博客-专业IT技术发表平台

推荐付费专栏 VIP文章

持之以恒的天秤

Socket编程基础这篇博客我们主要用来讲解TCP和UDP的socket编程。

阅读 903

34赞

机器学习：欠拟合、过拟合、正则化 2）增大数据的训练量，还有一个原因就是我们用于训练的数据量太小导致的，训练数据占总数据的比例过小。1）重新清洗数据，导致过拟合的一个原因有可能是数据不纯，如果出现了过拟合就需要重新清洗数据。，模型过于简单时的常用套路，例如将线性模型通过添加二次项或三次项使模型泛化能力更强。原始特征过多，存在一些嘈杂特征，模型过于复杂是因为模型尝试去兼顾所有测试样本。，有时出现欠拟合是因为特征项不够导致的，可以添加其他特征项来解决。(体现在准确率下降)，此时认为这个假设出现了过拟合的现象。学习到数据的特征过少。

阅读 1.5k

12赞

1白天的黑夜1

数据结构之堆(topk问题、堆排序) 这里用结构体管理数据，HPDataType*a是动态数组的指针，HPDataType是typedef定义的可变参数，需要更改存储类型时，修改typedef的内容即可，size用于统计存储数据的多少，capacity是统计开辟的空间大小，即动态申请数组的大小。通过分析我们能得出父子关系的计算公式，parent=(child-1)/2，左孩子leftchild=parent*2+1，右孩子rightchild=parent*2+2，这会在下面实现时应用。向上调整用于解决插入数据造成的不构成堆的问题。

阅读 1.3k

35赞

【Linux】Git原理与使用编程不仅是解决问题的艺术，更是对复杂性进行优雅管理的哲学。

阅读 486

6赞

Python趣学篇：用Pygame打造绚烂流星雨动画这是一个基于Pygame开发的流星雨动画项目，具有以下特效：🌠多彩流星：8种不同颜色的流星随机生成，每颗都有独特的轨迹✨粒子尾迹：每个流星都带有动态的粒子拖尾效果，增强视觉冲击力🌟闪烁星空：150颗背景星星营造真实的夜空氛围🌌渐变背景：深蓝到黑色的自然渐变，模拟夜空色彩💫斜向轨迹：所有流星都以30-60度角自然斜向下运动🎨中文显示：完美支持中文字体，显示"斜向流星雨来啦！"等文字整个程序运行流畅，达到60FPS的丝滑体验，让你仿佛置身于真实的流星雨之中！

阅读 1.1k

20赞

数据结构 --- 顺序表顺序表是用一段物理地址连续的存储单元依次存储数据元素的线性结构，一般情况下采用数组存储，在数组上完成数据的增删查改顺序表分为：静态顺序表、动态顺序表。

阅读 1.3k

35赞

基于 StarRocks + Iceberg，TRM Labs 构建 PB 级数据分析平台实践作者：Vijay Shekhawat：TRM Labs 数据平台团队核心成员，精通实时流处理、数据湖仓架构及构建安全、高吞吐的数据分析管道，在推动 PB 级数据处理能力方面发挥了关键作用。Andrew Fisher：TRM Labs 资深软件工程师，擅长大规模批处理数据加载与数据湖仓方案，为应对加密欺诈提供坚实的数据基础和分析能力。导读：开源无国界，在本期“StarRocks 全球用户精选案例”专栏中，我们将介绍区块链情报公司 TRM Labs 的数据平台演进实践。

阅读 763

13赞

循环渐进Forward

【C++/Linux】TinyWebServer前置知识之IP协议详解摘要：IP协议是TCP/IP协议族的核心，定义了数据报格式和分片机制。IPv4报文包含版本号、首部长度、服务类型、总长度等字段，其中首部长度固定20字节，最大60字节。IP地址分为A、B、C、D类，采用点分十进制表示。数据报分片由MTU限制引起，可在源主机或路由器进行，仅在目的主机重组。IP模块工作流程包括校验、地址匹配和转发决策等环节。

阅读 1.1k

45赞

开源是什么？我们为什么要开源？ 20世纪70年代软件与硬件捆绑销售，限制用户权利。1983年理查德·斯托曼发起GNU项目，1985年成立自由软件基金会。1991年Linux内核发布，1998年开源软件运动兴起。该运动诞生诸多重要软件，存在自由与效率等矛盾点，对社会和技术影响深远。

阅读 1.2k

19赞

用JS实现植物大战僵尸(前端作业) 图片包含：植物cd好的状态和冷却期的状态，植物空闲状态/攻击状态，僵尸包含移动状态/攻击状态/樱桃炸弹炸的效果, 同时我们提供对外的imageFromPath函数, 用来生成图片路径。只对JS中常见的DOM/BOM和基础语法进行巩固，后续的CSS代码和相关图片资源也会上传。左侧卡片：当我们使用了一个植物后，它的状态就会改变, 类似于进入到冷却时间。为植物和僵尸设置不同状态下的动画效果。

阅读 1.1k

15赞

乐神嘎嘎嘎

数据结构-代码总结数据结构代码总结

阅读 406

5赞

云边有个稻草人

大数据时代的利剑：Bright Data网页抓取与自动化工具共建高效数据采集新生态 BrightData是一款强大的网页抓取工具，结合自动化技术可高效获取高质量数据。其核心优势包括全球分布的代理网络、智能反反爬虫技术、易用的API接口以及数据合规支持。文章通过实测演示了BrightData抓取亚马逊商品评价数据的流程，并展示了与n8n、腾讯云函数等自动化平台的集成应用。在电商领域，BrightData可实现跨地域用户行为采集、实时数据监控和AI模型训练支持。该工具解决了传统数据采集的效率低、反爬难等问题，是市场监测、舆情分析等场景的理想选择。

阅读 1.1w

124赞

编程与实例

【兽医处方专用软件】佳易王兽医电子处方软件：高效智能的宠物诊疗管理方案摘要：佳易王兽医电子处方软件为宠物医疗行业提供数字化解决方案。具备一键解压安装、开箱即用的特点，支持病历管理、电子处方、药品检索等核心功能。特色包括智能配方导入、A5标准处方打印、病历批量处理及药品库存管理，同时提供驱虫预约和宠物照片建档服务。软件支持三种下载方式：博客资源栏、文末按钮及人工索取，解压时建议选择非系统盘存放。该软件通过流程优化和数据分析，有效提升诊疗效率和经营管理水平。（149字）

阅读 449

13赞

Y第五个季节

docker-部署Nginx以及Tomcat 简单说一下可能导致该报错的原因：（这里search失败不影响pull）：访问（旧版API，IP为：访问（新版V2 API，使用不同的IP/CDN）search 和 pull命令可能位于不同的服务器集群，受网络策略影响不同。防火墙或安全组拦截了目标IP （公司网络/代理可能仅允许部分 Docker 服务（如拉取镜像），但禁止搜索服务。DNS 污染或本地路由问题导致特定 IP 无法访问。代理配置未正确应用到所有服务（如只对生效）。Docker 守护进程的 DNS 配置错误。

阅读 642

7赞

数据结构-算法学习C++（入门）按照递归序，上述顺序为：1，2，4，4，4，2，5，5，5，2，1，3，6，6，6，3，7，7，7，3，1；但是某些问题使用硬计算类的算法，可能会让计算的复杂度较高（大厂算法和数据结构笔试、面试题、acm比赛或者和acm形式类似的比赛，考察的都是硬计算类算法）上述是对三种排序算法的检测，如果报错可通过调整数组长度和数据大小，选择容易的数组进行测验，以解决报错。请你对链表进行分隔，使得所有小于 x 的节点都出现在大于或等于 x 的节点之前。时间复杂度O(n)，额外空间复杂度O(h)，h是二叉树的高度；

阅读 1.2k

12赞

FPGA：数据中心的下一代引擎在高性能计算领域，FPGA（现场可编程门阵列）正在悄然改写着规则。从曾经的小批量ASIC替代品，到如今微软、百度等巨头数据中心的核心算力组件，FPGA 正在成为处理计算密集型与通信密集型任务的理想解决方案。

阅读 699

12赞

汽车电子实验室

电子电器架构 --- OTA测试用例分析（中）文章摘要：汽车OTA功能测试与可靠性验证本文深入探讨了车辆OTA（空中升级）技术的实现原理与关键测试用例。从FOTA和SOTA两种升级类型切入，详细分析了OTA系统的工作流程。文章重点阐述了三大可靠性测试场景：应用数据传输中断电测试、例程擦除前/中通信中断测试，通过模拟断电、CAN总线短路等极端情况，验证ECU的安全恢复能力。测试方法包含硬件设计确认、多场景模拟、结果验证等完整流程，确保系统在异常条件下仍能保持稳定。这些测试为汽车电子产品的量产可靠性提供了核心保障，有效降低了售后维护风险。

阅读 190

0赞

跳动的爱心 / 心形数学公式：(x² + y² - 1)³ - x²y³ ≤ 0（调整参数模拟跳动）system("cls");// 清屏（Linux/macOS 需改为 "clear"）// 绘制心形（尺寸15，幅度beat）#include <windows.h> // Windows 系统头文件（用于延时和清屏）beat = (beat == 1)?跳动的心形图案，通过字符打印和延时效果模拟跳动，心形在两种大小间交替跳动。// 跳动幅度（1-2）// 延时100ms。

阅读 2.4k

42赞

Studying 开龙wu

机器学习有监督学习sklearn实战二：六种算法对鸢尾花(Iris)数据集进行分类和特征可视化项目的主要环节：从数据探索、预处理、模型训练与比较，到结果分析和可视化，是一个标准的分类问题解决方案模板。针对鸢尾花数据集的特点，通过多种可视化手段和模型比较方法，全面评估了不同算法的性能表现。

阅读 1.0k

7赞

AI入门——AI大模型、深度学习、机器学习总结一、深度学习：从感知到认知的技术革命核心突破：自动化特征工程的范式变革深度学习通过多层神经网络架构（如卷积神经网络 CNN、循环神经网络 RNN），实现了从原始数据中自主学习分层特征的能力。层次化抽象：低层网络学习基础特征（如图像像素、语音频谱），高层网络组合抽象概念（如 “猫的轮廓”“句子情感”）。端到端学习：输入原始数据直接输出结果（如从 X 光片直接诊断疾病），减少人工干预误差。1.典型应用场景计算机视觉。

阅读 598

20赞