利用“姿态相似度比较”功能，对运动（动作）识别检测“秒”适配

作者：alphaair

本周迎来了「AI运动识别小程序插件」一个具有里程碑意义的功能更新：“姿态相似度比较”功能。利用此特性可以极大的提高您适配运动（动作）识别检测的速度，下面就带您体验一下此特性的魅力。

一、确保将插件版本升级至`v1.0.7`。

//app.json
{
	"plugins": {
        "aiSport": {
            "version": "1.0.7",
            "provider": "wx6130e578c4a26a1a"
        }
    }
}

二、姿态相似度比较API介绍

「姿态相似度比较」功能，是对给定的两组“人体关键点”进行分区及综合比较，并给出评分，省去了您在适配运动（动作）识别检测时，配置检测规则的繁琐。功能有三个主要对象放置在插件的calc命名空间，分别是：calc.PoseComparer、calc.PoseComparerResult、calc.PoseComparerPartItem，详情的请参考api-docs。

三、取姿态样本

进行姿态比较前您需要取一个标准姿态的关键点样本，您可以通过我们为您提供的「运动构建调试工具」来提取样本。

四、执行样本比较


//样本姿态人体关键点
const sample = 
 [{y:95.41808288282594,x:214.42673274576924,score:0.51611328125,name:"nose"},
 {y:84.61684727250136,x:221.80983627909686,score:0.7265625,name:"left_eye"},
 {y:87.59059985661885,x:202.12153237356293,score:0.59130859375,name:"right_eye"},
 {y:92.85449529945058,x:234.93538334278358,score:0.814453125,name:"left_ear"},
 {y:99.07546188234281,x:188.58581196413604,score:0.6806640625,name:"right_ear"},
 {y:149.86859452983884,x:271.3040866650822,score:0.7246093153953552,name:"left_shoulder"},
 {y:162.78905492065545,x:158.09624324078422,score:0.82666015625,name:"right_shoulder"},
 {y:236.41516213602512,x:280.8747980656871,score:0.728515625,name:"left_elbow"},
 {y:246.8062369181066,x:156.3188420992395,score:0.55859375,name:"right_elbow"},
 {y:305.46100866896046,x:286.61722490605007,score:0.6591796875,name:"left_wrist"},
 {y:313.80120003234475,x:152.9006975047454,score:0.70849609375,name:"right_wrist"},
 {y:304.5039375289,x:251.342317172392,score:0.87646484375,name:"left_hip"},
 {y:303.68360752741575,x:189.6796075527766,score:0.8740234375,name:"right_hip"},
 {y:431.38422581120494,x:237.66987231438497,score:0.70703125,name:"left_knee"},
 {y:430.01698132540423,x:189.6796075527766,score:0.8017578125,name:"right_knee"},
 {y:529.8258287888553,x:229.19295650242066,score:0.6884765625,name:"left_ankle"},
 {y:534.747908937738,x:201.71134233782658,score:0.578125,name:"right_ankle"}];

//当前帧动作，抽帧并且识别后，取人体识别结果中的keypoints
const frame = 
 [{y:154.06250001297832,x:258.7499999883252,score:0.728515625,name:"nose"},
 {y:143.12500001305142,x:254.37499998835446,score:0.56298828125,name:"left_eye"},
 {y:143.75001908653357,x:255.937499988344,score:0.69482421875,name:"right_eye"},
 {y:143.984394086532,x:229.99999998851743,score:0.43115234375,name:"left_ear"}
 ,{y:146.17187501303107,x:236.09374998847667,score:0.4919433891773224,name:"right_ear"},
 {y:201.4062690861481,x:205.9375190621646,score:0.51416015625,name:"left_shoulder"},
 {y:202.03125001265758,x:227.96874998853102,score:0.66259765625,name:"right_shoulder"},
 {y:281.25001908561427,x:234.6874999884861,score:0.26416015625,name:"left_elbow"},
 {y:270.6250190856853,x:254.06249998835656,score:0.278076171875,name:"right_elbow"},
 {y:246.09376908584932,x:289.06249998812257,score:0.1997070610523224,name:"left_wrist"},
 {y:238.43750001241418,x:300.62499998804526,score:0.50927734375,name:"right_wrist"},
 {y:321.5624618648858,x:218.59376906208004,score:0.58154296875,name:"left_hip"},
 {y:323.43750001184594,x:224.06249998855716,score:0.5615234375,name:"right_hip"},
 {y:453.43750001097675,x:217.34376906208837,score:0.6103515625,name:"left_knee"},
 {y:455.6250000109622,x:214.06249998862396,score:0.51416015625,name:"right_knee"},
 {y:572.5000000101808,x:215.31249998861563,score:0.403564453125,name:"left_ankle"},
 {y:593.1250000100429,x:216.0937499886104,score:0.52294921875,name:"right_ankle"}];

//新建比较器，执行比较
 const poseComparer = new AiSports.calc.PoseComparer();
 const result = poseComparer.compare(sample, frame);
 console.log(result);

//输出结果
//{items:
//         [{key:"head",score:0.4327263684686711,summary:"头部偏转相似度"},
//          {key:"trunk",score:0.8407704975917485,summary:"躯干形态相似度"},
//          {key:"left_hand",score:0.2155245751055277,summary:"左手相似度"},
//          {key:"right_hand",score:0.21361728579451628,summary:"左手相似度"},
//          {key:"left_foot",score:0.5147016736506456,summary:"左脚相似度"},
//          {key:"right_foot",score:0.5190758118853293,summary:"右脚相似度"}],
// score:0.5110266728697409  //整体相似度评分
//}

五、相似度结果应用

取得相似结果后，您可以根据运动（动作）的要求，直接进行总体评分或指定分区的评分判断（建议相似度在≥0.80时视为通过）。若有更精细的要求，也可以再配置一些加强规则进行再检测，详情请参考集成文档的body-calc相关章节。

注：目前相似度的比较，在前、后视角时置信度相对更高，正侧视图稍差些，后期我们将针对侧视图进行优化，敬请期待。

AI运动识别小程序插件介绍：

本插件可以为您的小程序提供人体检测、运动识别的AI能力，插件目前支持跳绳、开合跳、俯卧撑、仰卧起坐、深蹲(深蹲起)、平板支撑、马步蹲等运动的识别检测计时、计数分析，更多的运动类型正在丰富中；插件运动识别引擎提供了基于规则配置的运动识别能力，您可以通过配置一些简单的规则，增加一项新的运动（动作）识别能力，若是复杂的运动种类，也可以通过代码扩展的方式进行。

提供信息系统、公众号、小程序、APP订制开发服务

www.yztob.com

QQ：316455841

欢迎通过各种渠道咨询了解，免费提供信息系统建设咨询服务。

本文转载于网络如有侵权请联系删除

Android架构之路-三步实现MVP架构（下）

在上一篇我已经介绍了MVP的概念，还有对Google官方的示例进行了讲解。请移步：Android架构之路-三步实现MVP架构（上）。本文我将带领大家一起架构MVP。1MVP项目分包对于项目分包，有的人喜欢根据功能分包，也有人喜欢根据组件或者模块进行分包。分包原则：使得项目结构清晰，功能明确，便于查询与后期维护。具体看个人爱好，没有严格规定，大家先看一张我分包后的项目结构：1-1项目结构项目结构：1、base：存放一些我们封装的基类。 2、contract：存放契约类。 3、database：存放一些手机数据sqlite数据。 4、event：存放一些消息事件，我使用的是开源eventBus3.0。 5、http：就是你封装的网络框架。 6、listener：存放一些自己定义的监听。 7、model：里面又分两个包，bean（存放实体类）、impl（存放model实现类）。 8、presenter：就是MVP中的P，俗称媒介。 9、ui：MVP中的V，我把adapter（适配器）和widget（自定义View）也放在这个包。 10、utils：存放一些开发中的工具类。这样看起来是不是项
中国人工智能城市竞赛，哪个城市跑得最快？

导读：凭什么北京是最大赢家？来源：前瞻产业研究院（ID：qianzhancy）01行业发展现状分析1.全球专利申请数量第一我国为抓住新一轮科技革命和产业变革机遇，近年来大力发展新一代人工智能。在新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进下，我国人工智能技术得到了快速发展，在全球竞争力也得到了显著的提升。2018年，我国人工智能专利申请数量达到94539件，是2010年申请数量的10倍左右。2000-2019年，我国人工智能累计申请专利数超过44万件，位居全球第一。2.应用场景广泛，疫情加速AI医疗领域发展目前，我国人工智能场景应用广泛，涉及的领域包括安防、金融、零售、交通、教育、医疗、制造、健康等。其中，安防和金融是我国目前人工智能应用最广的领域，我国已建成集数据传输和控制与一体的自动化监控平台，优必选5G智能巡检机器人安巡士在2019年已经正式“上岗”深圳市塘朗派出所，以一键报警、实时视频监控、数据采集等7项警务辅助功能助力警务工作数字化、安防监控智能化。金融行业拥有良好的数据积累，人工智能在工作流程与相关技术的运用上得到了广泛的应用。此外，人工智能在今年的
GNS3 7.3与SecureCRT、W

最近限于自身的经济条件的限制，而我对网络的学习欲望愈发强烈。于是在这种情况下对使用GNS3模拟器模拟网络实验感兴趣起来。以下是我在使用GNS3过程中的一点小总结，特贴出来和大家共享。以下主要讲的是如何在GNS3中使用SecureCRT打开路由的配置页面和使用Wireshark软件进行抓包。既然要使用SecureCRT先说一说为什么要使用它吧，即使用它给我们带来的好处。一、使在N多路由器页面打开时，每个路由页面清楚标识，便于管理。不知你是否遇到过这种情况，就是直接使用GNS3中的telnet连接时，当打开一个路由器时，自己能知道哪个页面是哪个路由器的，但当打开大量的路由配置页面时，你自己是否还能分得清呢？即使你说你的记忆力很好分得清，你是否想过干嘛不通过一种软件的方式，将每个路由配置页面标记，便于自己区分。让自己的大脑从那些繁琐的记忆中解放出来，而SecureCRT正是这样的软件。当然，SecureCRT的功能是相当强大的，这里有点大材小用了。这里是我用SecureCRT打开的四个路由器的画面：可以看出：SecureCRT清楚的将每个路由配置页面标记清楚了。二、使用Sec
干货！大话EXT4文件系统完整版

以下文章来源于SSDFans，作者Martrixer一：VFS我们知道SSD是一场存储革命，设计和制造一个好的SSD固然重要，但如何正确使用以充分发挥SSD性能同样重要。SSD内在的并行性和先擦再写的特性决定了它不同于机械硬盘简单的LBA和存储块一一对应，要充分挖掘SSD的并行性，提升性能，延长寿命，缩短延迟，就必须在上层应用做出改动。很多SSD的使用大户都作出了这种尝试，从国外的Google，Microsoft，Facebook，到国内的Baidu，Alibaba等，本站就曾经介绍过百度的软件定义闪存，把对象存储和SSD内部结构统一起来使用。但对大部分企业来讲，这种结构还是太独特了，我们还是要关注通用的架构，首先来了解离硬盘最近的软件：文件系统。本系列文章将以Linux系统最常见的EXT4文件系统为例，从SSD爱好者的角度来揭开文件系统的庐山真面目。VFS架构要说Linux文件系统，不得不说VFS：VirtualFileSystem，如上图，Linux设计了一个文件系统的中间层，上层用户都直接和VFS打交道，文件系统开发者再把VFS转换为自己的格式。这样做的优点主要有：用户层应用不用
iOS 开发：『Runtime』详解（二）Method Swizzling

本文用来介绍iOS开发中『Runtime』中的黑魔法MethodSwizzling。通过本文，您将了解到： MethodSwizzling（动态方法交换）简介MethodSwizzling使用方法（四种方案）MethodSwizzling使用注意MethodSwizzling应用场景 4.1全局页面统计功能 4.2字体根据屏幕尺寸适配 4.3处理按钮重复点击 4.4TableView、CollectionView异常加载占位图 4.5APM（应用性能管理）、防止崩溃文中示例代码在：bujige/YSC-Runtime-MethodSwizzling 1.MethodSwizzling（动态方法交换）简介MethodSwizzling用于改变一个已经存在的selector实现。我们可以在程序运行时，通过改变selector所在Class（类）的methodlist（方法列表）的映射从而改变方法的调用。其实质就是交换两个方法的IMP（方法实现）。上一篇文章中我们知道：Method（方法）对应的是objc_method结构体；而objc_method结构体中包含了SELmethod_name
Linux 内核 TCP MSS 机制详细分析

作者：Hcamael@知道创宇404实验室时间：2019年6月26日英文版本：https://paper.seebug.org/967/前言上周Linux内核修复了4个CVE漏洞[1]，其中的CVE-2019-11477感觉是一个很厉害的Dos漏洞，不过因为有其他事打断，所以进展的速度比较慢，这期间网上已经有相关的分析文章了。[2][3]而我在尝试复现CVE-2019-11477漏洞的过程中，在第一步设置MSS的问题上就遇到问题了，无法达到预期效果，但是目前公开的分析文章却没对该部分内容进行详细分析。所以本文将通过Linux内核源码对TCP的MSS机制进行详细分析。测试环境1.存在漏洞的靶机操作系统版本：Ubuntu18.04内核版本：4.15.0-20-generic地址：192.168.11.112内核源码：$sudoaptinstalllinux-source-4.15.0 $ls/usr/src/linux-source-4.15.0.tar.bz2复制带符号的内核：$cat/etc/apt/sources.list.d/ddebs.list debhttp://ddebs
从Twitter的XSS漏洞构造出Twitter XSS Worm

2018年年中，当时我发现了一个Twitter的存储型XSS漏洞，该漏洞位于Twitter的犄角旮旯之处，一般人很难发现。重点在于，后来我又发现，这个存储型XSS漏洞可以被进一步构造形成一个稳定的XSSworm！XSSWorm介绍XSSWorm（XSS蠕虫）是XSS漏洞利用的终极武器，也就是把XSS漏洞打造成蠕虫来进行广泛传播感染，安全威胁轻则为“恶作剧”，重则为窃取用户数据或瘫痪网络应用。早有2005年的Myspace蠕虫，19岁少年制作的XSSworm在短短几小时之内就通过Myspace空间感染了100万用户；还有2007年的百度空间蠕虫，至百度进行屏蔽防护时，这个XSSworm已经感染了8700多个博客空间。XSSworm对社交网站和大型社区论坛危害性极大。更多信息请参考wikipedia。开门见山上XSSWormPayloadXSSWormPayload开门见山，一来就上该TwitterXSSworm的漏洞利用URL链接（exploit）吧，稍后我们再详解其中的特别之处。在该XSS漏洞修复之前，通过Twitter发布以下URL链接就会创建出一个XSSworm来，它可以在推特圈内

腾讯TStack，帮助用户构建自己的专属腾讯云服务

.
Java 池化技术你了解多少？

大家好，我是不才陈某~在我们平常的编码中，通常会将一些对象保存起来，这主要考虑的是对象的创建成本。比如像线程资源、数据库连接资源或者TCP连接等，这类对象的初始化通常要花费比较长的时间，如果频繁地申请和销毁，就会耗费大量的系统资源，造成不必要的性能损失。并且这些对象都有一个显著的特征，就是通过轻量级的重置工作，可以循环、重复地使用。这个时候，我们就可以使用一个虚拟的池子，将这些资源保存起来，当使用的时候，我们就从池子里快速获取一个即可。在Java中，池化技术应用非常广泛，常见的就有数据库连接池、线程池等，本文主讲连接池，线程池我们将在后续的博客中进行介绍。公用池化包CommonsPool2简介我们首先来看一下Java中公用的池化包CommonsPool2，来了解一下对象池的一般结构。根据我们的业务需求，使用这套API能够很容易实现对象的池化管理。 <dependency> <groupId>org.apa
探索 Python/Django 支持分布式多租户数据库，如 Postgres+Citus

在确定分布策略中，我们讨论了在多租户用例中使用Citus所需的与框架无关的数据库更改。在这里，我们专门研究如何借助 django-multitenant 库将多租户Django应用程序迁移到Citus存储后端。 Django https://www.djangoproject.com/ 确定分布策略 http://citus.hacker-linner.com/develop/migration_mt_schema.html#mt-schema-migration django-multitenant https://github.com/citusdata/django-multitenant 此过程将分为5个步骤：将租户列介绍给我们想要分发的缺少它的模型更改分布式表的主键以包含租户列更新模型以使用 TenantModelMixin 分发数据将Django应用程序更新为范围查询准备横向扩展多租户应用程序最初，您将从放置在单个数据库节点上的所有租户开始。为了能够扩展django，必须对模型进
终于有人把“TCC分布式事务”实现原理讲明白了！

之前网上看到很多写分布式事务的文章，不过大多都是将分布式事务各种技术方案简单介绍一下。很多朋友看了还是不知道分布式事务到底怎么回事，在项目里到底如何使用。所以这篇文章，就用大白话+手工绘图，并结合一个电商系统的案例实践，来给大家讲清楚到底什么是TCC分布式事务。首先说一下，这里可能会牵扯到一些SpringCloud的原理，如果有不太清楚的同学，可以参考之前的文章：《拜托，面试请不要再问我SpringCloud底层原理！》。业务场景介绍咱们先来看看业务场景，假设你现在有一个电商系统，里面有一个支付订单的场景。那对一个订单支付之后，我们需要做下面的步骤：更改订单的状态为“已支付” 扣减商品库存给会员增加积分创建销售出库单通知仓库发货这是一系列比较真实的步骤，无论大家有没有做过电商系统，应该都能理解。进一步思考好，业务场景有了，现在我们要更进一步，实现一个TCC分布式事务的效果。什么意思呢？也就是说，[1]订单服务-修改订单状态，[2]库存服务-扣减库存，[3]积分服务-增加积分，[4]仓储服务-创建销售出库单。上述这几个步骤，要么一起成功，要么一起失败，必须
golang物联网之路一：来个简单的CRUD吧

互联网目前已进入其生命末期，而物联网则正在落地开发，随之而来的各种原生云则是让互联网进入生命末期的主要诱因。同时由于物联网的兴起，对云的要求则更加迫切，所以这里不得不掌握一门新的云语言来增强自身的技能属性，避免被时代抛弃，golang，作为新生代语言，则属于天选之子。当然了，新语言学习，我一向认为单纯的看语法，按部就班的学习，是一件很枯燥且性价比极低的事情，所以这里，我们就从mysql的crud来学起吧。当然了，工欲善其事必先利其器，我们首先要在本地安装好mysqlserver，gosdk，goland等必备工具，由于安装过程寥寥几笔，无需浓墨重彩，我这里不需多言。下面展示的是安装好之后的代码步骤代码层级代码层级很简单，dao放数据访问层，entity是实体层，service中则是增删改查的各种服务，main.go负责运行，而go.mod则是创建项目的时候，goland默认给我们创建的，注意这个go.mod非常重要，不要删除，否则会导致无法import一些包。数据库连接connection.go packagedao import( "database/sq
2012年第三届蓝桥杯Java本科组省赛试题解析

题目地址：https://wenku.baidu.com/view/326f7b4be518964bcf847c96.html?rec_flag=default =>百度文档题目及解析如下：题目大致介绍：第一题到第四题是结果填空，方法不限只要得到最后结果就行第五题到第七题是代码填空，要求在指定的位置处填代码第八题到第十题是编程题，要求编程解决问题第一题第一题很简单，就是个签到题，详情如下： 1//黄金分割数 2 3publicclasst1{ 4 5publicstaticvoidmain(String[]args){ 6 7inta=1; 8intb=3; 9 10for(inti=0;i<=50;i++){ 11inttemp=a+b; 12doubles=(double)b/temp; 13System.out.println(b+""+temp+""+s); 14a=b; 15b=temp; 16} 17 18} 19 20//answer:577893490.618034014333
vue的mode: 'history'模式

1constrouter=newVueRouter({ 2mode:'history', 3routes:[...] 4})复制不用mode:'history'的时候，页面url地址后面会加上一个“#”（官方文档说这样需要后台配置参考地址 https://router.vuejs.org/zh/guide/essentials/history-mode.html#%E5%90%8E%E7%AB%AF%E9%85%8D%E7%BD%AE%E4%BE%8B%E5%AD%90）使用mode:'history'的时候，页面上的url就是正常的地址
从远程库克隆

上次我们讲了先有本地库，后有远程库的时候，如何关联远程库。现在，假设我们从零开发，那么最好的方式是先创建远程库，然后，从远程库克隆。首先，登陆GitHub，创建一个新的仓库，名字叫gitskills：我们勾选InitializethisrepositorywithaREADME，这样GitHub会自动为我们创建一个README.md文件。创建完毕后，可以看到README.md文件：现在，远程库已经准备好了，下一步是用命令gitclone克隆一个本地库： $gitclonegit@github.com:michaelliao/gitskills.git Cloninginto'gitskills'... remote:Countingobjects:3,done. remote:Total3(delta0),reused0(delta0) Receivingobjects:100%(3/3),done. $cdgitskills $ls README.md 复制注意把Git库的地址换成你自己的，然后进入gitskills目录看看，已经有README.md文件了。如果有多

手机尾号评分

/*30年的改革开放，给中国带来了翻天覆地的变化。2011全年中国手机产量约为11.72亿部。手机已经成为百姓的基本日用品！给手机选个好听又好记的号码可能是许多人的心愿。但号源有限，只能辅以有偿选号的方法了。这个程序的目的就是：根据给定的手机尾号（4位），按照一定的规则来打分。其规则如下： 1.如果出现连号，不管升序还是降序，都加5分。例如：5678,4321都满足加分标准。 2.前三个数字相同，或后三个数字相同，都加3分。例如：4888,6665,7777都满足加分的标准。注意：7777因为满足这条标准两次，所以这条规则给它加了6分。 3.符合AABB或者ABAB模式的加1分。例如：2255,3939,7777都符合这个模式，所以都被加分。注意：7777因为满足这条标准两次，所以这条标准给它加了2分。 4.含有：6，8，9中任何一个数字，每出现一次加1分。例如4326,6875,9918都符合加分标准。其中，6875被加2分；9918被加3分。尾号最终得分就是每条标准的加分总和！要求程序从标准输入接收数据，在标准输出上输出结果。输入格式为
Spring中类型自动装配--byType

在Spring中，“类型自动装配”的意思是如果一个bean的数据类型与其它bean属性的数据类型相同，将自动兼容装配它。例如，一个“persion” bean 公开以“ability”类数据类型作为属性，Spring会找到ability类相同的数据类型，并自动装配它的Bean。如果没有匹配找到，它什么也不做。 packageauto_w; /** *Createdbyluozhitaoon2017/8/8. */ publicclassablity{ publicvoidsetWrite_able1(Stringwrite_able1){ this.write_able1=write_able1; } publicStringgetWrite_able1(){ returnwrite_able1; } privateStringwrite_able1; }复制 packageauto_w; /** *Createdbyluozhitaoon2017/8/8. */ publicclassPerson{ publi
01分数规划

01分数规划二分答案。设二分的值为实数mid。如果途中存在一个环S，使得$\sum{(mid*wt[j]-wf[t])}<0$，那么我们可知：存在一个$S$，使得$mid<\frac{\sum{wf}}{\sumwt}$ 也即是说，本题所求的最大值一定大于$mid$。如果对图中任意一个环$S$，都有$\sum(mid*wt[j]-wf[t])>=0$，同理可知：所有的$S$，都有$mid<\frac{\sumwf}{\sumwt}$ 也就是说，本题所求的最大值不超过mid。综上所述对于每轮二分，我们建立一张新图，结构与原图相同，但是没有点权，有向边的权值是$mid*wt[j]-wf[t]$，即本来的边权乘上$mid$再减去入点的权值。在这张新图上，$\sum(mid*wt[j]-wf[t])<0$的含义就是图中存在负环。因此，我们用$SPFA$算法在新图上求最短路，若有负环，说明$mid$比答案小，应该令$l=mid$。若最短路的求解正常结束，则令$r=mid$。二分结束
react+echarts/g2/bizcharts可视化图表

一.echarts的折线图的使用demo如下，linecharts为实例化的封装组件，line为实际应用的组件 cnpminstallecharts复制 importReactfrom'react'; import'./lineCharts.less'; letecharts=require('echarts'); /** *组件参数配置 * *@param{string}id *id=每个图标的标识 *@param{array}color *color=多组数据的颜色区分，第一组数据为第一种颜色 *@param{}legendShow *legendShow是否显示默认标注，右上角颜色对应块 *@param{string}legendTextStyle *legendTextStyle=折线图标注的文字颜色 *@param{}noPercent *noPercent折线图不是以百分比来显示 *@param{array}xAxis *xAxis":["翡翠城西南区","盛世嘉园","西溪北苑"], *@param{array}yAxis *"yAxis":[ { "data":
python 多个for循环和range结合的列表推导式；如果有多个for循环,则最终的数据数量为多个for循环的笛卡尔积.

如果有多个for循环,则最终的数据数量为多个for循环的笛卡尔积. #多个for循环的列表推导式 #range取值5-15，步长为5，range()取值顾头不顾尾，所以取值为5和10 list_e=[(e,f*f)foreinrange(3)forfinrange(5,15,5)] print(list_e) lis=[fforfinrange(5,15,5)]#取值5-15，步长为5，range()取值顾头不顾尾，所以取值为5和10 print(lis) 结果是： [(0,25),(0,100),(1,25),(1,100),(2,25),(2,100)] [5,10] 复制
LoadRunner性能测试系统学习教程：JVM调优(8)

上期我们讲到LoadRunner性能测APR配置，这期我们讲LoadRunner性能测试JVM调优。 JVM调优 JVM：JavaVirtualMachine叫Java虚拟机Java语言最大的特点就是可以跨平台操作，JAVA之所以可以跨平台操作，是因为JAVA将写好的目标代码装载在一个叫JAVA虚拟机的平台上，这样可以保证在不同平台上运行时，不需要再次编译代码。那么所以运行的代码其实是在JVM中，即代码不是直接运行在我们操作平台，所以JVM调优核心是如何让JAVA源代码在JVM中运行的效率更高。影响JVM运行的效率核心指标是内存的使用，所以我们通常说的JVM调优都是在谈论内存分配的问题。 JVM内存模型 JVM的内存模型是由JMM来定义的，是一种规范。主要定义JVM在计算机内存RAM中的工作方式。它屏蔽了各种硬件和操作系统的访问差异，不像C那么直接访问硬件内存，相对来说会更安全些。其主要是解决多线程通过共享内存进行通信时本地内存数据不一致、指令重排序、代码乱序等执行相关的问题。这样可以更好的保证并发时场景中的原子性、可见性和有序性。其实关于JVM内存模型是开发要理解的，那为什么我们做

利用“姿态相似度比较”功能，对运动（动作）识别检测“秒”适配

一、确保将插件版本升级至v1.0.7。

二、姿态相似度比较API介绍

三、取姿态样本

四、执行样本比较

五、相似度结果应用

提供信息系统、公众号、小程序、APP订制开发服务

Android架构之路-三步实现MVP架构（下）

中国人工智能城市竞赛，哪个城市跑得最快？

GNS3 7.3与SecureCRT、W

干货！大话EXT4文件系统完整版

iOS 开发：『Runtime』详解（二）Method Swizzling

Linux 内核 TCP MSS 机制详细分析

从Twitter的XSS漏洞构造出Twitter XSS Worm

腾讯TStack，帮助用户构建自己的专属腾讯云服务

Java 池化技术你了解多少？

探索 Python/Django 支持分布式多租户数据库，如 Postgres+Citus

终于有人把“TCC分布式事务”实现原理讲明白了！

golang物联网之路一：来个简单的CRUD吧

2012年第三届蓝桥杯Java本科组省赛试题解析

vue的mode: &#39;history&#39;模式

从远程库克隆

手机尾号评分

Spring中类型自动装配--byType

01分数规划

react+echarts/g2/bizcharts可视化图表

python 多个for循环和range结合的列表推导式；如果有多个for循环,则最终的数据数量为多个for循环的笛卡尔积.

LoadRunner性能测试系统学习教程：JVM调优(8)

vector 应用

VS编译器优化诱发一个的Bug

公钥密码体制的研究与发展的基本理解

lamp安装网站

Servlet(处理乱码，重定向与转发的区别)

判断主机字节

IDEA打包javaFX及踩坑解决

多线程单元测试

C#文件压缩

第十周课程总结

SQLAlchemy 教程

基于SAR对Linux资源的监控shell脚本

修改el-table中column，导致浏览器报错ResizeObserver loop limit exceeded

C#基础语法总结

线程状态图

【源码学习】Vue源码的敲门砖(目录结构)

一、确保将插件版本升级至`v1.0.7`。

vue的mode: 'history'模式