突然觉得,往事不堪回首.呵呵,经常跟朋友说不要提往事,不要提往事,但是好像我自己还是在提的.事情的发展总是在预料之外又在预料之内,偶然中的必然,这是那个鸟人说得呢?说得似乎很对嘛.以这些"诗"放在这里,供我将来那天拿来看看想想.突然想到好久没有更新我的网络日记了,等下去更新下.呵呵,崭新的我?爱你悄悄地你来到我的身旁嗅到沁人的芬芳掀起心中一层涛浪渐渐地爱你的心无法掩藏听到心碎的叫嚷涌出眼中一行泪汪静静地爱你的心不能然恍看到木然的飞扬带走脸上一路流淌匆匆地你
系统 2019-08-12 01:33:36 2698
原文:SHDocVw，AxSHDocVw的引用SHDocVw的引用SHDocVw一定要在下面这个路径找：类似C:\ProgramFiles\MicrosoftVisualStudio9.0\VC\或者D:\ProgramFiles(x86)\MicrosoftVisualStudio11.0\VC注意：在VisualC#中，如果您找不到SHDocVw.dll文件或AxSHDocVw.dll文件，请在VisualStudio命令提示符下运行下面的命令：axi
系统 2019-08-12 01:33:22 2698
在微软网站，更新了MSCRM4.0的安装指南手册，最新版本是4.3.0。本次更新的内容包括：超过30处的corrections；几个新的topic，主要有：在多台计算上安装MicrosoftDynamicsCRM服务器针对SQLServer2005数据库镜像配置组织数据库有关MicrosoftSQLServer2008支持的信息利用SystemsManagementServer2003部署MicrosoftDynamicsCRMforOutlook下载地址
系统 2019-08-12 01:33:06 2698
局部敏感哈希(Locality-SensitiveHashing,LSH)方法介绍本文主要介绍一种用于海量高维数据的近似近期邻高速查找技术——局部敏感哈希(Locality-SensitiveHashing,LSH)，内容包含了LSH的原理、LSH哈希函数集、以及LSH的一些參考资料。一、局部敏感哈希LSH在非常多应用领域中，我们面对和须要处理的数据往往是海量而且具有非常高的维度，如何高速地从海量的高维数据集合中找到与某个数据最相似（距离近期）的一个数据或
系统 2019-08-12 01:33:03 2698
1、推荐使用IDESTS（SpringToolSuite），下载地址：http://spring.io/tools/sts/legacy如果IE不能下载请使用火狐浏览器2、打开STS可以啦。。。maven构建JAVAEE项目（笔记-新建项目）
系统 2019-08-12 01:32:58 2698
RabbitMQ的工作队列和路由工作队列：WorkingQueue工作队列这个概念与简单的发送/接收消息的区别就是：接收方接收到消息后，可能需要花费更长的时间来处理消息，这个过程就叫一个Work/Task。几个概念分配：多个接收端接收同一个Queue时，如何分配？消息确认：Server端如何确定接收方的Work已经对消息进行了完整的处理？消息持久化：发送方、服务端Queue如何对未处理的消息进行磁盘持久化？Round-robin分配多个接收端接收同一个Qu
系统 2019-08-12 01:32:43 2698
2014年5月10日，CCTV新闻频道“新闻直播间”栏目播报了“谁来替代WindowsXP，工信部希望用户使用国产操作系统”报道。同一时候，央视也报道了眼下包含优麒麟在内的国产Linux操作系统，......该新闻报道中所提及的这款“优麒麟”是什么国产操作系统呢？经过网络搜索证实，所谓“优麒麟”操作系统就是UbuntuKylin发行版。可是，UbuntuKylin发行版明明是Ubuntu操作系统的一个官方“分支”，怎么现在换个中文名字就成为“国产操作系统”
系统 2019-08-12 01:32:33 2698
实现代码如下：说明：现在代码已实现du命令的-s统计功能，统计与系统du命令稍有差别，比如用ls-ld/root结果为4096,而du计算出来是1040，用当前python计算出来也是4096。另外暂时还没有实现类似于自动根据大小显示为人性化的单位，后续补上#!/usr/bin/python#*-*coding:utf8*-*importsysimportosfromoptparseimportOptionParser#使用选项帮助信息可以使用中文relo
系统 2019-09-27 17:54:38 2697
对于一般的图像提取轮廓，介绍了一个很好的方法，但是对于有噪声的图像，并不能很好地捕获到目标物体。比如对于我的鼠标，提取的轮廓效果并不好，因为噪声很多：所以本文增加了去掉噪声的部分。首先加载原始图像，并显示图像img=cv2.imread("temp.jpg")#载入图像h,w=img.shape[:2]#获取图像的高和宽cv2.imshow("Origin",img)然后进行低通滤波处理，进行降噪blured=cv2.blur(img,(5,5))#进行滤
系统 2019-09-27 17:53:51 2697
统计学习方法——朴素贝叶斯法原理1.朴素贝叶斯法的极大似然估计2.朴素贝叶斯极大似然学习及分类算法算法过程：2.Python实现defpriorProbability(labelList):#计算先验概率labelSet=set(labelList)#得到类别的值labelCountDict={}#利用一个字典来存储训练集中各个类别的实例数forlabelinlabelList:iflabelnotinlabelCountDict:labelCountDi
系统 2019-09-27 17:50:19 2697
