再傅里叶变换,就知道在哪个时间点上出现了什么频率了。这就是短时傅里叶变换。下面就是示意图
    在这里插入图片描述
      时域上分成一段一段做FFT,不就知道频率成分随着时间的变化情况了吗!
      可能理解这一点最好的方式是举例子。首先,因为我们的变换是对时间和频率的函数(不像傅立叶变换,仅仅是对频率的函数),它是二维的(如果加上幅度则是三维)。以下图所示的非平稳信号为例:
    在这里插入图片描述
      在这个信号中,在不同时刻有四个频率分量。0-250ms内信号的频率为300Hz,其余每个250ms的间隔的信号频率分别为200Hz,100Hz和50Hz。很明显,这是一个非平稳信号,让我们看一看它的短时傅立叶变换:用这样的方法,可以得到一个信号的时频图了:
    在这里插入图片描述
      图上既能看到10Hz, 25 Hz, 50 Hz, 100 Hz四个频域成分,还能看到出现的时间。两排峰是对称的,所以大家只用看一排就行了。
      看着貌似解决了问题,好像有了局部性,但是这个名字叫做加窗傅立叶变换,那么这个窗要多大了呢?
      窗太窄,窗内的信号太短,会导致频率分析不够精准,频率分辨率差。
      窗太宽,时域上又不够精细,时间分辨率低。

    在这里插入图片描述
    在这里插入图片描述

      (这里插一句,这个道理可以用海森堡不确定性原理来解释。类似于我们不能同时获取一个粒子的动量和位置,我们也不能同时获取信号绝对精准的时刻和频率。这也是一对鱼和熊掌,不可兼得的矛盾体。我们不知道在某个瞬间哪个频率分量存在,我们知道的只能是在一个时间段内某个频带的分量存在。所以绝对意义的瞬时频率是不存在的。)
      上图对同一个信号(4个频率成分)采用不同宽度的窗做STFT,结果如右图。用窄窗,时频图在时间轴上分辨率很高,几个峰基本成矩形,而用宽窗则变成了绵延的矮山。但是频率轴上,窄窗明显不如下边两个宽窗精确。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
      所以窄窗口时间分辨率高、频率分辨率低,宽窗口时间分辨率低、频率分辨率高。
      对于时变的非稳态信号,高频适合小窗口,低频适合大窗口。然而STFT的窗口是固定的,在一次STFT中宽度不会变化,所以STFT还是无法满足非稳态信号变化的频率的需求。

    五、小波变换

      真是千呼万唤始出来了,终于看见小波了啊。
      这里先引入小波,回顾一下基,然后再看看小波的优点,其实就是上面傅立叶缺点的解决。
      对于加窗傅立叶变换让人头疼的就是窗口的大小问题,如果我们让窗口的大小可以改变,不就完美了吗?答案是肯定的,小波就是基于这个思路,但是不同的是。STFT是给信号加窗,分段做FFT;而小波变换并没有采用窗的思想,更没有做傅里叶变换。小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率,还可以定位到时间了~
      这里就又回到了最开始的基了。
      这个基函数会伸缩、会平移(其实是两个正交基的分解)。缩得窄,对应高频;伸得宽,对应低频。然后这个基函数不断和信号做相乘。某一个尺度(宽窄)下乘出来的结果,就可以理解成信号所包含的当前尺度对应频率成分有多少。于是,基函数会在某些尺度下,与信号相乘得到一个很大的值,因为此时二者有一种重合关系。那么我们就知道信号包含该频率的成分的多少。如前边所说,小波做的改变就在于,将无限长的三角函数基换成了有限长的会衰减的小波基。效果如下图
    在这里插入图片描述
      现在来看一下小波公式
    在这里插入图片描述
      从公式可以看出,不同于傅里叶变换,变量只有频率ω,小波变换有两个变量:尺度a(scale)和平移量 τ(translation)。尺度a控制小波函数的伸缩,平移量τ控制小波函数的平移。尺度就对应于频率(反比),平移量 τ就对应于时间。如下图
    在这里插入图片描述
      当伸缩、平移到这么一种重合情况时,也会相乘得到一个大的值。这时候和傅里叶变换不同的是,这不仅可以知道信号有这样频率的成分,而且知道它在时域上存在的具体位置。
      而当我们在每个尺度下都平移着和信号乘过一遍后,我们就知道信号在每个位置都包含哪些频率成分。
      看到了吗?有了小波,我们从此再也不害怕非稳定信号啦!从此可以做时频分析啦!
      (1) 解决了局部性
    在这里插入图片描述
      (2)解决时频分析

      做傅里叶变换只能得到一个频谱,做小波变换却可以得到一个时频谱!

    时域信号            傅立叶变换结果            小波变换结果

    知识原理补充:

    1.关于海森堡不确定性原理(测不准原理)
      不确定性原理,或者叫测不准原理,最早出自量子力学,意为在微观世界,粒子的位置与动量不可同时被确定。但是这个原理并不局限于量子力学,有很多物理量都有这样的特征,比如能量和时间、角动量和角度。体现在信号领域就是时域和频域不过更准确一点的表述应该是:一个信号不能在时空域和频域上同时过于集中;一个函数时域越“窄”,它经傅里叶变换的频域后就越“宽”。
      如果有兴趣深入研究一下的话,这个原理其实非常耐人寻味。信号处理中的一些新理论在根本上也和它有所相连,比如压缩感知。如果你剥开它复杂的数学描述,最后会发现它在本质上能实现其实和不确定性原理密切相关。而且大家不觉得这样一些矛盾的东西在哲学意义上也很奇妙吗?

    2.关于正交化
      什么是正交化?为什么说小波能实现正交化是优势?
      简单说,如果采用正交基,变换域系数会没有冗余信息,变换前后的信号能量相等,等于是用最少的数据表达最大的信息量,利于数值压缩等领域。JPEG2000压缩就是用正交小波变换。
      比如典型的正交基:二维笛卡尔坐标系的(1,0)、(0,1),用它们表达一个信号显然非常高效,计算简单。而如果用三个互成120°的向量表达,则会有信息冗余,有重复表达。
      但是并不意味着正交一定优于不正交。比如如果是做图像增强,有时候反而希望能有一些冗余信息,更利于对噪声的抑制和对某些特征的增强。

    3.关于瞬时频率
      原问题:图中时刻点对应一频率值,一个时刻点只有一个信号值,又怎么能得到他的频率呢?
      很好的问题。如文中所说,绝对意义的瞬时频率其实是不存在的。单看一个时刻点的一个信号值,当然得不到它的频率。我们只不过是用很短的一段信号的频率作为该时刻的频率,所以我们得到的只是时间分辨率有限的近似分析结果。这一想法在STFT上体现得很明显。小波用衰减的基函数去测定信号的瞬时频率,思想也类似。(不过到了Hilbert变换,思路就不一样了,以后有机会细讲)

    4.关于小波变换的不足
      这要看和谁比了。
      A.作为图像处理方法,和多尺度几何分析方法(超小波)比:
      对于图像这种二维信号的话,二维小波变换只能沿2个方向进行,对图像中点的信息表达还可以,但是对线就比较差。而图像中最重要的信息恰是那些边缘线,这时候ridgelet(脊波), curvelet(曲波)等多尺度几何分析方法就更有优势了。
      B. 作为时频分析方法,和希尔伯特-黄变换(HHT)比:
      相比于HHT等时频分析方法,小波依然没脱离海森堡测不准原理的束缚,某种尺度下,不能在时间和频率上同时具有很高的精度;以及小波是非适应性的,基函数选定了就不改了。

      上面讲了那么多,仅仅也就是走进小波的大门,具体的我们还要学习子空间、多分辨率,母小波的变换,如何去构造想要的小波函数,然后还有离散小波变换,正交小波变换,二维小波变换,小波包的应用等。好像还有很多要学习的。

    六、小波的应用

      小波是多分辨率理论的分析基础。而多分辨率理论与多种分辨率下的信号表示和分析有关,其优势很明显–某种分辨率下无法发现的特性在另一个分辨率下将很容易被发现。从多分辨率的角度来审视小波变换,虽然解释小波变换的方式有很多,但这种方式能简化数学和物理的解释过程。
      对于小波的应用很多,我学习的的方向主要是图像处理,所以这里用图像的应用来举例。对于图像,要知道量化级数决定了图像的分辨率,量化级数越高,图像越是清晰,图像的分辨率就高。
      例一:哈尔小波图像分解
    在这里插入图片描述
      例二:小波去噪平滑
    在这里插入图片描述
      例三:小波的边缘检测
    在这里插入图片描述
      小波的知识还有很多,可以再继续看书学习,希望看到这个文章,可以对小波入门的同学有一定的帮助!

    创建时间:2020年10月24日 11:04:58
    发表时间:2020年10月24日 13:33:58

    展开全文
  • 卷积神经网络的局限

    千次阅读 2018-05-24 21:21:59
    师弟接触神经网络比较久,和师弟讨论的时候提醒我卷积神经网络不适用于我所要达到的目的...而我做的是图像的变换,是全局的,所以感觉是确实不合适。并建议我使用Non-local Netrual Network。于是查到了论文,以...

    师弟接触神经网络比较久,和师弟讨论的时候提醒我卷积神经网络不适用于我所要达到的目的,原因是CNN的感受野比较小,感受野在CSDN中的博客有一篇介绍的比较详细,以图像为例,大致意思就是在某一层中的一个像元是上一层中几个像素的值得合成,这几个像素的范围就是感受野。而我做的是图像的变换,是全局性的,所以感觉是确实不太合适。并建议我使用Non-local Netrual Network。于是查到了论文,以及一些博客如下:
    可以参考了解
    展开全文
  • 问题描述:由于最近项目需要使用Mac地址与注册码进行加密处理,但是又因为Web程序的局限性不能获取客户端电脑系统信息,当然IE浏览器有一个activex控件他是可以通过Js在前端代码中直接获取的,局限性太小放弃。...

    问题描述:由于最近项目需要使用Mac地址与注册码进行加密处理,但是又因为Web程序的局限性不能获取客户端电脑系统信息,当然IE浏览器有一个activex控件他是可以通过Js在前端代码中直接获取的,局限性太小放弃。我的实现方法是通过windows服务嵌套一个HttpService服务实现。本人初级菜鸟希望有大佬看到能有多多指教,同时也记录下来加深自己的印象。大概实现步骤如下

    一 创建一个winform项目

    二 在根目录下创建一个windowsService服务名称随意,本文中取得是Service1

    public partial class Service1 : ServiceBase
    {
    System.Threading.Timer recordTimer;

    public Service1()
    {
    InitializeComponent();
    }

    /// <summary>
    /// 服务开启
    /// </summary>
    /// <param name="args"></param>
    protected override void OnStart(string[] args)
    {
    //获取Mac地址与注册码本地接口Http接口嵌入也可在增加其他业务代码

    HttpServer httpServer;
    if (args.GetLength(0) > 0)
    {
    httpServer = new MyHttpServer(Convert.ToInt16(args[0]));
    }
    else
    {

    //日志文件记录
    FileOpetation.SaveRecord(string.Format(@"当前记录时间:{0},状况:启动服务!", DateTime.Now.ToString("yyyy-MM-dd HH:mm:ss.fff")));

    //爆的本机端口尽量用大的数字不要使用1433一下数字作为端口
    httpServer = new MyHttpServer(8888);
    }
    //操作线程方法
    Thread thread = new Thread(new ThreadStart(httpServer.listen));
    thread.Start();
    }

    //停止服务

    protected override void OnStop()
    {
    if (recordTimer != null)
    {
    recordTimer.Dispose();
    }
    }

    三  创建一个服务类 实现.net框架的类HttpListener。以下为简介代码返回数据格式需要自行处理另外会存在一个跨域问题,代码包中有注解

    public class MyHttpServer : HttpServer {
        public MyHttpServer(int port)
            : base(port) {
        }
        public override void handleGETRequest(HttpProcessor p) {
            Console.WriteLine("request: {0}", p.http_url);
            p.writeSuccess();
            p.outputStream.WriteLine("<html><body><h1>test server</h1>");
            p.outputStream.WriteLine("Current Time: " + DateTime.Now.ToString());
            p.outputStream.WriteLine("url : {0}", p.http_url);
            
            p.outputStream.WriteLine("<form method=post action=/form>");
            p.outputStream.WriteLine("<input type=text name=foo value=foovalue>");
            p.outputStream.WriteLine("<input type=submit name=bar value=barvalue>");
            p.outputStream.WriteLine("</form>");
        }
        
        public override void handlePOSTRequest(HttpProcessor p, StreamReader inputData) {
            Console.WriteLine("POST request: {0}", p.http_url);
            string data = inputData.ReadToEnd();
            
            p.outputStream.WriteLine("<html><body><h1>test server</h1>");
            p.outputStream.WriteLine("<a href=/test>return</a><p>");
            p.outputStream.WriteLine("postbody: <pre>{0}</pre>", data);
        }
    }

    四  添加一个安装程序类

     

    大概步骤已经完成了剩下就是打包发布 源码下载链接 https://files.cnblogs.com/files/pengdakun/MyFirstWindowsService.rar

    打包好程序下载链接 https://files.cnblogs.com/files/pengdakun/%E6%B5%8B%E8%AF%95%E6%96%87%E4%BB%B6.rar

     

    转载于:https://www.cnblogs.com/pengdakun/p/8902393.html

    展开全文
  • 展开全部塞班系统被淘2113汰...到后来苹果的iOS、谷歌的安卓系统相继问世,塞班系统的种种局限性也最终导致了诺基亚手机帝国的没落。功能机时代和智能机时代早期,塞班系统凭借着流畅度高、内存占用,获得了不少用...
  • 一、浏览器存储的发展历程 本地存储解决方案很多,比如Flash SharedObject、Google Gears、Cookie、DOM Storage、User Data、window....Cookie: 在web中得到广泛应用,但局限性非常明显,容量太小,有些站点会因为出
  • 别墅小型电梯随着别墅的增加也开始成为人们关注的焦点,但是由于别墅小型电梯还属于新兴产品,购买的人群还比较有限,对于产品的了解也有一定的局限性。因此对于想要购买电梯的客户来说,需要对产品有所了解。别墅...
  • 为了自己的第一个处女作《奎特尔数字大冒险》又封闭了近10天时间,给游戏增加金币和新角色,用了一个晚上研究微信云开发,感觉局限性太大又用了两天去搞腾讯的游戏框架wafer...
  • 程序踩坑记录

    2018-09-07 18:18:31
    微信团队开发的程序,整体看起来很多类似vue的地方,但看看文档,真正写起来就会发现,这个东西局限性太多了,不管是写法上还是功能上,开发起来根本没有vue的快感,只是有一些语法类似vue而已,不过没办法,谁让...
  • 通过slot可以自由扩展组件,使组件更具有扩展性,使用起来也不会有大的局限性。要说不足之处:在目前最新的2.4版本都不能实现组件的自定义数据。而且组件的使用还存在着一些bug。二、正文组件的相关说明官方文档...
  • 龙源期刊网http://www.qikan.com.cn基于微信程序的点餐系统作者:申燕萍何梦磊来源:《电脑知识与技术》2018年第04期摘要:在充分调查和分析当前餐饮行业的点餐模式和传统餐饮APP的运作流程的基础上,针对现代人的...
  • 十六:一致哈希算法

    2020-07-16 11:21:52
    局限性 增加机器、减少机器会导致部分键失效。可以通过增加虚拟节点来最大减少损失, 当实际节点少,加减机器会大范围影响哈希环中数据映射,因此这种不适合少数据 节点的分布式缓存方案。 算法解释 四个节点均匀...
  • 二分查找应用场景的局限性: (1)基于顺序表的存储结构; (2)针对有序数据; (3)数据量且比较操作不耗时时,不需要二分; (4)数据量大也不行(超出内存可用连续空间); 分块查找; 针对前面查找...
  • Minecraft我的世界云服务器搭建教程(小白看过来)

    千次阅读 多人点赞 2020-01-29 22:50:16
    想和朋友们联机玩MC,却又嫌某易的局限性太大,某宝的又贵,不如自己搭个Minecraft服务器上去,看了好多教学,在这里整合一下如何从头开始搭建mc服务器。 本人linux小白,同样也是小白腐竹,有错误欢迎大佬们评论...
  • pygame是真的容易上手,但用来做游戏也有很大的局限性,做一些游戏还是没什么问题的。 首先,制作游戏最大的问题我认为是确定要制作的游戏的玩法,具体的细节都确定清楚之后再去实现还是很容易的。所以开发游戏...
  • 微信程序-组件篇

    2018-12-06 09:49:00
    通过slot可以自由扩展组件,使组件更具有扩展性,使用起来也不会有大的局限性。要说不足之处:在目前最新的2.4版本都不能实现组件的自定义数据。而且组件的使用还存在着一些bug。 二、正文  组件的相关说明官方...
  • 使用梯度下降求解最小二乘 简介 在前一篇的总结中,从矩阵的视角...这个方程本身没有什么问题,只不过也有其局限性,当数据量很大的时候,WWW也会很大,求解WTWW^{T}WWTW本质上是一个不现实的事情。如果只有1000...
  • 2020年学校本课程规划方案 校本课程的开发是以试图弥补国家课程开发的局限性。以学校为实施课程资源开发的主体。它是作为国家课程的一种重要补充。下面是编带来关于20xx年学校本课程规划方案的内容,希望能让...
  • 现在很多人都有将录音转文字的需求,目前微信和手机都有这样的自带功能,但自带的功能日常辅助工作还行,正式使用起来局限性比较大,所以建议大家还是使用微信这个免费的程序吧。 首先我们需要在微信程序页面...
  • 虽然未来会有很大的发展可能性,但也存在很多问题和局限性。 我们要面对的第一点是行业垄断。我们都知道阿里和银行在一些财务数据上基本处于垄断状态。企业短期内还是很难介入的,很多数据都是私人数据,我们无法...
  • Android Fragment完全解析,关于碎片你所需知道的一切

    万次阅读 多人点赞 2013-05-07 09:33:45
    但是Activity也有它的局限性,同样的界面在手机上显示可能很好看,在平板上就未必了,因为平板的屏幕非常大,手机的界面放在平板上可能会有过分被拉长、控件间距过大等情况。这个时候更好的体验效果是在Activity中...
  • 机器学习

    2018-08-14 15:41:32
    局限性。这时候svm出现了,通过核函数解决了非线性数据的问题。后来随着硬件的发展解决了多层神经网络的计算问题,神经网络也可以做非线性数据的分割问题了   至于svm怎么寻找超平面的,大概分三步 第一步,...
  • 明白机器学习中的通用理论,然后在细化到数学推导,之后再明白局限性以及改进;辅助以代码. 笔记.防止看得过于枯燥. -What is learning? -Can a machine learn? -How to do it? -How to do it well? -Take-home ...
  • 在工作中开发一个页面,多少都会用到轮播图,但是由于微信官方提供的轮播图swiper组件局限性太大了,所以接下来我会教大家怎么去自定义轮播图的进度条。 简单修改: 如果你的项目只是简单的修改小圆点的颜色,那么...
  • WIFI定位、蓝牙定位等定位技术局限大,室内定位行业相对其他行业来说,市场较,直至UWB定位技术的出现,室内定位行业得到飞速发展。除了要考虑的成本外,还应该多方面综合衡量UWB人员定位的价比。 对比WIFI、...
  • uni-app或微信程序地图都是最高层级,z-index无效,局限性大了。怎么办呢?直接设置高度肯定是没办法的,我就想换一个思路来解决这个问题。 确实地图/视频等在最上面,自己的会被挡住。那么让地图组件消失不久...
  • 当然,内联函数也有一定的局限性。就是函数中的执行代码不能多了,如果,内联函数的函数体过大,一般的编译器会放弃内联方式,而采用普通的方式调用函数。(换句话说就是,你使用内联函数,只不过是向编译器提出一...
  • iPhone XS Max的出台让很多苹果粉为之疯狂,极高的...那说到这对于设计类人员的上班族来说,即使在外出差也不必担心屏开设计图的局限性啦!说实话,普通的手机和PC端肯定是没办法比的,但是有了iPhoneXS Max的上市...

空空如也

空空如也

1 2 3 4 5 ... 17
收藏数 333
精华内容 133
关键字:

局限性太小