网上看了很多关于win7的贴子，弄得自己心痒痒的，正好前些前电信局的来安装宽带了，呵呵，初步用起来感觉蛮不错的，打开网页很快，于是正好试试上下载官网的WIN7来玩玩，根据雨林论坛中的[url]http://www.ylmf.net/read.php?tid=1245225[/url]贴子及其回复里的链接到官网上下载了WIN7的RC英文版和中文语言包，下载速度还真不错，稳定在120KB/S左右，以前用铁通的网下载还没有超过20KB/S以上的，嘿嘿，才一个晚上
系统 2019-08-29 23:40:47 2661
相信很多朋友都想升级到vista。但却困惑于不知道升级到vista的那个版本，面对vista的这么多版本，今天就让我们来给大家详尽介绍一下vista的各个版本的不同、系统的推荐要求以及基本功能。1、WindowsVista家庭普通版WindowsVista家庭普通版是只有基本计算需求（如电子邮件、浏览Internet和观看照片）的家庭的理想之选。它易于设置和维护，让您快速在PC和Internet上找到所需的东西；它还提供一个更安全的环境，有助于保护您免受未
系统 2019-08-29 23:02:01 2661
Velocity是什么Velocity是一个基于java的模板引擎，类似与Freemarker。为啥要用模板引擎模板引擎的速度要比jsp快，因为JSP需要编译成servlet。将数据（Date）和模板(View)分离，让不同的角色只关注自己的部分。Velocity和Freemarker的比较功能上：FreeMarker的功能比Velocity多，是Velocity的超集。使用上：Velocity更加简单和轻量级。VelocityTemplateLangua
系统 2019-08-29 22:52:26 2661
CssSelector是我最喜欢的元素定位方法，Selenium官网的Document里极力推荐使用CSSlocator，而不是XPath来定位元素，原因是CSSlocator比XPathlocator速度快，特别是在IE下面（IE没有自己的XPath解析器(Parser)）他比xpath更高效更准确更易编写，美中不足是根据页面文字时略有缺陷没有xpath直接。因为前端开发人员就是用CSSSelector设置页面上每一个元素的样式，无论那个元素的位置有多复
系统 2019-08-12 09:27:31 2661
最普通的情况，是为出现在where子句的字段建一个索引。为方便讲述，先建立一个如下的表。CREATETABLEmytable(idserialprimarykey,category_idintnotnulldefault0,user_idintnotnulldefault0,adddateintnotnulldefault0);如果在查询时常用类似以下的语句：SELECT*FROMmytableWHEREcategory_id=1;最直接的应对之道，是为c
系统 2019-08-12 01:54:01 2661
刚刚在itpub上看到有人在问并行hint不生效的一个问题。我做了实验也出现一样的问题，如下：原因在这是小表，在联合时走索引了，加上full的hint，就可以启动并行的执行计划。当然也可以采用parallel_index，同时在小表时也要加上index_ffs才生效，如下：Oracle执行计划——处理一种并行hint不生效的情况
系统 2019-08-12 01:33:11 2661
Python操作RabbitMQ基础：一、简介：1.介绍：RabbitMQ是一个消息代理：它接收和转发消息。可以把它比作为邮局，当您要发布邮件放在邮箱中时，可以确定这封邮件让哪位快递员来进行发送到您的收件人手中。2.术语：1.发送消息的程序是生产者：2.队列可以理解为邮箱，用来存储一些邮件。队列的由主机的存储器和磁盘限制约束，它本质上是一个大的消息缓冲器。很多生产者可以发送到一个队列的消息，并且许多消费者可以尝试从一个队列接收数据：3.消费者可以理解为接收
系统 2019-09-27 17:57:23 2660
目标：用python生成一组具有上下限的对数正态分布随机数。思路：利用python的scipy.stats生成截断正态分布，再将正态分布转化为对数正态分布。要求：生成的目标对数正态分布随机数要介于区间[log_lower,log_upper]内，这里设定该区间为[5,10]，并绘制正态分布与对数正态分布随机数的直方图。源代码：importnumpyasnpfrompylabimport*fromscipyimportstatsimportmatplotli
系统 2019-09-27 17:48:56 2660
文章目录Q-learning原理python例子本文是作者在学习莫烦的强化学习课程中的笔记，强烈推荐莫烦强化学习。Q-learning原理我们以一个走迷宫的小游戏为例：让探索者学会走迷宫.黄色的是天堂(reward1),黑色的地狱(reward-1).大多数RL是由reward导向的,所以定义reward是RL中比较重要的一点.Q-learning原理实际上就是建立一个Q表（最本文最后有展示），里面包含所有状态下、不同动作的Q值（最终根据Q值走出迷宫），Q
系统 2019-09-27 17:48:15 2660
第一步：treeX.htmlCSS树形菜单CSS树形菜单
系统 2019-08-29 23:08:00 2660
