知识学习 网络基础 基础 知识
二分图最大匹配学习总结
二分图最大匹配学习总结 二分图的定义 如果无向图 \(G=(V,E)\) 的点集 \(V\) 可以分为两个集合 \(V_1,V_2\)，使边集 \(E\) 都在 \(V_1\) 和 \(V_2\) 之间，并且 \(V_1\) 和 \(V_2\) 内部的点没有连边，则 \(G\) 是一个二分图。 图例 ......
【Python基础】函数进阶（匿名函数、装饰器、闭包等）
简介 函数进阶的使用，包括匿名函数、装饰器、闭包等 匿名函数 指函数是没有函数名称的，临时使用的微函数。使用 lambda 表达式 来声明，语法格式如下： lambda [arg1 [arg2 , ... , argn] ] : 表达式 * [arg1 ，arg2 , ... , argn ] 为函 ......
难道你还敢忽视网络安全吗？
所有的计算机程序都是由人类编写的，然而人类是整个过程中最容易出错的环节。据统计，平均每千行代码就可能存在6个安全漏洞。如今，网络诈骗和欺诈行为层出不穷，人们对此已经有了一定的安全意识，这主要得益于网络报道和短视频的普及。然而，黑客们却并没有停下他们的步伐。一旦犯下错误，往往后悔莫及。因此，网络安全变... ......
Spring学习记录之GoF之代理模式
Spring学习记录之GoF之代理模式 前言 这篇文章是我第二次学习b站老杜的spring相关课程所进行的学习记录，算是对课程内容及笔记的二次整理，以自己的理解方式进行二次记录，其中理解可能存在错误，欢迎且接受各位大佬们的批评指正； 关于本笔记，只是我对于相关知识遗忘时快速查阅了解使用，至于课程中实 ......
神经网络学习笔记（1）
1、神经元 神经元是神经网络中的基本单元。 每一个神经元包括两个参数：权重系数和偏置系数b。 神经网络的学习过程就是通过优化更新每一个神经元的权重和偏置系数，使得输出值Y更接近其真实值。 假设神经元的输入向量为 ,那么输出，其中 是该神经元选定的激活函数。 x1、x2表示输入量 w1、w2为权重，几 ......
海亮01/11网络流专题
海亮01/11网络流杂题 题单链接 T1 题意 一共有 \(n\) 个飞行员，其中有 \(m\) 个外籍飞行员和 \((n - m)\) 个英国飞行员，外籍飞行员从 \(1\) 到 \(m\) 编号，英国飞行员从 \(m + 1\) 到 \(n\) 编号。 对于给定的外籍飞行员与英国飞行员的配合情况 ......
网络基础知识学习
1、网络基础知识 ·OSI 七层模型 TCP/IP（Transmission Control Protocol/Internet Protocol）是传输控制协议和网络协议的简称，它定义了电子设备如何连入因特网，以及数据如何在它们之间传输的标准。TCP/IP 不是一个协议，而是一个协议族的统称，里面 ......
网络安全等级保护等级测评方案模板
-标量、向量、矩阵、张量以及各范数的含义
1.标量、向量、矩阵、张量： ①标量指有大小没有方向的数。 ②向量指既有大小也有方向的一组数。 ③矩阵指二维的一组数，一行是一个对象，一列是一个对象的一个特征【一行一对象，一列一特征】。 ④张量指一个数组分布在多维网格坐标中。 2.向量的范数： ①向量的1范数(L1范数)：向量的各元素绝对值之和。 ......
4.k8s-配置网络策略 NetworkPolicy
一、基本了解 官方文档：https://kubernetes.io/zh-cn/docs/concepts/services-networking/network-policies/基本了解： 1.网络策略通过网络插件来实现，创建一个 NetworkPolicy 资源对象而没有控制器来使它生效的话， ......
python基础之list、tuple、dict、set
python基础 , list,tuple,dict,set比较 1.list :list是一种有序的集合，可以随时添加和删除其中的元素。用len()函数可以获得list元素的个数.list是一个可变的有序表 >>> classmates = ['Michael', 'Bob', 'Tracy'] ......
26-网络插件：Kubernete 搞定网络原来可以如此简单？
通过之前的学习，相信你对 Kubernetes 越来越熟悉了。理论上，Kubernetes 可以跑在任何环境中，比如公有云、私有云、物理机、虚拟机、树莓派，但是任何基础设施（Infrastructure）对网络的需求都是最基本的。网络同时也是 Kubernetes 中比较复杂的一部分。 我们今天就来 ......
04-核心定义：Kubernete 是如何搞定“不可变基础设施”的？
在上一节课，我们已经了解了 Kubernetes 集群的搭建方式。从现在开始，我们就要跟 Kubernetes 集群打交道了。本节课我们会学习 Kubernetes 中最重要、也最核心的对象——Pod。 在了解 Pod 之前，我们先来看一下CNCF 官方是怎么定义云原生的。 云原生技术有利于各组织在 ......
Elastic 安全相关知识
Elastic 安全相关知识 证书相关 CA证书 docker 部署不要使用自动生成的证书，找不到 CA 私钥，对于后续证书的生成是个很大的问题，建议先自己生成 CA，再使用自己的CA生成相应证书。 # 生成一个压缩包，包含一个 crt 格式的 CA 证书文件和 私钥 elasticsearch-c ......
CSAPP学习笔记——chapter9 虚拟内存
这一章主要介绍了现代操作系统中虚拟内存的概念，先是介绍了虚拟内存的一般概念，这一部分我将在本文第一小节进行一个串联；第二部分介绍了内存映射，并以Linux为例，介绍了fork函数，execve函数的实现细节；第三部分则是介绍了动态内存分配，程序员通过如`malloc`, `new`, `free`,... ......
机器学习如何改变缺陷检测的格局？
机器学习在缺陷检测中扮演着重要的角色，它能够通过自动学习和识别各种缺陷的模式和特征，改变缺陷检测的格局。以下是机器学习在缺陷检测中的一些应用和优势： 自动化检测：机器学习技术可以自动化处理大量的数据，通过学习和识别缺陷的模式和特征，实现自动化检测。这大大提高了缺陷检测的效率和准确性，减少了人工干 ......
spark的学习1-11
大数据第36期打卡-Day9-p102-p106学习笔记Spark并行度spark的并行：在同一时间内，有多少个tes k在同时运行并行度：并行能力的设置比如设置并行度6，其实是6个tast才并行在跑在有了6个tast并行的前提下，rdd的分区被规划成6个分区Driver的两个组件DAG调度器工作内 ......
机器学习-决策树系列-贝叶斯算法-概率图模型-29
目录1. 复习条件概率2. 正式进入3. 生成式 与判别式 这个阶段的内容，采用概率论的思想，从样本里面学到知识（训练模型），并对新来的样本进行预测。 主要算法：贝叶斯分类算法、隐含马尔可夫模型、最大熵模型、条件随机场。 通过本阶段学习，掌握NLP自然语言处理的一些基本算法，本阶段的理解对于后续完成 ......
跨地域、跨网络环境的一键接入云
云联网 以丰富的全球资源、灵活统一的管理、强大的安全性和高可靠性为支撑，体验跨地域、跨网络环境的一键接入云。 基于全球资源的云会议平台可以帮助用户轻松体验跨地域、跨网络环境的一键接入云服务。该平台通过丰富的全球资源，灵活统一的管理和高可靠性的技术支撑，为用户提供高效、安全的会议服务。 丰富的全球资源 ......
开源大数据集群部署（二）集群基础环境实施准备
作者：櫰木 环境准备 本次使用到的二进制软件包目录为：系统初始化前提是操作系统已完成安装、各个主机之间网络互通，系统常用命令已安装，本默认这些前提条件已具备，不在阐述。 1 主机环境初始化 安装centos系统完成后需要对主机进行初始化配置和验证工作，在所有主机上（hd1.dtstack.com-h ......
js-基础实战
jquery中: $().val() //代表取值 $().val("") //代表清空 $().val("abcdefg") //代表赋值 $.trim()是jQuery库中的一个函数，用于删除字符串的首尾空格。 define 定义模块 (定义aes 未依赖任何 函数) 相当与返回i define ......
关于华为网络设备中配置文件的理解
基本概念 涉及配置文件管理的基本概念有3个：当前配置、配置文件、下次启动的配置文件。 （1）当前配置： 设备内存中的配置信息称为设备的当前配置，它是设备当前正在运行的配置。显然，设备下电后或设备重启时，内存中原有的所有信息（包括配置信息）都会消失。 （2）配置文件： 包含设备配置信息的文件称为配置文 ......
1.10学习进度
．使用 Linux 系统的常用命令 启动 Linux 虚拟机，进入 Linux 系统，通过查阅相关 Linux 书籍和网络资料，或者参考 本教程官网的“实验指南”的“Linux 系统常用命令”，完成如下操作： （1）切换到目录 /usr/bin； （2）查看目录/usr/local 下所有的文件； ......
神经网络优化篇：理解mini-batch梯度下降法（Understanding mini-batch gradient descent）
理解mini-batch梯度下降法 使用batch梯度下降法时，每次迭代都需要历遍整个训练集，可以预期每次迭代成本都会下降，所以如果成本函数\(J\)是迭代次数的一个函数，它应该会随着每次迭代而减少，如果\(J\)在某次迭代中增加了，那肯定出了问题，也许的学习率太大。 使用mini-batch梯度下 ......