关于ARTS的释义——每周完成一个ARTS：●Algorithm:每周至少做一个LeetCode的算法题●Review:阅读并点评至少一篇英文技术文章●Tips:学习至少一个技术技巧●Share:分享一篇有观点和思考的技术文章深度学习深度学习概念崛起框架主页传送门：📀传送深度学习概念  深度学习是机器学习领域的一个分支，它是一种基于人工神经网络的学习方法，旨在让计算机模仿人类大脑的神经结构和学习方式，从大量数据中学习并提取高层次的抽象特征，从而实现对复杂问题的解决和预测。  深度学习中的"深度"指的是神经网络的层数，通常包含多个隐藏层。这些隐藏层会逐层处理输入数据，并通过权重和偏置的调整来学习

当执行测试用例测试时候，发现怎么也无法执行测试？！如下图所示，就像程序被卡住了。这是因为测试用例的逻辑有误！！！排查一下还测试分支执行的条件是否满足，是否和程序设置的条件对应？！例如应该是满足条件才能执行的，测试用例却设置错误了？

上一篇介绍了DataFrame的显示参数，主要是对DataFrame中值进行调整。本篇介绍DataFrame的显示样式的调整，显示样式主要是对表格本身的调整，比如颜色，通过颜色可以突出显示重要的值，观察数据时可以更加高效的获取主要信息。下面介绍一些针对单个数据和批量数据的样式调整方式，让DataFrame的数据信息更加的一目了然。1.多列显示格式每个DataFrame都有个style属性，通过这个属性可以来调整显示的样式。下面的示例，一次调整多个类型的列的显示。importpandasaspddf=pd.DataFrame({"日期":["2022-10-01","2022-11-11","2

Flutter3.7的backgroundisolate绝对是一大惊喜，尽管它在releasenote里被一笔带过，但是某种程度上它可以说是3.7里最实用的存在：因为使用简单，提升又直观。BackgroundisolateYYDS前言我们知道Dart里可以通过新建isolate来执行”真“异步任务，而本身我们的Dart代码也是运行在一个独立的isolate里（简称rootisolate），而isolate之间不共享内存，只能通过消息传递在isolates之间交换状态。所以Dart里不像Java一样需要线程锁。而在Dart2.15里新增了isolategroups的概念，isolategroup

我们在jupyternotebook中使用pandas显示DataFrame的数据时，由于屏幕大小，或者数据量大小的原因，常常会觉得显示出来的表格不是特别符合预期。这时，就需要调整pandas显示DataFrame的方式。pandas为我们提供了很多调整显示方式的参数，具体参见文末附录中的链接。本篇介绍几个我经常用到的参数来抛砖引玉。1.参数的相关函数对于参数的控制，pandas提供了完整的方法。describe_option：获取参数的描述信息get_option：获取参数的值set_option：设置参数的值reset_option：重置参数的值，也就是将参数恢复到默认值以max_colu

目录1、什么是bug？ 2.调试是什么？有多重要？2.1我们是如何写代码的？2.2又是如何排查出现的问题的呢？​编辑2.3 调试是什么？2.4调试的基本步骤2.5Debug和Release的介绍3.Windows环境调试介绍3.1调试环境的准备 3.2学会快捷键3.3调试的时候查看程序当前信息3.3.1查看临时变量的值 3.3.2查看内存信息3.3.3查看调用堆栈3.3.4查看汇编信息3.3.5查看寄存器信息4、多多动手，尝试调试，才能有进步。5、一些调试的实例5.1实例一5.2实例二6.如何写出好（易于调试）的代码6.1优秀的代码： 6.2示范：7.编程常见的错误7.1编译型错误7.2链接型

网上已经有成熟的工具了，所以就简单记录一下工具怎么用吧https://github.com/TaQini/alpha3https://github.com/veritas501/ae64.githttps://github.com/rcx/shellcode_encoder结合题目来看吧，没有开启NX保护，基本这类型题目九成九都是shellcode题程序一开始会让我们在bss段上输入数据，并且判断输入的字符大小是否小于0x1F，再结合NX保护没开启的操作，很容易可以想到此时输入的就是shellcode，而每个字节的不能小于0x1F，那么使用ASCII码shellcode就可以完全绕过了，因为小

我正在使用Pyinstaller将python脚本转换为可执行文件，该脚本包含来自nltk、begin、json等多个包的多个导入。10行代码生成的可执行文件是54MB，这高得不切实际，我知道它将所有模块打包在一个文件中，但它是否使它变得如此之大，因为python脚本本身只有2KB。减少“.exe”文件大小的一般技巧是什么？我正在使用下面的命令来转换脚本>pyinstaller.py-F-ooutputcheck.py我只导入了单个函数而不是整个模块，例如:fromnltk.metrics.agreementimportAnnotationTask导入的模块有独立的功能，我有选择地只导

category类型在pandas基础系列中有一篇介绍数据类型的文章中已经介绍过。category类型并不是python中的类型，是pandas特有的类型。category类型的优势那篇文章已经介绍过，当时只是介绍了如何将某个列的数据转换成category类型，以及转换之后给程序性能上带来的好处。本篇将补充介绍深入使用category类型时，经常会遇到的两个问题。一个是category类型中各个值的顺序调整；另一个是按照数值的范围转换为category类型。1.catagory类型顺序当我们把一个列的数据转换为category类型时，category类型中各个值的默认顺序是按照字母顺序排列的。

我正在使用大小约为100MB的广播变量，我将其近似为:>>>data=list(range(int(10*1e6)))>>>importcPickleaspickle>>>len(pickle.dumps(data))98888896在具有3个c3.2xlarge执行程序和一个m3.large驱动程序的集群上运行，使用以下命令启动交互式session:IPYTHON=1pyspark--executor-memory10G--driver-memory5G--confspark.driver.maxResultSize=5g在RDD中，如果我持久化对这个广播变量的引用，内存使用量就会激