18.9.28日报

最新推荐文章于 2022-02-16 21:07:26 发布

龙泉寺扫地僧

最新推荐文章于 2022-02-16 21:07:26 发布

阅读量151

点赞数

本文链接：https://blog.csdn.net/weolar/article/details/82891965

版权

1，完成gmss的移植，已交付给客户。遇到一个小问题，一直没编译成功。吸取的教训就是以后要先按照惯网的步骤编译出来。

这次之前一直编译少了几个函数没找到，最后发现原来是宏生成的，有个文件没加到编译项里。GM的SMS4算法刚好就是缺少的函数里面的。

2，跟进一处崩溃。原因发现是cef和mb同时加载，导致内存不够了。

3，webkit新版代码有MSE了。见：wpewebkit-2.20.2\Source\WebCore\platform\graphics\gstreamer\mse

4，ff-ax正在集成进来。

5，继续完善video标签，尤其是一些事件

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

龙泉寺扫地僧

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

webRTC与MSE(media source extensions)实现p2p视频的一些思路和尝试(1)

66.blog

01-04

7715

最近flv.js的事好像有点火，又重新把mse这个东西提上来了。 MSE(media source extensions)是html5的新功能，大致的作用就是可以实现流媒体功能。如果MSE配合webRTC再加上js的二进制处理，那么可以实现服务器发送视频给其中一个浏览器用户，这个浏览器用户再将视频流传输给其他用户的功能。算是web端在p2p功能上的一种探索吧思路server发送视频流的二进制数

【无标题】

m0_62467660的博客

12-11

827

股票预期收益决定因素的共性分析 Roberta.Haugen*a,NardinL.Bakerb 加州大学欧文分校管理研究生院，加州92717,美国bGrantham,Mayo,VanOtterloo,Boston,MA02110,美国（1995年4月收到；定稿1995年11月收到）摘要我们发现，股票预期收益横截面的决定因素在不同时期和不同国家之间的同一性和影响是稳定的。对预期回报的样本外预测是非常准确的。本文有两个发现区别于当代文学中的其他研究：首先，预期收益率和实际收益率较高的股...

参与评论您还未登录，请先登录后发表或查看评论

WPEWebkit调试MSE播放

技术笔记

02-16

680

MediaSource是在js中通过代码调用才能创建，并不是所有的html5 video都是MSE，所以刚开始接触的时候，用`https://www.w3.org/2010/05/video/mediaevents.html`的测试页面，就没有这个过程，很怀疑是不是代码思路看错了。

2021.2.21日报

weolar的专栏

02-21

187

过年这几天： 1、先是把webkit某个版本编译出来了。目的是想研究mse api部分。但没想到这玩意是gstreamer实现的底层。而且似乎实现的bug很多。目前只能跑起一个视频的前面几秒。总之，这个方案只适合学习mse api的规范 2、最终的解决方案是直接把chromium media部分直接移植到mb里。没想到这个方案比想象中简单一点。缺点是比较大，需要带上base库。以后有机会重写。 3、用移植的新版本mb跑https://tv.cctv.com/live/cctv7/，发现还需要wasm。

HTML5 MSE(Media Source Extensions)

haima1998的专栏

04-04

8646

转自：https://dvcs.w3.org/hg/html-media/raw-file/tip/media-source/media-source.html Abstract This specification extends HTMLMediaElement to allow JavaScript to generate media streams for playback

18.5.30日报

weolar的专栏

05-31

427

1，修复游戏加加提的问题。其实不是mb的问题，而是上层窗口没设置子窗口裁剪2，帮忙搞定游戏加加的js绑定需求。增加一个接口，方便在指定帧执行js3，研究electron的tray实现。进行中4，跟进http://m.sp.sm.cn/s?q=123&uc_param_str=dnntnwvepffrgibijbprsvdsme&from=ucframe&uc_sm=1设置M...

2017考研计算机报录比,2017年研招报告（研究生报名人数创新高）—中国教育在线...

weixin_36431814的博客

07-15

913

1.1 研究生报名人数大涨，增幅为13.6%根据教育部数据，2016年全国硕士研究生报名人数177万，比2015年增加12.1万人，增幅7.3%，2017年在职研究生首次纳入统考后(教育部会同国家发展改革委按全日制和非全日制两类分别编制和下达研究生招生计划)，导致2017年研究生报名人数大幅增长，达到201万，增幅为13.6%。其中报考非全日制硕士研究生的考生占比明显，北京、江西报考人数占比达到1...

欢聚时代Q3季报图解：运营利润6.1亿同比下降8%

weixin_33985679的博客

11-13

226

雷帝网雷建平 11月13日报道欢聚时代（证券代码：YY）今日发布财报。财报显示，欢聚时代第三季度净营收为41.005亿元（约合5.970亿美元），同比增长32.6%；归属欢聚时代的净利润为6.507亿元（约合9470万美元），较上年同期的净利润6.360亿元增长2.3%。不按照美国通用会计准则（不计入股权奖励支出），欢聚时代第三季度净利润为7.870亿元（约合1.146亿美元），比上年同期的6....

2021-01-01

weixin_44523062的博客

01-01

353

跳到主要内容跳到文章爱思唯尔徽标搜索ScienceDirect 生物医学第50卷，2019年12月，第156-165页 EBioMedicine的期刊主页研究论文对比CT放射线学的机器学习分析预测切除后肝细胞癌的复发：一项多机构研究作者链接打开覆盖面板姬顾卫一b ç朱飞鹏d徐清d王柯一b Ç吴铭宇è唐唯唯˚F李相成一b ç王薛浩一b Ç https://doi.org/10.1016/j.ebiom.2019.10.057获取权利和内容根据知识共享许可开放存取强调 • 我们使用机器学习框架确

TCPIP协议详解卷2：实现

07-26

Stevens先生不幸病逝于1999年9月1日，他的离去是计算机界的巨大损失。译、校者简介：谢希仁，中国人民解放军理工大学(南京)计算机系教授，全军网络技术研究中心主任，博士研究生导师，1952年毕业于清华大学电机系...

TCP/IP详解卷1:协议--源代码

10-19

Stevens先生不幸病逝于1999年9月1日，他的离去是计算机界的巨大损失。目录封面 -1 第1章　概述 1 1.1　引言 1 1.2　分层 1 1.3　TCP/IP的分层 4 1.4　互联网的地址 5 1.5　域名系统 6 1.6　封装 6 1.7　...

MICAPS数据文件格式

weixin_33881753的博客

12-16

3016

MICAPS系统的数据结构是建立在文件系统基础上的。其特点是： l 利用目录来区分不同的数据来源、要素和层次，即不同的数据来源、要素和层次的数据要放在不同的目录中。同一目录中的数据只能有时次或时效上的不同。 l 系统根据不同的数据格式来显示不同类型的图形。除第六类数据（传真图）外，每个数据文件都有一个文件头，描述该数据文件属于哪一类数据格式、数据的日期、时次、时效及其它有关参数。 l ...

17.10.16日报

weolar的专栏

10-16

379

1，增加了几个给客户用的包装层接口 2，修复了下拉框退出时候崩溃的bug 3，打算增加一个新dll，用来兼容EWE.dll，因为这玩意是stdcall

JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip

09-21

1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。

09-21

09-21

2024秋招华为笔试题大全-仅供参考具体需要根据实际修改

09-21

2024秋招华为笔试题大全-仅供参考具体需要根据实际修改

借助于Ascend310 AI处理器完成深度学习算法部署任务，

09-21

应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。

用pandas将下面数据画一张统计图表日期/项目（A厂）进水 COD 氨氮总磷总氮 2021.1.1 149 20.1 3.54 30.7 2021.1.2 164 10.1 0.65 20.1 2021.1.3 86 37.1 1.92 44.1 2021.1.4 164 16.4 1.44 21.5 2021.1.5 146 10.9 0.84 18.4 2021.1.6 136 18.7 1.59 29.7 2021.1.7 93 17.2 1.15 23.5 2021.1.8 96 17.1 1.61 24.2 2021.1.9 90 18.5 1.42 26.9 2021.1.10 134 23.8 2.46 31.7 2021.1.11 141 17.7 2.50 28.3 2021.1.12 15.6 1.48 2021.1.13 11.0 1.04 2021.1.14 19.5 3.55 24.0 2021.1.15 138 18.5 1.60 26.9 2021.1.16 138 15.2 1.82 27.8 2021.1.17 161 16.5 2.60 20.5 2021.1.18 16.3 2.10 27.9 2021.1.19 17.3 1.54 31.8 2021.1.20 29.5 3.54 37.8 2021.1.21 20.7 2.67 24.9 2021.1.22 19.5 3.25 29.3 2021.1.23 18.9 2.12 2021.1.24 12.0 2.38 23.4 2021.1.25 23.9 2.34 23.5 2021.1.26 11.7 1.51 12.4 2021.1.27 114 10.6 1.58 27.9 2021.1.28 107 11.1 1.31 19.3 2021.1.29 121 14.2 1.66 17.6 2021.1.30 10.6 1.26 19.5 2021.1.31 12.5 1.71 15.4

06-09

首先，需要将数据转换成pandas的DataFrame格式，代码如下： ```python import pandas as pd data = {'日期/项目（A厂）': ['2021.1.1', '2021.1.2', '2021.1.3', '2021.1.4', '2021.1.5', '2021.1.6', '2021.1.7', '2021.1.8', '2021.1.9', '2021.1.10', '2021.1.11', '2021.1.12', '2021.1.13', '2021.1.14', '2021.1.15', '2021.1.16', '2021.1.17', '2021.1.18', '2021.1.19', '2021.1.20', '2021.1.21', '2021.1.22', '2021.1.23', '2021.1.24', '2021.1.25', '2021.1.26', '2021.1.27', '2021.1.28', '2021.1.29', '2021.1.30', '2021.1.31'], '进水': [149, 164, 86, 164, 146, 136, 93, 96, 90, 134, 141, None, None, None, 138, 138, 161, None, None, None, None, None, None, None, None, None, 114, 107, 121, None, None], 'COD': [20.1, 10.1, 37.1, 16.4, 10.9, 18.7, 17.2, 17.1, 18.5, 23.8, 17.7, 15.6, 11.0, 19.5, 18.5, 15.2, 16.5, 16.3, 17.3, 29.5, 20.7, 19.5, 18.9, 12.0, 23.9, 11.7, 10.6, 11.1, 14.2, 10.6, 12.5], '氨氮': [3.54, 0.65, 1.92, 1.44, 0.84, 1.59, 1.15, 1.61, 1.42, 2.46, 2.50, 1.48, 1.04, 3.55, 1.60, 1.82, 2.60, 2.10, 1.54, 3.54, 2.67, 3.25, 2.12, 2.38, 2.34, 1.51, 1.58, 1.31, 1.66, 1.26, 1.71], '总磷': [30.7, 20.1, 44.1, 21.5, 18.4, 29.7, 23.5, 24.2, 26.9, 31.7, 28.3, None, None, 24.0, 26.9, 27.8, 20.5, 27.9, 31.8, 37.8, 24.9, 29.3, None, 23.4, 23.5, 12.4, 27.9, 19.3, 17.6, 19.5, 15.4]} df = pd.DataFrame(data) ``` 接下来，我们可以使用matplotlib库进行数据可视化，这里我选择绘制折线图。代码如下： ```python import matplotlib.pyplot as plt # 设置图形大小 plt.figure(figsize=(10, 6)) # 绘制折线图 plt.plot(df['日期/项目（A厂）'], df['进水'], label='进水') plt.plot(df['日期/项目（A厂）'], df['COD'], label='COD') plt.plot(df['日期/项目（A厂）'], df['氨氮'], label='氨氮') plt.plot(df['日期/项目（A厂）'], df['总磷'], label='总磷') # 添加标题和标签 plt.title('A厂水质监测', fontsize=16) plt.xlabel('日期', fontsize=12) plt.ylabel('含量', fontsize=12) # 添加图例 plt.legend() # 显示图形 plt.show() ``` 运行上述代码，即可得到一张含有4条曲线的折线图，用于展示A厂水质监测数据的趋势。