megengine月报 使用技巧 开发者
小程序开发：完善新增和编辑所思所想功能
上文说到我们完成了编辑页使用富文本编辑器和详情页可以显示图片的功能。这里我们再完善下新增和编辑功能，以前因为CURD都是生成的，所以新增和编辑页会有很多重复代码，需要直接删除新增页面，保留编辑页即可，这里的逻辑是：有id则为编辑、没有则为新增。逻辑明确了，我们就开动。回顾了下首页列表，我还是觉得得在 ......
小程序开发：完善步骤条的上滑、下拉刷新操作
上文说到，我们完善了数据接入以及对笔记的删除、编辑功能，还有将页面顶部的写一条按钮放到了右下角悬浮。样式如下： 原有的下拉刷新和上拉加载函数如下： 因为刚开始用的是uniapp的unicloud-db组件： 其实自己写一个查询会比用这个更灵活，而且是云函数，这样改动云函数也不需要将小程序重新提审。也 ......
小程序开发：笔记详情显示图片以及可以富文本编辑
上文说到：把笔记列表的下拉刷新、上拉加载更多功能完成了。 本文主要完成的功能项：页面显示图片、编辑时富文本编辑。现在的详情页是这样的： 图片还是个url。刚抽空把首页列表的无数据时展示提示的功能做了，大概样式如下： 而现在的编辑页面是这样的： 只是简单的文字编辑功能，得改造为富文本编辑器，这样可修改 ......
小程序开发：将改造后的步骤条插件移植到自己的小程序
删减了很多原组件代码和用不上的一些组件之后就可以正式移植到自己的小程序了。对比下移植前小程序包大小和移植后小程序包大小：移植前： 移植后： 所有文章类的页面单独分了分包，不占用主包大小，因为主包最多2m，单个分包也不能超过2m。步骤条代码经过删减后，仅16.3k。且移植后效果一样： 接下来就是数据接 ......
小程序开发：在插件市场寻找步骤条组件并二开
想实现一个可滚动的步骤条用来显示自己的随笔 作为一名全栈工程师，要是全部都自己写，那太废时间了，首先去uniapp的插件市场逛逛看有没有符合需要的组件先：第一个： 看着符合自己的要求了，该有的有了，但是感觉左边的色调太单调了，故pass。第二个： 这个看起来颜色就比较丰富一些了，右边也有卡片式的布局 ......
C# 方法中的 引用参数 ref out 的使用
应用于参数声明，以按引用而不是按值传递参数： ref：在调用方法之前必须初始化参数。 该方法可以将新值赋给参数，但不需要这样做。 out：该调用方法在调用方法之前不需要初始化参数。 该方法必须向参数赋值。 ref 参数修饰符 若要使用 ref 参数，方法定义和调用方法均必须显式使用 ref 关键字 ......
OpenCV - 计算机视觉开发
OpenCV 介绍 OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了很多函数，这些函数非常高效地实现了计算机视觉算法（最基本的滤波到高级的物体检测皆有涵盖）。 OpenCV 是跨平台的，可以在 Windows、Linux、Mac ......
Mybatis之TypeHandler使用教程
引言 MyBatis 是一款优秀的持久层框架，它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及获取结果集。MyBatis 可以使用简单的 XML 或注解来配置和映射原生信息，将接口和 Java 的 POJOs(Plain Old Java ......
【Leetcode1949. 坚定的友谊】使用MySQL在无向图中寻找{"CompleteTripartite", {1, 1, 3}}这个pattern
题目地址 https://leetcode.cn/problems/strong-friendship/ 思路 就是在无向图中寻找这个pattern： (* Mathematica *) GraphData[{"CompleteTripartite", {1, 1, 3}}] SQL写还是比较麻烦。 ......
.NET中使用HtmlSanitizer来有效的防范XSS攻击！
一个.NET开源库HtmlSanitizer，它是一个用于清理HTML内容的类，可以帮助开发人员防止跨站脚本攻击（XSS）等网络安全漏洞。它提供了一种简单而有效的方式来确保用户输入的HTML内容是安全的，从而防止恶意代码注入到应用程序中。 ......
简单说一下mybatis的多表映射的使用
MyBatis 是一种流行的 Java 持久层框架，它提供了一种简单而强大的方式来进行数据库操作。在 MyBatis 中，多表映射是指将数据库中多个关联表之间的数据映射到 Java 对象中的过程。 MyBatis 提供了多种方式来实现多表映射，下面是其中两种常用的方法： 使用嵌套查询（Nested ......
使用Mixtral-offloading在消费级硬件上运行Mixtral-8x7B
Mixtral-8x7B是最好的开放大型语言模型(LLM)之一，但它是一个具有46.7B参数的庞大模型。即使量化为4位，该模型也无法在消费级GPU上完全加载(例如，24 GB VRAM是不够的)。 Mixtral-8x7B是混合专家(MoE)。它由8个专家子网组成，每个子网有60亿个参数。8位专家中 ......
2024-01-13 Can't perform a React state update on an unmounted component. This is a no-op, but it indicates a memory leak in your application. ==》引用了未使用的方法导致
react+antd业务代码报错： Can't perform a React state update on an unmounted component. This is a no-op, but it indicates a memory leak in your application. T ......
学习如何使用 Python 连接 MongoDB: PyMongo 安装和基础操作教程
Python 可以用于数据库应用程序。最流行的 NoSQL 数据库之一是 MongoDB MongoDB MongoDB 将数据存储在类似 JSON 的文档中，使数据库非常灵活和可扩展。 您可以在 MongoDB 官网 上下载免费的 MongoDB 数据库 PyMongo Python 需要一个 M ......
QT开发 2024最新版本优雅的使用vscode开发QT
⚔️▬▬▬▬▬▶VS开发QT◀▬▬▬▬▬⚔️ ⚔️先看效果 ⚔️编辑环境变量 如图添加环境变量！！！东西全在QT的安装目录！！！找不到的按照我下面的教程再装一次！！！ https://blog.csdn.net/lllmeimei/article/details/135502781?spm=1001 ......
Android Bluetooth 蓝牙开发/蓝牙协议 小结
蓝牙术语 蓝牙 蓝牙术语： HFP(Hands-free Profile)耳机模式： 让蓝牙设备可以控制电话，如接听、挂断、拒接、语音拨号等，拒接、语音拨号要视蓝牙耳机及电话是否支持。 HSP（Handset Profile）耳机模式 用于支持蓝牙耳机与移动电话之间使用 蓝牙电话广播： Blueto ......
Windows 10 中，可以使用 PowerShell 添加打印和文件服务的角色功能组件，包括 Internet 打印客户端、LPD 打印服务和 LPR 端口监视器 PowerShell 添加打印机并创建新的 LPR 端口。以下是添加打印机和创建新端口的 PowerShell 命令在 Windows 10 中，可以使用 PowerShell 添加 LPR 兼容打印机。
在 Windows 10 中，可以使用 PowerShell 添加打印和文件服务的角色功能组件，包括 Internet 打印客户端、LPD 打印服务和 LPR 端口监视器。以下是添加这些功能组件的 PowerShell 命令： 首先，以管理员身份打开 PowerShell 终端。在开始菜单中搜索 " ......
简易机器学习笔记（十一）opencv 简易使用-人脸识别、分类任务
前言 前段时间摸了下机器学习，然后我发现其实openCV还是一个很浩瀚的库的，现在也正在写一篇有关yolo的博客，不过感觉理论偏多，所以在学yolo之前先摸一下opencv，简单先写个项目感受感受opencv。 流程 openCV实际上已经有一个比较完整的模型了，下载在haarcascades 这里 ......
从传统行业到半导体行业开发（YMS,DMS,EAP,EDA）
一线开发人： 今天半导体YMS 项目快要收尾了，我的心情有点高兴，多年来我一直保持着写作的习惯，总是想写一些什么，今天但是又不知道从何说起。自己从传统的行业转向左半导体行业开发。从电*机如软件开发到电*软件开发再到半导体软件开发。博客园已经很多读者都不在更新和写作，但是我依然是那个坚持在写的人。下面 ......
UCB Data100：数据科学的原理和技巧：第十一章到第十五章
十一、恒定模型、损失和转换 原文：Constant Model, Loss, and Transformations 译者：飞龙 协议：CC BY-NC-SA 4.0 学习成果 推导出在 MSE 和 MAE 成本函数下恒定模型的最佳模型参数。 评估 MSE 和 MAE 风险之间的差异。 理解变量线性 ......
UCB Data100：数据科学的原理和技巧：第十六章到第二十章
十六、交叉验证和正则化 Cross Validation and Regularization 译者：飞龙 协议：CC BY-NC-SA 4.0 学习成果 认识到需要验证和测试集来预览模型在未知数据上的表现 应用交叉验证来选择模型超参数 了解 L1 和 L2 正则化的概念基础 在特征工程讲座结束时（ ......
UCB Data100：数据科学的原理和技巧：第一章到第五章
一、引言 原文：Introduction 译者：飞龙 协议：CC BY-NC-SA 4.0 学习成果 了解 Data 100 的总体目标 了解数据科学生命周期的阶段 数据科学是一个跨学科领域，具有各种应用，并且在解决具有挑战性的社会问题方面具有巨大潜力。通过建立数据科学技能，您可以赋予自己参与和引领 ......
UCB Data100：数据科学的原理和技巧：第六章到第十章
六、正则表达式 原文：Regular Expressions 译者：飞龙 协议：CC BY-NC-SA 4.0 学习成果 了解 Python 字符串操作，pandas Series方法 解析和创建正则表达式，使用参考表 使用词汇（闭包、元字符、组等）描述正则表达式元字符 这些内容在第 6 和第 7 ......
构造题技巧
人太蠢了，只能学点技巧了。 参考：https://www.luogu.com.cn/blog/yeah-potato/gou-zao-ti-fang-fa-zong-hui CF417E Square Table 要构造矩形，先考虑构造一行，然后推广到矩形。 CF1450C2 Errich-Tac- ......
【C++】OpenCV4-线条、矩形、圆形、椭圆等图形的绘制与填充、RNG随机函数的使用
图形的绘制与填充： //图形的绘制与填充 Mat canvas = Mat::zeros(Size(512, 512), CV_8UC3); namedWindow("canvas", WINDOW_AUTOSIZE); //相关绘制API演示 //绘制直线 line(canvas, Point(1 ......
如何开发医疗保险欺诈识别监测模型中的模型选择与构建？
开发医疗保险欺诈识别监测模型时，选择合适的模型和构建有效的模型是至关重要的。以下是一些建议： 模型选择： 逻辑回归： 适用于线性关系，简单、快速，容易解释。 决策树和随机森林： 能够处理非线性关系，对异常值和噪声相对鲁棒，易于解释。 支持向量机（SVM）： 在高维空间中表现良好，对于复杂的非线性关系 ......
如何开发医疗保险欺诈识别监测模型中的模型训练与调优？
医疗保险欺诈识别模型的训练与调优是一个关键的步骤，它直接影响模型的性能。以下是一些建议： 1. 数据准备与预处理： 数据清理： 处理缺失值、异常值，确保数据的质量。 特征工程： 提取有助于欺诈检测的特征，可能需要与领域专家一起进行。 数据平衡： 处理正负样本不平衡，可以考虑欠采样、过采样或使用权重调 ......
如何开发医疗保险欺诈识别监测模型中的特征工程？
在开发医疗保险欺诈识别监测模型时，特征工程是一个关键的步骤，它有助于提取、转换和选择最相关的特征，以改善模型的性能。以下是在开发医疗保险欺诈识别监测模型时进行特征工程的一些建议： 基本特征提取： 提取基本的医疗保险相关特征，如就医次数、就医地点、就医科室、医疗费用等。 时序特征： 如果数据包含时间信 ......
开发医疗保险欺诈识别监测模型如何进行数据集分析与预处理
数据集加载： 使用工具如Pandas库加载数据。使用pd.read_csv()等函数加载数据集到DataFrame。 初步数据探索： 使用head()、info()、describe()等方法查看数据的前几行、基本信息和统计摘要。 使用shape属性获取数据集的大小。 处理缺失值： 使用isnull ......