博客文章

官网 Json.Net用法很简单，本文也只是搬运了一下官网的例子，更多用法可以查看官网，一分钟就能上手。 https://www.newtonsoft.com/json 使用例子 对象序列化 Product product = new Product(); product.Name = Apple; product.Expiry = new DateTime(2008, 12, 28); prod

某人误选静音轴，手感如按棉花，反馈全无，真是失策。新盟M75-Pro屏幕精致，做工尚可，却因音量旋钮和键帽割手而减分，价格虽香，但轴体选择失误。

多阶段构建Docker镜像，自动处理Python和前端依赖，优化大小——终于不用手动折腾了。从uWSGI换到Daphne，支持ASGI，但静态文件共享真是心累，靠volume才搞定。部署方案整合进DjangoStarter，但折腾过程就像无情的网络搬运工。

上一篇文章介绍了墨案 mix7，这篇文章来写一下文石 leaf2。

先看看我们要实现的效果： 这是一个基于机器学习的数据分析结果展示，可以看到元素包括了坐标轴标注，两条折线和图例。 为了实现在PyQt中画图，我们用到了pyqtgraph这个绘图库，它是完全python实现的，与PyQt程序可以完美融合，并且具备很多优势： 拥有丰富的图形种类； 能够快速地实时更新绘图数据； 能够进行交互式的操作； 多种标记功能； 接下来进入正题，开始使用pyqtgraph来实现我们

目的 1． 掌握进程（线程）的同步与互斥。 2． 掌握生产者消费者问题的实现方法。 3． 掌握VC的多线程编程方法。 内容 本实验要求设计并实现一个进程，该进程拥有3个生产者线程和1个消费者线程，它们使用10个不同的缓冲区。需要使用如下信号量： 一个mutex信号量，用以阻止生产者线程和消费者线程同时操作缓冲区队列； 一个full信号量，当生产者线程生产出一个物品时可以用它向消费者线程发出信号；

前言 这是操作系统学习的第三篇啦，关于进程调度有很多内容，操作系统在调度进程的时候最容易遇到的问题就是死锁了，银行家算法是一个典型的避免死锁算法。 死锁的概念 先来了解一下死锁的基本概念：一组竞争系统资源或相互通信的进程相互的“永久”阻塞。若无外力作用，这组进程将永远不能继续执行。 看下面两幅图片，左边是可能产生死锁的状态，四辆汽车（进程）要竞争同一个资源（通过路口），如果系统调度不当，就会陷入死

前言 道程序设计中，经常是若干个进程同时处于就绪状态，为了使系统中的各进程有条不紊地运行，必须选择某种调度策略，以选择一个进程占用处理机。本次实验设计一个模拟单处理机调度的算法，以加深对处理机调度算法的理解。 要求 按照时间片轮转算法设计模拟调度程序。 输出进程的调度过程。 思路分析 由于本实验是按照处理机调度算法模拟实现处理机的调度，与真正的处理机调度过程并不完全相同，比如没有实现中断（时间片设

LocalSend是一款无需互联网、支持局域网点对点加密传输的文件分享工具，操作简便，传输速度快，支持全平台。它解决了传统传输方式中的痛点，如依赖外网、文件压缩、隐私泄露等问题，为用户带来简单、快速、安全、高效的文件传输体验。

本文介绍了在Avalonia框架下使用两种图标库（Icon.Avalonia和IconPacks.Avalonia）的详细方法。作者通过对比不同设备间emoji显示不一致的问题，引出使用FontAwesome图标的优势。文章重点讲解了两种库的安装步骤、XAML配置方法及实际应用场景，包括独立图标显示、控件附加、动画效果实现等。其中IconPacks.Avalonia支持35种图标集，功能更为丰富，还提供了图标浏览器工具。全文通过具体代码示例，为开发者提供了实用的技术参考。

首先是构建数据集 这里我使用了随机生成用户和项目，以及用户对项目的评价，喜欢（1）与不喜欢（0） import random import pandas import numpy as np def build_dataframe() - pandas.DataFrame: datasets = { 'userID': [], 'itemID': [],

我发现一个规律 越是年纪大的人 越是喜欢给我们画大饼灌鸡汤 这个规律适用于公司老板和家里长辈 其实这也适用于所有想让你“用爱发电”的人 为什么喜欢鸡汤和大饼伺候呢 就因为给钱肉疼呗 老板想用3k的工资 让你干月薪3w的活 亲戚长辈希望你念在这层血缘关系 能占多点便宜就占多点 等褥不到羊毛了 还可以站在道德制高点指责你 OK，说正经的 刚从学校毕业步入社会 是正式开始经历社会毒打的时候 不过从几年大

又一个无聊的自动化教程：GitHub Actions构建AspNetCore Docker镜像推送到阿里云，再用本地runner部署。简化workflow？谁在乎这些细节？代理配置太烦人。

上一篇文章简单介绍了推荐系统的基本原理和分类，本文着重介绍协同过滤的原理与实现~ 协同过滤 协同过滤(collaborative filtering)通过利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。 协同过滤算法最大限度的利用用户之间，或物品之间的相似相关性，而后基于这些信息的基础上实行推荐。比如说，你和你的某个好友都喜欢听音乐，而你们所喜欢的曲风都差不多，你的好友对于某一首歌

为期一个月的实训到27号就结束了，我估摸着这夏天也快结束了，到处是秋天的味道。 这个月在广州还是以学习为主，在培训班能学到的很有限，不过我自己倒是折腾了不少东西出来，感觉还蛮好的。 技术学习方面 培训班也不能说没用吧，至少是前端扫盲了，在此基础上我自己又看了一下书，学了布局、动画和一点点js啊，js其实真的挺好用的，收回我之前的成见~（少见多怪） 还用js做了几个好玩的东西，比如说斗鱼、B站刷弹幕

最近做毕设需要大量数据训练模型，很多网站又要反爬机制，得爬一会停一会，所以特别慢，要是我用电脑24小时爬虫太费电了，于是想到利用手机~ 然后就想到flutter，安卓苹果旧手机都能利用起来做数据采集。 ok，然后就开始做，折腾了一天做了一个大概的框架。总算可以方便的添加爬虫任务了，集成了配置、日志、数据持久化这些基本的功能，然后封装网络请求、网页解析的功能，用起来还行。 只不过众所周知的，dart