h2

3 月，跳不动了？>>> 一、简介 　　前面我们学习了html和css，但是我们写的网页不能动起来，如果我们需要网页出现各种效果，那么我们就要学习一门新的语言了，那就是JavaScript，JavaScript是世界上最流行的脚本语言，而且Javascript和Python一样也是一门全栈开发语言，并且跨平台。浏览器内置了JavaScript语言的解释器，所以在浏览器上按照JavaScript语言的规则编写相应代码之，浏览器可以解释并做出相应的处理。 二、代码存放位置 　　理论上放在body和head中都可以，但是推荐放在body代码块底部，因为Html代码是从上到下执行，如果Head中的js代码耗时严重，就会导致用户长时间无法看到页面，如果放置在body代码块底部，那么即使js代码耗时严重，也不会影响用户看到页面效果，只是js实现特效慢而已。 　　Js代码可以放在一个单独的文件中，然后通过 <script src="common.js" type="text/javascript"></script>可以将其导入进来，或者直接在html文件中直接书写代码，如下面所示，其中两种方式的 type都可以不用写，因为浏览器默认的便是javascript 　　　　<script type= "text/javascript" > 　　　　 Js代码内容 　　　　< / script> 三

3 月，跳不动了？>>> 相信读完前面几篇有关 Serverless Component 文章的小伙伴已经体验到，它给我们开发带来的遍历。但是实际我们的日常开发项目中，并不仅仅只是单纯地一个项目部署那么简单，我们的敏捷开发流程中，还有开发、联调、测试、预发布、正式环境等关键词。那么有小伙伴就有疑惑了，我的业务开发完了，如何管理不同环境的配置呢？比如测试环境的数据库配置和正式环境的如何切换？于是抛转引入，写了此篇文章，来跟大家一起学习和探讨。 读完本篇将你将了解到： Serverless Component 部署原理 dotenv 模块的基本使用 如何基于 dotenv 来切换多环境配置 如何在 serverless.yml 提炼通用配置 Serverless Component 理论指导实践 在介绍方法之前，这里需要先对 Serverless Component 部署原理做个简单介绍。当我们在 serverless.yml 文件中配置好项目，执行 sls --debug 命令后，究竟发生了什么？ 核心步骤如下： 1. 初始化 context：包括分析component依赖树，通过 dotenv 注入环境变量等。 2. 安装依赖组件模块：不同于 `npm install`, serverless component 会将 `component` 指定的 npm 模块下载并解压放到 `

3 月，跳不动了？>>> 应用场景: 在大型项目里需要很多图片时，不会直接把图片存储在项目文件夹里，也不推荐直接用数据库存储，而是用第三方存储，cdn，也可以自己搭个存储图片的服务器，等等方式，如果时自己练练手，做做博客，写写小项目，就可以用 jsDelivr + github 的方式把图片先存储在github的仓库里，然后再用jsDelivr的git链接调用图片即可，很方便，当然，如果有条件可以使用其他更好的方式。 步骤： github: github仓库的创建: 没有github账号的先注册一个github账号，登录进去后，直接点击左上角的猫头，进入图中界面，点击new。 进到新建仓库界面后 Repository name 填写你给这个仓库取的名字 Description 说明（可不填写） Public 是仓库的访问权限（公开） Private （私有） github图片的上传: 新建好仓库后，是如下图界面，上传图片的实现我没有使用命令行，而是使用的方便简单拖拽 点击uploading and existing file（上传和现有文件） 进入文件上传界面 进入上传界面后，如下图，把想要的图片拖入指示处，等待文件上传，上传完成后点击Commit changes（提交更改） Commif changes成功后，再次点击左上角的猫头，左侧会有你的仓库，点击刚才创建的仓库

3 月，跳不动了？>>> 导语 | 自从2018年企鹅辅导直播、点播和腾讯课堂直播上云以后，19年上半年腾讯课堂点播也开始自研上云。本文是对腾讯课堂点播上云客户端方案的整理与总结，希望能与各位同行一起交流。 ​一、课堂腾讯云点播 HLS 播放 1. HLS 浅析 （1） HLS 协议 点播业务目前用的是 HLS 协议。HLS协议全称是 HTTP Live Streaming，它是一个由苹果提出的基于HTTP的流媒体网络传输协议。HLS协议规定： 视频的封装格式是TS； 视频编码格式为H264，音频编码格式为MP3、AAC或者AC-3； 除了TS视频文件本身，还定义了用来控制播放的m3u8文件。 HLS的工作流程如下图（来源苹果官网）所示 Server Server获取媒体输入流，Media编码 MPEG-4（H.264 video 和 AAC audio），然后打包到 MPEG-2 (MPEG-2 transport stream)的传输流中，传输流会经过Stream segmenter，MPEG-2传输流会被分散为小片段然后保存为一个或多个系列的 .ts 格式的媒体文件。 Distribution Stream segmenter会创建一个索引文件，通常会包含这些媒体文件的一个列表，也能包含元数据，一般都是一个.m3u8的列表，列表元素会关联一个 URL 用于客户端访问

3 月，跳不动了？>>> 一、appium安装 1、nodejs依赖 2、.net framework 3、Appium桌面程序安装 3.1、安装包获取 3.2、安装过程 二、Java_ jdk安装 1、Java_jdk版本说明 2、下载地址 3、Java_jdk安装步骤 4、配置环境变量(以win10为例) 三、Android SDK环境安装 1、安装包 2、配置环境变量(以win10为例) 3、adt-bundle升级 4、配置adb、aapt环境变量 四、Pycharm环境准备 1、安装Pycharm环境 1.1、通过pip安装 1.2、在Pycharm中安装 一、appium安装 1、nodejs依赖 nodejs是JavaScript的一个编程框架，appium是通过这个框架搭建起来的。当appium的版本在1.11以下时，需要先安装依赖nodejs。一般1.11版本以上的appium不需要安装nodejs，通常先安装appium，如果安装出错可以再安装nodejs依赖。 Nodejs下载地址： http://nodejs.cn/download/ ，选择对应的安装包。 安装时点击“next”即可，安装完后在CMD中运行“node --version”可显示版本信息，表示安装成功。 2、.net framework Windows用户在安装nodejs依赖时可能会出错

3 月，跳不动了？>>> 在上个数字识别的例子中，我们使用了一个简单的3层神经网络来识别给定图片的中的数字。 这次我们在上次的例子中在提升一下，这次我们选用条件生成对抗模型(Conditional Generative Adversarial Networks)来生成数字图片。 下面就让我们开始吧！ 第一步：import 我们需要的数据库 %matplotlib inline from __future__ import print_function, division import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib.image as mpimg import matplotlib.cm as cm import seaborn as sns sns.set_style('white') from keras.layers import Input, Dense, Reshape, Flatten, Dropout, multiply from keras.layers import BatchNormalization, Activation, Embedding, ZeroPadding2D from keras.layers.advanced

3 月，跳不动了？>>> 1、在centos中新建目录/data/soft，将redis-5.0.4.tar.gz安装包上传到/data/soft目录下 将redis-5.0.4.tar.gz文件解压 tar -zxvf redis-5.0.4.tar.gz 将解压后的文件redis-5.0.4重命名为redis mv redis-5.0.4 redis 安装gcc依赖 yum install gcc 2、进入到/data/soft/redis目录下 # 编译安装 make MALLOC = libc # 安装 cd src && make install 3、进入到/data/soft/redis目录下，创建目录cluster,并且在cluster目录下创建7001、7002、7003、7004、7005、7006这6个目录 4、进入到/data/soft/redis/cluster/7001目录下 将/data/soft/redis/redis.conf文件复制到/data/soft/redis/cluster/7001 # 进入/data/soft/redis/cluster/7001目录下 cd /data/soft/redis/cluster/7001 # copy redis.conf文件 cp /data/soft/redis/redis.conf redis

3 月，跳不动了？>>> AdversarialNetsPapers The classical Papers about adversarial nets The First paper ✅ [Generative Adversarial Nets] [Paper] [Code] (the first paper about it) Unclassified ✅ [Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks] [Paper] [Code] ✅ [Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks] [Paper] [Code] (Gan with convolutional networks) ✅ [Adversarial Autoencoders] [Paper] [Code] ✅ [Generating Images with Perceptual Similarity Metrics based on Deep Networks] [Paper] ✅ [Generating images with recurrent

3 月，跳不动了？>>> 相比C++而言， Python 适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库，以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV检测并绘制轮廓。 提示： 转载请详细注明原作者及出处，谢谢！ 本文介绍在OpenCV-Python中检测并绘制轮廓的方法。 本文不介详细的理论知识，读者可从其他资料中获取相应的背景知识。笔者推荐清华大学出版社的《 图像处理与计算机视觉算法及应用(第2版) 》。 轮廓检测 轮廓检测也是图像处理中经常用到的。OpenCV-Python接口中使用cv2.findContours()函数来查找检测物体的轮廓。 实现 使用方式如下： [python] view plain copy import cv2 img = cv2.imread( 'D:\\test\\contour.jpg' ) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret, binary = cv2.threshold(gray, 127 , 255 ,cv2.THRESH_BINARY) contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) cv2

3 月，跳不动了？>>> 1、mysql官网下载离线安装包mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar 2、将mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar安装包上传到centos服务器/data/soft目录下，并解压 tar -xvf mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar 3、卸载CentOS7系统自带的mariadb rpm -qa | grep mariadb rpm -e --nodeps mariadb-libs-5.5.60-1.el7_5.x86_64 4、安装mysql-community-common-5.7.29-1.el7.x86_64.rpm rpm -ivh mysql-community-common-5.7.29-1.el7.x86_64.rpm 5、安装mysql-community-libs-5.7.29-1.el7.x86_64.rpm rpm -ivh mysql-community-libs-5.7.29-1.el7.x86_64.rpm 6、安装mysql-community-client-5.7.29-1.el7.x86_64.rpm rpm -ivh mysql-community-client-5.7.29-1.el7