le 更新了 0.5b1

最新推荐文章于 2024-07-25 16:00:00 发布
最新推荐文章于 2024-07-25 16:00:00 发布
阅读量1.2k 收藏
点赞数
分类专栏： 消息 文章标签： 脚本 搜索引擎 活动 存储 search xp
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。
本文链接：https://blog.youkuaiyun.com/lingll/article/details/1526889
版权

le更新了，可在我的主页（http://nullvb.go3.icpcn.com/）下载，

更新内容：

2007-3-11 v 0.5b1 (1.4.137)
2007-3-10 + 收藏夹菜单上的快捷菜单增加了"删除"项,可以通过这个方法删除收藏
2007-1-9 f 修正收藏夹中文件名过长无法显示的问题
2006-12-12 f++ 关于焦点问题实现了以下要求:用tab(或shift+tab)键可以遍历应用程序界面所有的元素,目前仅限于在地址栏,搜索栏及网页中转移;键盘焦点应该能立即转移到新建的页面中,切换页面时也能自动转移到当前页面,当焦点在地址栏或搜索栏时,焦点不做改变;当程序重新变为活动窗口时,焦点应该能返回上次为活动窗口时的位置(最后这点未能很好实现,焦点总是返回网页页面).于是相应的也解决了一些与焦点相关的bug,这里就不列出来了.
2006-10-22 f 修正了即使网页关闭了也不会释放内存的问题(其实是程序中一个很大的bug,竟然忽略了,汗)
2006-8-18 + 增加了插件接口ILEEvent
2006-8-11 + 增加了消息栏,在弹出页面或对话框被屏蔽时会显示出来
2006-8-9 + 增加了屏蔽网页对话框功能(xp sp2或以上)
2006-5-11 ++ 实现了完美的鼠标拖拽,在支持原来的鼠标拖拽功能的同时,也实现了ie缺省的拖拽效果.
f 修改了添加收藏的方式,即使使用的是自定义的收藏夹路经,在添加收藏的时候都能显示正确的路经,只是还存在一点小问题,不能使用"允许脱机使用"(估计都没多少人会用这个的了,:))
f 支持了网页中添加到收藏的脚本.
++ 可使用相对路经设置自定义的收藏夹目录,目前仅限于程序目录下,用"./"表示
2006-4-14 * 修改了鼠标手势的存储方式,程序运行后需要重新设置
2006-2-22 + 基本上支持xp主题了.
* 基本上算是unicode了(在说什么呢...unicode版本?反正就是那个意思)
2006-2-14 f 修正拖拽保存的文本文件有多余空格的问题
2006-1-27 * 重写了插件系统,插件只有一种,不再区分是否侧边栏插件,命令插件或工具栏插件.同时原系统中对应功能也去掉了,如不再支持脚本类,sendkey等的插件.
2006-1-15 * 修改了搜索引擎的存储方式,改为一独立文件放在search目录下,修改方式在文件中有注明,程序中不提供修改方式(以后未定是否会恢复),增加了能使用post提交方式的搜索的功能
2006-1-14 f 修正了在收藏夹菜单里使用"边栏收藏夹"命令的一个bug(不能正确展开所处位置)

基于深度学习的入侵检测系统设计与实现
AI天才研究院
08-06 3382
基于深度学习的入侵检测系统在提高检测精度和效率方面展现出了巨大的潜力，然而，它仍然面临着一些挑战，例如数据标准化、模型解释性、攻击的多样性等。未来，我们需要在这些方面进行更深入的研究，并开发出更强大的入侵检测系统。
AdaBoost算法适用范围及其局限性？
AI天才研究院
09-01 1950
AdaBoost（Adaptive Boosting）是一种基于学习的强壮分类器生成方法，被广泛应用于多种领域，如图像识别、文本分类、生物信息学、股市预测等。它是在2006年由Freund 和 Schapire提出的，是一种迭代的boosting算法，它的算法过程如下图所示：AdaBoost算法是一个可以适用于各种分类模型的通用框架，在机器学习任务中可以有效地解决分类偏差和噪声点的问题。
le源码更新
lingll's blog
02-12 1万+
le最新的源码更新了，可到我的主页下载
LE最新版本(0.6)下载,2009-2-8更新
lingll's blog
02-08 3362
 LE最新版本下载,2009-2-8更新 进入http://owling.ys168.com/,找到LE->le_0_6_0.rar,下载即可或 http://lexplorer.googlecode.com/files/le_0_6_0.rar 2009-2-8 v 0.6(0.5.53)  + "简易搜集板"可以保存了,双击标签可以关闭2009-2-7 + 增加了一个浮动的
LE最新版本下载,2008-12-11更新
lingll's blog
12-11 1540
LE最新版本下载,2008-12-11更新 进入http://owling.ys168.com/,找到LE->le_05_38.rar,下载即可或 http://lexplorer.googlecode.com/files/le_0_5_38.rar 2008-12-10 ++ 支持vista了,但是在vista下会损失一个功能,不能过滤页面元素  f 修正了"锁定工具栏"后会显示
【洛谷】【分支】三位数排序
清风微醺的博客
12-18 1732
题目描述 给出三个整数a,b,c(0≤a,b,c≤100)a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。给出三个整数 a,b,c(0\le a,b,c \le 100)a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。给出三个整数a,b,c(0≤a,b,c≤100)a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。 输入格式 无 输出格式 无 输入输出样例 输入 #1 复制 1 14 5 输出 #1 复制 1 5 14 输入 #2 复制 2 2
【洛谷】P5715 【深基3.例8】三位数排序
九久的博客
07-25 757
给出三个整数abc0≤abc≤100，要求把这三位整数从小到大排序。
GEE APP：根据大地遥感Landsat卫星 5 号、7 号和 8 号估算河流排放量
此星光明博客
07-03 730
河流排量卫星遥感（RSQ）算法为补充河流测量记录提供了有用的观测数据源。RSQ算法已经存在了十多年，但由于缺乏可操作性和对不确定性的定量描述，其广泛使用一直受到阻碍。在此，我们介绍一种利用大地遥感卫星观测数据近实时估算河流排放量的算法 RODEO。RODEO 已通过 456 个测站（中位数 Kling-Gupta 效率 = 0.3）的验证，并采用了一种新颖的量化评级曲线技术，将大地遥感卫星的河宽与全球水文模型的排放量估算值配对。
GEE案例——Landsat系列（4、5、7、8和9）影像的物候监测分析
此星光明博客
07-25 864
Landsat物候分析是一种利用Landsat系列卫星数据进行植被生长和变化的研究方法。物候是指植物生长和发育的季节性变化，包括植物生长、开花、结果和凋落等过程。Landsat系列卫星是美国国家航空航天局和美国地质调查局联合发起的地球观测卫星项目，主要用于监测地球表面的变化和资源管理。Landsat卫星具有高空间分辨率和较长的历史数据记录，可以提供长时间序列的遥感数据用于物候分析。通过对Landsat卫星数据进行物候分析，可以了解植被的季节性变化和发展趋势。
第一章：AI大模型概述1.1 AI大模型的定义与特点1.1.2 AI大模型的关键技术
AI天才研究院
01-16 209
AI大模型是指具有极大规模、高度复杂性和强大能力的人工智能系统，它们通常基于深度学习、自然语言处理、计算机视觉等领域的技术，能够处理大量数据、学习复杂规律，并在各种应用场景中取得出色的表现。AI大模型的出现和发展是人工智能领域的一个重要趋势，它们为解决复杂问题提供了有力武器，为人类的科学研究和生产生活带来了巨大的便利。然而，AI大模型的开发和应用也面临着诸多挑战，例如计算资源的限制、数据质量的影响、模型的可解释性等。
三位整数从小到大排序
羽的博客
02-03 2751
题目描述 给出三个整数 a,b,c(0≤a,b,c≤100)a,b,c(0\le a,b,c \le 100)a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。 输入格式 无 输出格式 无 输入输出样例 输入 #1 1 14 5 输出 #1 1 5 14 输入 #2 2 2 2 输出 #2 2 2 2 一、快排 #include<bits/stdc++.h> using namespace std; int s[3]; int main(){ cin>>s[0]&
【深基3.例8】三位数排序
e35555564的博客
07-20 478
【代码】【深基3.例8】三位数排序。
给出三个整数a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。（Java）
HWFGLF的博客
06-06 352
给出三个整数a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。（Java）
洛谷P5715——三位数排序（c++）
m0_66606160的博客
10-11 1673
洛谷P5715——三位数排序（c++）
洛谷【入门1】P5715 【深基3.例8】三位数排序
记录、总结
12-11 876
题目描述 给出三个整数 a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。 输入格式 无 输出格式 无 输入输出样例 输入 1 14 5 输出 1 5 14 输入 2 2 2 输出 2 2 2 import java.util.Scanner; import java.util.Arrays; public class Main{ public static void main(String[] args){ Scanner scan = new Scanner(System.in
2021.11.10 4洛谷三位数排序——c语言
Solaku7的博客
11-14 2353
题目描述 给出三个整数a,b,c，a,b,c(0≤a,b,c≤100)，要求把这三位整数从小到大排序。 输入格式 无 输出格式 无 输入输出样例 输入 1 14 5 输出 1 5 14 输入 2 2 2 输出 2 2 2 这道题真的非常值得研究 这里我会提供两种解法，希望所有看过这篇文章的人能看得懂这两种，第2种和排序有关，希望能看懂 #define _CRT_SECURE_NO_WARNINGS 1 #include<stdio.h> vo...
P51 第16题：输入三个整数a，b，c，请按从小到大的顺序输出
泉晓诺的的梦幻翅膀
03-29 1773
 #include int main() {  int a,b,c,i,j=0;  while(j  {  printf("请输入三个整数：");  scanf("%d%d%d",&a,&b,&c);  if(a>b)  {  i=a;  a=b;  b=i;  }  if(a>c)  {   i=a;   a=c;   c=i;  }  if(b>c
三位数排序
PengYuan
04-20 1173
三位数排序，发现一个很有用的技巧，我稍微修改了一下语法。 思想：利用中间变量，找出最大值和最小值，然后中间值则是三个输入值想加减去最大值和最小值。代码如下：public class test { public static void main(String[] args) { int a = 3,b = 5,c = 7; int x,y,z;
c++将任意输入的三个整数a、b、c,按从小到大的顺序输出
热门推荐
05-15 1万+
题目：将任意输入的三个整数a、b、c,按从小到大的顺序输出 分析：此题比较简单，直接运用三个if来判断大小,如果大的在前面则两个数互换位置； 具体代码为： #include using namespace std; int main(void) { int a, b, c,t=0; cout << “输入的三个数为：”; cin >> a >> b >> c; if (a > b) { t = a; a = b; b = t; } if (a >
使用BP算法训练一个单隐藏层网络，编程实现在西瓜数据集（melon.csv）上预测“是否为好瓜”的应用，需要给出源代码以及运行过程和结果的截图。
最新发布
03-29
### BP算法单隐藏层神经网络实现 以下是基于BP算法的单隐藏层神经网络代码示例，用于在西瓜数据集上进行训练并预测“好瓜”。该代码实现了前向传播和反向传播的过程。 #### 数据预处理 为了使模型能够正常工作，需对原始数据进行标准化或归一化处理。假设`melon.csv`文件包含如下列：特征（如颜色、根蒂、敲声等）以及目标标签（是否为“好瓜”）。这里采用简单的数值编码方式将分类变量转换为数值型变量。 ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, LabelEncoder # 加载数据 data = pd.read_csv('melon.csv') # 特征与标签分离 X = data.drop(columns=['label']).values y = data['label'].values # 对类别型特征进行编码 le_X = LabelEncoder() for i in range(X.shape[1]): X[:, i] = le_X.fit_transform(X[:, i]) # 对标签进行二值化编码 le_y = LabelEncoder() y = le_y.fit_transform(y) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 标准化 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) ``` #### 单隐藏层神经网络实现 以下是一个完整的单隐藏层神经网络实现： ```python class SingleHiddenLayerNN: def __init__(self, input_dim, hidden_dim, output_dim, learning_rate=0.01): self.W1 = np.random.randn(input_dim, hidden_dim) * 0.01 self.b1 = np.zeros((1, hidden_dim)) self.W2 = np.random.randn(hidden_dim, output_dim) * 0.01 self.b2 = np.zeros((1, output_dim)) self.learning_rate = learning_rate def sigmoid(self, Z): return 1 / (1 + np.exp(-Z)) def forward(self, X): self.Z1 = np.dot(X, self.W1) + self.b1 self.A1 = np.tanh(self.Z1) self.Z2 = np.dot(self.A1, self.W2) + self.b2 A2 = self.sigmoid(self.Z2) return A2 def backward(self, X, y, A2): m = X.shape[0] dZ2 = A2 - y.reshape(-1, 1) dW2 = (1/m) * np.dot(self.A1.T, dZ2) db2 = (1/m) * np.sum(dZ2, axis=0, keepdims=True) dA1 = np.dot(dZ2, self.W2.T) dZ1 = dA1 * (1 - np.power(self.A1, 2)) dW1 = (1/m) * np.dot(X.T, dZ1) db1 = (1/m) * np.sum(dZ1, axis=0, keepdims=True) # 更新参数 self.W1 -= self.learning_rate * dW1 self.b1 -= self.learning_rate * db1 self.W2 -= self.learning_rate * dW2 self.b2 -= self.learning_rate * db2 def compute_loss(self, A2, y): epsilon = 1e-15 A2_clipped = np.clip(A2, epsilon, 1 - epsilon) logprobs = -np.mean(y * np.log(A2_clipped) + (1-y) * np.log(1-A2_clipped)) return logprobs def fit(self, X, y, epochs=1000): losses = [] for epoch in range(epochs): A2 = self.forward(X) loss = self.compute_loss(A2, y) self.backward(X, y, A2) if epoch % 100 == 0: print(f'Epoch {epoch}, Loss: {loss}') losses.append(loss) def predict(self, X): A2 = self.forward(X) predictions = (A2 >= 0.5).astype(int) return predictions.flatten() # 初始化模型 input_dim = X_train.shape[1] hidden_dim = 8 output_dim = 1 model = SingleHiddenLayerNN(input_dim=input_dim, hidden_dim=hidden_dim, output_dim=output_dim) # 训练模型 model.fit(X_train, y_train, epochs=1000) # 测试模型 predictions = model.predict(X_test) accuracy = np.mean(predictions == y_test) print(f'Test Accuracy: {accuracy:.2f}') # 输出测试精度 ``` #### 运行过程及结果 上述代码通过定义一个类来封装神经网络的核心逻辑。具体来说： - `forward` 方法完成前向传播计算； - `backward` 方法执行梯度下降更新权重； - `fit` 方法控制整个训练流程； - `predict` 方法用于生成最终预测结果。 当运行此脚本时，会打印每100轮迭代后的损失函数值，并在最后显示测试集上的准确率。如果一切设置无误，则可以观察到随着训练次数增加，损失逐渐减小而准确率达到较高水平[^1]。 #### 注意事项 对于实际应用中的复杂场景可能还需要进一步调整超参数或者引入正则项防止过拟合等问题发生。 ---
评论 5
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