test | 易学教程

YAML格式

阅读更多关于 YAML格式

转载：https://www.cnblogs.com/wxmdevelop/p/7341292.html YAML 的意思其实是："Yet Another Markup Language"（仍是一种置标语言）的缩写。功能 YAML的语法和其他高阶语言类似，并且可以简单表达清单、散列表，标量等资料形态、。它使用空白符号缩排和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种设定档、倾印除错内容、文件大纲（例如：许多电子邮件标题格式和YAML非常接近）。尽管它比较适合用来表达阶层式（hierarchical model）的数据结构，不过也有精致的语法可以表示关联性（relational model）的资料。由于YAML使用空白字符和分行来分隔资料，使的他特别适合用 grep、Python、Perl、Ruby 操作。其让人最容易上手的特色是巧妙避开各种封闭符号，如：引号、各种括号等，这些符号在嵌套结构中会变得复杂而难以辨认。格式多行缩进数据结构可以用类似大纲的缩排方式呈现，结构通过缩进来表示，连续的项目通过减号“-” 来表示，map 结构里面的 key/value 对用冒号“:”来分隔。样例如下： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 house: family: name: Doe parents: - John -

Git管理文件的原理分析以及Git的树对象

阅读更多关于 Git管理文件的原理分析以及Git的树对象

我们知道Git与SVN有着很多区别。Git相比SVN更加高效，其中主要的原因就是它把文件内容按元数据形式存储，可以理解为存到了一种类似 K/V型的数据库里。那么我们来分析下，它到底是如何存储文件以及如何管理提交与回滚的。 1.基础环境准备在当前目录初始化一个用于测试的Git仓库 git_test_01 $ git init git_test_01 ; cd git_test_01 ; 创建一个文件并写入内容 $ echo 'first line' > test-file-01.txt ; 添加到暂存区并且提交该文件 $ git add -A ; git commit -am "first commit" ; 使用 git log --pretty=oneline 查看提交如此，我们便成功的提交了一个文件。那么让我们进入**.git目录下的objects**文件夹看看发生了什么。我们发现这里有个 d8 开头的目录，与我们上次提交后产生的hash码的开头前两位是一样的。我们使用命令 ls -l d8 看看它究竟有什么这里是一个名称为 85f1211e0cd1930bfdeecda5ac85998639f7d5 的文件，我们发现将 d8 和这个文件名组合一下居然和上面的提交id是一样的。这两者有什么关联呢？ 2.使用Git命令查看提交内容 2.1 内容写入及读取

SpringMVC request 得到文件路径

阅读更多关于 SpringMVC request 得到文件路径

1.java中的路径 File directory = new File("abc"); // 对于getCanonicalPath()函数,“."就表示当前的文件夹，而”..“则表示当前文件夹的上一级文件夹 directory.getCanonicalPath(); //得到的是C:/test/abc // 对于getAbsolutePath()函数，则不管”.”,“..”,返回当前的路径加上你在new File()时设定的路径 directory.getAbsolutePath(); //得到的是C:/test/abc // 至于getPath()函数，得到的只是你在new File()时设定的路径 direcotry.getPath(); //得到的是abc System.out.println(System.getProperty("user.dir"));//r指定了当前的路径 2.jsp中取得路径：以工程名为 TEST 为例： //(1)得到包含工程名的当前页面全路径： request.getRequestURI() //结果：/TEST/test.jsp //(2)得到工程名： request.getContextPath() //结果：/TEST //(3)得到当前页面所在目录下全名称： request.getServletPath() //结果

在web应用中获取相对路径和绝对路径

阅读更多关于在web应用中获取相对路径和绝对路径

1.概念： 1.1绝对路径——在硬盘上存在的真正路径。 1.2相对路径——相对于自己的目标文件位置。 1.3相对虚拟目录如图——“/”代表虚拟目录的根目录。举例如图： 1.jsp中取得路径：以工程名为TEST为例： (1)得到包含工程名的当前页面全路径：request.getRequestURI() 结果：/TEST/test.jsp (2)得到工程名：request.getContextPath() 结果：/TEST (3)得到当前页面所在目录下全名称：request.getServletPath() 结果：如果页面在jsp目录下 /TEST/jsp/test.jsp (4)得到页面所在服务器的全路径：application.getRealPath("页面.jsp") 结果：D:\resin\webapps\TEST\test.jsp (5)得到页面所在服务器的绝对路径：absPath=new java.io.File(application.getRealPath(request.getRequestURI())).getParent(); 结果：D:\resin\webapps\TEST 2.在类中取得路径： (1)类的绝对路径：Class.class.getClass().getResource("/").getPath() 结果：/D:/TEST/WebRoot/WEB

PHP笔记01

阅读更多关于 PHP笔记01

php 环境 xamp wamp phpstudy等集成软件网上很多 PHP基础语法 PHP语法是以<?php开始 ?>结束的//php 文件的默认扩展名是.php 例如（用PHP输出helloworld）： <!DOCTYPE html> <html> <body> <?php echo "hello world"; //PHP中的注释可以是 // /* 也可以是(这个是多行注释）*/ /**/ ?> </body> </html> PHP变量 [x] 变量必须以$字符开始后面跟变量名称 [x] 变量名只能是大小写字母下划线和数字 [x] 数字不能作为变量的开始 [x] 变量名区分大小写且不能有空格 <?php $test="变量第一次赋值的时候被创建"; $x=1; $y=23.4; ?> PHP变量不必声明数据类型（弱类型语言） PHP会根据变量内容的值自动转换数据类型 PHP变量作用域 $ php 有四种不同的变量作用域 local global static parameter <?php $x=3; function test(){ $y=2; echo "x:",$x,"<br>y:",$y; //此时x没有值需要使用关键字声明 } test(); echo "x:",$x,"<br>y:",$y; // y属于局部变量所以y此时没有值 ?> [x]

Laravel v5.8 反序列化rce (CVE-2019-9081) 复现

阅读更多关于 Laravel v5.8 反序列化rce (CVE-2019-9081) 复现

序 Laravel是一款比较流行的优秀php开发框架，本身也比较重，通过这个框架来接触大型框架的代码审计、包括锻炼反序列化漏洞的挖掘利用是比较合适的。在学习了几天Laravel开发以后，我尝试复现了一下CVE-2019-9081，整体过程和原作者还是有些区别的，原作者思维比较跳跃的地方，我按自己的思维尝试摸索，有错误之处欢迎斧正。环境搭建使用composer+PhpStorm+xampp的方式配置laravel 首先下载composer，安装完成之后配置国内镜像源 composer config -g repo.packagist composer https://mirrors.aliyun.com/composer/ 使用PhpStorm直接在 xampp/htdocs 下创建composer项目访问 public 目录出现如下界面表示Laravel配置成功接下来创建控制器 php artisan make:controller DemoController 配置路由 Route::get('/demo', '\App\Http\Controllers\DemoController@demo'); 控制器 class DemoController extends Controller { public function demo() { if (isset($_GET[

xgboost实战练习

阅读更多关于 xgboost实战练习

1.安装xgboost后导入 import xgboost 2. 训练并使用模型进行预测 # First XGBoost model for Pima Indians dataset from numpy import loadtxt from xgboost import XGBClassifier from sklearn . model_selection import train_test_split from sklearn . metrics import accuracy_score # load data dataset = loadtxt ( 'pima-indians-diabetes.csv' , delimiter = "," ) # split data into X and y X = dataset [ : , 0 : 8 ] Y = dataset [ : , 8 ] # split data into train and test sets seed = 7 test_size = 0.33 X_train , X_test , y_train , y_test = train_test_split ( X , Y , test_size = test_size , random_state = seed ) # fit model no

《自拍教程13》Windows的常用命令

阅读更多关于《自拍教程13》Windows的常用命令

这些是Windows系统自带的常用DOS命令集合，先大概了解下，当然如果能熟练掌握那最好了。后续思维篇，思维篇还会结合不通的测试场景，届时将列出这些命令更详细的使用描述。 */ /*--> */ 序号 Windows命令释义常见用法英文全称 1 cd 切换路径 cd C:\test 进入C盘下的test文件内 cd .. 返回上一层路径 cd . 无效果，因为是切换到当前路径 cd \ 当前在C:\Windows 会返回至C:\ cd /? 可查看cd用法帮助 change directory 2 dir 列出指定路径文件夹及文件夹 dir 列出当前路径下的文件及文件夹 dir C:\ 显示C盘下的文件及文件夹 dir /? 可查看dir用法帮助 directory 3 path 为可执行文件显示或设置一个搜索路径 path 列出当前的可执行文件的默认搜索路径 path /? 可查看path用法帮助 path 4 copy 文件复制命令 copy C:\Mypath\a.txt C:\test 复制文件 copy /? 可查看copy用法帮助 copy 5 type 显示文件内容命令 type C:\test\a.txt 显示C盘目录test下的a.txt内容 type C:\test\a.txt | more 只显示一页的内容，按下任意键可以查看更多内容 type C

分布式存储ceph——（1）部署ceph

阅读更多关于分布式存储ceph——（1）部署ceph

前言：很多朋友想学ceph，但是开始ceph部署就让初学者举步为艰，ceph部署时由于国外源的问题（具体大家应该懂得），下载和安装软件便会卡住，停止不前。即使配置搭建了国内源后，执行ceph-deploy install 时又跑去了国外的源下载，很是无语呀！！！这样导致我们停下了学习ceph的脚步，所以笔者就在这里编写了这篇文章，只要掌握了通过国内源找到并下载对应正确的ceph版本rpm包到本地，部署ceph简直小意思！一、部署准备：准备5台机器（linux系统为centos7.6版本），当然也可以至少3台机器并充当部署节点和客户端，可以与ceph节点共用： 1台部署节点（配一块硬盘，运行ceph-depoly） 3台ceph节点（配两块硬盘，第一块为系统盘并运行mon，第二块作为osd数据盘） 1台客户端（可以使用ceph提供的文件系统，块存储，对象存储）（1）所有ceph集群节点（包括客户端）设置静态域名解析； 1 2 3 4 5 6 7 127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4 ::1 localhost localhost.localdomain localhost6 localhost6.localdomain6 172.16.254.163 dlp

Pytorch：实现CNN手写数字识别

阅读更多关于 Pytorch：实现CNN手写数字识别

原文地址分类目录——Pytorch 直接上程序，通过注释说明 import torch import torch . nn as nn import torch . utils . data as Data import torchvision # 数据库模块 import os import time torch . manual_seed ( 1 ) # 为pytorch中的随机操作设置一个随机种子，使得每次随机的结果都一样 # 一些超参数（全局参数） EPOCH = 2 # 训练整批数据多少次, 为了节约时间, 我们只训练一次 BATCH_SIZE = 50 # 小批量梯度下降的梯度规格，每次拿一个batch的数据来训练，来优化一波参数 LR = 0.001 # 学习率 if os . path . exists ( './mnist/' ) : # 如果已经存在（下载）了就不用下载了 DOWNLOAD_MNIST = False else : DOWNLOAD_MNIST = True # Mnist 手写数字 train_data = torchvision . datasets . MNIST ( root = './mnist/' , # 保存或者提取位置 train = True , # this is training data transform =

订阅 test