mu

本篇博客主要做支付宝支付的准备工作（注册沙箱、natapp内网穿透等操作）。具体代码实现操作请看下篇博客 一、 登录沙箱 1． 登录蚂蚁金服开发平台： https://open.alipay.com/platform/home.htm 2． 使用支付宝登录 3． 进入《开发中心》 4． 下载《沙箱钱包》 点击《沙箱应用》-- 扫描下载《沙箱钱包》供后期扫码测试 5． 登录沙箱钱包 点击沙箱账号。使用买家信息的账号密码在沙箱钱包上进行登录 二、沙箱 相关设置 1． 设置应用公钥 （1）点击《沙箱应用》-- 《设置应用公钥》 -- 《设置应用公钥》 -- 《查看秘钥生成方法》 （2）下载秘钥生成工具 根据页面中的提示生成商户应用公钥和私钥 私钥： MIIEvQIBADANBgkqhkiG9w0BAQEFAASCBKcwggSjAgEAAoIBAQCZSk9xGP1oYnddFic1ielNyECp3BChfYnE/gW9UcSEYxecIod8ED01ca8UgqyWP4WcukgiT+1NKLGWJPIJuQf0O19LVZZTK9xJZTgMZ0od2i0flU90aQj/NxVWWW2sYnEzEzKW4I5HYM+OCw+LpdCZ48WWfJxbzuF8i3YPUjJ9CKs+ZJAFtW03chUEHvwYCePdIye8yvNwv++K7SL27CnUoMv

五、蒙特卡洛方法 1.状态值 如果你想详细了解首次经历和所有经历 MC 方法之间的区别，建议你阅读 此论文 的第 3 部分。结果在第 3.6 部分进行了总结。作者指出： 所有经历 MC 存在 偏差 ，而首次经历 MC 不存在偏差（请参阅 Theorems 6 和 7）。 一开始，所有经历 MC 具有更低的 均方误差 (MSE) ，但是随着经历更多的阶段，首次经历 MC 的均方误差更低（请参阅 Corollary 9a 和 10a，以及图 4）。 当每个状态的经历次数接近无穷大时，首次经历和所有经历方法都保证会收敛于真值函数。（ 换句话说，只要智能体在每个状态获取足够的经验，值函数估值将非常接近真值。 ）对于首次经历 MC，收敛性遵守 大数定律 ，详情请参阅该 教科书 的第 5.1 部分。 2.动作值 当每个状态动作对的经历次数接近无穷大时，首次经历和所有经历方法都保证会收敛于真值函数。（ 换句话说，只要智能体在每个状态动作对获取足够的经验，值函数估值将非常接近真值。 ） 我们不会使用 MC 预测估算确定性策略对应的动作值；这是因为很多状态动作对从未 经历过（因为确定性策略在每个状态始终选择 相同的动作）。因此为了收敛，我们仅估算在每个状态中每个动作被选中的概率非零的策略对应的动作值函数。 3.广义策略迭代 旨在解决控制问题的算法会通过与环境互动确定最优策略 π ∗ 。 广义策略迭代

//20200115 最近在看“咱们裸熊——we bears”第一季和第三季都看完了，单单就第二季死活找不到，只有腾讯有资源，但是要vip……而且还是国语版……所以就瞄上了一个视频网站——可以在线观看（好的动漫喜欢收藏，就想着下载，第一季第三季都找到了资源，甚至第四季都有，就没有第二季……） 最近又正好在学python（为大数据打基础），就想着爬取视频，下面说说流程： 首先F12检查，先看看是否是直接嵌入链接（以防真的有笨笨的web主~），然后发现没有 然后就开始点开Networks检查抓包，发现有后缀为.m3u8的链接，就点开看了——有两层，第二层是一大堆格式化数据 然后再看剩下的包，都是.ts文件，再以.ts文件链接比对第二个m3u8包里的东西，发现正好对应，只是要拼接字符串获取真实链接，确认了思路之后就开始上手了（只是基础爬取，还未用到线程——其实用线程池技术可以更快，毕竟ts文件很多，也未用到代理，因为数据量还不算大，而且有手动限时） 理一下思路： 先从视频播放界面源码中获取每一集的链接，存在列表里备用（这个是显示的）---->然后获取每一个链接对应网址的源码——里边儿有一个ckplayer的div块，里边儿有第一层m3u8的链接 ----> 用beautifulSoup获取到这个链接（这个链接返回的是一个json，用json包转格式获取到第一层链接） ----->

目录： 一.致搭档（含项目地址） 二.PSP（planning） 三.结对编程中对接口的设计 四. 计算模块接口的设计与实现过程 五. 计算模块接口部分的性能改进 六. 计算模块部分单元测试展示 七. 计算模块部分异常处理说明 八. 界面模块的详细设计过程 九. 界面模块与计算模块的对接 十.结对过程的描述 十一. 结对编程的优缺点 十二. PSP（actual） 一、致搭档： 　 队友：李庭娟（我很喜欢把这位队友叫娟子，感觉很亲切） 首先非常非常感谢这位结对搭档——娟子，从最初组队到如今合作，始终非常信任我，鼓励我。性格洒脱，热情亲切。跟她合作过程中，真的没有一丝分歧。这些天和我一起讨论，分工，合作这个作业。都说“男女搭配，干活不累”，我是真的体会到了。完成项目的整个过程中，她始终积极主动的分担任务。我倒是很惭愧，由于个人能力的原因，不能承担着一个男生应该承担的任务。临近截止日期，我还催着她和我一起熬夜赶项目，非常非常不好意思。在此，衷心地向我的搭档说句感谢，很开心能有一次结对项目的作业，非常开心能有一次这样的机会去深入认识了解身边的同学，最最开心的是两个人在这个过程中的彼此信任与支持。不管结果怎么样，这是一次不同寻常的学习经历，不仅限于知识的学习和项目的制作，还有的是同伴的合作。 我的 Coding.net源码仓库地址:https://git.coding.net

实例化： v1 = [ " view.xxx.path.Role " , " view.xxx.path.Group " ,] 可以循环，循环出来的每一个不能实例化 如果把v1循环弄成每一个对象列表，通过rsplit切割，在通过importlib.import_module拿到每一个路径，在通过getattr把它的类名拿过来， 这个类加括号就是实例化想 for item in v1: m = importlib.import_module( ' view.xxx.path ' ) cls = getattr(m, ' Role ' ) cls() from view.xxx.path import Role,Group v2 = [Group,Role] 这个可以循环每一个实例化 for item in v2: # 循环V2的每一个元素加括号，就是实例化 item() rest_Framework的规范： 按顺序：它的method的不同，原来没有考虑，原来是url区分，现在通过method来区分，method的不同提交方式不同，紧接着一般是面向资源的就是把url变成名词，接下就是返回值，以前没有考虑状态码，现在有考虑状态码。（一般有get，post方法，还有put,delete等方法） 一、Django rest_Framework框架 ----为什么用Django rest

一、什么是web应用安全，为了安全我们要做哪些事情？ 保护web资源不受侵害（资源：用户信息、用户财产、web数据信息等） 对访问者的认证、授权，指定的用户才可以访问资源 访问者的信息及操作得到保护（xss csrf sql注入等） 开发中我们需要注意的项： 1. 【高危】网络关键数据传输加密 1. 【高危】站点使用https方式部署 2. 【高危】文件传输时，过滤与业务无关的文件类型 3. 【高危】接口开发，应预防泄露敏感数据 4. 【高危】预防url中带url跳转参数 5. 【中危】预防CSRF攻击 6. 【中危】预防短信恶意重发 7. 【中危】预防暴力破解图片验证码 8. 【低危】通过httponly预防xss盗取cookie信息 9. 【低危】设置http协议安全的报文头属性 ...... 二、为什么要聊spring security？ spring security在很多安全防护上很容易实现 理解spring security的抽象有助于养成面向对象思维 可以为理解spring security oauth2做铺垫 三、先搞清楚两大概念：认证、授权 Application security boils down to two more or less independent problems: authentication (who are you?) and

概述 性能优化一向是后端服务优化的重点，但是线上性能故障问题不是经常出现，或者受限于业务产品，根本就没办法出现性能问题，包括笔者自己遇到的性能问题也不多，所以为了提前储备知识，当出现问题的时候不会手忙脚乱，我们本篇文章来模拟下常见的几个Java性能故障，来学习怎么去分析和定位。 另外要注意：光理论是不够的，Java架构项目经验永远是核心，如果你没有最新JAVA架构实战教程及大厂30k+面试宝典，可以去小编的Java架构学习.裙 ：七吧伞吧零而衣零伞 （数字的谐音）转换下可以找到了，里面很多新JAVA架构项目教程，还可以跟老司机交流讨教！ 预备知识 既然是定位问题，肯定是需要借助工具，我们先了解下需要哪些工具可以帮忙定位问题。 top命令 top 命令使我们最常用的Linux命令之一，它可以实时的显示当前正在执行的进程的CPU使用率，内存使用率等系统信息。 top -Hp pid 可以查看线程的系统资源使用情况。 vmstat命令 vmstat是一个指定周期和采集次数的虚拟内存检测工具，可以统计内存，CPU，swap的使用情况，它还有一个重要的常用功能，用来观察进程的上下文切换。字段说明如下: r: 运行队列中进程数量（当数量大于CPU核数表示有阻塞的线程） b: 等待IO的进程数量 swpd: 使用虚拟内存大小 free: 空闲物理内存大小 buff: 用作缓冲的内存大小

自Wi-Fi 6技术面世以来，关于Wi-Fi 6与5G二者关系的话题从未间断，很多人将二者视为竞争对手，认为总有一方会被淘汰。其实，从蜂窝数据和Wi-Fi技术面世以来，类似的看法一直都存在，但在某种意义上而言，它们之间更像是互补的伙伴，彼此学习，相互成长，代代相传。 诚然，到了Wi-Fi 6和5G共存的当下，二者有了相似共通之处，开始有越来越多的融合和交集。Wi-Fi 6和5G追求更快的速度、更少的延迟和更大的容量，甚至在使用的技术（如MU-MIMO和波束成形）上也存在一些重叠。随着MU-MIMO、8×8 MIMO等技术的引入，Wi-Fi 6的最高速率可达9.6Gbps。5G同样搭载大规模MIMO技术，最大支持10Gbps的速度，理论上两者的传输速率几乎相近。Wi-Fi 6开始支持OFDMA技术，在提高性能的同时增加了效率，能让更多设备接入Wi-Fi。5G搭载的NOMA技术则可以视为OFDMA的升级版，能够让更多用户连接的同时也不降低传输速率。 撇开这些相似之处不提，5G和Wi-Fi 6在三个主要方面有所不同：用例、成本和终端。Wi-Fi技术基于无线局域网（WLAN），路由器的发射功率和频谱资源限制了它的覆盖范围，因此更适合用于室内无线覆盖。Wi-Fi 6将保持这种特性，用于办公室、家庭、会议中心或其他拥挤的公共场所中。5G则是一种广域网（WAN）技术，采用高频信号，不易受到干扰

学习笔记，仅供参考，有错必纠 具体原理： 统计量及其抽样分布 ; 数据的概括性度量 文章目录 贾俊平统计学 数据的分布特征 概率与概率分布 统计量及其抽样分布 贾俊平统计学 数据的分布特征 概率与概率分布 样本、事件和样本空间 总体 ：是包含所研究的全部个体(数据)的集合。 样本 ：是从总体中抽取的一部分元素的集合，构成样本的元素的数目称为样本量。 随机事件 ：在同一组条件下，每次试验可能出现也可能不出现的事件，也叫偶然事件。 必然事件 ：在同一组条件下，每次试验一定出现的事件。 不可能事件 ：在同一组条件下，每次试验一定不出现的事件。 样本空间 ：所有和某个实验相关的基本事件的集合。 事件的概率 事件A的概率是描述事件A在试验中出现的可能性大小的一种度量，记事件A出现可能性大小的数值为 P ( A ) P(A) P ( A ) ， P ( A ) P(A) P ( A ) 称为事件A的概率。 条件概率 当某一事件B已经发生时，事件A发生的概率，称这种概率为 事件B发生条件下事件A发生的条件概率 ，记为 P ( A ∣ B ) P(A|B) P ( A ∣ B ) 条件概率 两个事件中不论哪一个事件发生并不影响另一个事件发生的概率，则称这两个事件相互独立。与此相对应的是相依事件，即一个事件发生与否会影响另一个事件的发生。根据事件独立性的含义

1 引言 ¶ 预处理操作是机器学习整个周期中必不可少的一个过程，也是最能快速改善模型性能的一个过程，往往稍微转换一下特征属性的形态，就能得到性能的极大提升。当然，数据预处理绝对也是耗时最长的一个过程，这一过程不仅要求洞悉整个数据集结构分布，还要探查每一个特征属性细节情况，并作出应对处理，使数据以最适合的状态传输给模型。 针对预处理操作，sklearn中提供了许多模块工具，灵活使用工具可以让数据预处理轻松很多。 本文简要介绍数据预处理中的一些主要方法，并结合sklearn中提供的模块进行实践。 2 无量纲化 ¶ 对于大部分机器学习任务而言，对原始数据进行无量纲化是是建模前的必不可少的一个环节。通过无量纲化，可以消除量纲不一致对模型造成的不良影响。标准化和归一化是最为常见的两种无量纲化方法，下面分别展开介绍这两种方法。 2.1 标准化 ¶ 标准化对数据的分布的进行转换，使其符合某种分布（一般指正态分布）的一种特征变换。一般而言，标准化都是指通过z-score的方法将数据转换为服从均值为0，标准差为1的标准正态分布数据，通过如下公式进行转换： $$x' = \frac{{x - \mu }}{\sigma }$$ 式中，$\mu$和$\sigma$是指$x$所在特征属性集的均值和标准差。 （1）sklearn.preprocessing.scale方法实现标准化 In [1]: from