【数据结构】 堆基本用法(水贴-个人吐槽贴)

LLaMA-Factory微调教程2:命令行sft微调 本文介绍了如何使用llama-factory项目在本地运行Qwen2-7B大语言模型进行对话。首先通过llamafactory-cli env查看环境配置,然后使用git lfs下载Qwen2-7B模型。创建配置文件qwen2_7b_instruct.yaml,修改模型路径和模板参数。最后通过llamafactory-cli chat命令启动对话服务,加载模型配置文件和tokenizer,完成环境初始化后即可进行交互式对话。 阅读详情

前天和队友一起打了第一次正式比赛CCPC网络资格赛,自闭...

有多自闭,5个小时做出来一道题,你就知道有多自闭了,我觉得的我马上就要被劝退了(吐血)。

第一题HDU 6438 题解

使用了堆进行维护,之前听过这个。但也是第一次用,烦;

 

堆(英语:heap)是计算机科学中一类特殊的数据结构的统称。堆通常是一个可以被看做一棵树的数组对象。堆总是满足下列性质:

  • 堆中某个节点的值总是不大于或不小于其父节点的值;

  • 堆总是一棵完全二叉树。

将根节点最大的堆叫做最大堆或大根堆,根节点最小的堆叫做最小堆或小根堆。常见的堆有二叉堆、斐波那契堆等。

一般的操作进行一次的时间复杂度在O(1)~O(logn)之间。

一张原理图:

具体原理看这篇文章吧:基本数据结构――堆的基本概念及其操作。。。。。。。。

 

具体代码操作会用到 priority_queue 这个结构体(当然你也可以用上面那个链接里的链接附带的使用方法(滑稽))

priority_queue 优先队列,其底层是用堆来实现的。在优先队列中,队首元素一定是当前队列中优先级最高的那一个。

头文件:#include<queue>

定义方法:

priority_queue<Type, Container, Functional>

Type为数据类型, Container为保存数据的容器,Functional为元素比较方式。
 

priority_queue<int,vector<int>,greater<int> >q; -----小顶堆;
priority_queue<int,vector<int>,less<int> >q;----大顶堆;
priority_queue<int> q;----------大顶堆;(后面有空格);

尽管提供了大小顶堆的模板,但是我们在实际应用过程中往往会使用更加复杂的数据结构构建堆,这时候我们就需要自定义数据结构的比较方式了。


struct Node{
    int x, y;
    Node(int a = 0, int b= 0):x(a), y(b) {}
};
 
struct cmp{
    bool operator() (const Node& a, const Node& b ){
	    if (a.x == b.x) 
			return a.y > b.y;
	    return a.x > b.x; 
	}
};
 
priority_queue<Node, vector<Node>, cmp> q; 

常用函数:

top();//返回堆顶;

pop;

push;

从 Chat 提示词到可运行 Fiori 应用,ADT for VS Code 正在把 RAP 开发带进 Agent 时代 本文探讨了在VS Code中使用AI辅助进行ABAP RAP开发的新模式。文章指出,传统RAP开发需要手工创建数据库表、CDS视图、行为定义等十多个关联对象,命名和关联关系容易出错。现在通过GitHub Copilot Agent Mode配合ADT MCP Server,开发者可用自然语言描述业务场景直接生成完整的RAP业务对象。这种生成式开发的核心价值在于:1)通过标准化工具接口(MCP)连接ABAP后端,确保生成符合规范的RAP对象;2)能正确处理多实体组合场景下的命名一致性和关联关系;3)保持生成结 阅读详情

相关推荐

rbf神经网络python预测代码_RBF神经网络预测

%用RBF网络来预测股票走势clcclear%归一化数据input=[0 0 0 0 0 0.0277;0.0177 0.0292 0.0184 0.0122 0.0264 0.0492;0.0374 0.0946 0.0393 ...

weixin_39951419的博客 1889

数据结构——【堆】详解

一. 堆🌲 1. 堆的概念 堆(heap):一种有特殊用途的数据结构——用来在一组变化频繁(发生增删查改的频率较高)的数据集中查找最值。 堆在物理层面上,表现为一组连续的数组区间:long[] array ;将整个数组看作是堆。 堆在逻辑结构上,一般被视为是一颗完全二叉树。 满足任意结点的值都大于其子树中结点的值,叫做大堆,或者大根堆,或者最大堆;反之,则是小堆,或者小根堆,或者最小堆。当一个堆为大堆时,它的每一棵子树都是大堆。 2. 堆的存储方式 从堆的概念可知,堆是一棵完全二叉树,

Lucky_mzc的博客 7984

uniapp+uniCloud实现微信小程序一键登录

(用户唯一标识),用户登录成功后,开发者服务器可以将openid和session_key保存,生成一个自定义登录态的token令牌响应给微信小程序,通过token可以查询openid和session_key,小程序下次请求只要携带着token就可以证明已经登录。这个API就是获取用户信息,每次请求都会弹出授权窗口(这个可能会不弹,这个要看你的版本,根据版本来定,不懂的可以留下评论),用户同意后会返回。到这里就可以实现微信一键登录了,快去试试吧,有问题可以在评论区留言,我看见会尽我知道的为你解答。

lb2917的博客 2577

数据结构—堆

堆是一种特殊的数据结构,它是一棵完全二叉树。把所有的元素按照完全二叉树的结构,按照层序遍历的顺序储存在一维数组中,如果该二叉树满足父节点小于等于子节点,叫做最小堆(小根堆);如果该二叉树满足父节点大于等于子节点,叫做最大堆(大根堆)。​。

Flashing-C的博客 5041

Abaqus CEL分析必备:Hypermesh网格导出与inp文件合并技巧

本文详细介绍了在Abaqus CEL分析中使用Hypermesh生成六面体网格并合并多组件inp文件的完整流程。从单元类型设置(EC3D8R)、网格质量优化到inp文件合并技巧,提供了一套解决流固耦合仿真前处理痛点的实战方案,帮助工程师高效完成复杂CEL分析任务。

weixin_29279101的博客 217

InternVL 3.5 深度解析:开源多模态模型的新里程碑

InternVL 3.5是由上海人工智能实验室OpenGVLab团队推出的开源多模态大模型,在推理能力、效率和灵活性方面取得突破。该模型采用ViT-MLP-LLM架构,包含60亿参数的InternViT-6B视觉编码器和多种规格的语言模型骨干。核心创新包括:1)Cascade RL强化学习框架,通过离线热身和在线强化两阶段训练提升推理能力;2)ViR视觉分辨率路由器,动态调整图像处理分辨率以优化计算效率;3)DvD动态视觉token压缩技术。模型系列涵盖2B到241B参数规模,满足从边缘设备到高性能计算的不

m0_47999117的博客 1030

【数据结构】堆(Heap)

就可以建成一个 (大 / 小) 堆。我们把数组中的第一个元素看作是一个堆剩余的元素依次插入到这个堆中。这跟堆的插入接口原理相同,就是向上调整。如果堆的创建过程使用向上调整算法,那么每次插入一个新元素时都需要进行一次向上调整操作,以确保新插入的元素能够满足堆的性质。【时间复杂度】假设堆中已经有 n 个元素,那么堆的高度 h = log₂(n+1),在插入一个新元素的过程中,需要进行的向上调整操作次数为 h-1,则 h = log₂(n+1) - 1,

Elena's Blog 6188

第八篇 永磁同步电机控制-MTPA、MTPV

MTPA 的全称是 Maximum Torque Per Ampere,即 最大转矩电流比控制。核心思想:在输出特定转矩时,通过控制定子电流的幅值和相位(即d轴和q轴电流的分量),使得所需要的定子电流幅值最小。通俗理解:就是用“最省电”的方式产生所需要的力矩。就像开车时,找到一个最合适的油门和档位配合,使得在输出相同动力时,油耗最低。

深耕汽车电子:AUTOSAR、电机控制,助力数字汽车 1874

数据结构之堆的详解

堆是一种特殊的完全二叉树堆分为小根堆和大根堆,大根堆的根节点值最大,小根堆的根节点值最小最小堆大根堆。

qq_45726327的博客 2615

ComfyUI 的 LoRA 训练:素材打标签与调优全攻略

标签是 LoRA 训练的"地基"——地基打不牢,后续调参再精细也难出好效果。记住:标签要"少而精",聚焦独特点,用触发词控效果。下一篇我们将讲解参数设置,让你的优质标签发挥最大价值~

2301_78150483的博客 3099

ADS基础教程19 - 电磁仿真(EM)基本概念和实操

一、引言二、基本概念1.EM介绍2.Momentum介绍3.FEM介绍4.Substrate介绍三、创建Layout并进行Momentum仿真1.创建Layout2.添加Microtrip(微带线)3.添加Substrate4.Momentum仿真四、总结EM全称Electromagnetic,即electro(电)magnetic(磁)。ADS为设计和评估现代通信系统产品提供了电磁仿真工具(EM)。EM包括Momentumsimulator(动量仿真器)和FEM。

XZ_ZC的博客 1万+

数据结构——【堆】

堆

m0_69323023的博客 8919

YOLO数据集实现数据增强的方法(裁剪、平移 、旋转、改变亮度、加噪声等)

数据集样本太少怎么办?数据集优质图像不够怎么办?如何做到更好的数据预处理?一文带你学会数据增强,还可实现带标签的扩充。

路人贾的博客 4万+

黑马十次方项目day03-06之吐槽模块分析

吐槽模块页面如下. 类似于百度发帖 在帖子下面可以回复帖子 这种数据价值不高,并且有可能有人水贴,因此用mongo进行存储.适合大数据量,价值不高的数据类型. 吐槽表spit 主键为_id. 在mongodb中,主键都为_id. ...

Java持续实践 1068

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

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")

社区:程序员相亲交友汇 成立啦!!

首先感谢csdn官方为我们广大的程序员创立社区,我们可以共同交流一些工作、学习、生活上的问题,方便我们大家共同进步!! 1、社区定位 2、发文规范 3、10月份结束点赞最高的长期介绍对象 4、禁忌:政治敏感,黄赌毒,虚假消息,广告 5、发贴格式 1、求: 2、找: 3、工作吐槽: 4、相亲吐槽: 5、带图有几率设为精品贴 6、不定期举行联谊活动(线上) ...

sincegc的博客 997

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

【水贴】花了2填的时间 终于搞定了ajaxfileupload

因为一时兴起,写前端有写后端的交互,非常累,又无聊。所以想把他们封装起来于是,后端写了一个json类(和我的逻辑处理相适应,无非是 有没有错误,错误信息是什么,内容list是什么),方便的转成json(因为手写老是写错。。。)---下一篇在详解,这篇想吐槽package action; /* * 此类为封转 json的消息 有 error 有 message 有list消息 * ...

qq_33400531的博客 275

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

互联网各大厂内网里都有些啥?这也就是某脉崛起的原因

上一篇:对不起,实在扛不住了。。。昨天,笔者在文章说需要给大家普及一下各大公司内网里的一些知识。网友给笔者留言:对于粉丝的要求,必须满足。那笔者今天就给大家安利安利各大厂的内网。华为——心声社区早年华为没有内部论坛,于是华为er们就慢慢集聚进了天涯社区。因为是论坛制,造就天涯华为社区成了一个负能量聚集的地方。随着华为一天天的壮大,各种声音越来越多。任正非下足决心,开辟了“罗马广场”,也就是现在心声...

Java和Android架构 1085

LintCode使用全解:如何高效提升算法和数据结构水平?

对于IT领域的求职者来说,通过刷题提升自己的编程能力是非常有必要的。在线评测平台 LintCode,整合了当前各大IT企业技术求职的热门题库,拥有2000多道常见面试题。可有效提升你的算法与数据结构水平,助力你通过知名IT企业面试,拿到满意的Offer。 这么多OJ,为什么选择Lintcode: 相比其他的一些网站,L...

九章算法的博客 3619

星际争霸2改存档教程_当年玩单机游戏时,大家用修改器改出过哪些无法收拾的局面?...

当年有多少玩家曾经使用修改器导致过游戏数据溢出无法再继续游戏?后期小编每次存档都要在同一个位置存两个档,懂的人都是过来人啊!还记得当年,刚刚学会使用修改器的我们,游戏本来玩得好好的,但是稍微遇到一点麻烦就想使用修改器,然后各种修改就开始了。刚开始还好,能够控制自己,也就改改金钱、血量或者MP。然后随着游戏的深入,手贱的我们选择将能改的都改了,瞬间进入了人生巅峰,但是游戏也失去了奋斗目标了。不过也经...

weixin_39598954的博客 5047

从溯行蓓尔嘉涂装阉割事件,拆解模型量产工艺与品控风险

在模型与手办制造领域,涂装工艺是决定产品最终表现力的核心技术环节。其原理涉及分色遮罩喷涂、阴影高光处理、金属漆应用及移印水贴等多道精密工序,直接影响成品的立体感、质感与细节还原度。这项技术的工程价值在于,它连接了数字设计原型与实体量产产品,是平衡艺术效果与生产成本的关键。在实际应用场景中,尤其在国产模型品牌快速发展的背景下,样品阶段的精工细作与流水线量产之间的工艺落差,常成为品控风险的主要来源。本次对溯行蓓尔嘉大货的评测,具体揭示了涂装环节中因简化分色、省略光影喷涂所导致的质感降级问题,这为玩家评估模型量产

weixin_30698297的博客 343

这几天火爆全网~羊了个羊,前几天突然蹦了,带大家站在软件测试工程师的角度看问题

不少网友也表示,虽然是靠“自己”通过,但主要卡bug,可以实现无限看广告,但这样已经失去了游戏的意义。想要通关的小伙伴也可以尝试一下。

1075

如何相对高效解决代码测评、训练过程中遇到的 Bug

图像修复、专栏目录:推荐查阅顺序,如果有刚刚开始做深度学习,对深度学习 Cuda、Pytorch 相关环境高效搭建,还不是非常清楚的小伙伴建议参考我的这篇博文、折腾清楚这些基础知识、相信能够为大家节约难以估计的学习成本 ???? 模型训练到模型部署基础环境搭建推荐博文查阅顺序——【1024专刊】 重点参考,如下图所示部分相关博文即可,相信能够有效帮到大家理解环境搭建这个过程 ????

专注于AI领域前沿技术学习与分享:目标检测、图像修复、超分重建、AI工程化 3222

python交易是什么意思_py交易什么梗?起源及流行原因

原标题:py交易什么梗?起源及流行原因肮脏的PY(屁眼)交易是什么意思,最近很多看直播的玩家都不明白别人刷的PY交易是什么梗,被弄的一头雾水,下面牛游戏小编就为大家介绍PY交易到底是什么梗以及出处吧! PY交易这个梗的起源起源于300英雄,当时有一个比赛,准神对战skt。比赛进行到中途时,skt比较有优势,此时准神由于操作失误送人头,裁判要求重赛,引起skt队员的不满,事后skt队员在群里说了句...

weixin_39688856的博客 5606

刚子扯谈:“爆吧”圣斗士们,你妈没叫你回家吃饭

爆吧,其实也是一种网络用语,很多人听到这个词,几乎不清楚是什么意思。而对于一个多年网虫也许了解一二,其实我是想上个月写这个事件内容的,但是问了几个同事和圈子里面的人,他们也不知道,所以我想还是晚几日出来扯这个事。

NO1陈刚-刚子扯谈 2740

VUE项目打包出现空白,CDN资源引入报错,net::ERR_CONNECTION_TIMED_OUT

问题描述:vue项目打包后,把dist挂到服务器上打开网址出现空白屏,出现下图报错 GET https://cdn.jsdelivr.net/npm/vue@2.6.11/dist/vue.min.js net::ERR_CONNECTION_TIMED_OUT Uncaught ReferenceError: Vue is not defined 简而言之就是找不到引入的CDN资源 分析原因:根据报错信息找到了引入资源文件的位置,在vue.config.js文件中,浏览器在加载的时候没有找到对

m0_64407944的博客 3418

OI梗

OI梗 本条目收录与OI(信息学竞赛,英语:Olympiad in Informatics)及其参赛选手圈子有关的流行文化。 本条目仅收录常见梗,过于专业的用语不予收录,寻找专业用语请去OI Wiki等专业网站。 目录 1 OI用语 1.1 %%% 1.2 蒟蒻 1.3 神犇/巨佬 1.4 水题 1.5 自动机 1.6 卡常 1.7 爆零 2 OI典故/成句 2.1 关于SPFA,它死了 2.2 I AK IOI 2.3 骗分导论 2.4 o年OI一场空,xxxx见祖宗 2.5 rp++ 2.6 我来NOI

Old flame.Scar 3万+
上一篇: DAY-21 : 线段树&RMQ
下一篇: Anaconda及Spyder Python3.7 和 Python2.7 之间的转换
Thitve
博客等级 码龄9年 2粉丝 20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