mac或linux下可以work的代码如下:# coding=utf-8 import requests import re from bs4 import BeautifulSoup as bs import Queue import threading import random import re headers_useragents = [] headers_referers = []
原创 1小时前
0阅读
官网地址
原创 1小时前
0阅读
from __future__ import division, print_function, absolute_import import tflearn import numpy as np import math import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt import tensorflo
原创 1小时前
0阅读
tflearn tensorflow LSTM predict sin function
花式解释AutoEncoder与VAE什么是自动编码器自动编码器(AutoEncoder)最开始作为一种数据的压缩方法,其特点有:1)跟数据相关程度很高,这意味着自动编码器只能压缩与训练数据相似的数据,这个其实比较显然,因为使用神经网络提取的特征一般是高度相关于原始的训练集,使用人脸训练出来的自动编码器在压缩自然界动物的图片是表现就会比较差,因为它只学习到了人脸的特征,而没有能够学习到自然界图片的
原创 1小时前
0阅读
VAE--就是AutoEncoder的编码输出服从正态分布
Map(最大后验)在贝叶斯统计学中,最大后验(Maximum A Posteriori,MAP)估计可以利用经验数据获得对未观测量的点态估计。它与Fisher的最大似然估计(Maximum Likelihood,ML)方法相近,不同的是它扩充了优化的目标函数,其中融合了预估计量的先验分布信息,所以最大后验估计可以看作是正则化(regularized)的最大似然估计。 中文名 最大后验 外
https://sefiks.com/2018/03/23/convolutional-autoencoder-clustering-images-with-neural-networks/https://blog.keras.io/building-autoencoders-in-keras.htmlhttps://www.kaggle.com/atom1231/keras-autoencode
原创 1小时前
0阅读
实验了效果,下面的还是图像的异常检测居多。https://github.com/LeeDoYup/AnoGANhttps://github.com/tkwoo/anogan-keras看了下,本质上是半监督学习,一开始是有分类模型的。代码如下,生产模型和判别模型:### generator model define def generator_model(): inputs = Input
原创 1小时前
0阅读
官方的代码 https://github.com/Cloud-CV/EvalAI 我一直没法成功import yaml配置举办比赛(create a challenge on EvalAI 使用https://github.com/Cloud-CV/EvalAI-Starters)。 直到使用第三方的fork: https://github.com/live-wire/EvalAI&nb
原创 1小时前
0阅读
1、关于用abstract定义的类,下列说法中正确的是: A.可以被实例化 B.不能够派生子类 C.不
原创 1小时前
0阅读
equals与==相似 但是二者有所差距equals表示:比较二个对象内存空间的值是否一致;==表示:比较二个对象在内存中的地址是否一致;(她在北京)例如下面题型:描述现有如下成绩等级A,B,C,D。其中A代表优秀,B代表良好,C代表及格,D代表不及格。现在请你来为学生的成绩进行分级,如果用户输入错误则输出未知等级。输入描述:成绩等级对应的中文表述输出描述:优秀,良好,及格,不及格,未知等级代码如
原创 1小时前
37阅读
1点赞
equals与==比较
xgboost的可以参考:https://xgboost.readthedocs.io/en/latest/gpu/index.html整体看加速5-6倍的样子。Gradient Boosting, Decision Trees and XGBoost with CUDABy Rory Mitchell | September 11, 2017  &nbsp
原创 1小时前
0阅读
Gradient Boosting, Decision Trees and XGBoost with CUDA ——GPU加速5-6倍
先看看官方文档:MinHash for Jaccard DistanceMinHash is an LSH family for Jaccard distance where input features are sets of natural numbers. Jaccard distance of two sets is defined by the cardinality of t
原创 1小时前
0阅读
修改视图
原创 1小时前
25阅读
                   5.3修改视图UpdateView
面向切面编程(AOP)是一种编程思想,与OOP并不矛盾,只是它们的关注点相同。面向对象的目的在于抽象和管理,而面向切面的目的在于解耦和复用。举两个大家都接触过的AOP的例子:1)java中mybatis的@Transactional注解,大家知道被这个注解注释的函数立即就能获得DB的事务能力。2)python中的with threading.Lock(),大家知道,被这个with代码块包裹的部分立
原创 1小时前
0阅读
BFS模板,记住这5个: (1)针对树的BFS 1.1 无需分层遍历 from collections import deque def levelOrderTree(root): if not root: return q = deque([root]) while q:
原创 1小时前
0阅读
BFS (1)算法模板 看是否需要分层 (2)拓扑排序——检测编译时的循环依赖 制定有依赖关系的任务的执行顺序
https://splunkbase.splunk.com/app/3559/   详细参考:https://www.slideshare.net/Splunk/using-machine-learning-and-analytics-to-hunt-for-security-threats-webinar?from_action=save  Co
原创 1小时前
0阅读
[url]http://www.blogjava.net/amigoxie/archive/2007/11/09/159413.html[/url]
原创 1小时前
0阅读
关端点安全数据安全内容安全应用安全身份与访问安全云安全移动安全安全智能业务安全安全管理安全服务自主可控酷厂商测评认证安全媒体会议活动物联网安全密码安全
单调栈 stackhttps://leetcode-cn.com/problems/daily-tempratures/根据每日 气温 列表,请重新生成一个列表,对应位置的输入是你需要再等待多久温度才会升高超过该日的天数。如果之后都不会升高,请在该位置用 0 来代替。例如,给定一个列表 temperatures = [73, 74, 75, 71, 69, 72, 76, 73],你的输出应该是
原创 1小时前
0阅读
算法冲刺
现在 web 前端开发开发技术在不断地迭代更新,有很多从事前端开发的程序员在技术上会遇到瓶颈,这个时候小伙伴就应该通过不断的学习开发技术知识,来提升自身的开发技术水平,那小伙伴应该怎么来学习呢? 1.梳理清楚知识体系框架 学习前端开发技术,不管是入门还是进阶,一定都要有知识体系建设的想法。就算是刚开始学,也一定要有这样的意识。前面说过,因为前端知识点多而分散,所以如果不能构建起自己对于前端的知识体
中原一小圈
原创 1小时前
0阅读
和娃一起过暑假:一次4000+km自驾的尝试
TortoiseGit 使用扩展名为 ppk 的密钥,而不是 ssh-keygen 生成的 rsa 密钥。使用命令 ssh-keygen -C "邮箱地址" -t rsa 产生的密钥在 TortoiseGit 中不能使用。而基于 git 的开发必须要用到 rsa 密钥,因此需要用到 TortoiseGit 的 putty key generator 工具来生成既适用于 git
原创 1小时前
0阅读
Presto入门介绍1,Presto基本认识1.1 定义Presto是一个分布式的查询引擎,本身并不存储数据,但是可以接入多种数据源,并且支持跨数据源的级联查询。Presto是一个OLAP的工具,擅长对海量数据进行复杂的分析;但是对于OLTP场景,并不是Presto所擅长,所以不要把Presto当做数据库来使用。和大家熟悉的Mysql相比:首先Mysql是一个数据库,具有存储和计算分析能力,而Pr
原创 1小时前
38阅读
在现代操作系统里,由于系统资源可能同时被多个应用程序访问,如果不加保护,那各个应用程序之间可能会产生冲突,对于恶意应用程序更可能导致系统奔溃。这里所说的系统资源包括文件、网络、各种硬件设备等。比如要操作文件必须借助操作系统提供的api(比如linux下的fopen) 在电脑中,系统调用(英语:system call),指运行在用户空间的程序向操作系统内核请求需要更高权限运行的服务。系统调
原创 1小时前
0阅读
DbVisualizer对接FusionInsight¶ 适用场景¶ DbVisualizer 10.0.21 ↔ FusionInsight HD 6.5 (Hive/Phoenix/SparkSQL)简介¶ SQL开发工具,如DbVisualizer、DBeaver、Squirrel是数据库开发的常用选择,虽然这些工具大多不提供原生Hive、SparkSQL、Phoenix的支持,但是通过它们
原创 1小时前
0阅读
FI的developuser就是人机用户
JanusGraph是一个图形数据库引擎。 JanusGraph本身专注于压缩图序列化、丰富图数据建模、高效的查询执行。 此外,JanusGraph利用Hadoop进行图分析和批处理。JanusGraph为数据持久化,数据索引和客户端访问实现了强大的模块化接口。 JanusGraph的模块化架构使其能够与各种存储,索引和客户端技术进行互操作; 这也使得JanusGraph升级对应的组件过程变得更加
原创 1小时前
0阅读
JanusGraph架构——gremlin是提交spark任务计算,数据读写转给后端DB做读写
 目录:1.SMB概述2.SMB原理3.SMB配置一、SMB概述SMB(全称是Server Message Block)是一个协议名,可用于在计算机间共享文件、打印机、串口等,电脑上的网上邻居就是靠它实现的。SMB 是一种客户机/服务器、请求/响应协议。通过 SMB 协议,客户端应用程序可以在各种网络环境下读、写服务器上的文件,以及对服务器程序提出服务请求。此外通过 SMB 协议,应用程
wireshark 导出证书心逝夜空 2019-03-11 17:54:05  2592  收藏 3作者使用版本: Version 2.2.1 (v2.2.1-0-ga6fbd27 from master-2.2)1. 过滤证书    根据ssl协议来过滤需要的信息2.  选择有Certificat
原创 1小时前
0阅读
wireshark 导出tls ssl证书
AI书籍推荐 我最近看了下 https://book.douban.com/subject/30147778/ 另外 如果要看电子书的话 建议看这个https://book.douban.com/subject/27154347/ 评价也非常高 从项目着手 机器学习和深度学习都有 并且难度也不高 其中文翻译电子版可以看这里 https://github.com/it-ebooks/han
原创 1小时前
51阅读
最小哈希维基百科,自由的百科全书 在计算机科学领域,最小哈希(或最小哈希式独立排列局部性敏感哈希)方法是一种快速判断两个集合是否相似的技术。这种方法是由Andrei Broder (1997),[1]发明的,最初在AltaVista搜索引擎中用于在搜索结果中检测并消除重复Web页面。[2]它同样也应用于大规模聚类问题,比如通过文档间包含的词语相似性进行聚类。[1]目录1雅可比相
原创 2小时前
35阅读