首先设置样式：标题一，标题二，标题三......设置完成样式后，在“开始”标签选择“段落”块里的“多级列表”按钮。如果我们要设置第一级就用鼠标选中级别为1级，然后设置“将级别链接到样式”为前面设置的风格名为“标题一”的样式；同样的操作，如果设置第二级，需要从第一级开始逐级选中需要调整的级别，再设置二级列表，使用鼠标选中级别为2级，然后设置“将级别链接到样式”为前面设置的风格名为“标题二”的样式；以后如此类推。假设是设置第4级，则需要从第一级开始逐级选中需要
系统 2019-08-12 09:27:23 2052
GitHub可以托管各种git库，并提供一个web界面，但与其它像SourceForge或GoogleCode这样的服务不同，GitHub的独特卖点在于从另外一个项目进行分支的简易性。为一个项目贡献代码非常简单：首先点击项目站点的“fork”的按钮，然后将代码检出并将修改加入到刚才分出的代码库中，最后通过内建的“pullrequest”机制向项目负责人申请代码合并GitHub有170万名软件开发人员的忠实用户，他们平均每天更新8万个并新建7千个软件库。对G
系统 2019-08-12 09:27:11 2052
-(void)setTitleWithString:(NSString*)title,...{NSMutableArray*argsArray=[[NSMutableArrayalloc]init];if(title){//将第一个参数添加到array[argsArrayaddObject:title];va_listparams;//定义一个指向个数可变的参数列表指针；va_start(params,title);//va_start得到第一个可变参数地
系统 2019-08-12 01:53:50 2052
第一范式:确保每列的原子性.如果每列(或者每个属性)都是不可再分的最小数据单元(也称为最小的原子单元),则满足第一范式.例如:顾客表(姓名、编号、地址、……)其中"地址"列还可以细分为国家、省、市、区等。第二范式:在第一范式的基础上更进一层,目标是确保表中的每列都和主键相关.如果一个关系满足第一范式,并且除了主键以外的其它列,都依赖于该主键,则满足第二范式.例如:订单表(订单编号、产品编号、定购日期、价格、……)，"订单编号"为主键，"产品编号"和主键列没
系统 2019-08-12 01:33:42 2052
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 2051
May19,20192:08PM文件的读写，由内置模块open进行操作和实现文本文件读操作withopen('data.txt')asfile_read:txt=file_read.read()print(txt.strip())文本文件的追加#文件的追加withopen('data.txt','a')asfile_append:file_append.write('\nNicetomeetyou!')文件的重写#文件的重写withopen('data.t
系统 2019-09-27 17:53:40 2051
打印九九乘法表：外层控制行数，内层控制列数。foriinrange(1,10):j=1whilej<=i:print(i,'*',j,'=',(i*j),'',end='')j+=1print('\n')打印菱形思路：分成两层从中间，这个想法很low。i=9m=i//2t=mwhilet!=0:print(t*'','*'*(i-2*t),t*'')t-=1t=1whilet!=m:t+=1print(t*'','*'*(i-2*t),t*'')方法二：对
系统 2019-09-27 17:52:57 2051
一、线性回归的理论1）线性回归的基本概念线性回归是一种有监督的学习算法，它介绍的自变量的和因变量的之间的线性的相关关系，分为一元线性回归和多元的线性回归。一元线性回归是一个自变量和一个因变量间的回归，可以看成是多远线性回归的特例。线性回归可以用来预测和分类，从回归方程可以看出自变量和因变量的相互影响关系。线性回归模型如下：对于线性回归的模型假定如下：（1）误差项的均值为0，且误差项与解释变量之间线性无关（2）误差项是独立同分布的，即每个误差项之间相互独立且
系统 2019-09-27 17:52:24 2051
Python访问字符串中的值name="huanfengdebianchengriji"print("首字母大写",name.capitalize())print("i的个数",name.count("i"))print("输出name50个如果长度不够，两边补-居中输出",name.center(50,"-"))print("输出name50个如果长度不够，右边补",name.ljust(50,"-"))print("输出name50个如果长度不够，左边
系统 2019-09-27 17:50:36 2051
一.概述首先需要先介绍一下无监督学习，所谓无监督学习，就是训练样本中的标记信息是位置的，目标是通过对无标记训练样本的学习来揭示数据的内在性质以及规律。通俗得说，就是根据数据的一些内在性质，找出其内在的规律。而这一类算法，应用最为广泛的就是“聚类”。聚类算法可以对数据进行数据归约，即在尽可能保证数据完整的前提下，减少数据的量级，以便后续处理。也可以对聚类数据结果直接应用或分析。而Kmeans算法可以说是聚类算法里面较为基础的一种算法。二.从样例开始我们现在在
系统 2019-09-27 17:50:00 2051
