strip

模型层(单表练习) 图书管理系统： 实现功能：book单表的增删改查 查询操作练习： 1 查询人民出版社出版过的价格大于 200 的书籍 2 查询 2017 年 8 月出版的所有以py开头的书籍名称 3 查询价格为 50 , 100 或者 150 的所有书籍名称及其出版社名 4 查询价格在 100 到 200 之间的所有书籍名称及其价格 5 查询所有人民出版社出版的书籍的价格（从高到低排序，去重） 效果： 目录结构： 06 django模型层\book\book\settings.py 1 """ 2 Django settings for book project. 3 4 Generated by 'django-admin startproject' using Django 2.2.3. 5 6 For more information on this file, see 7 https://docs.djangoproject.com/en/2.2/topics/settings/ 8 9 For the full list of settings and their values, see 10 https://docs.djangoproject.com/en/2.2/ref/settings/ 11 """ 12 13 import os 14 15 # Build

Java 8 Java 8 (又称为 jdk 1.8) 是 Java 语言开发的一个主要版本。 Oracle 公司于 2014 年 3 月 18 日发布 Java 8 ，它支持函数式编程，新的 JavaScript 引擎，新的日期 API，新的Stream API 等。 新特性 Java8 新增了非常多的特性，我们主要讨论以下几个： Lambda 表达式 − Lambda允许把函数作为一个方法的参数（函数作为参数传递进方法中。 方法引用 − 方法引用提供了非常有用的语法，可以直接引用已有Java类或对象（实例）的方法或构造器。与lambda联合使用，方法引用可以使语言的构造更紧凑简洁，减少冗余代码。 默认方法 − 默认方法就是一个在接口里面有了一个实现的方法。 新工具 − 新的编译工具，如：Nashorn引擎 jjs、 类依赖分析器jdeps。 Stream API −新添加的Stream API（java.util.stream） 把真正的函数式编程风格引入到Java中。 Date Time API − 加强对日期与时间的处理。 Optional 类 − Optional 类已经成为 Java 8 类库的一部分，用来解决空指针异常。 Nashorn, JavaScript 引擎 − Java 8提供了一个新的Nashorn javascript引擎

目录 本实验代码已经传到gitee上，请点击查收！ 一、实验目的 二、实验内容与设计思想 实验内容 设计思想 三、实验使用环境 四、实验步骤和调试过程 4.1 基于Logistic回归和Sigmoid函数分类 4.2 基于最优化方法的最佳回归系数确定 4.2.1 梯度上升算法： 4.2.2 测试算法：使用梯度上升算法找到最佳参数 4.2.3 分析数据：画出决策边界 4.2.4 训练算法：随机梯度上升 4.3 示例1：从疝气病症预测病马的死亡率 4.4 示例2：从打斗数和接吻数预测电影类型（数据自制） 4.5 示例3：从心脏检查样本帮助诊断心脏病（数据来源于网络） 4.6 改进函数封装使不同的样本数据可以使用相同的函数封装 五、实验总结 六、参考资料 本实验代码已经传到gitee上，请点击查收！ Logistic_Examples 一、实验目的 学习Logistic回归的基本思想。 Sigmoid函数和Logistic回归分类器。 学习最优化算法--梯度上升算法、随机梯度上升算法等。 运用Logistic回归预测各种实例。 二、实验内容与设计思想 实验内容 基于Logistic回归和Sigmoid函数分类 基于最优化方法的最佳回归系数确定 示例1：从疝气病症预测病马的死亡率 示例2：从打斗数和接吻数预测电影类型（数据自制） 示例3：从心脏检查样本帮助诊断心脏病（数据来源于网络）

一. 什么是Jenkins Jenkins是当前非常流行的一款持续集成工具，可以帮助大家把更新后的代码自动部署到服务器上运行。 二. 为什么用docker版的Jenkins Jenkins主要有三种安装方式 下载官方war包，放到tomcat中直接运行。 yum安装，感兴趣的朋友可以参考之前我写的一篇文章 在linux服务器上安装Jenkins 。 使用官方docker镜像。 本人之前也是使用yum安装的方式安装 Jenkins的 ，不过自动用上 docker 后，就再也没那样安装过。不得不说直接使用 docker 镜像真是简单除暴无脑 三. 准备工作 要使用docker镜像，首先你得先安装docker。对docker不熟悉的朋友自行百度 四. 寻找官方镜像 我们可以到 Jenkins官网 上寻找docker镜像地址。 点击docker按钮，自动跳转到dockerhub，在这里可以找到下载命令 五. 启动Jenkins 找到了官方镜像后，我们就可以开始安装了。进入安装好了docker的linux服务器，这里我们以 之前教程 介绍的阿里云centos7.3环境为例。 输入命令，下载 Jenkins 官方镜像到服务器上。 docker pull jenkins/jenkins:lts 耐心等待下载完成，输入命令查看下载完成的镜像 docker images 镜像下载完成

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ Realm的崩溃，猝不及防，不仅仅是Realm，任何数据库导致的奔溃总是个难题，总有那么零星几个让人没有头绪的bug。 本文提供了一个思路来解决Realm数据库崩溃问题 代码部分见重点内容，Java等其他平台也可参考。 谨记以下几点： Realm的数据写入是同步阻塞的，但是读取不会阻塞 Realm托管的对象是不可以跨线程的，即不同线程是不可以修改彼此的对象的 Realm托管的对象的任何修改必须是在realm.write{} 中完成的 Realm 采用了 零拷贝 架构。 尽量少使用写入事件少量事件，可以尝试批量写入更多数据 将写入操作载入到专门的线程中执行。 推迟初始化任何用到 Realm API 属性的类型，直到应用完成 Realm 配置。否则会崩溃。 官方明确的限制： 类名称的长度最大只能存储 57 个 UTF8 字符。 属性名称的长度最大只能支持 63 个 UTF8 字符。 Data 和 String 属性不能保存超过 16 MB 大小的数据 每个单独的 Realm 文件大小无法超过应用在 iOS 系统中所被允许使用的内存量——这个量对于每个设备而言都是不同的，并且还取决于当时内存空间的碎片化情况(关于此问题有一个相关的 Radar：rdar://17119975)

> 论文指出one-stage anchor-based和center-based anchor-free检测算法间的差异主要来自于正负样本的选择，基于此提出ATSS(Adaptive Training Sample Selection)方法，该方法能够自动根据GT的相关统计特征选择合适的anchor box作为正样本，在不带来额外计算量和参数的情况下，能够大幅提升模型的性能，十分有用   来源：晓飞的算法工程笔记 公众号 论文: Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 论文地址： https://arxiv.org/abs/1912.02424 代码地址： https://github.com/sfzhang15/ATSS Introduction   在仔细比对了anchor-based和anchor-free目标检测方法后，结合实验结果，论文认为两者的性能差异主要来源于正负样本的定义，假如训练过程中使用相同的正负样本，两者的最终性能将会相差无几。为此，论文提出ATSS( Adaptive Training Sample Selection)方法，基于GT的相关统计特征自动选择正负样本，能够消除anchor

react-native-fast-app 是一款为React Native App快速开发提供基础服务的纯JS库( 支持 IOS & Android )，特别是在从0到1的项目搭建初期，至少可以为开发者减少30%的工作量。 react-native-fast-app 主要做了这些工作： 1. 对AsyncStorage进行封装，开发者只需几行代码即可实现一个持久化数据管理器。 2. 对fetch进行封装，使得开发者只需关注当前App的前后台交互逻辑和协议，定义好参数设置及解析逻辑即可。 3. 重新封装了RN的View、Text、Image、FlatList 使用得这些控件在适当的时候支持事件或支持icon与文本，能有效减少布局中的嵌套逻辑。 4. 通过设置一个屏幕参考尺寸，重置RFView、RFText、RFImage的尺寸，实现自动多屏适配 可能有人觉得，RN的适配一般不都是根据目标屏幕的尺寸对当前UI尺寸进行一定比例的缩放么，直接定义一个获取缩放比例的方法不就可以了么？ 一千个人心中，有一千个哈姆雷特，也许我的封装思路能给你带来不一样的启发也未可知呢？ UI多屏幕适配 RN平台默认的尺寸就是不带单位的，使用的是设备独立像素，但由于手机的尺寸也越来越多，比如说相同尺寸，像素密不同结果导致UI的物理尺寸也不同，所以通常来说，我们们需要根据屏幕的尺寸对UI的尺寸进行一定比例的缩放。

python 内置函数 描述 eval() 函数用来执行一个字符串表达式，并返回表达式的值。 语法 以下是 eval() 方法的语法: eval(expression[, globals[, locals]]) 参数 expression -- 表达式。 globals -- 变量作用域，全局命名空间，如果被提供，则必须是一个字典对象。 locals -- 变量作用域，局部命名空间，如果被提供，可以是任何映射对象。 返回值 返回表达式计算结果。 实例 以下展示了使用 eval() 方法的实例： >>>x = 7 >>> eval( ' 3 * x ' ) 21 >>> eval( ' pow(2,2) ' ) 4 >>> eval( ' 2 + 2 ' ) 4 >>> n=81 >>> eval( " n + 4 " ) 85 向文件写入数据： 1 dic=str({ ' 1 ' : ' 111 ' }) 2 f=open( ' test ' , ' w ' ) # TypeError: write() argument must be str, not set 3 f.write(dic) 4 5 f.close() 从文件中取出数据： 1 f=open( ' test ' , ' r ' ) 2 data= f.read() 3 print (eval(data)[ ' 1 '

项目背景 　　近期，总经办邮件反馈考勤数据频繁丢失，请IT排查其根本原因，并提供整改措施。 　　措不及防，这个项目当初并不是IT主导的，是设备部采购，然后协同软件供应商直接安装、部署和调试的，IT只是提供几个数据库表接口给供应商。然后我们就开始在设备、总经办、供应商之间相互扯皮，之所以扯皮的原因是，经过供应商排查并没有发现任何问题（具体情况不得而知），也就是说他们也不知道造成数据丢失的具体原因。 　　求人不如求己，后来我们这边排查数据库日志，发现在数据丢失的时间段内，数据库和上位机之间很少或者说基本没有数据交互。继续排查设备上位机日志，发现其网络端口会有间歇性响应异常等问题，重启端口后一切正常。 　　知道这些以后，那接下来问题就简单了。 解决方案 项目总目标 　　 　　客制化一个系统/脚本，实现定时检测某个网络端口相关功能是否正常，通过其DLL接口实现端口刷新或重启，并将日志通过邮件方式发送给指定人员。 节点目标一 ：网络端口通断检测模块； 节点目标二： DLL接口重写，实现端口刷新或重启模块； 节点目标三 ：日志检测和邮件发送模块； 节点目标四 ：定时模块。 关键模块Demo 下面给出几个关键模块Demo 网络端口检测模块(需要引用IdIcmpClient单元) 1 var 2 icmp: TIdIcmpClient; 3 rpss: TReplyStatus; 4 begin

本篇文章为系列文章，未读前几集的同学请猛戳这里： Spring Cloud 系列之 Sleuth 链路追踪（一） Spring Cloud 系列之 Sleuth 链路追踪（二） 本篇文章讲解 Sleuth 如何使用 Elasticsearch、Logstash、Kibana 分析追踪数据。 　　 使用 ELK 分析追踪数据 　　 　　点击链接观看： ELK 环境准备视频 （获取更多请关注公众号「哈喽沃德先生」） 　　 　　 ELK 是 elastic 公司提供的 一套完整的日志收集以及展示的解决方案 ，是三个产品的首字母缩写，分别是 Elasticsearch、Logstash 和 Kibana。 Elasticsearch 简称 ES ：实时的分布式搜索和分析引擎，它可以用于全文搜索，结构化搜索以及分析。建立在全文搜索引擎 Apache Lucene 基础上的搜索引擎，使用 Java 语言编写。 Logstash ：具有实时传输能力的数据收集引擎，将各种各样的数据进行收集、解析，并发送给 ES。使用 Ruby 语言编写。 Kibana ：为 Elasticsearch 提供了分析和可视化的 Web 平台。它可以在 Elasticsearch 的索引中查找，交互数据，并生成各种维度表格、图形。 Beats ：一组轻量级采集程序的统称，使用 Go 语言编写。以下是 elastic