11
-
二十七、新人成才之路《职场新人 新人分五等,你做哪一等?》
2018-09-22 01:54:00 -
用Github Pages+Hexo搭建博客之(五)配置Front-matter#添加默认支持disqus评论功能#指定文章分类#标题,文件...
2020-01-16 13:25:50【置顶】【专栏】用Github Pages+Hexo搭建博客【置顶】【专栏】用Github Pages+Hexo搭建博客
文章目录
>Front-matter
Front-matter 是文件最上方以 — 分隔的区域,用于指定个别文件的变量,也可以说是页面属性,举例来说:
--- title: Hello World date: 2013/7/13 20:46:25 ---
以下是预先定义的参数,可在模板中使用这些参数值并加以利用。
参数 描述 默认值 layout 布局 title 标题 文章的文件名 date 建立日期 文件建立日期 updated 更新日期 文件更新日期 comments 开启文章的评论功能 true tags 标签(不适用于分页) categories 分类(不适用于分页) permalink 覆盖文章网址 keywords 仅用于 meta 标签和 Open Graph 的关键词(不推荐使用) 分类和标签
只有文章支持分类和标签,可以在 Front-matter 中设置。
在其他系统中,分类和标签听起来很接近,但是在 Hexo 中两者有着明显的差别:
分类具有顺序性和层次性,也就是说 Foo, Bar 不等于 Bar, Foo;
而标签没有顺序和层次。categories: - Diary tags: - PS3 - Games
举例说明
注意
-
后面有空格--- title: test date: 2020-01-16 13:21:21 comments: true # 是否可评论 toc: true # 是否显示文章目录 categories: #分类 - test tags: #标签 - test1 - test2 ---
指定文章分类-Yaml语法
如果有过使用 WordPress 的经验,就很容易误解 Hexo 的分类方式。WordPress 支持对一篇文章设置多个分类,而且这些分类可以是同级的,也可以是父子分类。
但是 Hexo 不支持指定多个同级分类。例如:
categories: - 1 - 2
会使分类2成为1的子分类,而不是并列分类。因此,有必要为文章选择尽可能准确的分类。而不能写成:
categories:1,2
写成这样会被认为成是一个名叫:1,2的分类。
Yaml语法
YAML中允许表示三种格式,分别是常量值,对象和数组
#即表示url属性值; url: http://www.wolfcode.cn #即表示server.host属性的值; server: host: http://www.wolfcode.cn #数组,即表示server为[a,b,c] server: - 120.168.117.21 - 120.168.117.22 - 120.168.117.23 #常量 pi: 3.14 #定义一个数值3.14 hasChild: true #定义一个boolean值 name: '你好YAML' #定义一个字符串
注释
使用#作为注释,YAML中只有行注释。基本格式要求
1,YAML大小写敏感;
2,使用缩进代表层级关系;
3,缩进只能使用空格,不能使用TAB,不要求空格个数,只需要相同层级左对齐(一般2个或4个空格)为文章添加多个分类
如果你需要为文章添加多个分类,可以尝试以下 list 中的方法:
categories: - [Diary, PlayStation] - [Diary, Games] - [Life]
此时这篇文章同时包括三个分类: PlayStation 和 Games 分别都是父分类 Diary 的子分类,同时 Life 是一个没有子分类的分类。
JSON Front-matter
除了 YAML 外,也可以使用 JSON 来编写 Front-matter,只要将 — 代换成 ;;; 即可。
"title": "Hello World", "date": "2013/7/13 20:46:25" ;;;
>添加默认支持disqus评论功能(国内仿佛用不了)
后面会讲别的评论插件,,可以去看看。
hexo默认支持disqus评论功能是
comments:true
;需要先去disqus 官网注册一下账号:https://disqus.com/profile/signup/
然后进入到设置:https://disqus.com/home/settings/
因为这个评论插件是要登陆评论的,先配置你的个人信息,看左边的第一行Profile和Username,然后在主题_config.yml下面添加
disqus_shortname:注册disqus时你自己设置的名字
就可以在文章下面看评论功能了。Disqus settings(https://disqus.com/) disqus_username: 你的Username
disqus 设置时可能需要清除一下缓存,否则可能会出现加载不出来的情况。 通过常用的hexo上传方式。
hexo clean (清除hexo缓存) hexo g (生成对应的html文件) hexo d (将hexo对应的修改 上传到git上)
-
万分之二用百分之怎么表示_万分之几用百分符号怎么表示 万分之五怎么写?0.5%...
2020-12-22 11:55:50% 这个符号就是指百分,...1‱的定义为“百分之零点零一”(0.01%)或“一个百分点的一百分之一”,通常称之为一个基点。它在计算利率、汇率、股票价格等范畴被广泛应用,因为这些范畴须要牵涉极微小百分数的计算。扩...% 这个符号就是指百分,要用百分号表示万分之几,就只能改为:0.01%,或是用千分号‰,表示为0.1‰。
‱,万分之一写成1‱。
万分号数学符号‱,读作万分号(Permyriad 或 per ten thousand )。
1‱的定义为“百分之零点零一”(0.01%)或“一个百分点的一百分之一”,通常称之为一个基点。它在计算利率、汇率、股票价格等范畴被广泛应用,因为这些范畴须要牵涉极微小百分数的计算。
扩展资料
千分号就是在百分号的基础上再加一个圆圈,‰这个就是千分号。万分号跟这个道理一样,再加个圆圈:‱。
以此类推,亿分号可想而知。但一般百分号、千分号用的比较多,万分号乃至亿分号很少见,依此类推,这些符号就不简练了,不如直接写万分之几、亿分之几方便。
万分之五是千分之0.5,也就是0.05%,但是一般不这样写,不过你也可以这样写,有一种新的表达就是千分之0.5,所以是0.5‰。
千分号就是在百分号的基础上再加一个根据好似的圆圈,如图:‰ 这个就是千分号。万分号跟这个道理一样,再加个圆圈:‱;以此类推,亿分号可想而知。但一般百分号、千分号用的比较多,万分号乃至亿分号很少见,依此类推,这些符号就不简练了,不如直接写万分之计几、亿分之几方便。
百分号:表示分数的分母是100的符号(%),如32%表示一百分之三十二,相当于小数的0.32。在计算机领域中:百分号表示分数的分母是100的符号(%),如32%表示一百分之三十二,相当于小数的0.32。 通配符(wildcard)是一类键盘字符,包括星号(*)、问号 (?)和百分号(%)等,当进行网络或文件查找不知道真正字符或者不想键入完整单词时,可以使用它来代替真正字符或完整的单词。
Google使用的通配符属于“全词通配符”(full-word wildcard)是指代替一个单词而不是单词中的某个或几个字母的键盘字符,google的全词通配符是*(星号),一次检索可以使用若干个*。
% 这个符号就是指百分,要用百分号表示万分之几,就只能改为:0.01%,或是用千分号‰,表示为0.1‰。
万分之三的写法:3‱
数学符号‱,读作万分号。1‱的定义为“百分之零点零一”(0.01%)或“一个百分点的一百分之一”。
千分号为:‰,就是指千分之几的意思,用法和百分号(%)相似。“‰”也可以表示一个数是另一个数的千分之几的数,叫做千分数,千分数也叫做千分率、千分比。
扩展资料
百分数与分数的区别:
1、意义不同,百分数只表示两个数的倍比关系,不能带单位名称;分数既可以表示具体的数,又可以表示两个数的关系,表示具体数时可带单位名称。
2、百分数不可以约分,而分数一般通过约分化成最简分数。
3、任何一个百分数都可以写成分母是100的分数,而分母是100的分数并不都具有百分数的意义。
4、应用范围的不同,百分数在生产和生活中,常用于调查、统计、分析和比较,而分数常常在计算、测量中得不到整数结果时使用。
参考资料来源:百度百科-万分号
万分之几用百分符号怎么表示_
: % 这个符号就是指百分,要用百分号表示万分之几,就只能改为:0.01%,或是用千分号‰,表示为0.1‰.
万分之几的数学符号怎么表示百分之是%,千分之是‰_
: ‱,万分之一写成1‱.万分号数学符号‱,读作万分号(Permyriad 或 per ten thousand ).1‱的定义为“百分之零点零一”(0.01%)或“一个百分点的一百分之一”,通常称之为一个基点.它在计算利率、汇率、股票价格等范畴被广泛应用,因为这些范畴须要牵涉极微小百分数的计算.扩展资料 千分号就是在百分号的基础上再加一个圆圈,‰这个就是千分号.万分号跟这个道理一样,再加个圆圈:‱.以此类推,亿分号可想而知.但一般百分号、千分号用的比较多,万分号乃至亿分号很少见,依此类推,这些符号就不简练了,不如直接写万分之几、亿分之几方便.
万分之一符号_万分之几的数学符号怎么表示百分之是%,千分之是‰
: 0.X‰ 千分之零点几 表示万分之几
万分之五怎么用符号表示?
: % 这个符号就是指百分,要用百分号表示万分之几,就只能改为:0.01%,或是用千分号‰,表示为0.1‰.
万分之一用百分比怎么表示_
: 万分之一 =0.01%
万分之几的符号怎么输入,谁有?_
: 百分号%,千分号‰,万分号‱,如果打不出来个人觉得%%表示万分号也比较好....
万分之一的符号如何表示_
: 万分之一的符号 word 插入-符号- 字体选中 Lucida Sans Unicode-,里面就有万分之一的符号 ‱
万分之二点一 用数字% 怎么表示_
: 万分之二点一=2.1/10000*100%=0.021%=2.1‱ 万分之一符号:‱, 分母三个0
Excel表格里插入的万分之几的符号,怎么参与计算_
: 假设数据在A1,用公式得到实际数字:=SUBSTITUTE(A1,"‱","")/10000 用它参与运算.
-
机器学习之支持向量机SVM之python实现ROC曲线绘制(二分类和多分类)
2021-02-07 22:49:50作用:通过ROC曲线可以获取相关性能指标,如EER、AUC等,这些性能指标可以用来评价一个SVM训练出来模型的优劣 二、TP、FP、TN、FN 三、 python绘制ROC曲线(二分类) 1、思路 python主要的思路是通一、ROC曲线
定义可见:
作用:通过ROC曲线可以获取相关性能指标,如EER、AUC等,这些性能指标可以用来评价一个SVM训练出来模型的优劣
二、TP、FP、TN、FN
三、 python绘制ROC曲线(二分类)
1、思路
python主要的思路是通过roc_curve函数和测试样本的实际标签集test_label、由训练模型预测得到的标签集test_predict_label获得。通过比对实际标签和预测标签来计算TP、FP、TN、FN,通过roc_curve函数可以实现,返回的是TP、FP、以及阈值threshold。计算ROC曲线只需要TPFP即可。
2、关键代码
-
................
-
#train_data用于训练的样本集, test_data用于测试的样本集, train_label训练样本对应的标签集, test_label测试样本对应的标签集
-
###通过decision_function()计算得到的test_predict_label的值,用在roc_curve()函数中
-
test_predict_label = svm.fit(train_data, train_label).decision_function(test_data)
-
#首先通过fit来对训练样本和训练样本标签进行训练得到模型,然后通过decision_function来获得模型对于测试样本集预测的标签集
-
# Compute ROC curve and ROC area for each class#计算tp,fp
-
#通过测试样本输入的标签集和模型预测的标签集进行比对,得到fp,tp,不同的fp,tp是算法通过一定的规则改变阈值获得的
-
fpr,tpr,threshold = roc_curve(test_label, test_predict_label) ###计算真正率和假正率
-
roc_auc = auc(fpr,tpr) ###计算auc的值,auc就是曲线包围的面积,越大越好
-
..................
-
#test_predict_label
-
[ 0.17284263 0.65445393 -0.54087101 0.3555818 0.00579262 -0.20174248
-
0.0565328 0.00571205 -0.1517872 0.25656427 0.39764688 0.04549989
-
0.33455816 -0.12499602 0.23724787 -0.36250412 -0.0874348 -0.11575856
-
-0.25270656 -0.23457408 -0.18239472 -0.10728706 -0.32201471 0.71954289
-
-0.29292995 -0.22073314 -0.32473373 -0.19383585 -0.24296148 0.37524795]
在二分类问题中,阈值的改变其实就是相当于从一个边界移动到另一个边界,阈值的改变也就使得tp和fp的改变
-
#阈值threshold
-
[ 1.71954289 0.71954289 0.25656427 0.0565328 0.00571205 -0.0874348
-
-0.10728706 -0.12499602 -0.1517872 -0.18239472 -0.20174248 -0.23457408
-
-0.24296148 -0.54087101]
-
#tp
-
[0. 0. 0. 0.2 0.2 0.26666667
-
0.26666667 0.4 0.4 0.46666667 0.46666667 0.6
-
0.6 1. ]
-
#fp
-
[0. 0.06666667 0.46666667 0.46666667 0.66666667 0.66666667
-
0.73333333 0.73333333 0.8 0.8 0.93333333 0.93333333
-
1. 1. ]
3、完整代码
-
# -*- coding: utf-8 -*-
-
import numpy as np
-
import matplotlib.pyplot as plt
-
from sklearn import svm, datasets
-
from sklearn.metrics import roc_curve, auc ###计算roc和auc
-
from sklearn import model_selection
-
# Import some data to play with
-
iris = datasets.load_iris()
-
X = iris.data#得到样本集
-
y = iris.target#得到标签集
-
##变为2分类
-
X, y = X[y != 2], y[y != 2]#通过取y不等于2来取两种类别
-
# Add noisy features to make the problem harder添加扰动
-
random_state = np.random.RandomState(0)
-
n_samples, n_features = X.shape
-
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]
-
# shuffle and split training and test sets划分样本集
-
train_data, test_data, train_label, test_label = model_selection.train_test_split(X, y, test_size=.3,random_state=0)
-
#train_data用于训练的样本集, test_data用于测试的样本集, train_label训练样本对应的标签集, test_label测试样本对应的标签集
-
# Learn to predict each class against the other分类器设置
-
svm = svm.SVC(kernel='linear', probability=True,random_state=random_state)#使用核函数为线性核,参数默认,创建分类器
-
###通过decision_function()计算得到的test_predict_label的值,用在roc_curve()函数中
-
test_predict_label = svm.fit(train_data, train_label).decision_function(test_data)
-
#首先通过fit来对训练样本和训练样本标签进行训练得到模型,然后通过decision_function来获得模型对于测试样本集预测的标签集
-
print(test_predict_label)
-
# Compute ROC curve and ROC area for each class#计算tp,fp
-
#通过测试样本输入的标签集和模型预测的标签集进行比对,得到fp,tp,不同的fp,tp是算法通过一定的规则改变阈值获得的
-
fpr,tpr,threshold = roc_curve(test_label, test_predict_label) ###计算真正率和假正率
-
print(fpr)
-
print(tpr)
-
print(threshold)
-
roc_auc = auc(fpr,tpr) ###计算auc的值,auc就是曲线包围的面积,越大越好
-
plt.figure()
-
lw = 2
-
plt.figure(figsize=(10,10))
-
plt.plot(fpr, tpr, color='darkorange',
-
lw=lw, label='ROC curve (area = %0.2f)' % roc_auc) ###假正率为横坐标,真正率为纵坐标做曲线
-
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
-
plt.xlim([0.0, 1.0])
-
plt.ylim([0.0, 1.05])
-
plt.xlabel('False Positive Rate')
-
plt.ylabel('True Positive Rate')
-
plt.title('Receiver operating characteristic example')
-
plt.legend(loc="lower right")
-
plt.show()
虚线表示auc为0.5,正确率与错误率一样的情况
四、 python绘制ROC曲线(多分类)
对于多分类问题,ROC曲线的获取主要有两种方法:
假设测试样本个数为m,类别个数为n。在训练完成后,计算出每个测试样本的在各类别下的概率或置信度,得到一个[m, n]形状的矩阵P,每一行表示一个测试样本在各类别下概率值(按类别标签排序)。相应地,将每个测试样本的标签转换为类似二进制的形式,每个位置用来标记是否属于对应的类别(也按标签排序,这样才和前面对应),由此也可以获得一个[m, n]的标签矩阵L。
①方法一:每种类别下,都可以得到m个测试样本为该类别的概率(矩阵P中的列)。所以,根据概率矩阵P和标签矩阵L中对应的每一列,可以计算出各个阈值下的假正例率(FPR)和真正例率(TPR),从而绘制出一条ROC曲线。这样总共可以绘制出n条ROC曲线。最后对n条ROC曲线取平均,即可得到最终的ROC曲线。
②方法二:
首先,对于一个测试样本:1)标签只由0和1组成,1的位置表明了它的类别(可对应二分类问题中的‘’正’’),0就表示其他类别(‘’负‘’);2)要是分类器对该测试样本分类正确,则该样本标签中1对应的位置在概率矩阵P中的值是大于0对应的位置的概率值的。基于这两点,将标签矩阵L和概率矩阵P分别按行展开,转置后形成两列,这就得到了一个二分类的结果。所以,此方法经过计算后可以直接得到最终的ROC曲线。
上面的两个方法得到的ROC曲线是不同的,当然曲线下的面积AUC也是不一样的。 在python中,方法1和方法2分别对应sklearn.metrics.roc_auc_score函数中参数average值为’macro’和’micro’的情况。下面参考sklearn官网提供的例子,对两种方法进行实现。
-
# 引入必要的库
-
import numpy as np
-
import matplotlib.pyplot as plt
-
from itertools import cycle
-
from sklearn import svm, datasets
-
from sklearn.metrics import roc_curve, auc
-
from sklearn.model_selection import train_test_split
-
from sklearn.preprocessing import label_binarize
-
from sklearn.multiclass import OneVsRestClassifier
-
from scipy import interp
-
# 加载数据
-
iris = datasets.load_iris()
-
X = iris.data
-
y = iris.target
-
# 将标签二值化
-
y = label_binarize(y, classes=[0, 1, 2])
-
# 设置种类
-
n_classes = y.shape[1]
-
# 训练模型并预测
-
random_state = np.random.RandomState(0)
-
n_samples, n_features = X.shape
-
# shuffle and split training and test sets
-
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,random_state=0)
-
# Learn to predict each class against the other
-
classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,
-
random_state=random_state))#一对多
-
y_score = classifier.fit(X_train, y_train).decision_function(X_test)
-
# 计算每一类的ROC
-
fpr = dict()
-
tpr = dict()
-
roc_auc = dict()
-
for i in range(n_classes):
-
fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
-
roc_auc[i] = auc(fpr[i], tpr[i])
-
# Compute micro-average ROC curve and ROC area(方法二)
-
fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel())
-
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])
-
# Compute macro-average ROC curve and ROC area(方法一)
-
# First aggregate all false positive rates
-
all_fpr = np.unique(np.concatenate([fpr[i] for i in range(n_classes)]))
-
# Then interpolate all ROC curves at this points
-
mean_tpr = np.zeros_like(all_fpr)
-
for i in range(n_classes):
-
mean_tpr += interp(all_fpr, fpr[i], tpr[i])
-
# Finally average it and compute AUC
-
mean_tpr /= n_classes
-
fpr["macro"] = all_fpr
-
tpr["macro"] = mean_tpr
-
roc_auc["macro"] = auc(fpr["macro"], tpr["macro"])
-
# Plot all ROC curves
-
lw=2
-
plt.figure()
-
plt.plot(fpr["micro"], tpr["micro"],
-
label='micro-average ROC curve (area = {0:0.2f})'
-
''.format(roc_auc["micro"]),
-
color='deeppink', linestyle=':', linewidth=4)
-
plt.plot(fpr["macro"], tpr["macro"],
-
label='macro-average ROC curve (area = {0:0.2f})'
-
''.format(roc_auc["macro"]),
-
color='navy', linestyle=':', linewidth=4)
-
colors = cycle(['aqua', 'darkorange', 'cornflowerblue'])
-
for i, color in zip(range(n_classes), colors):
-
plt.plot(fpr[i], tpr[i], color=color, lw=lw,
-
label='ROC curve of class {0} (area = {1:0.2f})'
-
''.format(i, roc_auc[i]))
-
plt.plot([0, 1], [0, 1], 'k--', lw=lw)
-
plt.xlim([0.0, 1.0])
-
plt.ylim([0.0, 1.05])
-
plt.xlabel('False Positive Rate')
-
plt.ylabel('True Positive Rate')
-
plt.title('Some extension of Receiver operating characteristic to multi-class')
-
plt.legend(loc="lower right")
-
plt.show()
五、参考文献
《ROC原理介绍及利用python实现二分类和多分类的ROC曲线》
ROC曲线、AUC、Precision、Recall、F-measure理解及Python实现
ROC曲线
多分类下的ROC曲线和AUC
用Python画ROC曲线 -
-
MySQL学习之路(二十五):MySQL锁机制
2020-06-13 18:32:10在数据库中,除传统的计算机资源(如CPU,RAM,I/O等)的竞用以外,数据也是一种供许多用户共享的资源。如何保证数据并发访问的一致性、有效性是所有数据库必须解决的一个问题,锁冲突也是影响数据库并发访问性能的... -
RHEL6基础二十五之磁盘分区、格式化、大于2T分区创建
2017-11-26 14:26:00磁盘分区时需要使用以下两命令: ...以硬盘设备文件名为参数执行fdisk命令,进入到交互式的分区管理界面中,就可以对相应的硬盘进行创建、删除、更改分区等操作 1 2 3 4 5 6 7 8 9 10 [root@justin~]#... -
[Python图像处理] 二十五.图像特效处理之素描、怀旧、光照、流年以及滤镜特效
2019-08-14 14:54:52该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。... -
程序员编程艺术第十二~十五章:IP访问次数,回文等问题(初稿)
2017-12-18 23:18:00前言 本文的全部稿件是由我们编程艺术室的部分成员:上善若水.qinyu,BigPotato,luuillu,well,July共同完成,共...第二部分、遍历n个元素取出等概率随机取出其中之一元素,由BigPotato完成, 第三部分、提取出某... -
学习笔记之《python数据分析与挖掘实战》第五章挖掘建模(二)聚类分析
2019-04-01 16:13:47文章目录欢迎购买正版书籍挖掘建模 欢迎购买正版书籍 ...根据挖掘的目标和形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模型,帮助企业提取数据中蕴含的商业价值,提高企业竞争力。 ... -
MySQL面试题(二)之数据类型,引擎,事务等
2018-04-25 16:39:40除了基础题部分,小编计划收集整理的MySQL面试题还包括如下知识点或题型:MySQL高性能索引SQL语句MySQL查询优化MySQL高扩展高可用MySQL安全性为了避免收藏不看,让大家更有耐心看下去,印象更深刻些,小编将分五次... -
RHEL6基础二十五之磁盘分区、格式化、大于2T分区创建、文件系统状态
2013-11-08 16:15:32一、查看目前磁盘使用情况一个已经分好区的磁盘sda和一个未使用的磁盘sdb,二、创建磁盘分区以硬盘设备文件名为参数执行fdisk命令,进入到交互式的分区管理界面中,就可以对相应的硬盘进行创建、删除、更改分区等... -
第一行代码第二版(郭霖著)笔记之第五章(详解广播机制)
2017-02-25 17:57:58本篇笔记涵盖“广播机制简介”“广播的分类”“接收系统广播”(动态注册监听网络变化和静态注册实现开机启动)“发送自定义广播”(发送标准广播和发送有序广播)“使用本地广播”“Git-初识版本控制工具”等知识点... -
创业之行,始于麒麟!第二届“麒麟杯”全国跨境电商创业大赛等你报名
2020-12-03 15:30:3712月,万众期待的“麒麟杯”第二届全国跨境电商创业大赛杭州分赛,以迅雷不及掩耳之势来临! 为了鼓励更多跨境电商追梦者继续圆梦,发掘更多优质项目成功落地,第二届大赛将在第一届的基础上有所突破。 -
第二十四、二十五周微职位
2017-10-31 15:09:00现在市场上最常见的虚拟化软件有VMWare workstation(VMWare)、VirtualBox(Oracle)、Hyper-V(Microsoft)、KVM(Redhat)、Xen等,这些软件统称之为VMM(Virtual Machine Monitor),使用不同的虚拟化实现。而这些虚拟化..... -
20XX-2018第二学期学院分团委学生会工作计划范文.doc
2021-01-14 22:18:373、举办第二届"管理之鹰"文化艺术节之"即兴演讲"比赛; 4、筹备参加南宁市大学生"dv大赛"; 5、举办学院"宿舍风采"大赛; 6、进行"毕业晚会"的策划组织和节目筛选、确定、编排等工作; 7、召开会议,通报学院... -
算法学习——递推之水手分椰子
2018-11-06 16:46:00不久,第二名水手醒来,同样将椰子了等分成五份,恰好也多出一个,也给了猴子。然而自己也藏起一份,再将剩下的椰子重新合在一起。以后每个水手都如此分了一次并都藏起一份,也恰好都把多出的一个给了猴子。... -
网络:高级IO之五种IO模型
2019-03-11 10:17:10众所周知,IO就分两步,第一步等待,第二步数据传输 所以,一个高效的IO,就是等待的时间短,相反,如果等待时间过长,那么它就是一个低效率的IO。 五种IO模型:(以钓鱼为例子) 1.阻塞IO (钓鱼的时候就等鱼... -
OpenCV学习笔记(五)之阈值处理
2018-11-20 19:58:28图像阈值处理是实现图像分割的一种方法,常用的阈值分割方法有简单阈值,自适应阈值,Otsu's二值化等。 cv2.threshold()可以用来进行图像阈值处理,cv2.threshold(src, thresh, maxval, type) 第一个参数是原图像,... -
会计记忆总结之五:会计账薄
2013-10-30 09:53:48一、会计账薄:指由一定格式,相互联系的账页所组成,以经过审核的会计...按账页格式不同分:两栏式(普通和转账日记账)、三栏式(日记账、总账、债权债务)、多栏式(收入、费用明细账)、数量金额式(原材料、库存商品等明 -
HBase 之五 Coprocessor 协处理器及实现案例
2020-09-27 15:59:15 HBase 在作为大数据生态中的 Nosql 数据库有用非常多的优点,但是其也存在一定的缺陷例如无法简单的维护二级索引(本文会介绍及实现),求和、排序、计数等简单操作需要通过 Client 走速度较慢的 MapReduce,为了... -
第五届蓝桥杯 软件类省赛真题 第二题:等额本金
2016-03-09 20:01:48标题:等额本金 小明从银行贷款3万元。约定分24个月,以等额本金方式还款。... 假设月利率是:0.005,即:千分之五。那么, 第一个月,小明要还本金 1250, 还要还利息:30000 * 0.005,总计 1400 -
redis学习笔记之二:Redis的数据类型
2018-08-01 21:39:55Redis的key是字符串类型,如果中间有空格或者转义字符等,要用“”。 1:命名建议:对象类型:对象ID:对象属性 2:多个单词之间以“.”来分隔 3:Key的命名,应该在可读的情况下,尽量简短 n Redis的Value支持五种... -
hihocoder #1301 : 筑地市场 二分+数位dp
2017-03-23 11:11:31全球百分之五十的金枪鱼,从世界的各地被运往这里,在每天的清晨,进行着繁忙的拍卖,它们是寿司中最不可或缺的食材,如何能够买到上等的金枪鱼,成为了每家寿司店都关注的大事。当地的鱼贩,会 -
mllib 协同过滤_「大数据」(八十五)Spark之MLlib体验
2020-12-31 08:39:55【导读:数据是二十一世纪的石油,蕴含巨大价值,这是·情报通·大数据技术系列第[85]篇文章,欢迎阅读和收藏】1 基本概念MLlib 是 Spark 的机器学习( Machine Learning )库,旨在简化机器学习的工程实践工作,并... -
个人成长通关之路:四仁五德六读书
2011-04-13 22:22:00这篇文章同样来自《卫哲的3+1思考法:测量项目“靠谱...古 人说,人分三六九等,一命二运三风水,四仁五德六读书,七友八娶九盘算。上三等在出生的时候就已经注定了,没法成为奋斗目标,下三等的人基本上没有时间上 -
-
C++ 内存管理之二(内存分配)
2013-07-17 14:48:121、C++编译的程序占用的内存分五类 (1)栈区(stack):程序运行时由编译器自动分配,存放函数的参数值,局部变量的值等。其操作方式类似于数据结构中的栈。程序结束时由编译器自动释放。 (2)堆区(heap) :在...
-
Axure一些常用模板下载(免费模板)
-
DHCP 动态主机配置服务(在Linux环境下,配置单网段或跨网段提)
-
stm32库移植样例程序.rar
-
php5指定参数类型只有两个,一个为class类和数组array
-
python-3.86.zip
-
公安系统集成项目标准汇总
-
【Python-随到随学】 FLask第一周
-
linux c 通过http 协议 ,上传文件到服务器 源码
-
sqlmap常规命令教程
-
MySQL Router 实现高可用、负载均衡、读写分离
-
Windows系统管理
-
setup_clover@3.5.4.rar
-
投标方法论
-
C/C++反汇编解密
-
华为1+X认证——网络系统建设与运维(初级)
-
Css进阶知识
-
PHP生成伪随机数
-
leetcode 977 有序数组的平方 [双指针]
-
龙芯生态应用开发基础:C语言精要
-
USBQD_V3.0_XiTongZhiJia.rar