自学编程记录(第二周)

从零配置到批量处理:FaceFusion 3.1完整使用指南(含hififace_256模型测试) 本文详细介绍了FaceFusion 3.1的完整使用指南,包括环境配置、模型选择(特别是hififace_256模型的深度测试)以及批量处理技巧。通过AI驱动的脸部替换技术,帮助用户高效实现高质量的面部处理,适用于影视制作、广告设计等多种场景。 阅读详情

这个星期学了很多

方法的使用
方法的复用 重载
重载要数据类型一一匹配

堆 方法区 栈
方法区加载class文件,static数据(静态变量)
栈保存 局部变量
堆保存 实例变量

面向对象
new创建对象 对象在堆中 存储数据
引用就是对象名称

构造方法
没有static 没有返回值类型和void 方法名与类名相同
无参数构造方法自动给成员变量赋默认值
系统在没有出现有参数的构造方法的时候有构造方法缺省器自动补充无参数构造方法
在自己写了有参数的构造方法之后 系统不自动提供无参数构造方法 需要自己编写

垃圾回收器gc
当一个java对象没有任何的引用指向该对象的时候,gc会考虑将该垃圾数据释放回收

封装
get与set
private

static 静态变量
加了static的数据在类加载时候被初始化,存储在方法区,不需要new

添加方法时候如果带static 访问方法用 类.方法名
不带static作为实例方法用 引用.方法名

this
this是在堆中对象中存储的指向当前对象的内存地址的变量
this由于是指向对象地址,不能出现在静态方法中

this()代码复用,调用同类中的不同构造方法
this()必须在构造方法中的最开始第一行

PreScan快速入门到精通第三十九讲基于车道线识别传感器的车道保持辅助算法Demo讲解 车道保持辅助系统使用一个前置的摄像头,一般安装在车内后视镜附近,用来检测车辆前方的车道线,并监测车辆在其车道上的位置。在有电动助力转向EPS的车辆中,它轻轻地,但明显地反转向,以保持车辆在车道上。在简单车辆动力学的Simulink模型中,一个25%的油门开度常数被设定为输入,作为车辆行驶的纵向动力。首先是近似的角度α,它是传感器航向(=车辆航向)与右侧车道车道线的切线的近似角。一个配备了车道线传感器和简单动力学模型的车辆(MAZDA),将在没有任何规定轨迹的情况下跟随道路车道线行驶。3D浏览器中的多视图。 阅读详情

相关推荐

bcftools学习笔记(一)

欢迎关注"生信修炼手册"!本篇主要介绍index, view, query, sort, reheader这五个命令。1. indexindex命令用于对VCF文件建立索...

庐州月光的博客 6013

编程记录

1、php匹配全角字符(中文)的正则:\x80-\xff 2、查找替换[xx],替换在回调函数next_yeay()中   preg_replace_callback(                 "/(\[+[a-zA-Z0-9\x80-\xff]+\])/",                 "next_year",                  $content); 3、先...

weixin_33814685的博客 141

Python 逆向解析知乎盐选反爬字体,实现内容精准还原

本文详细解析了知乎盐选内容的反爬字体机制,并提供了使用Python逆向解析WOFF字体文件的完整方案。通过fontTools库构建解码字典,实现乱码文本的精准还原,帮助开发者应对动态字体策略,同时强调法律与道德风险。

weixin_29268385的博客 1303

记录自己自学编程的历程

点击上方“程序人生”,选择“置顶公众号”第一时间关注程序猿(媛)身边的故事记得读大学的时候经常和同学调侃「毕业等于失业」,不过后面还有一句「但是我不怂,开心是最重要的啦」。可到真毕业了,该怂的还是怂了。找工作四处碰壁,不知道路在何方——以前自己常想自己怎么着也算个正规大学毕业生吧,大学也不差,一本,好歹在全国也是有排名的,怎么着也不至于找不到工作吧。可也架不住打了 4 年游戏啥也不会,专业还是生物

程序人生的博客 2834

稳定性性能系列之五——Native Crash深度分析:工具实战

深入理解Native Crash的机制与分析方法,掌握addr2line、ndk-stack、gdb等核心工具的实战使用,学会从Tombstone文件中快速定位问题根因

Cheson的专栏 1549

从零到一:STM32 CubeMX与WS2812B的DMA驱动艺术

本文详细介绍了如何使用STM32 CubeMX和DMA技术驱动WS2812B RGB LED灯条,从硬件设计到软件实现的全过程。通过CubeMX配置定时器和DMA,实现高效的PWM波形生成与数据传输,解决传统GPIO控制资源占用高的问题。文章还提供了颜色编码、动画效果实现及常见问题解决方案,助力开发者快速掌握智能LED控制技术。

weixin_28278377的博客 982

python常用编程记录

python常用编程记录DataFrame数据筛选两列DataFrame更改索引用reset_index重新生成顺序索引reindex重置索引只改变某一列的列名dataframe中将某一列的值整体映射为另一个值的集合获得dataframe行名和列名查看python版本dataframe删除某一列Dataframe行列索引转置DataFrame如何将行索引设置为新的一列创建DataFramepyth...

skj1995的博客 370

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 352

个人编程记录

个人编程积累

weixin_43143606的博客 241

YOLOv8 超参数调优教程! 使用Ray Tune进行高效的超参数调优!

YOLOv8超参数调优教程!😎 使用Ray Tune进行高效的超参数调优!

Coding... 1万+

【网络与爬虫 44】Canvas指纹伪造技术:突破浏览器图形渲染检测的终极指南

Canvas和WebGL指纹是现代反爬虫系统中最难绕过的检测技术之一,它们通过分析浏览器图形渲染的细微差异来识别用户设备。本文将深入解析Canvas和WebGL指纹的工作原理,探讨其在反爬虫检测中的应用,并提供多种有效的伪造和绕过策略,帮助开发者理解并应对这些高级检测技术。

熵数实验室 1210

学习进度第二周

第二周 所花时间(包括上课) 17.5h(4h上课,13.5h课下) 代码量(行) 900 博客量(篇) 6 了解到的知识点 1、以前的函数的调用忘记了,这周重拾了起来 2、自学了delphi 语言,并成功编成了一个简单软件 3、作为一个程序员应有的编程素质,代码书写规范等 4、试用各种语言编程,学会了对每种语言的随机...

weixin_30508241的博客 75

解决【x2openEuler环境检查未通过——CheckRepoCurlActor不通过】问题

摘要:x2openEuler使用默认repo源时出现环境检查失败问题,原因是默认源返回308永久重定向错误。解决方法包括:1)为CentOS主机配置华为yum源;2)在x2openEuler Web界面修改为自定义可用源。具体步骤包括备份原源、下载华为源、清除缓存,并通过curl测试确认新源可用性。最终成功配置openEuler-24.03-LTS-SP1版本的repo源后,环境检查顺利通过。

提供C#相关开发 、云计算、运维测试、网络安全相关技术分享与服务,有意向可联系。 259

第二周学习总结怎么写?高效复盘模板与避坑指南

学习总结是自我提升的关键动作,尤其在第二周这个新鲜感消退、惯性尚未建立的拐点。有效的复盘不是记录流水账,而是通过清单、验证与策略三个层次,将目标与实际进度对齐,区分超前、落后与偏移三种偏差。工程实践中,掌握度、产出量、专注度、兴趣度的四维量化,能帮你客观评估状态。一篇合格的第二周总结应包含知识点与最小可运行案例、卡点排查记录、效率数据及基于数据长出的下周计划。这套方法论适用于编程自学、数据分析、备考等场景,让你从“学了很多”的模糊感中解脱,明确后续行动路径。

weixin_31155097的博客 363

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

零基础如何自学编程?

自学编程需要时间和精力,但只要你有决心,并按照一定的步骤进行,你一定可以掌握编程。最重要的是保持动手实践,解决问题并从错误中学习,逐渐提高自己的编程水平。

recinzhang的博客 2050

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Python自学记录-第2周

Python自学记录目录 Python自学记录-第1周 文章目录Python自学记录目录前言一、知识点梳理二、练习分享补充易错点while和for使用else的区别好用的在线Python编译网站总结 前言 继上周学习的内容,本周继续看视频,边看边跟着视频练习,敲代码,运行程序,加深理解。 一、知识点梳理 本周学习了条件语句if、if-else、if-elif-else 了解了空列表、空元祖、空字典、空集合、空字符串,甚至0和0.0的布尔值都是False 学到了pass语句,它的作用就是

荒诞的画家 605

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

第二周作业

2019年春季学期第二周作业 一、本周完成的作业: 基础作业 请在第一周作业的基础上,继续完成:找出给定的文件中数组的最大值及其对应的最小下标(下标从0开始)。并将最大值和对应的最小下标数值写入文件。 输入: 请建立以自己英文名字命名的txt文件,并输入数组元素数值,元素值之间用逗号分隔。 输出 在不删除原有文件内容的情况下,将最大值和对应的最小下标数值写入文件。 1)、实验代码 #in...

ali3652559的博客 141

第二周学习总结

学习了如何安装IntelliJ IDEA软件(https://note.youdao.com/ynoteshare1/index.html?id=3476de0f73341d1ad972cfba6d818634&amp;amp;type=note#/),idea的优点1.智能选取2.导航模式3.有历史记录4.编码辅助5.只能排版,控制。 ...

qq_28430905的博客 556

打卡信奥刷题(1692)用C++实现信奥 P8161 [JOI 2022 Final] 自学 / Self Study

本文介绍了JOI 2022 Final的"自学"题目。题目描述了一位高中生在N门课程和M周时间内,通过上课或自学两种方式提升对各课程的理解程度。每周有N个课时,每个课时可以选择上课(增加A_i)或自学任意课程(增加B_i)。目标是最大化所有课程理解程度的最小值。文章给出了输入输出样例和解释,并提供了C++实现代码。代码使用二分查找来求解最优值,通过检查是否满足条件来调整搜索范围。该题考察了优化问题和二分查找的应用。

Loge谈信奥--一个专注于信奥人的博客 961

2018年暑期第二周进度总结报告

 第二周作息渐渐步入正轨,随着科一考试的顺利通过,花在驾考上的时间也渐渐缩小,有了更多的自我分配的时间来学习和做自己感兴趣的事。   每天学习java的任务也每日完成,但是通过看视频等,总是不能很好地掌握数组对象的使用,语法过于复杂难记,导致很难想起来去运用。在自学java的同时,也在关注中国大学慕课和天码营的一些教学视频,通过视频解决java自学中的问题。 ...

weixin_30404405的博客 79

零基础自学Python 35天:编程周记——从Hello World到做出小工具

编程入门常被误解为背诵语法,其实真正核心是建立编程思维与调试能力。理解变量、循环、函数等基础概念的运行原理,能帮助初学者将模糊想法转化为可执行代码。而在实践中,报错信息并非障碍,而是定位问题的线索,掌握阅读报错、搜索解决方案等技能,远比记住更多函数更重要。随着知识积累,通过记账工具这类小项目,把语法、数据结构与文件操作串联起来,是验证学习效果的最佳场景。本文记录一个零基础学习者自学Python前五周的真实经历,从环境安装、Hello World到独立完成命令行工具,分享新手容易忽略的细节与心态调整方法。

weixin_34221654的博客 262

43天Java自学路线:从环境配置到并发编程全记录

Java作为一种成熟的后端编程语言,其基础体系涉及数据类型、面向对象、集合框架与并发编程等多个层次。学习Java往往从环境变量配置和JDK安装开始,随后逐步掌握封装继承多态、接口与Java动态代理,这些机制是理解Spring AOP等框架的基石。在实际工程中,性能优化与数据一致性保障依赖对HashMap底层原理、volatile与AQS的理解。从学生管理系统到列车调度课程设计,集合与并发知识广泛用于真实场景。本文结合43天自学路线,给出从环境搭建、语法基础到面试准备与项目实战的完整路径,适合初学者系统入门及

weixin_30431445的博客 190

第二周学习策略:从碎片到体系的高效过渡

学习过程中的知识结构化是提升效率的关键技术,其核心原理是通过系统化整理碎片信息构建知识体系。在计算机科学领域,刻意练习与间隔重复等认知科学方法被证明能显著提升编程学习效果。本文介绍的3×3笔记法将知识管理拆解为每日记录、周度整理和月度整合三个阶段,配合70/30难度梯度的练习策略,特别适合第二周学习过渡期使用。这些方法在编程语言学习、算法训练等技术领域具有广泛应用价值,结合Obsidian、VSCode等工具链能实现更高效的学习迁移。记忆加固方案中的睡眠记忆法和错题本机制,能有效解决技术学习中的知识遗忘问题

weixin_31061699的博客 230

一份中外结合的 Machine Learning 自学计划

看了Siraj Raval的3个月学习机器学习计划的视频,感觉非常好,地址:https://www.youtube.com/watch?v=Cr6VqTRO1v0结合一些我们学习中的经验得出一份Hybrid的机器学习自学计划。根据Siraj的建议:机器学习的涉及的知识比例分布的 35%线性代数25%概率论和统计学15%微积分15%算法及其复杂性10%是数据预处理知识强烈建议订阅:Siraj Rav...

孙启超 1万+

熬过学习第二周:从激情退潮到真正坚持的关键策略

学习任何新技能都会经历初始热情消退后的瓶颈期,这一阶段常伴随着“学了又好像没学”的失落感与放弃冲动。从认知原理看,大脑正从多巴胺驱动切换至执行力驱动,进步曲线也由直线变为台阶式增长。要平稳度过这一阶段,可借助目标降维、可视化反馈、环境锚点与同伴监督等学习策略,将模糊目标转化为每日可完成的具体动作,用记录对抗“没进步”的错觉。这些方法适用于编程、语言、健身、乐器等各类技能学习场景。掌握其一,便能理解:第二周不是终点,而是真正学习的起点。

weixin_28713947的博客 199

大学第二周

指针

m0_72185741的博客 118
上一篇: 随笔
下一篇: 自学编程记录(第三周)
KENYOFF
博客等级 码龄6年 0粉丝 6原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值