本文是以树莓派4B+为实验原型，理论上可拓展至所有树莓派，但是根据许多网上的教程可以看出来，树莓派3B+的配置方法与本文所介绍的并不相同，猜测可能是和对应文章发布时的树莓派系统版本有关。因此如果你再使用本文提供的方法上遇到什么问题欢迎留言讨论。 使树莓派变成热点其实思路很简单，只需要一个AP软件，一个DHCP服务器，然后将树莓派自己本身变成网关即可，这个过程相对于安卓、Windows和一些Linux发行版来说是相对困难了一些。网上也有很多例如create_ap等的工具来辅助实现这个需求，实现的方法也比较干净，但是在我使用过程中发现无法启动wlan0接口，我试了几次也不行，网上相关资料也比较少，因此写这么一篇文章来阐述一下我的折腾过程。 希望我的折腾能对你有所帮助 首先需要hostapd、dnsmasq两个软件包其核心配置文件分别是：/etc/hostapd/hostapd...
原文来自虎嗅网 文章中涉及到的所有人物、事件、产品和公司均已进行相关链接标注。连接来源互联网 世界是个回音谷，念念不忘必有回响——李叔同 这是一个个体崛起的时代，这是一个群体爆发的时代，当个体搭乘一个时代的快车，个体开始加冕。互联网无疑就是这样的超级快车，李彦宏、马云、马化腾、张一鸣、王兴、黄峥无疑就是其中的超级个体。在2019年全球互联网上市公司30强榜单中，美国18家，中国7家企业上榜，BAT、网易、京东、拼多多均在其中。...
上课时，我放了一个屁——很普通的屁。既不很臭，当然也绝对不香。可怕的是，教授正在讲辩证法。“请你自己对这个屁作一下判断，”教授说，“它好还是不好？”我只得说：“不好。”“错了，”教授说，“任何事物都有矛盾组成，有它不好的一面，肯定有它好的一面。”“那么说它好也不对了？”我问。“当然。”教授说。“它既好又不好。”“错了。你只看到矛盾双方对立斗争的一面，没有看到他们统一的一面。”我只好认真看待这个严肃的问题，仔细想了想说：“这个屁既好又不好，但不好的一面是主要的，处于主导地位。”“错了。你是用静止的观点看问题。矛盾的双方会相互转换，今天处于主导地位一面，明天一定处于次要地位。”“你是说明天全人类会为了我的这个屁欢呼雀跃吗？”“不尽如此，但不能否认这种发展趋势”我愣了好大一会儿，只得硬着头皮说：“我的屁既好又不好，既不好又好。今天可能不好，明天一定会好。今天可能很好，明天也许会不好...
出处：百度贴吧-魔兽世界吧（原帖已删除） 不知不觉我的爱妻小梓离开我已经快5年了，这5年来我的父母，岳父岳母其实都曾劝过我，说我还年轻，不如将她忘记，给女儿沫沫找个善良的妈妈。 但是我知道，这辈子我不可能再爱上别的女人了。 每年的3月28日是妻子小梓的忌日，也是女儿沫沫的生日，刚才沫沫睡觉前我问她，明天想要什么礼物， 沫沫说，想去看看妈妈。 沫沫睡下之后，我哭得像条狗一样，5年来，从来没有像刚才这么哭过。 突然想起我和她的往事，又想找个地方说说，于是新注册了一个ID，想着把以前的事情都翻出来说说。 这5年来在我最软弱的时候我要感谢很多人，谢谢我的妈妈，谢谢这几年帮我把沫沫教的那么懂事， 谢谢我的爸爸，谢谢这几年来对我无声的鼓励， 谢谢我的岳父岳母，我这女婿实在是太过没用了。 我不是个好丈夫，我甚至没给过小梓一个像样的婚礼，...
项目介绍 又是一个闲得蛋疼的项目，上线一个新闻信息流网站，主要是用来整合新闻，整合新闻的规模后续看心情决定是否扩大 所有的新闻排序均不存在人为干扰或过于复杂的程序干扰 热搜词的排序由网站提供的搜索指数按降序排列；新闻的排列顺序由时间和爬取顺序决定，且在下一次抓取新闻前不会改变。新闻内容不存在人为筛选的情况，只有新闻提供方是我自行选择的 主要对以下站点的信息进行抓取： 大陆：百度风云榜，微博热搜，新浪新闻，今日头条，中国国家应急广播 欧美：BBC中文网，FT中文网，DW中文网（德国之声），VOA中文网（美国之音） 港澳台：公视新闻网 NEWS FEED 由于服务器方面原因以及个人技术有限，无法做到对新闻的实时追踪 同时关于一些更新的项目也会写在下面，但愿自己能坚持更新下去 我并不同意你的观点，但我誓死捍卫你说话的权利—伏尔泰 更新日志 2018.12...
本笔记依托于谷歌机器学习速成课程 会与前面机器学习笔记存在重复部分 部分文字与图片节选自Google机器学习速成课程讲义和Tensorflow官方API及对应社区或其他文档 文章会持续更新 课程地址： 机器学习术语 监督式学习是机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。 标签 在简单线性回归中，标签是我们要预测的事物，即 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。 特征 在简单线性回归中，特征是输入变量，即 x 变量。简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征，写成如下形式： 样本 样本是指数据的特定实例：x。（我们采用粗体 x 表示它是一个矢量。）我们将样本分为以下两类：有标签样本和无标签样本 有标签样本同时包含特征以及标签 Python labeled examples:...
这又是一个新坑系列，主要的笔记主要是关于大名鼎鼎的OpenCV的Python接口的学习，主要的文档支持就是OpenCV-Python手册，顺序也基本会按照这个文档来 安装OpenCV以及开启其Python支持 这里主要是针对Linux发行版的安装方法，我本人也是使用的Ubuntu Gnome 16.04LTS 依赖环境 GCC 4.4.x or later CMake 2.6 or higher Git GTK+2.x or higher, including headers (libgtk2.0-dev) # 控制opencv GUI pkg-config Python 2.6 or later and Numpy 1.5 or later with developer packages (python-dev, python-numpy) ffmpeg or libav...
自上次使用感知哈希进行图像检测以后，我又开始造轮子了。这次是从0开始的使用Python的图像边缘检测 本次针对图像的边缘检测一口气使用了5个算子，包括Prewitt算子，Sobel算子，laplace算子，拓展laplace算子，canny算子。一个一个慢慢说 首先 既然我们要做图像边缘检测，那就要首先弄清楚什么是图像的边缘，边缘有什么特征，这样才能对特征加以识别 现在一幅常规的图像都是彩色的，但是色彩的存在会增加我们判断的难度，所以我们既要消除色彩对我们的影响。所以我们要对图像进行灰度化处理 得到灰度图像以后那么边缘两侧的图像灰度值肯定相差很大，但是图像的像素之间都会有多多少少的灰度差异，因此我们需要做的不仅是找到灰度差异大的部分，而是需要找到灰度差异最大的部分，这样这个地方是边缘的可能性就越强。 那么接下来的问题就转化成如何知道那里的灰度变化值最大。...
原文链接： GIL 是什么？ GIL 的全程是 Global Interpreter Lock ，即全局解释器锁。它是一个全局的互斥锁，保证了在同一个 Python 解释器进程中，同一时刻只有一个线程在运行。Python 的线程实现中根据不同的操作系统采用了相应的系统原生线程来实现，GIL 使得 Python 的对象和 API 在面对竞争条件时不会出现不可预料的错误。 上面说的都是口水话，没什么用。如果你看不懂的话，建议先去了解一下操作系统这门课程，然后再去看看什么是多线程和多进程的编程以及它们的模型，再来读这篇文章。 为什么有 GIL ？ TL; DR: Python 是一个程序设计语言，它本身没有 GIL 这个东西，Python 官方的解释器 CPython 有 GIL ； CPython 在解释器的实现上是非线程安全的，在权衡了解释器的实现复杂度与解释器的性能之后，他们决定引入...