首页 > TAG信息列表 > 研读

ZRender文档研读

ZRender文档研读 （基于4.3.2版本） 不使用最新的5.x.x的版本是因为线上文档和最新版本JS文件不匹配-2022年6月13日 1、文档地址 1、官方文档的地址：https://ecomfe.github.io/zrender-doc/public/api.html#zrenderdisplayable 2、Github地址：https://github.com/ecomfe/zrender 2

研读源码很重要

今天碰巧遇到个问题    研读了源码后，发现，Integer类中有个内部类， 用100定义两个包装类型的变量a，b后，包装类型用==比较的是对象的内存地址， IntegerCache，这个类对-127到128范围内的数字做了缓存，也就是说这范围内的数字的内存地址是一样的， 所以返回true超出这个范围后，相同的值1000，定

你们要的面经来了，值得每个 Gopher 认真研读

　　分享一篇面经，作者拿到了 PingCAP，今日头条的 offer 以及蚂蚁金服的口头 offer。下面是该作者的经验分享。 　　我自己是本科毕业后在老东家干了两年多，老东家算是一家”小公司”(毕竟这年头没有 BAT 或 TMD 的 title 都不好意思报出身)，毕业这两年多我也没有在大厂待过，因此找坑的

【论文笔记】EPSANet研读

源码【官方】： https://github.com/murufeng/EPSANet 源码【非官方】： https://github.com/xmu-xiaoma666/External-Attention-pytorch/blob/master/model/attention/PSA.py 论文解读: https://zhuanlan.zhihu.com/p/383400525

近期科研计划

对MSTAR数据集按照老师教的流程进行处理 下载之前的微多普勒计划数据集，看看是不是可以用LDA LPP等方法去识别 CSP博客里面的机器学习挑战数据集有时间去处理 实验室关于SAR识别的几篇论文研读以及相关论文 雷达信号处理高质量源码研读 矩阵分析复习  

零信任学习系列四——研读零信任架构在高校网络安全建设中的应用和研究

高校网络安全形势 （一）：网络资产形式各异 网络资产是指在一个机构或组织内部用于支撑网络信息相关行为的任何数据，设备及其他组件。网络资产通常包括硬件（服务器和交换机），软件（关键任务应用程序和支持系统）和数据信息。在高校中，由于学术研究的开放性，同学和老师通常会携带自己的设备，寻

【DPDK】DPDK技术介绍--研读

DPDK是INTEL公司开发的一款高性能的网络驱动组件，旨在为数据面应用程序提供一个简单方便的，完整的，快速的数据包处理解决方案，主要技术有用户态、轮询取代中断、零拷贝、网卡RSS、访存DirectIO等。 一、主要特点 1、UIO（Linux Userspace I/O） 提供应用空间下驱动程序的支持，也就是说网

关键词提取-论文研读-betweenness centrality相关算法（2）

项目实训记录系列博客 一马当先，争做国家栋梁。 博客说明 本博客初衷是用于学校项目实训知识梳理、工作内容、收获感悟的记录。 若能在您的学习之路上有所帮助，不胜荣幸。但若需转载，也请注明出处。 博客包含以下内容（也是开篇提到的），但不意味着每一篇都会囊括所有；同时，也并非意味

ThinkPHP6源码研读

<?php // +---------------------------------------------------------------------- // | ThinkPHP [ WE CAN DO IT JUST THINK ] // +---------------------------------------------------------------------- // | Copyright (c) 2006-2019 http://thinkphp.cn All ri

2021上岸吉林大学计算机专硕研究生初试经验贴分享

首先介绍一下个人情况，双非二战考研，正式备考时间大概从五月中下旬开始，除了10月初国庆期间遇到瓶颈期学不下去（每天低效五六个小时）之外，基本每天的学习时间都在9小时以上，后期冲刺阶段学习时间大概11小时左右，月计划，周计划，日计划全都有并且认真执行及时调整。 【政治】： 使用资料： 腿姐

技术书籍 — EffectiveMordenCpp 研读

一、类型推导 PROs: 源码某处的类型修改，可以自动传播其他地方 Cons: 会让代码更复杂（How？） 在模板类型推导时，有引用的实参会被视为无引用，他们的引用会被忽略 template<typename T> void f(T & param); // param 是一个引用 int x = 10; // int const int cx= x; // const in

论文研读-机器学习可视化-神经网络损失函数吸引域可视化

为交叉熵和平方误差神经网络损失函数的吸引域可视化 1 论文概述1.1 文章摘要1.2 专业术语1.3 引言 2 相关工作3 损失函数4 适应值曲面分析4.1 渐进梯度行走4.2 损失梯度云4.3 量化吸引域 5 实验过程5.1 基准问题5.2 取样参数 6 实验结果7 结论展望 1 论文概述 2020年3月

论文研读_总计划（7.30~9.2）

从7.30~9.2日（5周），每周精读最少3篇文献（最少15篇）并按周记录： 1. 领域内中文版文献，出自硕士论文或中文高水平期刊，用于无误理解专业名词。 2. 领域内外文版文献，出自SCI期刊或顶会，用于掌握英文专业词汇的及了解行业内最新动态。 3. 领域外外文文献，根据领域内外文版文献进行拓展，探究前沿

八，论文研读

八，论文研读 论文名称：邢春晓，高凤荣，战思男，周立柱.适应用户兴趣变化的协同过滤推荐算法. 研究对象通过研究不同的用户兴趣，主动为用户推荐最需要的资源，进行个性化推荐。 研究动机为及时反应用户兴趣变化，提出两种改进（基于时间的数据权重，和基于资源相似度的数据权重） 文献综述 协同过滤

七，专著研读（Logistic回归）

七，专著研读（Logistic回归） 分类：k-近邻算法，决策树，朴素贝叶斯，Logistic回归，支持向量机，AdaBoost算法。 运用 k-近邻算法，使用距离计算来实现分类 决策树，构建直观的树来分类 朴素贝叶斯，使用概率论构建分类器 Logistic回归，主要是通过寻找最优参数来正确分类原始数据 逻辑回归（Logistic Reg

四，专著研读（K-近邻算法）

四，专著研读（K-近邻算法） K-近邻算法有监督学习距离类模型， k-近邻算法步骤 计算已知类别数据集中的点与当前点之间的距离 按照距离递增的次序进行排序 选取与当前点距离最小的K个点 确定前k个点出现频率 返回前k个点出现频率最高的类别作为当前点的预测类别 欧氏距离 \(dist\left

1.文献研读---基于行为分析的在线课程成绩预测模型-任占广.尚福华

研究对象 “玩课网”平台的重庆文理学院“大学生计算机基础”课程的学习数据 研究动机 为了更加科学的分析在线学习行为和准确的预测在线课程成绩，本文提出了一种基于行为分析的在线课程成绩预测模型。 文献综述            该研究是利用数据挖掘技术，收集学生在线学习行

论文研读Unet++

Unet++: A Nested U-Net Architecture for Medical Image Segmentation Unet++ 论文地址 这里仅进行简要介绍，可供读者熟悉其结构与特点，若想更为深入的了解，可以阅读原论文和参考文献。 在计算机视觉领域，全卷积网络（FCN）是比较有名的图像分割网络，在医学图像处理方向，U-net更是一个炙手可

Abp 源码研读 - 依赖注入

Abp 框架对于依赖注入的实现主要是依赖 Castle.Core ，实际上这一篇更应该归类于 Castle.Core 的应用， 若对 Castle.Core 知识不了解的， 可以先去学习下：Castle.Core 。下面来分析下比较重要的接口/类： 核心接口 IIocManager 定义了对 Ioc 对象， 服务注册，服务解析，服务注册与否的判断，以及对

CTPN代码研读（三）utils/dataset(data_provider)研读

CTPN代码研读系列： 1. 数据集的使用以及模型 2. utils/prepare/label 3. utils/dataset/data_provider (本内容为自己理解，如有错误欢迎指正) 知识点： python–multiprocessing包 简单介绍：http://www.cnblogs.com/tkqasn/p/5701230.html Python – queue包 同步的队列类 Queu

CTPN代码研读（一）数据集的使用以及模型

CTPN代码研读系列： 1. 数据集的使用以及模型 2. utils/prepare/label 3. utils/dataset/data_provider (本内容为自己理解，如有错误欢迎指正) 基础信息介绍： 本系列代码为ctpn的tensorflow版本研读： 博主的论文原文研读（中文版）：https://blog.csdn.net/qq_35307005/article/details/8

研读论文报告—《大规模英语动词多词表达式注释语料库的构建》

    论文出处：2018paper of LREC http://www.lrec-conf.org/proceedings/lrec2018/pdf/394.pdf     背景：多次表达式的复杂以及出现率非常大。动词表达式的歧义问题以及前人工作较为少。一般都做名词多词表达式。 基于上述背景：此实验主要是构建一个全新的动词多词表达式语

论文研读（一）——ALEXnet

这是这个系列的第一篇 论文题目： ImageNet Classification with Deep Convolutional Neural Networks   论文系列汇：    1. VGG论文   论文中两个名词解释： 归一化： 数据变成(０，１)或者（1,1）之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。归