CreateReactApp入门该项目是通过引导的。
可用脚本在项目目录中,可以运行:yarnstart在开发模式下运行该应用程序。
打开在浏览器中查看它。
如果您进行编辑,则页面将重新加载。
您还将在控制台中看到任何棉绒错误。
yarntest在交互式监视模式下启动测试运行器。
有关更多信息,请参见关于的部分。
yarnbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React,并优化了构建以获得最佳功能。
生成被最小化,并且文件名包括哈希值。
您的应用已准备好进行部署!有关更多信息,请参见关于的部分。
yarneject注意:这是单向操作。
eject,您将无法返回!如果您对构建工具和配置选择不满意,则可以随时eject。
此命令将从您的项目中删除单个生成依赖项。
相反,它将所有配置文件和传递依赖项(webpa
2023/2/12 5:32:06 757KB CSS
1
1、将解压出来的文件全部复制到c:\windows目录下,然后在桌面的屏幕属性屏幕保护程序而选择本程序即可2、MagicImages_Config.lua文件为本屏保程序的配置文件,采用Lua编写,通过修改此文件可自在定制模型显示效果或图片,图片只支持256*256大小位图文件格式(.bmp)3、支持鼠标、键盘光标改变视图与视角4、点击图片可放大缩小图片5、场内内置一个聚光灯,纯黑背景,故无阴影显示本程序无版本限制,可自在使用^_^作者:屈金元(offar@163.com)QQ:421137802
2023/2/11 11:09:08 808KB OpenGL 3D 屏保 屏幕保护程序
1
如果您用VC++创建了一个庞大复杂的工程,而您又想重新命名它,这个软件将有助您在短短几秒钟内完成,减少了繁重的手动更改劳动!如果您想在以前用VC++创建的工程基础上作一些改动而生成另一个新的工程(老的工程保留),这将是您的最佳选择,并且简单快捷!使用本软件,将VC++工程文件改名,几而需简单几步即可以完成工程文件改名动作,并且自动命名由VC++工程向导生成的类、工程配置文件(*.dsp,*.dsw,*.clw,*.rc,*.rc2)、*.H文件、*.CPP文件、协助文件(*.hpj,*.hm,*.hm等)、注册文件(*.rgs,*.idl,*.odl)等,几乎支持所有VC++工程向导生成的工程。
不会更改以前的工程文件,它只是生成了一个新的工程目录!请放心使用!
2023/2/9 20:38:32 220KB MFC 改名 工具
1
该项目是通过。
可用脚本在项目目录中,可以运行:yarnstart在开发模式下运行应用程序。
打开在浏览器中查看。
如果进行编辑,页面将重新加载。
您还将在控制台中看到任何棉绒错误。
yarntest在交互式监视模式下启动测试运行程序。
有关更多信息,请参见关于的部分。
yarnbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React,并优化了构建以获得最佳功能。
最小化构建,文件名包含哈希。
您的应用已准备好进行部署!有关更多信息,请参见有关的部分。
yarneject注意:这是单向操作。
eject,您将无法返回!如果您对构建工具和配置选择不满意,则可以随时eject。
此命令将从项目中删除单个构建依赖项。
而是将所有配置文件和传递依赖项(Webpack,Babel,ESLint等)直接复制到您的项目中,以便您完全
2023/2/9 15:44:34 251KB TypeScript
1
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。
2023/2/8 18:37:14 3.39MB 文本挖掘 tmSVM libSVM 支持向量机
1
本例子是Spring.Net整合NHibernate的完整示例,下载后根据NHibernate配置文件建表直接运行即可。
如果对你有协助请评论给个好评。
2023/2/8 11:35:37 3.3MB Spring.Net NHibernate
1
定时读取PDF文件并且批量插入38W条数到数据库,里面包含线程定时执行线程,事务批量插入,读取配置文件工具类,数据库衔接工具类,日期工具类,一个小的项目。
2023/2/7 18:50:04 1.39MB 批量插入 读取pdf 定时 线程
1
整理了一份最新基于MySQL5.6和5.7的配置文件模板,基本上可以说覆盖90%的调优选项,用户只需根据本人的服务器配置稍作修改即可,如InnoDB缓冲池的大小、IO能力(innodb_buffer_pool_size,innodb_io_capacity)。
特别注意,这份配置文件不用修改,可以直接运行在MySQL5.6和5.7的版本下,这里使用了小小的技巧,具体可看配置文件。
[mysqld]########basicsettings########server-id=11port=3306user=mysqlbind_address=10.166.224.32autocommit=0…………
2023/2/6 23:48:46 4KB MySQL 5.7 my.ini 最优配置模板
1
文档管理系统源码,已实现次要功能及次要流程。
文件存储采取fastDFS,具体配置请见App.config配置文件,文档可在线编辑,留痕。
自定义设置指定用户对文件的操作权限,共享文件可以设置每个部门只允许查看本部门的文件.根据文档流转的范围,对文档进行多部门的分级管理,确保文档在指定范围内使用.对共享文件进行加密,管理员设置用户的访问权限,设置可查看不可编辑、可编辑不可带走等
2023/2/6 15:26:18 20.01MB 文档 C# 文档管理 文件
1
具有许多NSFW和有趣命令以及实用程序和审核功能的多功能Discord机器人。
去有关完整的命令列表。
默认前缀是。
所以help命令将是.help如果您不想遵照以下步骤,请使用。
安装指南现在,您可以从发布页面下载该漫游器,以便更轻松地遵照此设置指南。
获取您的凭证:转到提出一个新的应用程序。
转到“机器人”标签,然后单击“添加机器人”。
代币您的令牌就是您用来登录机器人的令牌。
在漫游器标签上,点击复制并显示令牌。
复制令牌后,您现在可以将其粘贴到配置文件中。
确保您在语音标记之间粘贴它。
您的不合格ID要获取ID,请访问“不和谐”设置,然后转到“外观”。
进入外观选项卡后,向下滚动直到找到“开发人员模式”。
打开“开发人员模式”现在,开发人员模式已打开,在任何服务器上键入一条消息,然后右键单击您的名称,然后单击coppyid。
将复制的ID粘贴到配置的“devID”部分。
如果正确遵照了步骤,则config.json文件现在应如下所示:{"token":"Yourdiscordtoken","prefix":"Y
2023/2/6 13:38:29 119KB nodejs music bot npm
1
共 778 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡