机器学习(周志华)第一章至第三章笔记
关于周志华老师的《机器学习》这本书的学习笔记
记录学习过程
本博客记录Chapter1 to Chapter3
文章目录
- 1 绪论
- 1.1 引言
- 1.2 基本术语
- 1.3 假设空间
- 1.4 归纳偏好
- 1.5 发展历程
- 2 模型估计与选择
- 2.1 经验误差与过拟合
- 2.2 评估方法
- 2.3 性能度量
- 2.4 比较检验
- 2.5 偏差和方差
- 3 线性模型
- 3.1 基本形式
- 3.2 线性回归
- 3.3 对数几率回归
- 3.4 线性判别分析(LDA)
- 3.5 多分类学习
- 3.6 类别不平衡问题
1 绪论
1.1 引言
机器学习是关于“学习算法”的学问。
1.2 基本术语
-
特征向量(feature vector):xi={xi1,xi2,…,xid}x_i = \{x_{i1},x_{i2},…,x_{id}\}xi={xi1,xi2,…,xid}
-
维数(dimensionality):属性总数ddd
-
预测:预测值离散—分类;预测值连续—回归;还有聚类
-
根据训练数据是否有标记信息:监督学习(supervised learning)和无监督学习(unsupervised learning)。分类和回归是前者;聚类是后者。
-
训练模型适用于新样本的能力称为“泛化”。
1.3 假设空间
归纳学习:induction,从特殊到一般的泛化过程。
学习过程是在所有假设(hypothesis)组成的空间中搜索的过程,搜索目标是找到与训练集匹配的假设。
1.4 归纳偏好
机器学习算法在学习过程中对某种类型假设的偏好,称为归纳偏好(inductive bias)
-
奥卡姆剃刀(Occam’s razor):若有多个假设与观察一致,则选择最简单的那个。例如认为“更平滑”意味着“更简单”。
假设样本空间χ\chiχ和假设空间HHH都是离散的。
令P(h∣x,ζa)P(h|x,\zeta_a)P(h∣x,ζa)是代表算法ζa\zeta_aζa在训练数据XXX产生假设hhh的概率。令fff代表真是目标函数。训练集外误差:
Eote(ζa∣X,f)=∑h∑x∈χ−XP(x)Ⅱ(h(x)≠f(x))P(h∣X,ζa)E_{ote}(\zeta_a|X,f)=\displaystyle\sum_h \sum_{x \in \chi-X}P(x)Ⅱ(h(x)\neq f(x))P(h|X,\zeta_a) Eote(ζa∣X,f)=h∑x∈χ−X∑P(x)Ⅱ(h(x)=f(x))P(h∣X,ζa)
其中,ⅡⅡⅡ表示指示函数,为真取1为假取0。
- NFL定理(没有免费午餐):当所有问题出现的机会相同,即所有问题同等重要的情况下,所有学习算法的期望性能相同。(EoteE_{ote}Eote相同)。其重要意义在于让我们认识到脱离具体问题,空谈算法好坏毫无意义。
1.5 发展历程
推理—>知识—>学习
归纳逻辑程序设计(Inductive Logic Program,ILP):决策树,不适用于问题规模极大的情况
基于神经网络的连接主义:BP神经网络,黑箱模型,调参困难
统计学习(statistical learning):支持向量机,核方法。
深度学习:连接主义,多层神经网络。拥有大量参数,样本数据少容易过拟合。
2 模型估计与选择
2.1 经验误差与过拟合
-
经验误差:mmm个样本中aaa个分类错误,则错误率E=amE=\displaystyle\frac{a}{m}E=ma。精度为1−E1-E1−E。学习器在训练集上的误差称为经验误差或训练误差。在新样本上的误差称为泛化误差。我们希望得到泛化误差小的学习器。
-
过拟合:学习器把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质,导致泛化能力下降。
欠拟合:训练样本的一般性质尚未学好。
2.2 评估方法
-
用测试误差作为泛化误差的近似。
-
划分测试集和训练集的方法:
-
留出法:直接将数据集划分为两个互斥的集合。D=S∪T,S∩T=∅D=S\cup T, S\cap T=\varnothingD=S∪T,S∩T=∅
- 结果:多次随机划分结果的平均值
- 一般将2/3,4/52/3,4/52/3,4/5的数据用于训练集,剩余数据作为测试集
-
交叉验证法:将数据集划分为kkk个大小相似的互斥子集。
- k=10k=10k=10:十折交叉验证
- k=m(样本数)k=m(样本数)k=m(样本数):留一法,结果可靠但是运算复杂,计算开销大
-
自助法(bootstrapping):以自助采样法(bootstrap sampling)为基础,给定包含mmm个样本的数据集DDD,对他采样产生数据集D′D'D′:每次随机从DDD中挑选一个样本加入到D′D'D′并放回,重复该过程mmm次。
- 简单估计,样本在mmm次采样中均不被采样的概率p=(1−1m)m≈e−1≈0.368p=(1-\displaystyle\frac{1}{m})^m \approx e^{-1} \approx 0.368p=(1−m1)m≈e−1≈0.368
- 适用于数据集较小、难以有效划分训练集和测试集的情况。
-
-
调参和最终模型:
- 参数分为算法的参数(超参数,数量一般在10以内)和模型的参数(很多)
2.3 性能度量
-
回归:均方误差(mean squard error)
MSE=E(f;D)=1m∑i=1m(f(xi)−yi)2MSE = E(f;D)=\frac{1}{m}\sum_{i=1}^{m}(f(x_i)-y_i)^2 MSE=E(f;D)=m1i=1∑m(f(xi)−yi)2 -
分类任务:
-
精度:acc(f;D)=1m∑i=1mⅡ(f(xi)≠yi)acc(f;D)=\frac{1}{m}\sum_{i=1}^{m}Ⅱ(f(x_i)\neq y_i)acc(f;D)=m1∑i=1mⅡ(f(xi)=yi)
-
错误率:E(f;D)=1−acc(f;D)E(f;D)=1-acc(f;D)E(f;D)=1−acc(f;D)
-
混淆矩阵
-
查准率:precision=TPTP+FPprecision = \displaystyle\frac{TP}{TP+FP}precision=TP+FPTP
-
查全率:recall=TPTP+FNrecall=\displaystyle\frac{TP}{TP+FN}recall=TP+FNTP
- 查全率和查准率是一堆矛盾的较量
-
BEPBEPBEP平衡点(precision=recallprecision=recallprecision=recall),平衡点越大,可以认为学习器更好
-
F1F1F1度量:F1=2×Precision×RecallPrecision+RecallF1=\displaystyle\frac{2\times Precision\times Recall}{Precision+Recall}F1=Precision+Recall2×Precision×Recall
- 本质是调和平均
-
FβF_{\beta}Fβ度量:F1=(1+β2))×Precision×Recall(β2×Precision)+RecallF1=\displaystyle\frac{(1+\beta^2))\times Precision\times Recall}{(\beta^2 \times Precision)+Recall}F1=(β2×Precision)+Recall(1+β2))×Precision×Recall
- 本质是加权调和平均
- β\betaβ表示查全率对查准率的影响;β>1\beta>1β>1说明查全率影响
-
宏F1:先计算各混淆矩阵的查全率和查准率,在平均调和
-
微F1:先计算TP FP TN FN的平均,再计算查全率、查准率和F1
-
ROC和AUC:
-
ROC(受试者工作特征曲线):
- 纵轴(真正例率):TPR=TPTP+FNTPR=\displaystyle\frac{TP}{TP+FN}TPR=TP+FNTP
- 横轴(假正例率):FPR=FPTN+FPFPR=\displaystyle\frac{FP}{TN+FP}FPR=TN+FPFP
-
AUC:ROC曲线下的面积。AUC=12∑i=1m−1(xi+1−xi)(yi+yi+1)AUC=\frac{1}{2}\sum_{i=1}^{m-1}(x_{i+1}-x_i)(y_i+y_{i+1})AUC=21∑i=1m−1(xi+1−xi)(yi+yi+1)
-
非均等代价:不同类型错误造成不同损失。
-
D+D^+D+代表数据集DDD的正例子集,D−D^-D−代表数据集DDD中的反例子集,代价敏感错误率为:
E(f;D;cost)=1m(∑xi∈D+Ⅱ(f(xi)≠yi)×cost01+∑xi∈D−Ⅱ(f(xi)≠yi)×cost10)E(f;D;cost)=\frac{1}{m}(\sum_{x_i\in D^+}Ⅱ(f(x_i)\neq y_i)\times cost_{01}+\sum_{x_i\in D^-}Ⅱ(f(x_i)\neq y_i)\times cost_{10}) E(f;D;cost)=m1(xi∈D+∑Ⅱ(f(xi)=yi)×cost01+xi∈D−∑Ⅱ(f(xi)=yi)×cost10)
-
-
2.4 比较检验
-
统计假设检验:若在测试集上观察到学习器A比学习器B好,则A的泛化性能是否在统计意义上优于B,以及这个结论的把握有多大。
-
假设检验
-
思想:根据测试错误率推估出泛化错误率的分布。
-
泛化错误率ϵ\epsilonϵ,测试错误率ϵ^\hat{\epsilon}ϵ^。将ϵ^×m\hat{\epsilon}\times mϵ^×m个样本误分类的概率:P(ϵ^;ϵ)=(mm×ϵ^)ϵϵ^×m(1−ϵ)m−ϵ^×mP(\hat{\epsilon};\epsilon)=\begin{pmatrix}m\\m\times \hat{\epsilon} \end{pmatrix}\epsilon^{\hat{\epsilon}\times m}(1-\epsilon)^{m-\hat{\epsilon}\times m}P(ϵ^;ϵ)=(mm×ϵ^)ϵϵ^×m(1−ϵ)m−ϵ^×m,求解导数,令一阶导数为0得到**ϵ^=ϵ\hat{\epsilon}=\epsilonϵ^=ϵ**,满足二项分布。可使用二项检验,计算ϵˉ\bar{\epsilon}ϵˉ(误判样本数量不少于$\epsilon_0\times m 个样本的概率小于个样本的概率小于个样本的概率小于\alpha,其中最小的,其中最小的,其中最小的\epsilon$):
ϵˉ=minϵs.t.∑i=ϵ0×m+1m(mi)ϵi(1−ϵ)m−i<α\bar{\epsilon}=min\epsilon\space \space \space s.t.\space \space \space \sum_{i=\epsilon_0\times m+1}^m \begin{pmatrix}m\\i \end{pmatrix}\epsilon^i(1-\epsilon)^{m-i}<\alpha ϵˉ=minϵ s.t. i=ϵ0×m+1∑m(mi)ϵi(1−ϵ)m−i<α
若测试错误率ϵ^<ϵˉ\hat{\epsilon}< \bar{\epsilon}ϵ^<ϵˉ,根据二项检验,得出结论再α\alphaα的显著度下,假设ϵ≤ϵ0\epsilon\le \epsilon_0ϵ≤ϵ0不能被拒绝。
-
t检验:得到了kkk个测试错误率,ϵ1^、ϵ2^、…、ϵk^\hat{\epsilon_1}、\hat{\epsilon_2}、…、\hat{\epsilon_k}ϵ1^、ϵ2^、…、ϵk^,则平均错误率和方差为:
- μ=1k∑i=1kϵi^\mu=\frac{1}{k}\sum_{i=1}^{k}\hat{\epsilon_i}μ=k1∑i=1kϵi^
- σ=1k−1∑i−1k(ϵi^−μ)2\sigma=\frac{1}{k-1}\sum_{i-1}^{k}(\hat{\epsilon_i}-\mu)^2σ=k−11∑i−1k(ϵi^−μ)2
- t=k(μ−ϵ0)ϵt=\displaystyle\frac{\sqrt{k}(\mu-\epsilon_0)}{\epsilon}t=ϵk(μ−ϵ0)服从自由度为k−1k-1k−1的ttt分布。若ttt位于[t−α2,tα2][t_{-\frac{\alpha}{2}},t_{\frac{\alpha}{2}}][t−2α,t2α],则无法拒绝原假设。
-
-
交叉验证ttt检验
- 两个学习器A和B,使用kkk折交叉验证法得到测试错误率分别为ϵ1A,…,ϵkA\epsilon_1^A,…,\epsilon_k^Aϵ1A,…,ϵkA和ϵ1B,…,ϵkB\epsilon_1^B,…,\epsilon_k^Bϵ1B,…,ϵkB。计算差值△i=ϵiA−ϵiB\triangle i=\epsilon_i^A-\epsilon_i^B△i=ϵiA−ϵiB(均值应该为0)。根据$\triangle i 做做做t检验:检验:检验:t=|\frac{\sqrt k\mu}{\sigma}|$
-
McNemar检验
- e01e_{01}e01和e10e_{10}e10应该相等。∣e01−e10∣|e_{01}-e_{10}|∣e01−e10∣应服从正态分布。用卡方检验:χ2=(∣e01−e10∣−1)2e01+e10\chi ^2=\frac{(|e_{01-e_{10}}|-1)^2}{e_{01}+e_{10}}χ2=e01+e10(∣e01−e10∣−1)2服从自由度为1的卡方分布。(e01+e10e_{01}+e_{10}e01+e10通常很小,需考虑连续性校正,因此分子中有-1项)。
-
Friedman检验和Nemenyi后续检验
- 对比多组算法的性能。在多个数据集对算法进行排序,求取排序的平均值。采用F检验判断算法是否性能相同。若拒绝原假设,则采用后续检验。
2.5 偏差和方差
-
泛化误差可以分为偏差、方差和噪声之和(假定噪声期望为0)。
- 期望输出:fˉ(x)=ED[f(x;D)]\bar{f}(x)=E_D[f(x;D)]fˉ(x)=ED[f(x;D)]
- 偏差:期望输出与真实标记的差别(bias),刻画了算法本身的拟合能力。bias2(x)=(fˉ(x)−y)2bias^2(x)=(\bar{f}(x)-y)^2bias2(x)=(fˉ(x)−y)2
- 使用样本数相同的不同训练集产生的方差,描述数据扰动所造成的影响。var(x)=ED[(f(x;D)−fˉ(x))2]var(x)=E_D[(f(x;D)-\bar{f}(x))^2]var(x)=ED[(f(x;D)−fˉ(x))2]
- 噪声,描述了学习问题本身的难度。ε2=ED[(yD−y)2]\varepsilon^2=E_D[(y_D-y)^2]ε2=ED[(yD−y)2]。(yDy_DyD是数据集中的标记,yyy是真实标记,即数据集中可能存在标错的情况)
- 泛化误差:E(f;D)=ED[(f(x;D)−yD)2]E(f;D)=E_D[(f(x;D)-y_D)^2]E(f;D)=ED[(f(x;D)−yD)2]
-
偏差-方差窘境:
- 假定能控制学习算法的训练程度。训练不足:学习器拟合能力不够强,训练数据的扰动不足以使得学习器发生显著变化,偏差主导了泛化错误率;训练程度加深,拟合能力增强,训练数据发生的扰动渐渐能被学习器学到,方差主导了泛化错误率。若训练数据自身的、非全局的特性被学习到,则将发生过拟合。
3 线性模型
3.1 基本形式
f(x)=w1x1+w2x2+…+wdxd+b=wTx+bf(x)=w_1x_1+w_2x_2+…+w_dx_d+b=\boldsymbol{w}^T\boldsymbol{x}+b f(x)=w1x1+w2x2+…+wdxd+b=wTx+b
3.2 线性回归
最小二乘法:基于均方误差最小化。
-
针对一元回归f(xi)=wxi+bf(x_i)=wx_i+bf(xi)=wxi+b
-
原理:找到一条直线,使得所有样本到直线上的欧氏距离之和最小
(w∗,b∗)=argmin(w,b)∑i=1m(f(xi)−yi)2=argmin(w,b)∑i=1m(yi−wxi−b)2(w^*,b^*)=\mathop{\arg\min}_{(w,b)}\sum_{i=1}^m(f(x_i)-y_i)^2\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ =\mathop{\arg\min}_{(w,b)}\sum_{i=1}^m(y_i-wx_i-b)^2 (w∗,b∗)=argmin(w,b)i=1∑m(f(xi)−yi)2 =argmin(w,b)i=1∑m(yi−wxi−b)2 -
参数估计:
-
求解w:
∂E(w,b)∂w=2(w∑i=1mxi2−∑i=1m(yi−b)xi)=0w=∑i=1myi(xi−xˉ)∑i=1mxi2−1m(∑i=1mxi)2\frac{\partial{E_{(w,b)}}}{\partial{w}}=2(w\sum_{i=1}^mx_i^2-\sum_{i=1}^m(y_i-b)x_i)=0\\ w=\frac{\displaystyle\sum_{i=1}^my_i(x_i-\bar{x})}{\displaystyle\sum_{i=1}^mx_i^2-\frac{1}{m}(\sum_{i=1}^mx_i)^2} ∂w∂E(w,b)=2(wi=1∑mxi2−i=1∑m(yi−b)xi)=0w=i=1∑mxi2−m1(i=1∑mxi)2i=1∑myi(xi−xˉ) -
求解b:
∂E(w,b)∂b=2(mb−∑i=1m(yi−wxi))=0b=1m∑i=1m(yi−wxi)\frac{\partial{E_{(w,b)}}}{\partial{b}}=2(mb-\sum_{i=1}^m(y_i-wx_i))=0\\ b=\frac{1}{m}\sum_{i=1}^m(y_i-wx_i) ∂b∂E(w,b)=2(mb−i=1∑m(yi−wxi))=0b=m1i=1∑m(yi−wxi)
-
-
-
针对多元回归f(x)=wx;x=(x;1);w=(w;1)f(x)=wx;x=(x;1);w=(w;1)f(x)=wx;x=(x;1);w=(w;1)
-
原理:
w^∗=argminw^(y−Xw^)T(y−Xw^)\hat w^*=\mathop{\arg\min}_{\hat w}(\boldsymbol{y-X\hat{w}})^T(\boldsymbol{y-X\hat{w}}) w^∗=argminw^(y−Xw^)T(y−Xw^) -
参数估计:
-
求解www:
∂Ew^∂w^=2XT(Xw^−y)\frac{\partial E_{\hat{w}}}{\partial{\hat{w}}}=2\boldsymbol{X^T(X\hat{w}-y)} ∂w^∂Ew^=2XT(Xw^−y)- 当XTXX^TXXTX满秩矩阵,直接令上式为0,得w^∗=(XTX)−1XTy\hat{w}^*=\boldsymbol{(X^TX)^{-1}X^Ty}w^∗=(XTX)−1XTy
- 当XTXX^TXXTX不是满秩矩阵,可以解出多个w^\hat{w}w^,都能使得均方误差最小化。引入正则化项(regularization)选择解。
-
-
广义线性模型:y=g−1(wTx+b)y=g^{-1}(\boldsymbol{w^Tx}+b)y=g−1(wTx+b),函数g(⋅)g(·)g(⋅)为联系函数。
3.3 对数几率回归
对数几率函数Sigmoid函数:
y=11+e−(wTx+b)y=\displaystyle\frac{1}{1+e^{-(\boldsymbol{w^Tx}+b)}} y=1+e−(wTx+b)1
式(11)可变换为:
lny1−y=wTx+bln\frac{y}{1-y}=\boldsymbol{w^Tx}+b ln1−yy=wTx+b
将yyy看作样本xxx作为正例的可能性,1−y1-y1−y为反例的可能性,两者比值称为几率(odds),反应xxx作为正例的相对可能性
y1−y\frac{y}{1-y} 1−yy
3.4 线性判别分析(LDA)
LDA线性判别分析:也叫Fisher判别分析。是一种监督降维技术。
核心思想: 给定训练样例集,设法将样例投影到一条直线上,使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离;在对新样本进行分类时,将其投影到同样的这条直线上,再根据投影点的位置来确定新样本的类别
数学表达:极小化同类样例投影点的协方差;极大化异类样例中心之间的距离。
广义瑞利商:J=∣∣wTμ0−wTμ1∣∣22wT∑0w+wT∑1w=wTSbwwTSww类间散度矩阵:Sb=(μ0−μ1)(μ0−μ1)T类内散度矩阵:Sw=∑0+∑1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T广义瑞利商:J = \frac{||\boldsymbol{w^T\mu_0-w^T\mu_1}||_2^2}{\boldsymbol{w^T\sum_0w+w^T\sum_1w}}=\frac{w^TS_bw}{w^TS_ww}\\ 类间散度矩阵:S_b=(\mu_0-\mu_1)(\mu_0-\mu_1)^T\\ 类内散度矩阵:S_w=\sum_0+\sum_1=\sum_{\boldsymbol{x}\in X_0}(x-\mu_0)(x-\mu_0)^T+\sum_{\boldsymbol{x}\in X_1}(x-\mu_1)(x-\mu_1)^T 广义瑞利商:J=wT∑0w+wT∑1w∣∣wTμ0−wTμ1∣∣22=wTSwwwTSbw类间散度矩阵:Sb=(μ0−μ1)(μ0−μ1)T类内散度矩阵:Sw=0∑+1∑=x∈X0∑(x−μ0)(x−μ0)T+x∈X1∑(x−μ1)(x−μ1)T
求解www:JJJ与www的长度无关,只与方向有关。令wTSww=1w^TS_ww=1wTSww=1
minw−wTSbws.t.wTSww=1\mathop{\min}_{w} -w^TS_bw\\ s.t.\ \ \ w^TS_ww=1 minw−wTSbws.t. wTSww=1
由拉格朗日乘子法,后进行奇异值分解。
3.5 多分类学习
核心问题:基本思路是“拆解法”,即将多分类任务拆分为若干个二分类任务。关键在于如何对多分类任务进行拆分,以及对多个分类器进行集成。
拆分策略:
-
OvO(一对一):训练N(N−1)2\frac{N(N-1)}{2}2N(N−1)个分类器(两两一个),单个分类器的训练数据量较小
-
OvR(一对其余):训练NNN个分类器,但是单个分类器训练数据较大
-
MvM(多对多):采用ECOC(纠错输出码技术)。一般来说,ECOC编码越长,纠错能力越强,开销也越大。
-
编码:划分M次(下图(a)为5次,五个分类器,f2f_2f2分类器中,C1,C3C_1,C_3C1,C3为正例)
-
解码:测试结果和各类的编码结果之间求解距离。
(a)中:23=[−1−(−1)]2+[1−(−1)]2+[−1−1]2+[1−(−1)]2+[1−1]2=12=232\sqrt 3=\sqrt{[-1-(-1)]^2+[1-(-1)]^2+[-1-1]^2+[1-(-1)]^2+[1-1]^2}=\sqrt{12}=2\sqrt 323=[−1−(−1)]2+[1−(−1)]2+[−1−1]2+[1−(−1)]2+[1−1]2=12=23
-
3.6 类别不平衡问题
- 再缩放策略:一般来说阈值设置为0.5(y1−y=1\frac{y}{1-y}=11−yy=1)。更改分类器决策规则:若y1−y>m+m_\frac{y}{1-y}>\frac{m^+}{m^\_}1−yy>m_m+,预测为正例。
- 前提:训练集是真是样本总体的无偏采样。这个假设很难成立,因此我们未必有效地基于训练集观测几率odds来推断真实几率
- 解决方案:
- 欠采样:去除一些反例使得正反例数目接近。
- 可能会丢失信息。
- EasyEnsemble:随机丢弃反例
- 过采样:增加一些正例使得正反例数目接近。
- 不能简单的重复样本,不然会导致过拟合。
- SMOTE:对训练集的正例进行插值得到额外的正例。
- 阈值移动:再缩放策略。
- 欠采样:去除一些反例使得正反例数目接近。
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
- MATLAB绘图应用案例100篇(五)-MATLAB绘制雷达图变种
前言 怎么用MATLAB绘制下面的图,底部为极坐标,Z为笛卡尔坐标? [ 环境:win10+2020b ] clc;clear;close allx=0:.5:8;[X,Y] = meshgrid(sqrt(x.^3));t2 = [0 360]*pi/180;r2 = [0 4];figure(color,white);polarplot3d(-X,plottype,mesh,angularrange,t2,radialrange,r2,.…...
2024/4/7 20:29:19 - react 实现一个发送手机验证码的功能
import React, { ChangeEvent, useEffect, useState } from react;function Effect() {let [num,setNum]useState(0);let [tel,setTel]useState("");const handleSend()>{let a 10;console.log(tel,手机号);var reg_tel /^(13[0-9]|14[01456879]|15[0-35-9]|16[…...
2024/4/7 20:29:19 - 【Java数据结构与算法】栈与逆波兰表达式 内含:逆波兰计算器,中缀表达式转后缀表达式,关于matches()方法的使用
栈栈的介绍一、栈的实现(数组)二、将中缀表达式转成对应的List集合三、中缀表达式转后缀表达式四、逆波兰计算器的实现五、关于matches()方法的使用栈的介绍 栈是一个先入后出(FILO-First In Last Out)的有序列表。栈(stack)是限制线性表中元素的插入和…...
2024/4/7 20:29:24 - springboot整合mybaits-plusmybaits实现用户登陆界面(适合入门)+唯美界面
springboot整合mybaits-plus/mybaits实现用户登陆界面(一步步解析)唯美界面 文章目录springboot整合mybaits-plus/mybaits实现用户登陆界面(一步步解析)唯美界面前言1.演示画面2.项目的创建依赖2.检查一下自己的项目依赖3.编写spr…...
2024/4/20 2:26:59 - 前端JavaScripte二十五道面试题
1.介绍js的基本数据类型 undefined,null,boolean,number,string 2.js有哪些内置对象? 数据封装类对象:object,array,boolean,number,string 其他对象…...
2024/4/26 21:34:29 - 2-3 比特笔记
主要内容:指针进阶 1.指针就是个变量 用来存放地址的空间 2.字符指针 const修饰的指针不可修改 同样 将字符串赋值给一个指针时 该指针是不可变的 3.一个字符串的地址在电脑中是唯一的 所以若赋值给不同的指针变量那么指针变量所对应的地址相同 4.typdef int* p…...
2024/4/13 17:12:58 - L1-019 谁先倒 (c++二维数组解决)
L1-019 谁先倒 (15 分) 划拳是古老中国酒文化的一个有趣的组成部分。酒桌上两人划拳的方法为:每人口中喊出一个数字,同时用手比划出一个数字。如果谁比划出的数字正好等于两人喊出的数字之和,谁就输了,输家罚一杯酒。两人同赢或两…...
2024/5/7 6:39:46 - 剑指 Offer 60. n个骰子的点数
题目描述: 把n个骰子扔在地上,所有骰子朝上一面的点数之和为s。输入n,打印出s的所有可能的值出现的概率。 你需要用一个浮点数数组返回答案,其中第 i 个元素代表这 n 个骰子所能掷出的点数集合中第 i 小的那个的概率。 示例 1: 输…...
2024/5/7 4:31:28 - ctfshow—web151-160
目录 Web 151-152 Web 153 Web 154 Web 155 Web 156 Web 157-159 Web 160 Web 151-152 直接上传文件,然后抓包改后缀 再用蚁剑连一下,找到flag即可 Web 153 php文件无法上传。 发现服务器是nginx,考点是上传.user.ini配置文件&…...
2024/4/13 17:13:03 - Python入门--转义字符与原字符
#什么是转义字符? #就是反斜杠\想要实现的转义功能的首字母 #为什么需要转义字符? #当字符串中包含反斜杠,单引号和双引号等特殊用途的字符时,必须使用反斜杠对这些字符进行转义(转换一个含义) #反斜杠\\ #单引号\ #双引号\"…...
2024/4/16 21:41:57 - 2/3 熬夜刷题~~~
https://www.luogu.com.cn/problem/P3906 P3906 Geodetic集合 bfs深搜的灵活应用,算我的薄弱点。 #include <bits/stdc.h>using namespace std; const int inf0x3f3f3f3f; int n,m,pre[50][50],dist[50],mp[50][50],k,num[50]; bool vis[50]; void bfs(int s…...
2024/4/15 19:42:27 - Postfix邮件队列查看方法
PostFix之postqueue指令看被Queue的信:postqueue -p ormailq強迫将Queue信寄出:postqueue -f刪除所有被Queue的信:postsuper -d ALL刪除某封Queue的信:先用postqueue -q or mailq查queue_idpostsuper -d queue_id刪除所有正在 deferred 队列中的邮件 ( 刪除曾经发生失败的信 ):…...
2024/4/29 16:29:05 - 2022/02/03
今天没有什么知识上的收获,在反思如何有效克服现在的困境。 好像一直以来,觉得事情不如我意了,就想着打打游戏换个脑子能逃避一会,但仔细想来很多时候是退无可退的。毕业快两年时间,想做的事似乎一直得不到正反馈&…...
2024/5/7 1:19:39 - Cherno C++ P43 C++的智能指针
YouTube视频链接 C的智能指针 本文是ChernoP43视频的学习笔记。 智能指针是实现分配内存、释放内存这一过程自动化的一种方式。若使用智能指针,当我们调用new时不需要调用delete,甚至不需要调用new。智能指针本质上是一个原始指针的包装࿰…...
2024/5/6 23:23:46 - 如何入门GO语言 超详细入门教程你值得拥有
今年是GO语言诞生的第十个年头,相比其他语言虽然历史不长,但近两年Go语言却强势进入主流的编程领域,广受关注。下面,千锋GO语言培训就为大家分享一份超详细入门教程,助你快速入门。课程介绍Go语言是谷歌2009年发布的第二款开源编程语言,它是基于编译、垃圾收集和并发的编…...
2024/5/6 20:46:46 - 计算机网络-运输层(UDP/TCP协议)
文章目录前言一、计算机网络二、运输层1、复用和分用2、UDP3、TCPⅠ- TCP的灵魂拷问 - TCP 和 UDP 的区别Ⅱ - TCP的灵魂拷问 - 三次握手Ⅲ - TCP的灵魂拷问 - 四次挥手Ⅳ - TCP的灵魂拷问 - TCP如何实现可靠传输总结前言 上一篇我们简介了应用层,介绍了在应用层两…...
2024/4/15 11:56:32 - python函数(无参有参,形参和实参,参数类型)个人理解用法
在编写自动化用例代码时老是会写很多函数,对函数的参数理解的很混乱,在这里我对函数的用法进行一个简单的总结和整理 函数定义 def 函数名(形参1,形参2,...):代码#如果有必要返回一个结果给调用者就需要加上return 返回值,没必要就不用加返回…...
2024/4/7 20:29:08 - 复制指定目录下的所有文件(包含目录下的子目录文件)
首先先创建两个file对象,一个是源数据file,也就是你要复制的路径 另一个是目的地file对象,就是你想要复制到在指定路径,我这里复制是是F盘下的MulLu文件夹下的所有文件,复制到F盘下的Download文件里面 这里创建一个复…...
2024/4/16 2:05:46 - 【第28篇】搜索 MobileNetV3
搜索 MobileNetV3 论文链接: 1905.02244.pdf (arxiv.org) 摘要 我们展示了基于互补搜索技术和新颖架构设计的下一代 MobileNets。 MobileNetV3 通过结合硬件感知网络架构搜索 (NAS) 和 NetAdapt 算法来调整到手机 CPU,然后通过新的架构进步进行改进。…...
2024/4/19 13:05:53 - ubuntu 连接无线路由
Ubuntu18.04下小米、TPLink、腾达USB无线网卡跳坑记录_zhanghm1995的博客-CSDN博客_腾达u12...
2024/4/13 17:13:53
最新文章
- “设置display:block-inline的li或div中添加文字后,导致li或div排版掉落、错位”的原因及解决方法
先说我想实现的效果 然后我就很快的列出来了css .f_wornning{background: url("/assets/images/icon_kaung.png")no-repeat 100% 100%;background-size: 100% 100%;margin: 10px 20px;height: 3rem;line-height: 3rem;color: #d8eebd;.f_wornning_icon{height: 2rem;…...
2024/5/10 15:36:33 - 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…...
2024/5/9 21:23:04 - WPS二次开发专题:如何获取应用签名SHA256值
作者持续关注WPS二次开发专题系列,持续为大家带来更多有价值的WPS开发技术细节,如果能够帮助到您,请帮忙来个一键三连,更多问题请联系我(QQ:250325397) 在申请WPS SDK授权版时候需要开发者提供应用包名和签…...
2024/5/10 0:25:04 - Nginx配置文件修改结合内网穿透实现公网访问多个本地web站点
文章目录 1. 下载windows版Nginx2. 配置Nginx3. 测试局域网访问4. cpolar内网穿透5. 测试公网访问6. 配置固定二级子域名7. 测试访问公网固定二级子域名 1. 下载windows版Nginx 进入官方网站(http://nginx.org/en/download.html)下载windows版的nginx 下载好后解压进入nginx目…...
2024/5/9 17:24:24 - 【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…...
2024/5/10 12:36:12 - 【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…...
2024/5/9 15:10:32 - 【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…...
2024/5/4 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…...
2024/5/9 4:20:59 - 【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…...
2024/5/8 20:48:49 - 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…...
2024/5/8 19:33:07 - 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…...
2024/5/8 20:38:49 - 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」。 …...
2024/5/10 10:22:18 - 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…...
2024/5/9 17:11:10 - 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