~/.config我的zsh，git和应用程序设置。
将其复制到~/.config。
如果它不是一台全新的计算机，则您可能已经有了一些文件/文件夹。
您可以替换它们或将它们合并在一起。
gitclonegit@github.com:samrose3/dotfiles.git~/.config安装脚本在运行安装脚本之前，将gitconfig.user.sample复制为gitconfig.user，并填写您自己的信息。
#Createyourowngitconfig.usercp./git/gitconfig.user.sample./git/gitconfig.user#Updatewithyourinfovim./git/gitconfig.userinstall.sh自负：回顾install.sh，编辑其要求并执行它。
它将通

针对弹性光网络中业务的选路、频谱分配进行了研究，考虑到物理节点对业务安全性的影响，建立了以满足业务最低安全级别要求为约束、以最小化网络中最大占用频隙号为优化目标的全局约束优化模型。
为有效求解该约束优化模型，设计了全局优化算法。
将疏导后的业务按照某种排序策略进行排序，为每个业务选择K条满足业务最低安全级别要求的路径。
利用改进的遗传算法为每个业务选择合适的路径并确定最优的频谱分配方案，使得网络中最大占用频谱号最小。
为验证该算法的有效性，在不同的网络拓扑中进行了仿真，结果表明，所设计的算法可实现高效的频谱分配。

爬取实时搜索商品，python开发，web技术是简单的Flask，最小的代码爬取你想要的商品信息

解决最小化安装的系统缺少各类命令问题，比如route，ifconfig等

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

该资源为硬件设计图纸，内有完整的AltiumDesigner(13.0)工程、原理图、PCB和主控引脚资源分配。
主要由WiFi无线通讯电路、时钟电路（内置备用电源）、主控最小系统电路、供电电路、OLED显示电路、按键电路等组成，主控芯片为STM32F103C8T6、WiFi模块为ESP-12F、OLED显示屏为裸屏开发、时钟芯片为PCF8563。

stm32f103c8t6最小系统板驱动MPU6050模块IIC读取mpu数据发送给串口显示串口显示

采用模块化硬件电路搭建，stm32位某宝买的最小系统板，液晶模块为某宝买的自带ili9341驱动的板，因stm32位48脚芯片，不具备fsmc功能，采用模拟方式16位显示（a端口0~15）。
（注：触屏输入暂未实现）

CreateReactApp入门该项目是通过。
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性能。
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，ESLin

51单片机最小系统，PCB板，单面，本人亲自做过，附有图、元件清单，做前请看说明，有些地方要注意的

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。