疑问:

日语语法小课堂:疑问词+でも和疑问词+も的实战用法对比(附常见错误解析) 本文深入解析日语中'疑问词+でも'和'疑问词+も'的核心区别与实战用法,通过大量例句和常见错误分析,帮助学习者准确掌握这两种语法结构。重点对比了它们在包容性选择和全面性概括中的不同应用场景,并提供了实用的学习技巧和记忆方法。 阅读详情

 


#-*-coding:utf-8-*-
from __future__ import print_function
import torch
import numpy as np
import os
import pandas as pd
from skimage import io,transform
import matplotlib.pyplot as plt
from torch.utils.data import Dataset,DataLoader
from torchvision import transforms,utils

import warnings
warnings.filterwarnings("ignore")

def show_landmarks(image,landmarks):
    plt.imshow(image)
    plt.scatter(landmarks[:,0],landmarks[:,1],s=10,marker='.',c='r')
    plt.pause(0.001)

class FaceLandmarksDataset(Dataset):
    """ Face Landmarks dataset"""
    def __init__(self,csv_file,root_dir,transform=None):
        """
        args:
        :param csv_file(string):Path to the csv file with annotations
        :param root_dir(string):Directory with all the images
        :param transform(callable,optional):Optional transform to be applied on sample
        """
        self.landmarks_frame = pd.read_csv(csv_file)
        self.root_dir = root_dir
        self.transform = transform

    def __len__(self):
        '''
        样本的个数
        :return:
        '''
        return len(self.landmarks_frame)
    def __getitem__(self,idx):
        img_name = os.path.join(self.root_dir,
                                self.landmarks_frame.iloc[idx,0])
        image = io.imread(img_name)
        landmarks = self.landmarks_frame.iloc[idx,1:].as_matrix()
        landmarks = landmarks.astype('float').reshape(-1,2)
        sample = {'image':image,'landmarks':landmarks}

        if self.transform:
            sample = self.transform(sample)

        return sample


face_dataset = FaceLandmarksDataset(csv_file='./DATA/faces/face_landmarks.csv',
                                    root_dir = './DATA/faces/')
fig = plt.figure()

for i in range(len(face_dataset)):
    sample = face_dataset[i]  #默认调用__getitem__

    print(i,sample['image'].shape,sample['landmarks'].shape)

    ax = plt.subplot(1,4,i+1)
    plt.tight_layout()
    ax.set_title('Sample #{}'.format(i))
    ax.axis('off')

    show_landmarks(**sample)

    if i==3:
        plt.show()
        break

倒数第四行代码: 

show_landmarks(**sample)

如何理解?

参数输入的sample是个字典,双星( ** ) 可以将字典解析成等式的形式?

 

SE80 Repository Information System 在 SAP CRM WebClient UI 组件分析中的实战指南 在 SAP CRM WebClient UI 开发过程中,如何快速定位组件、视图、上下文节点以及各类运行时对象,一直是调试效率的关键。(后文简称RIS)正是隐藏在SE80里的瑞士军刀,帮助开发者按照组件集、数据元素、上下文节点属性等多维条件进行交叉检索。官方博客将它描述为本文结合多年项目经验,系统梳理RIS的功能脉络与实战技巧,同时引入真实案例,示范如何借助它在几分钟内完成以往动辄数小时的排查任务。 阅读详情

相关推荐

【Q1/论文复现】:利用 CHARLS 数据库考察抗高血压药物依从性和认知衰退

摘要: 北京大学团队基于CHARLS数据(2011-2018)的纵向研究发现,抗高血压药物高依从性能显著延缓中国45岁及以上社区中老年人的认知衰退。研究表明,坚持服药者7年内全局认知衰退速度降低0.014SD/年,记忆功能衰退减缓0.023SD/年,效果接近正常血压人群水平。研究还提示社会经济地位(SES)可能通过影响用药依从性间接调控认知衰老进程。该成果为高血压管理对认知保护提供了人群级证据,发表于《BMC Medicine》(DOI:10.1186/s12916-025-03949-8)。

dingdianbangni的博客 809

用例子学习 PyTorch

Github地址 简书地址 优快云地址 此教程翻译自PyTorch官方教程 作者: Sasank Chilamkurthy 在解决任何机器学习问题上,在准备数据上会付出很大努力。PyTorch 提供了许多工具, 使数据加载变得简单,希望能使你的代码更具可读性。本教程中,我们将看到图和从一个不重要的数据集中加载和预处理/增强数据。 要运行本教程,请确保已安装一下软件包: 1. sci...

u014630987的博客 3593

保姆级教程:用CellOracle 0.10.13分析你的单细胞数据,从GRN构建到基因扰动模拟

本文详细介绍了如何使用CellOracle 0.10.13进行单细胞数据分析,从基因调控网络(GRN)构建到基因扰动模拟的全流程。通过环境配置、数据准备、GRN构建和扰动模拟等步骤,帮助研究者高效预测细胞命运决定的分子机制,特别针对实际分析中的易错点提供解决方案。

weixin_42525005的博客 437

【Pytorch实战5】数据读取和处理(以脸部关键点检测的数据为例)

参考资料: 数据读取和处理官网教程 对于初学者来说,编程遇到的头一个问题可能就是不知道怎么编写数据读取的代码以输入网络。本文主要讲解的就是编写该部分代码的常见方法和编程思路。内容基本是官方文档的翻译与总结。 数据 下载链接 下载之后保存在data/faces路径下。 里面一共有69张脸部图片,有一个csv文档作为金标准用于保存所有的关键点,每一张脸部图像有68个关键点。 打开c...

m0_37935211的博客 4542

关于StartAI本地部署相关问题解答

很多小伙伴们都有接入自己本地SD的需求,对此小编整理了一些相关问题~

HDJ9387的博客 940

CloudCompare如何进行二次开发?

CloudCompare源代码编译成功后,即可进行二次开发,可以通过修改源码或者制作插件实现二次开发。本文二次开发采用修改CloudCompare的源代码的方式,分别修改mainwindow.ui、mainwindow.h、mainwindow.cpp,实现扩展功能,克隆选中的点云。

【cacrle】的博客 5331

pytorch学习笔记(六)

pytorch学习笔记(六) 1.前言 这次我们来学习数据加载和处理,解决任何ml的问题的很多努力都在准备数据,而pytorch提供了很多工具来使数据加载变得简单并使我们的代码可读性增强,这次我们来看看怎样从数据集中加载和预处理数据 首先我们要保证自己装了scikit-image和pandas两个工具包,大家可以在anaconda里面看看自己装了没,没有就装一下 另外我们还需下载一个图像集放在我们...

qq_35700335的博客 882

QT6与QT5安装全攻略:从下载到环境配置一站式指南

本文提供了一份详尽的QT6与QT5安装教程,涵盖从版本选择、在线安装器使用到环境变量配置的全过程。针对新手常见痛点,重点对比了QT6与QT5的安装差异,并给出了MinGW与MSVC编译器的选择建议,旨在帮助开发者快速搭建稳定可用的QT开发环境,避免常见错误。

weixin_29216353的博客 309

PyTorch 编写自定义数据集,数据加载器和转换

本文为 pytorch 官方教程https://pytorch.org/tutorials/beginner/data_loading_tutorial.html代码的注释 from __future__ import print_function, division import os import torch import pandas as pd # 用于解析 csv 文件 from skimage import io, transform # 用于图像io和变换 import numpy a

qq_43613400的博客 773

WPF+MVVM案例实战(一)- 设备状态LED灯变化实现

采用WPF+MVVM框架实现,MVVM框架使用CommunityToolkit.Mvvm 依赖包,代码案例部署了三个LED灯,按照红黄绿三色后台自动刷新状态进行变化,根据后台数据不同,UI层显示不同颜色。

lingshuangcanxue 1381

Unreal Engine开发:多人联机与网络同步_延迟补偿与预测

通过延迟补偿和预测技术,我们可以显著减少网络延迟对多人在线动作游戏的影响,提升玩家的体验。延迟补偿主要在服务器端实现,通过回溯时间点来更准确地处理输入和事件。预测技术主要在客户端实现,通过预先计算玩家的动作结果来减少延迟感。结合这两种技术,可以实现更平滑、更公平的多人游戏体验。

chenlz2007的博客 1191

PyTorch 系列 | 数据加载和预处理教程

图片来源:Unsplash,作者:Damiano Baschiera2019 年第 66 篇文章,总第 90 篇文章本文大约8000字,建议收藏阅读原题| DATA...

AI 算法笔记 1262

2026最新YOLO26改进:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

针对YOLO26模型改进痛点,本专栏整理200+实战验证方法,覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程,代码可直接运行,快速提升模型效果,性价比超高。

魔改工程师的博客 1万+

日语语法:疑问词

译文:几人,几个,谁,哪里等。接续:疑问词+ですか。

天选打工人的博客 654

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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")

含有一般疑问句的歌_第三章:疑问句

上一章我们学了句子的五大结构,而这五种句子结构,都叫做陈述句,顾名思义,就是叙述一件事情,句尾用句号。比如:“我们都是大学生。”、“学校的雾很大。”而要学名词性从句,首先得会造疑问句,疑问句的主要功能是提出问题,询问情况,句尾用问号。中文的疑问句有两种形式:第一种:陈述句句尾加“吗?”比如“我们是大学生吗?”“学校的雾很大吗?”第二种:陈述句句尾不加“吗?”直接升调,自己感受一下,“我们是大学生?...

weixin_39761422的博客 826

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

前言01:解决大家的疑问

大纲 1、解决疑惑 2、走近Java 3、课程概述 4、如何学好Java 5、就业前景 6、关于教育 7、对大家的期望 疑问1:零基础学习编程? 很多人在网上问:零基础可以学习Java么吗? 我的回答是:必须的。 疑问2:英语不好能学吗? 一个看视频的小伙伴跑来问我:看你写的好6,都是英文的,那我英语不好能学会吗? 我的回答是:程序真的没有大家想象的那么多的英语,而且天天都在用,慢慢就掌握了。 疑问3:理解慢能学好吗? 吃完饭,一个隔壁班的学生来问我:老师,我也想学Java,但是我理解能力很差

工一木子 152

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。

日语疑问词+でも/も的终极指南:从基础到进阶的完整学习路径

本文深入解析日语语法中“疑问词+でも”与“疑问词+も”的核心区别与使用场景。前者表示无条件包容,后者强调整体肯定或否定。指南通过对比表格、高频场景实例及进阶辨析,提供从基础理解到地道应用的学习路径,帮助中高级学习者精准掌握这两个关键结构,实现从“正确”到“地道”的跨越。

weixin_29273849的博客 270

在一般疑问句中,当原句中没有助动词时,需借助do/does/did,我的疑问是:为何是do/does/did而不是其他的词。

但到了早期现代英语(莎士比亚时代,约16–17世纪),英语的动词变位系统大幅简化(比如人称词尾 -est, -eth 几乎消失),句子的主谓结构变得越来越依赖语序而非词形变化。为了更清晰地表达疑问或否定,英语逐渐开始使用 do 作为一个“无实义的辅助动词”(dummy auxiliary)——它本身不表示“做”,只是帮助构成语法结构。而 do 在语法化之后,失去了具体的“做”的含义(在 do-support 中),变成纯粹的语法标记,因此可以安全地用于任何实义动词前,不改变原意。希望这个解释既深入又清晰!

qq_44263891的博客 407

01时态(1):疑问句

时态(1):特殊疑问句 一、时态的组成 时间 / 特点 一般 完成 进行 完成进行 现在 一般现在时 现在完成时 现在进行时 现在完成进行时 过去 一般过去时 过去完成时 过去进行时 过去完成进行时 将来 一般将来时 将来完成时 将来进行时 将来完成进行时 过去将来 一般过去将来时 过去将来完成时 过去将来进行时 过去将来完成进行时 一般现在时 :do/does 一般过去时 :did 一般将来时 :be going to do 现在完成时 :be doing (高光部分为时

Ruby_Poo的博客 2033

04时态(4):疑问词

04时态(4):疑问词一、特殊疑问词(8个)二、练习 一、特殊疑问词(8个) who/whom (n) what(n/adj) whose(adj) which(adj) 谁 什么 谁的 哪个 when(adv) where(adv) why(adv) how(adv) 什么时候 哪里 为什么 怎么 副词可修饰动词,副词性疑问词对动词进行提问 what /whose /which + 名词 how + 形容词/副词 How的修饰(也可对副词、形容词程度进行提问)

Ruby_Poo的博客 534

疑问:

ucos: 1、互斥信号量中,初始的第一个信号量是在哪里来的呢

似水流年的专栏 421

如何将陈述句变为疑问句

<br />实用英语复习资料:<br />  一、变为一般疑问句<br />  将陈述句变成一般疑问句,要根据陈述句中的谓语动词及其时态确定疑问形式。其句型特点一般是:助动词或情态动词 + 主语 + 谓语 + 动词 + 其他?如:<br />  The policeman told the boys not to play football in the street. (甘肃省中考题)<br />  ______ the policeman ______ the boys not to play foot

xswedc2的专栏 3341

源码驱动与疑问驱动:让开发远离“我以为”的两大工程习惯

在软件开发中,代码是唯一持续更新的事实来源,而技术文档往往滞后于实现。源码驱动开发主张以源码为基准,让每个结论都能追溯到具体实现,再结合测试和类型系统固化行为,使代码本身具备可查询、可验证的能力。疑问驱动开发则强调将开发过程中的不确定信息显式记录、逐条求证、闭环清零,避免“猜一个最可能的结果”带来的隐患。两者相辅相成,前者提供事实基准,后者规范求证行为,共同构成一套降低技术债、提升代码可维护性的工程实践。从需求评审到代码审查,再到新人培训与团队协作,这套方法论都能落地为具体工具和流程,帮助个人与团队从“经验

weixin_27918373的博客 233

疑问:为什么要使用href=”javascript:void(0);”?

、我是一只小白 我是一只小白,心中有所怀揣,虽然现在步履蹒跚,但是丝毫不影响我对JS的满心期待。我是一只小白,复杂难题自然无奈,简单疑问也会塞满我的脑袋,但我依旧努力追寻答案。我是一只小白,心知止步就会淘汰,故或无敌勤奋或无敌慵懒,我会迎来我的精彩! 哈哈,突然诗兴大发,这打油诗的文笔跟这画风一样犀利! —————————–我是低调的分隔线—————————– 下半年浮躁多...

weixin_30322405的博客 2029

APPLE:疑问驱动下的学习与实践

今天来到杭州电子科技大学,应陈龙老师邀请参加2018年华东地区高校电子线路课程教学研讨会。下午在会上也将自己从暑假以来构思的一种在知识碎片化时代,面向工科学生的知识点重装方式:APPLE,介绍给大家。 教学研讨会报告内容 实际上,APPLE中的Ask, Principle, Problem, Laboratory, Extension的用词也没有做太多的考究,最后为了能够 凑齐APPLE中的字...

TSINGHUAJOKING 802

关于UML中::的疑问

在学习利用UML进行建模的过程中,遇到了一个问题,就是在UML元类的表达上,“::”这对冒号表示什么意思?比如说,Extend UML::Dependencies::Abstraction,表示什么意思?是命名空间的使用吗?查了许多资料,没有明确的答案。不过在UML2.0的官方文件中有具体说明,需要看一看官方说明。  目前认为,就是命名空间,那么,UML的元类有哪些?这又是一个问题。

kakaxia6337的专栏 1097
上一篇: python中的*args和**kwargs(* 与 **)
下一篇: pytorch 与numpy 部分操作的对应关系
wzg2016
博客等级 码龄10年 539粉丝 493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