ChatGPT 插件，组合后更妙了

1)如何将一个数据表从A文件组移动到B文件组中  聚集索引里存放的数据和表的数据必须在同一个文件组中，而且它们的顺序也是一致的，因为聚集索引的叶子节点实际上就是存放的表的数据，不象非聚集索引，叶子节点只是存放了一个指向表数据或者聚集索引的指针而已，真正的数据还是存放在表或聚集索引中。这样我们只要把聚集索引创建在新的文件组上，那么表的数据也就跟着转移到这个新的文件组上了。这里要注意的一点就是聚集索引和主键是不是建在相同的字段上的，如果相同，处理主键就行了，如果不同，则需处理聚集索引。 --要点:只需将聚集索引建立在需要移动的数据组中,数据页面也会随之移动到对应的文件组中 --创建数据表 CREATETABLEtb(idINT,cnameNVARCHAR(4000))ON[FG_A] GO --INSERTDATA INSERTINTO[dbo].[tb] SELECT1,'aaaaaaa' --创建聚集索引（必须是聚集索引） CREATECLUSTEREDINDEXPK_IDON[dbo].[tb]([id])WITH(ONLINE=ON)ON[FG_B] GO --收

一、Matlab并行处理操作总结 1.1Matlab并行处理——parfor使用方法： parfor使用教程地址   Matlab错误提示： Non-singletondimensionsofthetwoinputarraysmustmatcheach other.复制 解决方案： Usually dbstopiferror复制  helpstorevealsuchproblems.ThenMatlabstops,whentheerroroccursandyoucaninspectthecurrentdimensionsofthevariables.  ClassificationofVariablesinparfor-Loops   parfor循环使用时候，首先需要验证for循环的正确性，然后再开启parfor循环。 首先验证程序的正确性，再加速。   1.2Matlab大占比数据量处理 Matlab在处理数据量特别大的数据时（~40Gmat文件），如果一次性直接读入会特别占内存，对于机器是一种非常大的负担，而且matlab

    defsort(lst,k): length=len(lst) left=lst[:-k] right=lst[-k:] lst.clear() lst.extend(right) lst.extend(left) returnlst lst=[1,2,3,4,5,6,7,8] print(sort(lst,2)) 复制 　k为移动的位数, 通过k把列表分成两部分,然后将列表清空,通过extend方法先extendright，再extendleft,extend后面是追加一个可迭代对象.   列表的方法有:   insert(num,i) num是插入的索引，i是插入的数据 append()从尾部追加 extend()从尾部追加可迭代对象. pop()是删除，从尾部删除。  

架构杂谈《九》 微服务与轻量级通信机制 　　微服务架构是一种架构模式，它提倡将单一应用程序划分成一组小的服务，服务之间胡亮协调、互相配合，为用户提供最终价值。在微服务架构中，服务与服务之间通信时，通常是通过轻量级的通信机制，实现彼此间的互通互联、互相协作。所谓轻量级通信机制，通常是指与语言无关、与平台无关的这类协议。通过轻量级通信机制，使服务与服务之间的协作变得简单、标准化。 1、同步通信与异步通信 　　1.1概述 　　微服务架构是一种架构模式，它提倡将单一应用程序划分成一组小的服务。因此，微服务架构本质上分布式系统。 　　相比传统的单机系统，由于服务和数据分布在不同的节点上，每次交互都需要跨节点与运行，这使得网络成为微服务架构实施考虑的必要因素之一。 　　1.2同步通信与异步通信的选择 　　　　同步通信是指当客户端发出请求后，在服务端处理未结束前，客户端一直处于等待状态，直到最终获得服务端的响应。 　　　　异步通信则是指当客户端发出请求后，服务端或者第三方组件会先接受消息并应答，然后在合适的时间对请求进行处理。在这中间。客户端不需要一直处于等待状态。 2、远程调用RPC 　　RPC（

在ajax传输数据中取代map controller界面 @RequestMapping("edit") publicResponseEntity<Void>edit(Useruser){ try{ ps.update(user); returnResponseEntity.status(HttpStatus.OK).build(); } catch(Exceptione){ //TODOAuto-generatedcatchblock e.printStackTrace(); returnResponseEntity.status(HttpStatus.INTERNAL_SERVER_ERROR).build(); } }复制 如果有泛型类型 @RequestMapping("list") publicResponseEntity<EasyUIResult>list( @RequestParam(value="page",defaultValue="1")Integerpage, @RequestParam(value="rows",defaultVal

Kaldi官方网站地址：http://www.kaldi-asr.org/   下载Kaldi代码 gitclonehttps://github.com/kaldi-asr/kaldi.git  

1.RankingasSequentialDecisionMaking 　　Advantages:beyondindependentrelevance   2.RL:Learntomakegoodsequencesofdecisions 3.AlphaGo: Breadthreduction:PolicyNetwork在某一手，下某些区域，是臭棋，可通过PN判断出来不必搜索，因而减少树的宽度。 Depthreduction:ValueNetwork在树搜索中，某一节点下注定赢不了棋，可通过VN剪枝，因而减少树的深度。   4.Rankingevaluation:NDCG(NormalizedDiscountedCumulativeGain);Map(Meanaverageprecision) 5.Monto-Carlosearch  

1、自动化测试的分层概念　 1．单元自动化测试（白盒测试） 　　概念：单元自动化测试是指对软件中的最小可测试单元进行检查和验证。 　　适合开发人员进行。 2．接口自动化测试（灰盒测试） 　　Web应用的接口自动化测试大体分为两类：模块接口测试和协议接口测试。 　　1）模块接口测试 　　概念：测试程序模块之间的调用与返回，主要是对一个可实现完整功能的类、方法或函数的调用的测试。 　　适合开发人员进行。 　　2）协议接口测试 　　概念：测试对网络传输协议的调用，一般应用在前端和后端开发之间，以及不同项目之间。 　　开发人员和测试人员都可以进行。 3．UI自动化测试（黑盒测试） 　　概念：通过模拟手动操作用户UI界面的方式，以代码方式实现自动操作和验证的一种自动化测试手段，可降低系统功能回归测试的成本。   2、适合自动化测试的项目 　　满足以下三点就可以对项目开展自动化测试。 　　1）软件需求变动不频繁 　　2）项目周期较长 　　3）自动化测试脚本可重复使用   3、UI自动化测试学习路径 　　编程语言 →  Selenium/app

1综述 Separatingtouchingobjectsinanimageisoneofthemoredifficultimageprocessingoperations.Thewatershedtransformisoftenappliedtothisproblem.Thewatershedtransformfinds"catchmentbasins"(集水盆)and"watershedridgelines"(山脊线)inanimagebytreatingitasasurfacewherelightpixelsarehighanddarkpixelsarelow. 如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。 Segmentationusingthewatershedtransformworksbetterifyoucanidentify,or"mark,"fo

某页面.js //事件处理函数 bindViewTap(){ wx.navigateTo({ url:'../logs/logs', }) },复制   app.json "tabBar":{ "backgroundColor":"black", "color":"white", "list":[ { "pagePath":"pages/index/index", "text":"首页" }, { "pagePath":"pages/logs/logs", "text":"日志" } ] }复制   使用wx.switchTab bindViewTap(){ wx.switchTab({ url:'../logs/logs', }) },复制   wx的跳转方式: wx.redirectTo复制 wx.navigateTo//保留当前页面跳转到（最多5个）,避免使用多层及交互或使用wx.navigateTo复制 wx.switchTab//wx.redirectTo和wx.navigateTo不允许跳转到tabbar页面复制  

编程语言的作用及与操作系统和硬件的关系   编程语言的作用 程序员编程的本质就是让计算机去工作，而编程语言就是程序员与计算机沟通的介质。   编程语言与操作系统和硬件的关系 程序猿用编程语言写程序，最终开发出的就是一个软件。软件必须运行在操作系统之上,而操作系统是运行于硬件之上，来控制硬件的，我们开发时，需要调用操作系统为我们提供控制硬件的接口。 应用程序、操作系统、硬件之间的关系 应用程序的功能执行需要通过操作硬件之间的相互配合才能得以实现，但是应用程序不能直接操作硬件，只能通过调用操作系统，让应用程序的功能通过操作系统来操作相应的硬件才能得以实现其功能。   CPU、内存、磁盘之间的关系 1.CPU即中央处理器，CPU从内存或缓存中取出指令，放入指令寄存器，并对指令译码分解成一系列的微操作，然后发出各种控制命令，执行微操作系列，从而完成一条指令的执行。 2.但是，CPU并不能直接调用存储在硬盘上的系统、程序和数据，必须首先将硬盘的有关内容存储在内存中，这样才能被CPU读取运行。因而，内存(即物理内存，是相对于硬盘这个“外存”而言)作为硬

1.    BUG系列一：界面销毁时，未关闭广播，dialog等，崩溃·        Bug现象 Bug85778:同一个账号，两部手机登陆，第一个登陆的手机，点击我的优惠券会退出app ·        Bug原因 Fragement存在广播和Dialog等有关控件，fragement销毁了，但是未关闭广播或控件，导致崩溃 ·        Bug解决方法 在Fragement的onDestroy()中及时处理未注销的广播或Dialog。 1.    Bug系列二：未加载完布局，先调用布局，导致布局为null，崩溃·        Bug现象 Bug86244:断网情况下，进入APP,点击

描述 对于有根树T的两个节点u和v，最近公共祖先LCA（T，u，v）表示一个节点x满足x是u，v的公共祖先且x的深度尽可能大。 算法 求解LCA问题主要有三种解法，分别是暴力搜索，Tanjar算法，最后一种是转化为RMQ问题，用DFS+ST算法来求解 暴力搜索 如果数据量不大的时候可以采用暴力搜索法。先将节点u的祖先节点全部标记出来，然后顺着节点v沿着父亲节点的方向向上遍历，直到遍历到一个被标记的节点，这个节点即为所求节点。或者分别获取u，v到根节点的路径P1，P2，可以将这两条路径看做两个两个链表，问题即转化为求两个无环链表的交点。 eghihocder1062 #include<bits/stdc++.h> usingnamespacestd; map<string,string>maps; set<string>fas; intmain(){ intn; stringstr1,str2; cin>>n; for(inti=0;i<n;i++){ cin>>str1>>str2;

Nagios安装与配置 https://blog.csdn.net/jc_benben/article/details/84565077     安装的nagios所出现的问题 http://blog.chinaunix.net/uid-29703091-id-4379841.html   ./configure--with-command-group=nagcmd 报下面这个错，可能是没有安装Perl 执行yum-yinstallperl   // //用这个方法安装Perl，但是源码编译安装nagios，./configure--with-command-group=nagcmd【这个命令还报错，因此选了：yum-yinstallperl】，之后，./configure--with-command-group=nagcmd正常，继续makeall 在linux中安装perl详细步骤： yuminstall-ygcc       wgethttp://www.cpan.org/src/5.0/perl-5.16.

目录原理特征选择熵与条件熵信息增益信息增益比决策树的生成ID3算法C4.5算法决策树的剪枝剪枝算法 原理 可以将决策树看成一个if-then规则的集合，决策树的根节点到叶子节点的每一条路径对应一条规则，路径的内部节点的特征对应着规则的条件，叶子节点的类对应着规则的结论 决策树还表示为给定特征条件下类的条件概率分布 基于特征空间划分的类的条件概率模型有无穷多个，我们选择的模型应该不仅对训练数据有很好的拟合，而且对未知数据有很好的预测，使用损失函数确定最优决策树，损失函数通常是正则化的极大似然函数 而从所有可能的决策树中选取最优决策树是NP完全问题，所以现实中决策树学习算法通常采用启发式方法 决策树的算法包含特征选择、决策树的生成与决策树的剪枝过程。决策树的生成只考虑局部最优，决策树的剪枝则考虑全局最优。 剪枝是为了让决策树对未知数据有很好的泛化能力 特征选择 如果利用一个特征进行分类的结果与随机分类的结果没有很大差别，则称这个特征是没有分类能力的，可以选择扔掉这个特征 熵与条件熵 首先给出熵与条件熵的定义 熵（entropy）是表示随机变量不确定性的度量，\(X\)是一个取有限值的离散随

开启远程ftp后会员头像上传不显示，别的模块图片都正常显示只有头像不显示，这个有可能是权限问题，网站目录所属帐号不对，比如一般linux默认是www而现在这个是所属为root导致的，修改成www就可以了

概念用我自己的话来总结一下，函数柯里化的意思就是你可以一次传很多参数给curry函数，也可以分多次传递，curry函数每次都会返回一个函数去处理剩下的参数，一直到返回最后的结果。实例这里还是举几个例子来说明一下：柯里化求和函数//普通方式 varadd1=function(a,b,c){ returna+b+c; } //柯里化 varadd2=function(a){ returnfunction(b){ returnfunction(c){ returna+b+c; } } }复制这里每次传入参数都会返回一个新的函数，这样一直执行到最后一次返回a+b+c的值。但是这种实现还是有问题的，这里只有三个参数，如果哪天产品经理告诉我们需要改成100次？我们就重新写100次？这很明显不符合开闭原则，所以我们需要对函数进行一次修改。varadd=function(){ var_args=[]; returnfunction(){ if(arguments.length===0){ return_args.reduce(function(a,b){ returna+b; }) } [].push