【WRF理论第十七期】单向/双向嵌套机制(含namelist.input详细介绍)
WRF运行的单向/双向嵌套机制
- 准备工作:
- WRF运行的基本流程
- namelist.input的详细设置
- &time_control 设置
- &domain 嵌套结构
- &bdy_control 配置部分
- namelist 其他注意事项
- 嵌套说明
- 双向嵌套(two-way nesting)
- 单向嵌套(one-way nesting)
- 🔁 One-way vs Two-way 嵌套对比
- 另:“单向嵌套”与“双向嵌套” 的差异比较
- 设置"纯净"的嵌套模拟
- 参考
准备工作:
1、编译时选择支持嵌套的选项
2、确保生成了 real.exe, wrf.exe, ndown.exe(如需单独运行嵌套区域)
可查看wrf/run文件夹下的.exe文件内容:
ls -lh /home/directory/WRF-4.6/WRF-4.6.1/run/*.exe
对于ARW版本:输出结果应包含:
ndown.exe
real.exe
tc.exe
wrf.exe
3、对于 real-data 模拟,需生成 met_em.d0 文件供嵌套区域使用*
对于ARW版本:
met_em.d01.<date>, met_em.d0*.<date>
WRF运行的基本流程
WPS预处理和WRF运行的详细过程可参见另一博客-【WRF模拟】全过程总结:WPS预处理及WRF运行。
1、进入运行目录
cd /home/directory/WRF-4.6/WRF-4.6.1/run
2、链接或复制 WPS 输出文件
3、编辑 namelist.input
namelist.input 是关键:
- 嵌套运行的控制几乎全部依赖 namelist.input
- 关键参数:max_dom ≥ 2
- 注意嵌套相关多列参数设置(如时间、格点数等)
4、运行 real.exe 初始化
mpirun -np 3 ./real.exe
5、运行 wrf.exe 执行模拟
# 设置 堆栈大小 为 无限制,以避免分段错误
ulimit -s unlimited# <num_processes> 替换为希望使用的计算进程数。
mpirun -np <num_processes> ./wrf.exe# 单进程运行
mpirun -np 1 ./wrf.exe
namelist.input的详细设置
&time_control 设置
&time_control 部分的配置内容如下:
注意:嵌套域的起止时间可以不同于父域,但必须在父域的时间范围内!!!
参数解释与说明:
参数 | 含义 | 示例值 | 说明 |
---|---|---|---|
run_days run_hours… | 模拟总时长 | 0天24小时 | 模型运行时间为 24 小时 |
start_year, start_month… | 各嵌套域的起始时间 | 2000-01-24 12:00:00 | 每列分别对应 D01, D02, D03 |
end_year, end_month… | 各嵌套域的结束时间 | 2000-01-25 12:00:00 | 与起始时间一致表示三层嵌套同步运行24小时 |
interval_seconds | WPS met_em 文件的时间间隔(秒) | 21600 秒(6小时) | WRF 每 6 小时读取一次边界数据 |
1、模拟时长可通过 run_* 设置,也可通过 start_* 和 end_* 控制:两者必须一致,否则行为不可预测。
2、interval_seconds 参数必须与 met_em 文件时间间隔一致:
常见值:21600(6小时)、10800(3小时)等。
&time_control 其他部分的配置如下:
&time_controlinterval_seconds = 21600,history_interval = 180, 60, 60,frame_per_outfile = 1000, 1000, 1000,restart_interval = 360,
/
参数解释与说明:
参数 | 示例值 | 说明 |
---|---|---|
interval_seconds | 21600 | 输入数据的时间间隔(单位:秒),通常指 met_em.d0* 文件的时间步长,21600 秒 = 6 小时 |
history_interval | 180, 60, 60 | 每个 domain 输出一次历史文件的时间间隔(单位:分钟) - D01 每 180 分钟(3小时) 输出一次 - D02 和 D03 每 60 分钟(1小时) 输出一次 |
frame_per_outfile | 1000, 1000, 1000 | 每个输出文件中包含的时间帧数(即多少个时间点的数据写入一个文件) - 如果模拟时间长,会自动拆分成多个 wrfout_* 文件 |
restart_interval | 360 | 每 360 分钟(6小时) 输出一次 wrfrst_d0* 重启动文件(restart file) - 便于从中断处继续模拟 |
注意:
1、每个嵌套域都会生成自己的 wrfout_d0* 历史文件(比如 wrfout_d01_…, wrfout_d02_…)
2、各嵌套层的输出间隔可以不同,便于根据分辨率控制输出精度与数据量(由 history_interval 控制)
3、每个域的重启文件(wrfrst_d0*)也分别生成,可用于单独或联合重启模拟(由restart_interval变量控制)
4、如果 frame_per_outfile 值较小,或模拟时间很长,会拆分出多个 wrfout 文件(例如按天或按小时)
3、&time_control 中关于嵌套域输入控制的变量
&time_controlinput_from_file = .true., .true., .true.,fine_input_stream = 0, 2, 2,
/
🔹 input_from_file(布尔型)
作用:控制 real.exe 是否为每个嵌套域读取 wrfinput_d0* 文件作为初始场。
对应域:
- .true.:为该域读取 wrfinput_d0* 文件(通常由 real.exe 生成);
- .false.:该域不读取输入文件,WRF 会自动从父域插值获得初始场。
📌 在 真实资料模拟(real-data run) 中,通常都设为 .true.,这样每个域都有自己的初始化文件。这是 真实资料模拟(real) 中的常规做法。
🔹 fine_input_stream(整数型)
作用:指定嵌套域在初始化时使用哪些输入流(input streams)中定义的数据变量。
取值说明:
- 0:使用所有变量(默认)(fine_input_stream = 0);
- 2:表示使用 Registry 中 io_form_2(即 I/O stream 2)中定义的变量;
这通常用于嵌套域在父域开始后延迟启动的情况,可避免不必要变量的初始化。
&domain 嵌套结构
&domains 支持以下嵌套结构:
-
多嵌套共享一个父域 ✅
-
多层嵌套(嵌套嵌套)✅
-
❌ 不允许多父域(如 D03 同时嵌套 D01 & D02)
嵌套域(Nest)在父域中的起始位置定义:
i_parent_start、j_parent_start:指定嵌套域在父域中的起始位置(起始网格点),以父域的网格坐标系为参考。
红色箭头指向嵌套域的左下角,说明其起始位置在 父域的第 31 个网格点(I=31)。
对应在 namelist.input 的设置如下:
i_parent_start = 31,
j_parent_start = 17,
- i_parent_start=31:嵌套域在 父域的第31列网格点 开始;
- j_parent_start=17:嵌套域在 父域的第17行网格点 开始
&domain 的内容如下(参考):
max_dom = 3,
e_we = 74, 112, 94,
e_sn = 61, 97, 91,
e_vert = 28, 28, 28,
grid_id = 1, 2, 3,
parent_id = 0, 1, 2,
i_parent_start = 0, 31, 30,
j_parent_start = 0, 17, 30,
设置项 | 含义 | 注意事项 |
---|---|---|
max_dom | 定义模拟的嵌套域数量 | 必须 ≥ 所用嵌套层数 |
e_we/e_sn | 每个域的水平网格维度 | 与 WPS 完全一致 |
grid_id/parent_id | 定义域的嵌套层级关系 | 编号从 1 开始,父域 ID 必须小于子域 ID |
i/j_parent_start | 嵌套域在父域中的起始位置 | 对应左下角,必须准确对齐 WPS 设置 |
注意:这些值必须与 WPS 中设置的嵌套起点一致,否则会报错或嵌套错位。
dx = 30000, 10000, 3333.33,
dy = 30000, 10000, 3333.33,
parent_grid_ratio = 1, 3, 3,
parent_time_step_ratio = 1, 3, 3,
参数详解:
参数 | 含义 | 示例值 |
---|---|---|
dx, dy | 每个网格点的水平间距(单位:米) | D01: 30km, D02: 10km, D03: 3.33km |
parent_grid_ratio | 当前域相对于父域的网格间距倍率 | D01:1, D02:3, D03:3(都表示 finer by 3x) |
parent_time_step_ratio | 当前域相对于父域的时间步长倍率 | 通常与 grid ratio 相同,但可以不同 |
注意:
1、所有 4 个变量都必须显示设置(否则模拟会失败);
2、grid ratio(网格比率)必须为整数,如 3、5;
3、time step ratio(时间步长比)可与 grid ratio 不同,但通常建议一致,以保持数值稳定性;
4、网格间距单位为米,即使使用经纬度投影(lat/lon)也必须换算为米;
对于旋转经纬度网格(rotated lat/lon),dx ≠ dy 是允许的。
与嵌套反馈机制相关的参数:feedback 和 smooth_option。它们控制嵌套域(Nest)与其父域(Parent Domain)之间的数据回馈与平滑处理。
&domainsfeedback = 1,smooth_option = 0,
/
✅ feedback
作用:控制嵌套域(子域)是否将其模拟结果“反馈”给父域。
取值:
- 0:无反馈(称为 一向嵌套 one-way nesting)
➤ 嵌套域不会修改父域的模拟结果; - 1:开启反馈(称为 双向嵌套 two-way nesting)
➤ 嵌套域的高分辨率结果可更新父域覆盖区域中的值。
📌 通常推荐在研究高分辨率区域对整个区域有反馈影响时使用 feedback = 1。
✅ smooth_option
作用:当开启 feedback=1 时,是否对嵌套与父域边界区域进行平滑处理,以减少突变。
取值:
- 0:不进行平滑(默认值);
- 1:进行一次平滑;
- 2:进行两次平滑。
📌 平滑处理有助于防止嵌套区与父域交界处出现数值不连续,尤其在地形复杂区域。
参数 | 含义 | 常用值 | 建议 |
---|---|---|---|
feedback | 嵌套域是否影响父域 | 0 = one-way 1 = two-way | 若嵌套区重要,建议设为 1 |
smooth_option | 是否对 feedback 区域进行平滑 | 0, 1, 2 | 若反馈开启,建议设为 1 或 2 |
&bdy_control 配置部分
&bdy_control 配置部分主要控制边界条件的设置方式和边界区域的平滑处理,对于模型稳定性和嵌套域之间的一致性非常重要。
&bdy_controlspec_bdy_width = 5,spec_zone = 1,relax_zone = 4,specified = .T., .F., .F.,nested = .F., .T., .T.,
/
参数逐项解释:
参数 | 意义 |
---|---|
spec_bdy_width | 外边界总宽度(单位:格点数),包含指定区和缓冲区。这里为 5 |
spec_zone | 指定区(specified zone)的宽度。外部强制施加边界值,比如来自 GFS 数据。这里为 1 |
relax_zone | 缓冲过渡区(relaxation zone)的宽度,用于平滑地过渡到内部模拟区域。这里为 4 |
specified | 是否为每个域施加外部边界条件: .T. 表示施加(一般只对最外层域 d01) .F. 表示不施加(嵌套域不需要) |
nested | 是否为嵌套域应用父域边界强制(嵌套边界条件): d01 为 .F.(无父域) d02/d03 为 .T.(从父域获得边界) |
📌 注意事项
1、spec_zone + relax_zone = spec_bdy_width
即边界区总宽度必须等于指定区与缓冲区之和。
2、对 ARW 模型,你可以自由设置 relax_zone 和 spec_zone 的值,但它们的总和必须等于 spec_bdy_width。
3、specified 和 nested 的布尔值列表应与你的 domain 数量一致(如 3 个域就要写 3 个值)。
- 左图:wrfinput_d02,为嵌套域的初始边界输入文件,边界区域过渡较生硬,颜色变化突兀;
- 右图:wrfout_d02,模拟过程中使用了边界平滑处理,边界(黑线标出)附近的颜色(变量值)过渡更加平滑。
📌 这说明设置合适的 relax_zone 能够有效减少边界处的不连续性,提高模拟稳定性和准确性。
namelist 其他注意事项
1、所有嵌套域应尽量使用相同的物理方案设置。
WRF 模拟中包括多种物理方案(如微物理、对流、边界层、辐射等),建议所有域(d01、d02、d03…)使用相同的物理参数配置。
⚠️ 例外:积云对流方案(cumulus scheme)
当嵌套域的分辨率非常高(通常 ≤ 3 km),对流可被显式解析(即用显式微物理方案模拟出来),不再需要参数化。即,对于高分辨率嵌套域(如 dx = 1 km 或 3 km),应关闭 cumulus 参数化:
cu_physics = 1, 0, 0, ! d01 开启积云方案,d02/d03 关闭
2、所有域应使用相同的物理过程调用频率,如 radt, cudt 等。
参数说明:
参数 | 含义 | 单位 |
---|---|---|
radt | 辐射方案的调用间隔 | 秒 |
cudt | 积云方案的调用间隔 | 秒 |
建议所有域统一设置这些频率,不要因分辨率不同而设置不同值。
radt = 30, 30, 30
cudt = 5, 0, 0
嵌套说明
嵌套方式总结:
嵌套类型 | 特征 |
---|---|
Two-way (无 nest input) | input_from_file = .false. |
Two-way (有 nest input) | input_from_file = .true. |
Two-way(仅静态输入) | fine_input_stream = 2 |
One-way(并行) | feedback = 0 |
One-way(分开运行) | 使用 ndown.exe |
Two-way 移动嵌套 | 指定或自动追踪台风 |
双向嵌套(two-way nesting)
单向嵌套(one-way nesting)
🔁 One-way vs Two-way 嵌套对比
特性 | One-way (feedback=0) | Two-way (feedback=1) |
---|---|---|
嵌套域影响父域? | ❌ 否 | ✅ 是 |
边界光滑处理? | 无需 | 可用 smooth_option |
适用场景 | 较独立区域研究 | 局地对大尺度有反馈的研究 |
另:“单向嵌套”与“双向嵌套” 的差异比较
WRF论坛-Two-way and one-way nesting runs
根据此论坛内容,设置了两组WRF实验,期望D01(外层域)的模拟结果在以下两种设置下应完全相同:
- 实验一:双域模拟(D01+D02),设置 max_dom=2,feedback=0(即one-way nesting)
- 实验二:单域模拟(仅D01),设置 max_dom=1
两次实验都使用相同的时间步长、物理参数化方案等。但结果却发现:D01的模拟结果不一致。
对此的合理解释为:虽然理论上 feedback=0(即关闭反馈)时,父域D01的结果应与单独运行D01的结果一致,但实际上:
- 当设置 max_dom=2 时,WRF 仍然需要初始化和建立子域D02;
- 这个过程会引入一些数值噪声(noise),从而对D01的数值状态造成微小扰动;
- 即使关闭了 feedback,D01 的模拟过程还是被“打扰”了。
换句话说:
只要运行了嵌套(即使 feedback=0),D01 的结果就不会完全等同于不含嵌套的运行。
设置"纯净"的嵌套模拟
如果希望真正不受嵌套影响的 D01 结果,可以尝试使用 ndown程序 来运行嵌套模拟。
这种方式可以先单独运行 D01,再将其结果作为边界条件驱动 D02,避免 D02 在运行中影响 D01。
参考
1、PPT-WRF Nesting: Set up and Run
相关文章:
【WRF理论第十七期】单向/双向嵌套机制(含namelist.input详细介绍)
WRF运行的单向/双向嵌套机制 准备工作:WRF运行的基本流程namelist.input的详细设置&time_control 设置&domain 嵌套结构&bdy_control 配置部分 namelist 其他注意事项 嵌套说明双向嵌套(two-way nesting)单向嵌套(one…...
【Springboot知识】Springboot进阶-Micrometer指标监控深入解析
文章目录 Micrometer 核心概念与标准指标详解**Micrometer 核心概念与标准指标详解****一、Micrometer 核心概念****二、Micrometer 标准指标****1. JVM 监控指标****2. 系统资源监控****3. HTTP 请求监控****4. 数据库监控****5. 缓存监控** **三、配置与自定义指标****1.…...
Linux 的准备工作
1.root用户登录 首先讲一下root账户怎么登陆 直接 ssh root 公ip地址就可以了 比如我的是腾讯云的 这个就是公ip 下面所有普通用户的操作都是在root账户下进行的 2.普通用户创建 创建用户指令 adduser 用户名 比如说这个指令 我创建了一个ly_centos的普通用户 3.普通用…...
LLM实现模型并行训练:deepspeed 是什么; transformers` 怎么实现模型并行训练吗?
LLM实现模型并行训练:deepspeed 是什么 DeepSpeed是一个由微软开发的深度学习优化库,旨在帮助研究人员和工程师更高效地训练大规模神经网络。它提供了一系列的优化技术,包括混合精度训练、模型并行、数据并行、ZeRO优化等,以提高训练速度、减少内存占用,并支持在多个GPU或…...
STM32 HAL库之EXTI示例代码
外部中断按键控制LED灯 在main.c中 HAL_Init(); 初始化Flash,中断优先级以及HAL_MspInit函数,也就是 stm32f1xx_hal.c 中 HAL_StatusTypeDef HAL_Init(void) {/* Configure Flash prefetch */ #if (PREFETCH_ENABLE ! 0) #if defined(STM32F101x6) || …...
数字人情感表达突破:微表情自动生成的算法革新
——从量子化建模到联邦学习的全链路技术革命 一、行业痛点:传统数字人微表情的“三重困境” 2025年数据显示,83%的虚拟角色因微表情失真导致用户留存率下降(头部游戏公司实测数据)。传统方案面临核心矛盾: 制作成本…...
Django软删除功能完整指南:构建图书馆项目
Django软删除功能完整指南:构建图书馆项目 推荐超级课程: 本地离线DeepSeek AI方案部署实战教程【完全版】Docker快速入门到精通Kubernetes入门到大师通关课AWS云服务快速入门实战目录 Django软删除功能完整指南:构建图书馆项目第 1 步:安装所需包第 2 步:设置您的 Django…...
联邦学习:AI 与大数据融合的创新力量
在当今数字化时代,人工智能(AI)和大数据无疑是推动各行业发展的两大核心技术。AI 凭借其强大的数据分析和预测能力,为企业提供了智能化决策支持;大数据则通过海量数据的收集与存储,为 AI 模型的训练提供了丰…...
idea解决tomcat项目页面中文乱码
概述 解决tomcat项目页面中文乱码问题-Dfile.encodingUTF-8 设置...
Android Coil 3 Fetcher大批量Bitmap拼接成1张扁平宽图,Kotlin
Android Coil 3 Fetcher大批量Bitmap拼接成1张扁平宽图,Kotlin <uses-permission android:name"android.permission.WRITE_EXTERNAL_STORAGE" /><uses-permission android:name"android.permission.READ_EXTERNAL_STORAGE" /><u…...
解锁Midjourney创作潜能:超详细提示词(Prompts)分类指南
AI生图自由!就来 ChatTools (https://chat.chattools.cn),畅享Midjourney免费无限绘画。同时体验GPT-4o、Claude 3.7 Sonnet、DeepSeek等强大模型。 为了帮助大家更好地驾驭Midjourney,我们精心整理并分类了大量常用且效果出众的提示词。无论…...
HBuilder运行uni-app程序报错【Error: listen EACCES: permission denied 0.0.0.0:5173】
一、错误提示: 当使用HBuilder运行uni-app项目的时候提示了如下错误❌ 15:11:03.089 项目 project 开始编译 15:11:04.404 请注意运行模式下,因日志输出、sourcemap 以及未压缩源码等原因,性能和包体积,均不及发行模式。 15:11:04…...
k8s node inode被耗尽如何处理?
当 Kubernetes 节点因 inode 被耗尽导致 Pod 无法调度或运行异常时,需结合 Kubernetes 特性和 Linux 系统管理方法处理。以下是详细步骤: 1. 确认 inode 耗尽 首先登录问题节点,检查 inode 使用率: # 查看全局 inode 使用情况 …...
机器学习之PCA主成分分析详解
文章目录 引言一、PCA的概念二、PCA的基本数学原理2.1 内积与投影2.2 基2.3 基变换2.4 关键问题及优化目标2.5 方差2.6 协方差2.7 协方差矩阵2.8 协方差矩阵对角化 三、PCA执行步骤总结四、PCA参数解释五、代码实现六、PCA的优缺点七、总结 引言 在机器学习领域,我…...
leetcode797图论-对邻接矩阵和邻接表不同形式进行dfs与bfs遍历方法
给你一个有 n 个节点的 有向无环图(DAG),请你找出所有从节点 0 到节点 n-1 的路径并输出(不要求按特定顺序) graph[i] 是一个从节点 i 可以访问的所有节点的列表(即从节点 i 到节点 graph[i][j]存在一条有向…...
Spark核心架构与RDD:大数据处理的基石
Apache Spark作为新一代分布式计算引擎,其高效性和灵活性源于独特的运行架构与核心数据结构RDD。本文简要解析Spark的核心组件及RDD的核心特性,帮助开发者快速理解其设计思想。 一、Spark运行架构 Spark采用标准的**Master-Slave架构,核心组…...
Python Orange:托拉拽玩转机器学习、数据挖掘!
相比写代码做数据挖掘,Python Orange简直是懒人和新手的救星!传统编程得敲一行行代码,调库、debug 累得要死,而Orange靠拖拽就能搞定数据导入、清洗、可视化、建模、评估和无监督学习,支持跨Windows、Mac、Linux平台随…...
K8S学习之基础七十七:istio实现超时功能
istio实现超时功能 模拟客户端调用 nginx,nginx 将请求转发给 tomcat。nginx 服务设置了超时时间为2秒,如果超出这个时间就不在等待,返回超时错误。tomcat服务设置了响应时间延迟10秒,任何请求都需要等待10秒后才能返回。client …...
EFA-YOLO:一种高效轻量的火焰检测模型解析
论文地址:https://arxiv.org/pdf/2409.12635 目录 论文地址:https://arxiv.org/pdf/2409.12635 一、论文结构解析 二、核心创新点解读 1. EAConv(高效注意力卷积) 2. EADown(高效下采样) 三、实验结果对比 1. 精度指标对比 2. 实际检测效果 四、应用场景展望 …...
PyQt6实例_A股财报数据维护工具_解说并数据与完整代码分享
目录 1 20250403之前的财报数据 2 整个项目代码 3 工具使用方法 3.1 通过akshare下载 3.2 增量更新 3.3 查看当前数据情况 3.4 从数据库中下载数据 视频 1 20250403之前的财报数据 通过网盘分享的文件:财报三表数据20250403之前.7z 链接: https://pan.ba…...
【AAOS】【源码分析】CarAudioService(二)-- 功能介绍
汽车音频是 Android 汽车操作系统 (AAOS) 的一项功能,允许车辆播放信息娱乐声音,例如媒体、导航和通信。AAOS 不负责具有严格可用性和时间要求的铃声和警告,因为这些声音通常由车辆的硬件处理。将汽车音频服务集成在汽车中,彻底改变了驾驶体验,为驾驶员和乘客提供了音乐、…...
Python星球日记 - 第18天:小游戏开发(猜数字游戏)
🌟引言: 上一篇:Python星球日记 - 第17天:数据可视化 名人说:路漫漫其修远兮,吾将上下而求索。(屈原《离骚》) 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程…...
ShopXO v2.2.4开源商城手动部署(保姆级)+异常处理
ShopXO v2.2.4开源商城手动部署(保姆级) 1.项目了解 1.1项目简洁 ShopXO国内领先企业级免费开源电商系统! 求实进取、创新专注、自主研发、国内领先企业级电商系统解决方案。遵循MIT开源协议发布,无需授权、可商用、可二次开发、满足99%的电商运营需…...
Android Studio - 解决 Please Select Android SDK
一、出现的问题 点击 Run 后弹窗,图一位置出现图二提示。 二、解决办法 进入 Tools -> SDK Manager,在 Android SDK Location 点击 Edit,一直 Next 就解决了。...
Java 列表初始化全解析:7种方式详解与最佳实践
文章目录 **引言****1. 传统逐个添加元素****特点****注意事项** **2. Arrays.asList() 构造函数****特点****注意事项** **3. 双括号初始化(匿名内部类)****特点****注意事项** **4. Java 9 List.of()(不可变列表)****特点****注…...
python之安装PaddlePaddle和PaddleX解析pdf表格
目录标题 飞桨PaddlePaddle本地安装教程1-1. 基于 Docker 安装飞桨1-2. 基于 pip 安装飞桨2. 我两个环境 都选择的是pip 安装10. 如果报错10. 离线安装 飞桨PaddlePaddle本地安装教程 源码下载:https://github.com/PaddlePaddle/PaddleX/blob/release/3.0-beta1/do…...
MLA(Multi-Level Adaptive)融合算子全院级医疗编程探析(代码版)
MLA(Multi-Level Adaptive)融合算子的AI医疗技术原理、实现方法及医疗应用场景的深度解析: 一、MLA融合算子技术本质 1. 核心设计理念 MLA是一种硬件感知的算子重组技术,通过打破传统深度学习框架的算子边界,实现&a…...
Python----概率论与统计(概率论,互斥事件和概率和,非互斥事件和概率和,独立性事件,生日问题,条件概率)
一、概率论 1.1、概率论 概率论是研究随机现象的一门数学学科。它为不确定性提供了一个量化的框架,允许我们衡量事件发生的可能性。 概率论研究随机现象,用于量化和分析不确定性。它的基本概念包括: 样本空间(Sample Space&…...
Ubuntu24.04 编译 Qt 源码
一:Ubuntu 把 Qt 拆成了多个源码包: 1. 基础包 2. 可选包 二:编译 qtbase-opensource-src 1. 配置源(修改 /etc/apt/sources.list.d/ubuntu.sources) 2. 下载代码 apt source qtbase-opensource-src3. 安装依赖 sudo a…...
数据库无法插入中文字符
INSERT INTO book VALUES (1, ‘楚辞’, ‘屈原’, ‘中国文联出版社’, ‘0’) 1366 - Incorrect string value: ‘\xE6\xA5\x9A\xE8\xBE\x9E’ for column ‘name’ at row 1 查询时间: 0 秒 查看字符集设置 SHOW VARIABLES LIKE character_set%; SHOW VARIABLES LIKE colla…...
在Ubuntu系统如何让MySQL服务器支持远程连接
目录 问题描述 解决方案 步骤一:检查MySQL配置文件 编辑 步骤二:修改bind-address参数 编辑 步骤三:重启MySQL服务 步骤四:验证更改 步骤五:检查防火墙设置 步骤六:测试远程连接 注意事项 …...
【期中准备】电路基础(西电)
电路 题型:填空,简答(概念),计算 PPT 1.X 电压和电流的参考方向一致,称为关联参考方向 消耗功率为正数:负载和电源由功率正负来定义 电路中所有原件功率之和为0(“自产自销”&#…...
mysql 重复读自己事务中可以看到新插入数据
推荐好文 吃透MySQL(六):事务详细介绍 地址转发https://blog.csdn.net/u013277209/article/details/113585022 开启客户端 mysql -u 账号名 -p 输入密码 在一个 事务中 mysql> set session transaction isolation level repeatable…...
Java后端开发-面试总结(集结版)
第一个问题,在 Java 集合框架中,ArrayList和LinkedList有什么区别?在实际应用场景中,应该如何选择使用它们? ArrayList 基于数组,LinkedList 基于双向链表。 在查询方面 ArrayList 效率高,添加…...
Python第八章03:Pyecharts快速入门
# pyecharts快速入门# 一、折线图基础应用# 导入python包 from pyecharts.charts import Line from pyecharts.options import TitleOpts,LegendOpts,ToolboxOpts,VisualMapOpts,TooltipOpts,DataZoomOpts# 创建一个折线图对象 line Line() # 给折线图对象添加x、y轴的数据 l…...
BUUCTF-web刷题篇(17)
26.BabyUpload 源码:https://github.com/imaginiso/GXY_CTF/tree/master/Web/babyupload 查看题目源码: 写着:SetHandler application/x-httpd-php 通过源码可以看出这道文件上传题目主要还是考察.htaccess配置文件的特性,倘若…...
openfga原理及简单落地方案设计
源码地址 https://github.com/openfga OpenFGA 是一款高性能且灵活的授权/许可引擎,专为开发人员打造,灵感来自Google Zanzibar。它将强大的基于关系的访问控制 (ReBAC)和基于属性的访问控制 (ABAC)概念与领域特定语言相结合,可以轻松制定可以扩展和发展到任何规模的任何用例…...
混合并行技术在医疗AI领域的应用分析(代码版)
混合并行技术(专家并行/张量并行/数据并行)通过多维度的计算资源分配策略,显著提升了医疗AI大模型的训练效率与推理性能。以下结合技术原理与医疗场景实践,从策略分解、技术对比、编排优化及典型案例等维度展开分析: 一、混合并行技术:突破单卡算力限制 1. 并行策略三维分…...
深信服安全运营面试题
《网安面试指南》https://mp.weixin.qq.com/s/RIVYDmxI9g_TgGrpbdDKtA?token1860256701&langzh_CN 5000篇网安资料库https://mp.weixin.qq.com/s?__bizMzkwNjY1Mzc0Nw&mid2247486065&idx2&snb30ade8200e842743339d428f414475e&chksmc0e4732df793fa3bf39…...
基于IDEA+SpringBoot+Mave+Thymeleaf的系统实现
一. 安装IntelliJ IDEA 下载并安装IntelliJ IDEA Ultimate或Community版 2024年最新版IntelliJ IDEA下载安装过程(含Java环境搭建) 二、下载 Maven 访问官网下载 打开浏览器,访问 Maven 官方下载页面: Download Apache Maven –…...
用Python爬虫抓取数据并保存为JSON的完整指南
本文将深入探讨如何利用Python爬虫技术抓取网页数据,并通过专业的数据处理流程将其保存为JSON格式。我们将以电商网站产品数据抓取为例,演示从基础实现到生产级优化的完整流程,涵盖反爬策略应对、数据清洗和大规模存储等关键环节。 一、环境…...
Tigshop| 一个基于Java的开源商城系统
在电商竞争愈发激烈的当下,一个强大且适配的商城系统是商家制胜的法宝 Tigshop官网 - 开源商城系统https://www.tigshop.com/ 一、卓越技术根基 前端体验升级 Tigshop 运用 Vue3 与 TypeScript 搭建前端。Vue3 的响应式系统和 Composition API,让页…...
Windows 部署项目 apache + mod_wsgi,nginx + waitress
文章目录 1、apache mod_wsgi,nginx waitress两种部署方式的区别2、以nginx waitress为例 有些项目必须部署在windows上,有IIS wfastcgi、apache mod_wsgi,nginx waitress部署方式 1、apache mod_wsgi,nginx waitress两种…...
RabbitMQ惰性队列的工作原理、消息持久化机制、同步刷盘的概念、延迟插件的使用方法
惰性队列工作原理 惰性队列通过尽可能多地将消息存储到磁盘上来减少内存的使用。与传统队列相比,惰性队列不会主动将消息加载到内存中,而是尽量让消息停留在磁盘上,从而降低内存占用。尽管如此,它并不保证所有操作都是同步写入磁…...
Prompt_Engineering提示词工程(一)
一、Prompt(提示词) Prompt(提示词)是给AI模型交互文本片段,用于指导模型生成符合预期输出结果,提示词的目的是为模型提供一个上下文的任务,以便模型能够更准确地理解用户的意图,并…...
探索 Shell 中的扩展通配符:从 Bash 到 Zsh
在 Unix 系统中,通配符(globbing)是 shell 的核心功能,用于快速匹配文件或目录。基础通配符(如 *、?、[])虽简单实用,但在复杂场景下往往力不从心。为此,许多现代 shell 提供了“扩…...
电脑清洁常用工具
清洁布:用于擦拭电脑表面和屏幕。一般选择柔软、不掉毛的微纤维清洁布,它能有效去除灰尘和污渍,同时不会刮伤电脑表面。压缩空气罐:可以产生强力气流,用于吹走电脑内部的灰尘,如主机箱、键盘缝隙等部位的灰…...
深入理解Spring是如何解决循环依赖的
1、简介循环依赖 在 Spring 框架中,循环依赖是指两个或多个 Bean 互相依赖,形成了一个闭环。例如,Bean A 依赖于 Bean B,而 Bean B 又依赖于 Bean A。这种依赖关系可能会导致初始化失败。Spring 提供了一种机制来解决这种循环依赖…...
AIGC时代的新风口!MCP协议引领未来无限可能
文章目录 一、引言二、MCP的定义与架构三、MCP的使用案例1. Cursor MCP Figma:工程化项目自动化2. Claude Desktop与本地文件系统交互3. 智能客服系统中的MCP应用 四、MCP的应用前景1. 更广泛的应用场景拓展2. 更高的性能要求和优化3. 更强的安全性和隐私保护措施…...
NO.81十六届蓝桥杯备战|数据结构-Trie树-字典树-前缀树|于是他错误的点名开始了|最大异或对 The XOR Largest Pair(C++)
字典树的概念 Trie树⼜叫字典树或前缀树,是⼀种能够快速插⼊和查询字符串的数据结构。它利⽤字符串的公共前缀,将字符串组织成⼀棵树形结构,从⽽⼤⼤提⾼了存储以及查找效率。 我们可以把字典树想象成⼀棵多叉树,每⼀条边代表⼀个…...