Ranni Snow

在使用我自己的鼠标有问题时我的gpw1代出现了回滚的问题 python的方法 12345678910111213141516171819from pynput.mouse import Listenerdef on_scroll(x, y, dx, dy): if dy > 0: print("up") # else: # print("向下滚动")def on_move(x, y): passdef on_click(x, y, button, pressed): passdef on_release(x, y, button): passwith Listener(on_move=on_move, on_click=on_click, on_scroll=on_scroll) as listener: listener.join() 这个代码简单好理解 c++ 首先我们当然是需要借助windowsapi的 12345678910111213141516171819202 ...

浏览器安装油猴插件 https://www.tampermonkey.net/ 安装油猴脚本：一键复制 https://greasyfork.org/zh-CN/scripts/397740 Zhihu Latex 公式复制 (greasyfork.org) 这个脚本也可以

githubAction yiyungent/clear-image-action: 🔧 Image detection. | 图片检测 | 清理未引用图片 | 删除未引用图片 | 检查引用的图片是否有效 | GitHub Actions 这个可以清理仓库中html 未引用的文件 yiyungent/coo: 🧰 .NET 自用 CLI | 工具集 (github.com)

系统的层次图 整个项目被分为3部分 web网页前端，springboot的后端 ，还有由python组成的数据处理系统 每一个部分都被分开 数据流图 python数据处理系统的数据流图 需要启动虚拟机 在node1节点启动hadoop 获得数据集以后会启动juypter，打开makeupana文件 开始进行数据处理和数据分析具体参照 spark淘宝数据处理 处理完之后会产生处理结果给web使用 存储数据到mysql 具体原理 关于将csv写入mysql.md web的数据流图 springboot后端的系统流程图 上图各个模块的代码解释 账户密码登录 当收到的请求是登录请求时请求会被发送到 这个controler 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970package makeup.web.controller.system;//import部分sheng ...

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061import csvimport pymysql# 数据库连接信息host = '127.0.0.1'user = 'root'password = '123456'database = 'makeup'# CSV文件路径和表名csv_file = 'demo.csv'table_name = 'makeupdatademo'# 替换年份with open(csv_file, 'r',encoding='utf-8') as file: data = file.read()# 替换文本内容data = data.replace('2016', '2023')wi ...

数据加载 1data = pd.read_csv('双十一淘宝美妆数据.csv') 使用 pandas 读取csv 数据预处理 1234567891011121314151617# 对重复数据做删除处理data = data.drop_duplicates(inplace=False)data.shape# 此处虽然删除了重复值，但索引未变，因此应用以下方法进行重置索引data.reset_index(inplace=True,drop=True)# 查看缺失值data.isnull().any()# 查看数据结构data.describe()# 查看sale_count列的众数mode_01 = data.sale_count.mode()mode_01# 查看comment_count列的众数mode_02 = data.comment_count.mode()mode_02data = data.fillna(0)data.isnull().sum() 这段代码是用于数据预处理的。下面是对每个步骤的解释： data = data.drop_duplicat ...

hexo-asset-img yiyungent/hexo-asset-img: 🍰 Hexo local image plugin. | Hexo 本地图片插件: 转换 图片相对路径 为 asset_img (github.com) 这么使用记住使用/ hexo-asset-ink Images 12>> 这么使用记住使用/

问题描述 在编写markdown中我们发现图片的链接被转化为据对路径，这导致完全无法引用 资源文件夹中的图片 这是一个链接转化解析的问题 如图 解决方法 使用他人的插件 npm install https://github.com/CodeFalling/hexo-asset-image --save 但是这个插件已经失效了所以需要修改 一种是将链接转化为绝对链接 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263'use strict';var cheerio = require('cheerio');// http://stackoverflow.com/questions/14480345/how-to-get-the-nth-occurrence-in-a-stringfunction getPosition(str, m, i) { ...

简介 扩散就如同它扩散的名字一样这个概念源自于热力系统。其实也就是来自于非平衡热力学。这个定义了一个扩散步骤的马可代夫链。这个链拥有两个过程一个正向过程，一个逆向过程：正向被称为扩散过程，逆向被称为你扩散过程。 正向过程是增加噪声，逆向过程是减少噪声，扩散模型经常被用于从噪声生成数据和还原数据。 自回归模型 你看由于是马可代夫链你会发现扩散模型其实是一个自回归的模型，自回归模型的定义如下 Xt=c+∑(ϕi∗Xt−i)+θtX_t = c + \sum(\phi_i * X_{t-i}) + \theta_t Xt​=c+∑(ϕi​∗Xt−i​)+θt​ 扩散模型其实也是一种自回归模型 扩散模型的作用 就如同之前所说的扩散模型经常被用于从噪声中还原或者说是生成数据 扩散模型的组成 虽然说是机器学习模型但是扩散模型并不像其他机器学习算法一个有一个特定的结构或者说是网络。 其实是使用了这种通过减少噪声来还原数据的方法都可以被称为扩散模型。所以在这里我无法给出一张图具体表示扩散模型的网络架构。但是扩散模型的重点就是添加噪声，和消除噪声而这两个又是对应正向过程与逆向过程。 所以说扩散模型其 ...