本章内容包括安装和配置Flink环境；Flink官方示例代码解读；使用FlinkSQLCLI进行基本查询以及FlinkSQL连接外部数据源。所有内容均会以公开源码，希望能够帮助到大家~有任何疑问欢迎留言~感谢阅读~3.1安装与配置Flink环境3.1.1java环境启动命令行输入如下代码，验证java环境没有问题。如图所示：java-versionjavac-version请确保java环境无误，以便于接下来的开发以及部署。此外特别补充一下，尽管本人写博客时用到的是mac系统，但windows系统的运行过程也是如此，无任何差异。3.1.2下载并解压Flink前往Flink官网下载压缩包，建议下

🚀点击这里跳转到本专栏，可查阅专栏顶置最新的指南宝典~🎉🎊🎉你的技术旅程将在这里启航！从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。✨✨✨每一个案例都附带有在本地跑过的关键代码，详细讲解供大家学习，希望可以帮到大家。欢迎订阅支持，正在不断更新中~一.基于深度学习的航拍图像中地物变化检测背景随着无人机技术的飞速发展，航拍图像成为获取地表信息的重要手段之一。然而，由于地球表面的不断变化，监测和识别航拍图像中的地物变化成为一项具有挑战性的任务。在人工智能领域，深度学习技术的兴起为地物变化检测提供了全新的解决方案。本文将介绍基于深度学习的航拍图像中

本文介绍AK卷积，传统的卷积有2个缺陷：1、卷积运算在固定大小的窗口运行、无法捕获其他窗口的信息，并且窗口的形状是固定的；2、卷积核的尺寸固定为，窗口大小固定为k，随着k增加，参数会快速增加。针对传统卷积的缺陷，作者提出了AK卷积，AK卷积拥有任意形状和任意的参数。作者在yolov5n和yolov8n上进行了测试，效果非常好。论文地址：AKConv:ConvolutionalKernelwithArbitrarySampledShapesandArbitraryNumberofParameters代码：https://github.com/cv-zhangxin/akconv一、AKConv前

1、信息量（AmountofInformation）对于一个事件：小概率-->大信息量大概率-->小信息量独立事件的信息量可以相加I(x)=log2(1p(x))=−log2(p(x))I(x)=log_2(\frac{1}{p(x)})=-log_2(p(x))I(x)=log2​(p(x)1​)=−log2​(p(x))E.g.:一枚均匀的硬币:p(h)=0.5p(h)=0.5p(h)=0.5Ip(h)=log2(10.5)=1I_p(h)=log_2(\frac{1}{0.5})=1Ip​(h)=log2​(0.51​)=1p(t)=0.5p(t)=0.5p(t)=0.5Ip(t)=lo

本系列文章md笔记（已分享）主要讨论移动测试相关知识。主要知识点包括：移动测试分类及android环境搭建，adb常用命令，appium环境搭建及使用，pytest框架学习，PO模式，数据驱动，Allure报告，Jenkins持续集成。掌握操作app的基本api，掌握元素定位及获取元素信息的api，掌握事件操作api，掌握app模拟手势操作，掌握手机操作的api。掌握pytest函数执行顺序，掌握pytest函数参数化，掌握PO模式的作用，掌握yaml语法。能够使用allure和pytest生成测试报告。全套笔记和代码自取移步gitee仓库：gitee仓库获取完整文档和代码共7章，34子模块移

KeyWords: NLP,LLM,GenerativePre-training,KGs,Roadmap,BidirectionalReasoningAbstract:LLMsareblackmodelsandcan'tcaptureandaccessfactualknowledge.KGsarestructuredknowledgemodelsthatexplicitlystorerichfactualknowledge.ThecombinationsofKGsandLLMshavethreeframeworks, KG-enhancedLLMs,pre-trainingandinferen

Metabolicsignaturesinhumanfollicularfluididentifylysophosphatidylcholineasapredictoroffolliculardevelopment作者：JihongYang,YangbaiLi,SuyingLi,YanZhang,RuizhiFeng,RuiHuang,MinjianChen&YunQian发表期刊：CommunicationsBiology发表时间：29July2022这篇论文的主题是探究人类卵泡液（FollicularFluid,FF）中的代谢特征，并揭示卵泡发育（FollicularDevelopment

人工智能四、线性回归4.1线性回归（1）线性回归特点：解释性强，简单，泛化能力稳定。（2）特征：输入的不同维度叫做特征。如果特征本身很重要，线性回归就很有效，但是挑选特征是非常困难的。（神经网络本质就是自动挑选、学习特征的机器）（3）最小化损失函数的方法：梯度下降法梯度下降法的计算4.2感知算法（1）感知算法是神经网络原始形式；只能够学线性可分的函数（2）逻辑回归——二分类：f(x)=在A类别的概率；1-f(x)=在B类别的概率（3）逻辑回归——决策分界：sign(wTx)的“软化”版本。（4）多分类问题：与二分类问题相似，不过在其基础上添加了一个概率。不仅适用于线性问题，也适用于神经网络及其

深度学习的实践层面训练集验证集测试集过程神经网络的训练是一个需要不断迭代的过程，一般先提出idea，然后编码实现、测试，根据测试结果再次调整思路......分组与比例数据集通常分为3个部分：训练集、验证集和测试集。训练集用于训练模型的参数。验证集用于选择最好的模型。测试集用于评估训练结果。一般讲数据集按照60%训练，20%验证和20%测试集来划分。当数据集的大小达到一百万时，则比例可以调整为98%+1%+1%，因为验证集和测试集实际上不需要太多。如果超过百万级别，甚至可以调整为99.5%+0.25%+0.25%.分布训练集、验证集和测试集应当保证分布一致。防止出现这种情况：在分辨猫图片的模型训

概率是随机的基础，在【概率论（概要）】这个部分中仅记录学习随机过程及应用的基本定义和结果。前言首先，概率论研究的基础是概率空间。概率空间由一个样本空间和一个概率测度组成，样本空间包含了所有可能的结果， 而概率测度则描述了每个结果发生的可能性大小。研究者通过定义适当的概率测度，可以更准确地描述各种随机现象的发生概率。   一、概率空间 (Ω,F,P)Samplespace样本空间：随机试验的所有可能结果构成的集合称为样本空间，记为 Ω。（注：每个结果需要互斥，所有可能结果必须被穷举）Setofevents事件集合，是Ω的一些子集构成的集合，记为F，并且它需要满足以下三点特性（也就是必须是δ－fi