INTVW ZLWX

服务器端：  server.c // //  server.c //  Socket // //  Created by zlwx on 13-11-5. //  Copyright (c) 2013年 zlwx. All rights reserved. // #include #include #include #include #include #inclu

支付宝支付官网demo调试

首先要说的，IE浏览器简直是前端人的噩梦 ，每天一句辣鸡IE，下面我就把我大战IE三天的经历和大家一吐为快 1 梦开始 项目中要使用pdf预览功能，当时我想：这个我熟阿，pdf.js绝对是首选技术，因为它兼容IE9版本以上，Chrome等主流浏览器更是没问题。于是去pdf.js官网直接找到主流版本2.5.207下载下来，经过一把soul后，最终在Chrome浏览器和IE浏览器打开都能正常预览，心里想：这事到这就算结束了 提一嘴：为什么说2.5.207是主流版本，因为该版本对IE的兼容性很好，不少文章都提到过

# THIS IS AN AUTOGENERATED FILE. DO NOT EDIT THIS FILE DIRECTLY.# yarn lockfile v1JSONStream@~1.3.1:version "1.3.5"resolved "https://registry.yarnpkg.com/JSONStream/-/JSONStream-1.3.5.tgz#3208c1f08d3a...

//写一个init的函数来获取微信配置信息。apis里面是jS接口列表。back是接口用wx.接口名。对应api里面的接口。使用wxapi的时候都调用一次 var init = function (apis, back) {     api("WechatShare/share", { url: (location + '').replace(/#.+/, "") },10).then(db

RT-Thread——STM32——环境搭建 概述 本教程主要根据官方推荐的教程进行环境搭建，但是在打包方面按照自己的习惯进行了打包。 RT-Thread官网有特别详细的教程，这儿就不详细说明RT-Thread官网 软件准备 MDK528a (Keil5) CubeMx_v5-2-0 STM32CubeMx的支持包 以下是我百度网盘已经下好的资源，大家可以直接拿来使用 MDK528a (K...

Arguments:/Users/liujianwei/.nvm/versions/node/v10.17.0/bin/node /usr/local/bin/yarn add cryptoPATH:/Users/liujianwei/.nvm/versions/node/v10.17.0/bin:/Users/liujianwei/linuxscript:/usr/local/bin:/usr/...

目标:将前端传进来的base64 转换成图片,并保存到指定目录,然后将目录存入数据库.这个实际项目中还是挺常见的. 代码如下; 先掉base64ToByte(); 在调用 filePath() 代码可以直接使用(优化靠自己) //先将base64转成字节数在 public static byte[] base64ToByte(String imageBase64) { byte[] b = null; Base64.Decoder decoder = Base64.getDecoder...

Ubuntu下通过下面的命令获取安装介质 wget https://s3-us-west-2.amazonaws.com/grafana-releases/release/grafana_4.3.2_amd64.deb sudo dpkg -i grafana_4.3.2_amd64.deb 直接解压即可 sudo dpkg -i grafana_4.3.1_amd64.d

4邻域：一个像素的上下左右相邻的 4个像素 8邻域：一个像素的上下左右和对角线相邻的 8个像素 4邻接：像素和它的4邻域的4个像素是4邻接的 8邻接：像素和它的8邻域的8个像素是8邻接的 满足4邻接或者8邻接的像素之间具有邻接性。 m邻接的定义： V={1}是定义邻接性的集合，即如果两个像素都为1，且满足4/8邻接要求的话，那么它们是邻接的 两个像素（p,q）满足以下两个条件之一则认为是m邻接： p q是4邻接的 p q 的4邻域交集为空（交集中的元素不在V中） 采用m邻接（不是4邻接、也不是8邻接）的

把卷积最后一层输出的feature map上不同大小的候选框（对应原图上的候选框），转换为相同大小的特征，作为下一层全连接的输入。使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作。将主流目标检测器分为：input，backbone, neck,head。ROI Pooling和ROI Align：都是把特征图上不同大小的ROI转换成相同大小的输出特征。ROI Align （Mask RCNN中提出）：是对ROI Pooling的改进，主要区别是。

如果该层进行了dropout, 相当于有p的概率被丢弃，(1-p)的概率被保留，则此层的期望为(1-p)假设失活概率为 p ，就是这一层中的每个神经元都有p的概率失活，这样在训练和测试时，输出层每个神经元的输入和的期望会有量级上的差异。将网络层的输出分布强制转为均值为0，方差为1的分布之后，为了部分还原，又乘以伽马（γ，scale)，加上贝塔(β，shift)。0=(1-p)a, 为了保证输入与输出的期望一致，需要在训练的时候，对bn层的输出做：y = y / (1-p) 的处理。

python查找一个字符串是否包含字符列表中的所有字符，并且连续（可重复）。 如果满足，返回首个字符出现的位置 如果不满足，返回-1 #coding=utf-8 def judge(c,s): for i in c: try: assert i in s except: return -1 slist = [] for i in s: slist.append(i) c.sort(

https://resources.wolframcloud.com/NeuralNetRepository/resources/2D-Face-Alignment-Net-Trained-on-300W-Large-Pose-Data http://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/3DDFA/Database/300W-LP/main.htm [300W-3D]: https://drive.google.com/file/d/0B7OEHD3T4e

【代码】Python双向链表插入节点。

https://blog.51cto.com/u_14637764/2514256 https://codeantenna.com/a/ia2IOE09by