【渣渣彭-错误记录】专门记录本人的撒币问题

慷仔 慷仔 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.7k累计阅读 1.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 2023-03-14 09:05:36 1.7k 阅读 AI 写同款· GEO 优化 ›
Error in *** : subscript out of bounds Error in *** : subscript out of bounds 目录 Error in *** : subscript out of bounds 问题： 解决： 完整错误： 问题： 数据越界了啊，除了别介，谁知道那是在哪里？你问内存？内存问谁？ #make this example reproducible set.seed(0) #create matrix with 10 rows and 3 columns x = matrix(data = samp. 阅读详情

渣渣彭-错误记录

编程问题记录

1、C/CPP系列语言

1.1、assert()断言不能够随便使用

  • 描述：我们经常使用assert()断言操作去进行调试和正确性判断，但是我们不能够把任何的操作都放入到assert()断言中去。
  • 理由：我们只能够放入判断语句进入，不能够放入执行语句进去，因为assert(代码1）只有在Debug模式下才会编译代码1，Release模式将会不执行代码1.
  • 例子：
int i = 10;
assert(i == 0);//可以使用
assert((i = i - i)?1:0);//不可以使用，因为这是一个执行语句
printf("i=%d\n:, i);//那么这样将会存在的现象是：Debug下输出i=0,Release下输出i=10

1.2、Linux下对应的头文件和库名称的对应关系表

头文件库名称内部常见函数
openssl/md5.hlibcrypto.soMD5_Init()
resolv.hlibresolv.sodn_comp()

1.3、C++面向对象-类的构造函数种类

#include<iostream>
#include <vector>
using namespace std;
class MyTest{
public:
	//普通构造:通过外部传参构造，不依赖其他实例化对象
	MyTest(int id,int age):m_id(id),m_age(age){
		cout << "ceate MyTest class..."<< this << endl;
	}
	
	//拷贝构造:通过实例化对象构造，复制该实例化对象的内部参数
	MyTest(const MyTest &t):m_id(t.m_id),m_age(t.m_age){
		cout << "copy construct called..."<< this << endl;
	}
	
	//移动构造:就是让这个临时对象它原本控制的内存的空间转移给构造出来的对象，这样就相当于把它移动过去了
	MyTest(const MyTest &&t){
		m_id = std::move(t.m_id);
		m_age = std::move(t.m_age);
		cout << "move contruct called.."<< this << endl;
	}

	//析构
	~ MyTest{
		cout << "destory MyTest class..."<< this << endl;
	}
private:
	int m_id; //id成员
	int m_age;//age成员
};

工具链使用技巧

1、开发工具系列

1.1、不连接屏幕查找树莓派的ip的方法

# 用ping工具去获取ip地址
ping raspberrypi.local
[sudo] password for inspur: 
PING raspberrypi.local (10.0.1.17) 56(84) bytes of data.
64 bytes from 10.0.1.17: icmp_seq=1 ttl=64 time=0.717 ms
64 bytes from 10.0.1.17: icmp_seq=2 ttl=64 time=0.491 ms
64 bytes from 10.0.1.17: icmp_seq=3 ttl=64 time=0.741 ms
64 bytes from 10.0.1.17: icmp_seq=4 ttl=64 time=0.937 ms
# 获取的10.0.1.17就是对应的树莓派ip地址

1.2、vscode如何sudo权限调试代码

  • 原因：有的时候，工程需要sudo权限才能够正常运行，就比如ping源码因为调用了原生socket，所以需要sudo运行。
  • 解决方法如下所示
# 1.首先到工程目录下{workspaceFolder}创建一个gdb脚本
cd {workspaceFolder}
echo "sudo /usr/bin/gdb "$@"" > gdb
# 2.赋予gdb最高权限
sudo chmod 777 gdb
# 3.修改.vscode/launch.json的对应键值对为："miDebuggerPath": "${workspaceRoot}/gdb"
# 4.修改/etc/sudoers
sudo chmod 777 /etc/sudoers
echo "`whoami` ALL=(ALL) NOPASSWD:`which gdb`" >> /etc/sudoers
# 5.恢复/etc/sudoers的权限
su
chmod 440 /etc/sudoers
su 原来的用户
# 6.接下来就可以直接去调试了

1.3、如何从源码编译安装gtest库

# 获取源码
git clone https://github.com/google/googletest.git
# 开始编译
cd googletest-main
mkdir build
cd build
cmake -DCMAKE_INSTALL_PREFIX=`pwd`/install -DBUILD_SHARED_LIBS=ON ..
make -j16
make install
# 那么将会在build/install目录下生成gtest的相应动态库
ls install/
# include lib

1.4、查看cpu具体信息

#推荐使用lscpu命令
[root@localhost ~]# lscpu 
Architecture:          aarch64
Byte Order:            Little Endian---->小端序，是普通的
CPU(s):                128
On-line CPU(s) list:   0-127
Thread(s) per core:    1----->一个核心支持一个线程
Core(s) per socket:    64
座：                 2
NUMA 节点：         4------->代表了有四个cpu处理器
型号：              0
CPU max MHz:           2600.0000
CPU min MHz:           200.0000
BogoMIPS：            200.00
L1d 缓存：          64K
L1i 缓存：          64K
L2 缓存：           512K
L3 缓存：           32768K----->鲲鹏920 5220处理器
NUMA 节点0 CPU：    0-31------->一个cpu处理器内的核心数
NUMA 节点1 CPU：    32-63
NUMA 节点2 CPU：    64-95
NUMA 节点3 CPU：    96-127
Flags:                 fp asimd evtstrm aes pmull sha1 sha2 crc32 atomics fphp asimdhp cpuid asimdrdm jscvt fcma dcpop asimddp asimdfhm------>支持的cpu指令集特性

1.5、以root的方式进入docker容器的方法

[root@localhost ~]# docker exec -ti -u root 容器名字或者id /bin/bash

1.6、如何在vscode中调试Python程序(调试过程中设置环境变量和增加传参)

下面展示一个标准的python的launch.json配置内容，位置为.vscode/launch.json这个问题。

{
    // 使用 IntelliSense 了解相关属性。 
    // 悬停以查看现有属性的描述。
    // 欲了解更多信息，请访问: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Python: Current File",
            "type": "python",
            "request": "launch",
            "program": "${file}",
            "args": ["install"], // 设置传参
            "console": "integratedTerminal",
            "justMyCode": false,
            "env": {"CMAKE_PREFIX_PATH":"/workspace/pytorch/fdasf",
                    "USE_CUDA":"0"} // 设置环境变量，必须是key:value这种键值对进行设置
        }
    ]
}

1.7、在vmware中安装的ubuntu系统如何设置共享内存映射生效

sudo vmhgfs-fuse .host:/ /mnt/hgfs/ -o subtype=vmhgfs-fuse,allow_other

后话

后续将会把困扰自己的问题和一些注意点统统放在上面，就算是给自己当做笔记了。
持续更新，请多多关注和收藏点赞。

收录于
Unix基础学习

当前文章被收录于：

Unix基础学习
5 篇文章 0 人学习
订阅专栏 查看详情
标签
#c++ #c语言 #开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
关于nltk安装出现的问题！渣渣版 1.直接在cmd端输入 >>>pip install nltk >>>nltk.download() 2.在查阅了csdn各种博客后，我到(https://github.com/nltk/nltk_data)，官网上点击Clone or download—>Download ZIP下载了nltk的数据包 解压后，实际有用的是那个packages文件夹... 阅读详情

相关推荐

一文告诉你：如何在trae中编译运行GD32程序，并让AI帮你修改代码

本文详细介绍了如何将GD32程序如何用官方固件库构建出来，然后从Keil迁移到国产免费工具Trae，并利用AI进行代码修改的全过程。

水滴爬呀爬 2661

【R语言】Error in newdata[[nameZ[i]]] : subscript out of bounds

newdata需要是data.frame

zaza0_0的博客 6544

基于IMU的纯惯性导航轨迹绘制实践与优化

本文深入探讨了基于IMU的纯惯性导航轨迹绘制实践。通过修改开源组合导航算法KF-GINS，屏蔽GPS更新并简化地球参数，实现了仅依赖IMU数据的轨迹解算。文章详细介绍了代码改造、轨迹可视化方法，并分析了误差累积的根本原因，为深入理解惯性导航原理与传感器融合的必要性提供了宝贵的实践经验。

ff678的博客 395

渣渣记录稀疏矩阵转置遇到的一个小问题

最近两周写了一个作业，用c语言写出稀疏矩阵转置的完整代码，稀疏矩阵使用三元组表作存储结构。 相关伪码依据严蔚敏《数据结构》。 #include <stdio.h> #include <stdlib.h> #define MAXSIZE 12500 typedef struct { int i, j; //非零元的行下标和列下标 int...

lihuanyi1530的博客 480

数学建模更新10（蒙特卡罗模拟）

蒙特卡罗模拟一.目录二.引例1：布丰投针实验1.投针步骤2.思路3. 历史实验者二.蒙特卡罗模拟概述1.定义2.提出3.原理4.讨论三.应用实例1.三门问题【1】问题【2】代码2.模拟排队问题【1】题目【2】引入参数【3】总结题目信息【4】过程可视化【5】一些推导公式【6】代码3.有约束的非线性规划问题【1】问题的分类【2】例子【3】推导过程【4】代码 一.目录 二.引例1：布丰投针实验 1.投针步骤 步骤： 1：取一张白纸，在上面画出许多条间距为a的平行线 2：去一根长度为l的针，随机的向纸张上投掷n次

沉晨尘宸的博客 3040

昆仑通态，自由串口通讯

软件默认无该功能，需要问客服索要扩展包。

cfqq1989的博客 1536

二进制炸弹的拆除——张渣渣_的学习记录（1）

张渣渣_的学习记录（1）之二进制炸弹的拆除 二进制炸弹闯关 我们学校计算机系统基础课程的大作业，现在我把自己做实验的整个过程贴在下面，希望大家对不足的地方加以指正。 （因为自己在学习的过程中还是有很多的不足，所以在之后的博客中，我会有一篇专门对这篇文章中不足的地方进行补充。 话不多说，我们直接开始！！！！！！ 【大作业要求】 该大作业为闯关实验，共需破解7关。下载压缩文件，在Debian系统里进行解压缩，通过对可执行文件bomb反汇编，分析汇编代码并获取相关线索，从而破解每一关的输入内容，完成闯关。 【闯关

weixin_45809643的博客 7342

Ardupilot飞控姿态角与姿态角速度控制过程分析(超长篇)

目录 目录 摘要 1.代码控制过程分析 摘要 本节主要记录自己学习ardupilot飞控代码的姿态角速度的控制过程 1.代码控制过程分析 可以看出：AC_AttitudeControl *attitude_control; //指针对象 virtual void rate_controller_run() = 0;是AC_AttitudeContro...

陌城烟雨 1万+

Java代码报错及修改方式——张渣渣_的学习记录（6）

张渣渣_的学习记录（6）——Java代码报错及修改方式【JAVA】错误|编码GBK的不可映射字符（0x80）【JAVA】错误|需要<标识符>或者非法的类型开始 【JAVA】错误|编码GBK的不可映射字符（0x80） 解决方案 1.使用命令javac -encoding UTF-8编译，以博客（5）中的三个和尚为例，原本的 javac ScannerTest.java 写成 javac -encoding UTF-8 ScannerTest.java 就不会出现上述的错误了。 2.在保存jav

weixin_45809643的博客 1068

Arduino ESP8266自定义配置分区表

ESP8266自定义分区表配置 随着项目的不断开发，项目文件也不断在增大，在没有考虑更换主硬件的条件下，最大开发利用有限资源势在必行，所以今天带来ESP8266自定义分区表的配置。 我这里以版本：2.7.4版本为例，后面的版本也是支持的。 注意：自定义分区表特别要注意和你的硬件相对应，flash芯片的大小决定这个分区是否有效，否则有意想不到的事情发现。 自定义分区表的几个重要参数 /* Flash Split for 4M chips */ /* sketch @0x40200000 (~1019K

perseverance51博客 1725

大数据利器Hadoop：从基础到实战，一篇文章掌握大数据处理精髓！

在当今大数据时代，数据量的爆炸式增长对企业和技术提出了前所未有的挑战。如何高效地存储、处理和分析这些庞大的数据集，成为了亟待解决的问题。Hadoop作为一种分布式计算框架，应运而生，为大数据处理提供了有效的解决方案。Hadoop是一个由Apache软件基金会维护的开源项目，它基于Google的分布式文件系统（Google File System，GFS）和MapReduce计算模型设计。Hadoop的主要目标是处理大规模数据集，它可以在普通硬件集群上运行，从而降低了大数据处理的成本。

邓邓子的博客 8277

Laravel ｜ 问题记录

文章目录1. failed to open stream: No such file or directory in xxx2. 部署本地项目 5003. SQLSTATE[42S02]: Base table or view not found: 1146 Table 'homestead.articles' doesn't exist (SQL: select count(*) as aggr...

静心 Study 611

时间序列预测 | 决策树时间序列预测建模，单步、多步（Python）

时间序列预测 | 决策树时间序列预测建模，单步、多步（Python）

天天酷科研的博客 744

渣渣的deepwalk之旅——win10下deepwalk配置和运行

渣渣的deepwalk之旅刚开始学习网络表示学习，看完《Deepwalk Online learning of social representations》后，打算去github上下载源码并自己测试，实现deepwalk算法，结果就开始漫长的修正bug之路： 对deepwalk论文的理解 源码和数据集 各种库函数安装失败（scipy和gensim） 成功运行 对deepwalk论文的理解 《D

扣扣biubiubiu~ 8464

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")

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

H.渣渣的程序（选作）

于是，作为大神的好基友大师，你决定写一个程序来将渣渣发来的程序自动“规范化”，以愉悦善良又可爱又机智又神牛的大神，让TA能够有足够的心情和时间去ACM的课程中虐人。答案是显然的，大神没有精力写这种简单的程序，当然要让大神的崇拜者大师来写。然而，其中某渣渣同学发来的代码处于：无换行无缩进无对齐的”三无状态”，令沉溺于SM（哦不，ACM）这种高水平的大神才能享受的比赛的大神头昏眼花，倍感心酸。而YW大神，由于程序写得好，代码改的快，亲和又善良，纯洁又无害（此处省略1000字）不少同学纷纷找大神求改程序。

bit_butterfly的博客 522

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

AS 编译错误记录

记录那些渣渣的编译错误          1.   Error:Execution failed for task ':app:transformClassesWithDexForDebug'.         com.android.build.transform.api

天山一客 的专栏 1135

还真有这么渣渣的公司....

又到了金三银四的季节，一波又一波的求职大潮疯涌而至！ 从2018年年底开始，各类「缩招」、「优化」、「cai 员」的消息也是不断出现，这个消息让一些找工作的人颇感到了压力。 其实，这并不是一件坏事！ 年底了，要慎重，这是一个不太好的信号.... 特别是2019年应届毕业生人数高达860万，就连互联网行业的招聘需求也在下降，据数据统计，互联网行业在第三季度的招聘量和去年相比竟然下降了51...

民工哥的博客 779

奇葩问题记录

最近在做图表的功能，然后用了highcharts中极地图中的蜘蛛图，不知道怎么地引入了两个极地图中的js。如下图(只有极地图的才需要额外引入这个js)：问题来了，当时不知道怎么引了两个。然后写完后测试发现数据永远都是偏的，如下图：但是自己又是菜鸟喔，一直以为是自己写的代码有问题，因为图表那部分js已经在线测试过是正常的，如图，正确的图应该是长这个样子滴。然后开始漫长的寻找解决方案中，找啊找，找啊找...

好好学习，天天向上 305

前端渣渣对requestAPI的不断重构之路

自学路上太艰难，因为不仅仅会遇到一些除了前端的问题，还会遇到许多其他没涉及到的问题，那时候的自己属于，这个东西能做出来就行了，不会去考虑优化，或者重构代码等，直到大三去实习了一段时间之后，才发现自己多菜，乃至现在毕业了，入部门直接做一些重要的需求，如 xx 展会演示的某个功能，看着前人代码，越感自己菜到极致。 好了，不扯那么多了，上边是为了做铺垫，因为这篇文章，会有我最初的代码风格和现在的一个风...

weixin_45566319的博客 338

请求WebService接口_渣渣工作记录20201119

需求：web项目下要新增一个定时发短信功能，客户方给提供了一个WebService短信接口。 1、如何请求WebService短信接口？ 最快速还不会出很大技术问题的方式：就是根据接口文档中提供wsdl链接，进入到链接，将链接页面以wsdl保存到本地，然后在项目中生成客户端代码。 2、这样的好处：可以直接创建对象，然后调用你需要的方法。 3、步骤：Eclipse中，项目右击New->Web Service Client->Service definition:选择你保存到本地的wsdl文

Z_begger的博客 322

记一次ThinkPHP框架错误解决处理！

提起Web始终不能绕过一个语言，那就是PHP，而要说到PHP的Web框架，对于php开发工程师而言，ThinkPHP和Laravel应该都是必须掌握好的框架，甚至需要熟练乃至精通一个框架！...

二爷记 5207

【渣渣程序员踩过的坑】PHP的hash_hmac签名加密，PHP迷一样的base64_encode

介绍一下问题的背景： 本人一枚小小PHPer，有一天公司的Java找到我，让我帮忙写一个接口的Demo，心想：‘最喜欢写接口了，来来来来！’，于是Java就带着Java版Demo来了,大概看了一遍,具体涉及以下几点：（不想了解的看最后一部分，就好了，那是中心思想） md5加密： java中定义hashMap，储存userid，再使用toJ...

weixin_33970449的博客 3361
上一篇： 【网络通信三】研华网关Modbus服务设置
下一篇： 【网络通信四】ping工具源码cmake工程编译以及运行说明
点赞 0
评论 0
书签 书签 1
慷仔
慷仔
博客等级 码龄9年 88粉丝 46原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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