<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kikkc的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/kikkc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kikkc]]></copyright><item><title><![CDATA[目标检测算法YOLO-V3结构详解（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108415502</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108415502</guid><author>kikkc</author><pubDate>Sat, 05 Sep 2020 09:39:47 +0800</pubDate><description><![CDATA[上期我们一起学了YOLO-V2的算法结构以及跟YOLO-V1比起来有哪些优缺点，如下：
目标检测算法YOLO-V2详解
今天我们看下在YOLO-V2版本上改进的YOLO-V3算法，到底做了哪些优化？
❞
今天我们主要从以下几个方面来学习YOLO-V3对YOLO-V2做了哪些改进。
Darknet-53结构
YOLO-V3结构
先验框设置
损失函数
模型性能
YOLO-V3模型框架
YOLO-V3模型框架，我们主要从它的基础网络Darknet-53以及YOLO-V3的结构方面学习，首先看下Darknet-53]]></description><category></category></item><item><title><![CDATA[redis学习笔记（二）—redis使用中可能遇到的问题与解决方案（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108402457</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108402457</guid><author>kikkc</author><pubDate>Fri, 04 Sep 2020 13:32:01 +0800</pubDate><description><![CDATA[Redis学习笔记（一）——redis基础与连接池
一、缓存雪崩
在引入redis缓存后，引起了缓存雪崩问题。
由于热点数据的时效性，故需要在给redis设定时限。让redis定时清空，到数据库重新获取。而清空时，所有请求转向MySQL，此时MySQL可能无法承受如此巨大的并发量，可能发生宕机或卡顿现象。
导致缓存雪崩问题的原因：
同一时刻所有数据同时失效 解决措施：数据设置为随机有效期
redis服务器宕机 解决措施：使用多级缓存（设置多台服务器）或搭建redis集群
二、缓存击穿
某一极度热门数据失效，]]></description><category></category></item><item><title><![CDATA[LDAP基础：AD：运行在容器中的Active Directory服务（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108398930</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108398930</guid><author>kikkc</author><pubDate>Fri, 04 Sep 2020 10:14:38 +0800</pubDate><description><![CDATA[这篇文章介绍一下一个用于使用容器化方式验证微软的Active Directory的方式，可以通过容器化的方式启动AD的服务，但是镜像到目前为止已经四年没有更新了，但经过验证，发现还可以用，在本地需要搭建测试环境的时候，可以考虑使用这个镜像凑合一下。
环境搭建
步骤1: 拉取镜像
使用如下命令拉取镜像：
执行命令：docker pull dwimberger/ldap-ad-it
执行日志如下所示：
liumiaocn:ldap liumiao$ docker pull dwimberger/ldap-ad-]]></description><category></category></item><item><title><![CDATA[mysql常用知识点（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108381186</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108381186</guid><author>kikkc</author><pubDate>Thu, 03 Sep 2020 13:39:49 +0800</pubDate><description><![CDATA[启动mysql服务器 net start mysql57
关闭mysql服务器 net stop mysql57
user:root
password:root
进入mysql mysql -u root -p root
一：创建数据库
查看数据库 show databases;
创建数据库 CREATE DATABASE 数据库名;
查看某个数据库结构 SHOW CREATE DATABASE 数据库名\G;
删除数据库 DROP DATABASE 数据库名;
查看当前使用的是哪个数据库 select d]]></description><category></category></item><item><title><![CDATA[OpenCV调用YOLOv4进行目标检测（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108363261</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108363261</guid><author>kikkc</author><pubDate>Wed, 02 Sep 2020 15:32:01 +0800</pubDate><description><![CDATA[目标检测就是对目标进行动态实时跟踪定位，常见的目标检测算法有 R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo 等，其中 Yolo 的速度和精确度都比较高，且只需训练一次，使用起来比较方便。
这里我们就使用官方现成的模型来检测图片，看一看效果，先学会使用流程，以后再训练自己的模型。
注意：opencv-python 目前只有 4.4.0 版本适配了 YOLOv4
导入库
import numpy as np
import time
import cv2
1
2
3
设置标签和标注]]></description><category></category></item><item><title><![CDATA[Linux下MySQL数据库的备份与还原，mysql快速导入导出数据库实例演示，解决mysql大数据量数据库导出慢的问题（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108356279</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108356279</guid><author>kikkc</author><pubDate>Wed, 02 Sep 2020 09:51:06 +0800</pubDate><description><![CDATA[MySQL 数据库的备份与还原
第一章：数据库的导入与导出
① 数据库的导出
② 大数据量下 mysqldump 的导出优化
③ 数据库的导出
第一章：数据库的导入与导出
① 数据库的导出
需要用到 mysqldump 这个程序，在 mysql 安装路径下的 bin 文件夹下。
在这里插入图片描述
cd 在哪个路径下执行命令，最后的 sql 备份文件就在哪里生成。
“/usr/local/mysql-8.0.11/bin/mysqldump” -uroot -p ncc_0807mysql &gt; ncc]]></description><category></category></item><item><title><![CDATA[vue 组件（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108343034</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108343034</guid><author>kikkc</author><pubDate>Tue, 01 Sep 2020 15:24:37 +0800</pubDate><description><![CDATA[前言
本文主要介绍属性、事件和插槽这三个vue基础概念、使用方法及其容易被忽略的一些重要细节。如果你阅读别人写的组件，也可以从这三个部分展开，它们可以帮助你快速了解一个组件的所有功能。
在这里插入图片描述
组件的分类
一般来说，Vue.js 组件主要分成三类：
由 vue-router 产生的每个页面，它本质上也是一个组件（.vue），主要承载当前页面的 HTML
结构，会包含数据获取、数据整理、数据可视化等常规业务。整个文件相对较大，但一般不会有 props 选项和 自定义事件，因为它作为路由的渲染，不会]]></description><category></category></item><item><title><![CDATA[听说Mysql你很豪横？-------------MySQL5.7主从复制！读写分离！（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108335887</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108335887</guid><author>kikkc</author><pubDate>Tue, 01 Sep 2020 10:29:31 +0800</pubDate><description><![CDATA[文章目录
一、MySQL读写分离原理
1、原理
2、为什么要搞读写分离
3、读写分离的基础：主从复制
二、什么是主从复制呢？
1、原因
2、解决办法
3、更高级的解决方案
4、MySQL主从复制的类型
5、主从复制的工作过程
三、主从复制实验实操
1、环境
2、实验过程
（1）手动编译安装mysql5.7版本
（2）配置mysql主服务器
（3）登陆mysql服务，授权所有从服务器复制二进制日志的权限
（4）配置两台从服务器
3、实验验证
四、主从读写分离实验
1、环境
2、实验目的
3、实验具体流程
（1]]></description><category></category></item><item><title><![CDATA[PyQt5 技术篇-在clipboard.dataChanged.connect()里如何写入剪切板示例演示，pyqt5监听剪切板变动并写入剪切板内容（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108320325</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108320325</guid><author>kikkc</author><pubDate>Mon, 31 Aug 2020 14:16:20 +0800</pubDate><description><![CDATA[PyQt5 自带的写入剪切板方法在 clipboard.dataChanged.connect() 里不生效，主要是为了避免死循环。
不过利用其它的写入剪切板方法放在里面就不会有影响了，比如 pyperclip。
import pyperclip
写入剪切板
def setCopy(s):
pyperclip.copy(s)
1
2
3
4
5
下面是 pyqt5 监听剪切板的演示代码。
from PyQt5.QtWidgets import *
app = QApplication([])
clipboa]]></description><category></category></item><item><title><![CDATA[基于强化学习的期权量化交易回测系统3（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108315212</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108315212</guid><author>kikkc</author><pubDate>Mon, 31 Aug 2020 09:32:03 +0800</pubDate><description><![CDATA[在本篇博文中，我们将获取50EFT期权的日行情数据和50ETF的日行情数据，作为环境的状态数据，可以在强化学习环境SopEnv中逐日显示出来。
数据集对象定义
我们定义50ETF日行情数据集类D50etfDataset，在其中统一管理50ETF行情和50ETF期权行情数据以及Greeks信息、VIX恐慌指数等信息。D50etfDataset是PyTorch中Dataset的子类，该类中有两个我们必须提供实现代码的方法，分别为__len__获取数据集中样本数量，__getitem__获取指定索引的样本数据，大]]></description><category></category></item><item><title><![CDATA[软件开发平台之争：NET VS Java，谁是更好的选择？（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108278331</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108278331</guid><author>kikkc</author><pubDate>Fri, 28 Aug 2020 13:59:09 +0800</pubDate><description><![CDATA[作为软件开发新手，为自己选择未来职业生涯中将使用的平台并不容易。掌握任何一种编程语言都会花费大量的时间和精力，而这些恰恰是你最不想浪费的。选错平台可能会需要改变知识面来胜任工作，这让人们倍感压力。
在此，我帮你将选择缩小到以下两个选项：Java或者.NET。这已经是一个巨大的进步了，这两种选项都算是成功。Java和.NET都很稳定，可以用于企业级别的开发，这意味着你可能会就职于一家拥有大量资源和机会的大公司。
先来看看就业市场！截至2020年4月，Monster.com列出了超过4.1万份“Java开发人员]]></description><category></category></item><item><title><![CDATA[实战开发，使用 Spring Session 与 Spring security 完成网站登录改造！！（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108275001</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108275001</guid><author>kikkc</author><pubDate>Fri, 28 Aug 2020 10:38:30 +0800</pubDate><description><![CDATA[上次小黑在文章中介绍了四种分布式一致性 Session 的实现方式，在这四种中最常用的就是后端集中存储方案，这样即使 web 应用重启或者扩容，Session 都没有丢失的风险。
今天我们就使用这种方式对 Session 存储方式进行改造，将其统一存储到 Redis 中。
实现方案
我们先来想一下，如果我们不依靠任何框架，自己如何实现后端 Session 集中存储。
这里我们假设我们的网站除了某些页面，比如首页可以直接访问以外，其他任何页面都需要登录之后才能访问。
如果需要实现这个需求，这就需要我们对每个请]]></description><category></category></item><item><title><![CDATA[Flume正则拦截器(regex_filter) 以及自定义拦截器（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108257997</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108257997</guid><author>kikkc</author><pubDate>Thu, 27 Aug 2020 13:37:13 +0800</pubDate><description><![CDATA[前面已经给大家说过flume的简介以及安装，还有不明白的可以再去看看：
Flume简介以及详细安装教程
在当今大数据时代，在处理海量数据之前，收集数据，聚合和转换数据是绝对必要的，并最终将数据移动到那些使用不同分析和数据挖掘工具的存储库中。
执行所有这些步骤的流行工具之一是Apache Flume。 这些数据通常是以事件或日志的形式存储。 Apache Flume有三个主要组件：
Source：数据源可以是企业服务器，文件系统，云端，数据存储库等。
Channel：在事件被sink消耗前由Channel 存]]></description><category></category></item><item><title><![CDATA[【Redis】redis都有哪些数据类型？分别在哪些场景下使用比较合适呢？（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108253294</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108253294</guid><author>kikkc</author><pubDate>Thu, 27 Aug 2020 09:43:00 +0800</pubDate><description><![CDATA[（1）string
这是最基本的类型了，没啥可说的，就是普通的set和get，做简单的kv缓存
（2）hash
这个是类似map的一种结构，这个一般就是可以将结构化的数据，比如一个对象（前提是这个对象没嵌套其他的对象）给缓存在redis里，然后每次读写缓存的时候，可以就操作hash里的某个字段。
key=150
value={
“id”: 150,
“name”: “zhangsan”,
“age”: 20
}
hash类的数据结构，主要是用来存放一些对象，把一些简单的对象给缓存起来，后续操作的时候，你可以]]></description><category></category></item><item><title><![CDATA[基于PaddlePaddle实现的目标检测模型PP-YOLO（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108241218</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108241218</guid><author>kikkc</author><pubDate>Wed, 26 Aug 2020 15:45:29 +0800</pubDate><description><![CDATA[原文博客：Doi技术团队
链接地址：https://blog.doiduoyi.com/authors/1584446358138
初心：记录优秀的Doi技术团队学习经历
本文链接：基于PaddlePaddle实现的目标检测模型PP-YOLO
PP-YOLO
PP-YOLO是PaddleDetection优化和改进的YOLOv3的模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型，PP-YOLO在COCO test-dev2017数据集上精度达到45.9%，在单卡V100上FP32推理速度]]></description><category></category></item><item><title><![CDATA[六年之后：回到底层编程（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108234362</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108234362</guid><author>kikkc</author><pubDate>Wed, 26 Aug 2020 10:04:19 +0800</pubDate><description><![CDATA[一个月以前，我加入到 ThoughtWorks 已经进入了第 7 个年头。我本来不想再花时间写一篇相关的文章。只是呢，最近发生的一些事情，或许和每个 IT 人息息相关。我便想着，再花点时间思考一下：我们的行业以及行业背后的 IT 体系。
从某种程度上来说，我更可能是在弥补一块重要的短板 —— 一来，不是从事相关的领域；二来，平时的开发中真的用得少。
Web 开发的核心：CRUD？
在我先前的文章《项目初期的最优技术实践》里，我把产品开发的生命周期分为了：
技术准备期
业务回补期
成长优化期
从技术维度来看待]]></description><category></category></item><item><title><![CDATA[常见漏洞原理及修复方式（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108219579</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108219579</guid><author>kikkc</author><pubDate>Tue, 25 Aug 2020 13:46:04 +0800</pubDate><description><![CDATA[漏洞原理及防护
Burte Force（暴力破解）
在web攻击中，一般会使用这种手段对应用系统的认证信息进行获取。 其过程就是使用大量的认证信息在认证接口进行尝试登录，直到得到正确的结果。 为了提高效率，暴力破解一般会使用带有字典的工具来进行自动化操作。
防御：
1.是否要求用户设置复杂的密码；
2.是否每次认证都使用安全的验证码（想想你买火车票时输的验证码～）或者手机otp；
3.是否对尝试登录的行为进行判断和限制（如：连续5次错误登录，进行账号锁定或IP地址锁定等）；
4.是否采用了双因素认证；
XS]]></description><category></category></item><item><title><![CDATA[想设计亿万级高并发架构，你要先知道高并发是什么？（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108213627</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108213627</guid><author>kikkc</author><pubDate>Tue, 25 Aug 2020 09:22:53 +0800</pubDate><description><![CDATA[当前，数字化在给企业带来业务创新，推动企业高速发展的同时，也给企业的IT软件系统带来了严峻的挑战。面对流量高峰，不同的企业是如何通过技术手段解决高并发难题的呢?
0、引言
软件系统有三个追求：高性能、高并发、高可用，俗称三高。三者既有区别也有联系，门门道道很多，全面讨论需要三天三夜，本篇讨论高并发。
高并发（High Concurrency）。并发是操作系统领域的一个概念，指的是一段时间内多任务流交替执行的现象，后来这个概念被泛化，高并发用来指大流量、高请求的业务情景，比如春运抢票，电商双十一，秒杀大促等场]]></description><category></category></item><item><title><![CDATA[用Python爬取股票数据，绘制K线和均线并用机器学习预测股价（来自我出的书）（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108199044</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108199044</guid><author>kikkc</author><pubDate>Mon, 24 Aug 2020 14:44:28 +0800</pubDate><description><![CDATA[最近我出了一本书，《基于股票大数据分析的Python入门实战 视频教学版》，京东链接：https://item.jd.com/69241653952.html，在其中用股票范例讲述Python爬虫、数据分析和机器学习的技术，大家看了我的书，不仅能很快用比较热门的案例学好Python，更能了解些股票知识，不至于一入市就拍脑袋买卖。
在本文里，将给出若干精彩范例，包括用爬虫获取股市数据，用matplotlib可视化控件绘制K线和均线，以及用sklean库里的方法，通过机器学习预测股价的走势。

1 通过pand]]></description><category></category></item><item><title><![CDATA[《Java开发手册》阅读笔记（一）（转载）]]></title><link>https://blog.youkuaiyun.com/kikkc/article/details/108196387</link><guid>https://blog.youkuaiyun.com/kikkc/article/details/108196387</guid><author>kikkc</author><pubDate>Mon, 24 Aug 2020 11:42:54 +0800</pubDate><description><![CDATA[写博客即是为了记录自己的学习历程，也希望能够结交志同道合的朋友一起学习。文章在撰写过程中难免有疏漏和错误，欢迎指出文章的不足之处；更多内容请点进????爱敲代码的小游子????查看。
临渊羡鱼，不如退而结网。一起加油！
1、命名不能以下划线美元符号开始结束，代码中的命名严禁使用拼音与英文混合的方式，更不允许直接使用中文的方式，纯拼音命名方式更要避免采用。
2、类名使用大驼峰命名法（POJO实体类除外），方法名、参数名、成员变量、局部变量都统一使用使用小驼峰命名法，常量使用大写单词（表示类型的名词放在词尾）之]]></description><category></category></item></channel></rss>