Markdown

vue 生命周期 详解 详解Vue Lifecycle 先来看看vue官网对vue生命周期的介绍 Vue实例有一个完整的生命周期，也就是从开始创建、初始化数据、编译模板、挂载Dom、渲染→更新→渲染、销毁等一系列过程，我们称这是Vue的生命周期。通俗说就是Vue实例从创建到销毁的过程，就是生命周期。 每一个组件或者实例都会经历一个完整的生命周期，总共分为三个阶段：初始化、运行中、销毁。 实例、组件通过new Vue() 创建出来之后会初始化事件和生命周期，然后就会执行beforeCreate钩子函数，这个时候，数据还没有挂载呢，只是一个空壳，无法访问到数据和真实的dom，一般不做操作 挂载数据，绑定事件等等，然后执行created函数，这个时候已经可以使用到数据，也可以更改数据,在这里更改数据不会触发updated函数，在这里可以在渲染前倒数第二次更改数据的机会，不会触发其他的钩子函数，一般可以在这里做初始数据的获取 接下来开始找实例或者组件对应的模板，编译模板为虚拟dom放入到render函数中准备渲染，然后执行beforeMount钩子函数，在这个函数中虚拟dom已经创建完成，马上就要渲染,在这里也可以更改数据，不会触发updated，在这里可以在渲染前最后一次更改数据的机会，不会触发其他的钩子函数，一般可以在这里做初始数据的获取 接下来开始render，渲染出真实dom

前言： 前端面试中，JS是一大热点，下面就跟着小编来看一下一道由浅入深的面试题吧。 正文： 请说出下面代码的执行结果： for (var i = 0; i < 5; i++) { setTimeout(function() { console.log(i); }, 1000); } ---------------------揭晓答案了---------------------   因为JS是单线程的语言，所以遇到异步函数的时候，setTimeout会被放到等待队列中，当主线程上的函数执行结束之后，再去执行等待队列中的函数，如下图所示：   当主线程执行完毕，此时变量i已经变成5，所以上述代码的结果是输出5个5。       问题来了：如果我想输出01234，应该如何实现呢？    方式一：let for (let i = 0; i < 5; i++) { setTimeout(function() { console.log(i); }, 1000); }   这里就要说一下let和var的区别了，let有块级作用域，就是一个{}的作用域，而var就没有块级作用域，只有函数作用域和全局作用域，所以使用var声明的话会打印出5个5，用let声明的话会打印出01234。       方式二：函数自执行，闭包 for (var i = 0; i < 5; i++) { (function

深度学习中，经常出现摆数的要求； 经常会对数据的不同格式出现疑惑，这里记录下来； 说到的NHWC或者 NCHW其中每个代表的含义如下： N代表数量， C代表channel，H代表高度，W代表宽度。 1、NCHW其实代表的是[W H C N]， 第一个元素是000，第二个元素是沿着w方向的，即001，这样下去002 003，再接着呢就是沿着H方向，即004 005 006 007…这样到019后，沿C方向，轮到了020，之后021 022 …一直到319，然后再沿N方向。 2、NHWC代表的是[C W H N]， 第一个元素是000，第二个沿C方向，即020，040, 060…一直到300，之后沿W方向，001 021 041 061…301…到了303后，沿H方向，即004 024 …304.。最后到了319，变成N方向，320,340… 当在不同的硬件加速的情况下，选用的类型不同，在intel GPU加速的情况下，因为GPU对于图像的处理比较多，希望在访问 同一个channel的像素是连续的 ，一般存储选用 NCHW ， 这样在做CNN的时候，在访问内存的时候就是连续的了 ，比较方便； 所以在深度学习的时候，推理的前处理，一般都是将RGB或BGR图像进行转变为NCHW的格式；通常我们用opencv读取图像是NHWC的格式，需要进行通道分离，因为网路是一个通道一个通道的对图像做卷积

代码如下： sttr = "456\r789" print(sttr) log： 只能打印出 789 ，前面的 456 并没有显示 主要原因是： \r 代表回车，也就是打印头归位，回到某一行的开头。 也就是将这一行前面的覆盖了。 “\n” “\r\n” 表示换行 点赞 收藏 分享 文章举报 放大的EZ 发布了367 篇原创文章 · 获赞 127 · 访问量 49万+ 他的留言板 关注 来源： oschina 链接： https://my.oschina.net/u/4326852/blog/3226516

类似效果： import time def get_time_stamp(): ct = time.time() local_time = time.localtime(ct) data_head = time.strftime("%Y-%m-%d %H:%M:%S", local_time) data_secs = (ct - int(ct)) * 1000 time_stamp = "%s.%03d" % (data_head, data_secs) print(time_stamp) if __name__ == '__main__': get_time_stamp() 点赞 收藏 分享 文章举报 放大的EZ 发布了367 篇原创文章 · 获赞 127 · 访问量 49万+ 他的留言板 关注 来源： oschina 链接： https://my.oschina.net/u/4346209/blog/3226517

原文地址： 使用Pandas库分析股票 Introduction 用 Pandas 等三方库，根据 Financial technology 相关程序，进行股票分析， Requirement This assignment builds on Lectures 7 to 9 and on Tutorials 6 and 7. You might want to consider using some of the Python code discussed in those lectures and tutorials to answer some of the questions below. Important: It is important that you do not change the type (markdwon vs. code) of any cell, nor copy/paste/duplicate any cell! If the cell type is markdown, you are supposed to write text, not code, and vice versa. Provide your answer to each question in the allocated cell. Do not create

如果只是想检测网络是否连接，则直接使用 isNetworkConnected() 如果想检测网络连通性（是否能访问网络），则 isNetworkConnected() 与 isNetworkOnline() 结合使用。 private boolean isNetworkConnected() { ConnectivityManager connMgr = (ConnectivityManager) getSystemService(Context.CONNECTIVITY_SERVICE); NetworkInfo networkInfo = connMgr.getActiveNetworkInfo(); return (networkInfo != null && networkInfo.isConnected()); } public boolean isNetworkOnline() { Runtime runtime = Runtime.getRuntime(); try { Process ipProcess = runtime.exec("ping -c 3 www.baidu.com"); int exitValue = ipProcess.waitFor(); Log.i("Avalible", "Process:"+exitValue); return

贝叶斯推断之最大后验概率(MAP) 本文详细记录贝叶斯后验概率分布的数学原理，基于贝叶斯后验概率实现一个二分类问题，谈谈我对贝叶斯推断的理解。 1. 二分类问题 给定N个样本的数据集，用 \(X\) 来表示，每个样本 \(x_n\) 有两个属性，最终属于某个分类 \(t\) $t=\left\{0,1\right\}$ $\mathbf{x_n}=\begin{pmatrix}x_{n1} \\ x_{n2} \\ \end{pmatrix}$， 假设模型参数$w=\begin{pmatrix} w_1 \\ w_2\end{pmatrix}$ $\mathbf{X}=\begin{bmatrix} x_1^T \\ x_2^T \\. \\. \\ x_n^T\end{bmatrix}$ 将样本集用用图画出来如下： 根据贝叶斯公式有： \[p(w|t,X)=\frac {p(t|X,w)p(w)} {p(t|X)} \] (公式1) \(p(w | t,X)\) 告诉我们：在已知训练样本集 \(X\) 以及这些样本的某个分类 \(t\) (这是一个监督学习，因为我们已经有了样本集 \(X\) 、以及样本集中每个样本所属的分类 \(t\) )，需要求解模型参数 \(w\) 。因此， \(w\) 是未知的，是需要根据样本通过贝叶斯概率公式来进行求解的。求得了 \(p(w|t,X)\)

691. 贴纸拼词 我们给出了 N 种不同类型的贴纸。每个贴纸上都有一个小写的英文单词。 你希望从自己的贴纸集合中裁剪单个字母并重新排列它们，从而拼写出给定的目标字符串 target。 如果你愿意的话，你可以不止一次地使用每一张贴纸，而且每一张贴纸的数量都是无限的。 拼出目标 target 所需的最小贴纸数量是多少？如果任务不可能，则返回 -1。 示例 1： 输入： [“with”, “example”, “science”], “thehat” 输出： 3 解释： 我们可以使用 2 个 “with” 贴纸，和 1 个 “example” 贴纸。 把贴纸上的字母剪下来并重新排列后，就可以形成目标 “thehat“ 了。 此外，这是形成目标字符串所需的最小贴纸数量。 示例 2： 输入： [“notice”, “possible”], “basicbasic” 输出： -1 解释： 我们不能通过剪切给定贴纸的字母来形成目标“basicbasic”。 提示： stickers 长度范围是 [1, 50]。 stickers 由小写英文单词组成（不带撇号）。 target 的长度在 [1, 15] 范围内，由小写字母组成。 在所有的测试案例中，所有的单词都是从 1000 个最常见的美国英语单词中随机选取的，目标是两个随机单词的串联。 时间限制可能比平时更具挑战性。预计 50