解决前端笔记本电脑屏幕显示缩放比例125%、150%对页面大小的影响问题--数据可视化大屏
文章浏览阅读879次。原文链接：https://blog.csdn.net/m0_46318298/article/details/133786669。vue + v-scale-screen组件 + dataV组件。题外–数据可视化大屏实现技术方案 vue和react的。2. 在入口文件main.js引入。1.新建一个js文件。_前端适配笔记本缩放125%,150%导致页面错乱问题
探索编程世界的无限可能
分享技术，连接未来
最新文章
查看全部跨域CORS解决办法
文章浏览阅读4.2k次。跨域是浏览器同源策略导致的问题，可通过前端本地代理、静态服务器如Nginx的反向代理以及设置响应头来解决。前端代理如Vue3的vue.config.js配置代理，Nginx反向代理实现请求转发，添加响应头如Access-Control-Allow-Origin可处理跨域请求。推荐使用代理方式解决跨域问题。
cursor+coze实现零代码开发微信小程序
文章浏览阅读3.4k次，点赞19次，收藏42次。利用cursor+coze工作流，不写一行代码，就能轻松开发微信小程序。_cursor coze
【vue3】watch的用法，watch、watchEffect、computed区别
文章浏览阅读1.7w次。博客先对比了vue2和vue3监听map对象的写法，推荐使用vue3 watch监听函数/组合API写法，按需引入可满足不同监听需求。还解答了2023面试题，从使用参数和场景角度区分了watch、watchEffect、computed的区别。
DeepSeek-容器化(Docker)部署vLLM和Open WebUI
文章浏览阅读1.1k次，点赞11次，收藏12次。前面小节我们通过conda创建虚拟Python环境，实现vLLM和OpenWebUI的配置，但是这个安装部署会非常繁琐非费时间。我们今天将使用容器来部署。环境还是使用ubuntu20.4，复用上个环境已经安装GPU驱动和模型文件。_docker vllm部署deepseek
UNet 改进(9)：融合Squeeze-and-Excitation Transformer
文章浏览阅读154次。本文将深入分析一个结合了传统UNet架构与新型注意力机制(SET)的深度学习模型实现。该模型在医学图像分割、遥感图像分析等领域具有潜在应用价值，通过引入Transformer注意力机制增强了传统卷积网络的特征提取能力。_unet改进
若依框架添加菜单代码自动生成
文章浏览阅读623次，点赞6次，收藏8次。若依自动生成代码，添加菜单_若依生成代码后如何显示在菜单
【echarts】自定义样式
文章浏览阅读1.9k次。最近接触的表格类型有：日历型calendar、水平和垂直柱状bar、饼状pie、折线line，有些典型效果和自定义样式，标签与轴间距、定义渐变色、混合类型、自定义类型等。echarts官网文档，详细全面了解指定属性，可以实时展示属性功能效果；w3c上echarts文档，适合新手，目录清晰指定功能效果。基本示例满足不了需求，掌握常用属性tooltip、dataset（多维度自定义数据）、grid、xAxis、 yAxis、series，以及按需引入写法，以上效果如有感兴趣可私信我，提供源码。_echarts colorstops
在线机考|2024华为实习&秋招&春招编程题（最新）——第2题_微服务发布时长_200分（六）
文章浏览阅读483次，点赞4次，收藏9次。部署发布时，通常需要部署所有的现网局点。局点的部署过程存在依赖关系，因为某些局点需要等其他的局点部署完成后，才能开始部署。另外这些局点由于网络或地理位置的原因，所花费的部署时间有可能是不同的。给定一个大小为n的数组region存储局点之间的部署依赖关系，其中region[i]是第i个局点的依赖局点，0
掌握非参数统计：Python中的等级相关性和显著性检验
文章浏览阅读214次，点赞5次，收藏6次。本文深入探讨了非参数统计方法及其在Python中的实现，特别是肯德尔等级相关系数和曼-惠特尼U检验。通过实例和理论，文章展示了如何利用Python处理非高斯分布数据，并进行统计假设检验。
在线机考|2024华为实习&秋招&春招编程题（最新）——第2题_公司班车上车点规划_200分（七）
文章浏览阅读311次。某公司基地搬迁到新地点之后，新规划了一条班车路线，在这条路线上会经过N个小区，计划在这些小区中挑选出M个作为上车点，小区的位置可以用一维坐标上的点来表示，小区到上车点的距离为两个坐标点差值的绝对值。现在给定N个小区的位置，即一维坐标上的整数点：x1、x2、…、xN $ ，我们希望所有小区到最近上车点的距离总和尽可能小，请计算这个最大值能够是多少？当该小区被作为上车点，该小区到上车点的距离为0。_华为实习真题
在线机考|2024华为实习&秋招&春招编程题（最新）——第1题_拔河比赛队员选拔_100分（八）
文章浏览阅读373次，点赞3次，收藏7次。某团队近期需要组织一支队伍参加拔河比赛，团队共有队员n人，比赛队员人数要求为m人，n>m，n个队员按编号，1到n的顺序参加k轮力量测试，每轮的测试成绩用正整数表示。根据n个队员的力量测试成绩选择比赛队员m人，先选择k轮测试中最好成绩最大的队员，若有多人的最好成绩相等，则优先选择其中第二好成绩最大的队员，依次类推，最后若还有相等的情况，则优先选择编号较小的队员。每个人只能被选择一次。_华为实习ai岗编程题
掌握Excel 2013的快速分析与公式计算
文章浏览阅读312次，点赞3次，收藏4次。本文将引导读者深入理解Excel 2013中的快速分析功能，包括条件格式化、数据的图表和表格转换，以及数据的总计、平均值计算和数据条分析。同时，文章也会详细探讨如何在Excel中构建和运用公式及函数进行数据的计算与转换，进一步提升数据处理的效率与准确性。
ResNet改进(28)：Shuffle-ResNet融合通道混洗的残差网络实现
文章浏览阅读118次。在深度可分离卷积中，这种操作尤为重要，因为它可以缓解分组卷积导致的"信息孤岛"问题。这种混合架构结合了ResNet强大的特征提取能力和ShuffleNet的高效通道交互特性，旨在提升模型性能而不显著增加计算成本。这种设计既保留了原始ResNet的残差学习能力，又引入了通道混洗带来的跨通道信息交互优势。第二个卷积层变为深度可分离卷积序列(3x3深度卷积→BN→1x1卷积→BN→ReLU)：1x1卷积→BN→ReLU→3x3深度卷积→BN→1x1卷积→BN。
后退N帧协议难题解析：收到ACK 0、2、3时，为何必须重传4帧？
文章浏览阅读1k次，点赞15次，收藏13次。的可靠数据传输协议，属于**自动重传请求（ARQ, Automatic Repeat reQuest）**机制的一种。： 发送方可能减少重传量，但需修改协议逻辑（如增加逐个 ACK），此时协议退化为 SR。： 接收方发送 ACK 4 表示 0~4 已确认，ACK 6、7 无效（非累积确认）。，发送方已发送帧 0~9，收到 ACK 4、6、7。：若 GBN 接收方改为缓存非按序帧（类似 SR），会发生什么？最早未确认帧是 5，需重传 5~9，共 5 帧。GBN（后退 N 帧协议）是一种。_(13分)设传输层采用累积ack确认的gbn协议,分组编号空间为[0,7],上层有编号为0~4的
iconmoon图标库的使用
文章浏览阅读988次。iconfont使用_iconmoon
构建稳健的生成AI运营框架：关键挑战与实践指南
文章浏览阅读394次，点赞5次，收藏8次。本文深入探讨了生成AI在企业应用中的实现，强调了不断验证和监控的重要性，以及对财务、道德和安全风险的考量。同时，讨论了监管环境的不确定性，以及AI技术带来的网络安全脆弱性。文章提供了生成性AI技术堆栈的主要组成部分概述，并对数据管理、模型性能、部署和监控等关键环节进行了分析，给出了实用的建议和策略。
在线机考|2024华为实习&秋招&春招编程题（最新）——第3题_PCB印刷电路板布线_300分（八）
文章浏览阅读821次，点赞14次，收藏6次。在PCB印刷电路板设计中，器件之间的连线需要避免线路的阻抗值增大、而且赛件之间还有别的器件和别的干扰源，在布线时我们希望受到的干扰尽量小。现将电路板简化成一个M×N的矩阵，每个位置(单元格)的值表示其源干扰度。如果单元格的值为0，表示此位置没有干扰源;如果单元格的值为非0，则表示此位置是干扰源，其值为源干扰度。连线经过干扰源或干扰源附近会增加连线的总干扰度。位置A[x, y]的干扰源的源干扰度为d(d>0)，则连线的干扰度计算如下：1、若连线经过位置A[x, y]，则其总干扰度会增加d；_华为2024春招暑期实习真题
深度学习中的卷积梯度反向传播解析
文章浏览阅读197次，点赞2次，收藏2次。本文深入解析了深度学习中卷积操作的梯度反向传播过程，包括针对卷积核已知和未知的情况，并通过TensorFlow的实现案例进一步阐述了卷积梯度的计算方法。文章还对不同类型的池化操作的梯度计算进行了介绍，为理解深度学习中的梯度传播提供了深入的理论和实践支持。
在线机考|2024华为实习&秋招&春招编程题（最新）——第1题_最强大脑游戏_100分（九）
文章浏览阅读417次，点赞6次，收藏3次。某最强大脑游戏要求：选手在一个整数序列中(整数取值为[1, 10])，自行去掉K个整数，得到一个新的整数序列，-使得整数序列左到右拼接起来后，得到的整数值最大。那么假设你是优秀的选手，在给定这个整数序列之后，你能够得到的最大整数值是多少?
GCC编译器命令行选项深度解析
文章浏览阅读235次，点赞5次，收藏4次。本文深入探讨了GCC编译器中一系列高级命令行选项。这些选项允许开发者在编译过程中精细控制编译行为，包括但不限于大小写敏感性、内存检查、代码优化、资源管理等方面。文章结合实际示例，阐述了如何在不同的编程场景中使用这些选项，以实现代码的优化和功能的增强。
在线机考|2024华为实习&秋招&春招编程题（最新）——第2题_公司园区里的建筑群_200分（十）
文章浏览阅读553次，点赞7次，收藏19次。某公司基地园区很大，里面有N个建筑，依次编号为1到N，通过M条路将这些建筑连接在一起，这N个建筑根据之间的距离，被分为不同的建筑群。云小核喜欢饭后散步，并用步数计算了每条路的长度。经过一段时间的散步，云小核发现了一个规律，两个建筑群间最近的两个建筑之间，步数大于K步。两个建筑群之间，可能没有路。云小核把每条路的步数给了你，请你计算园区里有多少个建筑群?_公司园区里的建筑群 牛客
TrueCrypt与Kali Linux：保护数据与模拟攻击
文章浏览阅读402次，点赞4次，收藏3次。本文将探讨如何利用TrueCrypt创建加密卷来保护敏感数据，以及如何通过Kali Linux设置测试环境以模拟对真实系统的攻击。我们通过具体的步骤说明了如何在虚拟机中设置目标系统，并利用Kali Linux中的工具进行攻击，最终目的为获取系统的根权限。
在线机考|2024华为实习&秋招&春招编程题（最新）——第3题_个性化歌单推荐系统_300分（十一）
文章浏览阅读605次，点赞5次，收藏5次。假设你是音乐服务的开发者，为了提高用户体验需要解决推荐歌单的同质化问题，保证推荐给用户的所有歌单不包含相同歌曲的。给定一个包含N个歌单和M条歌单重复记录，每个歌单用一个从1到N的整数编号，歌单重复记录包含两个歌单的ID，表示两个歌单有相同的歌曲。你的任务是对歌单进行合并，找出合并后的最小歌单数量，合并的歌单中不能有相同的歌曲。_华为音乐ai实习岗位的编程考核
版本控制下项目设置的共享与管理
文章浏览阅读361次，点赞3次，收藏3次。本文主要介绍如何在使用Git和Mercurial版本控制系统时共享和管理IntelliJ IDEA项目的设置。内容包括项目设置的存储位置、如何处理新创建的配置文件以及如何在团队中共享代码风格等设置。同时，也提到了如何将全局设置复制到项目级别以及创建新项目的步骤和细节。
深入了解DirectX：Windows多媒体与图形编程
文章浏览阅读278次，点赞12次，收藏16次。本文将深入探讨DirectX的组成及其在多媒体和图形编程中的应用。DirectX由多个组件构成，包括DirectDraw、Direct3D、DirectSound等，每个组件针对不同的硬件和功能提供API接口。文章将详细解析DirectX的各个组件及其功能，同时对比OpenGL，探讨两者在图形开发领域的竞争与合作。
office高效AI插件
文章浏览阅读3.8k次，点赞3次，收藏3次。也可以用收费的模型，只需要把API的KEY拿过来。API_KEY:从deepseek官网申请。还有其他的功能，大家可以探索探索。可以使用免费的大模型引擎。_officeai插件
多线程编程在Windows环境下的应用与实践
文章浏览阅读379次，点赞3次，收藏4次。本文将探讨多线程编程在Windows环境下的应用，通过《使用Visual C++精通Windows 2000编程》一书的第6章内容，深入理解线程的概念、创建、管理以及同步。文章将展示线程如何使得程序能够同时处理多个任务，提高应用程序的效率和响应速度，同时也将探讨线程同步问题及解决方案。
docker 运行 芋道微服务
文章浏览阅读725次，点赞5次，收藏11次。docker-compose.yml 内容：我这里的是ai服务，所以将原先的文件内容做了变更，你们需要用到什么服务就在下面文件中进行更改即可。Docker 尝试拉取 eclipse-temurin:21-jre 镜像时遇到了网络相关的问题，使用国内镜像加速器。发现redis连接报错一直连接127.0.0.1， ，可是我的配置文件中名称指定了地址。看了一眼安装教程有点繁琐，先去掉，后续有时间再进行安装。每个服务配置下都有以下这三行，删除掉即可。删除完之后将nacos配置进行更改下。处理完成之后我们再次启动。_芋道 后docker-compose
第5节：Python编程基础 - NumPy数组操作
文章浏览阅读942次，点赞25次，收藏13次。NumPy是Python科学计算的基础，提供了强大的多维数组对象和各种操作这些数组的函数。本教程涵盖了：NumPy数组的创建和基本属性数组索引和切片的各种方法数组的形状操作和连接分割基本的数学运算和统计运算高级操作如广播、通用函数、向量化等文件I/O和性能优化技巧实际应用示例掌握NumPy是学习Python数据分析和科学计算的重要一步。通过实践这些操作，能够高效地处理数值数据，为更高级的数据分析、机器学习等任务打下坚实基础。