草庐IT

SpringMVC笔记

全部标签

Python笔记二之多线程

本文首发于公众号:Hunter后端原文链接:Python笔记二之多线程这一篇笔记介绍一下在Python中使用多线程。注意:以下的操作都是在Python3.8版本中试验,不同版本可能有不同之处,需要注意。本篇笔记目录如下:概念多线程的使用示例daemonrun()线程对象的属性和设置线程模块相关函数threading.active_count()threading.current_thread()threading.enumerate()线程的异常和函数结果获取锁线程池result()done()exception()cancel()running()如何探索出最佳的线程池线程数量1、概念关于进

DevOps实战笔记--2(SonarQube基础操作与集成Jenkins+Jenkins集成Harbor)

0.引言在DevOps实战笔记–1中,我们配置了两台实验机器:node1,node2,两台机器都使用docker容器技术来运行基本服务,GitLab作为体量较大的服务之一,运行内存可达4G之多,故使用node1作为GitLab专用服务器来负责代码的版本控制。node2作为CI/CD过程服务器兼SSH测试服务器,配置了JDK+Maven等服务作为项目持续集成与持续部署的基础。在此之上搭建了Jenkins,SonarQube并进行了CI/CD的实验。本文将从此处开始进行讲解。1.SonarQube基本操作SonarQube作为高效的代码分析平台可以对本地代码进行分析并显示出代码不合规范的地方,其分

2D人脸关键点转3D人脸关键点的映射~头部姿态笔记

本文主要内容对通过相机参数计算图像上的二维坐标到三维坐标的映射进行简单探讨。参考资料:        学习的话直接看他们的就好,我仅是拾人牙慧,拿GPT写给自己看的,图也是直接搬运的别人画的,以下链接有很完善的理论研究和代码提供。https://medium.com/@susanne.thierfelder/head-pose-estimation-with-mediapipe-and-opencv-in-javascript-c87980df3acbhttps://medium.com/@susanne.thierfelder/head-pose-estimation-with-mediap

openharmony开发最新4.0版本----介绍openharmony(基于api10 ,华为dev studio 4.0,分享学习过程中遇到的难题难点),学习笔记,持续更新

 1.跳过前面的工具的安装教程,可以去搜网上的其他资源去下载安装开发工具        DevEcoStudio(OpenHarmony)使用指南:        HUAWEIDevEcoStudioForOpenHarmony(以下简称DevEcoStudio)是基于IntelliJIDEACommunity开源版本打造,面向OpenHarmony全场景多设备的一站式集成开发环境(IDE),为开发者提供工程模板创建、开发、编译、调试、发布等E2E的OpenHarmony应用/服务开发。DevEcoStudio作为支撑OpenHarmony应用和服务开发的IDE,具有以下能力特点:高效智能代码

卡片电脑 鲁班猫ZeroW——入门笔记(1)

由于树莓派价格过于昂贵,且无人机又需要机载电脑,因此一直在物色便宜好用的卡片电脑。无意中发现了野火的这款鲁班猫,想着才260块钱,于是买回来试试手。1硬件结构鲁班猫采用的是瑞芯微公司设计的RockchipRK3566(LubanCat0和1)和RK3568(LubanCat2)。我购买的是LubanCatZeroW(有2.4G蓝牙和WIFI,无网口),刚拿到手确实很小,跟STM32F103最小系统板差不多大,TF卡卡槽是朝内的,正面是RockchipRK3566、2G内存IMH512M32Z3D2ENP和无线模块,反面有一块RockchipRK809电源管理芯片。瑞芯微芯片datasheet:

【论文笔记】动态蛇卷积(Dynamic Snake Convolution)

精确分割拓扑管状结构例如血管和道路,对医疗各个领域至关重要,可确保下游任务的准确性和效率。然而许多因素使分割任务变得复杂,包括细小脆弱的局部结构和复杂多变的全局形态。针对这个问题,作者提出了动态蛇卷积,该结构在管状分割任务上获得了极好的性能。论文:DynamicSnakeConvolutionbasedonTopologicalGeometricConstraintsforTubularStructureSegmentation中文论文:拓扑几何约束管状结构分割的动态蛇卷积代码:https://github.com/yaoleiqi/dscnet一、适用场景管状目标分割的特点是细长且复杂,标准

解决:笔记本能连接 WiFi,但在浏览器中并不能访问网页的问题的四种方案;

Ⅰ、该问题可能出现的情况:其一、WiFi本身有问题;其二、电脑连接WiFi出问题了;Ⅱ、问题的解决过程:其一、怀疑是WiFi的问题:但手机连接该WiFi,没有问题,说明并不是WiFi本身的问题;其二、怀疑是笔记本连接WiFi本身的问题(因为:听歌什么的都可以):1、方法一:将把获取DNS地址改为自动;A、打开设置,并找到网路和Internet;B、找到并打开‘网络和共享中心’;C、选择已连接的WiFi;D、打开属性;E、选择(TCP/IPv4),并点击‘属性’;F、选择‘自动获得IP地址’与‘自动获得DNS服务器地址’,并点击确定;G、配置选择好后,重启浏览器,一般就能解决问题;2、方法二:用

GPIOB->CRH&=0XFFFF0FFF;GPIOB->CRH|=(u32)8<<12;(学习笔记)

看原子哥的IIC.h文件看到这两个语句有点懵,去找了半天资料才懵懵懂懂,下面简单记录一下,以防下次又忘了 就拿这个举例把~,GPIO一组有(0-15)一共16个前(0-7)是底8位,写成CRL后(8-15)是高8位,所以就写成CRH#defineSDA_IN() {GPIOB->CRL&=0X0FFFFFFF;GPIOB->CRL|=(u32)88个F分别对应红圈圈的八个圈圈,有CNF0和M0DE0的圈圈对应着蓝色的F,依此对应。GPIOB->CRL&=0X0FFFFFFF这个语句的意思:把用到的B7端口清0; #defineSDA_IN() {GPIOB->CRL&=0X0FFFFFFF;G

人工智能学习笔记七——基于BiLstm的恶意url检测

本文将用BiLstm模型,对于恶意的url访问进行检测,从而保证网络空间的安全。首先在介绍BiLstm模型之前,先介绍一下Lstm长短期记忆神经网络模型。长短时记忆网络长短时记忆网络(LongShort-TermMemoryNetwork,简称LSTM)是循环神经网络模型(RecurrentNeuralNetwork,简称RNN)的一个重要分支,具有RNN的优点并在其基础上进行改善。早期的DFN、CNN、BP等深度学习网络的输出都只考虑前一个输入的影响,而不考虑其它时刻输入的影响,对于简单的非时间序列和图像的分析有较好的效果,比如单个词语感情分类、乳腺癌检测等。但是,对于一些与时间先后有关的,

CSS 学习笔记(二)

前言因本学期选修了前端开发的课程,在此利用隔离期间的一点时间回顾了一些前端开发的基础知识,为后续的课程设计和相关比赛打下基础。俗话说:好记性不如烂笔头。再好的记性也总有忘记的时候,而笔记的好处之一便在于信息记录的长久性,你可以通过不断的复习、熟悉来加强理解,深化记忆,从而达到持久记忆的效果。本篇文章主要记录了CSS的部分进阶内容,包括CSS的三大特性、盒子模型、圆角边框、盒子阴影、浮动以及定位的相关代码、应用以及注意事项等,目的主要是为了帮助自己记录学习,同时也把文章分享出来,供大家参考学习。本篇文章基于该视频:黑马程序员pink老师前端入门教程,零基础必看的h5(html5)+css3+移动