很多时候，我们需要一双温暖的手，更胜于甜蜜灿烂的言语。就像一碗热汤的关怀，虽不能随身携带，却是生命中最平和的实实在在。我不知道为什么只想牵着你的手也许是因为我刚一出生就已认识你了我不停地寻找、寻找也许偶尔被沿路的风景打扰但只要你手里的温度还在我就一直存在我爱你如同爱阳光爱空气爱水分爱大海爱世界爱我自己这边太多的人他们有他们的语言他们的故事我们有彼此的信念彼此的微笑和你在冷天也始终温暖的手掌我一直在怀疑我们可不可以一直手拉手走下去？我想起那个冬天你第一次牵我
系统 2019-08-29 23:23:40 2132
2011-02-01http://loon-simple.googlecode.com/files/LGame-0.2.95%28Graphics%20Optimization%29.7z农历新年前做一个额外更新，此文件中附带了目前最新的LGame打包jar及源码（累计不足15行代码的小修正），主要修正了一个对于Android环境来说不合理的图像刷新方法（JavaSE版无此问题），此修正能让标准Screen（即最基础的，自动刷新模式的那个Screen）显示
系统 2019-08-29 22:47:51 2132
1.缘起：有些系统需要每隔一段时间就执行一下某个动作，比如，一个监控系统每隔10秒钟就要检测一下被监控对象的状态是否正常，那这时我们就可以用到循环引擎了。有人说可以使用.NET框架自带定时器如System.Threading.Timer，嗯，没错。但是若这个类使用不当可能会引发后台池线程耗尽的后果。因为Timer的定时事件触发实在后台线程池中的某个线程中处理的。也就是说Timer的每次定时事件触发都会用到一个线程，如果定时的时间间隔小于事件处理的时间，则后
系统 2019-08-29 22:15:04 2132
上来先来一个图：在使用webdriver操作Firefox浏览器的时候，一路顺畅。可是在最后关闭浏览器后，出现了如上面图示的警告！这个警告很早就出现了，因为也不影响测试结果，也就一直没理。后来新搭建了一个windows虚拟机，也遇到了同样的问题。但是这次出现警告后，会阻塞住webdriver继续执行。一直到手动关闭了这个警告框才能继续执行。不得不处理一下。我处理的办法是：直接把PluginContainerforFirefox.exe删除或是重命名。让他直
系统 2019-08-12 09:27:35 2132
当进行手工测试时，可以充分利用人的能力，在执行某一条TCD(testcasedefinition)时，临时想出新的测试，这是测试人员的一种思维发散。自动化测试并不能使计算机完成测试人员所有的事，因为测试脚本明确的按照TCD步骤描述进行的，不能利用测试员隐含的知识和认知。测试脚本每次运行都是以相同的内容，同样的顺序，完全一样的数比哦啊移动和键盘操作同样的事。但是手工测试每次运行测试过程都会有些变化，这些是测试脚本无法做到的。自动化测试的结果检查（Result
系统 2019-08-12 09:27:35 2132
显式等待ExplicitwaitFunctionwaitFn=newFunction(){@OverridepublicBooleanapply(WebDriverdriver){PointnewPos=page.getWDGAttrDetail().getLocation();returnnewPos.getY()!=prePos.getY();}};SeleniumUtil.c
系统 2019-08-12 09:27:24 2132
什么时候使用曝光补偿？怎样进行补偿？补偿量多少好呢？下面，举例说明曝光补偿功能的应用。◆1由于数码相机在拍摄的时候可以从液晶屏上大致看到景物的明暗程度，特别是当按下半截快门的时候，画面会显示出一个近似最终成像效果的样子，此时留意一下它的画面效果和亮度，如果明显偏亮或偏暗，说明相机的自动测光准确度有较大偏差，要强制进行曝光补偿，不过有的时候，拍摄时显示的亮度与实际拍摄结果有一定出入。◆2由于数码相机可以在拍摄后立即浏览画面，此时，可以更加准确地看到拍摄出来的
系统 2019-08-12 09:27:17 2132
使用过anaconda环境下打包py文件的一点感悟，使用的是pyinstaller+anaconda环境下打包py文件打包:pyinstaller-F-w-ilogo.icoxxxx.py-F:强制打包-w:不带后台命令窗口-i:使用logo图标的地址需要打包的文件遇到的问题：1.首先对于使用anaconda打包py文件是存在问题的；1）打包出来的exe会很大，会打包很多关联库；2）而其中的一些关联库是没有用，而导入这些库会拖慢程序运行的效率。解决：使用虚
系统 2019-09-27 17:57:11 2131
importitertools'''#product笛卡尔积（有放回的抽样排列）foriinitertools.product('ABCD',repeat=2):print(i)''''''#permutations排列（不放回抽样排列）foriinitertools.permutations('ABCD',2):print(i)''''''#combinations组合，没有重复（不返回抽样组合）foriinitertools.combinations(
系统 2019-09-27 17:57:07 2131
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 2131
