strip

文件的高级处理

折月煮酒 提交于 2020-08-05 02:58:31
一、文件的打开模式分类两大类 1、控制文件读写操作的模式 1.1 r:只读(不指定模式下默认的模式):在文件不存在时则报错,文件存在时文件指针跳到文件开头 f=open('m.txt',mode='rt',encoding='utf-8') # res = f.read() print(f.readable())#True print(f.writable())#False f.close() 1.2 w:只写:在文件不存在时则创建空文件,文件存在时则清空,文件指针跳到文件开头 f=open('b.txt',mode='wt',encoding='utf-8') f.write("你好啊哈哈哈\n") f.write("hello1\n") f.write("hello2\n") f.close() 1.3 a:只追加写:在文件不存在时则创建空文件,文件存在时也不会清空,文件指针跳到文件末尾 f=open('c.txt',mode='at',encoding='utf-8') f.write("jason:777\n")#会换行 f.write("jjj:666\n") f.close() 总结:w与a的异同 相同点:在打开了文件不关闭的情况下,连续地写入,新的内容永远跟在老内容之后 不同点:重新打开文件,w会清空老的内容,而a模式会保留老的内容并且指针跳到文件末尾 示范1

阿里面试官必问的12个MySQL数据库基础知识,哪些你还不知道?

拜拜、爱过 提交于 2020-08-05 01:52:26
数据库基础知识 为什么要使用数据库 什么是SQL? 什么是MySQL? 数据库三大范式是什么 mysql有关权限的表都有哪几个 MySQL的binlog有有几种录入格式?分别有什么区别? 数据类型 mysql有哪些数据类型 引擎 MySQL存储引擎MyISAM与InnoDB区别 MyISAM索引与InnoDB索引的区别? InnoDB引擎的4大特性 存储引擎选择 数据库基础知识 为什么要使用数据库 (1)数据保存在内存 优点: 存取速度快 缺点: 数据不能永久保存 (2)数据保存在文件 优点: 数据永久保存 缺点: 1)速度比内存操作慢,频繁的IO操作。 2)查询数据不方便 (3)数据保存在数据库 1)数据永久保存 2)使用SQL语句,查询方便效率高。 3)管理数据方便 什么是SQL? 结构化查询语言(Structured Query Language)简称SQL,是一种数据库查询语言。 作用:用于存取数据、查询、更新和管理关系数据库系统。 什么是MySQL? MySQL是一个关系型数据库管理系统,由瑞典MySQL AB 公司开发,属于 Oracle 旗下产品。MySQL 是最流行的关系型数据库管理系统之一,在 WEB 应用方面,MySQL是最好的 RDBMS (Relational Database Management System,关系数据库管理系统) 应用软件之一

搜狗、字节,iOS面试算法题 (2020)

天涯浪子 提交于 2020-08-04 23:54:09
现在面试iOS中高级开发,算法题已是必然会出现的一个环节了,这里把面试遇到的算法题做一个小汇总,希望对大家有用。大部分公司是需要直接手写算法题的,这块儿的能力不容忽略的。 1:编程实现字符串拷贝,要考虑下内存重叠问题。 (搜狗) 2:对输入的字符串,去除其中的字符‘b’以及连续出现的‘a’和‘c’ (字节) 3:如何求两个 View 的最近公共父类 (字节) 1:编程实现字符串拷贝,要考虑下内存重叠问题。(搜狗) 解决思路 :既然要考虑内存重叠的问题,就是说可能目标地址的起始位置是在源字符串的后半段,或者目标的结束位置在源字符串的前半段。第一种情况,从末尾开始复制可以解决问题,同理:第二种情况,从首位开始复制可以解决问题,代码如下: char *memcpy_qi(char *dst, const char* src, int cl) { assert(dst != NULL && src != NULL); char *ret = dst; if (dst >= src && dst <= src+ cl-1) //内存重叠,从高地址开始复制 { //挪开空间 dst = dst+ cl-1; //将指针挪到结尾 src = src+ cl-1; while (cl—) *dst— = *src—; } else //正常情况,从低地址开始复制 { while (cl—)

Flutter自动注释(尾注释)、 Android Studio自动注释(尾注释)

二次信任 提交于 2020-08-04 19:06:54
一.结果如下图 二. 1.打开Android Studio设置页面或者preferences 2.选择Language&Frameworks 3.选中flutter 4.勾选show closing labels in Dart source code,然后点击ok,就可以美滋滋写Flutter了 三.拓展,如何将flutter背景色修改为黑色 来源: oschina 链接: https://my.oschina.net/songms/blog/4335186

字节Android岗面试:Handler中有Loop死循环,为什么没有阻塞主线程,原理是什么

主宰稳场 提交于 2020-08-04 19:04:27
面试官 : Handler中有Loop死循环,为什么没有阻塞主线程,原理是什么 心理分析 :该问题很难被考到,但是如果一旦问到,100%会回答不上来。开发者很难注意到一个主线程的四循环居然没有阻塞住主线程 求职者: 应该从 主线程的消息循环机制 与Linux的循环异步等待作用讲起。最后将handle引起的内存泄漏,内存泄漏一定是一个加分项 前言 Android的消息机制主要是指Handler的运行机制,对于大家来说Handler已经是轻车熟路了,可是真的掌握了Handler?本文主要通过几个问题围绕着Handler展开深入并拓展的了解。 站在巨人的肩膀上会看的更远。大家有兴趣的也可以到Gityuan的博客上多了解了解,全部都是干货。而且他写的东西比较权威,毕竟也是小米系统工程师的骨干成员。 Questions Looper 死循环为什么不会导致应用卡死,会消耗大量资源吗? 主线程的消息循环机制是什么(死循环如何处理其它事务)? ActivityThread 的动力是什么?(ActivityThread执行Looper的线程是什么) Handler 是如何能够线程切换,发送Message的?(线程间通讯) 子线程有哪些更新UI的方法。 子线程中Toast,showDialog,的方法。(和子线程不能更新UI有关吗) 如何处理Handler 使用不当导致的内存泄露? 回答一:

文本分类实战(一)—— word2vec预训练词向量

非 Y 不嫁゛ 提交于 2020-08-04 17:41:32
1 大纲概述   文本分类这个系列将会有十篇左右,包括基于word2vec预训练的文本分类,与及基于最新的预训练模型(ELMo,BERT等)的文本分类。总共有以下系列:    word2vec预训练词向量    textCNN 模型    charCNN 模型    Bi-LSTM 模型    Bi-LSTM + Attention 模型    RCNN 模型    Adversarial LSTM 模型    Transformer 模型    ELMo 预训练模型    BERT 预训练模型    所有代码均在 textClassifier 仓库中。 2 数据集   数据集为IMDB 电影影评,总共有三个数据文件,在/data/rawData目录下,包括unlabeledTrainData.tsv,labeledTrainData.tsv,testData.tsv。在进行文本分类时需要有标签的数据(labeledTrainData),但是在训练word2vec词向量模型(无监督学习)时可以将无标签的数据一起用上。 3 数据预处理   IMDB 电影影评属于英文文本,本序列主要是文本分类的模型介绍,因此数据预处理比较简单,只去除了各种标点符号,HTML标签,小写化等。代码如下: import pandas as pd from bs4 import BeautifulSoup

Python3入门系列之-----字符串

為{幸葍}努か 提交于 2020-08-04 17:41:13
字符串 字符串是由数字,字母、下划线组成的一串字符 创建字符串,可以使用单引号和双引号: var1 = 'Hello World!' var2 = "Hello World!" 访问字符串中的值 var = “Hello World” print(var[0])#运行结果H 字符串更新 实例: print(var1[0:6]) + “Python” 运行结果 : Hello Python 另一种写法: print(var1[:6])+ “Python” 运行结果 : Hello Python 合并连接字符串 使用+号连接字符 实例: first_name = “lao” last_name = “zhu” print(first_name + last_name) #运行结果为:laozhu 注: +两边类型必须一致 删除空白 实列: ”Python”和”Python ”表面上看两个字符串是一样的,但实际代码中是认为不相同的,因为后面的字串符有空白,那么如何去掉空白? 实例一: language = ”Python ” # 未尾有空白 language.rstrip() # 删除未尾空白 实例二: language = ” Python” # 前面有空白 language.rstrip() # 删除前面空白 实例三: language = ” Python ” # 前后都有空白

用Creator实现一个擀面的效果

妖精的绣舞 提交于 2020-08-04 17:10:25
先上几张效果图 怎么实现的呢? 节点介绍 1是背景图,可以忽略;2 是准备好的面团;3 是擀好的面饼先隐藏;4 是需要绘制的节点;5 是擀面杖。 制作开始 首先在view上挂一个mask,并且设置为模板模式,sprite frame 就设置成那张擀好的面饼。这样的设置可以使Mask按照擀好面饼的形状遮罩内容。 在walpaper-layer 节点上挂在了一个我写好的有关于绘制图形的脚本文件,并设置好相关参数。这个脚本主要做的就是使用Graphics绘制图形。 在graphics节点上挂上Graphics组件提供给我的脚本使用。 使用擀面杖监听触摸事件,通过移动擀面杖并使用擀面杖的坐标(并不是触摸点的坐标)绘制圆形,设置绘制圆形的半径为80或者更大些,以便达到擀面饼的感觉。 怎么判断面饼擀好了呢? 记录面饼九个点的坐标 判断擀面杖的坐标走过的点,走过一个移除一个,都走过之后就可以设置为完成了。 最后隐藏掉绘制的图案,面团,显示出来之前设置好的面饼,这个效果就算制作完成了。 长按下方二维码,关注《微笑游戏》公众号,获取更多精彩内容。 欢迎扫码关注公众号《微笑游戏》,浏览更多内容。 来源: oschina 链接: https://my.oschina.net/u/4064781/blog/4326712

Java 源码分析-Condition

亡梦爱人 提交于 2020-08-04 17:00:57
前面对Java中的锁进行了简单的分析,锁的使用和原理整体来说还是比较简单。今天我们来分析一下Condition这个类,这个类通常来说是跟Lock搭配使用的。比如说,如果一个线程获得了Lock的同步状态(即锁),但是由于达不到运行的条件,可能不能成功运行完毕,此时一种方式就是将它自己阻塞,等到条件满足再来重新运行。   本文的参考资料来源:   1.方腾飞、魏鹏、程晓明的《Java 并发编程的艺术》   2.Cay S.Horstmann的《Java 核心技术卷 I》 1.Condition的简单实用   我们还是先来说说我们的synchronized关键字吧,我们知道每个对象都有一组自己的监视器方法,从Object类继承过来的,主要包括wait方法和notify方法,这些方法与synchronized关键字配合使用的。在Condition接口上面,也提供了类似Object的监视器方法,与Lock配合使用。   我们来看看下面的例子: public class ConditionUseCase { private Lock lock = new ReentrantLock ( ) ; private Condition condition = lock . newCondition ( ) ; public void conditionWait ( ) { lock . lock (

Gradient Centralization: 简单的梯度中心化,一行代码加速训练并提升泛化能力 | ECCV 2020 Oral

断了今生、忘了曾经 提交于 2020-08-04 12:00:58
> 梯度中心化GC对权值梯度进行零均值化,能够使得网络的训练更加稳定,并且能提高网络的泛化能力,算法思路简单,论文的理论分析十分充分,能够很好地解释GC的作用原理   来源:晓飞的算法工程笔记 公众号 论文: Gradient Centralization: A New Optimization Technique for Deep Neural Networks 论文地址: https://arxiv.org/abs/2004.01461 论文代码: https://github.com/Yonghongwei/Gradient-Centralization Introduction   优化器(Optimizer)对于深度神经网络在大型数据集上的训练是十分重要的,如SGD和SGDM,优化器的目标有两个:加速训练过程和提高模型的泛化能力。目前,很多工作研究如何提高如SGD等优化器的性能,如克服训练中的梯度消失和梯度爆炸问题,有效的trick有权值初始化、激活函数、梯度裁剪以及自适应学习率等。而一些工作则从统计的角度对权值和特征值进行标准化来让训练更稳定,比如特征图标准化方法BN以及权值标准化方法WN。。   与在权值和特征值进行标准化方法不同,论文提出作用于权值梯度的高性能网络优化算法梯度中心化(GC, gradient centralization),能够加速网络训练