- 综合排序
- 最热优先
- 最新优先
- 来自专栏Java全栈·
Python干货——函数(2)
return 语句，那么就代表这个函数已经结束了 # 函数的返回值 # 使用 return 返回函数的计算结果 def add(a, b): return a + b print(add(1, 2) substruction(a, b): c: int = add(a, b) return c - b # 函数的嵌套调用 result: int = substruction(1, 2) {} for key, value in kwargs.items(): # 将旧字典的key以及value值赋值给新的字典 if len(value) > 2: 比如：数字、字符串、元组等 可变类型：直接改变其中的数据的时候需要使用 global 关键字 alobal char char = [1, 2, 3, 4] 复制代码 2. 3, 4] print(char) # [1, 2, 3, 4] # 使用列表中的方法修改不需要关键字 print(modify2()) # [1, 2, 3, 4, 5] print(char
1.1K40编辑于 2022-06-04 - 来自专栏Java全栈·
Python干货——内置函数(2)
元组中不可以进行增删改，转换为列表就可以进行增删改了 # 元组转换为列表 tupleList: tuple = (1, 2, 3) print(list(tupleList)) # [1, 2, 3] print(type(list(tupleList))) # <class 'list'> 复制代码 tuple(元组) ：将一个列表转换为元组 # 列表转换为元组 charList: list = [1, 2, 3] print(tuple(charList)) # (1, 2, 3) print(type(tuple(tupleList))) # <class 'tuple'> 复制代码 dict()函数： {'name': '李四'} # 将普通类型数据、迭代类型的数据转为一个字典 # 其实就是创建一个带有数据的字典 dic: dict = {'name': '李四', 'arr': [1, 2, 3], 'tuple': (1, 2, 3)} print(dic) # {'name': '李四', 'arr': [1, 2, 3], 'tuple': (1, 2, 3)} 复制代码 10.5
1.7K10编辑于 2022-06-04 - 来自专栏vivo互联网技术
【干货】Elasticsearch索引性能优化 (2)
Elasticsearch索引性能优化 (2) 本文翻译自QBox官方博客的“Elasticsearch索引性能优化”系列文章中的第二篇，版权归原作者所有。 curl -XPOST 'localhost:9200/my_index/_refresh' 2 段与合并 段合并是一个计算开销较大的操作，而且会消耗大量的磁盘I/O。 "indices.store.throttle.type" : "merge" } }' 注意：上面的设置只适用于Elasticsearch 1.X版本，Elasticsearch 2. 该设置允许每次有max_thread_count + 2个线程操作磁盘，所以设置为1表示支持3个线程。 index.translog.interval - 检查是否需要flush的时间间隔，随机在该时间到2倍之间取值，默认为5秒。
83640发布于 2019-04-19 - 来自专栏WeiMLing
面向对象编程基础2(干货)
2.隐藏方法：如果想在派生类中定义一个和基类中重名的方法，但是实现过程不一样，这中操作叫隐藏方法。 概念2：静态成员 1.关键字static -- 标记为static的字段、方法、属性、构造函数、事件就是静态成员。 例：static int num； 2.静态成员将被类的所有实例共享，所有的实例都访问同一内存位置。（即为公共财产） ? 3.访问方式 ? implicit关键词 2.拆箱：引用类型变成值类型 -- 显示装换。explicit关键词 3.重载运算符：利用现有的某种运算符，针对自定义类或者结构，实现某种运算的操作。 2.语法展示： ? ? 3.泛型使用的原因： ? 4.泛型实例化过程 ? 5.泛型类优势：代码量更小。
1.6K20发布于 2019-08-23 - 来自专栏vivo互联网技术
【干货】Elasticsearch索引性能优化 (2)
Elasticsearch索引性能优化 (2) 本文翻译自QBox官方博客的“Elasticsearch索引性能优化”系列文章中的第二篇，版权归原作者所有。 curl -XPOST 'localhost:9200/my_index/_refresh' 2 段与合并 段合并是一个计算开销较大的操作，而且会消耗大量的磁盘I/O。 "indices.store.throttle.type" : "merge" } }' 注意：上面的设置只适用于Elasticsearch 1.X版本，Elasticsearch 2. 该设置允许每次有max_thread_count + 2个线程操作磁盘，所以设置为1表示支持3个线程。 index.translog.interval - 检查是否需要flush的时间间隔，随机在该时间到2倍之间取值，默认为5秒。
1.4K30发布于 2019-03-19 - 来自专栏Vehicle攻城狮
Self-Driving干货铺2：卡尔曼滤波
每个变量都有一个均值 μ，表示随机分布的中心（最可能的状态），以及方差 σ^2 ，表示不确定性。 在上图中，位置和速度是不相关的，这意味着由其中一个变量的状态无法推测出另一个变量可能的值。 对于任何可能的读数 (z1, z2) ，有两种情况：（1）传感器的测量值；（2）由前一状态得到的预测值。如果我们想知道这两种情况都可能发生的概率，将这两个高斯分布相乘就可以了。 融合高斯分布 先以一维高斯分布来分析比较简单点，具有方差 σ^2 和 μ 的高斯曲线可以用下式表示： 如果把两个服从高斯分布的函数相乘会得到什么呢？
1.1K31编辑于 2022-04-19 - 来自专栏小火龙说数据
「干货」Hive常用10大应用技巧『Hive系列2』
Hive SQL的运行顺序，便会迎刃而解，顺序如下： (步骤7) SELECT count(*) as col1 (步骤8) DISTINCT (步骤1) FROM (步骤3) A JOIN B (步骤2) 不建议 Select t1.x ,t2.x from qqq t1 left join ppp t2 on t1.key=t2.key and t1.ds=d1 and t2.ds=d1 ; 建议 Select t1.x ,t2.x from (select * from a where ds=d1) t1 left join (select * from b where ds=d1) t2 on t1.key=t2.key ; 04 AB两表放置位置「join场景」 内连接时小表放前面、大表放后面。
2.1K10编辑于 2022-06-30 - 来自专栏罗超频道
【干货分享】WeMedia开放日沙龙：O2O
第三个相信大家在座各位朋友们，可以在我们碰撞和交流当中也能够学习到一些好的东西，可以满足大家对干货的需求。 今天的主题是O2O我们都知道移动互联网发展起来O2O一直很热，今年开始相对来说有一点冷下来，比如说O2O是一个伪命题，也有人认为移动互联网O2O是一个很大的金矿，O2O只是一个名词，我们不用管到底是什么 田玉翠：我想就刚才的开始的话题，O2O什么范围适合做O2O？ 韩东：有没有看到O2O之前特意去百度查一下O2O的人，我在回国之后接触了O2O，我真不知道是什么东西，我就百度一查，后来知道干的旅游就是OTA就属于O2O，O2O相对来说大家接触更多一些，最早接触易龙买机票一套东西 青龙老贼：这不能算O2O了，有一些猎头公司，这个不能算O2O。做B的领域也不算是O2O的，O2O大量的还是C。
1.1K50发布于 2018-04-26 - 来自专栏AI科技评论
干货 | 2 分钟论文：如何使用数据合成烟雾流 ?
来源 / Two Minute Papers 翻译 / 张丽敏 校对 / 凡江 整理 / 雷锋字幕组 本期论文：基于CNN特征描述符的数据驱动合成烟雾流体 Data-Driven Synthesis of Smoke Flows with CNN-based Feature Descriptors ▷ 观看论文解读 或许，你还记得以前Wavelet Turbulence的论文，也是我迄今为止最喜欢的一篇。在我大二的时候，第一次看到这个的我，完全被这完美的效果震惊了，这项经历让我至今难以忘怀。该项技术还获得了
1.2K50发布于 2018-03-14 - 来自专栏AI小白入门
【收藏】2万字超长干货，如何做研究？
2. 阅读 很多研究人员花一半的时间阅读文献。从别人的工作中可以很快地学到很多东西。本节讨论的是AI中的阅读，在第四小节将论述其他主题相关的阅读。 阅读文献，始于今日。
78810发布于 2019-10-14 - 来自专栏亨利笔记
干货 | 用P2P方法快速分发Docker镜像
我们VMware的研发团队测试了P2P的方法，能够较好地解决大规模镜像分发的问题，为运维实践提供了很好的指引。 BT客户端 部署在集群节点的BT客户端和部署在控制器中的BT客户端以及Tracker共同组成了一个完整的P2P文件传输系统。在整个镜像的分发过程中，它们利用BT协议完成镜像下载。 每台虚拟机都配置了2个vCPU、4GB内存和一块500GB的硬盘。 第一组实验用来比较在节点数目一定（如100个节点）的集群中，不同镜像大小对下载过程的影响。 实验结果如图2所示，图中纵轴的Propagation Time是从整个集群开始下载镜像到所有节点将镜像导入所用的时间： 图2 Docker、DID镜像分发时间对比 从测试结果可以看出两点规律。 关于镜像P2P的传输是个热门话题，目前这方面的测试数据很少。我们的测试结果可作为今后研发类似系统的基础。
1.6K30编辑于 2023-04-18 - 来自专栏自动化大师
干货！台达B2伺服电机脉冲控制方法
本文介绍的是台达B2系列伺服通过方向+脉冲的形式，通过最简单的构成去实现位置模式的控制。 本文资料来源，《台达B2使用说明书》，关注公众号发送台达B2可以获取说明书，其他系列接线和参数设置请参考相应的使用手册。 由于B2驱动器的IO端子是DB44端子，请根据需求准备DB44插头自己焊接，或者购买市售的IO延长线及接线端子 驱动器侧IO连接器示意 引脚排序 参数设置 参数 设定值 设定说明 P2-10 001 DI1设置成上电使能 P2-15 122 正限位常开 P2-16 123 负限位常开 P2-17 121 急停常开 P1-00 002 方向+脉冲 参数设置解析： 输入功能选择：所代表的功能请参考 ，信号默认是常开，通过查询表 7.1得知功能码是01，所以P2-01设置成001。
2.5K10编辑于 2024-08-14 - 来自专栏Java后端技术栈cwnait
2W 字详解设计模式，干货十足
2. 结构型模式 前面创建型模式介绍了创建对象的一些设计模式，这节介绍的结构型模式旨在通过改变代码结构来达到解耦的目的，使得我们的代码容易维护和扩展。 2.1. bevarage.getDescription() + ", 加柠檬"; } public double cost() { // 装饰 return beverage.cost() + 2; // 加柠檬需要 2 元 } } public class Mango extends Condiment { private Beverage bevarage; public
46020发布于 2021-11-10 - 来自专栏AI科技评论
干货 | 完全图解RNN、RNN变体、Seq2Seq、Attention机制
x1可以看做是第一个单词，x2可以看做是第二个单词，依次类推。 语音处理。此时，x1、x2、x3……是每帧的声音信号。 时间序列问题。 它的输入是x1, x2, .....xn，输出为y1, y2, ...yn，也就是说，输入和输出序列必须要是等长的。 这种结构又叫Encoder-Decoder模型，也可以称之为Seq2Seq模型。 c2应该和“爱”最相关，因此对应的 a22 就比较大。最后的c3和h3、h4最相关，因此 a33、a34 的值就比较大。 a2j 的计算： ? a3j的计算： ? 以上就是带有Attention的Encoder-Decoder模型计算的全过程。
1.9K40发布于 2018-03-13 - 来自专栏For XX - 专注于技术本身
Kotlin服务端Spring Boot系列干货教程2 - 框架整合
框架整合，整合MyBatis/MyBatis-Plus、Log4j2、Generator代码生成、Druid连接池、Freemarker等 1. pom.xml中引入相关jar包 <? --log4j2--> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-log4j2 --用于log4j2日志的异步存储--> <dependency> <groupId>com.lmax</groupId> <artifactId>disruptor</artifactId systemPath> </dependency> </dependencies> </plugin> </plugins> </build> </project> 2. spring.datasource.druid.test-while-idle=false ## 监控配置 spring.datasource.druid.filters=stat,wall,log4j2
77910编辑于 2022-06-09 - 来自专栏达观数据
技术干货 | 漫谈Word2vec之skip-gram模型
本文从以下几个方面简要介绍Word2vec的skip-gram模型： 第一部分对比word2vec词向量和one-hot词向量，引出word2vec词向量的优势所在；第二部分给出skip-gram模型的相关内容 优势 word2vec词向量与传统的one-hot词向量相比，主要有以下两个优势。 Fig.2. word2vec词向量 skip-gram模型 1.训练样本 怎么把“具有相同上下文的词语包含相似的语义”这种思想融入模型是很关键的一步，在模型中，两个词是否出现在一起是通过判断这两个词在上下文中是否出现在一个窗口内 word2vec应用 Google开源了word2vec源码，可以很方便的训练词向量，这里不再赘述。 总结 本文从例子出发，简单介绍了Word2vec的skip-gram模型，只作抛砖引玉。文中若有不当之处，欢迎指正。
3.2K80发布于 2018-03-30 - 来自专栏深度学习自然语言处理
【干货】基于注意力机制的seq2seq网络
seq2seq seq2seq的用途有很多，比如机器翻译，写诗，作曲，看图写文字等等用途很广泛！ seq2seq根据字面意思来看就是序列到序列，再具体点就是输入一个序列(可以是一句话，一个图片等)输出另一个序列。这里以RNN为基础的机器翻译为例，介绍seq2seq和attention注意力机制。 （seq2seq实现的方法有很多，比如MLP，CNN，RNN等） 这是机器翻译的部分数据 （法语->英语）： ? 我们先了解下机器翻译的大致流程： ? 现在再让我们更进一步了解seq2seq的具体流程： ? 我来一一讲解这张图的每一个细节： ? seq2seq就这样讲完了。下面该到注意力机制登上历史舞台！ Attention Mechanism 注意力机制 从字面意思我们能联想到自己的注意力吧。对，就是这样的。
1.7K60发布于 2018-04-10 - 来自专栏专知
【干货】最全知识图谱综述#2: 构建技术与典型应用
基于描述逻辑的知识库主要包括Tbox(terminology box)与ABox(assertion box)[2]。 2) 知识检索。经过查询式分析后的标准查询语句进入知识库检索引擎，引擎会在知识库中检索相应的实体以及与其在类别、关系、相关性等方面匹配度较高的实体[9]。 2 深度问答 问答系统是信息检索系统的一种高级形式，能够以准确简洁的自然语言为用户提供问题的解答。 2 医疗行业 耶鲁大学拥有全球最大的神经科学数据库Senselab[22]，然而，脑科学研究还需要综合从微观分子层面一直到宏观行为层面的各个层次的知识。 url=_J_2r2xYz0qSTwlYxqPZ00ZZuYyiA_kkZAohtC5EhmIzOjSwywKheEThY2gdXdzxS Baidu.
2.7K40发布于 2018-04-08 - 来自专栏全栈前端精选
Vue3 + Vite2 项目实战复盘总结（干货！）
vue3 项目开发 get 到的知识 刚开始用的时候，可怀念 vue2 了，我始终 get 不到 vue3 的精华，也理解不了网上说的组合式API 有多好。 vue2 我是轻车熟路，vue3 我是面向文档开发。选择了用 vue3，就要去 get 他的精华，用着用着我发现真香，vue3 和 vite2 结合的项目惊讶到我了。 简直开心的不能再开心，分分钟搞定了createWebHistory 支持设置base文件目录[2] createWebHistory(location.pathname.split('/')[1]) 后来使用 vue-virtual-scroller 解决问题，但在网上看到大部分都是vue2版本的，vue3 版本都是在 issues 里面找到的。 这不仅是 vue2 和 vue3 的区别，而是一直以来我们应该思考的一个问题，每次开发都应该思考，如何能让这个项目/组件能够长期稳定的发展。
1.7K50发布于 2021-09-03 - 来自专栏科研猫
干货预警：3分钟搞定GOKEGG功能富集分析（2）
2 Step2： 进入分析页面后，通过如下三步即可完成分析： 提交基因列表->选定提交列表类型->开始分析 具体操作如下： (1) 在“Enter Gene List”中上传基因列表，格式是每行一个基因 (2) 在“Select Identifier”中选择上传的基因类型，因为我们上传的是基因名(Gene Symbol），所以在下拉菜单中选择“OFFICIAL_GENE_SYMBOL”（下拉菜单比较长
6.9K32发布于 2019-09-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号