策略模式如何避免冗长的if-else、switch分支判断代码？原理与实现定义一族算法类，将每个算法分别封装起来，让他们可以相互替换。策略模式可以使算法独立于使用它们的客户端（使用算法的代码）。Define a family of algorithms, encapsulate each one, and make them interchangeable. Strategy lets the algorithm vary independently from clients that use them.工厂模式是解耦对象的创建和使用，观察者模式是解耦观察者和被观察者。策略模式也是解耦，他解耦的是策略的定义，创建和使用这三部分。策略的定义策略的定义包括一个策略接口和一组实现这个接口的策略类。客户端基于接口而非实现编程， 可以灵活替换策略。publicinterfaceStrategy{voidalgorithmInterface();}publicclassConcreteStrategyAimplementsStrategy {@OverridepublicvoidalgorithmInterface() {//具体的算法...}}publicclassConcreteStrategyBimplementsStrategy {@Overridepublicvoidalgorith ...继续阅读 (34)

蚂蚁庄园今日答案：小家宝宝考考你：成语“明察秋毫”中的“秋毫”指的是？ 秋天鸟兽新长的毛 秋天树叶上的脉络 答案：秋天鸟兽新长的毛 小知识：成语“明察秋毫”中的“秋毫”指的是秋天鸟兽新长的毛！ 成语明察秋毫的拼音：míng chá qiū háo；明察秋毫的意思：原形容人目光敏锐，任何细小的事物都能看得很清楚。后多形容人能洞察事理。其中“明察”是指看清；“秋毫”是指秋天鸟兽身上新长的细毛。查看全文：https://boke123.net/6420.html ...继续阅读 (164)

蚂蚁庄园今日答案：以下哪种面包吃不完放冰箱，更适合冷冻保存？ 法棍面包 三明治 答案：法棍面包 小知识：法棍面包吃不完放冰箱，更适合冷冻保存！ 法棍面包属于硬式面包，吃不完的话建议用较厚的纸袋密封存放于冷冻室，也可以切片密封保存，可保存1-2个月。而三明治通常以丰富夹馅为特色，在保存上要求较高，如果不是马上食用，要立刻放入冷藏并且尽快当天吃完。查看全文：https://boke123.net/6425.html ...继续阅读 (166)

原创作者邓雪梅系纷析咨询高级咨询顾问。 “这个还有多久啊，我朋友生日就快到了，再不发就来不及送了。” “亲亲，还有一个月哦～您到时候可以送给别的朋友哦～” “亲亲”+波浪号，是不是大家最熟悉的电商客服用语，一度被戏谑为“淘宝体”。但是现在这 […] ...继续阅读 (162)

出问题的时候大致是这种情况，先执行到了删除，就拿到这把锁了，还没删除完之前，update canvas就调用了，这时候handle这些是有效的，就跑到了等锁这里，等删除完成归还锁了后，update就呼噜呼噜的跑下去了。这是明显有漏洞的，调过了handle的有效性检查。切换视频分辨率的时候，叠加在视频上的OSD也会做相应调整，比如300w的视频用个的LOGO图片跟720P视频用的图片大小肯定是不一样的，显示的时间戳这些字号的大小要跟视频成一定比例，不然看起来就不协调了，因此就会有osd删除和再叠加的过程。 ...继续阅读 (120)

随着Instagram营销的兴起，大量的卖家在Instagram上建立主页，来展示和推广自己的产品。其中有不少是我们的同行或上下游卖家，而他们的关注者通常也是我们的目标客户，很多外贸业务员都以此来开发客户。一般的做法是手动浏览Instagram，通过搜索关键词找到同行或上下游主页，然后点击粉丝按钮，依次浏览其粉丝列表，可以直接发消息，也可以通过其主页上的联系方式去联系对方。直接发消息太多，会触发Instagram的风控机制，可能会导致封号。所以，如果想大量开发Instagram粉丝，通常都是通过粉丝主页上的Email或WhatsApp去发开发信联系对方。今天给大家分享一种更为高效的自动化方法，提升大家收集同行Instagram主页上粉丝联系方式息的效率。首先，登录您的Instagram账号，输入相关的关键词进行搜索。在返回的搜索结果中找到同行的Instagram主页并打开，然后点击“**万 粉丝”，您将看到其Instagram主页的关注者（粉丝）列表。接下来，使用“Page Auto Scroll”浏览器插件，点击向下箭头，启动页面自动滚动功能，这样就能拉取到所有的主页粉丝，加载完后插件会自动停止滚动。当滚动完成后，打开“Instant Data Scraper”插件。这款工具可以帮助您提取出所有粉丝的Instagram主页URL地址了。将这些URL地址复制到“URL Bulk O ...继续阅读 (127)

随着社交营销的兴起，大量的海外卖家会选择在Facebook上建立公共主页，来展示和推广自己的产品。这为外贸业务员提供了一个宝贵的客户信息来源。传统的做法是手动浏览Facebook，通过搜索关键词找到目标公共主页，然后从中收集邮箱或WhatsApp联系方式。今天为大家分享一种更为高效的自动化方法，帮大家提升收集Facebook公共主页上客户Email或WhatsApp的效率。首先，登录您的Facebook账号，输入相关的关键词进行搜索。在返回的搜索结果的左侧选项中，点击“公共主页”，您将看到与关键词相关的所有公共主页列表。接下来，使用“Page Auto Scroll”浏览器插件，点击向下箭头，启动页面自动滚动功能，这样就能拉取到Facebook上所有符合关键词的公共主页了，所有主页都被加载完后插件会自动停止滚动。当滚动完成后，打开“Instant Data Scraper”插件。这款工具可以帮助您提取出所有显示的公共主页的URL地址。将这些URL地址复制到“URL Bulk Opener”插件中。点击开始后，该插件会为您批量打开所有的链接，每个页面会按照设定的时间间隔依次加载。此时，“Email & WhatsApp Extractor”插件便开始工作，自动从每个打开的页面中提取出Email地址和WhatsApp号码。完成后，点击“导出数据”，您就可以得到一个包含所有Email、W ...继续阅读 (124)

交易的本质炒作预期，预期来自于市场情绪的宣泄和引导，从这波行情的新周期确立到主线确立，我们不难看出华力创通是主升阶段的产物，题材最正宗，而华为概念来自于Mate60手机的发布，这个市场情绪的包含了手机芯片7nm 麒麟9000的制造和光刻机2个方面，因为华为手机谁代工制造出来的，华为并没有给出官方解释，也没有手机发布会，市场会认为美国的技术封锁失败了，我们国产替代取得了巨大的成功。你活在当下还没想明白昨天以前的事情，你就是历史，无论事后你通过什么方法知道了发生了什么，但是方向是错的。 ...继续阅读 (133)

异常检测（Anomaly Detection），也被称为离群值检测（Outlier Detection）或异常值检测，是一种数据分析方法，用于识别数据集中的异常或不寻常的数据点，这些数据点与其他正常数据点不同。异常可以是意外事件、错误、故障或潜在的欺诈行为。异常检测在多个领域中都有应用，包括金融、网络安全、制造、医疗保健和环境监测等。以下是异常检测的一些关键概念和方法：异常类型：异常可以分为不同类型，包括点异常（Point Anomaly）和上下文异常（Contextual Anomaly）。点异常是指在数据集中的某个数据点是异常的，而上下文异常是指在特定上下文下的数据点异常。基于阈值的方法：最简单的异常检测方法是基于阈值的方法，其中异常被定义为与正常数据点的差异超过某个预定义阈值的数据点。这种方法对于简单问题可能有效，但通常对于复杂数据集和多维数据不够稳健。统计方法：统计方法包括使用概率分布、均值、标准差等统计量来检测异常。常见的统计方法包括Z分数、箱线图和百分位方法。机器学习方法：机器学习方法是异常检测中更强大和灵活的方法之一，它们可以处理复杂的数据和多维特征。常见的机器学习方法包括基于密度的方法（如LOF和DBSCAN）、基于距离的方法（如k近邻）、聚类方法、以及基于深度学习的方法（如自编码器）。时间序列异常检测：对于时间序列数据，异常检测需要考虑时间维度。时间序列中的异常可 ...继续阅读 (188)

异常检测（Anomaly Detection），也被称为离群值检测（Outlier Detection）或异常值检测，是一种数据分析方法，用于识别数据集中的异常或不寻常的数据点，这些数据点与其他正常数据点不同。异常可以是意外事件、错误、故障或潜在的欺诈行为。异常检测在多个领域中都有应用，包括金融、网络安全、制造、医疗保健和环境监测等。以下是异常检测的一些关键概念和方法：异常类型：异常可以分为不同类型，包括点异常（Point Anomaly）和上下文异常（Contextual Anomaly）。点异常是指在数据集中的某个数据点是异常的，而上下文异常是指在特定上下文下的数据点异常。基于阈值的方法：最简单的异常检测方法是基于阈值的方法，其中异常被定义为与正常数据点的差异超过某个预定义阈值的数据点。这种方法对于简单问题可能有效，但通常对于复杂数据集和多维数据不够稳健。统计方法：统计方法包括使用概率分布、均值、标准差等统计量来检测异常。常见的统计方法包括Z分数、箱线图和百分位方法。机器学习方法：机器学习方法是异常检测中更强大和灵活的方法之一，它们可以处理复杂的数据和多维特征。常见的机器学习方法包括基于密度的方法（如LOF和DBSCAN）、基于距离的方法（如k近邻）、聚类方法、以及基于深度学习的方法（如自编码器）。时间序列异常检测：对于时间序列数据，异常检测需要考虑时间维度。时间序列中的异常可 ...继续阅读 (179)

降维（Dimensionality Reduction）是指将高维数据集中的特征维度减少到较低维度的过程。高维数据集通常包含大量特征，而降维的目标是保留尽可能多的信息，同时减少数据的维度，以便更容易可视化、分析和建模。降维技术在数据挖掘、机器学习和数据分析中具有重要作用。降维的两种主要方法是：特征选择（Feature Selection）：特征选择是通过选择最重要的特征来减少维度。这些特征通常与目标变量或任务的性能关系最大。常见的特征选择方法包括方差阈值、相关系数、互信息、递归特征消除（RFE）等。优点：简单、易于理解，不需要计算新特征。缺点：可能忽略了特征之间的复杂关系。特征抽取（Feature Extraction）：特征抽取通过将原始特征变换为新的特征空间来减少维度。这些新特征通常是原始特征的线性或非线性组合。常见的特征抽取方法包括主成分分析（PCA）、线性判别分析（LDA）、t-SNE、自编码器等。优点：保留了数据的主要信息，可以捕捉特征之间的复杂关系。缺点：计算复杂度较高，可能需要调整参数。降维的主要优点包括：减少计算复杂度：降维可以大幅减少处理高维数据的计算成本。去除冗余信息：降维可以帮助去除不重要的特征，从而减少噪声和冗余信息的影响。可视化：将数据降维到2D或3D空间可以更容易地可视化数据。增强模型泛化能力：降维可以减少维度灾难问题，有助于提高机器学习模型的泛化能力。 ...继续阅读 (179)

降维（Dimensionality Reduction）是指将高维数据集中的特征维度减少到较低维度的过程。高维数据集通常包含大量特征，而降维的目标是保留尽可能多的信息，同时减少数据的维度，以便更容易可视化、分析和建模。降维技术在数据挖掘、机器学习和数据分析中具有重要作用。降维的两种主要方法是：特征选择（Feature Selection）：特征选择是通过选择最重要的特征来减少维度。这些特征通常与目标变量或任务的性能关系最大。常见的特征选择方法包括方差阈值、相关系数、互信息、递归特征消除（RFE）等。优点：简单、易于理解，不需要计算新特征。缺点：可能忽略了特征之间的复杂关系。特征抽取（Feature Extraction）：特征抽取通过将原始特征变换为新的特征空间来减少维度。这些新特征通常是原始特征的线性或非线性组合。常见的特征抽取方法包括主成分分析（PCA）、线性判别分析（LDA）、t-SNE、自编码器等。优点：保留了数据的主要信息，可以捕捉特征之间的复杂关系。缺点：计算复杂度较高，可能需要调整参数。降维的主要优点包括：减少计算复杂度：降维可以大幅减少处理高维数据的计算成本。去除冗余信息：降维可以帮助去除不重要的特征，从而减少噪声和冗余信息的影响。可视化：将数据降维到2D或3D空间可以更容易地可视化数据。增强模型泛化能力：降维可以减少维度灾难问题，有助于提高机器学习模型的泛化能力。 ...继续阅读 (185)

无监督学习：简介 Unsupervised Learning_ Introduction无监督学习（Unsupervised Learning）是机器学习的一种范式，与监督学习不同，它在训练过程中不使用标签或输出目标。无监督学习的主要任务是从数据中发现隐藏的结构、模式或规律，以便对数据进行聚类、降维、生成等操作。这种学习范式适用于许多现实世界的问题，其中没有事先标记的数据。以下是无监督学习的一些关键概念和要点：聚类（Clustering）：聚类是无监督学习中的一项任务，其目标是将数据分成若干组，每组内的数据点相似度较高，而不同组之间的相似度较低。K均值聚类和层次聚类是常见的聚类算法。降维（Dimensionality Reduction）：降维是指减少数据集的特征维度，同时保留尽可能多的信息。降维技术有助于可视化数据和减少计算复杂性。主成分分析（PCA）和 t-SNE 是常用的降维方法。生成模型（Generative Models）：生成模型试图学习数据的概率分布，然后可以生成与原始数据类似的新样本。常见的生成模型包括高斯混合模型（GMM）和变分自编码器（VAE）等。关联规则挖掘（Association Rule Mining）：关联规则挖掘是一种发现数据中项之间关联关系的方法，常用于市场篮子分析和推荐系统。异常检测（Anomaly Detection）：异常检测的目标是识别数据中 ...继续阅读 (171)

无监督学习：简介 Unsupervised Learning_ Introduction无监督学习（Unsupervised Learning）是机器学习的一种范式，与监督学习不同，它在训练过程中不使用标签或输出目标。无监督学习的主要任务是从数据中发现隐藏的结构、模式或规律，以便对数据进行聚类、降维、生成等操作。这种学习范式适用于许多现实世界的问题，其中没有事先标记的数据。以下是无监督学习的一些关键概念和要点：聚类（Clustering）：聚类是无监督学习中的一项任务，其目标是将数据分成若干组，每组内的数据点相似度较高，而不同组之间的相似度较低。K均值聚类和层次聚类是常见的聚类算法。降维（Dimensionality Reduction）：降维是指减少数据集的特征维度，同时保留尽可能多的信息。降维技术有助于可视化数据和减少计算复杂性。主成分分析（PCA）和 t-SNE 是常用的降维方法。生成模型（Generative Models）：生成模型试图学习数据的概率分布，然后可以生成与原始数据类似的新样本。常见的生成模型包括高斯混合模型（GMM）和变分自编码器（VAE）等。关联规则挖掘（Association Rule Mining）：关联规则挖掘是一种发现数据中项之间关联关系的方法，常用于市场篮子分析和推荐系统。异常检测（Anomaly Detection）：异常检测的目标是识别数据中 ...继续阅读 (171)

支持向量机（Support Vector Machine，SVM）是一种机器学习算法，用于分类和回归分析。它是一种监督学习方法，最初由Vladimir Vapnik等人于20世纪90年代开发。SVM 的主要目标是找到一个能够将不同类别的数据点分隔开的超平面（在二维空间中，超平面就是一条直线）。这个超平面被选择为使两个不同类别的数据点距离超平面的间隔最大化。这些距离称为支持向量，因此 SVM 的名字就来源于此。以下是 SVM 的关键概念和工作原理：超平面：在二维空间中，超平面是一条直线，但在高维空间中，它是一个超平面。SVM 的目标是找到一个能够最大化不同类别数据点到这个超平面的距离的超平面。支持向量：支持向量是离超平面最近的那些数据点。它们是决定超平面位置的关键元素。分类：SVM 可以用于二元分类和多元分类问题。在二元分类中，SVM试图找到一个超平面，将数据点分为两个类别。在多元分类中，SVM 可以通过多个超平面的组合来实现。核函数：SVM 可以使用核函数来处理线性不可分的数据。核函数将数据映射到高维空间，使其在高维空间中线性可分。常用的核函数包括线性核、多项式核和高斯核（RBF核）等。正则化：SVM 通常使用正则化来避免过拟合。正则化参数可以调整模型的复杂度，以提高泛化性能。优化目标 Optimization Objective与逻辑回归和神经网络相比，支持向量机，或者简称SVM ...继续阅读 (189)

支持向量机（Support Vector Machine，SVM）是一种机器学习算法，用于分类和回归分析。它是一种监督学习方法，最初由Vladimir Vapnik等人于20世纪90年代开发。SVM 的主要目标是找到一个能够将不同类别的数据点分隔开的超平面（在二维空间中，超平面就是一条直线）。这个超平面被选择为使两个不同类别的数据点距离超平面的间隔最大化。这些距离称为支持向量，因此 SVM 的名字就来源于此。以下是 SVM 的关键概念和工作原理：超平面：在二维空间中，超平面是一条直线，但在高维空间中，它是一个超平面。SVM 的目标是找到一个能够最大化不同类别数据点到这个超平面的距离的超平面。支持向量：支持向量是离超平面最近的那些数据点。它们是决定超平面位置的关键元素。分类：SVM 可以用于二元分类和多元分类问题。在二元分类中，SVM试图找到一个超平面，将数据点分为两个类别。在多元分类中，SVM 可以通过多个超平面的组合来实现。核函数：SVM 可以使用核函数来处理线性不可分的数据。核函数将数据映射到高维空间，使其在高维空间中线性可分。常用的核函数包括线性核、多项式核和高斯核（RBF核）等。正则化：SVM 通常使用正则化来避免过拟合。正则化参数可以调整模型的复杂度，以提高泛化性能。优化目标 Optimization Objective与逻辑回归和神经网络相比，支持向量机，或者简称SVM ...继续阅读 (184)

决定下一步做什么 Deciding What to Try Next当训练好了的模型来预测未知数据的时候发现有较大的误差，下一步一般有以下动作：获得更多的训练样本——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法；尝试减少特征的数量尝试获得更多的特征尝试增加多项式特征尝试减少正则化程度尝试增加正则化程度不应该随机选择上面的某种方法来改进算法，而是运用一些机器学习诊断法来帮助知道上面哪些方法对算法是有效的。”机器学习诊断法”：这是一种测试法，通过执行测试，能够深入了解某种算法到底是否有用。这通常也能够告诉你，要想改进一种算法的效果，什么样的尝试，才是有意义的。评估一个假设 Evaluating a Hypothesis当确定算法的参数的时候，希望是选择参量来使训练误差最小化；但是当假设具有很小的训练误差，并不能说明它就一定是一个好的假设函数。比如过拟合假设函数，当推广到新的训练集上却是不适用的。如何判断一个假设函数是过拟合的呢？可以对假设函数进行画图，然后观察图形趋势，但对于特征变量不止一个的这种一般情况，还有像有很多特征变量的问题，想要通过画出假设函数来进行观察，就会变得很难甚至是不可能实现。 因此，我们需要另一种方法来评估我们的假设函数过拟合检验。为了检验算法是否过拟合，我们将数据分成训练集和测试集，通常用70%的数据作为训练集 ...继续阅读 (205)

决定下一步做什么 Deciding What to Try Next当训练好了的模型来预测未知数据的时候发现有较大的误差，下一步一般有以下动作：获得更多的训练样本——通常是有效的，但代价较大，下面的方法也可能有效，可考虑先采用下面的几种方法；尝试减少特征的数量尝试获得更多的特征尝试增加多项式特征尝试减少正则化程度尝试增加正则化程度不应该随机选择上面的某种方法来改进算法，而是运用一些机器学习诊断法来帮助知道上面哪些方法对算法是有效的。”机器学习诊断法”：这是一种测试法，通过执行测试，能够深入了解某种算法到底是否有用。这通常也能够告诉你，要想改进一种算法的效果，什么样的尝试，才是有意义的。评估一个假设 Evaluating a Hypothesis当确定算法的参数的时候，希望是选择参量来使训练误差最小化；但是当假设具有很小的训练误差，并不能说明它就一定是一个好的假设函数。比如过拟合假设函数，当推广到新的训练集上却是不适用的。如何判断一个假设函数是过拟合的呢？可以对假设函数进行画图，然后观察图形趋势，但对于特征变量不止一个的这种一般情况，还有像有很多特征变量的问题，想要通过画出假设函数来进行观察，就会变得很难甚至是不可能实现。 因此，我们需要另一种方法来评估我们的假设函数过拟合检验。为了检验算法是否过拟合，我们将数据分成训练集和测试集，通常用70%的数据作为训练集 ...继续阅读 (195)

Scriptable 脚本合集iOS桌面组件神器（Scriptable）原创脚本，精美作品收集、分享！ 如果喜欢，欢迎点个 ⭐️ Star ⭐️ 给予小支持，感谢您的使用！喜欢这个项目？有好的脚本？请考虑留言来帮助完善它！如果您使用过程中发现有问题或可以改进的流程，请提出 Issue 或 Pull request ！📌 项目代码已全部开源，欢迎提交PR目录如何使用我的作品集汽车类日历类健康类手机类音乐类阅读类社交类购物类运动类工具类常见问题解答🟠🟡🟢如何使用iPhone 上下载ScriptableApp（确保你的系统已更新为 iOS14+）.打开App，点击右上角 + 号，复制项目中对应的代码长按桌面，添加组件，选择Scriptable，然后点击组件配置，选择刚刚保存的脚本即可.尽情享受吧！🟠🟡🟢我的作品集注：本人原创以及他人基础上修改的作品，相关配置信息详见-公众号内推文🌍 全选复制·快捷指令| 可便捷解决手机复制scriptable代码问题🟢下载捷径🌍 脚本订阅🟢作者：@Nicolas-kings - 订阅🌍 脚本下载器 - 便捷下载本人所有脚本🟢作者：@Nicolas-kings - 下载器序号推荐指数说明链接示意图1⭐️⭐️⭐️⭐️⭐️支持查询全国所有省份的油价实时数据ONE-oilprice.js2⭐️⭐️⭐️⭐️⭐️时间倒计时百分比ONE-Progress.js3⭐️⭐ ...继续阅读 (128)

今天我为大家带来新的作品，iOS14桌面组件神器（Scriptable）原创脚本，精美作品分享！喜欢的话就点关注吧！更多脚本正在路上…12345678910* script : ONE-NBAMATCH.js* version : 1.3* author : Nicolas-kings* date : 2021-06-14* desc : 具体配置说明，详见微信公众号-曰(读yue)坛* github : https://github.com/Nicolasking007/Scriptable* Changelog : v1.3 - 修复不能正常使用的问题，建议立即更新* v1.2 - 修复背景报错，新增多个图片背景选项* v1.1 - 修复一个不可饶恕的bug，我的锅* v1.0 - 首次发布Scriptable脚本预览如何使用iPhone 上下载Scriptable App（确保你的系统已更新为 iOS14+）.打开App，点击右上角+号，复制项目中对应的代码， 点击下载长按桌面，添加组件，选择Scriptable，然后点击组件配置，选择刚刚保存的脚本即可.尽情享受吧！准备工作配置关注的球队ID东部联盟 - 2020-2021赛季球队ID说明76 ...继续阅读 (97)

今天我为大家带来新的作品，iOS14桌面组件神器（Scriptable）原创脚本，精美作品分享！喜欢的话就点关注吧！更多脚本正在路上…12345678910111213141516171819* script : ONE-hotcomments.js* version : 2.8* author : Nicolas-kings* date : 2021-04-05* desc : 具体配置说明，详见微信公众号-曰(读yue)坛* github : https://github.com/Nicolasking007/Scriptable* Changelog : v2.8 - 修复背景报错，新增多个图片背景选项* v2.7 - 增加背景图片可配置化* v2.6 - 压缩代码，便于复制* v2.5 - 增加api数据源,遇到接口问题时可自行切换接口源* v2.4 - 修复图片报错的bug* v2.3 - 优化背景逻辑* v2.2 - 优化背景图片缓存处理v2.1 - 细节优化，样式调整v2.0 - 小组件UI重构v1.3 - 支持版本更新、脚本远程下载v1.2 - api接口数 ...继续阅读 (101)

今天我为大家带来新的作品，iOS14桌面组件神器（Scriptable）原创脚本，精美作品分享！喜欢的话就点关注吧！更多脚本正在路上…1234567* script : ONE-Toady.js* version : 1.0.0* author : Nicolas-kings* date : 2021-03-27* github : https://github.com/Nicolasking007/Scriptable* desc : 具体配置，详见微信公众号-曰(读yue)坛*******************************************************前言距离发布上一篇推文，距今已有20多天。昨天被人夸了一顿，挺开心的。想到自己的作品能够帮到大家，解决需求。就挺开心的Scriptable脚本预览如何使用iPhone 上下载Scriptable App（确保你的系统已更新为 iOS14+）.打开App，点击右上角+号，复制项目中对应的代码， 点击下载长按桌面，添加组件，选择Scriptable，然后点击组件配置，选择刚刚保存的脚本即可.尽情享受吧！准备工作最近在公众号内回复留言时发现，依旧有许多人不知道如何设置小组件的背景，借着ONE-Toady新脚本发布之际，再次指导一下大家如何自定义设置小组 ...继续阅读 (102)

今天我为大家带来新的作品，iOS14桌面组件神器（Scriptable）原创脚本，精美作品分享！喜欢的话就点关注吧！更多脚本正在路上…12345678* script : ONE-Progress.js* version : 1.0.0* author : Nicolas-kings* date : 2021-03-06* github : https://github.com/Nicolasking007/Scriptable* desc : 具体配置，详见微信公众号-曰(读yue)坛* color : #FFA400, #FF7500, #0AA344, #4B5CC4, #B25D25*******************************************************前段时间，在小米手机上看见倒计时这个捷径，挺好看的，想着用scriptable写个，在iPhone上玩。告诫自己时间 一去不复返，要珍惜时间Scriptable脚本预览如何使用iPhone 上下载Scriptable App（确保你的系统已更新为 iOS14+）.打开App，点击右上角+号，复制项目中对应的代码， 点击下载长按桌面，添加组件，选择Scriptable，然后点击组件配置，选择刚刚保存的脚本即可.尽情享受吧！准备 ...继续阅读 (104)

微博森林驿站森林小课堂答案：乌鸦会表演什么来求偶？ 舞蹈 复杂飞行技巧 精心打扮 答案：复杂飞行技巧 小知识：乌鸦（学名：Corvus sp.），又叫老鸹，是鸦科、鸦属中数种黑色鸟类的俗称，为雀形目中体形最大的鸟类，全身或大部分羽毛为乌黑色，故名。五月到八月是乌鸦的繁殖期，终生一夫一妻。繁殖期的求偶炫耀比较复杂，并伴有杂技式的飞行。每窝产卵5-7枚，雌鸟孵卵，孵化期16-20天，雏鸟为晚成性，亲鸟...查看全文：https://boke123.net/6418.html ...继续阅读 (174)

淘金币今日答案：在高温环境下，人会诱发中暑是因为人体？ 产热大于散热 产热小于散热 答案：产热大于散热 解析：在高温环境下，人会诱发中暑是因为人体产热大于散热！ 在高温环境下，人体的体温调节功能出现障碍，产热大于散热，体内热量蓄积过多，引起循环系统和中枢神经系统功能紊乱，会产生一系列中暑症状。此外睡眠不足、过度疲劳、精神紧张等，都是中暑常见的诱因。查看全文：https://boke123.net/6417.html ...继续阅读 (129)

你好，我是猫哥。这里每周分享优质的 Python、AI 及通用技术内容，大部分为英文。标题取自其中两则分享，不代表全部内容都是该主题，特此声明。本周刊由Python猫出品，精心筛选国内外的 250+ 信息源，为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景：帮助所有读者精进 Python 技术，并增长职业和副业的收入。微信|博客|邮件|Github|Telegram|Twitter本周刊开通 Telegram 频道后，已有 650+ 小伙伴加入，欢迎你到来：https://t.me/pythontrendingweekly🦄文章&教程1、三种对 Python 作基准测试的方法文章介绍了使用标准库对 Python 作基准测试的几种方法：time、timeit、cProfile 与 profile，详细介绍了几个工具的使用方法及测试数据的解读。2、舍弃 Poetry 和 PDM，切换成 Hatch作者“移情别恋”了 Hatch，开始在项目中使用它。文章介绍了他喜欢 Hatch 的一些小亮点：环境隔离、命令脚本、可替代Tox、可选的依赖项等。（附：Python 任务自动化工具 tox 教程）3、TOML 文件格式有什么问题？TOML 是“改进的” INI 文件，是 Python 推荐的配置文件格式。文章提到，连 TOML 的作者也认为它是一种糟糕的格式 ...继续阅读 (176)

QuestionGiven two stringssandt, returntrueif they are both one edit distance apart, otherwise returnfalse.A stringsis said to be one distance apart from a stringtif you can:Insertexactly onecharacter intosto gett.Deleteexactly onecharacter fromsto gett.Replaceexactly onecharacter ofswitha different characterto gett.AlgorithmThis question is basic, you just loop each character, if they are different, then that is the editing point, mark edited, and continue going, if there is other dieting point then return false since we have more than one editing point; or there is no editing point that's sti ...继续阅读 (31)

Hi, I am Yinan, a PhD student in Physics.Since I started my PhD, I have been reading and learning a lot, by writing down tons of notes and worklogs. Most of my notes are Markdown files stored in an app calledObsidian.Since almost all of my notes are going digital now, it is not a bad idea to put them online. Also, I have been writing short articles in Chinese since very young, but hadn't had the chance to collect and share them with others. I have been thinking about starting a blog for a long time.Now, I finally decided to start one, thanks to a great toolPyBoke, which makes it very easy to c ...继续阅读 (131)

从两次procrank执行之间，我们只是操作了切换视频的分辨率，切换分辨率的时候，我们图像上的OSD大小和位置都要做适当的调整，比如1080P上的osd肯定不大适合720P，都得重新适配一下，所以就有个退出和重新加载的过程。内存泄露问题很讨厌的，谁都不喜欢。遇到问题不要慌，先理清一下思路，结合工具，结合自动化测试去跑，找规律，找出暗藏的蛛丝马迹，加油！通过分析打印，我们看循环执行的次数，我们发现有一个规律，大概执行100次，大概少了3M样子，发现这个规律，就绞尽脑汁的想，哪个有可能少这么多。 ...继续阅读 (165)

先从窗口上获取DISABLE_VISIBILITY_CHECKS的CheckBox控件，这个控件是控制是否允许雾存在，如果把这个选项勾选上，就会导致整个地图所有物品都可以看到，知道敌人的建筑物，以及矿场所在的地方。这个按钮的名称叫做SHOW_UNIT_PATHS，也是一个CheckBox，它是用来控制是否显示移动物品的路径，用来调试寻路算法，这样把整个路径进行可视化，就可以很容易看出来寻路算法是否出问题。这段码是查找BUILD_ANYWHERE，主要作用是不限制建造物品的位置，这样可以在任意地方建造物品。 ...继续阅读 (154)