达美航空

Sent: Monday, July 14, 2014 2:39 PM Subject: RE: How to test Delta download in CRM Side 我们测request download时，需要选在ERP修改某个product，然后在CRM端trigger request download看修改是否成功同步到CRM。 但是如下面邮件描述的，一旦在ERP修改了之后，这个修改会立即通过delta download同步到CRM端。所以我们测试Request download时需要暂时把delta download deactive掉。我能想到的deactive方法如下. 但是需要在ERP里修改customizing。 在ERP端debug Material delta download时发现，ERP端把delta change push到CRM端是通过PERFORM raise_bte_00001250trigger的: 这个subroutine会检查configuration table TBE01里是否维护了针对event 00001250 对应的handler function module: 使用transaction code BF31: 移除掉handle function module 为CRS_MATERIAL_COLLECT

http://blog.csdn.net/luoww1/article/details/8677999 http://blog.csdn.net/soszou/article/details/8053283 http://blog.csdn.net/cnhome/article/details/7458238 http://archive.eclipse.org/eclipse/downloads/drops/R-3.7.2-201202080800/download.php?dropFile=eclipse-3.7.2-delta-pack.zip http://www.360doc.com/content/14/0508/11/16506057_375746663.shtml http://www.ibm.com/developerworks/cn/opensource/os-eclipse-brand/index.html http://stackoverflow.com/questions/4261866/eclipse-rcp-how-to-download-delta-pack-from-software-site-in-the-target-definit https://ugosan.org/eclipse-rcp-delta-pack/ 来源： https:/

大概介绍下相关模块的概念 ： Python-tesseract 是光学字符识别Tesseract OCR引擎的Python封装类。能够读取任何常规的图片文件(JPG, GIF ,PNG , TIFF等)并解码成可读的语言。在OCR处理期间不会创建任何临文件 PIL （Python Imaging Library）是 Python 中最常用的图像处理库，目前版本为 1.1.7，我们可以 在这里 下载学习和查找资料。 Image 类是 PIL 库中一个非常重要的类，通过这个类来创建实例可以有直接载入图像文件，读取处理过的图像和通过抓取的方法得到的图像这三种方法。 python对图像的处理比较常见的是用pytesseract识别验证码，要安装pytesseract库，必须先安装其依赖的PIL及tesseract-ocr，其中PIL为图像处理库，而后面的tesseract-ocr则为google的ocr识别引擎。 下载链接：http://www.waitalone.cn/python-php-ocr.html 该链接文档描述了如何配置相关环境，以及识别验证码的python代码，总结起来就三步：安装PIL.exe；安装 tesseract-ocr-setup .exe;安装pip install pytesseract 1、识别图片简单的示例 1 import Image 2 import

业务背景 最近在做大屏数据可视化项目得时候，在思考项目交付和运行情况得时候，考虑到了需要在公司大屏显示器上面展示，突然想到了项目可能面临断网及其网速慢得情况下得一下展示问题，因此作为专栏进行这两个问题得讲解 问题一 WebSocket 在网络终端和重新联网后自动链接 知识点: 理解WebSocket心跳及重连机制 在使用websocket的过程中，有时候会遇到网络断开的情况，但是在网络断开的时候服务器端并没有触发onclose的事件。这样会有：服务器会继续向客户端发送多余的链接，并且这些数据还会丢失。所以就需要一种机制来检测客户端和服务端是否处于正常的链接状态。因此就有了websocket的心跳了。还有心跳，说明还活着，没有心跳说明已经挂掉了。 为什么叫心跳包呢？ 它就像心跳一样每隔固定的时间发一次，来告诉服务器，我还活着。 心跳机制是？ 心跳机制是每隔一段时间会向服务器发送一个数据包，告诉服务器自己还活着，同时客户端会确认服务器端是否还活着，如果还活着的话，就会回传一个数据包给客户端来确定服务器端也还活着，否则的话，有可能是网络断开连接了。需要重连~ 那么需要怎么去实现它呢？如下所有代码： let ws = null, wsUrl = "ws://xxx/rest/api/websocket", lockReconnect = false, tt = null, that =

这个东东看书看了很长时间，总是看了忘忘了看。 变换中有些重要的函数需要牢记。 1 Sa函数与Delta函数关系 Sa,此函数的特点是正负无限区域积分为PI， 由此就导出了Delta函数的一个定义Delta = (k/PI)*(Sa(kt)),这个等式是当k->无穷大的时候 成立。这是因为Delta的定义是正负无穷区域积分为1。 Sa(kt)在正负无穷区域的积分为PI/k,因为Delta的积分为1，所以要乘个系数k/PI. 2 周期函数的Fourier级数，非周期函数的Fourier变换，周期函数的Fourier变换 。 公式中要牢记的是： f(t)与e jnωt 对应,系数要加1/T，F(t)与e -jnωt 对应 要注意的是方波信号的对应的变换。方波信号很重要，因为对以后的抽样定理推导很重要。 a)方波周期信号的Fourier级数的系数是(2Eτ/T)*(Sa(nωτ/2)),注意前面的2没有如果是用e来表示。 b)由周期信号->非周期信号的Fourier变换 f(t)=∑将此式化为积分的时候,后面添加了d(nω),前面自然也就添加了1/ω, 由于F(nω)/ω=F(ω)/(2PI),这个式由定义F(ω)*T=F(nω)得来. 最终的结果是f(t)=1/(2PI)....... F(nω)=积分变换时.注意前面的1/T,被去掉了.是如此定义的. c)方波的周期,非周期变换 3

import numpy as np import matplotlib . pyplot as plt % matplotlib inline def fal ( x , alpha , delta ) : assert ( delta > 0 ) y = np . empty ( x . shape ) x1 = x [ np . abs ( x ) < delta ] x2 = x [ np . abs ( x ) >= delta ] y [ np . abs ( x ) < delta ] = np . power ( np . abs ( x1 ) , alpha ) * np . sign ( x1 ) y [ np . abs ( x ) >= delta ] = x2 / np . power ( delta , 1 - alpha ) return y def sat ( x , delta ) : assert ( delta > 0 ) y = np . empty ( x . shape ) x1 = x [ np . abs ( x ) < delta ] x2 = x [ np . abs ( x ) >= delta ] y [ np . abs ( x ) < delta ] = x1 / delta y [ np . abs ( x ) >=

BZOJ 2127 Happiness （默认题面是 wyy PPT里面的题面） 我们先考虑两个人的情况，如果只有两个人，考虑从 $ s $ 向它们连边，割掉表示帮，再从它们向 $ t $ 连边，表示不帮。同时如果两个人没有选择相同的行为，我们认为这样会产生损失，注意到如果两个人选择的行为不一样，如果我们把这两个人之间连一条双向边，仍然没有割掉。现在我们需要的就是确定这条双向边的权值。 我们考虑建立出来的图是这样的： 现在我们需要确定 $ a,b,c,d,e $ 的权值。 我们用 $ v_1 $ 表示 同时选择帮忙的额外收益， $ v_2 $ 表示同时不帮的额外收益，那么： \[ c+d=v_2\\a+b=v_1\\a+d+e=v_1+v_2\\b+c+e=v_1+v_2\\ \] 最后得到 \[ e = \frac{v_1+v_2}{2} , a=b=\frac{v_1}{2} , c=d=\frac {v_2}{2} \] 所以我们可以这样建图： 对于每个人建立一个点，从 $ s $ 向它连一条边，容量为它选择帮忙的收益加上它与周围所有人一起选择帮忙的收益的一半，再向 $ t $ 连边k，容量为不帮的收益 + 它与它周围所有人一起不帮的收益的一半。 对于相邻的人，我们建立一条双向边权是同时选择帮忙或者不帮忙的平均数。 这个图上跑最小割就可以了。 #include

无约束优化实践 训练一个神经网络 优化理论实践 用了一周的时间学习了一下最优化理论这门课，为了更深度地理解各种优化方法的理念和算法过程，自己把这些算法应用到实践中是很必要的。为此我设计了和优化算法相关的四个实验项目，在这里和大家分享一下。 无约束优化方法 前馈神经网络 根据链式法则，从输出层直接对误差函数求导得到的误差(这里我们简写为δ)，就可以通过和上面的这些局部导数不断做乘积、并把新的δ传播到上一层，就能计算得到所有参数的导数。通过一阶导数，就能实现基本的梯度优化方法。 训练方法 神经网络可以很好地处理函数拟合问题，因为模型带有大量可调节的参数，而且内置了非线性的激励函数，这就让神经网络实现各种函数的拟合成为可能。 前面已经说到，全连接神经网络(前馈神经网络)的前向传播和反向传播都可以写成简单的矩阵与矩阵相乘，矩阵和常数相乘，矩阵和常数相加的形式。只要按照上面的公式实现矩阵运算，就可以搭建一个自己的神经网络了。 我们这里将要实现的是函数拟合，训练的过程可以理解为是让神经网络输出与真实函数值相差最小的过程，因此使用均方误差MSE进行训练。 均方误差是二次型函数，显然是凸函数。神经网络内的参数w和b都没有约束条件，即训练神经网络的问题是一个无约束凸优化问题。 算法的选择是要经过考虑的。首先，神经网络内参数的导数容易从反向传播算法得到，但是二阶导数不是那么容易计算

cogs||bzoj1036 树的统计count 题目大意：模板题。 思路：模板题。 #include<iostream> #include<cstdio> #define maxnode 30001 #define mid (l+r)/2 #define inf 2100000000LL using namespace std; struct use{ int fa,top,siz,son,dep,tid; }tree[maxnode]={0}; struct seg{ int maxn,sum; }t[maxnode*4]={0}; int point[maxnode*2]={0},next[maxnode*2]={0},en[maxnode*2],tot=0,tt[maxnode],wi[maxnode]; char ch[10]; bool visit[maxnode]={false}; void add(int st,int enn) { ++tot;next[tot]=point[st];point[st]=tot;en[tot]=enn; ++tot;next[tot]=point[enn];point[enn]=tot;en[tot]=st; } void findc(int u,int fa,int depth) { int i,j,maxsiz=0; visit

几何观点下的导数: y − y 0 = − 1 x 0 2 ( x − x 0 ) y-y_{0} = -\frac{1}{x_{0}^{2}}(x-x_{0}) y − y 0 ​ = − x 0 2 ​ 1 ​ ( x − x 0 ​ ) 表示法： f ′ = d f d x = d y d x = d d x f = d d x y {f}' = \frac{df}{dx} = \frac{dy}{dx}= \frac{d}{dx} f= \frac{d}{dx} y f ′ = d x d f ​ = d x d y ​ = d x d ​ f = d x d ​ y f’–newton 牛顿表示法 others - leibuniz 莱伯尼兹表示法 binomial theorem 二项式定理 ( x + Δ x ) n = ( x + Δ x ) . . ( x + Δ x ) = x n + n x n − 1 Δ x + j u n k ( O ( Δ x ) 2 ) (x+\Delta x)^{n} =(x+\Delta x)..(x+\Delta x)=x^{n}+nx^{n-1}\Delta x+junk(O(\Delta x)^{2}) ( x + Δ x ) n = ( x + Δ x ) . . ( x + Δ x ) = x n + n x n − 1