es6 proxy代理
es6 新增构造函数 Proxy Proxy 构造函数，可以使用new 去创建，可以往里面插入两个参数，都是对象 let target = {}
let handler = {}
let proxy = new Proxy(target,handler);
proxy.a = 'b'
console.log(proxy.a) //b 上面代理拦截的操作handler 是个空对象所有不产生任何影响，target 代表时需要代理的哪个对象 Proxy 一共可以代理拦截对象的13
[CQOI2017]小Q的表格
题目描述 小Q是个程序员。 作为一个年轻的程序员，小Q总是被老C欺负，老C经常把一些麻烦的任务交给小Q来处理。每当小Q不知道如何解决时，就只好向你求助。 为了完成任务，小Q需要列一个表格，表格有无穷多行，无穷多列，行和列都从1开始标号。为了完成任务，表格里面每个格子都填了一个整数，为了方便描述，小Q把第a行第b列的整数记为f(a,b)。为了完成任务，这个表格要满足一些条件： (1)对任意的正整数a,b，都要满足f(a,b)=f(b,a)； (2)对任意的正整数a,b，都要满足b×f(a,a+b
2018-2019-2 网络对抗技术 20165322 Exp3 免杀原理与实践
2018-2019-2 网络对抗技术 20165322 Exp3 免杀原理与实践 目录 实验内容与步骤 正确使用msf编码器，msfvenom生成如jar之类的其他文件，veil-evasion，加壳工具，使用shellcode编程 通过组合应用各种技术实现恶意代码免杀 用另一电脑实测，在杀软开启的情况下，可运行并回连成功，注明电脑的杀软名称与版本 实验过程中遇到的问题 基础问题回答 实验总结与体会 实验内容与步骤 正确使用msf编码器，msfvenom生成如jar之类的其他文件，veil-e
42. Trapping Rain Water && Binary Tree Preorder\Postorder\Inorder Traversal
42. Trapping Rain Water Given n non-negative integers representing an elevation map where the width of each bar is 1, compute how much water it is able to trap after raining. The above elevation map is represented by array [0,1,0,2,1,0,1,3,2,1,2,1].
记录TensorFlow学习中的参考文档
TensorFlow学习参考的文档 记录自己在学习TensorFlow过程中参考过的部分博客和文档，对部分问题也会记录自己的理解。 https://github.com/brightmart/text_classification 对文本分类常用算法的实现，代码清晰，注释完整，贼酷！ 首先要了解TensorFlow的基本概念。tensor可以理解为一种数据，TensorFlow就相当于一个数据的流动过程，所有能用图（graph）来表示的计算任务理论上都能用TensorFlow 来实现。有图就有
FastText模型原理
FastText简介 预备知识 N-gram模型 对句子或单词的所有长度为N的子句或子字符串进行操作，如2-gram中，对“girl”的字符串为“gi”,“ir”,"rl"进行操作，通常有操作如下： 比较两个单词的相似度，即按照公式根据子字符串的匹配情况计算出相似度，常用于模糊匹配、单词纠错等 评估句子是否合理，将句子定义为N阶马尔科夫链，即 P(wi∣w1,w2,...,wi−1)=P(wi∣wi−N+1,...,wi−1)P(w_i|w_1,w_2,...,w_{i-1})=P(w_i|w
TextCNN模型原理
TextCNN模型 简介 CNN，卷积神经网络，最初主要应用于图像识别领域，以局部权值共享的特殊结构隐式地学习大量的输入与输出之间的映射关系，而不用显式地进行特征抽取，在CV与NLP的任务中取得很好的效果。 图像领域中，相关指滤波器模板移过图像并计算每个位置乘积之和的处理，卷积的机理相似，但滤波器首先要旋转180度。由于旋转对参数求解没有帮助，因此在神经网络中用相关代替卷积操作。 基本架构 CNN做NLP任务时，基本模型架构如下： 输入：句子的矩阵表示，若句子长度为 nnn ，词向量为 xix
常用数据库的种类与特点
常用数据库的种类与特点 记录目前工业上常用的数据库的种类与特点。 数据库分类 早期数据库模型有三种，分别为层次式数据库、网络式数据库和关系型数据库。 而在当今的互联网中，通常把数据库分为两类，即关系型数据库和非关系型数据库。 关系型数据库与实例 关系型数据库是指采用了关系模型来组织数据的数据库，而关系模型是由二维表及其联系组成的数据组织。 优点： 1、易于维护：都是使用表结构，格式一致； 2、使用方便：SQL语言通用，可用于复杂查询； 3、复杂操作：支持SQL，可用于一个表以及多个表之间非常复
RNN与LSTM模型
RNN 简介 前馈神经网络的两个局限 难以捕捉到数据之间长距离的依赖关系，即使CNN也只能捕捉到局部或短距离的关系 当训练样本输入是连续序列且长短不一时，不好处理，如一段段连续的语音、连续的文本 为了解决上述局限，提出了循环神经网络RNN的结构如下，右侧是左侧的图按照时间序列展开的结果。 RNN可以做到学习数据间长距离的关系。比如在文本分类中，它模拟了人阅读一篇文章的顺序，从前到后阅读文章中的每一个单词，将前面阅读到的有用信息编码到状态变量中去，从而拥有了一定的记忆能力，可以更好地理解之后的文
Seq2Seq -- Attention -- Transformer
Seq2Seq – Attention – Transformer 文章目录 Seq2Seq -- Attention -- Transformer 1.前言 2.Seq2Seq模型 3.Attention模型 3.1简介 3.2模型架构 3.3其他 4.Transformer 4.1为什么使用Transformer？ 4.2模型架构 4.2.1 Self-Attention 4.2.2 Multi-headed Attention 4.2.3 位置编码 4.3训练过程 4.3.1 输入 4.
Hadoop学习——(1) 基础知识
本文结构如下—— 第一部分，主要从整体上对Hadoop进行简单的介绍，使得对”Hadoop是什么“这个问题在脑海中有大致的答案； 第二到第四部分，分别介绍Hadoop的存储模块HDFS、计算模块MapReduce、调度模块YARN，使得对Hadoop有更好的理解； 第五部分，介绍Hadoop的生态圈中的若干产品，使得对Hadoop的现实应用有一定理解。 文章目录 1. Hadoop简介 1.1 为什么需要Hadoop？ 1.2 Hadoop是什么？ 1.2.1 概念/定义 1.2.2 核心模块
Chinese word segmentation 中文词分割
转自： https://www.cnblogs.com/DjangoBlog/p/6889421.html https://blog.csdn.net/aiwuzhi12/article/details/54707695 现有分词介绍 分词方法大致分为两种： 基于词典的机械切分 基于统计模型的序列标注切分 1. 基于词典的机械划分 1.1 基于词典的机械划分 基于词典的方法本质上就是字符串匹配的方法，将一串文本中的文字片段和已有的词典进行匹配，如果匹配到，则此文字片段就作为一个分词结果。 但是
python metis模块
python metis模块 1. networkx 2. metis 3. graphviz 1. networkx Website (including documentation) Source 2. metis documentation source lab 3. graphviz documentation
MPI for mac下载及安装
MPI for mac下载及安装 下载最新版open-MPI，下载地址： https://www.open-mpi.org/software/ompi/v4.0/ 下载之后进行如下操作： 双击解压下载的文件openmpi-4.0.0.tar.gz 打开cmd，cd到解压的文件夹。 输入 cd /Users/ycy/Desktop/openmpi-4.0.0 安装在/usr/local下，执行./configure。 输入 ./configure --prefix=/usr/local 刚开始显
ParMETIS安装与使用
官方下载网址： http://glaros.dtc.umn.edu/gkhome/metis/parmetis/download 我用cmake configure的时候会报错 在github上找到一个parmetis的源码，cmake后可正常使用，不过与官方源码之间的区别还未对比。该网址为： https://github.com/scibuilder/parmetis 安装过程略 使用： 查看parmetis命令的用法，如下： parmetis
分析和实验知：为输入文件，邻接表形式存储，具
networkx_to_metis
存储networkx生成的图的方法参考networkx手册： https://networkx.github.io/documentation/stable/reference/readwrite/index.html Adjacency List经过适当处理可以转换成metis可识别的格式。 先看graph的Adjacency List import networkx as nx
import metis
import numpy as np
import matplotlib.pyplot
METIS安装与使用
官网的源码安装失败，从github上下载了一个源码（不过是metis4版本）， https://github.com/bchretien/metis4 用cmake安装。一开始configure会报错如下： CMake Warning (dev): Policy CMP0042 is not set: MACOSX_RPATH is enabled by default. Run “cmake –help-policy CMP0042” for policy details. Use the
[Xcode] No Such File or Directory
https://www.jianshu.com/p/630da94abd0f DerivedDate这个文件夹是XCODE的缓存文件夹。整个删除都没事的。关于如何找到这个文件夹，参考： https://zhidao.baidu.com/question/983940765371258779.html 关于报错的解决，参考： https://cmake.org/Bug/view.php?id=13841 不过依然未解决……
今日推荐
周排行