• Python|木兰编程语言详解

    由于对ulang语言一窍不通,只能使用help命令。输入help命令,得到如下界面。quit会退出,help已经用了,只得使用globals命令了。都是编程语言中基本的一些函数,基本变量。使用下面命令进行了解包:python pyinstxtractor.py ulang-0.2.2.py如果你也是在该公众号下载的木兰语言那个软件,直接复制该命令使用就可以了。关于pyinstextractor.py文件已经分享在微信公众号,回复木兰,不仅可以获取木兰软件,还可以获取该源代码。木兰的本质早已被挖出来了,Python3.7!!!。
  • TS | 没救了,赶紧学学TypeScript

    TypeScript 是 JavaScript 的一个超集,支持 ECMAScript 6 标准。TypeScript 由微软开发的自由和开源的编程语言。TypeScript 设计目标是开发大型应用,它可以转译成纯 JavaScript,转译出来的 JavaScript 可以运行在任何浏览器上。"console.log举个JavaScript的例子。";console.log;上面的TypeScript与JavaScript紧密相连。后面的JavaScript代码就是以前者为源码进行的转译。代码语法很简单,关于类的语法也是非常的熟悉,感到一波亲切感。var Me = /** @class */ ;NPM 安装 TypeScript。npm install -g typescriptTypeScript的保留关键字如下。breakascatchswitchcaseifthrowelsevarnumberstringgetmoduletypeinstanceoftypeofpublicprivateenumexportfinallyforwhilevoidnullsuperthisnewinreturntruefalseanyextendsstaticletpackageimplementsinterfacefunctionnewtryyieldconstcontinuedoTypeScript 支持两种类型的注释单行注释 在 // 后面的文字都是注释内容。多行注释 这种注释可以跨越多行。
  • 近日某重大负面舆情的十点启示

    12月5日,中央网信办前副主任彭波在某自媒体平台发文,文章题目为《近日某重大负面舆情的十点启示》。彭波在文中表示,“不管是谁,永远要敬畏互联网,敬畏网民,敬畏舆论;不管是多大的企业,千万不要傲慢,不要任性”。2,此事标志着在新的社会主要矛盾背景下,人们对于公平正义的追求更加强烈。人们用更加严苛的眼光看待企业,看待社会,涉及“公平正义”的问题,往往触动全社会最敏感的神经。有时候处理不当带来的次生舆情,危害大于原始舆情。
  • 华为的回应不是“法治”,而是以势压人

    针对此事,华为昨日晚间作出回应,读完这份百来字的回应,迎面扑来的就是华为那傲慢的神态。华为此前的做法到底是正常举报还是有意构陷,这真是一个问题。一个遵纪守法的公民,就因这“无中生有”的举报,无端遭了251天的无妄之灾,而始作俑者就是华为。但华为如果拿不出足够的证据,证明当初其一系列动机的正当合法性,便很有可能涉嫌“诬告陷害罪”。这不是什么“体现了法律面前人人平等的法治精神”,而是“以势压人”的体现。只是,华为不要因此而误判,民众对技术进步的渴望,并不能替代对法治进步的渴望。
  • 马上评|拒不道歉的华为:没有同理心,让人害怕

    大概可以用这4个字,来概括公众等了整整一天的、华为对李洪元案的回应:没有道歉,不屑解释,不想沟通,实力掉粉,居高临下。12月2日晚间,华为针对前员工李洪元事件发布回应:“华为有权利,也有义务,并基于事实对于涉嫌违法的行为向司法机关举报。”总之,就是华为有权告,没有错,有事找警察!要明白,华为的举报是经生效法律文书确认的“失实”的举报。以华为之大,以华为之强,可以在法律范围内,让一个员工的生活天翻地覆。
  • 建议收藏 | 专业的MySQL开发规范

    如无特殊需要,禁止使用TEXT、BLOB字段10. 需要定期删除过期数据的表,通过分表解决11. 单表字段数不要太多,建议最多不要大于50个12. MySQL在处理大表时,性能就开始明显降低,所以建议单表物理大小限制在16GB,表中数据控制在2000W内13. 如果数据量或数据增长在前期规划时就较大,那么在设计评审时就应加入分表策略14. 无特殊需求,严禁使用分区表字段设计规范INT:如无特殊需要,存放整型数字使用UNSIGNED INT型。但N应尽可能小,因为MySQL一个表中所有的VARCHAR字段最大长度是65535个字节,且存储字符个数由所选字符集决定。
  • Python|机器学习-逻辑回归模型

    逻辑回归模型就是需要将预测结果划分为两种状态,一般为0和1。所以我们引入一个可以将所有结果表示在0-1闭区间的函数:y=1/z=θ*x用J表示损失函数,计算交叉熵为损失函数的值。交叉熵函数可以衡量预测结果与实际结果的相似性。离散变量的交叉熵计算:,带入0-1的模型则如下J=y*log+(1-y)*log,化简如下:J=-y*log-(1-y)*logdef cross_entropy: n_samples = y.shape[0] return sum/n_samples优化模型如下:θ=θ-α*(J/θ)这里简单求一下偏导数就可以了,y是常数。J/θ=*xdef optimize: n = X.shape[0] alpha = 1e-1 y_hat = model dtheta = * dtheta = np.sum dtheta=dtheta.reshape theta = theta - alpha * dthetareturntheta之后可以对这种分类问题进行简单的评估,比如准确率,召回率,精确率。使用sklearn自带的数据进行测试。
  • Python|机器学习-一元线性回归

    一元线性回归模型很简单y1=ax+b+ε,y1为实际值,ε为正态的误差。y2=ax+b,y2为预测值。ε=y1-y2。def model(a,b,x):  # x is vector,a and b are the common number. return a*x+b这里将整组数据的预测结果方差作为损失函数。J(a,b)=sum((y1-y2)^2)/ndef cost(a,b,x,y):    # x is argu, y is actual result.        n=len(x)    re...
  • Python|传统方法实现车牌定位

    如果给你一张图片,你会怎么找出图片中的车牌呢?是用传统的方法依靠特征筛选找到车牌?还是用新款的RTX2080Ti煤气灶来炼丹呢?虽然我知道炼丹只需要丢原材料,但是很明显,我连原材料都不会放,那么我只能老老实实地选择最传统的依靠车牌的特征从而来定位它了。分析车牌,发现车牌有以下特征:车牌的长宽比是由大小的限制的,一般长比宽不回大于5,也不会小于2;车牌在一张图片中的面积也是有大小的,具体要根据拍摄的位置估算一张车牌的面积;车牌内的字符将车牌内各区域分割开来。车牌定位思路图片裁剪去噪黑白化区域扩充轮廓查找区域筛...
个人资料

世与俗,致敬之。 这里谈Python,当然也会提及MySQL。 如果不小心用java或者c实现代码,也请不要惊讶。 除此之外这里还有着各种关于Python编程和MySQL的资料。