- 综合排序
- 最热优先
- 最新优先
- 来自专栏草根专栏
假象
原始类型 假象 在刚学C#的时候，我以为C#里的==和.NET里的object.Equals()方法是一样的，就是一个语法糖而已。 因为这两个类型是引用类型，所以c1，c2两个变量里面保存的是它们对应的实例在托管堆中的内存地址，也就是两个数字而已，所以当然可以进行比较了。 看例子： 结果是两个True： 首先，使用string.Copy()方法可以保证str1和str2是两个不同的引用。 如果是，那就是用该重载方法；否则看2 2. 使用ceq指令来比较引用指向的内存地址。 另外还需要再提醒一下的是，string类的==和Equals()方法永远都会给出一样的结果。 但是我做一下小小的改动： 我们看看结果会不会变： 结果发生了变化，str1==str2这次返回了False。
39110编辑于 2022-05-10 - 来自专栏web前端教室
学习前端开发的几个假象
2，前端开发是一种人生标签。不管你愿意不愿意，别人都会根据这个来给你分类。 工作技能有很多种，厨师，销售，司机。。等，这其中也包括前端开发。它是一种实用技能，但又不止于此。
816100发布于 2018-02-06 - 来自专栏顾宇的研习笔记
不要被“学会”的假象迷惑
这些只是你用来欺骗自己学会的假象。 而最难拆穿的谎言，往往是自己欺骗自己的。 而真正的知识，是经得起提问的。 上过大学的同学都知道，最好的大学老师上课一般不看书讲，知识自在胸中。 识别并拆穿这些“学会”的假象就是输出，开始清理你的读书库存，清理的学习列表，清理你的学习计划，现在就行动。把你学到的东西，讲给别人听，教他们去做。这不是不为了别人，而是为了你自己。
50910发布于 2018-08-17 - 来自专栏Java后端技术栈cwnait
MySQL同步状态双Yes的假象
这个2步是完全异步的，单独停止其中一个，并不会影响另一个的正行工作。当这两个thread都正常工作的时候，show slave status会显示双Yes状态，表示同步正常。 1、首先搭建一个主从关系的数据库集群 2、在主库上随便建立一个表。 （但是这时候其实已经是不同步的了） 5、等待在主库执行完毕之后，我们就会看到SBM变成一个较大的数字了。 那么这个seconds_behind_master的值到底是怎么计算出来的呢？ 说完了seconds_behind_master，我们继续来说IO thread和SQL thread的双Yes假象的问题。 所以，由于以上的原因，就造成了我们今天遇到的双Yes状态假象，其实当时主库已经宕机了很久了。
1.3K20发布于 2020-04-14 GEO代运营真相：当心你的“AI排名”只是一场精心设计的数字假象
这不是个例，而是当前GEO代运营市场的一个典型缩影：用工业化生产“数据假象”的流水线，替代了本应个性化构建“数字信任”的专业服务。 01解剖“数字假象”：代运营行业的标准化幻觉生产流程当前市场上主流的GEO代运营服务，已经形成了一套高效的“数据生产”闭环，但这套闭环与企业真实的业务增长需求严重脱节：第一步：关键词的“虚假繁荣”服务商利用工具批量抓取数万甚至数十万 透明化交付：用“带来了多少精准询盘”、“解决了哪些认知问题”来定义成功，而非用“生成了多少内容”、“覆盖了多少关键词”来营造繁荣假象。
14710编辑于 2026-01-23- 来自专栏非著名程序员
当心，别被微信小程序火爆的假象所欺骗！
2、工具类 比如很多工具类的小程序，前提是名声打出去了，比如冯大的抽奖助手，现在估计一天得有个十几万的流量进入，很多公号都在使用它抽奖。
95050发布于 2018-07-30 - 来自专栏linda
【MySQL】IO thread和SQL thread的双Yes假象的问题
1、首先讨论一下哪些现象造成：IO thread和SQL thread的双Yes假象的问题 ① 正常shutdown 或者 kill mysqld 结果状态单： Slave_IO_Running Slave_SQL_Running: Yes 说明： 网络恢复之后，binlog dump线程已不存在； 主库有新的写入，从库无法同步，但是I/O线程和SQL线程都是YES，SBM也没有延迟 2、 （2） 主动预防：正确设置 --master-retry-count ， --master-connect-retry ， --slave-net-timeout 复制重试参数。
1.3K30发布于 2019-06-02 - 来自专栏机器学习实践二三事
数字图像学习2
二值化： bw = im2bw(f); %默认的二值 bw1 = im2bw(f,graythresh(f)); %使用全局阈值处理的logical图像 ? 从RGB空间到HSV空间： hsv = rgb2hsv(f); ? 获得其相应的H 、S和 V分量 subplot(2,2,1),imshow(hsv(:,:,1)) subplot(2,2,2),imshow(hsv(:,:,2)) subplot(2,2,3),imshow (hsv(:,:,3)) subplot(2,2,4),imshow(hsv) ? 当然还可以转到YCbCr空间， cbr = rgb2ycbcr(f); ? 转到NTSC彩色空间， ntsc = rgb2ntsc(f); ?
45520发布于 2019-05-26 - 来自专栏人力资源数据分析
人才数字发展转型（2）
在进行了数字化学习平台的引入后，接下来的问题就是平台的运营，以及平台如何结合线下的学习助推公司的人才发展和战略支持。首先我们面对的是平台内容的生成问题。 1、 培训课程的录制 我们平时都有很多线下的课程，可以对线下的课程进行现象的视频录制，然后进行编辑剪辑，可以作为线上的课程素材 2、 在线课程的设计 培训人员可以根据课程规划，进行微课的设计，一般微课都是以多媒体的形式呈现
43720发布于 2020-01-02 - 来自专栏科技向令说
响铃：竞争战略视角下，品牌打造的假象与真相
2 品牌打造为什么会“摸不着头脑”？ 近两年，“飞鹤奶粉，更适合中国宝宝体质”“雅迪，更高端的电动车”“小饿小困，喝点香飘飘”等广告语令人耳熟能详。这些“作品”，都是竞争战略体系下的咨询成果。 关于品牌竞争，透过竞争战略“第三只眼”，三个掩藏于常识表象/假象下的真相呈现出来。 2、竞争手段：产品差异化易昙花一现，品牌认知差异化才显价值深远 战略专家迈克尔波特提出的成本领先、差异化、专业化战略已经成为不少企业家在品牌竞争中青睐的战略方法。 总而言之，产品、品质做上去后仍对“做品牌”困惑十足的企业家们，有必要透过竞争战略的全新视角发现哪些是假象哪些是真相，如此，在一系列资源投入下，中国品牌们做大、做多又做强，只会是时间问题。 （完）
46130发布于 2018-08-21 - 来自专栏开发内功修炼
多核“假象”
物理CPU：主板上真正安装的CPU的个数， 物理核：一个CPU会集成多个物理核心 逻辑核：超线程技术可以把一个物理核虚拟出来多个逻辑核 超线程里的2个逻辑核实际上是在一个物理核上运行的，模拟双核心运作， 共享该物理核的L1和L2缓存。 但是反过来，如果是单进程使用的话，由于被人分享了L1、L2，这就会cache miss变多，性能反而会变差。 2 Linux下详细观察CPU 在linux系统下，通过查看/proc/cpuinfo可以看到CPU更为详细的信息。 24个物理核和24个逻辑核的性能会差别非常大，所以说操作系统看到的24核可能只是一个“假象”。
3.2K30编辑于 2022-03-26 - 来自专栏全栈程序员必看
python小项目：2、猜数字
一、项目背景 需求分析： 随件产生1-100之间的数字，玩家负责才数字，每次猜测时都会的到反馈（大或小），直到猜中。 欢迎界面—输入用户姓名—获得初始10积分—进行游戏—得到结果—是否继续 游戏过程中记录玩家猜测次数，根据猜测次数继续计算得分 2次以内：+10分 4次以内：+6分 6次以内：+1分 超过6次： #玩家猜数字 player_count = 0 while True: player_number = input("请输入您猜测的数字：") player_number continue else: print("恭喜您，猜中了") break #积分判断 if player_count < 2: 请输入您猜测的数字：50 您猜测的数值略大 请输入您猜测的数字：25 您猜测的数值略大 请输入您猜测的数字：10 您猜测的数值略大 请输入您猜测的数字：5 您猜测的数值略小 请输入您猜测的数字：8 恭喜您
91810发布于 2021-10-08 - 来自专栏太阳影的学习记录
数值分析笔记（2）——有效数字
有效数字 下面有解答，这里读者可以先自己想想。 有效数字与绝对误差限的关系 即任何一种数字我们都可以转换成标准浮点数的形式。 上图的 m 就是上上图中浮点数里面的 m 次幂的 m 。 我们尽量保留尽可能多的有效数字就是为了减小绝对误差。 例题： 回到一开始的例题： 上面这3个数字，对于 \pi 来说，他们的有效数字的位数分别是多少？ 答案分别是：2位有效数字，3位有效数字，2位有效数字（因为 \pi = 3.14159 \dots ，所以 5 不算）。 有效数字与相对误差限的关系 a_1 就是写成标准浮点数之后的第一位有效数字， n 就是有效数字的位数。
2.8K20发布于 2021-10-15 《数字图像处理》第2章-数字图像基础
学习目标 本章将深入探讨数字图像处理的基础理论，通过Python实践帮助读者： 理解人类视觉系统的基本原理 掌握图像从物理世界到数字形式的转换过程 学习图像取样、量化及像素关系的基本概念 掌握数字图像处理中的基本数学工具 能够使用Python实现图像基础处理操作 2.1 视觉感知要素 2.1.1 人眼的结构 人眼是自然界最精密的图像传感器之一。 class MathematicalToolsForImageProcessing: """ 数字图像处理数学工具的完整演示 """ def __init__ ，从人类视觉系统到数字图像的数学表示，涵盖了： 视觉感知原理：理解了人眼如何感知和处理图像信息 图像获取技术：掌握了从物理世界到数字图像的转换过程 取样量化理论：学习了空间和灰度分辨率的权衡 建议在实际操作中逐步运行代码，观察每个步骤的效果，以加深对数字图像处理基础概念的理解。 如果你有任何问题或建议，欢迎在评论区留言讨论！
14410编辑于 2026-01-21《数字图像处理》第 2 章 - 数字图像基础
今天给大家梳理《数字图像处理》第 2 章的核心内容 —— 数字图像基础。这一章是整个数字图像处理的入门基石，涵盖了从视觉感知到图像数字化、像素关系、数学工具等核心知识点。 2.4.2 数字图像的表示方法 采样和量化后的数字图像是二维矩阵： 2.4.3 空间分辨率与灰度分辨率 空间分辨率：单位长度内的像素数（如dpi、像素/厘米），分辨率越低，图像越模糊； 灰度分辨率：灰度级的数量 (im3, ax=axes[2], shrink=0.8) plt.tight_layout() plt.show() 2.6 数字图像处理常用数学工具简介 2.6.1 数组运算与矩阵运算的区别 数组运算 set_xlabel('灰度值') axes[2,1].set_ylabel('像素数') plt.tight_layout() plt.show() 小结 总结 数字图像基础的核心是“从光到数字”的转化 ：人眼感知光→传感器采集光信号→采样/量化转化为数字图像； 像素是数字图像的基本单元，其邻域、连通性、距离度量是图像处理的基础，而数组/矩阵运算、算术/逻辑运算等是核心工具； 分辨率（空间+灰度）直接决定图像质量
17110编辑于 2026-01-21- 来自专栏AI那点小事
CCF考试——201503-2数字排序
输入格式 输入的第一行包含一个整数n，表示给定数字的个数。 第二行包含n个整数，相邻的整数之间用一个空格分隔，表示所给定的整数。 样例输入 12 5 2 3 3 1 3 4 2 5 2 3 5 样例输出 3 4 2 3 5 3 1 1 4 1 评测用例规模与约定 1 ≤ n ≤ 1000，给出的数都是不超过 using namespace std; typedef struct num{ int data; int cnt; }Num; int cmp(Num data1,Num data2) = data2.cnt){ return data1.cnt>data2.cnt; } return data1.data<data2.data; } Num data
45410发布于 2020-04-20 2：Python字符串与数字
字符串（引号）：只有四种情况如下name="我是编程高手"name='我是编程高手'name="""我是编程高手"""name='''我是编程高手'''加法：n1="alex"n2="sb"n3="df"n4 =n1+n2+n3print（n4）="alexsbdf"乘法：n1="alex" n2=n1*10没有减法和除法数字：age=19a1=10a2=20a3=a1+a2a3=a1-a2a3=a1*a2a3 =100/10a3=2**4 2的4次方a3=39%8 #获取39除以8得到的余数739//8 是商=4temp=a%2if temp==0:print("偶数")else:print('奇数')以下两段代码第一段运行报出错
25500编辑于 2024-08-09- 来自专栏杨熹的专栏
TensorFlow -2: 用 CNN 识别数字
本文结构： CNN 建立模型 code 昨天只是用了简单的 softmax 做数字识别，准确率为 92%，这个太低了，今天用 CNN 来提高一下准确率。 ='SAME') # 定义 pooling 图层 def max_pool_2x2(x): # stride [1, x_movement, y_movement, 1] # 用pooling对付跨步大丢失信息问题 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME' = bias_variable([64]) # 构建第二个convolutional层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 # 经过pooling后，长宽缩小为7x7 h_pool2 = max_pool_2x2(h_conv2)
2.8K01发布于 2017-07-31 - 来自专栏超级架构师
「数字化」数字化转型指南 - 第2部分
关键要点 业务转型，无论是否为数字化，都很复杂。 利用参考框架来模拟，理解和定价其经济，风险和财务影响至关重要。 为了有效，数字化转型必须具有破坏性。 本文的第一部分定义了“数字”一词，并引入了一个标记为数字转换框架（DTF）的参考框架，以帮助组织更好地理解和模拟数字策略。 本文的第二部分也是最后一部分首先解释了如何使用数字化转型框架（DTF）制定数字战略来重塑一般资产管理公司的中间办公室。 然后，它提出了一种可能的目标状态架构，以实现在前一步骤中创建的数字策略。 行动中的数字化转型框架 本节为金融服务公司（特别是资产管理公司）执行数字化转型框架。 Figure 35 总而言之，在开始任何数字化转型之前，必须制定以业务为主导的数字战略。 数字转换框架是一个完美的工具，可帮助制作各种数字策略的原型，直到找到合适的数字策略。
1K51发布于 2019-06-02 - 来自专栏杨熹的专栏
TensorFlow-2: 用 CNN 识别数字
---- 本文结构： CNN 建立模型 code ---- 昨天只是用了简单的 softmax 做数字识别，准确率为 92%，这个太低了，今天用 CNN 来提高一下准确率。 ='SAME') # 定义 pooling 图层 def max_pool_2x2(x): # stride [1, x_movement, y_movement, 1] # 用pooling对付跨步大丢失信息问题 return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') = bias_variable([64]) # 构建第二个convolutional层 h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64 # 经过pooling后，长宽缩小为7x7 h_pool2 = max_pool_2x2(h_conv2)
67250发布于 2018-04-03
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