学习日记_20241126_聚类方法（自组织映射Self-Organizing Maps, SOM）
前言
提醒：
文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。
其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展及意见建议，欢迎评论区讨论交流。
文章目录
- 前言
- 聚类算法
- 经典应用场景
- 自组织映射(Self-Organizing Maps, SOM)
- 优点：
- 缺点：
- 简单实例（函数库实现）
- 数学表达
- 。。。。。。。
聚类算法
聚类算法在各种领域中有广泛的应用，主要用于发现数据中的自然分组和模式。以下是一些常见的应用场景以及每种算法的优缺点：
经典应用场景
-
市场细分：根据消费者的行为和特征，将他们分成不同的群体，以便进行有针对性的营销。
-
图像分割： 将图像划分为多个区域或对象，以便进行进一步的分析或处理。
-
社交网络分析：识别社交网络中的社区结构。
-
文档分类：自动将文档分组到不同的主题或类别中。
-
异常检测识别数据中的异常点或异常行为。
-
基因表达分析：在生物信息学中，根据基因表达模式对基因进行聚类。
自组织映射(Self-Organizing Maps, SOM)
Self-Organizing Maps (SOM)，也称为自组织映射或Kohonen网络，是一种无监督的机器学习方法，主要用于降维和聚类。以下是SOM聚类方法的优缺点：
优点：
- 降维：SOM能够将高维数据映射到低维空间（通常是二维），同时保持数据的拓扑结构，这使得数据可视化变得更加容易。
- 拓扑保持：SOM在映射过程中努力保持原始数据中相似性关系的拓扑结构，即相似的输入向量在映射后仍然接近。
- 无监督学习：SOM不需要预先标记的数据，可以自动发现数据中的结构和模式。
- 可解释性：SOM的输出是一个网格，每个网格节点代表一个聚类中心，这种结构使得聚类结果具有一定的可解释性。
- 灵活性：SOM可以适应不同形状和密度的聚类。
- 噪声鲁棒性：SOM对噪声数据有一定的鲁棒性，能够在一定程度上忽略小的数据扰动。
缺点：
- 参数敏感：SOM的性能对初始参数（如网格大小、学习率、邻域函数等）非常敏感，需要仔细选择和调整。
- 计算复杂度：SOM的训练过程可能比较耗时，特别是对于大型数据集和复杂的网格结构。
- 缺乏全局优化：SOM的训练过程是局部的，可能导致无法达到全局最优解。
- 边界效应：SOM的边界节点可能没有足够的邻居，这可能导致边界区域的映射不够准确。
- 难以确定最佳网格大小：选择合适的网格大小是一个挑战，过小可能无法捕捉数据的复杂性，过大则可能导致过度拟合。
- 对初始化敏感：SOM的最终结果可能受到初始权重随机化的影响，不同的初始化可能导致不同的聚类结果。
- 不适合非凸聚类：SOM在处理非凸形状的聚类时可能表现不佳，因为其本质上是基于距离的聚类方法。
总的来说，SOM是一种强大的工具，适用于多种数据分析和聚类任务，但也需要仔细考虑其参数设置和适用场景。在实际应用中，可能需要结合其他方法或技术来克服其局限性。
简单实例（函数库实现）
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from minisom import MiniSom# 生成示例数据
n_samples = 500
n_centers = 3
X, _ = make_blobs(n_samples=n_samples, centers=n_centers, cluster_std=0.7, random_state=42)# 自组织映射的参数
som_size = 7 # SOM的网格大小
som = MiniSom(som_size, som_size, X.shape[1], sigma=1.0, learning_rate=0.9)# 初始化并训练SOM
som.random_weights_init(X)
som.train_random(X, num_iteration=100)# 获取SOM的输出
win_map = som.win_map(X)
labels = np.zeros(X.shape[0])# 将每个数据点分配给最近的SOM节点
for i in range(som_size):for j in range(som_size):if (i, j) in win_map:for x in win_map[(i, j)]:# 使用SOM的网格位置来标记index = np.argmin(np.linalg.norm(X - x, axis=1))labels[index] = (i * som_size + j)
# 可视化结果
plt.figure(figsize=(8, 6))
plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis', marker='o', edgecolor='k', s=50)
plt.title('Self-Organizing Map Clustering Result')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.grid(True)
plt.show()
代码运行结果：
学习效果不是很好，是很不好，原因以后再说吧
数学表达
自组织映射（Self-Organizing Maps, SOM）是一种基于神经网络的无监督学习算法，旨在通过无监督的方式对高维数据进行降维和聚类。其核心思想是通过竞争学习使得相似的数据点在低维空间中尽可能靠近。下面我们将结合数学公式详细讲解SOM的工作原理。
- 网络结构
SOM通常由一个二维的神经元网格组成，每个神经元都有一个权重向量 w j ∈ R n \mathbf{w}_j \in \mathbb{R}^n wj∈Rn，与输入数据的维度相同。设网络中有 m × n m \times n m×n 个神经元，权重向量表示为：
W = { w 1 , w 2 , … , w m × n } \mathbf{W} = \{ \mathbf{w}_1, \mathbf{w}_2, \ldots, \mathbf{w}_{m \times n} \} W={w1,w2,…,wm×n}- 输入信号
给定一个输入样本 x ∈ R n \mathbf{x} \in \mathbb{R}^n x∈Rn，SOM的目标是找到一个最接近的神经元，即最佳匹配单元（Best Matching Unit, BMU），其位置为 b \mathbf{b} b：
b = arg min j ∥ x − w j ∥ 2 \mathbf{b} = \arg\min_{j} \|\mathbf{x} - \mathbf{w}_j\|^2 b=argjmin∥x−wj∥2
这里， ∥ ⋅ ∥ \|\cdot\| ∥⋅∥ 表示欧几里得距离。- 更新权重
一旦确定了BMU，下一步是更新BMU及其邻域神经元的权重，以使它们更接近输入向量 x \mathbf{x} x。权重更新规则如下：
w j ( t + 1 ) = w j ( t ) + α ( t ) ⋅ h b , j ( t ) ⋅ ( x − w j ( t ) ) \mathbf{w}_j(t + 1) = \mathbf{w}_j(t) + \alpha(t) \cdot h_{b,j}(t) \cdot (\mathbf{x} - \mathbf{w}_j(t)) wj(t+1)=wj(t)+α(t)⋅hb,j(t)⋅(x−wj(t))
其中：
- t t t 表示当前的训练迭代次数。
- α ( t ) \alpha(t) α(t) 是学习率，随着时间的推移通常会逐步降低。
- h b , j ( t ) h_{b,j}(t) hb,j(t) 是邻域函数，表示与BMU相邻的神经元的影响程度，一般定义为：
h b , j ( t ) = { exp ( − d b , j 2 2 σ ( t ) 2 ) if j is a neighbor of b 0 otherwise h_{b,j}(t) = \begin{cases} \exp\left(-\frac{d_{b,j}^2}{2\sigma(t)^2}\right) & \text{if } j \text{ is a neighbor of } b \\ 0 & \text{otherwise} \end{cases} hb,j(t)={exp(−2σ(t)2db,j2)0if j is a neighbor of botherwise
这里 d b , j d_{b,j} db,j 是BMU和神经元 j j j 之间的距离， σ ( t ) \sigma(t) σ(t) 是邻域范围，通常也随着时间衰减。- 学习率和邻域函数
- 学习率 α ( t ) \alpha(t) α(t)：通常定义为：
α ( t ) = α 0 ⋅ ( 1 − t T ) \alpha(t) = \alpha_0 \cdot \left(1 - \frac{t}{T}\right) α(t)=α0⋅(1−Tt)
其中 α 0 \alpha_0 α0 是初始学习率， T T T 是总训练迭代次数。- 邻域范围 σ ( t ) \sigma(t) σ(t)：通常定义为：
σ ( t ) = σ 0 ⋅ ( 1 − t T ) \sigma(t) = \sigma_0 \cdot \left(1 - \frac{t}{T}\right) σ(t)=σ0⋅(1−Tt)
其中 σ 0 \sigma_0 σ0 是初始邻域范围。- 算法步骤
SOM算法的主要步骤如下：
- 初始化权重向量 W \mathbf{W} W。
- 对于每个输入样本 x \mathbf{x} x:
- 找到BMU b \mathbf{b} b。
- 更新BMU及其邻域的权重。
- 重复步骤2，直到达到设定的训练次数或收敛条件。
- 结果与聚类
训练完成后，SOM将高维数据映射到低维网格上，具有相似特征的数据点会被映射到相邻的神经元。通过分析每个神经元的权重向量，可以识别出数据的聚类结构。
总结
自组织映射（SOM）是一种强大且直观的聚类和可视化方法。通过竞争学习和权重更新机制，SOM能够有效地将高维数据映射到低维空间，同时保持数据的拓扑结构。其数学基础包括欧几里得距离计算、权重更新规则以及邻域函数的设计，是理解SOM算法的关键。
。。。。。。。
学习日记_20241110_聚类方法（K-Means）
学习日记_20241115_聚类方法（层次聚类）
学习日记_20241115_聚类方法（DBSCAN）
学习日记_20241117_聚类方法（高斯混合模型）
学习日记_20241123_聚类方法（高斯混合模型）续
学习日记_20241123_聚类方法（MeanShift）
学习日记_20241126_聚类方法（谱聚类Spectral Clustering）
学习日记_20241126_聚类方法（聚合聚类Agglomerative Clustering）
学习日记_20241126_聚类方法（Affinity Propagation）
九个聚类算法终于搞完了，终于。
我要刷视频放松去了。
相关文章：
学习日记_20241126_聚类方法（自组织映射Self-Organizing Maps, SOM）
前言 提醒： 文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。 其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展…...
【webrtc】 mediasoup中m77的IntervalBudget及其在AlrDetector的应用
IntervalBudget 用于带宽控制和流量整形 mediasoup中m77 代码的IntervalBudget ，版本比较老IntervalBudget 在特定时间间隔内的比特预算管理，从而实现带宽控制和流量整形。 一。 pacedsender 执行周期： 下一次执行的时间的动态可变的 int64_t PacedSender::TimeUntilNextPr…...
Python学习指南 + 谷歌浏览器如何安装插件
找往期文章包括但不限于本期文章中不懂的知识点： 个人主页：我要学编程(ಥ_ಥ)-CSDN博客 所属专栏： Python 目录 前言 Python 官方文档的使用 谷歌浏览器中如何安装插件 前言 在学习Python时，我们可能会出现这样的困惑&#x…...
leetcode - LRU缓存
什么是 LRU LRU (最近最少使用算法), 最早是在操作系统中接触到的, 它是一种内存数据淘汰策略, 常用于缓存系统的淘汰策略. LRU算法基于局部性原理, 即最近被访问的数据在未来被访问的概率更高, 因此应该保留最近被访问的数据. 最近最少使用的解释 LRU (最近最少使用算法), 中…...
RabbitMQ7：消息转换器
欢迎来到“雪碧聊技术”CSDN博客！ 在这里，您将踏入一个专注于Java开发技术的知识殿堂。无论您是Java编程的初学者，还是具有一定经验的开发者，相信我的博客都能为您提供宝贵的学习资源和实用技巧。作为您的技术向导，我将…...
C#(14）七大原则
前言 其实在面向对象设计里，程序猿们互相约定好一些原则，即七大原则。 面向对象的七大原则是一组指导软件设计的原则，旨在帮助开发人员实现松耦合、可维护和可扩展的软件系统。这些原则的设计过程和发展历史可以追溯到20世纪80年代。 单一职…...
JDBC使用连接池druid操作数据库mysql
// 创建DruidDataSource实例DruidDataSource dataSource = new DruidDataSource();String url = "jdbc:mysql://localhost:3306/demo_base?useUnicode=true&characterEncoding=utf8&useSSL=true";String username...
零碎04 MybatisPlus自定义模版生成代码
目录 背景 动手开干 需要的依赖包，需要注意mybatis-plus-generator的3.5版本是没有兼容历史版本的。 定义一个CodeGenerator类，负责生成代码和配置属性 Entity模版 背景 MybatisPlus代码生成使用默认的velocity模版解决不了定制化的需求࿰…...
rk3568-linux-5.10.160移植rtl8822cs wifi 模块纪要
rk3568-linux-5.10.160移植rtl8822cs wifi 模块纪要 1、将驱动添加到 kernel/drivers/net/wireless/rockchip_wlan/ 或者 kernel/drivers/net/wireless/realtek/rtlwifi/ 2、修改该目录下的makefile、kconfig 3、修改rtl8822cs/os_dep/linux/os_intfs.c，添加 MO…...
uniapp接入高德地图
下面代码兼容安卓APP和H5 高德地图官网：我的应用 | 高德控制台 ，绑定服务选择《Web端(JS API)》 /utils/map.js 需要设置你自己的key和安全密钥 export function myAMap() {return new Promise(function(resolve, reject) {if (typeof window.onLoadM…...
如何通过高效的缓存策略无缝加速湖仓查询
引言 本文将探讨如何利用开源项目 StarRocks 的缓存策略来加速湖仓查询，为企业提供更快速、更灵活的数据分析能力。作为 StarRocks 社区的主要贡献者和商业化公司，镜舟科技深度参与 StarRocks 项目开发，也为企业着手构建湖仓架构提供更多参考…...
微信小程序数据请求教程：GET与POST请求详解
微信小程序数据请求教程：GET与POST请求详解 引言 在微信小程序的开发过程中，数据请求是至关重要的一部分。通过与后端服务器进行通信，小程序能够获取动态数据，实现丰富的功能。在这篇文章中，我们将深入探讨微信小程序中的数据请求，重点介绍GET和POST请求的使用方法、示…...
【Redis 】Bitmap 使用
Redis Bitmap介绍 Redis Bitmap 是一种特殊的数据类型，它通过字符串类型键来存储一系列连续的二进制位（bits），每个位可以独立地表示一个布尔值（0 或 1）。这种数据结构非常适合用于存储和操作大量二值状态的…...
【C语言】指针与数组的例题详解：深入分析与高级用法
博客主页： [小ᶻ☡꙳ᵃⁱᵍᶜ꙳] 本文专栏: C语言 文章目录 💯前言💯题目一详细分析与解答代码逐步解析 💯进一步优化和拓展1. 指针与数组的关系2. 指针运算的注意事项3. 常见的错误和陷阱4. 拓展：指针操作的应用场…...
CTF之密码学（密码特征分析）
一.MD5,sha1,HMAC,NTLM 1.MD5：MD5一般由32/16位的数字(0-9)和字母(a-f)组成的字符串 2.sha1：这种加密的密文特征跟MD5差不多，只不过位数是40（sha256：64位；sha512:128位） 3.HMAC：这种算法就是在前两种加密的基础上引入了秘钥，而秘钥又只有传输双方才知道，所以基本上…...
docker compose 使用记录
作用 Docker Compose 是一个用于定义和运行多容器 Docker 应用程序的工具。通过一个 YAML 文件来配置应用程序的服务，然后使用一个命令即可创建并启动所有服务。 文档位置 Part 7: Use Docker Compose | Docker Docs 使用方法 1. 安装 Docker Compose sudo curl -…...
visual子模块 点对象的可视化控制)
Python的3D可视化库 - vedo (3)visual子模块 点对象的可视化控制
文章目录 3 PointsVisual的方法3.1 对象属性3.1.1 顶点大小3.1.2 复制属性3.1.3 颜色设置3.1.4透明度设置 3.2 对象光效3.2.1 点的形状3.2.2 点的表面光效 3.3 尾随线和投影3.3.1 尾随线3.3.2 投影 3.4 给对象附加文字说明3.4.1 标注3.4.2 2D标注3.4.3 气泡说明3.4.4 旗标说明3…...
计算机网络易混淆知识点串记
文章目录 计算机网络易混淆知识点串记各层PDU首部:地址长度 计算机网络易混淆知识点串记 各层PDU首部: PUD首部长度 (B:字节)首部单位数据链路–帧帧首:14B帧尾部:4B——IPV420~60字节4B [通过4位二进制表示]IPV6固定首部40字节[可拓展]4BTCP20~60字节4BUDP8B字节 地址长度 …...
信息安全实验--密码学实验工具：CrypTool
1. CrypTool介绍💭 CrypTool 1的开源教育工具，用于密码学研究。通过CrypTool 1，可以实现加密和解密操作，数字签名。CrypTool1和2有很多区别的。 2. CrpyTool下载🔧 在做信息安全实验--密码学相关实验时，发…...
Leetcode 将有序数组转换为二叉搜索树
算法思想及代码解析： 这段代码的目的是将一个有序数组转换为 高度平衡的二叉搜索树（Balanced Binary Search Tree, BST）。以下是算法的详细解释： 1. 什么是高度平衡的二叉搜索树？ 二叉搜索树：对于树中的每…...
VMware虚拟机安装Win7专业版详细教程（附镜像包）
目录 一、Win7镜像下载 二、配置虚拟机 三、安装Win7 四、常见问题 一、Win7镜像下载 镜像下载链接：https://pan.quark.cn/s/a8d3a2880101 此镜像为Win7专业版（收藏级镜像 已自用几年） 官方纯净系统没有附带任何其他第三方软件…...
IDEA算法的详细介绍及Python实现
目录 IDEA算法的详细介绍及Python实现引言第一部分：IDEA算法的原理与背景1.1 IDEA算法的来源与特点1.2 IDEA算法的核心步骤第二部分：IDEA算法的Python实现（面向对象设计）2.1 核心类设计2.2 代码实现2.3 使用示例第三部分：案例1 - 函数优化问题（策略模式）3.1 问题描述3.2…...
Spring Boot 开发环境搭建详解
下面安装spring boot的详细步骤，涵盖了从安装 JDK 和 Maven 到创建和运行一个 Spring Boot 项目的全过程。 文章目录 1. 安装 JDK步骤 1.1：下载 JDK步骤 1.2：安装 JDK步骤 1.3：配置环境变量 2. 安装 Maven步骤 2.1：下载…...
Element-Ui组件（icon组件）
一、前言 本篇文章主要是对官网的Icon组件进行总结归纳Icon 图标 | Element Plus 在现代Web应用开发中，图标是用户界面设计中不可或缺的一部分。它们不仅提升了用户体验，还使得信息的传达更加直观和高效。本文主要对Element Plus 官方提供的Icon组件进行…...
使用docker搭建hysteria2服务端
源链接：https://github.com/apernet/hysteria/discussions/1248 官网地址：https://v2.hysteria.network/zh/docs/getting-started/Installation/ 首选需要安装docker和docker compose 切换到合适的目录 cd /home创建文件夹 mkdir hysteria创建docke…...
Docker login 报证书存储错误的解决办法
文章目录 docker login 出现错误，提示：Error saving credentials: error storing credentials - err: exit status 1, out: Cannot autolaunch D-Bus without X11 $DISPLAY 环境 使用的是 Mint Linux ，容器为 docker-ce 最新版 1 2 3 4 $…...
vxe-modal VxeUI 窗口组件弹窗多窗口模式
VxeUI 实现在 vue 中使用弹窗组件，弹窗多个窗口可叠加，实现多实例的窗口组件。 npm install vxe-pc-ui4.3.6// ...import VxeUI from vxe-pc-uiimport vxe-pc-ui/lib/style.css// ...createApp(App).use(VxeUI).mount(#app)// ...官网：https…...
华为昇腾 acl_pytorch
目录 sam部署教程： segment-anyghing地址： sam onnx地址： 报错： encode继续报错： sam部署教程： Ascend/ModelZoo-PyTorch - Gitee.com segment-anyghing地址： https://github.com/visher…...
)
Mybatis控制台打印SQL执行信息(执行方法、执行SQL、执行时间)
文章目录 前言一、基本功能介绍1.1本章功能效果预览图: 二、可执行源码2.1 yaml基础配置2.2 MybatisAnalyzeSQLInterceptor实现SQL拦截 前言 SQL性能监控是一个程序必要的功能，通常我们可以使用数据库自带的客户端工具进行SQL性能分析。然而对于一些专业度不高的人…...
Easyui 实现订单拆分开票功能
Easyui 实现订单拆分开票功能 需求 1、实现一个订单开具多分发票功能； 2、支持拆行； 3、支持拆数量； 流程设计 1、操作页面展示订订单头信息，订单明细信息 2、点击新增发票按钮弹出一个弹出框用于创建一张拆分发票，弹…...
docker-elasticsearch-kibana-logstash
一、安装 Elasticsearch 尝试直接拉取 Elasticsearch 镜像： 执行 docker pull docker.elastic.co/elasticsearch/elasticsearch，拉取失败，错误提示为 “Error response from daemon: manifest for docker.elastic.co/elasticsearch/elasticse…...
深入理解注意力机制（Attention Mechanism）
在深度学习中，“注意力机制（Attention Mechanism）”是近年来的一个重要突破。它最初被提出用于处理自然语言处理（NLP）任务，但如今已经广泛应用于计算机视觉、强化学习和其他领域。注意力机制赋予模型一种“…...
大数据-231 离线数仓 - DWS 层、ADS 层的创建 Hive 执行脚本
点一下关注吧！！！非常感谢！！持续更新！！！ Java篇开始了！ 目前开始更新 MyBatis，一起深入浅出！ 目前已经更新到了： Hadoop࿰…...
vitess使用：基于源码运行vtctldclient工具
继续未完成的探索事业。 这篇文章《vitess使用：从部署到go客户端连接查询》记录了基于官方文档起的一个vitess的server。由于设置分库分表的规则，需要使用vtctldclient这个工具，这个工具的摸索费了诸多周折，《vitess使用记录&…...
)
计算机毕业设计 | SpringBoot+vue健身房管理系统(附源码+论文)
1，研究背景 互联网概念的产生到如今的蓬勃发展，用了短短的几十年时间就风靡全球，使得全球各个行业都进行了互联网的改造升级，标志着互联网浪潮的来临。在这个新的时代，各行各业都充分考虑互联网是否能与本行业进行结合…...
计算机网络-GRE（通用路由封装协议）简介
昨天我们学习了VPN的基本概念，虚拟专用网络在当前企业总部与分支间广泛使用。常用的划分方法为基于协议层次有GRE VPN、IPSec VPN、L2TP VPN、PPTP VPN、SSL VPN等。其实我有考虑该怎么讲，因为在IP阶段好像虚拟专用网络讲得不深，在IE的阶段会…...
汽车渲染领域：Blender 和 UE5 哪款更适用？两者区别？
在汽车渲染领域，选择合适的工具对于实现高质量的视觉效果至关重要。Blender和UE5（Unreal Engine 5）作为两大主流3D软件，各自在渲染动画方面有着显著的差异。本文将从核心定位与用途、工作流程、渲染技术和灵活性、后期处理与合成四…...
服务器数据恢复—光纤存储FC硬盘数据恢复案例
服务器存储数据恢复环境： 某品牌光纤存储上共有16块FC硬盘。存储上的卷映射到Linux操作系统上。Linux操作系统上运行Oracle数据库。 服务器存储故障&检测： 存储上2块硬盘故障灯亮起，存储映射到linux操作系统上的卷挂载不上，业…...
MySQL系列之远程管理（安全）
导览 前言Q：如何保障远程登录安全一、远程登录的主要方式1. 用户名/口令2. SSH3. SSL/TLS 二、使用TLS协议加密连接1. 服务端2. 客户端 结语精彩回放 前言 在我们的学习或工作过程中，作为开发、测试或运维人员，经常会通过各类客户端软件&…...
硬菜！高精度！BO-Transformer贝叶斯优化编码器多特征分类预测/故障诊断
硬菜！高精度！BO-Transformer贝叶斯优化编码器多特征分类预测/故障诊断 目录 硬菜！高精度！BO-Transformer贝叶斯优化编码器多特征分类预测/故障诊断效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.Matlab实现BO-Transform…...
idea_常用设置
相关设置 项目的JDK设置out目录取消自动更新设置主题设置菜单和窗口字体大小滚轮调节字体大小显示行号与方法分隔符代码智能提示忽略大小写自动导包配置设置项目文件编码设置控制台的字符编码修改类头的文档注释信息设置自动编译 项目的JDK设置 File -> Project Structure -…...
C# 中的异步流：高效处理序列数据
C#中的异步流（Async Streams）。异步流是C# 8.0引入的一个新特性，它允许你异步地处理序列数据，非常适合处理大量数据或长时间运行的任务。以下是一篇关于C#中异步流的文章。 引言 在现代应用程序开发中，处理大量数据或…...
的正确用法)
Spring WebFlux SSE(服务器发送事件)的正确用法
在SpringBoot2下SSE实现是返回一个SseEmitter,然后通过SseEmitter的send方法来发送事件. 在SpringBoot3的WebFlux 下SSE实现是返回一个Flux<ServerSentEvent<?>>,但是怎么手动向客户端发送SSE事件搜遍全网也没有看到一个讲清楚的.网上的例子一般都是这样的: GetM…...
pyhton+yaml+pytest+allure框架封装-全局变量渲染
我们在日常测试中 会有一个接口中多个值的情况 比如这种 { "name": "thread", "value": "4986-MainThread", "status": "framework", "start": "pytest", …...
Redis五大基本类型——Set集合命令详解（命令用法详解+思维导图详解）
目录 一、Set集合类型介绍 二、常见命令 1、SADD 2、SMEMBERS 3、SISMEMBER 4、SCARD 5、SRANDMEMBER 6、SPOP 7、SMOVE 8、SREM 编辑 9、集合间操作 （1）SINTER （2）SINTERSTORE （3）SUNION…...
网络协议之邮件协议（SMTP、POP3与IMAP）
一、引言 在数字化时代，电子邮件已成为人们日常沟通和信息交流的重要工具。电子邮件系统的稳定运行离不开一系列网络协议的支撑，其中SMTP、POP3和IMAP是最为关键的三个协议。它们分别负责邮件的发送、接收和管理，共同构建了一个高效、稳定的…...
【GAMES101笔记速查——Lecture 20 Color and Perception】
颜色与感知 目录 1 光场（Light Field / Lumigraph） 1.1 全光函数 1.1.1 改进：引入波长 1.1.2 改进：添加时间t 1.1.3 改进：人可以移动，添加空间坐标 1.1.4 改进：不把函数当电影来看。 1.…...
全新配置ubuntu18.04深度学习环境
1、下载显卡驱动 1.1、驱动下载 连接：显卡驱动 手动驱动搜索-》查找-》查看-》下载 下载可使用指令 wget https://us.download.nvidia.com/XFree86/Linux-x86_64/535.216.01/NVIDIA-Linux-x86_64-535.216.01.run 2、下载安装cuda12.0 wget https://developer.do…...
)
C++初阶——类和对象(下)
目录 1、再探构造函数——初始化列表 2、类型转换 3、static成员 4、友元 5、内部类 6、匿名对象 7、对象拷贝时编译器的优化(了解) 1、再探构造函数——初始化列表 1. 构造函数初始化除了使用函数体内赋值，还有一种方式——初始化列表， 初始化列…...
Android Framework SurfaceFlinger面试题及参考答案
目录 请简述 SurfaceFlinger 在 Android 系统中的作用。 SurfaceFlinger 是如何与 CPU、GPU 以及显示器协同工作的？ 解释一下 Android 系统中的三块 Graphic Buffer 及其用途。 VSYNC 信号在 Android 渲染机制中扮演什么角色？ 请描述 SurfaceFlinger 如何分发 VSYNC 信号…...