在调用企业微信通讯接口的时候，企业微信aes加密抛出了illegal key size异常，这个异常的原因是jdk jar包缺少lib导致的，不同jdk版本的jar包缺失不同，附件包含jdk6，jdk7，jdk8的jar包依赖，更新覆盖的时候，记得先备份
2021-10-15 13:09:18
5KB
1
复制并覆盖%JAVA_HOME%/jre/lib/security下的local_policy.jar 和 US_export_policy.jar
2021-10-13 15:03:00
11KB
1
java代码-请定义一个交通工具(Vehicle)的类，其中有:
属性：速度(speed)，体积(size)等等
方 法： 移 动(move()) ， 设置 速 度(setSpeed(int speed)) ， 加速 speedUp(), 减速 speedDown()等等.
最后在测试类 Vehicle 中的 main()中实例化一个交通工具对象，并通过方法给它初始化 speed,size 的值，并且通过打印出来。另外，调用加速，减速的方法对速度进行改变。
2021-10-11 17:15:49
1KB
1
Memory size detection routine for Apple IIgs written in 66816 assembly
2021-10-04 17:00:41
2KB
ScottKnott效应大小差异（ESD）测试（版本3.0，开发分支）
Scott-Knott效应量差异（ESD）测试是一种多重比较方法，利用层次聚类将一组治疗平均值（例如均值）划分为统计学上不同的组，差异不可忽略[Tantithamthavorn等，（2018 ） ]。 Scott-Knott检验的另一种方法是考虑组内和组间治疗手段的差异（即效果大小）的大小。 因此，Scott-Knott ESD测试（v2 +）产生了治疗方法的排名，同时确保（1）每组中所有治疗方法的差异幅度可忽略不计； （2）组间治疗差异的大小不可忽略。 与其他多重比较测试相比，建议使用Scott-Knott ESD测试，因为它不会像其他事后测试（例如Nemenyi测试）那样产生重叠的组。
参数ScottKnott ESD测试（在2.0+版本中可用）
参数Scott-Knott ESD测试是一种均值比较方法，该方
2021-09-22 14:48:27
291KB
1
import math
import torch
import torch.nn as nn
import os
def file_name_walk(file_dir):
for root, dirs, files in os.walk(file_dir):
# print(root, root) # 当前目录路径
print(dirs, dirs) # 当前路径下所有子目录
print(files, files) # 当前路径下所有非目录子文件
file_name_walk(/home/kesci/input
2021-09-20 21:51:33
25KB
1
论文地址：https://arxiv.org/pdf/1911.09737.pdf
笔记内容：
论文总览
论文图表与内容
Normalization各种方法回顾（BN,GN,LN,IN）
论文总览：
1、解决的问题：BN（Batch Normalization）在mini-batch尺寸太小的时候会降低训练效果，GN（Group Normalization）,Batch Renormalization都在解决这些问题，但是达不到BN在大batch上的表现，或在小batch上表现不佳
2、FRN表现：FRN结合归一化和激活函数的方式，替代其他的归一化与激活函数的结合，在各个batch si
2021-09-19 14:19:15
1.34MB
1
具体就不做详细讲解了，直接上代码：
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<meta name="author" content="http://www.webkfa.com/" />
<title>web开发-webkfa.com</title>
<style type="text/css">
*{
margin:0;padding:0;
-webkit-touch-callout: none; /* prevent callout to copy image, etc when tap to hold */
-webki
2021-09-15 17:35:32
31KB
1
1. LSTM模型 输入参数理解
（Long Short-Term Memory）
lstm是RNN模型的一种变种模式，增加了输入门，遗忘门，输出门。
LSTM也是在时间序列预测中的常用模型。
小白我也是从这个模型入门来开始机器学习的坑。
LSTM的基本概念与各个门的解释已经有博文写的非常详细：推荐博文:【译】理解LSTM（通俗易懂版）
这篇文章写的非常详细，生动，概念解释的非常清楚。我也是从这个博文里开始理解的。
2. 模型参数
模型的调参是模型训练中非常重要的一部分，调整参数前的重要一步就是要理解参数是什么意思，才能帮助更好的调整参数。
但是发现在一些实战模型将代码直接放在那里，但是基本
2021-08-17 19:11:13
402KB
1
ros机器人路径远离障碍物的方法
A星或dijkstra规划的路径会贴着障碍物，如果膨胀半径设置过小机器人在跟踪路径运动时会碰到障碍物，特别是在转弯的时候。
这里提供一种路径优化的方法让路径与膨胀层保持一定距离。
步骤：
1、遍历所有的路径点，记录下路径点周围一定范围length(可设置)的障碍物。
2、若所有的障碍物都在路径的同一测则找到距离该路径点A最近的障碍物点B，设最近的距离为d。
3、将路径点A平移，平移的方向为A指向B的方向，平移的距离为length – d，即让A与B的保持距离为length。
效果图如下：
红色的路径为未优化的全局路径，绿色的为优化后的局部路径
代码如下：
v
2021-08-07 21:43:13
1.03MB
1