https://download.csdn.net/download/qq_41739364/86339152
2024/10/1 23:17:35
2.08MB
1
python解析xmind工具，可将xmind文件内容解析成所需的数据类型（dict、json、xml），同时还可将展示结果配置化
2024/7/18 15:49:41
12KB
1
LRU缓存和Bloom过滤器1.删除操作序列化DELETE操作完整的实现在。
defserialize_DELETE(id):envelope_bytes=pickle.dumps({'operation':'DELETE','id':id})returnenvelope_bytes,id服务器进程删除完整的实现在。
ifoperation=='DELETE':ifself.db.delete(key):return"Success"else:return"IDnotexists!"数据库的删除操作完整的实现在。
classMyDict(dict):defde
defserialize_DELETE(id):envelope_bytes=pickle.dumps({'operation':'DELETE','id':id})returnenvelope_bytes,id服务器进程删除完整的实现在。
ifoperation=='DELETE':ifself.db.delete(key):return"Success"else:return"IDnotexists!"数据库的删除操作完整的实现在。
classMyDict(dict):defde
2024/6/23 1:21:03
17KB
1
过滤器相似度CIFAR10模型砝码使用链接下载权重（您必须手动下载和提取）。
要将路径设置为下载的weights文件夹，请在vgg.py指定path_to_state_dict。
依存关系通过运行以下命令安装依赖项：pipinstall-rrequirements.txt选项：-net-架构的选择（默认：resnet18）-dataset选择数据集（默认值：cifar10）-tr-batch训练批次大小（默认值：512）-val-batch验证批次大小（默认值：512）-lr学习率（默认值：0.1）-wd权重衰减（默认值：5e-4）-epochs要训练的时期数（默认值：300）-cpu-cpu标志-reinit分集丢失使用标志-mode-在转移和默认训练之间选择如何运行：pythontrain.py-lr0.1-gpu-dat
要将路径设置为下载的weights文件夹，请在vgg.py指定path_to_state_dict。
依存关系通过运行以下命令安装依赖项：pipinstall-rrequirements.txt选项：-net-架构的选择（默认：resnet18）-dataset选择数据集（默认值：cifar10）-tr-batch训练批次大小（默认值：512）-val-batch验证批次大小（默认值：512）-lr学习率（默认值：0.1）-wd权重衰减（默认值：5e-4）-epochs要训练的时期数（默认值：300）-cpu-cpu标志-reinit分集丢失使用标志-mode-在转移和默认训练之间选择如何运行：pythontrain.py-lr0.1-gpu-dat
2023/3/21 5:28:19
46KB
1
30万中文分词词库,42537条伪原创词库,dict.txt,fingerDic.txt,httpcws_dict.txt,out.txt,百度分词词库.txt,词库地址.txt,词库下载地址.txt,四十万汉语大词库.txt,四十万可用搜狗txt词库.txt,搜狗词库方式.txt,五笔词库.TXT解压密码为:www.5eyi.com想省资源分可以到http://www.5eyi.com/download-sphinx-chinese-word-lexicon-collected/下载
2018/5/15 3:22:21
6.36MB
1
介绍一个简单的程序，用于计算无法直接加载到内存（1GB）的大文件（100GB）中最常出现的url的topn。
用法生成测试数据makedata使用1GB网址进行测试maketest使用100GB网址运行makerun算法根据hash（url）将输入文件拆分为1009个小文件。
加载每个小文件，通过dict计算url的出现次数，然后通过堆获取topn出现次数。
合并步骤2中所有出现的topn事件，并获得最终的topn并进行打印。
复杂度分析N是网址数。
NS是分割文件的数量，等于1009。
K是我们想要的结果URL的数量，等于100。
BS是缓冲区大小的大小，可能是4096或8192，请参见步骤1从输入文件读取或写入拆分文件的时间均为N/BS*T（diskio），哈希计算的时间为N*T（hash），因而时间复杂度为O（max（2*N
用法生成测试数据makedata使用1GB网址进行测试maketest使用100GB网址运行makerun算法根据hash（url）将输入文件拆分为1009个小文件。
加载每个小文件，通过dict计算url的出现次数，然后通过堆获取topn出现次数。
合并步骤2中所有出现的topn事件，并获得最终的topn并进行打印。
复杂度分析N是网址数。
NS是分割文件的数量，等于1009。
K是我们想要的结果URL的数量，等于100。
BS是缓冲区大小的大小，可能是4096或8192，请参见步骤1从输入文件读取或写入拆分文件的时间均为N/BS*T（diskio），哈希计算的时间为N*T（hash），因而时间复杂度为O（max（2*N
2022/9/25 16:57:51
14.13MB
1
Pandas是什么？1、一个强大的分析结构化数据的工具集2、基础是NumPy，提供了高功能矩阵的运算3、应用在数学挖掘，数据分析。
比如，学生成绩分析，股票数据分析等4、提供数据清洗功能Pands数据结构，主要分为两种，Series和DataFrame1、类似一维数组的对象2、通过list构建Seriesser_obj=pd.Series(rang(10))3、由数据和索引组成索引在左，数据在右索引是自动创建的4、获取数据和索引5、预览数据(取前几个)ser_obj.head(n)6、通过索引获取数据7、索引与数据的对应关系仍保持在数组运算的结果中（过滤series中的数据）8、通过dict构建
比如，学生成绩分析，股票数据分析等4、提供数据清洗功能Pands数据结构，主要分为两种，Series和DataFrame1、类似一维数组的对象2、通过list构建Seriesser_obj=pd.Series(rang(10))3、由数据和索引组成索引在左，数据在右索引是自动创建的4、获取数据和索引5、预览数据(取前几个)ser_obj.head(n)6、通过索引获取数据7、索引与数据的对应关系仍保持在数组运算的结果中（过滤series中的数据）8、通过dict构建
2022/9/3 11:37:56
252KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB