test

C#中“Equals”与“==”的速度比较 时间: 2010-03-22 09:09 来源: 未知 作者: admin 最初接触C#时就一直疑惑，比较字符串的方法：“Equals”与“==”在比较时性能有什么区别呢？相信这个问题也曾困惑着许多人，那么我们就一起来探讨下： 比较一个string是否等于一个值，最初接触C#的人会这么写： string myStr = "value" ; if (myStr.Equals( "value" )) { } if (myStr == "value" ) { } 然后，会有人笑你很菜，得知把要判断的value写在前面性能高些，要这样写： string myStr = "value" ; if ( "value" .Equals(myStr)) { } if ( "value" == myStr) { } 但或许他也只是从那个笑他很菜的前辈那里得知应该这样写，而正确与否、差别，没有真正自己去测试过。这里先不告诉大家上面“前辈”说的正确与否，我们来测试下： public class Program { public static void Main( string [] args) { int time = 100000000; int start, end, i; bool result; string myStr = "that's funny

Gradle 6 尝试 build 的时候没有执行测试。 这个问题是什么问题？ 当你的 Gradle build 的时候没有执行 test。 你需要看看你的 build.gradle 文件中有没有 test { useJUnitPlatform() } 这个 task。 如果没有的话，你需要将这个添加进来。 https://www.cwiki.us/display/GradleZH/questions/57938653 来源： oschina 链接： https://my.oschina.net/honeymoose/blog/3215777

结构化数据的预处理 前面所展示的一些示例已经很让人兴奋。但从总体看，数据类型还是比较单一的，比如图片，比如文本。 这个单一并非指数据的类型单一，而是指数据组成的每一部分，在模型中对于结果预测的影响基本是一致的。 更通俗一点说，比如在手写数字识别的案例中，图片坐标(10,10)的点、(14,14)的点、(20,20)的点，对于最终的识别结果的影响，基本是同一个维度。 再比如在影评中，第10个单词、第20个单词、第30个单词，对于最终结果的影响，也在同一个维度。 是的，这里指的是数据在维度上的不同。在某些问题中，数据集中的不同数据，对于结果的影响维度完全不同。这是数据所代表的属性意义不同所决定的。这种情况在 《从锅炉工到AI专家(2)》 一文中我们做了简单描述，并讲述了使用规范化数据的方式在保持数据内涵的同时降低数据取值范围差异对于最终结果的负面影响。 随着机器学习应用范围的拓展，不同行业的不同问题，让此类情况出现的越加频繁。特别是在与大数据相连接的商业智能范畴，数据的来源、类型、维度，区别都很大。 在此我们使用心脏病预测的案例，对结构化数据的预处理做一个分享。 心脏病预测 我们能从TensorFlow 2.0的变化中看出来，TensorFlow越来越集注，只做好自己擅长的事情。很多必要的工作，TensorFlow会借助第三方的工具来完成。本例中的数据处理

简介 回归分析只涉及到两个变量的，称一元回归分析。一元回归的主要任务是从两个相关变量中的一个变量去估计另一个变量，被估计的变量，称因变量，可设为Y；估计出的变量，称自变量，设为X。 回归分析就是要找出一个数学模型Y=f(X)，使得从X估计Y可以用一个函数式去计算。 当Y=f(X)的形式是一个直线方程时，称为一元线性回归。这个方程一般可表示为Y=A+BX。根据最小平方法或其他方法，可以从样本数据确定常数项A与回归系数B的值。 线性回归方程 Target：尝试预测的变量，即目标变量 Input：输入 Slope：斜率 Intercept:截距 举例，有一个公司，每月的广告费用和销售额，如下表所示： 如果把广告费和销售额画在二维坐标内，就能够得到一个散点图，如果想探索广告费和销售额的关系，就可以利用一元线性回归做出一条拟合直线： 有了这条拟合线，就可以根据这条线大致的估算出投入任意广告费获得的销售额是多少。 评价回归线拟合程度的好坏 我们画出的拟合直线只是一个近似，因为肯定很多的点都没有落在直线上，那么我们的直线拟合的程度如何，换句话说，是否能准确的代表离散的点？在统计学中有一个术语叫做R^2（coefficient ofdetermination，中文叫判定系数、拟合优度，决定系数），用来判断回归方程的拟合程度。 要计算R^2首先需要了解这些： 总偏差平方和（又称总平方和，SST

[root@master ~]# docker images REPOSITORY TAG IMAGE ID CREATED SIZE 192.168.3.228:5000/test/s v1 fdcfe04e9ea4 3 days ago 398MB sshd v1 fdcfe04e9ea4 3 days ago 398MB 192.168.3.228:5000/test/n v1 588bb5d559c2 5 days ago 127MB nginx 1.16 588bb5d559c2 5 days ago 127MB registry 2 708bc6af7e5e 2 months ago 25.8MB registry latest 708bc6af7e5e 2 months ago 25.8MB 192.168.3.228:5000/test/1 v1 708bc6af7e5e 2 months ago 25.8MB mkdir -p /opt/yml/test cd /opt/yml/test vim k8s_pod.yml apiVersion: v1 kind: Pod metadata: name: nginx lablels: app: web spec: containers: - name: n1 image: 192.168.3.228:5000/test

在使用数据库的过程中，经常会遇到数据库迁移或者数据迁移的问题，或者有突然的数据库损坏，这时需要从数据库的备份中直接恢复。但是，此时会出现问题，这里说明几种常见问题的解决方法。 一、孤立用户的问题 比如，以前的数据库的很多表是用户test建立的，但是当我们恢复数据库后，test用户此时就成了孤立用户，没有与之对应的登陆用户名，哪怕你建立了一个test登录用户名，而且是以前的用户密码，用该用户登录后同样没办法操作以前属于test的用户表。 这个问题有两种办法解决。 先说解决的前提条件。 首先，要用备份文件还原数据库，我们这里的数据库名为testdb，里面有属于用户test的用户表。这个很容易了操作了，不多讲了，在企业管理器中很方便可以恢复。恢复后，就产生了孤立用户test。 然后，用sa用户或者具有DBA权限的用户登录，创建一个test数据库登录用户，密码随便设置了，也可以和以前的保持一致。我们用它来对应孤立的test用户。 下面就有两种操作方法了，第一种就是改变对象的属主，第二种就是使登录用户和数据库的孤立用户对应起来。先说第一种方法。 1、修改对象属主 就是将原本属于数据库用户test的用户表，修改为属于dbo的用户表；然后修改test登录用户的数据库为testdb,就可以直接使用test登录用户登录后对该数据库进行操作了。 使用的存储过程 sp_changeobjectowner

re模块操作 在Python中需要通过正则表达式对字符串进行匹配的时候，可以使用一个模块，名字为re 1. re模块的使用过程 #coding=utf-8 # 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话，可以使用group方法来提取数据 result.group() 2. re模块示例(匹配以itcast开头的语句) #coding=utf-8 import re result = re.match("itcast","itcast.cn") result.group() 运行结果为： itcast 3. 说明 re.match() 能够匹配出以xxx开头的字符串 匹配单个字符 在上一小节中，了解到通过re模块能够完成使用正则表达式来匹配字符串 本小节，将要讲解正则表达式的单字符匹配 字符 功能 . 匹配任意1个字符（除了\n） [ ] 匹配[ ]中列举的字符 \d 匹配数字，即0-9 \D 匹配非数字，即不是数字 \s 匹配空白，即 空格，tab键 \S 匹配非空白 \w 匹配单词字符，即a-z、A-Z、0-9、_ \W 匹配非单词字符 示例1： #coding=utf-8import re ret = re.match(".","M") print(ret

rsync 作用： 实现文件的备份 备份位置可以是当前主机，也可以是远程主机 备份过程可以是完全备份，也可以是增量备份 功能： 1、类似于cp的复制功能 将本地主机的一个文件复制到另一个位置下。 2、将本地主机的文件推送到远程主机，也可以从远程主机拉取文件到本地。 3、显示文件列表 使用模式 shell模式 本地复制功能 远程shell模式 可以利用ssh来实现数据的加密到远程主机 守护进程（服务器模式） rsync工作在守护进程模式下 列表模式 ls 仅仅显示内容，不做操作 确保各个主机的时间同步 [root@ntp ~]# crontab -l * * * * * /usr/sbin/ntpdate -u ntp1.aliyun.com &>/dev/null * * * * * /usr/sbin/hwclock -w &>/dev/null [root@samba ~]# crontab -l * * * * * /usr/sbin/ntpdate -u 192.168.85.132 & > /dev/null [root@backup ~]# crontab -l * * * * * /usr/sbin/ntpdate -u 192.168.85.132 & > /dev/null rsync+inotify rsync+sersync rsync只负责传递文件到远程主机

唠唠叨叨 本文主要分享一下 zookeeper 的一些基本概念，在正式进入正题前，和大家聊一聊刚入行时我的面试经验，可以说是耿直的有些可爱。 面试官 ：用过 zookeeper 吗？ 我 ：用过啊，给 dubbo 提供服务的注册与发现嘛 面试官 ：知道 zookeeper 是什么吗？ 我 ：知道啊，注册中心嘛 面试官 ：那你们项目中都是怎么用 zookeeper 的？ 我 ：就在 springboot 的 application.properties 配置文件里添加一个 zookeeper 服务地址就行了。。。 . 上边的对话好像也没什么毛病，但似乎又感觉哪里有点不太对，结果就是每次我如此回答面试都被pass。 为什么会被问zookeeper？因为我的简历项目上写着熟练使用zookeeper，可面试官理解的 “熟练” 使用可不是会配置，工程启动不报错那么简单。所以还是有必要全面了解一下zookeeper的相关知识。 一、zookeeper初识？ Zookeeper 它作为 Hadoop 项目中的一个开源子项目，是一个经典的分布式数据一致性解决方案，致力于为分布式应用提供一个高性能、高可用，且具有严格顺序访问控制能力的分布式协调服务。 1、zookeeper数据模型 zookeeper 维护了一个类似文件系统的数据结构，每个子目录（/微信、/微信/公众号）都被称作为 znode

1.Svn 1.Svn简介 SVN是C/S架构，数据存放分成服务器端和客户端。创建代码库一般指的是SVN服务器端的操作，这个库随便建在什么地方都可以；你要发布的线上代码，这是存放在SVN的客户端的。 SVN的服务器端和客户端存放文件的格式是不同的，所以不能直接访问SVN服务器端的存储路径，只能通过SVN客户端将服务器端的存储内容checkout或者export出来。 2.搭建过程 1、先建立一个SVN服务器（可以专门安装SVN服务器端安装包，建立用http/https或svn协议访问的SVN服务器；也可以简单用TortoiseSVN创建本地的用files:///方式访问的SVN服务器）； 2、在服务器端建立一个空的版本库，将你原有的www-web-项目 文件夹 上传到SVN服务器新建的版本库中； 3、在你线上存放代码的地方新建一个文件夹，并将版本库中的内容checkout到这个新文件夹，设置这个文件夹是以后线上发布代码的文件夹； 4、在你开发用的工作电脑上checkout一个文件夹出来，平时在这个文件夹修改代码，修改完成后上传到SVN服务器，然后在线上代码对应的文件夹那里更新得到上传的新代码。 这样的话，你的整个工作就分成了3个存储位置：1、服务器端，2、开发端，3、线上发布端，这就井井有条、互不干扰了。 2.部署Svn 准备两台机器，一台做服务端，一台做客户端。 1.服务端搭建