写下这篇文章，记录自己走过的坑第一次尝试：参照博客uniapp使用md5_清雨小竹的博客-CSDN博客_uniappmd5 引入md5.js后，在main.js中import后，无法使用md5.hex_md5("需要加密的字符串")，vue页面无法打开，F12报错如下md5isnotdefined 尝试多次，浪费时间，遂放弃第二次尝试：参照博客uniapp使用md5加密在Hbilderx中直接按alt+c，发现没有安装终端，先按照Hbilderx的提示进行安装安装完成后，在终端执行npminstalljs-md5-D发现报错，报错如下npm:无法将“n
写下这篇文章，记录自己走过的坑第一次尝试：参照博客uniapp使用md5_清雨小竹的博客-CSDN博客_uniappmd5 引入md5.js后，在main.js中import后，无法使用md5.hex_md5("需要加密的字符串")，vue页面无法打开，F12报错如下md5isnotdefined 尝试多次，浪费时间，遂放弃第二次尝试：参照博客uniapp使用md5加密在Hbilderx中直接按alt+c，发现没有安装终端，先按照Hbilderx的提示进行安装安装完成后，在终端执行npminstalljs-md5-D发现报错，报错如下npm:无法将“n
TranAD架构模型构建： ={𝑥1,...,𝑥𝑇},表示一个大小为T的带有时间戳的数据点序列，其中，𝑥𝑡满足特定的时间戳𝑡和𝑥t∈R𝑚，单变量设置是其中𝑚=1的特殊情况。异常检测：给定一个训练输入时间序列，对于长度为的任意时间的测试时间序列，并且与训练序列的模态相同的作为训练序列，我们需要预测Y={𝑦1，.，𝑦}，其中𝑦t ∈{0，1}表示测试集下第t个时间戳的数据点是否异常(1表示异常数据点)。异常诊断:基于上述训练和测试时间序列，我们需要预测Y={𝑦1，.，𝑦} 数据预处理：时序数据分析：long-termtrends、locality(short-termtrends)对数据进行了标
TranAD架构模型构建： ={𝑥1,...,𝑥𝑇},表示一个大小为T的带有时间戳的数据点序列，其中，𝑥𝑡满足特定的时间戳𝑡和𝑥t∈R𝑚，单变量设置是其中𝑚=1的特殊情况。异常检测：给定一个训练输入时间序列，对于长度为的任意时间的测试时间序列，并且与训练序列的模态相同的作为训练序列，我们需要预测Y={𝑦1，.，𝑦}，其中𝑦t ∈{0，1}表示测试集下第t个时间戳的数据点是否异常(1表示异常数据点)。异常诊断:基于上述训练和测试时间序列，我们需要预测Y={𝑦1，.，𝑦} 数据预处理：时序数据分析：long-termtrends、locality(short-termtrends)对数据进行了标
md5是什么？md5是一种信息摘要算法（message-digestalgorithm5 ），一种被广泛使用的密码散列函数，可以产生出一个128位（16字节）的散列值，用来确保信息传输完整一致性。特点不可逆 知道密文和加密方式，无法反向计算出原密码 但是有md5破解网站，专门查询MD5码撞库：原理是：通过建立大型的数据库，把日常的各种句子通过md5加密成为密文，不断积累更新大量句子，放在庞大的数据库里；然后，有人拿了别人的密文，想查询真实的密码，就需要把密文拿到这个数据库的网站（免费MD5加密解密：https://md5.cn/）去查询。长度固定 任意长度的数
md5是什么？md5是一种信息摘要算法（message-digestalgorithm5 ），一种被广泛使用的密码散列函数，可以产生出一个128位（16字节）的散列值，用来确保信息传输完整一致性。特点不可逆 知道密文和加密方式，无法反向计算出原密码 但是有md5破解网站，专门查询MD5码撞库：原理是：通过建立大型的数据库，把日常的各种句子通过md5加密成为密文，不断积累更新大量句子，放在庞大的数据库里；然后，有人拿了别人的密文，想查询真实的密码，就需要把密文拿到这个数据库的网站（免费MD5加密解密：https://md5.cn/）去查询。长度固定 任意长度的数
近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后
近期开始阅读cv领域的一些经典论文，本文整理计算机视觉的奠基之作——Alexnet论文原文：ImageNetClassificationwithDeepConvolutionalNeuralNetworks（有需要论文原文的可以私信联系我）本文的阅读方法是基于李沐老师的B站讲解视频，需要细致去看的小伙伴可以去搜索，链接如下：9年后重读深度学习奠基作之一：AlexNet【论文精读】_哔哩哔哩_bilibili本文整理用于之后自己能够更快的回忆起这篇论文，所以有些地方记录的可能没那么严谨，有问题的地方欢迎各位指出和讨论，我及时修改，谢谢各位！如果该论文笔记对你有所帮助，希望可以点个赞关注一下，之后
《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编
《Spatio-TemporalRepresentationWithDeepNeuralRecurrentNetworkinMIMOCSIFeedback》文献阅读 该文献的作者是天津大学的吴华明老师，在2020年5月发表于IEEEWIRELESSCOMMUNICATIONSLETTERS。 该文献提出了一种基于深度学习的压缩CSI方法，使用深度循环神经网络(RNN)来学习时间相关性，根据不同结构下解耦的时空特征表示设计了特征提取模块，并采用深度可分离卷积来恢复信道。1研究背景 在频分双工(FDD)MIMO网络中，UE可以估计出下行CSI，然后将CSI反馈给BS对下一个信号进行预编
