抛弃长宽

最新推荐文章于 2025-08-19 16:00:04 发布
最新推荐文章于 2025-08-19 16:00:04 发布
阅读量135 收藏
点赞数
分类专栏： 其它 文章标签： 中国电信 电信 申诉 网络协议

原来说过抛弃中国电信，但是两个月的经历特别是上班以后的体验说明了长宽还是太烂，原来没有上班的时候，主要是白天上网，网速还是可以的，但是上个月上班以后，只能在8点到10点上网了，而这个时间刚好是上网高峰，结果长宽的网速就降的惨不忍睹了。刚开始装的时候还特别问过的，是不是共享带宽，接待的那个人说现在已经不是了。打了几次电话反映这个问题，第一次说是网络交割，要过几天就好了，等了一个星期，涛声依旧，然后直接去长宽的服务点，他们说上门看，上门以后说是网络不太好，他们正在调整，三天后会好，又等了一个星期，问题依旧，他们说网管会上门最后解决，结果还是原来的那个人，说使用PPPoE的账号要快很多，这边只有两个这样的账号，刚连接的时候确实很快，130多K，但是很快就慢慢的下降了，而那个人也很明智的告诉完账号就走了，根本没有和我测试一下。我使用FlashFxp下载一个50M的文件，结果最后的平均速度是20K，另外一个比较搞笑的事情是：早上8点多没有人上网的时候，下载同一个文件的速度竟然稳定在240K，这个已经是2M带宽的上线了，原来使用2M的ADSL的时候下载那个文件的速度是250K。关键是，没人上网的时候带宽就算是10M也没有用啊

今天早上装了1M的ADSL，装的人说是可以装2M的，我们这个小区里面刚刚有个人装的就是2M，我可以打电话申诉。再鄙视下电信，明明可以装，就是不给我装，还有就是现在的ADSL不带路由功能，要带路由功能的，每年要多80块钱，倒！

长宽的钱不知道能不能退，我是年付的，协议上写了不能退，但是我退是因为他们的服务完全不合格！据理力争，否则。。。

更新：
宽带退掉了，但是初装费收了180，两个月的宽带费收了260，也就是两个月的平均费用为每个月220，而且一个月以后才能拿到钱


作者: 解惑/Cherami
原载: 抛弃长宽
版权所有。转载时必须以链接形式注明作者和原始出处及本声明。
分类: 其它
detection proposals综述（What makes for effective detection proposals？）
mingo_敏
07-07 6284
本文地址：http://blog.youkuaiyun.com/shanglianlm/article/details/467863031 介绍（INTRODUCTION)本文主要对最近的 proposal 检测方法做一个总结和评价。主要是下面这些方法。 2 Detection Proposal 方法（DETECTION PROPOSAL METHODS）作者将 Detection Proposal 分为两类
我的Android进阶之旅------>Android中编解码学习笔记
字节卷动
09-26 9558
编解码学习笔记（一）：基本概念 媒体业务是网络的主要业务之间。尤其移动互联网业务的兴起，在运营商和应用开发商中，媒体业务份量极重，其中媒体的编解码服务涉及需求分析、应用开发、释放license收费等等。最近因为项目的关系，需要理清媒体的codec，比较搞的是，在豆丁网上看运营商的规范 标准，同一运营商同样的业务在不同文档中不同的要求，而且有些要求就我看来应当是历史的延续，也就是现在已经很少采
抛弃电信
解惑
06-19 187
今天刚刚说了电信的恶心之处，然后刚好附近小区就有长城宽带的办事处，看了下资费，还行，最重要的是受理时间短，晚上老婆回家后商量了下就装了长城宽带的1M套餐，15个月1500，从打电话要求安装到安装成功只花了1个小时。总算是又可以在家里上网了，感觉很好 刚好安装的人问我们的座机，我们说没有，准备装呢，他就说网通的电话比较便宜，看了下资料，还可以，免初装费，零月租，那就彻底的抛弃电信好了。 目前还不知道...
YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）
不积跬步，无以至千里！
07-30 33万+
全网YOLO最详讲解，从v1到v10！从小白到大佬！
卷积神经网络超详细介绍
热门推荐
呆呆的猫的博客
09-19 62万+
海量的有标记的训练数据，也就是李飞飞团队提供的大规模有标记的数据集ImageNet计算机硬件的支持，尤其是GPU的出现，为复杂的计算提供了强大的支持算法的改进，包括网络结构加深、数据增强（数据扩充）、ReLU、Dropout等AlexNet之后，深度学习便一发不可收拾，分类准确率每年都被刷榜，下图展示了模型的变化情况，随着模型的变深，Top-5的错误率也越来越低，目前已经降低到了3.5%左右，同样的ImageNet数据集，人眼的辨识错误率大概为5.1%，也就是深度学习的识别能力已经超过了人类。
视频生成Sora的全面解析：从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等
结构之法 算法之道
02-18 6万+
真没想到，举例视频生成上一轮的集中爆发才过去三个月，没想OpenAI一出手，该领域又直接变天了自打2.16日OpenAI发布sora以来，不但把同时段Google发布的Gemmi Pro 1.5干没了声音，而且网上各个渠道，大量新闻媒体、自媒体(含公号、微博、博客、视频)做了大量的解读，也引发了圈内外的大量关注，很多人因此认为，视频生成领域自此进入了大规模应用前夕，好比NLP领域中GPT3的发布一开始，我还自以为视频生成这玩意对于有场景的人，是重大利好，比如在影视行业的；
进击J5：DenseNet+SE-Net实战
u012249506的博客
09-02 1083
SE-Net 是 ImageNet 2017（ImageNet 收官赛）的冠军模型，是由WMW团队发布。具有复杂度低，参数少和计算量小的优点。且SENet 思路很简单，很容易扩展到已有网络结构如 Inception 和 ResNet 中。已经有很多工作在空间维度上来提升网络的性能，如 Inception 等，而 SENet 将关注点放在了特征通道之间的关系上。
照片美妆---基于Haar特征的Adaboost级联人脸检测分类器
Trent1985的专栏
05-11 1584
分享一篇关于人脸检测的博客，转载自博友张雨石！
Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT：近频繁用于视频生成与机器人动作预测(含清华PAD详解)
结构之法 算法之道
12-29 1万+
本文最开始属于此文《视频生成Sora的全面解析：从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等》但考虑到DiT除了广泛应用于视频生成领域中，在机器人动作预测也被运用的越来越多，加之DiT确实是一个比较大的创新，影响力大，故独立成本文在ViT之前，图像领域基本是CNN的天下，包括扩散过程中的噪声估计器所用的U-net也是卷积架构，但随着ViT的横空出世，人们自然而然开始考虑这个噪声估计器可否用Transformer架构来代替2022年12月，William Peebles(
[深度学习概念]·实例分割模型Mask R-CNN详解
简明AI工作室
02-26 4176
实例分割模型Mask R-CNN详解 基础深度学习的目标检测技术演进解析 本文转载地址        Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何...
YOLOv1-v5总结
weixin_45715405的博客
08-03 544
两阶段模型和单阶段模型 单阶段：不提取候选框，直接讲全图喂到算法里面，算法直接输出目标检测结果。 两阶段：先从图像提取若干候选框，在逐一对候选框分类甄别，输出结果。 1.3、后处理阶段 1.6、yolov1网络 由于YOLOV1的框架设计，该网络存在以下缺点： 每个网格只对应两个bounding box，当物体的长宽比不常见(也就是训练数据集覆盖不到时)，效果较差。原始图片只划分为7x7的网格，当两个物体靠的很近时，效果比较差。 最终每个网格只对应一个类别，容易出现漏检(物体没有被识别到)。 对于图片
Faster R-CNN理解、讨论
沈春旭的博客
09-30 2万+
论文 : Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. PAMI2017. GitHub :     1. matlab version : https://github.com/ShaoqingRen/faster_rcnn     2. python version :...
excel自动调整列宽_高效使用Excel透视表，必须要注意的十个细节
weixin_39990410的博客
11-05 1039
数据分析的工具，Excel是最通用普遍使用的工具；熟练地使用Excel中的数据透视表，则是每个职场人士必须具备的基本能力！虽然透视表的入门非常简单，但很可惜的是，仍有不少的同学未能高效地使用，本文将分享数据透视表相关的10大效率操作，助你养成良好的使用习惯，高效地玩透视表～1、数据源：使用“表”而不是普通单元格区域生成透视表前，习惯要把数据源转换成【表】的形式：① 点击数据源中的任意一个单元格② ...
计算机网络 Cookie 和 Session 的区别详解
shu的博客
08-17 404
摘要： Cookie和Session是HTTP无状态协议下维持用户状态的两种机制，核心区别在于状态存储位置。Cookie将数据存储在客户端，通过HTTP头传输，适合存储非敏感小数据，但存在安全风险（如XSS），需通过HttpOnly、Secure等属性防护。Session将数据存储在服务器端，仅通过Session ID关联客户端，安全性更高，适合存储敏感信息，但服务器开销较大。两者在生命周期、性能、适用场景上各有优劣：Cookie节省服务器资源但增加带宽消耗，Session更安全但需考虑存储和扩展性问题。实
计算机网络参考模型与子网划分
qq_55656748的博客
08-18 759
本文档系统整理了计算机网络参考模型和子网划分的核心知识，旨在帮助读者全面理解网络通信的分层架构、数据传输过程以及IP地址规划方法。内容涵盖OSI七层模型、TCP/IP协议族、数据封装与解封装、计算机数制转换以及子网划分技术等。应用层协议：HTTP：超文本传输协议，用于在Web浏览器和服务器之间传输未加密的网页数据。HTTPS：安全的HTTP协议，通过SSL/TLS加密传输数据，确保通信安全。FTP：文件传输协议，用于在客户端和服务器之间上传/下载文件（20用于数据，21用于控制）。DNS。
基于SpringBoot+Vue的写真馆预约管理系统（邮箱通知、WebSocket及时通讯、协同过滤算法）
最新发布
paopaokaka_luck的博客
08-19 169
🎈系统亮点：邮箱通知、WebSocket及时通讯、协同过滤算法；
《解构WebSocket断网重连：指数退避算法的前端工业级实践指南》
xy520521的博客
08-17 975
本文聚焦前端领域WebSocket断网重连难题，深入解析指数退避算法的工业级实践路径。首先指出传统固定间隔、线性递增重连策略在效率与服务器压力间的失衡问题，随后拆解指数退避算法“指数增长+随机抖动+最大间隔约束”的核心逻辑。文章详细阐述算法与WebSocket生命周期的适配要点，包括重连时机甄别、状态原子化管理，还介绍网络状态感知融合、重连超时设置、数据缓存恢复等优化方向。
UDP和TCP协议
aklnhg的博客
08-12 1384
摘要：UDP和TCP是主要的传输层协议，具有显著差异。TCP通过三次握手建立可靠连接，采用确认应答、超时重传、滑动窗口等机制确保数据传输的可靠性，适合需要高可靠性的场景。UDP无连接、不可靠但高效，适合实时性要求高的应用。TCP面向字节流，支持全双工通信；UDP面向数据报。此外，TCP通过流量控制、拥塞控制等机制优化性能，而UDP需在应用层实现可靠性。异常情况下，TCP能自动处理连接中断，而UDP无此功能。理解这些差异有助于根据需求选择合适的协议。
计算机网络(一)——TCP
记不住所以写下来
08-11 1147
TCP 协议的核心特性包括面向连接、可靠传输和基于字节流。三次握手建立连接时，通过序列号确认防止历史连接干扰，确保双方同步序列号；四次挥手优雅断开连接，TIME_WAIT状态等待2MSL避免脏数据。数据传输依赖滑动窗口、拥塞控制等机制保证可靠性。工程实践中需注意HTTP Keep-Alive、短连接高并发优化以及防御SYN Flood攻击等。理解TCP底层机制对网络编程和调优至关重要。
计算长宽
03-12
### 如何计算矩形的长和宽 当已知矩形的周长和面积时，可以利用这两个条件来推导出矩形的长 \( l \) 和宽 \( w \)[^4]。具体来说： 给定： - 周长 \( P = 2(l + w) \) - 面积 \( A = lw \) 可以通过解二次方程的方法找到长和宽。 #### 解析过程 通过上述两个公式，可以得到如下关系： \[ l + w = \frac{P}{2} \] \[ lw = A \] 设 \( S = \frac{P}{2} \)，则有： \[ l + w = S \] \[ lw = A \] 这实际上是一个标准的一元二次方程的形式： \[ t^2 - St + A = 0 \] 其中 \( t \) 是未知数，代表长或宽中的任意一个。使用求根公式可得： \[ t = \frac{-b \pm \sqrt{b^2 - 4ac}}{2a} \] 在这个特定情况下，\( a=1, b=-S, c=A \)，因此： \[ t = \frac{S \pm \sqrt{S^2 - 4A}}{2} \] 由此可以获得两个可能的结果，分别对应于长和宽[^5]。 ```python import math def find_dimensions(perimeter, area): # Calculate the sum of length and width S = perimeter / 2 # Solve quadratic equation to get dimensions discriminant = S ** 2 - 4 * area if discriminant >= 0: root = math.sqrt(discriminant) dimension1 = (S + root) / 2 dimension2 = (S - root) / 2 return sorted([dimension1, dimension2]) else: raise ValueError("Invalid input values") # Example usage perimeter = float(input("Enter the perimeter: ")) area = float(input("Enter the area: ")) try: result = find_dimensions(perimeter, area) print(f"The dimensions are approximately {result[0]:.2f} and {result[1]:.2f}") except ValueError as e: print(e) ``` 此代码片段展示了如何基于用户输入的周长和面积来计算并打印出对应的长度和宽度。
评论
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