PCA降维的来龙去脉及Python实现
目录
1 PCA降维
2 在讲PCA降维的原理前需要知道的一些东西
2.1 方差
2.2 协方差及协方差矩阵
2.3 向量在不同基下的坐标
2.4 矩阵乘法
2.5 矩阵的特征值和特征向量
2.6 实对称矩阵正交相似于对角矩阵
3 PCA降维的核心思想
4 PCA降维的原理
4.1 PCA降维具体例子示范
4.2 PCA降维原理分析
5 Python实现PCA降维
1 PCA降维
随着社会的飞速发展,我们已经在分析问题或者解决问题时,经常会遇到大数据集。高维度的大数据集处理起来并非易事,不但会占用大量的资源,而且也会导致计算机运行缓慢。
一个自然的想法是,能不能删除了某一部分数据,而留下剩下的数据?这样会使得数据的复杂度降低,从而节省时间和资源,答案是肯定的。但是又会有新的一个问题出现,这样的删除是不是随意的呢?
当然不是,我们在删除的时候应该要尽可能地保留原始数据的信息,即减少因部分特征删除而导致的信息损失。考虑到大数据集的各个特征维度之间有些并不是相互独立的,有些特征具有一定的相关性。我们相信,删除与所保留特征相关性较高的数据特征,并不会造成原始数据信息的大量丢失。
例如,某电商平台的店铺数据有“浏览量”、“访问量”、“下单量”、“成交量”。“浏览量”与“访问量”并不是独立的,“浏览量”大时,我们相信“访问量”也大,“下单量”大时,“成交量”也大。当我们删除“访问量”和“成交量”这两个特征数据时,我们坚信,这样原始数据信息的损失是很小的。
因此,PCA要做的事儿就是要在以下两个方面之间做一个平衡:a.降低原始大数据集的维度(复杂度降低了);b.使得降维后的数据集,在原来大数据集的基础上损失的信息尽可能的小。
PCA降维的应用非常广泛,它结合判别分析、聚类和回归分析等等可以解决许多实际问题。在机器学习和数据挖掘的实践中应用主要体现在以下几个方面:
(1)实现数据可视化。我们生存的物理空间是三维空间,任何三维以上的数据我们靠视觉是无法感知的。将高维数据降到低维,使得数据可视化,方便我们洞察数据背后所蕴藏的规律。
(2)缓解过拟合。特征维度越大,以为这特征越多,模型就越复杂,越容易过拟合。通过降低维度,缓解过拟合。
(3)提高计算性能。高维数据不仅占用过多的储资源, 而且由于维度较高导致计算的复杂度不断上升。因此,可以通过PCA降维节约储存资源和计算资源,提高计算性能。
2 在讲PCA降维的原理前需要知道的一些东西
2.1 方差
方差和标准差是最常用来度量一组数据最常用的指标。其实,在高中的时候我们就以及熟知以下公式:
均值:
方差:
标准差:
方差和标准差能够很好地描述一组数据的分布情况:如果一组数据越“挨的紧”或者越“拥挤”,这组数据的方差和标准差就越小。反之,越“远”或越“分散”,那么这组数据的方差和标准差就越大。
例如,有两组数据:[8,12,9,10,11,8,12]和[6,1,7,11,13,15,17],虽然两组数据的均值都是10,但是前者的方差为3,后者的方差为31.66667。这也就是说前一组数据分布得较为“拥挤”,后一组数据分布得较为“分散”。
2.2 协方差及协方差矩阵
协方差度量的是特征与特征之间的关系。
例如我们收集到某地居民的身高,年龄,体重,胸宽,臂长的数据信息。对于这样的数据集,我们可以分别独立地计算出每一个特征数据的方差,但是我们如果还想知道这些特征之间的关系,就需要计算协方差。
对于都含有个数据的两组数据和,这两组数据的协方差计算公式为:
协方差所刻画的是,两个变量在变化的过程中变化方向的一致性和变化大小的程度。
若变大也变大,即两个变量是同向变化的,此时协方差为正;反之为负。两者的变化趋势相互独立的时候,协方差为0。
方差主要是针对一维数据,协方差主要针对二维数据,那么多维数据的这种关系如何刻画呢?这个时候,协方差矩阵出场了。
协方差矩阵就是用来来那个多特征的两两之间协方差的矩阵。一般地,设有个特征,记为,那么这个特征的协方差矩阵为:
由可知,协方差矩阵为实对称矩阵。再注意到,一组数据与它本身的协就是该组数据的方差,故协方差矩阵的主对角元分别是各个特征的方差。
2.3 向量在不同基下的坐标
基是线性空间的一个基本概念,其特点体现在以下两个方面:a.组成基的向量组线性无关;b.线性空间中的任何一个向量都可以由基线性表出。基是线性空间构成的基础,也就是说,基一旦确定了,那么线性空间也就确定了。
线性空间大家也不用想复杂了,就是一些向量构成的集合。
例如,这个向量实际上是处于,这组标准正交基(标准:每个向量模长都为1,正交:垂直/内积为0)所张成的空间中。在轴上的投影,实际上就是与的内积值,即该投影值为。同样,在轴上的投影就是与的内积,即该投影值为。
上述的向量投影可以写成矩阵向量相乘的形式:
。
那么选择的基不同,相应向量的坐标也自然会不同。例如,如果选择两个标准正交向量和作为基,那么这个向量在这两个向量所张成的空间中的坐标可以这样来考虑:
在向量上的投影是两者的内积。同样地,在向量上的投影为,即向量在上述两向量做为基张成的空间中的坐标为。写成矩阵的形式就是:
。
现在将上述结果推广到维的空间中:
对于任意维空间中的向量,可以理解成其位于以个标准正交向量为基底所张成的空间中,且其坐标分量就是其分别在这个维的标准正交向量上的投影值。可写成矩阵与向量相乘的形式:
。
所以,我们如果想将任意一个向量变换到一个由个维的标准正交基向量所组成的新空间中,只需要将这()个维的标准正交基向量以行向量的形式做成一个矩阵,然后将矩阵左乘向量的原坐标即可得到在新空间中的坐标。
2.4 矩阵乘法
在上面,我们说到对于任意一个向量,要将其变换到以指定个数的标准正交向量的新空间中,只要将指定个数(比如指定个数为)的这些维的标准正交向量以行向量作成矩阵的样子,记为,拿这个东西左乘可以了。
比如说,这个维的标准正交向量我们记为(这这些都是列向量),那么要得到在这组基张成的空间中的坐标,就可以这样来计算:
(注意:内积本质是一个实数)
上面仅仅知识针对一个向量作换,受到上述的启示我们容易发现,如果不止一个向量作变换,而是有个向量也想作变换:
其中是标准正交的列向量,是对应的行向量,表示第个基向量();表示的是第个需要变换的列向量()。
我们在面对大数据集的时候,其实我们可以将数据集看作一个矩阵。这里,是一个不超过的正数,决定了通过降维以后得到的维度,即可以将维的数据变换到更低维的空间中,变换后的维度取决于正整数。所以,矩阵相乘也可以表示降维变换。
通过上面的表述来看,矩阵相乘的几何意义就是:当左端矩阵行满秩时,两个矩阵相乘的结果就是将右端矩阵的列向量变换到左端矩阵的行向量为基底的新空间中。
2.5 矩阵的特征值和特征向量
特征值和特征向量是矩阵(或线性变换)的重要概念之一,有许多广泛的应用。
阶方阵的特征值和特征向量定义如下:
若有非零向量,使得,则称为的特征值,称为属于特征值的特征向量。
这里有2个重要的定理需要知道:(证明这里就不说了,相关内容可查线性代数的有关资料)
Theorem1:不同特征值的特征向量线性无关。
Theorem2:不用特征值的特征向量一定正交(内积为0)。
先知道这个东西是非常有必要的,因为降维的时候,低维的新空间的基其实就是原数据集矩阵去零均值化的矩阵的单位正交特征向量。此时此刻,你一定很好奇,先别急,继续往下看。
2.6 实对称矩阵正交相似于对角矩阵
上面说到了阶方阵的特征值和特征向量,如果级矩阵有个不同的特征值,分别记为,那每一个特征值都有一个特征向量,故有个特征向量,对应地分别记为,那么根据特征值特征向量的定义,必然有,,写成矩阵乘积的样子,就是
,
而根据Theorem1,线性无关,故矩阵满秩(可逆),记为,故上述式子可以写成
。
对于实对称矩阵,它有较好的性质,定理表述如下:
Theorem3:设是级实对称矩阵,是的实对称矩阵,则必存在正交矩阵使得:
,
其中满足:,也就说,上述的列向量是由的个单位特征向量构成的矩阵。
关于上述定理的证明此处就不在给出,想了解给多的读者可查询线性代数有关资料。
3 PCA降维的核心思想
(1)核心思想一:基变换向量投影
对于任何一个维的向量,如果要想将它投影到低维()的空间中,我们可以利用维空间的一组标准正交基以行向量的形式组成的矩阵,然后将左乘向量即可得到投影结果。
刚刚说的只是单个维向量的情况,那如果是多个维向量也想降维,我们也可以作同样的处理,设降到低维目标空间的标准正交基分别是,那么降维处理如下进行:
所得结果的矩阵中,每一个列向量都是降维后的结果,也就是投影到低维目标空间中的结果。
(2)核心思想二:协方差归零投影
我们作数据降维,希望将原始数据的特征维度降低,同时又要尽可能的减少原始数据的信息损失。要在上述两点之间找到一个平衡点可不是意见容易的事儿。
仔细想一想,降维后的数据应该具备这样的特点:
各个维度之间的关联度尽可能的低,因为有关联的每一个组,我们只希望留下一个,其余的删除以降低数据集的复杂度。从协方差上来看,也就是降维后的特征两两之间的协方差为0是最好的,即降维后的数据集其协方差矩阵非对角上的元素全为0,这样的降维投影才是我们想要的。
(3)核心思想三:最大方差投影
我们平时对三维空间的物体拍照时,实际上就是将三维空间的物体投影到二维空间。我们先来观察一组拍摄笔筒的照片:
图3-1
笔筒是三维空间中的立体,照片是二维空间中的平面,从立体到平面的过程中肯定会失真(丢失信息),但是,不同的投影方式(拍摄角度)失真的程度不相同。如图3-1,三张图片都是拍摄同一个笔筒,但是由于拍摄角度的不同,第三张图片最大程度地保留了三维空间中笔筒的“重要信息”。
同理,我们在对数据作降维处理的时候,希望投影的方式能够使得降维后的数据尽可能的“分散”,这样可以使得我们尽可能地减小由于降维带来的信息损失,也就说,希望各个特征数据的方差尽可能地大。
4 PCA降维的原理
对数据作投影变换,实际上就是要找到要变换到一组目标新空间的标准正交基,将其以行向量作成一个矩阵,然后左乘数据矩阵即可实现降维,问题的关键在于,如何根据已知的大数据集和和需要降到的新空间的维度去找到这样的矩阵。
这里我们需要特别注意的是,我们要删除的是部分特征数据,根据前面所讲的基变换向量投影的原理,我们最后降下来的是原来数据集的行特征。因此,左乘矩阵相当于减少了原来数据集的行特征。如果我们要删除的列特征,那就用的转置右乘数据集矩阵或者用左乘数据集矩阵的转置即可。
下面讨论如何按照要求找的问题:
4.1 PCA降维具体例子示范
在这之前,先以一个具体例子来说明,下表(表4-1)是摘自于2021年举行的“华为杯”研究生数学建模竞赛B题的数据中的监测点A的污染物浓度,包含6个特征数据,共有9个数据样本。
表4-1
监测日期 | SO2监测浓度(μg/m³) | NO2监测浓度(μg/m³) | PM10监测浓度(μg/m³) | PM2.5监测浓度(μg/m³) | O3最大八小时滑动平均监测浓度(μg/m³) | CO监测浓度(mg/m³) |
2021/4/1 | 2 | 12 | 25 | 7 | 51 | 0.6 |
2021/4/2 | 4 | 17 | 29 | 12 | 61 | 0.7 |
2021/4/3 | 7 | 25 | 40 | 18 | 88 | 0.8 |
2021/4/4 | 4 | 25 | 49 | 21 | 47 | 1 |
2021/4/5 | 4 | 32 | 52 | 28 | 67 | 1.1 |
2021/4/6 | 6 | 43 | 82 | 49 | 259 | 1.2 |
2021/4/7 | 4 | 23 | 48 | 27 | 122 | 0.9 |
2021/4/8 | 3 | 36 | 33 | 15 | 67 | 0.9 |
2021/4/9 | 4 | 41 | 35 | 18 | 51 | 1.1 |
原数据集有6个特征数据,现在希望能够降到3维,
为了方便计算展示,将特征数据零均值化(每一个污染物浓度数据减去对应污染物浓度数据值)如表4-2所示:
表4-2
SO2监测浓度(μg/m³) | NO2监测浓度(μg/m³) | PM10监测浓度(μg/m³) | PM2.5监测浓度(μg/m³) | O3最大八小时滑动平均监测浓度(μg/m³) | CO监测浓度(mg/m³) |
-2.22222 | -16.2222 | -18.6667 | -14.6667 | -39.3333 | -0.32222 |
-0.22222 | -11.2222 | -14.6667 | -9.66667 | -29.3333 | -0.22222 |
2.777778 | -3.22222 | -3.66667 | -3.66667 | -2.33333 | -0.12222 |
-0.22222 | -3.22222 | 5.333333 | -0.66667 | -43.3333 | 0.077778 |
-0.22222 | 3.777778 | 8.333333 | 6.333333 | -23.3333 | 0.177778 |
1.777778 | 14.77778 | 38.33333 | 27.33333 | 168.6667 | 0.277778 |
-0.22222 | -5.22222 | 4.333333 | 5.333333 | 31.66667 | -0.02222 |
-1.22222 | 7.777778 | -10.6667 | -6.66667 | -23.3333 | -0.02222 |
-0.22222 | 12.77778 | -8.66667 | -3.66667 | -39.3333 | 0.177778 |
#上述计算过程的代码:
import pandas as pd
import numpy as np
data=pd.read_excel('F:\\研究生生涯\\基于Python的机器学习实践\\Python统计建模——多元分析\\主成分分析\\监测点A的污染物浓度.xlsx')
data1=data.iloc[:,2:8] #提取特征数据
print(data1)
y=data1.mean(axis=0)
new_data=data1-y
print(new_data)
new_data.to_excel('F:\\研究生生涯\\基于Python的机器学习实践\\Python统计建模——多元分析\\主成分分析\\new_data1.xlsx',index=False)
将上述经过零均值化的数据记为矩阵,
第一步,计算的6个列向量(各污染物浓度,分别是)的协方差矩阵:
利用程序计算得到A的列向量的协方差矩阵为:
[[2.19444444e+00 5.56944444e+00 1.42083333e+01 9.95833333e+00
5.40416667e+01 1.06944444e-01]
[5.56944444e+00 1.11694444e+02 1.05458333e+02 8.27083333e+01
3.33666667e+02 1.85694444e+00]
[1.42083333e+01 1.05458333e+02 2.94000000e+02 2.06500000e+02
9.92500000e+02 2.60833333e+00]
[9.95833333e+00 8.27083333e+01 2.06500000e+02 1.49500000e+02
7.28625000e+02 1.92083333e+00]
[5.40416667e+01 3.33666667e+02 9.92500000e+02 7.28625000e+02
4.54725000e+03 6.45416667e+00]
[1.06944444e-01 1.85694444e+00 2.60833333e+00 1.92083333e+00
6.45416667e+00 3.94444444e-02]]
#程序代码:
Cov=new_data.cov()
Cov_mat=np.mat(Cov) #转化为矩阵
print(Cov_mat)
第二步,计算上述协方差矩阵的特征值和特征向量:
特征值: [4.91534585e+03 1.33082140e+02 5.29262797e+01 1.96958266e+00 1.35401494e+00 4.69063054e-04]
单位特征向量(按列):
[[-0.0115945 0.01982138 -0.00887949 0.44895534 0.89318819 0.00691333]
[-0.07419199 0.63756657 0.75938908 0.09150018 -0.05347679 -0.01002928]
[-0.21512829 0.59755921 -0.59197066 0.43419812 -0.2401709 -0.00186604]
[-0.15753526 0.41548756 -0.24453222 -0.77527456 0.37611186 -0.01568266]
[-0.96086494 -0.2513976 0.11409595 0.01743293 -0.01453903 0.00215488]
[-0.00146569 0.01443296 0.0024926 -0.01357453 -0.00122989 0.99979875]]
#计算的程序代码为
eige,feat=np.linalg.eig(Cov_mat)
print('特征值:',eige)
print('单位特征向量(按列):',feat)
现在我们希望降到3维,那我们就选择特征值按照从大到小排序的前三个特征值所对应的三个单位特征向量以列向量作成矩阵右乘矩阵即可实现降维。
最大的三个特征值分别为:4915.345846940669, 133.08213998288508, 52.92627974504706,即前三个特征向量,
第一个特征值4915.345846940669对应的特征向量为:
[[-0.0115945 ]
[-0.07419199]
[-0.21512829]
[-0.15753526]
[-0.96086494]
[-0.00146569]]
第二个特征值133.08213998288508对应的特征向量为:
[[ 0.01982138]
[ 0.63756657]
[ 0.59755921]
[ 0.41548756]
[-0.2513976 ]
[ 0.01443296]]
第三个特征值52.92627974504706对应的特征值为:
[[ 0.01982138]
[ 0.63756657]
[ 0.59755921]
[ 0.41548756]
[-0.2513976 ]
[ 0.01443296]]
#抽取特征值的程序:
f1=feat[:,0]
f2=feat[:,1]
f3=feat[:,2]
print('f1:',f1)
print('f2:',f2)
print('f2:',f2)
第三步,矩阵相乘实现降维:
将上述的三个单位特征列向量就以列的形式作成矩阵,得到的是一个6行3列的矩阵,如:
=[[-0.0115945 0.01982138 -0.00887949]
[-0.07419199 0.63756657 0.75938908]
[-0.21512829 0.59755921 -0.59197066]
[-0.15753526 0.41548756 -0.24453222]
[-0.96086494 -0.2513976 0.11409595]
[-0.00146569 0.01443296 0.0024926]]
#程序代码:
Q=feat[:,0:3]
print(Q)
然后将右乘矩阵即可实现降维:
[[ 45.35006284 -17.75139542 -2.15123174]
[ 33.6989285 -12.56877783 -0.82138033]
[ 3.81548648 -5.12899626 0.32906309]
[ 40.83667895 11.74622317 -10.38306642]
[ 19.351758 15.88377111 -6.27281217]
[-175.73584671 1.32176622 1.07508344]
[ -31.80974419 -6.48980673 -4.22012044]
[ 25.20227352 1.65636615 11.19948665]
[ 39.2904026 11.33084959 11.24497794]]
#计算的程序代码:
A=np.mat(new_data) #dataframe转化成为矩阵,以便于实现矩阵乘法运算
result=A*Q
print(result)
综合来看,PCA数据降维的过程可以按照如下步骤进行:
1.计算原矩阵的协方差矩阵C;
2.计算协方差矩阵C的特征值和特征向量;
3.选择最大的个特征值对应的特征向量组成降维矩阵;
4.将降维矩阵乘矩阵即可实现PCA降维。
下面来看究竟是为什么?我们要这样做:
4.2 PCA降维原理分析
从上面我们已经知道,对大数据集作降维变换的实质就是找到一个矩阵与原矩阵(零均值化的数据与原数据在信息上是等价的)作矩阵乘法即可实现降维。
设是方阵(先不考虑降维),记。是的原数据零均值化的矩阵,是矩阵,是矩阵相乘的结果(或者线性变换的结果),是矩阵,我们应该按照我们降维的要求去寻找降维矩阵。
计算矩阵乘积的结果的协方差矩阵:
由于,故
即。是的个列特征的协方差矩阵,不要忘了协方差矩阵是对角矩阵!
我们说,降维后,应该数据特征尽量相关性低,或者不具有相关性,这个样子是最好的。什么意思?也就是说,不同特征的协方差希望是0,这个时候达到的效果最好。从协方差矩阵的角度来看,就是说的协方差矩阵是对角矩阵的话就非常完美了。
的协方差矩阵,回忆前述的Theorem3,要使得为对角矩阵,那只要是的个单位特征向量以列组成的正交矩阵即可。不妨设的特征值分别是,对应的单位特征向量分别是,那么写出来写出就是
另外还有一个要求:投影(降维)了以后,留下的各个特征自己要尽量“分散”,不要太“拥挤”,这样可以在最大程度上减少由于数据降维带来的信息损失,意思是每一个降维后留下的特征数据方差尽量大,而降维后每一个特征的方差就体现在协方差矩阵的对角线上。
所以,如果我们想将原数据集的行向量降成维(剔除部分在列位置上的特征数据),那么挑最大的个特征值对应的特征向量组成降维矩阵,拿去右乘原矩阵即可实现降维。
比如说,最大的个特征值是,对应的特征向量分别是,,那么降维矩阵就应该长成这样:
然后将拿去右乘:
得到降维后的数据矩阵,
显然,的协方差矩阵就是
得到的这个数据,实现了在降低大数据集的复杂度的同时,也最大程度上地减少了由于数据特征减少而带来的信息损失。其实质就是将数据的行向量投影到,以特征数据协方差矩阵的最大的个特征值对应的特征向量为基底的空间中。
我们可以总结一下PCA降维的步骤:
a.计算原矩阵的协方差矩阵;
b.计算的特征值特征向量;
c.拎出的()个最大的特征值对应的特征向量;
d.将这个特征向量单位化了以后按列作成降维矩阵;
e.最后拿去右乘原矩阵即可。
好啦,接下来我们用Python的机器学习sklearn库来进行PCA降维的示范:
5 Python实现PCA降维
为了方便,采用sklearn库中自带的鸢尾花数据集(iris)来进行PCA算法的实现:
该数据集共有150个样本数据,每一个样本都有4个特征,分别是花萼长度、花萼宽度、花瓣长度、花瓣宽度,即该数据集的特征维度是4维的,有3类对鸢尾花分类的标签。
那么这些特征数据是否存在数据冗余?或者说怎么样合理地降低该数据集的特征维度?这里我们可以用PCA降维的方法来对鸢尾花数据集进行降维处理,从而熟悉PCA降维的原理和效果。因此,我们的目标就是,利用PCA降维的方法对鸢尾花的特征数据(4维)进行降维。
导入需要用的包:
#导入需要的包
from sklearn import datasets,decomposition
import numpy as np
import matplotlib.pyplot as plt
加载数据集并提取特征数据
iris=datasets.load_iris()
data=iris.data
查看数据维度情况:
print(data[0:5])
运行结果:
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
说明原数据的确是4维的。
根据方差(线性变换后数据的特征值)的占比情况确定合适的降维维度:
exv=pca.explained_variance_ratio_ #计算可解释方差占比
print('方差占比情况:',exv)
运行结果:方差占比情况: [0.92461872 0.05306648 0.01710261 0.00521218]
从结果来看,前两个特征比较显著,因此可以考虑降为2维:
new_pca=decomposition.PCA(n_components=2) #设置k=2
new_pca.fit(data) #训练数据
new_data=new_pca.transform(data) #返回降维后的数据
print(new_data[0:5])
运行结果:
[[-2.68412563 0.31939725]
[-2.71414169 -0.17700123]
[-2.88899057 -0.14494943]
[-2.74534286 -0.31829898]
[-2.72871654 0.32675451]]
结果表明,的确从4维降到了2维。
print('降维后各个主成分的方差大小:',new_pca.explained_variance_)
print('降维后各个主成分的方差占比大小:',new_pca.explained_variance_ratio_)
运行结果:
降维后各个主成分的方差大小: [4.22824171 0.24267075]
降维后各个主成分的方差占比大小: [0.92461872 0.05306648]
好啦,就说到这里,望各位大佬指教!
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
- 独立按键的使用
独立按键:P30,31,32,33 如何判断是否按下,按键默认为高电平,当按下按键时,P3口对应的为低电平 :一句话就是按下为低电平,然后可以将对应的io口连接到相应的设备,给低电平就运行 判断是否一直按…...
2024/4/20 17:10:33 - Android-第三方开源框架:Bugly让热修复变得如此简单,整理出Android逆向系列学习进阶视频
1、enableProxyApplication true Bugly将通过反射的方式针对项目中自定义的Application动态生成新的Application,下图是源码中的AndroidManifest.xml和编译好的apk中的AndroidManifest.xml: 既然将enableProxyApplication的值设置为true,那接…...
2024/4/14 15:42:31 - 快慢指针之练习【1】
学习安排根据《代码随想录》~ 上篇用快慢指针其实思路有点堵,参考了答案,这次练习就要独当一面了ヾ(◍∇◍)ノ゙! leetcode 26 删除有序数组重复元素 同样是简单题,乍一看和上一篇没什么区别 于是乎&#…...
2024/4/14 15:42:21 - #好串# C++
来源:牛客网 时间限制:C/C 1秒,其他语言2秒 空间限制:C/C 32768K,其他语言65536K 64bit IO Format: %lld 题目描述 牛牛喜欢跟字符串玩耍,他刚刚学会了一个新操作,将一个字符串x插入另一个字符…...
2024/4/18 17:32:20 - Android-技术的下半场,附答案解析
有的同学会问,我平常都在写业务代码、写页面、调用SDK,有必要去了解架构吗?答案很简单,业务是表,架构是里。变化万千的业务背后都是大同小异的架构。时代更迭,业务变迁,理解架构的技术人员可以处…...
2024/4/19 9:18:31 - IDEA之搭建SpringCloud项目
目录一、简介1.1 Spring-Cloud Euraka介绍1.2 Euraka介绍二、部署Eureka Server2.1 创建项目2.2 配置文件2.3 启动类2.4 测试三、部署Eureka Client3.1 部署Service Provider3.1.1 创建项目3.1.2 配置文件3.1.3 启动类3.1.4 请求接口3.1.5 测试3.2 部署Servcie Customer3.2.1 创…...
2024/4/15 22:14:14 - 【长期】常用命令记录
文章目录一、Mysql一、Mysql # 查看表中字段的注释 SELECT column_name, column_comment FROM information_schema.COLUMNS WHERE TABLE_NAME"表名" AND TABLE_SCHEMA"库名";# 查看数据库中的表名和注释 SELECT table_name, table_comment FROM informat…...
2024/4/14 15:42:31 - 力扣1226.哲学家进餐
死锁产生的四个必要条件: (1)互斥条件:一个资源每次只能被一个进程使用。 (2)占有且等待:进程已经占有了至少一个资源,同时请求新资源而被阻塞时,对已获得的资源保持不放…...
2024/4/14 15:43:12 - 手写Promise
/*** author:lsr* desc:手写Promise* date:20220118*/ class MyPromise {state pendingvalue undefinedreason undefinedresolveCallbacks []rejectCallbacks []constructor(fn) {const resolveHandler (value) > {if (this.state …...
2024/4/16 19:54:08 - MAC 不能安装该软件,因为当前无法从软件更新服务器获得
Mac安装工具时遇到的问题,貌似因为新版系统的原因 需要去苹果的开发者网站,下载插件Command Line Tools,下载对应版本安装后就可以了,我下的最新的 https://developer.apple.com/download/more/ 我的系统是macOS Catalina10.15.…...
2024/4/18 21:07:15 - 练习 称重 逆置排序 冒泡排序
在一个数组中记录五只小猪的体重 找出并打印最重的小猪体重 int arr[5]{300,350,200,400,250} 访问数组中每个元素,如果这个元素比我认定的最大值大,更新最大值 // 练习案例 //#include<iostream> //using namespace std; //int main() //{ //…...
2024/4/5 5:05:47 - Android 控件之Gallery和ImageSwitcher图片切换器,android开发自我介绍
android:layout_alignBottom"id/gallery"/> 2、完整类AddUserActivity.java,当点击对应的按钮的时候,就弹出圣诞框。 public class AddUserActivity extends Activity { /** Called when the activity is first created. */ ImageButton imButton;…...
2024/4/14 15:43:27 - 【深度学习】Pytorch中的模型的存储和加载
【深度学习】Pytorch中的模型的存储和加载模型的存储模型的加载pytorch的模型加载存储有两个方法,在我脑子里一直容易弄混,所以记录一下模型的存储 假设模型对象名称是model model Net() #保存方法1 torch.save(model,"model_1.pth")#方法2…...
2024/4/18 3:26:03 - Java基础-抽象类
一、什么是抽象类 抽象类是指我们把几个普通类的结构里面增加抽象方法的组成部分。 我们可以抽取一些共性,但是他们每个都有各自的一些实现方式,比如小明和学生他们都能跑但是他们的跑步方式不同,也就是说我们只能抽取共性,但是…...
2024/4/18 9:50:48 - umi3.5新特性 mfsu报错 Unexpected token in JSON at position 0, try to remove cache file and retry.
项目场景: 最近在开发react项目,在npm start启动项目的时候,突然报了一堆错误。最后发现是,umi3.5的新特性 mfsu导致的。 问题描述: ⏱️ MFSU Enabled Unexpected token in JSON at position 0, try to remove c…...
2024/4/14 15:43:12 - 自学golang【3.7map的练习代码】
map的练习代码: package mainimport "fmt"func main() {m : map[string]string{ //定义一个map"name": "lwj","course": "golang","site": "im","quality": "good&q…...
2024/4/14 15:43:17 - Mac M1 配置初始化 Nginx+PHP+MySQL环境
环境 Homebrew🍺 Xcode命令行工具 PHP 8.0 Nginx MySQL 安装Xcode命令行工具 执行命令 Xcode-select --install 安装Homebew 点击访问 Homebrew 官网 按照指引,安装Homebrew /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Hom…...
2024/4/18 1:24:54 - 实现短信验证码
朋友让帮忙做一个短信验证码工具。对此有了初体验。 1. 编码转换:字符集必须是GB2312格式,字符必须用UrlEncode进行编码。 $sms "短信验证码:2312【大象投资】"; // utf8 echourlencode(mb_convert_encoding($sms,gb2312,utf-8)…...
2024/4/14 15:43:27 - error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools“:
在安装pure-ldp过程中遇见的相关问题 问题如下: 在这里https://www.lfd.uci.edu/~gohlke/pythonlibs/#bitarray 下载合适的bitarray安装包,然后用pip安装即可,效果如图...
2024/4/20 3:08:25 - 完全背包问题(动态规划)小结
一,问题 【问题】 一个容量为m公斤的背包。现有n种物品,每种物品有无限多件,它们的重量分别为W[i](1< i<n),它们的价值分别为C[i](1<i<n)。求能放入背包的最大价值。 【输入】 第一行:两个整数&#…...
2024/4/14 15:43:07
最新文章
- 部署接入 M3E和chatglm2-m3e文本向量模型
前言 FastGPT 默认使用了 openai 的 embedding 向量模型,如果你想私有部署的话,可以使用 M3E 向量模型进行替换。M3E 向量模型属于小模型,资源使用不高,CPU 也可以运行。下面教程是基于 “睡大觉” 同学提供的一个的镜像。 部署镜像 m3e-large-api 镜像名: stawky/m3e-…...
2024/4/28 3:33:01 - 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…...
2024/3/20 10:50:27 - 文件系统 FTP Ubuntu 安装入门介绍
FTP 环境: Ubuntu 14.04 blog zh_CN ubuntu14.04 Install 全新安装:apt-get install vsftpd 重新安装:apt-get --reinstall install vsftpd 卸载并清除配置文件:apt-get --purge remove vsftpd Start & Restart $ service vsftpd start $ se…...
2024/4/26 19:07:53 - RP2040开发笔记
RP2040 采用合宙的RP2040(板载4MB Flash), 所有开发资料参考官方:树莓派 Pico 中文站...
2024/4/28 0:29:24 - 【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…...
2024/4/26 18:09:39 - 【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…...
2024/4/28 3:28:32 - 【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…...
2024/4/26 23:05:52 - 【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…...
2024/4/27 4:00:35 - 【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…...
2024/4/27 17:58:04 - 【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…...
2024/4/27 14:22:49 - 【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…...
2024/4/28 1:28:33 - 【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…...
2024/4/27 9:01:45 - 【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…...
2024/4/27 17:59:30 - 【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…...
2024/4/25 18:39:16 - 【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、…...
2024/4/28 1:34:08 - 【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…...
2024/4/26 19:03:37 - 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…...
2024/4/28 1:22:35 - 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…...
2024/4/25 18:39:14 - 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…...
2024/4/26 23:04:58 - 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…...
2024/4/27 23:24:42 - 「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…...
2024/4/25 18:39:00 - 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…...
2024/4/26 19:46:12 - 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」。 …...
2024/4/27 11:43:08 - 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…...
2024/4/27 8:32:30 - 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