一、前言 最近从零搭建了一个自动化测试平台，虽然不是第一次从零搭建，但是也从来没有进行过这类搭建的总结，还是记录一下，搭建过程中的一些问题和方法。方便以后总结和翻阅二、简介 搭建的平台语言使用的是Python3.6，未来有空可能考虑加个java版本。前端用的Vue，主体是httprunner2.X+Djangorest-framework，考虑到平台目前也只是写出来给公司内部使用，数据库用mysql就行了，后续看需要升级。三、整体结构 考虑的结构是 后台：app目录，存放平台下的子应用，目前用户这块的应用直接用自带的应该就够了项目应用代码存放目录接口应用代码存放目录报告应用代码存放目录
今日已做：1.核聚课程2.进步本回顾，重做8道题，有两道还没掌握，记录3页。3.线性代数第5讲4.三大计算，刷题15道，纠错。5.每日长难句。6.考研常识课明日必做1.熟练背诵《theking’sspeech》并默写2.英语真题阅读一片，每日长难句。3.三大计算10道。4.数据结构回顾5.强化第五讲视频+练习6期末复习两时备考的日子一天比一天少，本人的内心也越来越焦虑。焦虑是正常的，但除了焦虑，就找不到破解的方法了吗？人生总会有焦虑的时候，缓解焦虑的方法不是行动，而是有效的行动。我的直觉告诉我焦虑源于专业课复习跟不上预期，为什么跟不上进度，那是因为光看网课不做题感觉有些懵（所以进度提不上去），
学习目标：月目标：6月（线性代数强化9讲，背诵15篇短文，考研核心词过三遍）周目标：线性代数强化3讲，英语背3篇文章并回诵，检测每日规划今日已做：1.回环背诵，《theking’sspeech》默写的时候忘了，抄写了一遍2.线性代数强化第6讲，早上效率有些低，看视频的时候还犯困了3.三大计算10道左右，没有纠错，没纠错，就找不到进步点，明天一定要形成学习闭环，学习习惯很重要。4.每日长难句，句句真言语法课。5.进步本习题回顾，有些题因公式忘了，写不出来，有些题没思路，有些挫败感。回想起之前最近一次回顾，还是满满的成就感，有些题目还用2~3种方法做出来呢！总结：今日就觉得效率有些低，虽然确实下了
下载erlangmq下载地址https://github.com/rabbitmq/erlang-rpm/releases?page=7https://github.com/rabbitmq/rabbitmq-server/tags?after=v3.8.12-beta.1版本对应1.官网地址https://www.rabbitmq.com/download.html**2.文件上传上传到/usr/local/software目录下(如果没有software需要自己创建)3.安装文件(分别按照以下顺序安装)//这是在下载i=install安装，v=view视图，h=hour【显示进度】rpm-
BEiT-3ImageasaForeignLanguage:BEiTPretrainingforALLvisionandVision-languageTasks提出背景：在计算机视觉领域（CV）通常使用的是有监督的预训练，就是利用有标注的数据进行训练，但是随着视觉模型的不断扩大，标注数据难以满足模型需求，以往的无标注数据的自监督都是采用对比学习，但是对比学习对图像干扰操作过于依赖。当噪声太简单时，模型学不到有用的知识，而对图像改变过大，将会面目全非，模型无法进行有效学习，所以对比学习需要大批量的训练，对显存和工程实现要求很高，在此背景下，2021年推出了生成式自监督的视觉预训练模型BEiT，借
1,自身坐标系和世界坐标系场景中的物体有两个坐标系，一个是自身坐标系，也叫本地坐标系，另外一个是世界坐标系比如说我们在场景中创建一个cube，把它的参数reset。在Scene窗口那里 红色框框那里就可以修改物体所在的坐标系 Global就是世界坐标系，Local就是自身坐标系，我们当前选择的是自身坐标系，我们切换世界坐标系看看，发现cube的坐标轴没有任何变化。但是我们回到自身坐标系，我们将cube的x轴的旋转值设置成90，然后再切换世界坐标系就会发现，两个坐标系的坐标轴不一样。这是因为世界坐标系不会变，x轴指哪就一直指哪，但是自身坐标系不一样，自身坐标系会随着自身的旋转而改变坐标系。2,T
一.汉诺塔问题及其递归算法1.问题阐述经典汉诺塔：外文算法书对汉诺塔问题的描述：2.算法步骤三阶汉诺塔问题解题步骤 共需7步。四阶汉诺塔问题解题步骤 共需15步五阶汉诺塔问题解题步骤可以清晰的看出分治思想以及递归过程 算法采用了分治的思想，利用递归的方式，完成n层汉诺塔的移动。问题解法：当n=1时，只要将编号为1的圆盘从柱子A直接移到柱子C上即可。当n>1时，就需要借助另外一根柱子来移动。将n个圆盘由A移到C上可以分解为以下几个步骤： (1) 将A柱子上的n-1个圆盘借助C柱子移到B柱子上; (2) 把A柱子上剩下的一个圆盘从A柱子移到C柱子上; (3) 最后将剩下的n-1个圆盘
前言：本文是作者初学cnn与resnet总结。本文尽量多的涉及相关知识，但许多并未详细介绍；读者可以提取关键词自行搜索，或查看参考连接。如果你是新手，强烈推荐参考中的视频课程和文章。此外，文章若有错误之处，希望评论留言。1 卷积神经网络基础1.1 传统神经网络与卷积神经网络常规神经网络，的输入是一个向量，然后在一系列的隐层中对它做变换。每个隐藏层都是由若干的神经元组成，每个神经元都与前一层中的所有神经元连接。如果输入为一个尺寸为256x256x3的一张RGB色彩模式图像，会让神经网络至少包含200x200x3=120000个权重值和相应的偏差值。并且对一般来说，网络中还有着多个隐藏层和神经元
最近收到很多小伙伴的微信私聊消息，大部分都是在询问如何快速掌握一个框架的原理和源码，比如：Spring、Dubbo、MyBatis等。针对这个问题，周末我简单总结了下，今天，就为小伙伴们分享下我是如何利用不到一个月的业余时间（每天不到2小时）快速掌握Dubbo的原理和源码的。阅读源码的前提阅读某一项技术框架，或者说开源项目的源码前，你必须了解这个框架是干啥用的，说白了，就是你至少了解这个框架该怎么用，在什么场景下用，使用的过程中会遇到哪些坑，如何解决。而学习一个框架，最简单有效的方式就是它的官方文档。Dubbo也不例外，我在学习Dubbo的时候，也是首先看的Dubbo的官方文档，基本没看其他的
说明1、该表格纯属个人总结，如果与官方或者事实不符，应该以官方或者事实为准。2、排序纯属乱排，请勿介意。3、仅供参考。变量类型描述$SEMIPOWERFLBOOLEN热启动的有效/无效$MASTER_ENABLEBOOLEN位置校准界面的显示$DMR_GRP[group].MASTER_DONEBOOLEN指示master过程是否已完成，SRVO-038报警后需要修改该系统变量$DMR_GRP[group].MASTER_COUNINTEGERDisplaysthemasteringcountdataoftheaxisofeachjoint.Thesystemsetsitautomatical
