Python控制流和Lambda表达式
Python控制流 & Lambda表达式 Python 控制流 zip() 比如我们有两个列表，我们想将他俩组成一个列表，我们可以使用内置函数 zip() ，zip() 会返回一个迭代器，我们可以使用for去遍历。也可以配合range打印索引。 1234567891011121314151617181920212223>>> items = ['bananas', 'mattresses', 'dog kennels', 'machine', 'cheeses']>>> weights = [15, 34, 42, 120, 5]>>> print(list(zip(items,weights)))[('bananas', 15), ('mattresses', 34), ('dog kennels', 42), ('machine',...
Java网络编程
Java 网络编程 完整代码：https://github.com/JiaZhengJingXianSheng/Java-Study-Notes/tree/main/Java-%E7%BD%91%E7%BB%9C%E7%BC%96%E7%A8%8B 测试IP 1234567891011121314151617181920212223242526// 测试IPpublic class TestInetAddress { public static void main(String[] args) { try { // 查询本机地址 InetAddress inetAddress1 = InetAddress.getByName("127.0.0.1"); System.out.println(inetAddress1); InetAddress inetAddress2 =...
Java多线程笔记-2
Java多线程-2 部分代码：https://github.com/JiaZhengJingXianSheng/Java-Study-Notes/tree/main/java%E5%A4%9A%E7%BA%BF%E7%A8%8B 线程停止 12345678910111213141516171819202122232425262728293031323334// 测试线程停止// 建议使用标志位// 不建议使用 stop 或 destroy 等public class TestStop implements Runnable { // 设置标志位 private Boolean flag = true; @Override public void run() { int i = 0; while (flag) { System.out.println("run...Thread" + i++); } } //...
HTML学习笔记
HTML 超文本标记语言 完整代码：JiaZhengJingXianSheng/HTML-Study-Notes (github.com) 网页基本信息 注释 DOCTYPE 告诉浏览器使用什么规范 例如： 1<!DOCTYPE html> 基本格式 12345678910111213141516<!DOCTYPE html><html lang="en"><!-- head 标签表示网页头部 --><head> <!-- meta 一般用来做SEO --> <meta charset="UTF-8"> <!-- title 标签代表网页标题 --> <title>Title</title></head><!-- body 标签代表网页主体...
Python虚拟环境
Python 虚拟环境 查看帮助 1python -m venv -h 其中 --system-site-packages 是引用系统级别的库 创建 1python -m venv venvdemo 创建好后会在用户目录下创建一个 venvdemo 目录 1234567891011121314C:\Users\lyz\venvdemo>dir 驱动器 C 中的卷是 系统 卷的序列号是 5291-6C8F C:\Users\lyz\venvdemo 的目录2022/01/11 11:31 <DIR> .2022/01/11 11:31 <DIR> ..2022/01/11 11:31 <DIR> Include2022/01/11 11:31 <DIR> Lib2022/01/11 11:31 76 pyvenv.cfg2022/01/11 11:39 <DIR> ...
EPnP
EPnP 参考链接：深入EPnP算法 针对以上链接，提取个人可以看懂的部分 PnP问题的定义 Perspective-n-Point问题(PnP)的已知条件： n个世界坐标系中的3D参考点(3D reference points)坐标; 与这n个3D点对应的、投影在图像上的2D参考点(2D reference points)坐标; 摄像头的内参K; 求解PnP问题可以得到摄像头的位姿。 大多数非迭代的PnP算法会首先求解特征点的深度，以获得特征点在相机坐标系中的3D坐标，而EPnP算法将世界坐标系中的3D坐标表示为一组虚拟的控制点的加权和。对于一般情形，EPnP算法要求控制点的数目为4，且这4个控制点不能共面。因为摄像头的外参未知，这四个控制点在摄像头参考坐标系下的坐标是未知的。而如果能求解出这四个控制点在摄像头参考坐标系下的坐标，我们就可以计算出摄像头的位姿。 Control Points & Barycentric Coordinates 控制点和重心坐标 4个控制点在世界坐标系中的坐标为 \(c_j^w , j = 1 , ... ,...
Java多线程笔记-1
Java多线程-1 线程创建 继承Thread类 实现Runnable接口 实现Callable接口 （了解） 一、继承Thread类 自定义线程类继承Thread类 重写run() 方法， 编写线程执行体 创建线程对象， 调用start() 方法启动线程 123456789101112131415161718192021// 创建线程方式一： 继承Thread类, 重写run() 方法， 调用start开启线程public class TestThread1 extends Thread { @Override public void run() { // run 方法线程体 for (int i = 0; i < 20; i++) { System.out.println("我在看代码" + i); } } // main 线程 主线程 public static void...
自编小程序PDF转图片
PDF转图片 完整源码：https://github.com/JiaZhengJingXianSheng/PDF2Image x86-64 可执行文件： 链接：https://pan.baidu.com/s/1Qk_SCLNtnYLSxfu0ArF5-Q 提取码：at0c 执行源码须自己配置依赖，需配置traits，请自行搜索解决。打包后的可执行程序链接如上。 注意： 程序因未作错误判定，请选择PDF文件夹时，保证文件夹下仅有pdf文件。 程序核心 1234567891011for file in os.listdir(self.path): pdf = fitz.open(self.path + "/" + file) # 逐页读取PDF for pg in range(0, pdf.page_count): page = pdf[pg] pm = page.get_pixmap() # 开始写图像 pm.save(self.path + "/../Image/" + str(file) + "/" +...
Linux下模拟实现简单的Shell
Linux下模拟实现简单的Shell 完整代码：https://github.com/JiaZhengJingXianSheng/Linux_Shell 一、 fork fork系统调用用于创建一个新进程，称为子进程，它与进程（称为系统调用fork的进程）同时运行，此进程称为父进程。创建新的子进程后，两个进程将执行fork（）系统调用之后的下一条指令。子进程使用相同的程序计数器，相同的CPU寄存器，在父进程中使用的相同打开文件。 特点 1）在父进程中，fork返回新创建子进程的进程ID； 2）在子进程中，fork返回0； 3）如果出现错误，fork返回一个负值； 如果创建新进程成功，则出现两个进程，一个是子进程，一个是父进程。在子进程中，fork函数返回0，在父进程中，fork返回新创建子进程的进程ID。因此我们可以通过判断fork返回值来确定进程是子进程还是父进程。 二、 execvp execvp() 会从PATH所指的目录中查找符合参数file 的文件名，找到后便执行该文件，然后将第二个参数...
朴素贝叶斯分类器
朴素贝叶斯分类器 完整代码：https://github.com/JiaZhengJingXianSheng/Naive-Bayes-Classify 基础 贝叶斯分类的基础是概率推理，就是在各种条件的存在不确定，仅知其出现概率的情况下，如何完成推理和决策任务。 而朴素贝叶斯分类器是基于独立假设的，即假设样本每个特 征与其他特征都不相关。 朴素贝叶斯分类器依靠精确的自然概率模型，在有监督学习 的样本集中能获取得非常好的分类效果。 条件概率 假设A,B是两个随机变量，它们的联合概率 P(A=x,B=y) 是指 A=x和B=y同时 发生的概率。 如果A和B是两个随机变量，且 P(B)≠0 。那么B条件下，A 的条件概率为 \[ P(A|B)=\frac{P(A,B)}{P(B)} \] 我们用Ω代表总样本空间，P(A|B)的隐含假设是，B确定要发生。当确定B发生时， 样本空间不再是Ω，而是缩小成B。我们在B样本空间中 寻找A发生的概率。 贝叶斯定理 贝叶斯定理 （Bayes theorem）...
