Python
强化学习-表格型算法Q学习稳定倒立摆小车
[[Q 学习]] 是表格型算法的一种，主要维护了一个 Q-table，里面是 状态-动作 对的价值，分别由一个状态和一个动作来索引。 这里以一个经典的道理摆小车问题来说明如何使用 [[Q 学习]] 算法。 这里会用到两个类，agent 和 brain。brain 类中来维护 [[强化学习的基本概念|强化学习]] 算法的具体执行，agent 是一层封装，以后也可以用其他算法来实现 brain 类。整
大三求职：前端实习生
0、个人简介 目前华南理工大学广州学院计算机科学与技术本科 大三在读，希望能在暑期找到一份前端的实习工作 1、园子经历 昵称： 养肥胖虎 园龄： 2年10个月 粉丝： 37 随笔 - 294 文章 - 2 评论 - 18 阅读 - 90204 截至20
ctfshow西瓜杯factor题目浅析(提供三种方法)
感谢@3tefanie师傅供题，太棒了！ 题目源代码： from Crypto.Util.number import * import gmpy2 import os from enc import flag hint = os.urandom(36) tmp = bytes_to_long(hint) m = bytes_to_long(flag) p = getPrime(512) q =
春秋杯 2024夏季
BEDTEA [题目制作过程]： 首先是通过矩阵相乘的方法来获取斐波那契数列来作为后面tea的每一轮的key，tea的轮数常数和左移右移都被魔改了，加了PEB的反调试，这个调试的作用是key从第几位取，如果正常运行则是从第三个开始取，考察师傅们面对tea的魔改的能力，然后将加密后的数据用先序遍历的顺序构建树，然后用后序遍历来取值，这里其实就是一个逆序，如果没走出来就会在里面一直套娃,最后根据时间戳
11、flask-模板-templates
模板Templates 模板是呈现给用户的界面 在MVT架构中充当T的角色、实现了MT的解耦、开发中VT有着N:M的关系，一个V可以调用任意T，一个T可以被任意V调用 模板处理分为两个过程： - 加载HTML - 模板渲染（模板语言） 模板代码包含两个部分： - 静态HTML - 动态插入的代码段（模板语法） Jinja2 模板语言 在Flask中使用Jinja2模板引擎 Jinja2有Flas
pandas 检查表单指定列是否有重复数据【实际业务实践】
一、业务需求 财务系统中提报业务时，需要检查业务附件中的两列是否在当前电子表格内重复。 比如检查 票据编号 + 子票区间 是否有重复。 二、业务数据 以下是脱敏的真实业务数据。 制单号 制单状态 处理结果 业务种类 票据包号 子票区间 票据类型 票面金额 申请金额 对手方名称 出票日期 到期日期 1 208840626133302831331 交易成功 签收发送人行成功 背书转让签
基于django(爱抚宠物) 小程序设计和实现(源码+LW+部署讲解)
感兴趣的可以先收藏起来，大家在毕设选题，项目以及论文编写等相关问题都可以给我加好友咨询 系统介绍： 科技进步的飞速发展引起人们日常生活的巨大变化，电子信息技术的飞速发展使得电子信息技术的各个领域的应用水平得到普及和应用。信息时代的到来已成为不可阻挡的时尚潮流，人类发展的历史正进入一个新时代。在现实运用中，应用软件的工作规则和开发步骤，采用Python技术建设基于Pettingpets(爱抚宠物)小
异步优化与数据入库：顶点小说爬虫进阶实战
顶点小说进阶 建议 这篇顶点小说进阶包括（数据入库、异步爬虫） 看之前可以先看我之前发布的文章（从零开始学习Python爬虫：顶点小说全网爬取实战） 入库 完善主线程 异步爬虫 介绍 基本概念 阻塞 阻塞状态指程序未得到所需计算资源时被挂起的状态。程序在等待某个操作完成期间，自身无法继续处理其他的事情，则称该程序在操作上是阻塞的。 常见的阻塞形式有：网络I/O阻塞、磁盘I/O阻塞、用户输
DownUnderCTF 2024 - Forensics
DownUnderCTF 2024 - Forensics Baby's First Forensics 他们整个上午都在试图破坏我们的基础设施！他们正试图获得更多关于我们秘密袋鼠的信息！我们需要您的帮助，我们已经捕获了一些他们攻击我们的流量，您能告诉我们他们使用的是什么工具及其版本吗？ 注意：将您的答案包装在 DUCTF{} 中，例如 DUCTF{nmap_7.25} 附件：capture.
DRF 前后端分离项目如何解决CSRF 数据交互
★ 背景说明 ★ 解决思路 方案二 步骤一: 在返回给浏览器(客户端)的响应中设置 csrftoken相关的 Cookie信息(需要保证csrftoken在有效期内) 步骤二：在发送请求前获取最新的CSRF token，并且在前端的每次请求中都包含了这个token 方案三 步骤一： 使用请求拦截器在每次 POST、PUT 或 DELETE 请求中前先发起一个GET请求获
python随笔day03
python面试基础问题 lambda表达式 基本语法： 2.局部函数 在函数里面定义的函数就是局部函数。 3.闭包 a.nonlocal主要是在嵌套函数中访问并修改外层函数（非全局）作用域的变量。 b.在函数嵌套的前提下，内部函数使用了外部函数的变量，并且外部函数返回了内部函数，我们把这个使用外部函数变量的内部函数称为闭包函数。 c.特点： （1）闭包函数的特点是可以访问和修改其所在
[LeetCode] 134. Gas Station
想到了提前判断和小于0的情况，懒得写，果然被阴间用例10万个加油站坑了。 然后发现更阴间的99999个0的测试用例,Pycharm调试都崩溃了。。。 跳过了0的情况，题目说明可能的解是唯一的，所以0不影响结果。 然后就遇到99995个1。。。换个思路解题。 不需要考虑已经走过的加油站，只需要维护一个总的燃油量，如果循环结束总量大于0，就说明已经走过的加油站可以在循环的后半程走完。 近期做的
算法金 | 推导式、生成器、向量化、map、filter、reduce、itertools，再见 for 循环
大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」 不要轻易使用 For 循环 For 循环，老铁们在编程中经常用到的一个基本结构，特别是在处理列表、字典这类数据结构时。但是，这东西真的是个双刃剑。虽然看起来挺直白，一用就上手，但是，有时候用多了，问题也跟着来了。 性能问题 首先得说说性能问题。铁子们可能都有感觉，当你的数据量一
gitlab私有仓库搭建
安全：关闭防火墙，selinux 1.安装GItlab所需的依赖包 安装gitlab gitlab基础设置 gitlab命令行管理 检测gitlab的nginx状态 gitlab主要配置目录 访问gitlab 关闭用户注册 我们GItlab是企业级内部私有代码仓库，所有用户都由管理员创建，而非外部注册，我们可以关闭其功能，保障平台安全。 重新登录之后，注册功能就没了 配置邮件功
12、flask-模型-models
ORM Flask通过Model操作数据库、不管你数据库的类型是Mysql或者是sqlite、Flask自动帮你生成相应的数据库类型的sql语句、所以不需要关注sql语句和类型、对数据库的操作flask会自动帮我们完成 Flask使用关系映射（Object Relational Mappong, 简称ORM）框架去操控数据库 ORM对象关系映射、是一种程序技术、用于实现面向对象编程语言里不同类
Linux系统配置Opencv+cuda+ffmpeg开发环境，-217:Gpu API call unknown error code问题排解
Opencv是当前比较热门的图像处理开源算法库，但是随着深度学习在图像存储里领域的大放异彩，基于python的图像处理和深度学习算法大有超越opencv的趋势。opencv在最近的版本更新中，重点都放在了人工智能算法方面，本文介绍linux环境下配置支持GPU/cuda的ffmpeg和opencv开发环境，并将其中遇到的问题记录下来，方便查询。 1. 基础环境 操作系统：目前在Ubun
前端入门AI：通过6个问题给你讲明白
什么是AI 现在说AI，主要说的是以chatGPT为首的大语言模型（LLM），也即生成式AI，它属于自然语言处理领域（NLP）的一个分支，以输入输出形式的对话系统为展现形态。 当然，这个AI背后的技术本质，主要还是依赖于算法 + 数据，只是其算法极其复杂，数据也极其庞大，最终产生了效果上的质变，具备了一定的智能。 若论其发展阶段，当前的AI属于弱人工职能的巅峰，距离强人工智能还有一段距离，其发展方
基于Sentence Transformer微调向量模型
Sentence Transformer库升级到了V3，其中对模型训练部分做了优化，使得模型训练和微调更加简单了，跟着官方教程走了一遍，顺利完成向量模型的微调，以下是对官方教程的精炼和总结。 一 所需组件 使用Sentence Transformer库进行向量模型的微调需要如下的组件： 数据数据: 用于训练和评估的数据。 损失函数 : 一个量化模型性能并指导优化过程的函数。 训练参数 (可选):
9、flask-会话-cookie
Cookie 客户端的会话技术： - cookie本身由浏览器保存，通过response将cookie写道浏览器上、下一次访问时、浏览器会根据不同的规则携带cookie过来 特点： - 客户端的会话技术、浏览器的会话技术 - 数据全都是存储在客户端中 - 存储使用的键值对结构进行的存储 - 特性： - 支持过期时间 - 默认会自动携带本网站的所有cookie - 根据域名
Django详细笔记
django 学习 特点 快速开发 安全性高 可伸缩性强 URL 组成部分 URL： 同意资源定位符 一个URL由以下几部分组成 scheme: 代表的是访问的协议，一般为http或https协议 host： 主机名，域名 port： 端口 http 默认：80端口 https 默认端口：443 path： 查找路径 query-string：查询字符串 anchor：锚点，后
慎独削砌儒门：给予蟒蛇的萝莉与工具
[newcommand{b}{mathbf} ]II.感知机 感知机输入多个信号，输出一个信号。一个最基础的感知机由权重和阈值两部分组成：若输入关于权重的线性组合高于阈值则输出 (1)，此时神经元被认为激活；否则输出 (0)，则神经元未被激活。与门、或门都可以被看作基础的感知机。 感知机的一种数学描述是，有权重向量 (b w) 和偏置 (b)，对于输入向量 (b x)，使用 ([b+b wcdot
10、flask-会话-session
session会话 是一种服务器端的会话技术、依赖于cookie 特点： - 服务端的会话技术 - 所有数据存储在服务器中 - 默认存储在内存中 - 存储结构也是key-value形式的键值对 - session是离不开cookie的 Flask中的session是全局对象 常用操作： - 设置seesion： - seesion['key'] = value - 获取seesion：
CosyVoice多语言、音色和情感控制模型，one-shot零样本语音克隆模型本地部署(Win/Mac),通义实验室开源
近日，阿里通义实验室开源了CosyVoice语音模型，它支持自然语音生成，支持多语言、音色和情感控制，在多语言语音生成、零样本语音生成、跨语言声音合成和指令执行能力方面表现卓越。 CosyVoice采用了总共超15万小时的数据训练，支持中英日粤韩5种语言的合成，合成效果显著优于传统语音合成模型。 CosyVoice支持one-shot音色克隆 ：仅需要3~10s的原始音频，即可生成模拟音色，甚至