utm

　　2020 年，新冠疫情袭击全世界，截止北京时间 6 月 23 日，全球新冠肺炎累计确诊超 908 万，累计死亡人数 47 万多人，在与病毒对抗中，口罩成为必不可少的防护工具。 　　据世卫组织最新的判断，疫情至少还会持续很长一段时间，因此世界范围内口罩的需求持续增长，是大概率事件。 　　这种情况也使口罩垃圾成了环境保护方面的一个重大隐患，因为我们现有的规范体系如我国的 GB 19083—2010《医用防护口罩技术要求》、YY 0469—2011《医用外科口罩》、YY/T 0969—2013《一次性使用医用口罩》、甚至包括美国 FDA 和欧盟 CE 的口罩标准，全部只将标准的约束范围聚集于口罩的防护性能，而对于口罩使用的材质并没有特殊要求。 　　但是，现有口罩材料基本都是难以降解的聚丙烯，如果不能加以反复利用，肯定会对于环境产生巨大压力。 　　可以想象，如果还是以目前每天换一个到两个口罩的速度来计算，不久全世界可能都将陷入另一个 “白色帝国” 的环境污染危机当中。 　　为了多次利用口罩，很多 “机智” 的网友想了很多方案，如清洗、酒精消毒、微波炉消毒、紫外灯照射，蒸锅蒸等等。 　　但对于新冠病毒，我们最需要关心的是口罩本身对于飞沫和病毒的过滤效率。清洗和消毒过程对材质的损害是不可预知的，比如口罩变形、头戴部件老化、变松之后，会引起过滤效率下降和过滤层受损

摘要： 本文主要为大家展示如何基于ModelArts与Atlas 200 DK 端云协同开发的行人检测Demo实现过程。 基于开源数据集，使用ModelArts训练行人检测模型，在本地MindStudio完成模型转换，最终部署到Atlas 200 DK，从数据集到最终部署的端到端开发实践技能。开发技能的流程如图所示： 图片来自博客五讲四美好少年 环境准备： 基于Linux Ubuntu 16.04.3 LTS的虚拟机 Atlas 200 DK 前情提要： 行人检测使用ModelArts的yolo3_resnet18算法，此算法有预置算法和AI市场的版本，共三种，应该都可以用，这里使用的是预置算法版本。 模型训练（可选）： 数据集使用的是VOC2007中的Person类别，使用ModelArts创建数据集，并筛选出Person部分，因在OBS中，不太方便下载下来（根据下载文件个数要付费，省点钱吧），可根据自己的数据集训练，注意数据集格式要为VOC2007的格式，即图片 + .xml标注，详情可参见ModelArts关于数据集部分文档。从数据及创建到整体训练最终得到.pb模型， 请参见博客相关指导 。 部署： 完整的Demo放在了百度网盘中，下载链接如下，下载完成后，上传到Atlas 200 DK 上执行运行main.py即可。 链接： https:// pan.baidu.com/s

公告 我们的群共享文件有备份到 IPFS 的计划，具体时间待定。 我们的机器学习群（915394271）正式改名为财务提升群，望悉知。 请关注我们的公众号“ApacheCN”，回复“教程/路线/比赛/报告/技术书/课程/轻小说/漫画/新知”来获取更多资源。 我们正在招募项目负责人，完成三次贡献可以申请，请联系片刻（529815144）。 几十个项目等你来申请和参与 ，不装逼的朋友，我们都不想认识。 CDNDrive 第二次扩容完毕，新增了 3 个图床。 “开源互助联盟”已终止，我们对此表示抱歉和遗憾。除非特地邀请，我们不再推广他人的任何项目。 我们接受“环材化生劝退”话题的投稿，并在全平台推送。请联系飞龙（562826179），或 在这里留言 。 编程语言 Java On Java 8 中文版（Java 编程思想第五版）⭐↗ Effective Java 中文第三版⭐↗ Java 编程思想 Java 8 简明教程 Java 从 0~1 个人笔记 Java8 中文官方教程 JavaTutorialNetwork 中文系列教程 HowToDoInJava 中文系列教程 JavaBeginnersTutorial 中文系列教程 Python Think Python 中文第二版↗ 笨办法学 Python · 续 中文版 PythonSpot 中文系列教程 PythonBasics

转的一个大佬的。叫Alions_lee.《解决 start.spring.io 不能访问 使用阿里云国服链接替代》,https://blog.csdn.net/lishizhen1991/article/details/106241666?utm_source=app 我是一个搬运工，只为让更多的人看到，致敬原创。 搜了一圈，都是傻傻的要么改防火墙，要么搞代理，百度的搜索真是无力吐槽，就没有一点有用的，终于在一个角落里找到了最佳方案，用阿里云https://start.aliyun.com/ 地址直接替代 重要的事情多说几遍，找方案不仅仅是为了解决问题，而是最快的最简单的方案解决问题 来源： oschina 链接： https://my.oschina.net/u/4343139/blog/4290830

目录 地图屏占比 屏占比算法 矩形求重叠面积算法 聚合计算工具类 聚合效果图 地图聚合屏幕占比 = 政区四至面积/屏幕四至面积x100%. 两个矩形确定一个同位点然后计算两点相交部分的长宽面积即可。 地图屏占比 图形面积与当前四至面积比对占比值，合理的比重是20%。 屏占比算法 https://blog.csdn.net/liuzhenya1994/article/details/80870830?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight F= 矩形面积/地图四至面积* 100% 矩形集已知，轮询计算 小于20% 显示聚合-计算结束 大于20% 继续下级计算，直到计算占比面积小于20%结束，没有下级结束，显示空间点。 两点确定一条直线，两线确定一面 矩形的面积= 长* 宽 geometry多边形的面积 = geometry直接求算 Postgresql有函数 矩形求重叠面积算法 定义矩形 package com.boonya

一、第一轮我是在前程无忧投的简历，然后hr打电话给我，进行首轮电话面试 首先是他介绍公司的情况，和了解我一些的基本情况，比如，之前的实习情况，做过哪些项目，自己负责哪部分，以及那些项目发布了没。其实，就是简单大概的了解我的基本情况和技术。 第一轮电话面试通过了，约我去公司进行二轮笔试加面试 二、第二轮，我很信心满满带着简历，身份证、学历学位证的复印件（我面试的是国企，要求带上这些）就去公司面试了 首先就是填表，就是面试表（入职表，去面试每个公司都要你填的） 填完表格，前台的小姐姐开开心心的拿笔试题给我做了，我看了一下，两道单选，三道多选，六道大题，一道附加题，满分一百分，总共一个小时的时间 记得不是很清楚了 （1）HashMap的原理，关键字key不能重复 （2）以下哪些情况会出现ANR错误：activity 按键或触摸事件在5s无响应，broadcastreceiver 10s内无法做出回应，service20s内无法处理完成；都会导致应用无响应。（在主线程做耗时操作都会导致ANR） （3）handle的消息机制：messege,messegequeue,looper,handle （4）wait和sleep的区别：sleep来自Thread类，wait来自Object类，调用sleep()方法的过程中，线程不会释放对象锁。而 调用 wait 方法线程会释放对象锁

作者|PRATEEK JOSHI 编译|VK 来源|Analytics Vidhya 决策树与随机森林的简单类比 让我们从一个思维实验开始，它将说明决策树和随机森林模型之间的区别。 假设银行必须为客户批准一笔小额贷款，而银行需要迅速做出决定。银行检查此人的信用记录和财务状况，发现他们还没有偿还旧贷款。因此，银行拒绝了申请。 但问题是，对于银行庞大的金库来说，贷款数额非常小，他们本可以在非常低风险的情况下批准贷款。因此，银行失去了赚钱的机会。 现在，又一个贷款申请将在几天内完成，但这一次银行提出了一个不同的策略——多个决策过程。有时它先检查信用记录，有时它先检查客户的财务状况和贷款金额。然后，银行结合这些多个决策过程的结果，决定向客户发放贷款。 即使这一过程比前一个过程花费更多的时间，银行也可以利用这一方法获利。这是一个典型的例子，集体决策优于单一决策过程。现在，你知道这两个过程代表了什么吧？ 这些分别代表决策树和随机森林！我们将在这里详细探讨这个想法，深入探讨这两种方法之间的主要区别，并回答关键问题，你应该使用哪种算法？ 目录 决策树简介 随机森林简介 随机森林与决策树的冲突 为什么随机森林优于决策树？ 决策树与随机森林—你什么时候应该选择哪种算法？ 决策树简介 决策树是一种有监督的机器学习算法，可用于分类和回归问题。决策树仅仅是为了达到特定结果而做出的一系列顺序决策

每当有人看到我的办公桌时，总少不了问关于我“特有”的键盘设置的问题。然后就有人建议我花些时间来分享一下我多年来收集的各种可以有效提高工作效率的Geek产品/技巧。因此，也就有了下面的这一整张列表：这些产品和工具可帮助我在公司和在家中都能持续保持高效的生产力。 这里的大多数技巧都是比较个人向的。如果你像我一样，一天中的大部分时间内都在使用计算机，那你工作区域的布置就显得尤为重要了。 请不要直接抱着你的笔记本电脑工作。 我在阿姆斯特丹Uber的办公桌 1. MacBook Pro 我的这台笔记本电脑是我老板给我的。两年前我加入Uber时，选择了MacBook Pro 13英寸型号，因为它的重量比同品牌其他型号的要轻很多。所以在这里，我愿意在CPU功率和屏幕尺寸之间做一些取舍，因为我在家里和办公室都拥有大型显示器，因此我不太在乎屏幕尺寸。但有意思的是，我目前正在开发一个基于云计算的项目，因此我们正在使用容器进行远程开发。突然之间，所有工作都可以跑在云上，而我笔记本电脑的劣势现在瞬间变成了优势。 2. APEX笔记本电脑支架 我最喜欢的笔记本电脑支架的极简桌面设置 Apex笔记本电脑支架是我早期注册的kickstarter项目之一（ https://www. kickstarter.com/? ref=nav ）。这个支架花了很长时间才定制完成寄到我手上。但我收到它时，真的感到非常满意

立即学习: https://edu.csdn.net/course/play/29225/411666?utm_source=blogtoedu UART 通用异步收、发器 USART 通用同步/异步 收、发器 来源： oschina 链接： https://my.oschina.net/u/4296574/blog/4475798

1. cas架构 2. cas流程，参见官网 https://apereo.github.io/cas/5.2.x/protocol/CAS-Protocol.html 3. 术语： The TGT (Ticket Granting Ticket), stored in the TGC cookie, represents a SSO session for a user. The ST (Service Ticket), transmitted as a GET parameter in urls, stands for the access granted by the CAS server to the CASified application for a specific user. service:指客户端，包含url及其他信息 TGC：服务端认证完成后的写入cookie的名称 4. 常用url及描述 /login credential requestor / acceptor /logout destroy CAS session (logout) /validate service ticket validation /serviceValidate service ticket validation [CAS 2.0] /proxyValidate service