yx

　　 this的重要性不言而喻，比如面试题经常考到，其次，如果彻底理解了this,那么对理解框架源码及编写高质量代码都有很大的帮助。本文就是要深入剖析this的几种情况，理解了原理，以后妈妈再也不用担心你的this了。。 　　this是 动态绑定 的，其实相对应的是作用域，因为作用域是在代码刚刚写完的时候，就已经定义好了。理解了作用域，对理解闭包很有帮助。本文主要讲解this绑定，大家心里先有和作用域的一个大致对比就行，以后的文章会专门讲解。 　　所谓 动态绑定 ， 就是只有在函数被调用的时候，this才能确定它真正指向的是哪个对象。 　　this分为以下 四种情况 ，这四种掌握了，就打遍天下无敌手了～ 　　我们先定义一个函数：　 function foo(name){ 　　　this.name=name; 　　　console.log(this.name); } 　一、new绑定 　var obj=new foo("yx"); 　　控制台输出结果："yx" 　　继续在控制台输入： obj.name ，结果依然是"yx" 　　对于上面的 foo 函数， 　　如果改成 　　function foo(name){ 　　var o={name:"peggy"}; 　　this.name=name; 　　console.log(this.name); 　　return o; 　　}　

题意 k k k 次操作，每次能使得一个数加1或减1，使最后 m a x − m i n max-min m a x − m i n 最小 题解 首先排序。 考虑在左 x x x 处取最小值，比最小值小的有 x x x 个。 比最大值大的有 y y y 个。 假设差值为 r − l r-l r − l , x < y x<y x < y 那么显然 ( r + + ) − ( l + + ) (r++)-(l++) ( r + + ) − ( l + + ) 差值不变，但是操作数变小了。 直到 y y y 减少，或者 x x x 增加。 最后除非 x = y x=y x = y ，否则操作数都可以变小。、 也就是说最佳答案在 x = y x=y x = y 中。 我们枚举 n / 2 n/2 n / 2 个点，多余的操作数用来减少差距。而不会出现变化最大最小值，因为我们仅在不够到下一点的时候才用多余的操作数。 # include <bits/stdc++.h> # define FOR(i,l,r) for(int i=l;i<=r;i++) # define sf(x) scanf("%d",&x) using namespace std ; typedef long long ll ; const int maxn = 250050 ; ll dp [ ( 1 << 20 ) +

目录 T1 MAFIJA 题目 题解 T2 ZABAVA 题目 题解 T3 KAMP 题目 题解 T4 BOB 题目 题解 T5 SUMA 题目 题解 T6 NORMA 题目 题解 T7 COCI 题目 题解 T8 STOGOVI 题目 题解 T9 KAMIONI 题目 题解 代码大全 T1 MAFIJA 题目 给定 n n n 个点，每个点向另一个点连一条有向边，求一个最大的点集使得点集内部点间没有连边。 n ≤ 5 ∗ 1 0 5 n \leq 5 * 10^5 n ≤ 5 ∗ 1 0 5 题解 就是 [ZJOI2008] 骑士。 基环内向树森林上的dp。 枚举断边后dp可以做；找到环后对每棵环上树分别dp，再在环上dp一遍也可以做。 复杂度 O ( n ) O(n) O ( n ) 。 T2 ZABAVA 题目 给定一个长 m m m 的数列（初始全为 0）， n n n 次操作，每次操作选择一个位置 + 1 +1 + 1 后使总代价加上那个位置的值。你有 k k k 次机会随时将一个位置清零。最小化总代价。 n ≤ 1 0 6 n \leq 10^6 n ≤ 1 0 6 ， m ≤ 100 m \leq 100 m ≤ 1 0 0 ， k ≤ 500 k \leq 500 k ≤ 5 0 0 题解 容易发现可以对每个位置分别考虑。 如果确定给某位置分配多少次清零

相关概念 1.关联分析 全球零售巨头沃尔玛分析消费者购物行为时偶然发现男性顾客同时购买啤酒和尿布的比例较高，于是通过将啤酒和尿布捆绑销售的方式提高了两者的销量。这种用于发现隐藏在大型数据集中的有意义联系的分析方法即是关联分析 association analysis ，所发现的规则可以用关联规则 association rule 或频繁项集的形式表示： { 尿布 } → { 啤酒 } \{\text{尿布}\} \rightarrow\{\text{啤酒}\} { 尿布 } → { 啤酒 } 2.购物篮数据 许多企业在日复一日的运营中积累了大量的数据，比如商店收银台每天收集的大量顾客购物数据。有一类数据，每一行对应着一个事务，这类数据通常被称为购物篮数据 market basket transactiontcd 3.二元表示 购物篮数据可以用二元形式表示，其中每个事务中有多个项。项可以用 二元变量 表示，如果项在事务中出现则它的值为1，否则为0。 因为通常认为项在事务中出现比不出现更重要，所以项是非对称 asymmetric 二元变量。 典型的购物篮数据及其二元表示如下： 4.项集和支持度计数 令 I = { i 1 , i 2 , . . . , i d } I=\{i_1,i_2,...,i_d\} I = { i 1 ​ , i 2 ​ , . . . , i d ​ }

循环左移 给定一个字符串S[0…n-1]，要求把S的前k 个字符移动到S的尾部 abcdefg将前2位移动到尾部cdefgab ## 暴力求法 前k个每个依次前移 时间：O（kn） 空间：O（1） 利用反转 反转 ：X=abc 记 X^=cba X为需要后移的,Y为剩下的部分 XY如何得到YX： (X^ Y^) ^=YX 将 abcd efg前4位移动到尾部 X=abcd,X^=dcba Y=efg,Y^=gfe (X^ Y^) = dcba gfe (X^ Y^) ^= efg abcd 复杂度O(2n) 来源： CSDN 作者： 晴雪儿 链接： https://blog.csdn.net/qq_42146775/article/details/103754458

1、将日期格式转换成时间戳查询 SELECT yx_user. NAME AS 用户名, yx_space_podcast.content AS 发布内容, FROM_UNIXTIME( yx_space_podcast.created_at ) AS 发布时间, yx_location. NAME AS 城市, yx_space_podcast.user_id AS 用户ID FROM yx_space_podcast LEFT JOIN yx_user ON yx_user.id = yx_space_podcast.user_id LEFT JOIN yx_location ON yx_user.location_id = yx_location.id WHERE yx_space_podcast.created_at > UNIX_TIMESTAMP('2019-04-01 00:00:00') AND yx_space_podcast.created_at < UNIX_TIMESTAMP('2019-04-27 00:00:00') AND yx_space_podcast.is_delete = 0; 上面查询用到了两个函数 FROM_UNIXTIME： 将时间戳转换成日期格式 默认是2019-04-28 00:00:00 UNIX_TIMESTAMP:

Gomory-Hu Tree （最小割树） 基本定义 割 cut 对于一张带权无向图 G = ( V , E ) G=(V,E) G = ( V , E ) ，定义一个 割 (cut) 为两个集合 S , T ∈ V S,T\in V S , T ∈ V ，满足 S ∩ T = ∅ , S ∪ T = V S\cap T = \emptyset, S\cup T = V S ∩ T = ∅ , S ∪ T = V 。定义一条边为 割边 (cut edge) 当且仅当它的两个端点分别在 S S S 集合和 T T T 集合内。定义一个 割的容量 (capacity of a cut) 为所有的割边的边权的和。 定义 s-t割 (s-t cut) 为满足 s ∈ S , t ∈ T s\in S,t\in T s ∈ S , t ∈ T 的割。 流 flow 对于一张满足所有的边的容量 c ( u , v ) c(u,v) c ( u , v ) （即 u u u 到 v v v 这条边的边权）非负的带权有向图 G = ( V , E ) G=(V,E) G = ( V , E ) ，指定一个 源点 (source) 和 汇点 (sink) ，则定义它的一个 流网络 (flow network) 为一个映射 f : V × V → R f:V\times V \to R f : V ×

接着第二篇，master上面部署完了三个角色，接着部署node节点 主要部署：kubelet kube-proxy 一 环境准备（以下都是在master上操作） 1建立目录,拷贝两个组件 mkdir /home/yx/kubernetes/{bin,cfg,ssl} -p # 两个node节点都拷贝 scp -r /home/yx/src/kubernetes/server/bin/kubelet yx@192.168.18.104:/home/yx/kubernetes/bin scp -r /home/yx/src/kubernetes/server/bin/kube-proxy yx@192.168.18.104:/home/yx/kubernetes/bin 2将kubelet-bootstrap用户绑定到系统集群角色 kubectl create clusterrolebinding kubelet-bootstrap \ --clusterrole=system:node-bootstrapper \ --user=kubelet-bootstrap 3 生成bootstrap.kubeconfig和kube-proxy.kubeconfig两个文件,利用kubeconfig.sh脚本，内如如下： 执行 bash kubeconfig.sh 192.168.18.104

可以将文章内容翻译成中文,广告屏蔽插件可能会导致该功能失效(如失效，请关闭广告屏蔽插件后再试): 问题: I have a stupidly large text file (i.e. 40 gigabytes as of today) that I would like to filter for unique lines without sorting the file. The file has unix line endings, and all content matches [[:print:]] . I tried the following awk script to display only unique lines: awk 'a[$0] {next} 1' stupid.txt > less_stupid.txt The thought was that I'd populate an array by referencing its elements, using the contents of the file as keys, then skip lines that were already in the array. But this fails for two reasons -- firstly, because it inexplicably

缘由 布局 求导的类别 从简单的例子说起 实例 SVM的对偶形式转换 Soft-SVM对偶形式转换 线性回归 logistic回归 参考资料 缘由 机器学习的很多算法表示中都采用了矩阵的形式，对算法的描述分析中就涉及到了对向量、对矩阵的求导。 比如SVM、linear regression的推导等。 布局 矩阵求导有两种布局： 分子布局（numerator layout） 分母布局（denominator layout） 下面用向量 y //--> 对标量 x //--> 求导简单说明这两种布局的区别。 我们假定所有的向量都是列向量。 y = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ y 1 y 2 ⋮ y m ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ //--> 在分子布局下： ∂ y ∂ x = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ∂ y 1 ∂ x ∂ y 2 ∂ x ⋮ ∂ y m ∂ x ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ //--> 在分母布局下： ∂ y ∂ x = [ ∂ y 1 ∂ x ∂ y 2 ∂ x ⋯ ∂ y m ∂ x ] //--> 在下面的推导中，都将采用分母布局，也就是向量（列）对标量求导的结果都是行向量。（采用这种布局的主要原因是向量对向量的求导就是一个矩阵了） 求导的类别 求导大致分为5类： 向量对标量 标量对向量 向量对向量 矩阵对向量