其他

1 格式化輸出當前時刻 qDebug()<<"currentTime--"<<QTime::currentTime().toString(Qt::ISODate) <<QDateTime::currentDateTime().toString(Qt::ISODate) <<QDateTime::currentDateTime().toString("yyyy-MM-dd

sklearn中的SVM演算法使用了liblinear和libsvm兩個包，而且模型參數略有區別。 在sklearn中，SVM有SVC和SVR之分，且有四種核函數如下，所以在SVM的參數中有些模型需要，有些模型不需要。 linear: . polynomial: .  is specified by keyword degree,  by coef0.

一、定義 KMP演算法是一種改進的字串匹配演算法，由D.E.Knuth，J.H.Morris和V.R.Pratt同時發現，因此人們稱它為克努特——莫裡斯——普拉特操作（簡稱KMP演算法）。 二、圖解原理 以下借用http://www.cnblogs.com/c-cloud/p/3224788.html的部分內容 這種演算法不太容易理解，網上有很多解釋，但讀起來都很費勁。直到讀到這篇文章，我才真正理解這種演算法。下面，我用自己的語言，試圖寫一篇比較好懂的KMP演算法解釋。

（映像拼接的項目中要用到紋理映射，用opencv內建的cvwarpperspective太慢，考慮用查表方式的映射來改善） 百度到以下內容，備用： 轉自：http://www.cnblogs.com/wangguchangqing/p/4039095.html 1.幾何變換的基本概念 1.1 座標映射關係 映像的幾何變換改變了像素的空間位置，建立一種原映像像素與變換後映像像素之間的映射關係，通過這種映射關係能夠實現下面兩種計算：

IIS7 預設檔案上傳大小是30M，那麼超過30M的檔案就無法上傳了，那麼就需要對IIS的設定檔進行修改。 在實際應用中往往會出現上傳檔案太大，無法上傳的情況，那是因為IIS對上傳檔案大小有限制，IIS7 預設檔案上傳大小是30M，要突破這個限制需要做一下修改： 1.開啟 %windir%\system32\inetsrv\config\applicationhost.config 找到： <requestFiltering>節點 這個節點預設沒有

為了提高Tesseract庫的中文識別率，可以對它進行中文字的訓練。 1.首先安裝Tesseract。這裡注意要安裝，因為安裝的程式裡麵包含其他訓練用到的程式，編譯版本沒有這些工具。 2.下載jTessBoxEditor工具。這個工具是Java寫的，運行需要JRE。這個工具主要是用來修改BOX檔案的，用來校對文字。下圖為該工具的目錄，直接點擊紅框中的程式即可跑起來。 這次準備讓庫可以識別取消這兩個字，準備了5張圖： 3.產生tif格式的檔案

 在Mvc模式大行其道的今天，後端通過各種Mvc架構實現視圖與資料模型的隔離，而前端這方面也發展迅速。vue實現了Dom與viewModel雙向繫結，使其視圖的更新影響模型，模型的更新影響視圖，你會不會覺得這就是Mvc庫呢，實則不然，因為他還差一個重要的C(也就是控制器)。以下是鄙人對Mvc的個人理解，如有失誤還請各位道友指正。 M：模型用於表示各種事物及事物特性的資料 v：view +

Hadoop fs：使用面最廣，可以操作任何檔案系統。 hadoop dfs與hdfs dfs：只能操作HDFS檔案系統相關（包括與Local FS間的操作），前者已經Deprecated，一般使用後者。 以下內容參考自stackoverflow Following are the three commands which appears same but have minute differences hadoop fs {

這是自己在FastDfs技術群裡關於叢集整體遷移討論的聊天記錄 0.618(873085561) 11:10:34 有做過fastdfs檔案伺服器資料移轉的嗎。。 龍(263209498) 11:11:08 FastDFS叢集整體遷移的問題。 如果新舊IP地址一一對應，而且是一樣的，那非常簡單，直接將data目錄拷貝過去即可。 IP不一樣的話，會比較麻煩一些。 如果使用了V4的自訂server

題解： 兩個小孩在n＊m的草叢玩，兩個人分別選擇一個帶有草的格子放一把火，火能夠燒他的上下左右位置，問將所有草都燒完用時最少為多長時間。如果燒不完的話輸出“-1”。 將起初選擇的兩點放入隊列中，將兩點的時間設為0，其他的時間全部設為INF，用數組存每個點最小的時間。數組中最大的時間就是燒完所有草的時間。最終每次選擇不同的兩個點進行枚舉，最終求出所有可能解的最小值。 Fat brother and Maze are playing a kind of special

串列介面SPI介面應用設計       使用的同步串列三線SPI介面，可以方便的串連採用SPI通訊協定的外圍或另一片AVR單片機，實現在短距離內的高速同步通訊。 ATmega128的SPI採用硬體方式實現面向位元組的全雙工系統3線同步通訊，支援主機、從機和2種不同極性的SPI時序，通訊速率有7種選擇，主機方式的最高速率為1/2系統時鐘，從機方式最高速率為1/4系統時鐘。    ATmega128

題目大意：         在電視時代沒有多少人會去劇院看戲，而Malidinesia劇院的老喜劇藝術家很在乎這個，他想向福士宣傳他的古老的喜劇藝術。劇院印了很多邀請函（上面附上了很多必要的資訊以及劇院的節目單），很多學生被僱傭去向人們分發這些邀請函（就是宣傳單），這些學生被指派到指定的公交站向來來往往坐公交的乘客分發這些傳單，當然，在發傳單之前這些學生都做了培訓，教他們如何去影響人而不是強迫人。      

其實這條語句在DSP等系統開發中經常要用到，比如更改某些配置後需要延時幾個刻度才能夠生效，這時asm(” RPT #7 || NOP”)便可以閃亮登場了。雖然這個功能我們都知道而且經常使用，但是具體的細節很多人卻不知道，包括我。今天在一個交流群裡有人突然問這條指令下去執行之後，會佔用多少刻度呢。結果可想而知問蒙了。 簡單寫段代碼編譯下載到片子裡面(我是用的28335進行測試的。)，觀察CPU Timer0寄存器的TIMER0TIM位。發現執行asm(” RPT #7 ||

華電北風吹 日期：2015/11/20 特徵提取不同於特徵選取，特徵提取是利用原有的特徵根據一定的演算法提取出原始特徵中包含的抽象特徵。 一、PCA(主成分分析) PCA的是一種無監督的特徵降維方法。確切來說，PCA不是一種特徵降維方法，PCA一次尋找一組正交的映射空間，並且使得能夠在這個映射空間上方差最大。 二、MDS(Muli-demision scaling)

1、bwlabel是用來標記二維的二值映像中的連通組的，簡言之，就是黑背景下面有多少白的塊，也就是從黑背景甄別白塊塊的。   L = BWLABEL(BW,N) returns a matrix L, of the same size as BW, containing labels for the connected components in BW. N 即為4連通或8連通 [L,NUM] = BWLABEL(BW,N)

轉自：http://blog.csdn.net/ariesjzj/article/details/7419479 有時候輸出資訊太長，一屏放不下，下面介紹兩種將gdb的輸出資訊存到檔案的方法。 方法一：適合臨時向檔案輸出些資訊的情況。 比如要用info functions輸出所有函數，結果往往有一大坨，所以可以將之輸出到檔案。 (gdb) set logging file <file name> (gdb) set logging

來自《演算法競賽入門經典訓練指南》 1.Treap實現名次樹 1.簡單介紹 Treap是一棵擁有索引值和優先順序兩種權值的樹。對於索引值而言，這棵樹是二叉排序樹。對於優先順序而言，這棵樹是堆，即在這棵樹的任意子樹中，根的優先順序是最大的。 不難證明，如果每個結點的優先順序事先給定且互不相等，整棵樹的形態也就唯一確定了，和元素的插入順序無關。在Treap的插入演算法中，每個節點的優先順序是隨機確定的。

請珍惜小編勞動成果，該文章為小編原創，轉載請註明出處。 掃描(SCAN)調度演算法：總是從磁臂當前位置開始，沿磁臂的移動方向去選擇離當前磁臂最近的那個柱面的訪問者。如果沿磁臂的方向無請求訪問時，就改變磁臂的移動方向。採用這種調度演算法，需要為訪問者設定兩個隊列，根據磁頭的移動方向，能訪問到的訪問者由近及遠排隊，背離磁頭移動方向的訪問者也由近及遠排為另一隊。先按磁頭移動方向隊列調度訪問者訪問磁碟，當該方向沒有訪問者時，再改變方向，選擇另一個訪問者隊列訪問磁碟。

you can also access to http://dhatria.com/2016/05/26/foe03/ Error:The type org.springframework.core.NestedRuntimeException cannot be resolved. It is indirectly referenced from required .class files Story: It is most common for

因為傳統的初始化權重問題是用標準常態分佈（均值為0，方差為1）隨機初始化的，這其實是存在不合理的部分。 標準常態分佈： 可以看出真實資料的分布其實是在靠近坡峰的部分，符合常態分佈的。 以下為轉載 點擊開啟連結 caffe中初始化權重 首先說明：在caffe/include/caffe中的