一只编程熊 一只编程熊
4年前
ACM金牌选手整理的【LeetCode刷题顺序】
算法和数据结构知识结构图首先,了解算法和数据结构有哪些知识点,在学习中形成大局观,对学习和刷题十分有帮助。下面是我花了一天时间整理的算法和数据结构的知识结构,大家可以看看。<imgsrc"https://tva1.sinaimg.cn/large/008i3skNly1gsbvbwd5u1j30ys0u0tl6.jpg"alt"image202107
Stella981 Stella981
4年前
Excel依然是一款强大的数据可视化利器~
早期的数据小魔方用户大概都知道,我最初也是从学习Excel起步的,只是学习的深入了之后,才开开慢慢的迁移到R语言。我往R语言转型并不代表自己开始放弃Excel或者觉得Excel不适合做可视化,只是想体验一下Excel外围的可视化世界是什么样子的,毕竟在这个大行业内,还活跃着太多可视化领域的佼佼者,譬如PowerBI、Tableau等。
Stella981 Stella981
4年前
Fossil book 中文版翻译
Fossil是一个集成了BUG跟踪以及WIKI的DVCS分布式版本控制系统,只有一运行程序且跨平台。使用简单,支持单用户及多用户模式。我目前将官方的Fossilbook翻译成中文,目的只是为了学习下Fossil,翻译是最好的方式之一了,同时也可以产生一个学习的副产品目前翻译托管在chiselapp.com(https://www.osc
Stella981 Stella981
4年前
120分钟React快速扫盲教程
  在教程开端先说些题外话,我喜欢在学习一门新技术或读过一本书后,写一篇教程或总结,既能帮助消化,也能加深印象和发现自己未注意的细节,写的过程其实仍然是一个学习的过程。有个记录的话,在未来需要用到相关知识时,也方便自己查阅。  React(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%
Stella981 Stella981
4年前
Serverless 的 AI 写诗,程序员浪漫起来谁能顶得住啊!
古诗词是中国文化殿堂的瑰宝,记得曾经在韩国做ExchangeStudent的时候,看到他们学习我们的古诗词,有中文的还有翻译版的,自己发自内心的骄傲,甚至也会在某些时候背起一些耳熟能详的诗词。本文将会通过深度学习为我们生成一些古诗词,并将模型部署到Serverless架构上,实现基于Serverless的古诗词生成API。!(ht
可莉 可莉
4年前
10w字!Django+Flask+经典Python数据分析合集
大伙可能都知道Python可以应用在很多方面,比如Web开发,小编我之前在学习这一块知识的时候,也苦于查找系统的资料。对于成熟的框架比如Flask、Django,如果有一套完整的内容体悉加上实际案例,学习起来还是很快的。最近我发现了一个优质的原创博主,公众号里写了很多原创的Django系列和Flask系列的文章。恰好人
Stella981 Stella981
4年前
CentOS7教程(五)
在前面四个教程当中,我们学习了以下的内容:1.如何安装CentOS。2.如何配置CentOS的网络,VMware虚拟机是如何和我们的物理网络通信。3.使用CentOS怎么开关机。4.使用第三方ssh工具(SecureCRT)远程连接CentOS执行命令。在写作的过程中,有些读者提出一些问题,针对这些问题,在本章节中,我们放慢学习
可莉 可莉
4年前
2021年的今天,如何成为一名专业的前端工程师?
!(https://pic2.zhimg.com/80/v2fd1789cc4f83abb877682e3d6b8e6455_720w.jpg)如果你想成为一名专业的前端工程师,那么你需要了解要学什么,学到什么程度,以及如何有效的学习。大学里没有正规的前端技术课程,普遍缺少比较权威的渠道来系统地了解和学习当前最实用、最前沿的前端技术。作为一个入行许
Stella981 Stella981
4年前
Spring Boot 知识图谱
如何学习好SpringBoot,如何快速入门,我觉得最好的方法就是自己跟着写代码,写完再发布到自己的博客系统中。教会别人写代码。这样你会思考很多。所以就有了本篇,SpringBoot知识图谱,虽然这里可能不是最全的应用,但我会不定期的增加一些知识点进去。就当一个学习库,一个知识收藏夹,大家喜欢的可以在我的 https://github.com/fi
GoCoding GoCoding
3年前
TVM 加速模型,优化推断
TVM是一个开源深度学习编译器,可适用于各类CPUs,GPUs及其他专用加速器。它的目标是使得我们能够在任何硬件上优化和运行自己的模型。不同于深度学习框架关注模型生产力,TVM更关注模型在硬件上的性能和效率。本文只简单介绍TVM的编译流程,及如何自动调优自己的模型。更深入了解,可见TVM官方内容:文档:https://tvm.apach