文章目录泛微weaverE9前端梳理一、建模相关1.建模拓展按钮显示弹框方法2.建模查询列表方法3.建模查询自定义按钮二、流程相关1.获取右上角操作按钮组方法三、ecode开发1.config变量设置和引用变量设置变量引用2.复写组件3.复写接口4.编写ecode组件新建register.js注册绑定页面（js文件需要前置加载）创建index.js编写组件5.将ecode组件绑定到元素上四、js加载eocde组件(流程、建模可用)五、隐藏头部方法六、关闭页面方法泛微weaverE9前端梳理一、建模相关1.建模拓展按钮显示弹框方法显示弹框可通过ecCom.WeaTools.createDialo
ARM_core系列梳理一、ARM系列core概述ARM分为三个不同的系列：1、Cortex-A：面向尖端的基于虚拟内存的操作系统和用户应用2、Cortex-R：针对实时系统，一般用于车规级芯片3、Cortex-M：微控制器，替代对应的51单片机Cortex-ACortex-RCortex-M运用场景高性能高实时性低功耗/低面积操作系统Linux/RichOSRTOSRTOS指令级32/64bARM32bARM32bThumb中断GICGIC(固定延时的中断响应)NVICMemory多级cacheL1cacheandTCMTCM安全等级ASIL-BASIL-DASIL-D本文章主要描述R和系列
简介MongoDB是由C++编写的开源NoSQL和基于文档的数据库。MongoDB提供了面向文档的存储方式，操作起来比较简单和容易，支持“无模式”的数据建模，可以存储比较复杂的数据类型，是一款非常流行的文档类型数据库。MongoDB是非关系型数据库当中功能最丰富，最像关系型数据库的。它支持的数据结构非常松散，会将数据存储为一个文档，数据结构由键值对(key=>value)组成，是类似于json的bson格式，字段值可以包含其它文档、数组和文档数组，因此可以存储比较复杂的数据类型。在高负载的情况下，MongoDB天然支持水平扩展和高可用，可以很方便地添加更多的节点/实例，以保证服务性能和可用性
1.Unity-3DMAX坐标系关系：右手坐标系（3dmax）->左手坐标系(unity)轴向关系：3DMaxUnity+X-X+Y+Z+Z+Y比例关系：3dmax里1厘米=unity里1厘米，但unity默认是米旋转关系：3DMAX(0,0,0)->Unity(-90,0,0)3DMAX(90,0,0)->Unity(0,0,0)-Maya坐标系关系：右手坐标系（Maya、内部可改）->左手坐标系(unity)轴向关系：MayaUnity+X-X+Y+Y+Z+Z比例关系：MAYA里1厘米=unity里1厘米，但unity默认是米旋转关系：MAYA(0,0,0)->Unity(0,0,0)2.
卷积神经网络（CNN）卷积神经网络（CNN），也被称为ConvNets或ConvolutionalNeuralNetworks，是一种深度学习神经网络架构，主要用于处理和分析具有网格状结构的数据，特别是图像和视频数据。CNN在计算机视觉任务中表现出色，因为它们能够有效地捕获和识别图像中的特征，具有平移不变性（translationinvariance）。CNN的关键特征包括：卷积层（ConvolutionalLayers）：这些层使用卷积操作来扫描输入图像，从中提取局部特征。卷积操作是通过在输入数据上滑动一个小窗口（称为卷积核）来实现的，窗口的权重在整个输入上共享，这有助于减少网络的参数数量。
Redis有两种持久化方案：RDB持久化AOF持久化RDB持久化RDB全称RedisDatabaseBackupfile（Redis数据备份文件），也被叫做Redis数据快照。简单来说就是把内存中的所有数据都记录到磁盘中。当Redis实例故障重启后，从磁盘读取快照文件，恢复数据。快照文件称为RDB文件，默认是保存在当前运行目录。执行时机RDB持久化在四种情况下会执行：(1)执行save命令(2)执行bgsave命令(3)Redis停机时(4)触发RDB条件时（1）save命令执行下面的命令，可以立即执行一次RDB：save命令会导致主进程执行RDB，这个过程中其它所有命令都会被阻塞。只有在数据
一、webpack基础命令查看webpack版本信息：npminfowebpackversions全局安装：npminstallwebpackwebpack-cli-g全局安装指定版本：npminstallwebpack@4.16.5webpack-cli-g卸载全局安装：npmuninstallwebpackwebpack-cli-g查看版本：webpack-v（node.js会在全局的模块目录中去找这个命令，没有安装会找不到这个命令的）项目内安装：npminstallwebpackwebpack-cli--save-dev（--save-dev可以等价为-D）查看项目内webpack版本：
目录前言一、run.py1.args2.train,test二、TimesNet_M4.sh三、exp_short_term_forecasting.py四、train()五、TimesNet.py1.Model2.TimesBlock3.FFT_for_Period前言果然是初入机器学习的新手，对pycharm、pytorch的套路了解得太少，在学习之路上犯了不少错误，走了不少弯路，虽然现在依旧是个新人，但也还是来做个阶段性的总结，也算是成长的证明。还是以TimesNet为例，下面用基于m4数据集（quarterly类别）的shorttermforecasting程序来做说明。一、run.p
随着ChatGPT的发布，大型语言模型应用正在加速大范围铺开。OpenAI的安全系统团队已经投入了大量资源，研究如何在对齐过程中为模型构建默认的安全行为。但是，对抗攻击或prompt越狱依然有可能让模型输出我们不期望看到的内容。目前在对抗攻击方面的研究很多集中在图像方面，也就是在连续的高维空间。而对于文本这样的离散数据，由于缺乏梯度信号，人们普遍认为攻击会困难得多。LilianWeng之前曾写过一篇文章《ControllableTextGeneration》探讨过这一主题。简单来说：攻击LLM本质上就是控制该模型输出特定类项的（不安全）内容。文章地址：https://lilianweng.gi
前言：本文对激光雷达产业进行梳理，从上游器件、中下游终端厂商等几个部分来剖析激光雷达产业链。激光雷达：自动驾驶的核心传感器激光雷达是通过发射激光束作为来探测目标位置、速度、结构等特征的雷达系统。与其他雷达系统的原理类似，激光雷达是向目标发射探测信号（激光束），然后将探测目标反射回来的信号与发射时的原始信号进行比较，通过一定算法获得目标的相关信息，包括目标距离、方位、速度、甚至形状等。对外界环境感知能力上的优势，也使得激光雷达在自动驾驶技术发展之初就受到了青睐。2018年，奥迪A8提供了激光雷达选配选项，成为了全球首款搭载激光雷达的量产乘用车型，但由于当时世界各国对自动驾驶法规还未完善，因此在绝
