最近A股大盘出现了一个小变化，那就是下午2点的时间窗有点前移，盘中短线抛盘开始在13点35分出现。从盘面看，今天的调整比较温和，除了智能概念外，其他股票涨停的品种不是很多，说明市场资金开始保守。从下图看，大盘的调整应该做主动性调整理解。第一：从技术面看，股指逐步接近下图的黄色阻力线，它可以理解为一个新的上升趋势的雏形；在不跌破下轨的时候，可以理解为箱体的震荡。第二：热点轮换速度不能太快。最近一个时期，主力做多的线路是新能源、泛消费、生物医药，伴随着迪斯尼等
系统 2019-08-29 23:45:07 2148
今天QQ交流群里有人问了这题,就是鼠标在一幅矩形图片上点击,以矩形的对角线为界,如何知道点击的是矩形的左半部分还是右半部分.想了一下,也跟群里人讨论了一下,如下图:假设鼠标在矩形上任意点的一点的坐标是(95,130),那么只要计算对角线上的那一点(?,130),把?算出来了再比较与95的大小即可知道点击的是图片的左边还是右边!鼠标点击一幅矩形图片,以矩形对角线为界算出是点了左边还是右边!
系统 2019-08-29 23:40:56 2148
概述各种企业应用几乎都会碰到任务调度的需求，就拿论坛来说：每隔半个小时生成精华文章的RSS文件，每天凌晨统计论坛用户的积分排名，每隔30分钟执行锁定用户解锁任务。对于一个典型的MIS系统来说，在每月1号凌晨统计上个月各部门的业务数据生成月报表，每半个小时查询用户是否已经有快到期的待处理业务……，这样的例子俯拾皆是，不胜枚举。任务调度本身涉及到多线程并发、运行时间规则制定和解析、场景保持与恢复、线程池维护等诸多方面的工作。如果直接使用自定义线程这种刀耕火种的
系统 2019-08-29 22:57:52 2148
周一大盘继续沿着5日均线震荡上行，在这场向5000点进军的攻坚战中，由指标股领衔主演，板块轮动，其中扮演配角的个股也是各显其能，各方群策群力齐心助推着股指向5000点迈进。其中以工商银行（行情,资讯）、中国银行（行情,资讯）和华夏银行（行情,资讯）为代表的金融股尤为引人注目，金融权重股做后盾，而金融概念股也是风生水起。今日持有广发银行法人股股权并参股华安证券的浙江东方（行情,资讯），以及主营金融信托业的陕国投A均冲击涨停榜，后市金融概念股仍将值得期待。综观
系统 2019-08-29 22:54:35 2148
总结：服务器程序编写：①调用ServerSocket(intport)创建一个服务器端套接字，并绑定到指定端口上；②调用accept()，监听连接请求，如果客户端请求连接，则接受连接，返回通信套接字。③调用Socket类的getOutputStream()和getInputStream获取输出流和输入流，开始网络数据的发送和接收。④最后关闭通信套接字。客户端程序编写：①调用Socket()创建一个流套接字，并连接到服务器端；②调用Socket类的getOu
系统 2019-08-29 22:31:35 2148
msg消息队列，实线不同进程之间的通信，主要依靠key来识别：发送端1#include2#include3#include4#include5#include6#include7#include8#include9structmsgmbuf{10intmtype;11charmtext[40];
系统 2019-08-12 09:27:34 2148
Sofar,thereare2projects/productsusingagilesoftwaredevelopment.Thereare4typeworkitemsusedinagilesoftwaredevelopment:userstories,tasks,testcases,bugs1.userstoriesAteamcreatesuserstoriestodefinethefeatures,functions,andrequirementsto
系统 2019-08-12 09:27:22 2148
FlumeSinks1、Flume’sCollectorTierEventSinkscollectorSink("fsdir","fsfileprefix",rollmillis)collectorSink，数据通过collector汇聚之后发送到hdfs,fsdir是hdfs目录，fsfileprefix为文件前缀码2、Flume’sAgentTierEventSinksagentSink[("machine"[,port])]Defaultstoage
系统 2019-08-12 09:27:19 2148
题目简述：给两个数字a和b，求a和b之间的所有数中k出现的次数总和。比如1和11之间，1出现的次数为4（1,10,11共4个1）。输入：若干组数据，每行三个整数，a，b，k。以00结尾。（0
系统 2019-08-12 09:27:06 2148
本章包括：1、了解卷积神经网络（convnets）2、使用数据增强来减轻过度拟合3、使用预训练的convnet进行特征提取4、微调预训练的信号5、可视化回馈学习的内容以及他们如何做出分类决策一、引言一个简单的convnet示例。第二章中的密接网络的测试精度为97.8%，而convnet的测试精度为99.3%：我们将错误率降低了68%（相对）。为什么这个简单的convnet比一个紧密连接的模型工作得那么好呢？为了回答这个问题，让我们深入研究conv2d和ma
系统 2019-09-27 17:55:54 2147
