精华内容
下载资源
问答
  • html是什么

    2021-06-10 08:11:22
    例如,从服务器拉取一段数据来展示,或做一酷炫的动画效果,都要用到DOM。举简单的例子(代码如下所示),想要在网页里显示一行字,首先要找到那个可以显示文字的标签。这是非常容易的,因为浏览器已经把html是...

    e37fb0044f691f5256d9b751dcfc47f0.jpg

    浏览器解析完HTML,就要开始解析HTML里的代码。程序员可以通过代码实现一些动态的网页效果。例如,从服务器拉取一段数据来展示,或做一个酷炫的动画效果,都要用到DOM。

    举个简单的例子(代码如下所示),想要在网页里显示一行字,首先要找到那个可以显示文字的标签。这是非常容易的,因为浏览器已经把html是什么DOM都交给了。

    DOM里的对象,正好就是语言里的对象。可以通过下面的方法修改DOM树上的标签对象。

    body

    pid=

    =

    document.getElementById(display).innerText=thisisfromjavascript

    /script

    /body

    随着对前端知识学习的深入,我们会发现JavaScript操纵DOM是非常普遍的事情。例如,很多网页一开始加载出来的只是个架子,只显示出一个loading图标的转圈动画,只有等JavaScript从服务器上请求到真正的数据后操纵DOM来显示数据,才能看到内容,这就是典型的异步加载。

    以HTML5的游戏为例,里面的人物要随着手指或鼠标运动,普遍的做法是通过JavaScript操纵DOM改变元素的位置来实现。可以说,DOM使得JavaScript在前端世界里几乎无所不能。

    但是,有一点要注意,操纵DOM本身是一件效率非常低的事情。一个网页往往很复杂,浏览器构造出来的DOM树往往很庞大,有的甚至有几千个节点。

    在这么庞大的一棵树上频繁地改动,对浏览器(尤其是移动浏览器)来说是不小的工作量,稍不注意就会出现卡顿。

    于是,有人发明了一种便捷的方法,叫作虚拟DOM。

    简单来说,就是用JavaScript模拟了一棵简单的DOM树,然后在这上面演练所有的DOM操作,等时机成熟时再把虚拟DOM树和真正的浏览器的DOM树做对比,算出差异,一次性地改变真正的DOM树。

    这两个步骤从整体上大大提高了JavaScript操纵DOM树的效率。

    展开全文
  • 测试覆盖率是每软件测试人员都关心的问题,它一方面可以衡量测试工作本身的有效性,也可以辅助增强管理者对于软件产品质量的信心水平。如果面试官问:你项目中的...所以请回答如下两问题:1:什么是测试用例的覆...

    测试覆盖率是每个软件测试人员都关心的问题,它一方面可以衡量测试工作本身的有效性,也可以辅助增强管理者对于软件产品质量的信心水平。

    如果面试官问:你项目中的测试用例覆盖率是怎样的?如何回答?

    1)回答覆盖率100% 可能面试官会问谁给你的勇气?

    2)回答覆盖率80% 可能面试官会问,覆盖率比较低,为什么呢?

    3)回答覆盖率90% 可能面试官会问,你是怎么做到的?

    所以请回答如下两个问题:

    1:什么是测试用例的覆盖率?

    2:如何提升覆盖率?

    参考答案:

    1、测试用例覆盖率是指设计的测试用例相对于需求的一个覆盖范围,根据测试的功能点来计算测试用例的覆盖率;代码层面,从执行后代码的被执行比率、被执行频度等来体现这个指标。

    当然,除了直接了当的代码行覆盖以外,还有“高级”一点的控制流/数据流路径覆盖。在单元测试级别,这一覆盖指标相对容易获取;需求功能层面,即执行的测试用例覆盖了多少Use

    Case、多少页面、多少场景、多少需求点、多少页面元素等等。这一部分的主观性就相对会比较强,因为对于需求功能,并没有一个公平量化的度量,从而被人为利用的概率也就大增了。所以很多时候,基于需求功能的覆盖率更多变成了纸面上的东西,即业务和管理者如何需要,则这个覆盖率就会如何形成。

    2、覆盖率的提高依赖测试人员对需求的理解程度,需要做好需求评审和串讲,以及用例评审。

    本文内容转载自网络,本着分享与传播的原则,版权归原作者所有,如有侵权请联系我们进行删除。

    展开全文
  • 北针分类信息软件是一款自动分类信息软件,高效稳定建立SEO外部链接。,可以对众多大型中型分类站做推广。客户只要录入好帐号,密码,以及内容,就可以快速实现信息的覆盖。 “北针分类信息工具”具有以下优点...

    介绍:

    源码简介:
    指北针分类信息软件是一款全自动分类信息软件,高效稳定建立SEO外部链接。,可以对众多大型中型分类站做推广。客户只要录入好帐号,密码,以及内容,就可以快速实现信息的覆盖。
    “指北针分类信息工具”具有以下优点:
    1、支持分类站点多,效率高;
    2、软件绿色,不需要安装,下载包只有4M多;
    3、全制动验证码识别,高效,快捷;
    4、支持线升级高效同步;
    5、系统自动调整速度,免去用户复杂设置;
    6、全自动搜索代理服务器,并可以实现ADSL和路由器换IP;
    7、多内核发送,发送时候充分利用机器,不会带来任何拖沓和滞后。
    8、快速把信息送到网站,由于分类信息站的特性,排名也很靠前。
    源码更新日志:
    升级1.5.1.1
    1、更新了代理采集功能;
    2、更新了部分失效地址;
    3、对升级模块做了升级;


    网盘下载地址:

    http://www.bytepan.net/2trlzhIZA2M


    图片:


    展开全文
  • 很多未到场的开发者觉得遗憾,希望可以了解飞桨发布会背后的更多技术细节,因此我们特别策划了一系列稿件,分别从核心框架、基础模型库、端到端开发套件、工具组件和服务平台五个层面分别详细解读飞桨的核心技术与...

    11 月 5 日,在 Wave Summit+2019 深度学习开发者峰会上,

    飞桨全新发布和重要升级了最新的 21 项进展,在深度学习开发者社区引起了巨大的反响。

    很多未到场的开发者觉得遗憾,希望可以了解

    飞桨发布会背后的更多技术细节,因此我们特别策划了一个系列稿件,分别从

    核心框架、基础模型库、端到端开发套件、工具组件和

    服务平台五个层面分别详细解读

    飞桨的核心技术与最新进展,敬请关注。

    今天给大家带来的是系列文章之

    飞桨的

    基础模型库解读。

    飞桨模型库,包含

    智能视觉(

    PaddleCV),

    智能文本处理(

    PaddleNLP),

    智能语音(

    PaddleSpeech)和

    智能推荐(

    PaddleRec)四大领域,

    飞桨官方支持 100 多个经过产业实践长期打磨的主流模型,其中包括在国际竞赛中夺得冠军的模型;同时开源开放 200 多个预训练模型,助力快速的产业应用。核心内容 1562 字,预计阅读时间 3 分钟。全文 7659 字,强烈建议收藏备查。

    飞桨全景图,本文主要针对基础模型库部分进行深度解读。

    第一部分,首先看一下最新版本模型库的主要更新点。

    本次主要更新点

    发布训练部署端到端的图像分割库

    PaddleSeg,图像分类新增 EfficientNet 等 43 个预训练模型。

    PaddleDetection 新增 2019 Objects365 Full Track 冠军模型、BlazeFace 等人脸检测小模型,行人检测和车辆检测的预训练模型。

    PaddleVideo 新增 ActivityNet Challenge 2019 夺冠模型,扩展包含 video caption、video grounding 等模型。

    1.2. PaddleNLP

    发布全新 seq2seq 相关 API 和文本生成模型样例。语义表示库新增 XLNet 预训练模型;开源 EMNLP 2019 阅读理解竞赛冠军模型 D-NET,同时支持 18 个不同抽取式阅读理解数据集打榜。发布

    飞桨多任务学习库 PALM (

    PAddLe Multi-task learning),更便捷支持多任务机器学习调研。

    1.3. PaddleSpeech

    全新发布,包含语音识别模型 DeepSpeech 和语音合成模型 DeepVoice3。

    1.4. PaddleRec

    增加

    PaddleRec 的更多模型覆盖。

    以上可以看到,本次的升级点中,

    飞桨提供了更多的官方支持模型和预训练模型,同时也开源多个国际冠军模型,截至目前,

    飞桨已官方支持超过 100 个模型和 200 多个预训练模型,极大的方便开发者的快速应用实践。

    飞桨模型库发布全新完整解读

    本次新版发布,

    飞桨模型库增加了

    8 类任务下的

    40 多个算法模型,覆盖任务门类更全面,算法模型更丰富,基本可以满足产业应用的各种业务需求,快速助力开发者实际项目的落地实现。

    ▲ 官方支持100多个算法,200多个预训练模型

    飞桨的模型库已经比较完备地支持了自然语言处理,计算机视觉、推荐和语音四大领域。官方支持的模型从 60 个扩充到了 100 多个,新增了对于语音算法的支持。截至目前,

    飞桨已经可以支持人工智能领域应用主流算法模型的。开发者在工业应用项目落地中,可以利用

    飞桨模型库中快速实现。

    具体来看,在计算机视觉领域,

    飞桨在图像分类、生成、检测、视频理解、图像分割等领域都有新增的模型。在自然语言处理领域,

    飞桨在语义表示、阅读理解和问答上有升级,同样,在推荐、语音方面,都做了进一步的完善和升级。

    除了对于经典模型的支持,

    飞桨还开源了多项百度在国际竞赛中夺冠的算法模型,这里面既包括在计算机视觉领域的视频理解、人像分割,也包含自然语言处理领域的阅读理解。

    值得一提的是,在近期刚刚召开的 NLP 领域顶级会议 EMNLP 中,

    飞桨的

    D-NET 模型,击败众多重量级参赛玩家,在这次竞赛当中得了 10 项阅读理解的冠军。这个模型

    飞桨也毫无保留的开放给广大开发者。

    下面,我们将从主流四大领域分别为开发者介绍

    飞桨模型库的一些核心内容,因为算法模型数量众多且受限于篇幅,仅对算法模型的分类及名称、简介和应用场景、以及在不同数据集上的评价指标进行了整理。

    一方面,对于刚入门的开发者,可以提供模型库的整体宏观视角,另一方面,本文也可以作为一个速查手册,强烈建议收藏,供开发者快速根据需求选用。

    如果迫不及待想了解某个算法的详细内容,可以直接传送门走起!

    https://github.com/

    PaddlePaddle/models

    3.1. 图像分类

    图像分类是根据图像的语义信息对不同类别图像进行区分,是计算机视觉中重要的基础问题,是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层视觉任务的基础,在许多领域都有着广泛的应用。如:安防领域的人脸识别和智能视频分析等,交通领域的交通场景识别,互联网领域基于内容的图像检索和相册自动归类,医学领域的图像识别等。

    更多图像分类模型请参考 Image Classification:

    https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/image_classification

    3.2. 目标检测

    目标检测任务的目标是给定一张图像或是一个视频帧,让计算机找出其中所有目标的位置,并给出每个目标的具体类别。对于计算机而言,能够“看到”的是图像被编码之后的数字,但很难解图像或是视频帧中出现了人或是物体这样的高层语义概念,也就更加难以定位目标出现在图像中哪个区域。

    目标检测模型请参考

    PaddleDetection:

    https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/PaddleDetection

    3.3. 图像分割

    图像语义分割顾名思义是将图像像素按照表达的语义含义的不同进行分组/分割,图像语义是指对图像内容的理解,例如,能够描绘出什么物体在哪里做了什么事情等,分割是指对图片中的每个像素点进行标注,标注属于哪一类别。近年来用在无人车驾驶技术中分割街景来避让行人和车辆、医疗影像分析中辅助诊断等。

    3.4.关键点检测

    人体骨骼关键点检测 (Pose Estimation) 主要检测人体的一些关键点,如关节,五官等,通过关键点描述人体骨骼信息。人体骨骼关键点检测对于描述人体姿态,预测人体行为至关重要。是诸多计算机视觉任务的基础,例如动作分类,异常行为检测,以及自动驾驶等等。

    3.5. 图像生成

    图像生成是指根据输入向量,生成目标图像。这里的输入向量可以是随机的噪声或用户指定的条件向量。具体的应用场景有:手写体生成、人脸合成、风格迁移、图像修复等。

    PaddleGAN 包含和图像生成相关的多个模型。

    3.6. 场景文字识别

    场景文字识别是在图像背景复杂、分辨率低下、字体多样、分布随意等情况下,将图像信息转化为文字序列的过程,可认为是一种特别的翻译过程:将图像输入翻译为自然语言输出。

    3.7. 度量学习

    度量学习也称作距离度量学习、相似度学习,通过学习对象之间的距离,度量学习能够用于分析对象时间的关联、比较关系,在实际问题中应用较为广泛,可应用于辅助分类、聚类问题,也广泛用于图像检索、人脸识别等领域。

    3.8. 视频分类和动作定位

    视频分类和动作定位是视频理解任务的基础。

    视频数据包含语音、图像等多种信息,因此理解视频任务不仅需要处理语音和图像,还需要提取视频帧时间序列中的上下文信息。

    视频分类模型提供了提取全局时序特征的方法,主要方式有卷积神经网络 (C3D, I3D, C2D 等),神经网络和传统图像算法结合 (VLAD 等),循环神经网络等建模方法。

    视频动作定位模型需要同时识别视频动作的类别和起止时间点,通常采用类似于图像目标检测中的算法在时间维度上进行建模。

    智能文本处理PaddleNLP

    PaddleNLP 是基于

    飞桨深度学习框架开发的自然语言处理 (NLP) 工具,算法,模型和数据的开源项目。百度在 NLP 领域十几年的深厚积淀为

    PaddleNLP 提供了强大的核心动力。使用

    PaddleNLP,您可以得到:

    丰富而全面的 NLP 任务支持:PaddleNLP 为您提供了多粒度,多场景的应用支持。涵盖了从分词,词性标注,命名实体识别等 NLP 基础技术,到文本分类,文本相似度计算,语义表示,文本生成等 NLP 核心技术。同时,PaddleNLP 还提供了针对常见 NLP 大型应用系统(如阅读理解,对话系统,机器翻译系统等)的特定核心技术和工具组件,模型和预训练参数等,让您在 NLP 领域畅通无阻。

    稳定可靠的 NLP 模型和强大的预训练参数:PaddleNLP 集成了百度内部广泛使用的 NLP 工具模型,为您提供了稳定可靠的 NLP 算法解决方案。基于百亿级数据的预训练参数和丰富的预训练模型,助您轻松提高模型效果,为您的 NLP 业务注入强大动力。

    持续改进和技术支持,零基础搭建 NLP 应用:PaddleNLP 为您提供持续的技术支持和模型算法更新,为您的 NLP 业务保驾护航。

    4.1. NLP基础技术

    4.1.1. 中文词法分析 LAC (Lexical Analysis of Chinese)

    百度自主研发中文特色模型词法分析任务,集成了中文分词、词性标注和命名实体识别任务。输入是一个字符串,而输出是句子中的词边界和词性、实体类别。

    4.1.2.词向量(Word2vec)

    提供单机多卡,多机等分布式训练中文词向量能力,支持主流词向量模型(skip-gram,cbow 等),可以快速使用自定义数据训练词向量模型。

    4.1.3. 语言模型 (Language_model)

    给定一个输入词序列(中文需要先分词、英文需要先 tokenize),计算其生成概率。语言模型的评价指标 PPL (困惑度),用于表示模型生成句子的流利程度。

    4.2. NLP 核心技术

    4.2.1. 语义表示

    PaddleLARK (Paddle LAngauge Representation ToolKit) 是传统语言模型的进一步发展,通过在大规模语料上训练得到的通用的语义表示模型,可以助益其他自然语言处理任务,是通用预训练 + 特定任务精调范式的体现。

    PaddleLARK 集成了 ELMO,BERT,

    ERNIE 1.0,

    ERNIE 2.0,XLNet 等热门中英文预训练模型。

    4.2.2. 文本相似度计算

    SimNet (Similarity Net) 是一个计算短文本相似度的框架,主要包括 BOW、CNN、RNN、MMDNN 等核心网络结构形式。SimNet 框架在百度各产品上广泛应用,提供语义相似度计算训练和预测框架,适用于信息检索、新闻推荐、智能客服等多个应用场景,帮助企业解决语义匹配问题。

    4.2.3. 文本生成

    PaddleTextGEN (Paddle Text Generation) ,一个基于

    飞桨的文本生成框架,提供了一些列经典文本生成模型案例,如 vanilla seq2seq,seq2seq with attention,variational seq2seq 模型等。

    4.3. NLP 系统应用

    4.3.1. 情感分析

    4.3.2. 阅读理解

    PaddleMRC (Paddle Machine Reading Comprehension),集合了百度在阅读理解领域相关的模型,工具,开源数据集等一系列工作。

    4.3.3. 机器翻译

    PaddleMT ,全称为

    Paddle Machine Translation,基于 Transformer 的经典机器翻译模型,基于论文《Attention Is All You Need》:https://arxiv.org/abs/1706.03762

    4.3.4. 对话系统

    PaddleDialogue 包含对话系统方向的模型、数据集和工具。

    百度最新前沿工作开源,请参考 Research:

    https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research

    智能推荐PaddleRec

    个性化推荐,在当前的互联网服务中正在发挥越来越大的作用,目前大部分电子商务系统、社交网络,广告推荐,搜索引擎,都不同程度的使用了各种形式的个性化推荐技术,帮助用户快速找到他们想要的信息。

    PaddleRec 包含的模型如下。

    智能语音PaddleSpeech

    PaddleSpeech 包含语音识别和语音合成相关的模型。

    想与更多的深度学习开发者交流,请加入

    飞桨官方 QQ 群:796771754。

    如果您想详细了解更多

    飞桨

    PaddlePaddle 的相关内容,请参阅以下文档。

    官网地址:

    https://www.

    paddlepaddle.org.cn/

    项目地址:

    https://github.com/

    PaddlePaddle/models

    飞桨系列文章之核心框架解读:

    本文分享 CSDN - 飞桨PaddlePaddle。

    如有侵权,请联系 support@oschina.cn 删除。

    本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

    展开全文
  • 很多未到场的开发者觉得遗憾,希望可以了解飞桨发布会背后的更多技术细节,因此我们特别策划了一系列稿件,分别从核心框架、基础模型库、端到端开发套件、工具组件和服务平台五个层面分别详细解读飞桨的核心技术与...
  • 联合索引(也叫组合索引、复合索引、多列索引)是对表上的多列进行索引。联合索引的创建方法跟单个索引的创建方法一样,不同之处仅在于有多索引列。 开讲之前我们先弄一张学生表,表数据如下: 下面我们给出...
  • mysql的聚簇索引是innodb引擎的特性,mysiam并没有,如果需要该索引,只要将索引指定为主键(primary key)就可以了。比如:create table blog_user(user_Name char(15) not null check(user_Name !=''),user_...
  • 什么是ExplainExplain被称为执行计划,在语句之前增加 explain 关键字,MySQL 会在查询上设置一标记,模拟MySQL优化器来执行SQL语句,执行查询时,会返回执行计划的信息,并不执行这条SQL。(注意,如果 from 中...
  • Tips: 不懂的名词多查查,多问几什么,发散思维,扩展相关知识点 网上的内容不一定正确,需要自己辨别或验证 网上的资料比较琐碎,自己整理一下,印象更为深刻 使用 Google 搜索;屏蔽内容质量低、抄来抄去的...
  • - 原子性(Atomic):事务中各项操作,要么做要么不做,任何一项操作的失败都会导致整个事务的失败;- 一致性(Consistent):事务结束后系统状态是一致的;- 隔离性(Isolated):并发执行的事务彼此无法看到对方的...
  • 基础篇 说说你对MVVM的理解 Model-View-ViewModel的缩写,Model代表数据模型...Vue 数据双向绑定主要是:数据变化更新视图,视图变化更新数据。其中,View变化更新Data,可以w通过事件监听的方式来实现,所以 V...
  • 导读:本文介绍物联网基础知识:什么是物联网,以及常见的物联网协议。01 什么是物联网?物联网(Internet of Things)这概念读者应该不会陌生。物联网的概念最早于1999年被...
  • 作者:阿李卑斯https://juejin.im/post/5ec358126fb9a0432a3c49e6文末送《Vue.js从入门到项目实战》书籍希望你坚持看完并带走彩蛋声明:本篇...
  • 为解决此问题,设计一背景缓冲区,缓冲区内的图片只存储即将显示的那张图片,如果背景刷屏线程过慢,就会导致缓冲区中的图片被新的缓存图片所覆盖,这样的效果恰是画面延迟后跳帧显示画面的效果。因此巧妙的实现了...
  • 因特网发展的三阶段3. 因特网的标准化工作4. 因特网的组成二. 三种交换方式1. 电路交换(Circuit Switching)2. 分组交换(Packet Switching)3. 报文交换(Message Switching)4. 电路交换,报文交换,分组交换三者区别...
  • 本文这份清单将介绍 72 实操要点,让你方位保护你的 Web 应用程序。各位看官,准备入坑啦! 一、浏览器端的威胁防御 1、用且仅用 HTTPS,防范网络攻击 众所周知,一安全的应用需要对浏览器和 Web 服务器之间...
  • 、回溯法(共2道题目) 六、栈和队列(共3道题目) 七、递归和循环(共4道题目) 50、《剑offer》7 斐波那契数列 51、《剑offer》8 青蛙跳台阶 52、《剑offer》9 青蛙变态跳台阶 53、《剑offer》10 矩阵...
  • 软件测试一共有哪几种类型软件测试是使用人工或者自动的手段来运行或测定某个软件产品系统的过程,其目的是在于检验是否满足规定的需求或者弄清预期的结果与实际结果的区别,本文主要描述一下软件测试一共有哪几种...
  • 5.哪些情况需要创建索引: 6.哪些情况不要创建索引: 7.mysql都有哪几种索引: 8.BTree索引是怎么存储、查找的: 9.索引到底是怎么工作的: 10.哪些情况下会造成索引失效: 四、怎么知道查询语句是否走了索引-...
  • CDN这词在我们技术圈中经常听到,什么CDN节点呀、CDN加速呀,当同事跟你谈到这些话题的时候,是不是大家都只顾着点头呢? CDN其实作用很大,我们每天都在享受CDN带来的福利,只是你感受不到。比如说在线教育诞生之...
  • 内容分发网络CDN

    2021-05-23 16:14:42
    在这过程中,有几影响访问速度(用户打开网页速度)的因素:client和internet之间的连接,internet中间的连接,服务器和internet之间的连接,任何一环节出问题,都会降低访问速度,影响客户体验。 首先.
  • 1. 什么是索引 索引是帮助数据库高效获取数据的数据结构。简而言之,索引是数据结构 2. 索引的底层数据结构 2.1 Hash索引 哈希表是键值对的集合,通过键(key)即可快速取出对应的值(value),因此哈希表可以快速检索...
  • 比方,如果合理的设计且使用索引的MySQL是一辆兰博基尼的话,那么没有设计和使用索引的MySQL就是一人力三轮车。索引分单列索引和组合索引。单列索引,即一索引只包含单个列,一表可以有多单列索引,但这...
  • 基于模型的系统工程(MBSE)技术从理论到实践,逐渐在一些企业得到应用,在国内掀起了...究竟MBSE是什么,如何学习和应用,本文做了一入门的简单介绍。在文章最后,列出了本文作者学习MBSE技术中接触的一些参考资料。
  • 1、什么是MVC MVC是一种软件架构的思想,将软件按照模型、视图、控制器来划分 M:Model,模型层,工程中的JavaBean,作用是处理数据 JavaBean分为两类: 一类称为实体类Bean:专门存储业务数据的,如 Student、...
  • 常见的数据通信方式原理是什么

    千次阅读 2021-06-18 07:53:39
    数据通信的基本方式可分为并行通信与串行通信两种:并行通信:是利用多条数据传输线将一资料的各位同时传送。它的特点是传输速度快,适用于短距离通信,但要求通讯速率较高的应用场合。串行通信:是利用一条...
  • 共创共生共赢的5G视频新时代 视频业务作为中国联通大视频战略的基础业务,经过多年发展,中国联通已经构建形成覆盖TV屏、手机屏、VR屏及行业屏的视频产品体系,做到了终端、全内容产品、客户群的完整覆盖,...
  • 那么到底什么是5G消息呢?它又有什么应用价值呢? 1、5G消息 根据三大运营商去年发布的《5G 消息白皮书》,5G消息即RCS消息,又名富媒体通信,是全球移动通信系统协会在2008年提出的一种通讯方式,是对传统短信...
  • Mac电脑终端操作

    2021-07-30 01:42:39
    记录一下最近遇到的一问题,就是用mac电脑,在python里读取excel的表格数据时,路径该怎么写?就比如:import pandas as pddata = pd.read_excel("???????????")(我知道这是一很弱智的问题。。但我真的困惑了很...
  • 人工智能的核心技术是什么

    千次阅读 2020-12-28 00:00:00
    人工智能是计算机科学的一分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 95,069
精华内容 38,027
关键字:

五个全覆盖指的内容是什么