此次实验用了5根杜邦线。
dht11的data端接在STM32的PG11上；
dht11的VCC端接在STM32的J27的3.3V上；
dht11的GND端接在STM32的J27的GND上；
小风扇负极接在J18的GND上；
小风扇的正极接在STM32的PA6上；
当程序下载到开发板当前，在程序设置了温度达到20度-25度时，小风扇转动；
所以当温度达到20度-25度时，小风扇转动；
温度低于20度时或高于25度时，小风扇不转。

全部下载part1-part6才能解压，共计580M。
sqldbx连接db2必备IBM数据服务器客户机版本11.5.0.0。
多合一版本包含各类驱动JDBC、ODBC、CLI等IBM数据服务器客户机是用于DB2数据服务器的一组客户机应用程序驱动程序和工具。
它支持运转使用了嵌入式SQL、ODBC、CLI、JDBC、SQLJ、.NET、OLEDB、PHP、Ruby、CLPPLus和CLP接口的应用程序。
对于全面了解客户机程序包的内容并且需要其他功能部件的客户，此客户机程序包是其首选IBM数据服务器驱动程序程序包的替代项。

中华新华字典数据库。
包括歇后语，成语，词语，汉字。
提供新华字典API。
中华新华字典数据库和API。
收录包括14032条歇后语，16142个汉字，264434个词语，31648个成语。
对功能没需求的话，可以用我的新华字典API。
所有的数据放在data/目录。
github：https://github.com/pwxcoo/chinese-xinhua上的资源

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

Apache组织提供的一个开源组件Commons-FileUpload,该组件可以方便的将“multipart/form-data”类型请求中的各种表单域解析出来，并实现一个或多个文件的上传，同时也可以限制上传文件的大小等内容。
其功能十分优异，使用极其简单。

AndroidMVP架构：示例应用该存储库包含一个详细的示例应用程序，该应用程序使用Dagger2，GreenDao，RxJava，FastAndroidNetworking，PlaceHolderView和AndroidDebugDatabase实现MVP架构建筑蓝图项目结构阅读下面列出的文章。
他们描述了MVP概念和项目结构。
该应用程序具有以下软件包：data：它包含所有数据访问和操作组件。
di：使用Dagger2的依赖项提供类。
ui：查看类及其相应的Presenter。
service：应用程序的服务。
utils：实用程序类。
类的设计方式是可以承继并最大化代码重用。
图书馆参考资源：RxJava2：：Dagger2：：FastAndroidNetworking：:PlaceHolderView：:Andr

本程序使用Python2.7+PyQt4编写，可用于QQ游戏的pkg资源包解密，提取pkg资源包内的图片资源。
文件列表：PKGDecodeTool.ui：使用QtDesigner(Qt设计师)生成的界面描述文件PKGDecodeTool_ui.py：pyuic4生成的python界面代码文件PKGDecodeTool.py：主程序python逻辑处理代码文件PKGDecodeTool.exe：PKG资源包解密工具主程序，使用pyinstaller-1.5.1打包。
MIF2BMP.7z：网上一位兄弟所写的将QQ资源里面的*.mif文件转换为*.bmp的程序，没有源代码，程序里面没有用到，仅提供参考。
mif2png.zip：作者同上，将QQ资源里面的*.mif文件转换为*.png的程序，没有源代码，程序里面没有用到，仅提供参考。
QQ游戏pkg资源包存放路径示例：D:\ProgramFiles\腾讯游戏\QQGAME\hlddzSDK\data\hlddz.pkg(QQ游戏2011欢乐斗地主)声明：程序所提取的QQ游戏资源图片的版权依法为腾迅公司所有，只供个人学习研究使用，勿用于非法用途，否则后果自傲。

Learning-basedVideoMotionMagnification代码+预锻炼模型data+测试视频数据baby

在Jupyter笔记本中编写和共享计算分析的十个简单规则该存储库是对及其预印本浏览以下示例笔记本，了解十个简单规则的应用。
此外，我们还建立了以众包更多技术和深入的教程，并紧跟快速发展的Jupyter生态系统。
我们鼓励您贡献并分享您的专业知识。
例子1本示例演示了使用机器学习方法预测蛋白质折叠分类的可重现的4步工作流程。
规则9：设计笔记本以供阅读，运行和浏览。
下面的nbviewer链接提供笔记本电脑和笔记本电脑的非交互式预览。
按钮使用Binder（）服务器在Web浏览器中启动JupyterNotebook或JupyterLab（可能很慢！）。
（请参阅Binder网站如何设置到Git存储库的链接。
）HTML链接提供了笔记本的永久静态记录。
也可以从0-Workflow.ipynb顶级笔记本中的链接直接启动所有笔记本。
NbviewerJupyter笔记本Jupyter实验室HTML规则8：共享和解释您的数据。
为了实现可反复性，我们提供了example1/data目录，其中包含运行工作流程所需的所有数据。
该数据与下载位置和下载日期

白蚁须藤一个为Termux提供sudo的bash脚本Termux是适用于Android的终端仿真器和Linux环境笔记termux-sudo最初托管在GitHub上。
由于Microsoft正在购买GitHub，因此我决定将其移至此处。
要求带有Su二进制的植根电话SU不能在没有SU的情况下工作安装sudo克隆termux-sudo或下载到手机并提取开放终端安装sudo所需的依赖项：pkginstallncurses-utils更改为克隆或提取目录执行以下命令以将sudo放入具有正确权限和所有权的正确目录中catsudo＞/data/data/com.termux/files/usr/bin/sudochmod700/data/data/com.termux/files/usr/bin/sudo特征初次运行时自动设置其环境，无需任何操作即可

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。