import java.math.BigDecimal; /** * 精度金额计算工具类 */ public class PriceUtils { /** * 默认除法运算精度 */ private static final int DEFAULT_DIV_SCALE = 10; /** * 提供精确的加法运算 * * @param v1 参数1 * @para
SpringBoot 使用的是一个全局的配置文件，就是application.properties配置文件，这个文件的路径放在src/main/resources/目录下面或者放在类路径下面，并且这个文件名是固定的。 IDEA工具默认创建的时候创建到对应的第一个目录下面。既然是全局的配置文件，那么就可以对全局的默认
1 softmax回归的从零开始实现 #使用Fashion-MNIST数据集，并设置数据迭代器的批量大小为256 from IPython import display from mxnet import autograd,gluon,np,npx from d2l import mxnet as d2l npx.set_np() batch_size = 256 train_iter, test_iter = d2l.load_data_fash
1 图像分类数据集 采用的是Fashion-MNIST数据集 %matplotlib inline import torch import torchvision from torch.utils import data from torchvision import transforms #对数据进行操作的模型 from d2l import torch as d2l d2l.use_svg_display() #用svg显示图片 1.1 读取
从二维开始 假设有这样一张图片，横轴是X轴，纵轴是Y轴 想象一下，假设我们现在是从正面在看这张图，那么如果我们从顶部来看，俯视的看，会是什么样的情况？可能很抽象，尽可能的想象一下，应该是如此，我们看到的应该是图中我画出来的那一条线段。 为什么最开始是一段绿色而不是红色？很明显，因为我们
整体详细分析mobilenet： 1、轻量级神经网络“巡礼”（二）—— MobileNet，从V1到V32、从MobileNet看轻量级神经网络的发展 1、轻量级神经网络“巡礼”（二）—— MobileNet，从V1到V3 文章地址：轻量级神经网络“巡礼”（二）—— MobileNet，从V1到V3 （按照V1，V2，V3的顺序对创新点进行解析） （1）V1
用vue写一个简易计算器 要求有加减乘除 代码简洁 代码如下： html： <div id="app"> <input type="number" v-model="n.v1" @input="calc()"> <select v-model="n.type" @change="calc()"> <option value="+
Demo project for Spring Boot <java.version>11</java.version> <spring-cloud.version>2020.0.3</spring-cloud.version> org.springframework.boot spring-boot-starter-web org.springframework.cloud spring-cloud-starter-netflix-eureka-clien
均方损失（L2 Loss）: 绝对值损失函数（L1 Loss）： 哈勃鲁棒损失（Huber's Robust Loss）:
（本文仅为记录本人的学习过程以供个人复习、查询等。如有错误欢迎交流指正，本人将不胜感激！） 环境的准备与搭建 目录 文件准备 设备准备 操作步骤 1、Keil5的安装、调试 2、ST-Link V2驱动的安装与调试
求一点到原点的距离 Vector3d v(x,y,z); double dis1= v.norm(); // 等于 sqrt(x^2+y^2) , 即距离 double dis2 = v.squaredNorm(); // (x^2+y^2) 求两点之间的距离 d v1(x1,y1,z1); Vector3d v2(x2,y2,z2); double dis = (v1-v2).norm(); 两个向量之间的
上期回顾：Airtest API精讲之touch() 以下基于python3.8；airtestIDE1.2.11；airtest1.2.2；pocoui1.0.83 首先明确一点，我们今天要讲的是Airtest框架的touch()，不是Poco框架的，一般我们说Airtest，其实应该指的是Airtest Project，具体这些概念的关系是什么，可以看之前文章：Airtest Project——
一、实验项目名称(实验题目)： 仿射加密法 二、实验目的与要求： 熟悉取模运算、乘法加密、仿射加密，学会元组的使用 三、实验内容： 1、取模运算符％. >>> 15%12 3 >>> 210%12 6 >>> 10%10 0 >>> 20%10 0 >>> -21%5 4 2、模逆算法。 def findModInverse(a,m): if gcd(a,m) !=1:
21天好习惯打卡 #include <stdio.h> int main(){ double v1,v2,v3,t,s1,s2; printf("请输入路程\n"); scanf("%lf",&s1); printf("请输入John，MaryandTommy的速度\n"); scanf("%lf%lf%lf",&v1,&v2,&v3);
在完成合并两个vector的时候纠结这个合并操作如何实现，经过搜索后发现可以用c++ algorithm的merge函数实现合并和排序这两个功能。 具体要求参照标准库. http://www.cplusplus.com/reference/algorithm/merge/?kw=merge 合并两个vector #include<iostream> #i
1. set_intersection 功能描述： 求两个容器的交集 两个集合必须是有序序列 #include<iostream> using namespace std; #include<string> #include<vector> #include<deque> #include<iterator> #include<list> #include<algorithm> //标准算法头文件 #in
YOLOV2 paper link YOLO9000: Better, Faster, Stronger Yolov2概述 先解释概念：Yolov2和Yolo9000算法内核相同，区别是训练方式不同：Yolov2用coco数据集训练后，可以识别80个种类。而Yolo9000可以使用coco数据集 + ImageNet数据集联合训练，可以识别9000多个种类。上图为Yolo9000的检测
vector这篇文章之所以会出现是因为博主太菜了，并不会vector概述vector是一个十分神似数组的东西，同时又混合了队列的操作，又新增了许多神奇的功能，使他成为了我个人认为的最难的数据类型。当然，这只是因为我没学过 总的来说，他有一个神奇的特点：他是可以动态扩容的，即可以避免很大一部分的
Map<Integer, TypeEnum> map = Arrays.stream(TypeEnum.values()) .filter(item -> item.getStatus() != null) .collect(Collectors.toMap(TypeEnum::getStatus, item -> item, (v1, v2) -> v1)); 在例子中 .collect(Collectors.
前言 YOLO发表一年后，论文作者提出YOLO的改进版YOLO v2和YOLO9000，之后又提出YOLO v3，随后便宣布退出计算机视觉的研究领域，现在我们看到的YOLO v4和v5版本都是其他人进行更新的。本文主要简单写写对v2和v3版本论文的一些理解，然后如果之后有时间再去研究v4和v5版本。 YOLO v2与YO
官方网站：https://docs.influxdata.com/influxdb/v2.0/install/?t=Linux 1、下载：wget https://dl.influxdata.com/influxdb/releases/influxdb2-2.0.9.x86_64.rpm yum localinstall influxdb2-2.0.9.x86_64.rpm 2、启动 systemctl start influxdb && systemctl enable
#常用的几个代码 --查询临时表空间 select name from v$tempfile; --查询表空间 select name from v$datafile; 修改用户的密码 alter user 用户名 identified by 密码; 昨天部署好oracle19c后，用以前oracle11g的笔记来创建表空间遇到了坑。这里写一下总结。 其实
codeforces 700A 题意：n个同学，要走长度为L的路到目的地，速度为v1，这条路上有公交车，速度为v2，公交车最多坐k人，问最短需要多少时间能让所有同学到目的地 思路：首先这个公交车是可以不必须到目的地的，所有过程一定是公交车先送k人到a点，然后返回再送k人到b点，易知b > a是最优的，并且可以
//set容器默认排序为从小到大,掌握如何改变排序规则 //利用仿函数,可以改变排序规则 #include<iostream> #include<set> using namespace std; //仿函数:用类调用函数 //仿函数设计: class MyCompare { public: //下一行末尾加上const /*bool operator()(int v1, int v2){ r
不同频率数据的处理方法 降频 这个方法不行，因为我们要做到daily based predict，而我们能拿到的高频的数据就是daily，如果我们能拿到更高配的数据那也行 最简单（扭曲了现象） 直接把这个季度里面的所有天的数据都放成一个值高频数据：天低频数据：季度 插值（扭曲） 低频模型给出估计以后线
