wechat

python的内置函数其实挺多的，其中input和eval算得上比较特殊，input属于交互式内置函数，eval函数能直接执行字符串表达式并返回表达式的值. 一.input函数 input是Python的内置函数也是交互式函数，何为交互式函数？交互式程序是指程序可以接用户交互。 可能以前的代码，部分童鞋可能会觉得有些死板，变量声明和定义都已经提前准备好了，可能老司机会说你不运行程序我也知道输出的结果是什么。 input()函数能接收用户输入的内容，并返回字符串str类型，示例代码如下： while True: a = input( " 请输入： " ) print ( " 输入的内容是：{} 类型是：{} " .format(a,type(a))) 大家现在都知道AI已经是大势所趋，未来的十年属于AI，那么今天我要告诉你价值一个亿的AI核心代码：(沙雕机器人1.0版本) while True: ''' replace("?","!") 将字符串中英文状态下的问号 ？替换为 感叹号 ！ replace("？","!")将字符串中中文状态下的问号 ？替换为 感叹号 ！ replace("吗","") 将字符串中的中文 "吗" 替换为 "" ''' print (input( "" ).replace( " ? " , " ! " ).replace( " ？ " , " ! " )

https://zhuanlan.zhihu.com/p/112477513 ​ “ 图神经网络火了这么久，是时候掌握它了。 ” 本文包括以下内容，阅读时间10min 图神经网络是什么意思 文本如何构建图 图卷积神经网络 源代码实现 图卷积神经网络最新进展 本文阅读基础 神经网络基础 本文不包含拉普拉斯矩阵的数学推导 01“图神经网络”是什么 过去几年，神经网络在机器学习领域大行其道。比如说卷积神经网络(CNN)在图像识别领域的成功以及循环神经网络(LSTM)在文本识别领域的成功。对于 图像 来说，计算机将其量化为多维矩阵；对于 文本 来说，通过词嵌入(word embedding)的方法也可以将文档句子量化为规则的矩阵表示。以神经网络为代表的深度学习技术在这些规范化的数据上应用的比较成功。但是现实生活中还存在很多不规则的 以图的形式存在的数据 。比如说社交关系图谱中人与人之间的连接关系，又比如说电子商务系统中的人与货物的关系等等，这些数据结构像下面这样： 演员-电影 关系位于neo4j的图数据 图神经网络 (Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，图神经网络有五大类别：分别是：图卷积网络（Graph Convolution Networks，GCN）、 图注意力网络（Graph Attention Networks）、图自编码器（

我们在做网络安全测试时，首先要知道目标服务器的地址，否则一切都是空谈，今天我们就找一下微信的服务器IP地址；废话不多说，直接开始搞。 首先，让微信客户端在pc端运行，在任务管理器--详细信息中，找到WeChat.exe的进程，找到PID 就是微信进程的ID号 打开一个命令行窗口，cmd或者powershell窗口都可以，我这里习惯使用powershell，看着舒服一些 输入命令 netstat -ano|findstr 14596 #这里使用我们上面找到的PID号，进行查找 我们这里就找到了服务器的ip地址。ping一下试试 没问题地址是通的，端口号是443，安全网络web端口。 来源： oschina 链接： https://my.oschina.net/u/4297302/blog/4816378

https://zhuanlan.zhihu.com/p/112477513 ​ “ 图神经网络火了这么久，是时候掌握它了。 ” 本文包括以下内容，阅读时间10min 图神经网络是什么意思 文本如何构建图 图卷积神经网络 源代码实现 图卷积神经网络最新进展 本文阅读基础 神经网络基础 本文不包含拉普拉斯矩阵的数学推导 01“图神经网络”是什么 过去几年，神经网络在机器学习领域大行其道。比如说卷积神经网络(CNN)在图像识别领域的成功以及循环神经网络(LSTM)在文本识别领域的成功。对于 图像 来说，计算机将其量化为多维矩阵；对于 文本 来说，通过词嵌入(word embedding)的方法也可以将文档句子量化为规则的矩阵表示。以神经网络为代表的深度学习技术在这些规范化的数据上应用的比较成功。但是现实生活中还存在很多不规则的 以图的形式存在的数据 。比如说社交关系图谱中人与人之间的连接关系，又比如说电子商务系统中的人与货物的关系等等，这些数据结构像下面这样： 演员-电影 关系位于neo4j的图数据 图神经网络 (Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，图神经网络有五大类别：分别是：图卷积网络（Graph Convolution Networks，GCN）、 图注意力网络（Graph Attention Networks）、图自编码器（

大家好，我是良许。 相信大家平时都会有需要复制粘贴数据的时候，如果是打开文件进行复制粘贴，就不可避免的需要较多的鼠标与键盘的操作，就会比较繁琐。那么有没有可以省掉这些繁琐操作的复制粘贴的方法呢？ 答案是肯定的，那就是重定向。重定向是一种高效的方法，无需大量的鼠标与键盘操作就可以完成数据的转移。重定向可以分为输入重定向以及输出重定向这两种类型。由于所有程序都有输入或者输出，因此输入和输出的重定向是任何编程语言或脚本语言都自带的功能。 每当你与计算机交互时，重定向就必然会发生。学会使用重定向，不仅可以让你与计算机更好地交互，还可以提高你的工作效率，因此，请让良许为你讲解 Linux 系统中重定向的常见用法： Linux 中的数据流 谈到 Linux 的重定向，就不得不提以下这3种数据流： 输入信息会从 stdin 中读取（标准输入，通常是键盘或鼠标）。 输出信息会被输出到 stdout （标准输出，一个文本文件或者数据流）。 错误信息会被输出到 stderr 。 了解了这些数据流的存在，在你使用 Shell 时，你就可以更好地控制数据的流向了。 在 Linux 系统中，标准输入，标准输出以及标准错误都作为文件存在。 你可以在 /dev 目录下看到它们： $ ls /dev/std* /dev/stderr /dev/stdin /dev/stdout 重定向输出 在 Linux 系统中

摒弃面向UI编程 为何喷起此次话题，因为前不久和我们首席架构师沟通，谈起程序设计问题，一不小心把UI扯进来，更把那些按照UI来编程的后台工程师也扯了进来。今天特意百度了一下（其实程序员应该去google一下，奈何需要FQ），确实没有面向UI编程这个概念在市面上流传，大家可以当我是首创吧。需要声明一点，这里喷的是服务器开发人员哦！！ 我是一个极具打抱不平的人，浪迹编程十几年，见过太多的程序员因为UI改了，而跟着改程序。当年菜菜一不小心踏入歧途的时候，每天看着《七天入门xxx》乐此不疲，猛烈的消化着书中“极具文化”的内容。然后看着“该死”的产品经理发过来的原型图，费劲脑汁把数据库设计的特别符合原型图，然后开心的干起CUAD，你看，编程就是如此简单！！ 而且当年觉得自己不可一世，可以进阶架构师了 原来初生牛犊真的可以不怕虎，是因为虎厉害吗？不，是因为牛犊还太傻X 无论是产经经理，还是前端开发人员，更或者是后端开发人员或者DBA，一切的工作都是围绕业务开展的，产品经理首先是第一个消化并理解业务的人，有的产品经理自己还未消化业务就做出原型图，概念图脑图等等，这些产品经理其实才是该死的。当产品把业务正确的用UI表达出来之后，业务便传到了客户端人员，至于服务端代码编写人员如果按照UI来理解业务，甚至设计数据库表，那多半是掉坑里了 无论是客户端人员还是服务端人员，写代码之前首先第一要做的

相信很多同学入门Python的第一行代码都是print('Hello World!') print是初学者最先接触的Python函数，但是很多人可能到现在也不完全清楚它的用法。 print(*objects, sep=’ ‘, end=’\n’, file=sys.stdout, flush=False) 参数： objects – 复数，表示可以一次输出多个对象。输出多个对象时，需要用 , 分隔。 sep – 用来间隔多个对象，默认值是一个空格。 end – 用来设定以什么结尾。默认值是换行符 \n，我们可以换成其他字符串。 file – 要写入的文件对象。 flush – 输出是否被缓存通常决定于 file，但如果 flush 关键字参数为 True，流会被强制刷新。 除了常用的objects参数，剩下几个参数大家应该比较陌生吧？下面咱们看看这几个参数可以玩出什么花样？ 默认情况下，print 函数会将内容打印输出到标准输出流(即 sys.stdout)，可以通过 file 参数自定义输出流。 with open('data.txt', 'w') as f: print('Hello World!', file=f) 然后工作目录下就会保存一份txt文件 注意 ，print输出的其实有两行，第二行为空。这是因为当我们在 Python 中打印对象调用 print(obj) 时候

开发者社区技术周刊又和大家见面了，让我们一起看看，过去一周有哪些值得我们开发者关注的重要新闻吧。 Kubernetes 将弃用 Docker TypeScript 超越 C++ 成第四大语言 ASML 已完成 1nm 光刻机设计 摩尔定律再次重新起效 中国量子计算原型机九章问世 三星新无线充电专利曝光 用“戒指”就能为手机充电 CloudTech公布 2021 年值得关注的云计算趋势 RelationNet ++：桥接视觉以通过变压器解码器进行对象检测 NeurIPS 2020 | 自步对比学习：充分挖掘无监督学习样本 技 术 要 闻 Industry News 1， Kubernetes 将弃用 Docker 近日，Kubernetes 官方发布公告，宣布自 v1.20 起放弃对 Docker 的支持，届时用户将收到 Docker 弃用警告，并需要改用其他容器运行时。但 Docker 作为容器镜像构建工具的作用将不受影响，用其构建的容器镜像将一如既往地在集群中与所有容器运行时正常运转。官方解释称，Docker 作为一个完整的容器技术堆栈，在其创建之初就不是为了将其嵌入 Kubernetes 而设计的。除了其作为容器运行时本身的作用以外，Docker 还包含了一系列方便用户交互的 UX 更改，而这些额外的功能对于 Kubernetes 来说过于臃肿。事实上，Docker 并不符合

作者：莫那 鲁道 thinkinjava.cn/2019/01/15/2019-01-16-fkfb/ 2019-04-26 08:51:00 让我们从最初开始。 1、单体应用 每个创业公司基本都是从类似 SSM 和 SSH 这种架构起来的，没什么好讲的，基本每个程序员都经历过。 2、RPC 应用 当业务越来越大，我们需要对服务进行水平扩容，扩容很简单，只要保证服务是无状态的就可以了，如下图： 当业务又越来越大，我们的服务关系错综复杂，同时，有很多服务访问都是不需要连接 DB 的，只需要连接缓存即可，那么就可以做成分离的，减少 DB 宝贵的连接。如下图： 我相信大部分公司都是在这个阶段。 Dubbo 就是为了解决这个问题而生的。 分布式 | Dubbo 架构设计详解 ，这篇文章看下。 3、分库分表 如果你的公司产品很受欢迎，业务继续高速发展，数据越来越多，SQL 操作越来越慢，那么数据库就会成为瓶颈，那么你肯定会想到分库分表，不论通过 ID hash 或者 range 的方式都可以。如下图： 这下应该没问题了吧。任凭你用户再多，并发再高，我只要无限扩容数据库，无限扩容应用，就可以了。关注Java技术栈微信公众号，在后台回复关键字： 架构 ，可以获取更多栈长整理的架构技术干货。 这也是本文的标题，分库分表就能解决无限扩容吗？ 实际上，像上面的架构，并不能解决。 其实，这个问题和

Alertmanager 主要用于接收 Prometheus 发送的告警信息，它支持丰富的告警通知渠道，而且很容易做到告警信息进行去重，降噪，分组，策略路由，是一款前卫的告警通知系统。 安装alertmanager #安装go 1.11 $ wget https://studygolang.com/dl/golang/go1.11.linux-amd64.tar.gz $ tar zxvf go1.11.linux-amd64.tar.gz && mv go1.11 /opt/go $ vi /etc/profile 添加 export GOROOT=/opt/go export PATH=$GOROOT/bin:$PATH export GOPATH=/opt/go-project export PATH=$PATH:$GOPATH/bin $ source /etc/profile $ go version #安装alertmanager（或者使用tar包安装） $ git clone https://github.com/prometheus/alertmanager.git $ cd alertmanager/ $ make build 安装成功以后，便可编辑报警配置文件了 配置文件为alertmanager.yml,默认如下所示 global: resolve