WBPC乳腺癌预后诊断数据集(Ⅲ)—基于SVM与PCA的预后诊断模型建立
文章目录
- 关于数据
- 模型求解思路
- 建立关于data的诊断模型建立
- 利用原有的数据建立预后复发判断模型
- 利用原有修正的数据建立预后复发判断模型
- 数据导入与处理
- 建立关于data的诊断模型
- 降维模型
- 主成分分析
- 模型改进分析
- KNN
- 小结
关于数据
1、原有数据经过一定的缺失值处理德等操作后得到数据集data_2其包括乳针吸细胞的的32特征(30项细胞特征、一项肿瘤特征、一项淋巴状态特征)194项数据,其是关于预后患者是否复发的数据;
2、补充数据集:在WPBC官网上找到的诊断数据,其共有30项特征(30项细胞特征)569例数据,为数据集data,其主要是判断患者是否肿瘤为恶性的数据。
模型求解思路
这里主要使用的算法:
1、线性的SVM支持向量机linearSVM
2、非线性(核函数方法)的SVM分类向量机。SVC
建立关于data的诊断模型建立
因为关于data的数据量比较大,笔者首先利用data数据(70%训练30%测试),得到的训练模型可以判断患者的肿瘤是否为恶性,在用于测试其是否可以用于判断预后的患者是否复发。
利用原有的数据建立预后复发判断模型
利用原有修正的数据建立预后复发判断模型
将data2数据70%训练30%测试。
数据导入与处理
#引用约定
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import numpy as np
import seaborn as sns
import pandas as pd
#导入数据
data1=pd.read_csv('data_1.csv')#原数据
data=pd.read_csv('data.csv')#补充数据
data2=pd.read_csv('data_2.csv')#修正数据
#将补充数据数据进行分块处理
datax=data.drop(['id','diagnosis'],axis = 1)
data['diagnosis']=data['diagnosis'].map({'M':1,'B':0})
datay=data['diagnosis']
#将原数据数据数据进行分块处理
data1x=data1.drop(['id','outcome','time'],axis = 1)
data1y=data1['outcome']
#将原数据数据数据进行分块处理
data2x=data2.drop(['id','outcome','time'],axis = 1)
#用于测试补充的效果,故将后两项指标删去
data2x0=data2.drop(['id','outcome','time','diameter of the excised tumor in centimeters','Lymph node status'],axis = 1)
data2['outcome']=data2['outcome'].map({'R':1,'N':0})
data2y=data2['outcome']
#采用z_Scorce规范化数据,使得每个特征维度的数据均值为0,方差为1
# ss=StandardScaler()
# datax=ss.fit_transform(datax)
# data2x=ss.fit_transform(data2x)
# data2x0=ss.fit_transform(data2x0)
#将数据分成70%的训练集与30%的测试集
datax_train, datax_test, datay_train, datay_test = train_test_split(datax, datay, test_size=0.3)
data2x_train, data2x_test, data2y_train, data2y_test = train_test_split(data2x, data2y, test_size=0.3)
data2x0_train, data2x0_test, data2y_train, data2y_test=train_test_split(data2x0, data2y, test_size=0.3)
data1x_train, data1x_test, data1y_train, data1y_test = train_test_split(data1x, data1y, test_size=0.3)
建立关于data的诊断模型
LinearSVC
基于liblinear库实现
有多种惩罚参数和损失函数可供选择
训练集实例数量大(大于1万)时也可以很好地进行归一化
既支持稠密输入矩阵也支持稀疏输入矩阵
多分类问题采用one-vs-rest方法实现
SVC
基于libsvm库实现
训练时间复杂度为0()
训练集实例数量大(大于1万)时很难进行归一化
多分类问题采用one-vs-rest方法实现
#模型建立
model_data=svm.LinearSVC()
model_data1=svm.SVC()
model_data_1=svm.LinearSVC()
model_data_11=svm.SVC()
model_data_2=svm.LinearSVC()
model_data_21=svm.SVC()
#data linearSVC模型训练
model_data.fit(datax_train,datay_train)
d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)
##data SVC模型训练
model_data1.fit(datax_train,datay_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)
#data_1 linearSVC模型训练
model_data_1.fit(data1x_train,data1y_train)
d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)
#data_1 SVC模型训练
model_data_11.fit(data1x_train,data1y_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)
#data_2 linearSVC模型训练
model_data_2.fit(data2x_train,data2y_train)
d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)
#data_2 SVC模型训练
model_data_21.fit(data2x_train,data2y_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)
相关参数解释
参数:
C:C-SVC的惩罚参数C?默认值是1.0
C越大,相当于惩罚松弛变量,希望松弛变量接近0,即对误分类的惩罚增大,趋向于对训练集全分对的情况,这样对训练集测试时准确率很高,但泛化能力弱。C值小,对误分类的惩罚减小,允许容错,将他们当成噪声点,泛化能力较强。
kernel :核函数,默认是rbf,可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
– 线性:u’v
– 多项式:(gammau’v + coef0)^degree
– RBF函数:exp(-gamma|u-v|^2)
– sigmoid:tanh(gammau’v + coef0)
degree :多项式poly函数的维度,默认是3,选择其他核函数时会被忽略。
gamma : ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’,则会选择1/n_features
coef0 :核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
probability :是否采用概率估计?.默认为False
shrinking :是否采用shrinking heuristic方法,默认为true
tol :停止训练的误差值大小,默认为1e-3
cache_size :核函数cache缓存大小,默认为200
class_weight :类别的权重,字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
verbose :允许冗余输出?
max_iter :最大迭代次数。-1为无限制。
decision_function_shape :‘ovo’, ‘ovr’ or None, default=None3
random_state :数据洗牌时的种子值,int值
主要调节的参数有:C、kernel、degree、gamma、coef0。
#查看拟合效果
print('补充数据的LinearSVC模型诊断肿瘤性质准确率:')
model_data.score(datax_test,datay_test)
补充数据的LinearSVC模型诊断肿瘤性质准确率:0.783625730994152
print('补充数据的SVC模型诊断肿瘤性质准确率:')
model_data1.score(datax_test,datay_test)
补充数据的SVC模型诊断肿瘤性质准确率:0.8947368421052632
print('补充数据的LinearSVC模型预后准确率:')
model_data.score(data2x0_test,data2y_test)
补充数据的LinearSVC模型预后准确率:0.559322033898305
print('补充数据的SVC模型预后准确率:')
model_data1.score(data2x0_test,data2y_test)
补充数据的SVC模型预后准确率:0.3389830508474576
print('原数据的LinearSVC模型预后准确率:')
model_data_1.score(data1x_test,data1y_test)
原数据的LinearSVC模型预后准确率:0.2711864406779661
print('原数据的SVC模型预后准确率:')
model_data_11.score(data1x_test,data1y_test)
原数据的SVC模型预后准确率:0.7288135593220338
print('原修正数据的LinearSVC模型预后准确率:')
model_data_2.score(data2x_test,data2y_test)
原修正数据的LinearSVC模型预后准确率:0.7966101694915254
print('原修正数据的SVC模型预后准确率:')
model_data_21.score(data2x_test,data2y_test)
原修正数据的SVC模型预后准确率:0.7966101694915254
降维模型
data2.head()
id | outcome | time | radius_mean | texture_mean | perimeter_mean | area_mean | smoothness_mean | compactness_mean | concavity_mean | ... | perimeter_worst | area_worst | smoothness_worst | compactness_worst | concavity_worst | concave points_worst | symmetry_worst | fractal_dimension_worst | diameter of the excised tumor in centimeters | Lymph node status | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 119513 | 0 | 31 | 18.02 | 27.600000 | 117.50 | 1013.0 | 0.094890 | 0.103600 | 0.1086 | ... | 139.70 | 1436.0 | 0.119500 | 0.192600 | 0.3140 | 0.1170 | 0.267700 | 0.08113 | 5.0 | 5 |
1 | 8423 | 0 | 61 | 17.99 | 22.300979 | 122.80 | 1001.0 | 0.118400 | 0.142642 | 0.3001 | ... | 184.60 | 2019.0 | 0.162200 | 0.665600 | 0.7119 | 0.2654 | 0.460100 | 0.11890 | 3.0 | 2 |
2 | 842517 | 0 | 116 | 21.37 | 17.440000 | 137.50 | 1373.0 | 0.088360 | 0.118900 | 0.1255 | ... | 159.10 | 1949.0 | 0.118800 | 0.344900 | 0.3414 | 0.2032 | 0.433400 | 0.09067 | 2.5 | 0 |
3 | 843483 | 0 | 123 | 11.42 | 20.380000 | 77.58 | 386.1 | 0.102774 | 0.142642 | 0.2414 | ... | 98.87 | 567.7 | 0.143921 | 0.364567 | 0.6869 | 0.2575 | 0.322251 | 0.17300 | 2.0 | 0 |
4 | 843584 | 1 | 27 | 20.29 | 14.340000 | 135.10 | 1297.0 | 0.100300 | 0.132800 | 0.1980 | ... | 152.20 | 1575.0 | 0.137400 | 0.205000 | 0.4000 | 0.1625 | 0.236400 | 0.07678 | 3.5 | 0 |
5 rows × 35 columns
feature_mean=list(data2.columns[3:13])
feature_se=list(data2.columns[11:21])
feature_worst=list(data2.columns[21:31])
feature_other=list(data2.columns[31:33])
print(feature_mean)
['radius_mean', 'texture_mean', 'perimeter_mean', 'area_mean', 'smoothness_mean', 'compactness_mean', 'concavity_mean', 'concave points_mean', 'symmetry_mean', 'fractal_dimension_mean']
feature_remain=['texture_mean','area_mean','concavity_mean','compactness_mean','radius_worst','texture_worst','perimeter_worst','compactness_worst','area_worst','concavity_worst']
data3=data2[feature_remain]
data3.head()
texture_mean | area_mean | concavity_mean | compactness_mean | radius_worst | texture_worst | perimeter_worst | compactness_worst | area_worst | concavity_worst | |
---|---|---|---|---|---|---|---|---|---|---|
0 | 27.600000 | 1013.0 | 0.1086 | 0.103600 | 21.63 | 37.08 | 139.70 | 0.192600 | 1436.0 | 0.3140 |
1 | 22.300979 | 1001.0 | 0.3001 | 0.142642 | 25.38 | 17.33 | 184.60 | 0.665600 | 2019.0 | 0.7119 |
2 | 17.440000 | 1373.0 | 0.1255 | 0.118900 | 24.90 | 20.98 | 159.10 | 0.344900 | 1949.0 | 0.3414 |
3 | 20.380000 | 386.1 | 0.2414 | 0.142642 | 14.91 | 26.50 | 98.87 | 0.364567 | 567.7 | 0.6869 |
4 | 14.340000 | 1297.0 | 0.1980 | 0.132800 | 22.54 | 16.67 | 152.20 | 0.205000 | 1575.0 | 0.4000 |
#采用z_Scorce规范化数据,使得每个特征维度的数据均值为0,方差为1
# ss=StandardScaler()
# data3x=ss.fit_transform(data3)
data3x_train, data3x_test, data3y_train, data3y_test = train_test_split(data3, data2y, test_size=0.3)
model_data_3=svm.LinearSVC()
model_data_31=svm.SVC()
#data_3 linearSVC模型训练
model_data_3.fit(data3x_train,data3y_train)
d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)
#data_3 linearSVC模型训练
model_data_31.fit(data3x_train,data3y_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)
#查看拟合效果
print('降维数据的LinearSVC模型诊断肿瘤性质准确率:')
model_data_3.score(data3x_test,data3y_test)
降维数据的LinearSVC模型诊断肿瘤性质准确率:0.7627118644067796
#查看拟合效果
print('降维数据的SVC模型诊断肿瘤性质准确率:')
model_data_31.score(data3x_test,data3y_test)
降维数据的SVC模型诊断肿瘤性质准确率:0.7627118644067796
主成分分析
利用SPSS提取出7个主成分,分别为:FAC1_1~FAC2_2
data_PCA=pd.read_csv('主成分.csv')
data_PCA.head()
outcome | FAC1_1 | FAC2_1 | FAC3_1 | FAC4_1 | FAC5_1 | FAC6_1 | FAC7_1 | |
---|---|---|---|---|---|---|---|---|
0 | N | 0.056555 | -0.854017 | -0.641684 | 1.600536 | 0.233733 | 0.678122 | 0.851336 |
1 | N | 1.190768 | 1.652260 | 0.217565 | -1.164537 | 2.576727 | 1.693878 | -0.012999 |
2 | N | 0.938121 | -1.049531 | 0.619337 | -1.586026 | 2.958155 | -1.203444 | -0.379524 |
3 | N | -1.377811 | 1.105750 | 0.871857 | -0.407618 | 0.502238 | -0.001458 | -0.512918 |
4 | R | 0.573373 | -0.626717 | 1.645737 | -2.419531 | -1.445667 | 0.121050 | -0.215974 |
模型改进分析
1、与假阳性案例相比,自定义损失函数以惩罚假阴性(真实R但预测为N)案例,因为假阴性在真实环境中可能威胁生命,而假阳性只是相对烦恼。
2、深入研究我们预测错误的案例。这将帮助我了解模型出了什么问题以及如何(如果可能)解决此问题。
3、在系统中添加“模糊性”,以将困难的案例定向给人类专家,这样我们就避免了危及生命的情况。
4、使用t-sne图可视化这两个类别。 深入研究降维,以仅选择最佳维数以节省计算能力。
5、在此数据上比较神经网络,梯度提升和knn的性能。 尝试概率图形模型。
6、通过删除相关特征并一次添加一个特征(最重要)来比较模型性能。 数据大小对模型性能的影响。
data_PCAx=data_PCA.drop(['outcome'],axis=1)
data_PCA['outcome']=data_PCA['outcome'].map({'R':1,'N':0})
data_PCAy=data_PCA['outcome']
#采用z_Scorce规范化数据,使得每个特征维度的数据均值为0,方差为1
#ss=StandardScaler()
#data_PCAx=ss.fit_transform(data_PCAx)
#将数据分成70%的训练集与30%的测试集
data_PCAx_train, data_PCAx_test, data_PCAy_train, data_PCAy_test = train_test_split(data_PCAx, data_PCAy, test_size=0.3)
#模型构建
model_data_PCA=svm.LinearSVC()
model_data_PCA1=svm.SVC()
#linearSVC模型构建
model_data_PCA.fit(data_PCAx_train,data_PCAy_train)
LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)
print('原数据经过PCA降维后的linearSVC模型预后准确率:')
model_data_PCA.score(data_PCAx_test,data_PCAy_test)
原数据经过PCA降维后的linearSVC模型预后准确率:0.8305084745762712
#linearSVC模型构建
model_data_PCA1.fit(data_PCAx_train,data_PCAy_train)
SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)
print('原数据经过PCA降维后的SVC模型预后准确率:')
model_data_PCA1.score(data_PCAx_test,data_PCAy_test)
原数据经过PCA降维后的SVC模型预后准确率:0.847457627118644
KNN
尝试使用KNN算法进行分类
from sklearn.neighbors import KNeighborsClassifier
knn=KNeighborsClassifier(n_neighbors=5,p=2,metric='minkowski')
knn.fit(data_PCAx_train,data_PCAy_train)
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',metric_params=None, n_jobs=None, n_neighbors=5, p=2,weights='uniform')
knn.score(data_PCAx_test,data_PCAy_test)
0.7457627118644068
knn.fit(data2x_train,data2y_train)
KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',metric_params=None, n_jobs=None, n_neighbors=5, p=2,weights='uniform')
knn.score(data2x_test,data2y_test)
0.7627118644067796
data.head()
id | diagnosis | radius_mean | texture_mean | perimeter_mean | area_mean | smoothness_mean | compactness_mean | concavity_mean | concave points_mean | ... | radius_worst | texture_worst | perimeter_worst | area_worst | smoothness_worst | compactness_worst | concavity_worst | concave points_worst | symmetry_worst | fractal_dimension_worst | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 842302 | M | 17.99 | 10.38 | 122.80 | 1001.0 | 0.11840 | 0.27760 | 0.3001 | 0.14710 | ... | 25.38 | 17.33 | 184.60 | 2019.0 | 0.1622 | 0.6656 | 0.7119 | 0.2654 | 0.4601 | 0.11890 |
1 | 842517 | M | 20.57 | 17.77 | 132.90 | 1326.0 | 0.08474 | 0.07864 | 0.0869 | 0.07017 | ... | 24.99 | 23.41 | 158.80 | 1956.0 | 0.1238 | 0.1866 | 0.2416 | 0.1860 | 0.2750 | 0.08902 |
2 | 84300903 | M | 19.69 | 21.25 | 130.00 | 1203.0 | 0.10960 | 0.15990 | 0.1974 | 0.12790 | ... | 23.57 | 25.53 | 152.50 | 1709.0 | 0.1444 | 0.4245 | 0.4504 | 0.2430 | 0.3613 | 0.08758 |
3 | 84348301 | M | 11.42 | 20.38 | 77.58 | 386.1 | 0.14250 | 0.28390 | 0.2414 | 0.10520 | ... | 14.91 | 26.50 | 98.87 | 567.7 | 0.2098 | 0.8663 | 0.6869 | 0.2575 | 0.6638 | 0.17300 |
4 | 84358402 | M | 20.29 | 14.34 | 135.10 | 1297.0 | 0.10030 | 0.13280 | 0.1980 | 0.10430 | ... | 22.54 | 16.67 | 152.20 | 1575.0 | 0.1374 | 0.2050 | 0.4000 | 0.1625 | 0.2364 | 0.07678 |
5 rows × 32 columns
小结
以上内容主要为笔者jupyter notebook的5月初建模的内容,赛后还未进行详细的注释阐述,主要研究内容是如何选用算法得到较高的正确率,数据集的特点是不到200份,所以做出的效果不如WPBC官网500数据量的数据集的效果,迫于时间精力的有限,暂定以此作为结果,不足之处望读者多多指正。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- vnc,在windows系统上安装vnc,操作教程
VNC是一款可以实现远程桌面控制方面很实用的小工具,今天给大家分享如何在在windows系统上安装vnc的操作方法:小编在这里用到了:IIS7服务器管理工具来操作的具体操作的如下:一、首先连接上要安装vnc的服务器用IIS7服务器管理工具找到windows服务器连接入口添加—选择—连接即…...
2024/4/24 7:18:35 - Bluehost——一个优秀外贸建站主机商选择
外贸站选择使用Bluehost主机的理由有哪些?接下来小编就为大家进行分析,以下11个原因,是其特别原因。第一、品牌优势Bluehost,从1996年成立,于今近20余年,全世界最早提供虚拟主机服务的良心企业,也是当今最大的美国虚拟主机提供商。Bluehost业务覆盖全球数百个国家,拥有…...
2024/4/24 7:18:41 - 笔记--重学前端(二)
##JavaScript类型本文为:winter 发布在极客时间 【重学前端】系列课程的的笔记和总结。 请您支持正版:极客时间–重学前端。###正文在此节课程,首先提出几个JavaScript类型相关的问题列表项目:- 为什么编程规范要用void 0 代替 undefined ?- 字符串有最大长度么?- 0.1+…...
2024/4/24 7:18:40 - C++ 简单的CPU使用率监控程序
主要代码如下:// test4.cpp : 定义控制台应用程序的入口点。 // 简单的监控指定程序列表的CPU使用率#include "stdafx.h"#include<thread> #include <windows.h> #include <stdint.h> #include <tlhelp32.h> #include <stdio.h> #inc…...
2024/4/24 7:18:37 - 这些小技能都不知道还敢说学过Python?
Python是一种全栈的开发语言,几乎在任何领域都能派上用场。你如果能学好Python,前端,后端,测试,大数据分析,爬虫等这些工作你都能胜任。夸张一点说,几乎是所有的东西Python它都能做。小咖今天想给大家分享一些关于Python非常有趣的小技能~ONE:把图片转成字符图1.先读入…...
2024/4/24 7:18:34 - A new approach for arrhythmia 【论文阅读笔记】 classification using deep coded features and LSTM networks
论文阅读:A new approach for arrhythmia classification using deep coded features and LSTM networks一、摘要 文章提出了一种基于卷积自动编码(CAE)的非线性压缩结构,减小心律失常的信号大小。采用长短期记忆(LSTM)分类器,利用ECG特征自动识别心律失常,并利用CAE网…...
2024/5/6 7:03:42 - 【深度学习】如何计算AP(平均精度)和mAP(平均精度均值)?
起因:最近导师给买了本书,叫做《智能计算系统》(陈云霁等人编著),让我上b站看看教材对应的视频。不得不说这书写的确实不错,b站上的视频讲的也还可以。书和视频的内容可以相互补充,比如视频对于一些细节讲的不清楚,看一下书对应的部分就能了解得差不多。书讲的不清楚的…...
2024/5/7 14:48:07 - 这份竞价推广方案 让你不在担心2020年竞价推广没效果
2020年还在担心竞价推广没效果?相信很多企业最近都在做2020年度公司的网络推广计划方案。选择不同的平台,预算自然也会不同。投入产出比也是不一样的。详细介绍说明:http://59yuanma.com/thread-47-1-1.html伴随层出不穷的网络推广方式,目前竞价推广算是见效较快,也是流量…...
2024/5/7 21:13:21 - 云服务器VPS和独立服务器的区别是什么?
独立服务器就是单独的一台物理服务器,上面只跑你自己的内容,你自己独享这台服务器的软硬件;vps就是独立服务器上开出来一部分给你,操作权限和方式同独立服务器,但是配置和性能受限(一台服务器上可以开多个vps,看空间商的设置了),说白了vps就是多个用户公用一台服务器的硬…...
2024/4/16 20:53:37 - 手写LRU缓存机制!(详细过程-自建双链表)
0x01.LRU简介LRU是Least Recently Used的缩写,即最近最少使用,是一种常用的页面置换算法,选择最近最久未使用的页面予以淘汰。该算法赋予每个页面一个访问字段,用来记录一个页面自上次被访问以来所经历的时间 t,当须淘汰一个页面时,选择现有页面中其 t 值最大的,即最近最…...
2024/4/16 20:54:07 - 记录生活——人生中有很多的第一次尝试
小的时候总想出去走走,看看外面的世界,从两岁开始上幼儿园,小班中班大班学前班四年,到小学六年,初中高中六年,整整十六年都在这个城市,这个城市也不算小,但是每天两点一线,也就最多跨了两个区。 18岁那年考上大学,母亲哭着让我留在这座城市,不舍得我走远,我心软见不…...
2024/4/24 7:18:29 - Java语言的优雅停机 - 第308篇
相关历史文章(阅读本文之前,您可能需要先看下之前的系列👇)国内最全的Spring Boot系列之三水满自溢「限流算法第四把法器:漏桶算法」- 第303篇一分钟get:缓存穿透、缓存击穿、缓存雪崩 - 第304篇布隆过滤器Bloom Filter竟然让我解决了一个大厂的问题 - 第305篇100G的文件…...
2024/4/24 7:18:32 - RIP路由信息协议
RIP:路由信息协议 基本介绍 存在 V1、V2、NG(IPV6) 是一种基于距离矢量(DV)算法的IGP协议,它的优先级的值为100,邻居(直连)间直接共享路由表;默认仅存在更新包; 基于UDP 520端口工作; 支持等开销负载均衡,默认支持4条,最大6条,IOS 版本12.4以上支持16条; 使用跳…...
2024/4/24 7:18:27 - Android开发自定义开关实现
最近Android开发中遇到了一个开关的需求,就自己绘制了一个。 不多bb,直接看效果图:由上图可看出,空间上方和下方由两个TextView构成,属于Android系统控件就不谈了,接下来介绍中间的自定义开关的绘制原理。 先贴出完整代码,如下: public class SlideButton extends View…...
2024/4/25 21:38:56 - Linux之ctags追踪软件的安装与使用
1、安装ctags追踪软件 sudo apt-get install ctags ////要求机器要能连接外网 2、进入系统头文件目录 cd /usr/include/ 3、在该目录下创建一个tags的文件 sudo ctags -R * ///将当前目录所有的文件建立tags关系表 ls -l ./tags ///有文件生成即可 ========…...
2024/4/24 7:18:25 - vue3.0 beta已出,来快速实践一下吧
vue3.0 beta已出,来快速实践一下吧本文视屏 我的个人博客 vue3向下兼容vue2,vue2目前也是必学的本节源码立即前往 前段时间尤大在哔哩哔哩直播了vue3的预览,来简单实践一下吧api文档 Composition API RFC 立即前往vue3地址立即前往vue3的改变更小更快 支持自定义渲染器 响应…...
2024/4/24 7:18:31 - 怎样提高百度关键词排名,关键词排名优化方法
企业自己必须掌握些网络推行常识和优化技巧,否者的话,再好的网站给一个不明白推行的客户用也达不到预期作用。可是假如客户懂得推行维护,经验积累丰厚了,自己做的作用或许更佳。当然前提是你要弄清楚网站优化的操作过程是什么,怎样去优化网站。今日AI推联盟就来介绍一下网…...
2024/4/24 7:18:24 - 在阿里云上装黑苹果(1):黑苹果基础
本文关键字:云mac当局域网第二mac用,本地盘与网盘组raid 我们在很多地方谈到,苹果之所以好用,是因为mac产品家族间注重融合,比如ipad os与osx是完全不一样的系统,但它们可以交互,他们是生态层面,加以技术辅助的融合,并不是从0开始就纯粹技术融合的,比如共用完全一样的…...
2024/4/24 7:18:24 - Android 系统解析(02)——搭建Android源代码编译调试环境
1、前言 Android的编译环境作为深入学习Android的基础,不可或缺,能够完整下载Android源代码并编译成功,对深入学习Android是非常关键和重要的一步。Android环境搭建比较繁琐和枯燥,大家需要有足够的耐心,去一步一步的解决问题,否则就很容易会编译失败或者没有办法在Googl…...
2024/4/24 7:18:22 - 接近8000字的Spring/SpringBoot常用注解总结!安排!
原文链接:https://mp.weixin.qq.com/s/HVBGhtJ6Cm6hwpLUEz76BQ0.前言大家好,我是 Guide 哥!这是我的 221 篇优质原创文章。如需转载,请在文首注明地址,蟹蟹!本文已经收录进我的 75K Star 的 Java 开源项目 JavaGuide:https://github.com/Snailclimb/JavaGuide。可以毫不…...
2024/4/24 7:18:21
最新文章
- W801学习笔记二十二:英语背单词学习应用——下
续上篇: W801学习笔记二十一:英语背单词学习应用——上 五、处理用户交互 由于英语也是采用了和唐诗一样的《三分钟限时挑战》《五十题竞速挑战》《零错误闯关挑战》,所以用户交互的逻辑和唐诗是一样的。所以,我们抽一个基类&a…...
2024/5/8 4:37:34 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/5/7 10:36:02 - 01背包问题 小明的背包
2.小明的背包1 - 蓝桥云课 (lanqiao.cn) #include <bits/stdc.h> using namespace std; const int N1010;//开始写的105 开小了 样例过了但最后只过了很少一部分 int n,m; int v[N],w[N]; int f[N][N];int main() {cin>>n>>m;for(int i1;i<n;i){cin>&…...
2024/5/5 8:41:06 - Android Framework学习笔记(2)----系统启动
Android系统的启动流程 启动过程中,用户可控部分是framework的init流程。init是系统中的第一个进程,其它进程都是它的子进程。 启动逻辑源码参照:system/core/init/main.cpp 关键调用顺序:main->FirstStageMain->SetupSel…...
2024/5/4 10:39:30 - 【外汇早评】美通胀数据走低,美元调整
原标题:【外汇早评】美通胀数据走低,美元调整昨日美国方面公布了新一期的核心PCE物价指数数据,同比增长1.6%,低于前值和预期值的1.7%,距离美联储的通胀目标2%继续走低,通胀压力较低,且此前美国一季度GDP初值中的消费部分下滑明显,因此市场对美联储后续更可能降息的政策…...
2024/5/7 5:50:09 - 【原油贵金属周评】原油多头拥挤,价格调整
原标题:【原油贵金属周评】原油多头拥挤,价格调整本周国际劳动节,我们喜迎四天假期,但是整个金融市场确实流动性充沛,大事频发,各个商品波动剧烈。美国方面,在本周四凌晨公布5月份的利率决议和新闻发布会,维持联邦基金利率在2.25%-2.50%不变,符合市场预期。同时美联储…...
2024/5/7 9:45:25 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题:【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五,美国方面公布了新一期的非农就业数据,大幅好于前值和预期,新增就业重新回到20万以上。具体数据: 美国4月非农就业人口变动 26.3万人,预期 19万人,前值 19.6万人。 美国4月失业率 3.6%,预期 3.8%,前值 3…...
2024/5/4 23:54:56 - 【原油贵金属早评】库存继续增加,油价收跌
原标题:【原油贵金属早评】库存继续增加,油价收跌周三清晨公布美国当周API原油库存数据,上周原油库存增加281万桶至4.692亿桶,增幅超过预期的74.4万桶。且有消息人士称,沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油,印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/5/7 14:25:14 - 【外汇早评】日本央行会议纪要不改日元强势
原标题:【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升,避险资金回流日元有关,也与前一段时间的美日贸易谈判给日本缓冲期,日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策,但这符…...
2024/5/4 23:54:56 - 【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响
原标题:【原油贵金属早评】欧佩克稳定市场,填补伊朗问题的影响近日伊朗局势升温,导致市场担忧影响原油供给,油价试图反弹。此时OPEC表态稳定市场。据消息人士透露,沙特6月石油出口料将低于700万桶/日,沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”,沙特将满…...
2024/5/4 23:55:05 - 【外汇早评】美欲与伊朗重谈协议
原标题:【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议,昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告,伊朗外长昨日回应称,欧洲国家履行它们的义务,伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/5/4 23:54:56 - 【原油贵金属早评】波动率飙升,市场情绪动荡
原标题:【原油贵金属早评】波动率飙升,市场情绪动荡因中美贸易谈判不安情绪影响,金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际,美国按照既定计划向中国2000亿商品征收25%的关税,市场情绪有所平复,已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/5/7 11:36:39 - 【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试
原标题:【原油贵金属周评】伊朗局势升温,黄金多头跃跃欲试美国和伊朗的局势继续升温,市场风险情绪上升,避险黄金有向上突破阻力的迹象。原油方面稍显平稳,近期美国和OPEC加大供给及市场需求回落的影响,伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级,美国对中…...
2024/5/4 23:54:56 - 【原油贵金属早评】市场情绪继续恶化,黄金上破
原标题:【原油贵金属早评】市场情绪继续恶化,黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动,人民币汇率出现大幅的贬值动能,金融市场受到非常明显的冲击。尤其是波动率起来之后,对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势,这…...
2024/5/6 1:40:42 - 【外汇早评】美伊僵持,风险情绪继续升温
原标题:【外汇早评】美伊僵持,风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件,导致波斯湾局势进一步恶化,市场担忧美伊可能会出现摩擦生火,避险品种获得支撑,黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日,四艘商船在阿联酋领海附近的阿曼湾、…...
2024/5/4 23:54:56 - 【原油贵金属早评】贸易冲突导致需求低迷,油价弱势
原标题:【原油贵金属早评】贸易冲突导致需求低迷,油价弱势近日虽然伊朗局势升温,中东地区几起油船被袭击事件影响,但油价并未走高,而是出于调整结构中。由于市场预期局势失控的可能性较低,而中美贸易问题导致的全球经济衰退风险更大,需求会持续低迷,因此油价调整压力较…...
2024/5/4 23:55:17 - 氧生福地 玩美北湖(上)——为时光守候两千年
原标题:氧生福地 玩美北湖(上)——为时光守候两千年一次说走就走的旅行,只有一张高铁票的距离~ 所以,湖南郴州,我来了~ 从广州南站出发,一个半小时就到达郴州西站了。在动车上,同时改票的南风兄和我居然被分到了一个车厢,所以一路非常愉快地聊了过来。 挺好,最起…...
2024/5/7 9:26:26 - 氧生福地 玩美北湖(中)——永春梯田里的美与鲜
原标题:氧生福地 玩美北湖(中)——永春梯田里的美与鲜一觉醒来,因为大家太爱“美”照,在柳毅山庄去寻找龙女而错过了早餐时间。近十点,向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”,到郴州必吃的美食之一。 哇塞!那个味美香甜…...
2024/5/4 23:54:56 - 氧生福地 玩美北湖(下)——奔跑吧骚年!
原标题:氧生福地 玩美北湖(下)——奔跑吧骚年!让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/5/4 23:55:06 - 扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!
原标题:扒开伪装医用面膜,翻六倍价格宰客,小姐姐注意了!扒开伪装医用面膜,翻六倍价格宰客!当行业里的某一品项火爆了,就会有很多商家蹭热度,装逼忽悠,最近火爆朋友圈的医用面膜,被沾上了污点,到底怎么回事呢? “比普通面膜安全、效果好!痘痘、痘印、敏感肌都能用…...
2024/5/5 8:13:33 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题:「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势: 1、铁皮石斛:自唐宋以来,一直被列为皇室贡品,铁皮石斛生于海拔1600米的悬崖峭壁之上,繁殖力差,产量极低,所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/5/4 23:55:16 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题:丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司,专注美业21年,其旗下品牌: 「圣茵美」私密荷尔蒙抗衰,产后修复 「圣仪轩」私密荷尔蒙抗衰,产后修复 「花茵莳」私密荷尔蒙抗衰,产后修复 「丽彦妆」专注医学护…...
2024/5/4 23:54:58 - 广州械字号面膜生产厂家OEM/ODM4项须知!
原标题:广州械字号面膜生产厂家OEM/ODM4项须知!广州械字号面膜生产厂家OEM/ODM流程及注意事项解读: 械字号医用面膜,其实在我国并没有严格的定义,通常我们说的医美面膜指的应该是一种「医用敷料」,也就是说,医用面膜其实算作「医疗器械」的一种,又称「医用冷敷贴」。 …...
2024/5/6 21:42:42 - 械字号医用眼膜缓解用眼过度到底有无作用?
原标题:械字号医用眼膜缓解用眼过度到底有无作用?医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料,含70%以上的水分。体表皮肤温度传导到本产品的凝胶层,热量被凝胶内水分子吸收,通过水分的蒸发带走大量的热量,可迅速地降低体表皮肤局部温度,减轻局部皮肤的灼…...
2024/5/4 23:54:56 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57