高小秋

以前的博客都是记录在CSDN上的，最近在整理一些学习笔记，我想为什么不自己搭建个博客呢？那么说干就干吧。 我的想法是先利用现成的开源框架快速搭建一个博客，后期再折腾迭代（考虑手敲代码构建一个博客）。 技术选型现成有很多方案可以选择，我就选择了其中比较简单的 Hexo 框架，使用的是Butterfly 主题。Hexo的基本常用指令没有几个，刚开始重点放在了主题的折腾上，逐渐会把重心向文章转移，专注于文章的写作。 Hexo+GitHubPages 搭建博客 Node.js下载安装 Git 下载安装 安装Hexo npm install -g hexo-cli 初始化 Hexo, 会新建一个文件夹 参考文档 hexo init <folder>cd <folder>npm install Hexo相关命令均在站点目录下用Git Bash运行。 启动服务器。在站点目录下（Git Bash)，执行以下命令，会实时监测文章的变更并渲染。 hexo server 浏览器访问网址： http://localhost:4000/ 此时Hexo博客已经运行 ...

一、Java基础系列面试题 JDK 和 JRE 有什么区别？ == 和 equals 的区别是什么 两个对象的 hashCode() 相同，则 equals() 也一定为 true，对吗？ final 在 Java 中有什么作用？ Java 中的 Math. round(-1. 5) 等于多少？ String 属于基础的数据类型吗？ Java 中操作字符串都有哪些类？它们之间有什么区别？ String str=”i”与 String str=new String(“i”)一样吗？ 如何将字符串反转？ String 类的常用方法都有那些？ 抽象类必须要有抽象方法吗？ 普通类和抽象类有哪些区别？ 抽象类能使用 final 修饰吗？ 接口和抽象类有什么区别？ Java 中 IO 流分为几种？ BIO、NIO、AIO 有什么区别？ Files的常用方法都有哪些？ 二、容器系列面试题 Java 容器都有哪些？ Collection 和 Collections 有什么区别？ List、Set、Map 之间的区别是什么？ HashMap 和 Hashtable 有什么区别？ 如何决定使用 Hash ...

1. jackson接收List发生Can not deserialize instance of该错误是因为目标类属性keyX需要目标的类型，待转换的json串里属性名keyX对应的，不是一个POJO对象，而是ArrayList集合。 json { "idList":["123","124"] } java应用map或者pojo来接收 如若直接用应用List来接收就会报错Can not deserialize instance of java.util.ArrayList out of START_OBJECT token，即无法寻找到key。 2. JSONObject.toJSONString首字母大小写问题 在字段上加注解@JSONField（name=””） 3. Java中(PO,VO,TO,BO,DAO,POJO）的区别 PO：（Persistence Object） 持久层对象，对象的属性和数据库表的字段一一对应； VO：（View Object） 表现层对象,对象的 ...

理论相关概述XXL-JOB是一个轻量级分布式任务调度平台，其核心设计目标是开发迅速、学习简单、轻量级、易扩展。现已开放源代码并接入多家公司线上产品线，开箱即用。xxl三个字母是其开发者许雪里名字的缩写。 几个特性： 1、简单：支持通过Web页面对任务进行CRUD操作，操作简单，一分钟上手； 2、动态：支持动态修改任务状态、启动/停止任务，以及终止运行中任务，即时生效； 3、调度中心HA（中心式）：调度采用中心式设计，“调度中心”自研调度组件并支持集群部署，可保证调度中心HA； 4、执行器HA（分布式）：任务分布式执行，任务”执行器”支持集群部署，可保证任务执行HA； 5、注册中心: 执行器会周期性自动注册任务, 调度中心将会自动发现注册的任务并触发执行，每30秒清理一次注册表中的无效机器。同时，也支持手动录入执行器地址； 6、弹性扩容缩容：一旦有新执行器机器上线或者下线，下次调度时将会重新分配任务； 7、路由策略：执行器集群部署时提供丰富的路由策略，包括：第一个、最后一个、轮询、随机、一致性HASH、最不经常使用、最近最久未使用、故障转移、忙碌转移等； 8、故障转移：任务路由策略选择 ...

需求描述多张判过分的试卷，通过demo来识别出每道题目扣分多少，将结果汇总到excel文件中。 个人想法将图片按照题目划分矩形区域，识别出哪道题扣分，将结果统计出来。 步骤概述图片处理图片按照边框裁剪校正保证初始输入的图片处理之后有基本相同的像素大小，按照试卷的边框进行裁剪，然后图片进行校正。 可参考链接基于python+opencv的图像目标区域自动提取 图片增强对校正好的图片进行处理，对比度增强、亮度增强、色度增强、锐度增强等。 # -*- coding: UTF-8 -*-from PIL import Imagefrom PIL import ImageEnhance# 原始图像image = Image.open('fix.jpg')image.show()# 对比度增强enh_con = ImageEnhance.Contrast(image)contrast = 1.2image_contrasted = enh_con.enhance(contrast)image_contrasted.show()# 亮度增强enh_bri = ImageEnhan ...

1025 反转链表 (25分)给定一个常数 K 以及一个单链表 L，请编写程序将 L 中每 K 个结点反转。例如：给定 L 为 1→2→3→4→5→6，K 为 3，则输出应该为 3→2→1→6→5→4；如果 K 为 4，则输出应该为 4→3→2→1→5→6，即最后不到 K 个元素不反转。 输入格式：每个输入包含 1 个测试用例。每个测试用例第 1 行给出第 1 个结点的地址、结点总个数正整数 N (≤$10^{​5}$​​ )、以及正整数 K (≤N)，即要求反转的子链结点的个数。结点的地址是 5 位非负整数，NULL 地址用 −1 表示。 接下来有 N 行，每行格式为： Address Data Next其中 Address 是结点地址，Data 是该结点保存的整数数据，Next 是下一结点的地址。 输出格式：对每个测试用例，顺序输出反转后的链表，其上每个结点占一行，格式与输入相同。 输入样例： 00100 6 400000 4 9999900100 1 1230968237 6 -133218 3 0000099999 5 6823712309 2 33218 输出样例： 0 ...

mnist数据集进行手写数字识别–tensorflow入门 载入并准备好 MNIST 数据集 查看训练集和测试集 数据预处理 将这些值缩小至 0 到 1 之间，然后将其馈送到神经网络模型 构建模型 设置层 编译模型 损失函数 优化器 指标 训练验证模型 在模型训练期间，会显示损失和准确率指标 进行预测 预计结果实际结果可视化 对比 绘制图表 查看模型的预测 验证预测结果 import tensorflow as tfimport matplotlib.pyplot as pltimport numpy as np# 载入并准备好 MNIST 数据集mnist = tf.keras.datasets.mnist# 训练集和测试集(x_train, y_train), (x_test, y_test) = mnist.load_data()# 查看训练集数据 60000个训练图像 每个图像由 28 x 28 的像素表示print(x_train.shape)print(y_train.shape)print(len(x_train))# 查看测试集数据 10000个测试图像 每个图像由 ...

十个最常用的测序概念1、高通量测序： 高通量测序技术（High-throughputsequencing，HTS）是对传统Sanger测序（称为一代测序技术）革命性的改变, 一次对几十万到几百万条核酸分子进行序列测定, 因此在有些文献中称其为下一代测序技术(next generation sequencing，NGS )足见其划时代的改变, 同时高通量测序使得对一个物种的转录组和基因组进行细致全貌的分析成为可能, 所以又被称为深度测序(Deep sequencing)。 2、下一代测序：英文名为Next Generation Sequencing，简称为NGS。也叫做二代测序或者高通量测序。也称为高通量测序，high-throughput sequencing，或者称为新一代测序，全基因组测序WGS等等概念。是指相对于Sanger为主的第一代测序技术来说的，其特点是测序产量高，读长短，价格便宜。现在通常所说的二代测序技术，主要包括ABI的solid测序，罗氏的454测序技术、Life 公司的Ion Torrent测序技术和illumina公司的Hiseq、miseq测序技术等。当前最主 ...

tensorflow回归问题在 回归 (regression) 问题中，目的是预测出如价格或概率这样连续值的输出。相对于分类(classification) 问题，分类(classification) 的目的是从一系列的分类出选择出一个分类（如，给出一张包含苹果或橘子的图片，识别出图片中是哪种水果）。 本demo使用经典的 Auto MPG 数据集，构建了一个用来预测70年代末到80年代初汽车燃油效率的模型。为了做到这一点，为该模型提供许多那个时期的汽车描述。这个描述包含：气缸数，排量，马力以及重量。 import matplotlib.pyplot as pltimport pandas as pdimport seaborn as snsimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers# 获取数据dataset_path = keras.utils.get_file('auto-mpg.data', ...

安装Tesseract-OCR软件Tesseract-OCR 是一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎。 下载Tesseract-OCR (windows) 官方下载地址：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe 百度网盘：链接: https://pan.baidu.com/s/1ooItjyzki089pTXNbYQ1hA 提取码: sq3t 安装和设置环境变量双击安装，点击下一步，默认安装即可。 右键点击此电脑–属性–高级系统设置–环境变量–系统变量–Path 添加系统变量 添加 tessdata 系统变量 新建系统变量 ： TESSDATA_PREFIX变量值为 tessdata 文件夹的路径（在Tesseract-OCR的安装目录下） 如果识别中文需要下载相应的语言包 ​ 中文包百度网盘：链接: https://pan.baidu.com/s/1 ...