数据挖掘实验（二）数据预处理【等深分箱与等宽分箱】
一、分箱平滑的原理
（1）分箱方法
在分箱前，一定要先排序数据，再将它们分到等深（等宽）的箱中。
常见的有两种分箱方法：等深分箱和等宽分箱。
等深分箱：按记录数进行分箱，每箱具有相同的记录数，每箱的记录数称为箱的权重，也称箱子的深度。
等宽分箱：在整个属性值的区间上平均分布，即每个箱的区间范围设定为一个常量，称为箱子的宽度。
（2）数据平滑
将数据划分到不同的箱子之后，可以运用如下三种策略对每个箱子中的数据进行平滑处理：
平均值平滑：箱中的每一个值被箱中数值的平均值替换。
中值平滑：箱中的每一个值被箱中数值的中值替换。
边界平滑：箱中的最大值和最小值称为箱子的边界，箱中的每一个值被最近的边界值替换。
二、Matlab代码实现
首先用rand()函数随机生成20*5的矩阵，其数据范围为[0,1]。
1.等深分箱
clear;clc; % 清除变量和命令窗口A=rand(20,5); % 随机生成20*5的矩阵，其中每个数取值范围[0,1]
fprintf("当前生成的原数据：\n");
disp(A);% 排序，参数1表示按列排序，取2为按行排序；'ascend'为升序，'descend'为降序
A=sort(A,1,'ascend');
fprintf("将原数据的每列排序后：\n");
disp(A);h=input("请输入等深分箱的深度h(1<h<20)：");% 检查输入变量h是否有效
if ~isnumeric(h) || ~isscalar(h) || h<=1 || h>=20 || h~=floor(h)error("输入变量h必须是一个大于1小于20的正整数");
end%% 对每列进行等深分箱，然后求每个箱子的均值
[n,m]=size(A); % n行m列
B=zeros(n,m); % 预分配输出变量B
for j=1:m % 列jfor i=1:h:n % 行i% 当前箱子第一个数位置为i，最后一个数位置为min(i+h-1,n)p1=int64(i); % 转换成整数(i默认是double类型，但是索引必须要为整数)p2=int64(min(i+h-1,n));B(p1:p2,j)=mean(A(p1:p2,j)); % 当前箱子的均值end
end % 结束行循环fprintf("\n经过等深分箱，用箱均值平滑处理后的数据：\n");
disp(B);
for i=1:h:n 的含义是：
- i 是一个循环变量，它的初始值是 1。
- h 是一个输入变量，它表示等深分箱的深度。
- n 是一个由 size 函数得到的变量，它表示矩阵 A 的行数。
- 这个循环的作用是从第一行开始，每隔 h 行取一行作为一个箱子的起始位置，然后计算这个箱子中所有元素的均值，并赋给输出矩阵 B 的相应位置。
isnumeric 函数是一个用于判断输入是否为数值数组的函数。数值数组是指由数值类型的元素组成的数组，例如整数、浮点数、无穷大或非数字。MATLAB 中的数值类型包括 int8, int16, int32, int64, uint8, uint16, uint32, uint64, single, 和 double。
isnumeric 函数的语法格式是：
TF = isnumeric(A)其中，A 是输入数组，可以是任意维度的；TF 是输出逻辑值，如果 A 是数值数组，则返回 1 (true)，否则返回 0 (false)。
例如，如果 A 是一个包含整数和浮点数的矩阵，那么 isnumeric(A) 将返回 1；如果 A 是一个包含字符串或单元数组的矩阵，那么 isnumeric(A) 将返回 0。
~isscalar(h) 函数是一个逻辑表达式，它用于判断 h 是否不是一个标量。标量是一个大小为 1×1 的二维数组，也就是一个单个的数值。如果 h 不是一个标量，那么 ~isscalar(h) 将返回 1 (true)，否则返回 0 (false)。
python代码为
import numpy as np # 导入 numpy 库
=A = np.random.rand(20,5) # 随机生成 20*5 的矩阵，其中每个数取值范围 [0,1]
print("当前生成的原数据：")
print(A)# 排序，参数 0 表示按列排序，取 1 为按行排序；'ascend' 为升序，'descend' 为降序
A = np.sort(A, axis=0, kind='quicksort') # 使用快速排序算法
print("将原数据的每列排序后：")
print(A)h = int(input("请输入等深分箱的深度 h (1<h<20)：")) # 输入一个整数# 检查输入变量 h 是否有效
if not isinstance(h, int) or h <= 1 or h >= 20: # 如果 h 不是一个大于 1 小于 20 的整数raise ValueError("输入变量 h 必须是一个大于 1 小于 20 的正整数") # 抛出异常# 对每列进行等深分箱，然后求每个箱子的均值
n, m = A.shape # n 行 m 列
B = np.zeros((n,m)) # 预分配输出变量 B
for j in range(m): # 列 jfor i in range(0, n, h): # 行 i# 当前箱子第一个数位置为 i，最后一个数位置为 min(i+h,n)p1 = int(i) # 转换成整数 (i 默认是 double 类型，但是索引必须要为整数)p2 = int(min(i+h,n))B[p1:p2,j] = np.mean(A[p1:p2,j]) # 当前箱子的均值print("\n经过等深分箱，用箱均值平滑处理后的数据：")
print(B)
代码运行结果
输入的深度为3：
当前生成的原数据：
A =0.4067 0.4504 0.5747 0.5154 0.99690.6669 0.2057 0.3260 0.6575 0.55350.9337 0.8997 0.4564 0.9509 0.51550.8110 0.7626 0.7138 0.7223 0.33070.4845 0.8825 0.8844 0.4001 0.43000.7567 0.2850 0.7209 0.8319 0.49180.4170 0.6732 0.0186 0.1343 0.07100.9718 0.6643 0.6748 0.0605 0.88770.9880 0.1228 0.4385 0.0842 0.06460.8641 0.4073 0.4378 0.1639 0.43620.3889 0.2753 0.1170 0.3242 0.82660.4547 0.7167 0.8147 0.3017 0.39450.2467 0.2834 0.3249 0.0117 0.61350.7844 0.8962 0.2462 0.5399 0.81860.8828 0.8266 0.3427 0.0954 0.88620.9137 0.3900 0.3757 0.1465 0.93110.5583 0.4979 0.5466 0.6311 0.19080.5989 0.6948 0.5619 0.8593 0.25860.1489 0.8344 0.3958 0.9742 0.89790.8997 0.6096 0.3981 0.5708 0.5934将原数据的每列排序后：
A =0.1489 0.1228 0.0186 0.0117 0.06460.2467 0.2057 0.1170 0.0605 0.07100.3889 0.2753 0.2462 0.0842 0.19080.4067 0.2834 0.3249 0.0954 0.25860.4170 0.2850 0.3260 0.1343 0.33070.4547 0.3900 0.3427 0.1465 0.39450.4845 0.4073 0.3757 0.1639 0.43000.5583 0.4504 0.3958 0.3017 0.43620.5989 0.4979 0.3981 0.3242 0.49180.6669 0.6096 0.4378 0.4001 0.51550.7567 0.6643 0.4385 0.5154 0.55350.7844 0.6732 0.4564 0.5399 0.59340.8110 0.6948 0.5466 0.5708 0.61350.8641 0.7167 0.5619 0.6311 0.81860.8828 0.7626 0.5747 0.6575 0.82660.8997 0.8266 0.6748 0.7223 0.88620.9137 0.8344 0.7138 0.8319 0.88770.9337 0.8825 0.7209 0.8593 0.89790.9718 0.8962 0.8147 0.9509 0.93110.9880 0.8997 0.8844 0.9742 0.9969请输入等深分箱的深度h(1<h<20)：3经过等深分箱，用箱均值平滑处理后的数据：
B =0.2615 0.2013 0.1273 0.0521 0.10880.2615 0.2013 0.1273 0.0521 0.10880.2615 0.2013 0.1273 0.0521 0.10880.4262 0.3195 0.3312 0.1254 0.32790.4262 0.3195 0.3312 0.1254 0.32790.4262 0.3195 0.3312 0.1254 0.32790.5472 0.4519 0.3899 0.2633 0.45270.5472 0.4519 0.3899 0.2633 0.45270.5472 0.4519 0.3899 0.2633 0.45270.7360 0.6490 0.4443 0.4851 0.55410.7360 0.6490 0.4443 0.4851 0.55410.7360 0.6490 0.4443 0.4851 0.55410.8526 0.7247 0.5611 0.6198 0.75290.8526 0.7247 0.5611 0.6198 0.75290.8526 0.7247 0.5611 0.6198 0.75290.9157 0.8478 0.7031 0.8045 0.89060.9157 0.8478 0.7031 0.8045 0.89060.9157 0.8478 0.7031 0.8045 0.89060.9799 0.8979 0.8495 0.9626 0.96400.9799 0.8979 0.8495 0.9626 0.9640
2.等宽分箱
输入箱子的宽度w(0<w<1)，将每列按等宽分箱，然后用箱均值平滑。
clear;clc; % 清除变量和命令窗口%A=rand(20,5); % 随机生成20*5的矩阵，其中每个数取值范围[0,1]
A=[ 0.5038 0.3600 0.6690 0.1432 0.94190.6128 0.4542 0.5002 0.5594 0.65590.8194 0.3864 0.2180 0.0046 0.45190.5319 0.7756 0.5716 0.7667 0.83970.2021 0.7343 0.1222 0.8487 0.53260.4539 0.4303 0.6712 0.9168 0.55390.4279 0.6938 0.5996 0.9870 0.68010.9661 0.9452 0.0560 0.5051 0.36720.6201 0.7842 0.0563 0.2714 0.23930.6954 0.7056 0.1525 0.1008 0.57890.7202 0.1093 0.0196 0.5078 0.86690.3469 0.3899 0.4352 0.5856 0.40680.5170 0.5909 0.8322 0.7629 0.11260.5567 0.4594 0.6174 0.0830 0.44380.1565 0.0503 0.5201 0.6616 0.30020.5621 0.2287 0.8639 0.5170 0.40140.6948 0.8342 0.0977 0.1710 0.83340.4265 0.0156 0.9081 0.9386 0.40360.8363 0.8637 0.1080 0.5905 0.39020.7314 0.0781 0.5170 0.4406 0.3604];
fprintf("当前生成的原数据：\n");
disp(A);
% 排序，参数1表示按列排序，取2为按行排序；'ascend'为升序，'descend'为降序
A=sort(A,1,'ascend');
fprintf("将原数据的每列排序后：\n");
disp(A);w=input("请输入等宽分箱的宽度w(0<w<1)：");
% 检查输入变量w是否有效
if ~isnumeric(w) || ~isscalar(w) || w<=0error("输入变量w必须是一个大于0小于1的正数");
end%% 对每列进行等宽分箱，然后求每个箱子的均值
[n,m]=size(A); % n行m列
B=zeros(n,m); % 预分配输出变量B
for j=1:m % 列jpos=1; % 当前箱子第一个数的位置A(n+1,j)=18e9; % 保证i=n+1时，A(i,j)-A(pos,j)>w一定成立for i=1:n+1 % 行iif A(i,j)-A(pos,j)>w % 当前箱子最后一个数的位置为i-1B(pos:i-1,j)=mean(A(pos:i-1,j)); % 当前箱子的均值pos=i; % 更新为下一个箱子的第一个数的位置endend
endfprintf("\n经过等宽分箱，用箱均值平滑处理后的数据：\n");
disp(B);if A(i,j)-A(pos,j)>w
这段代码的作用是判断当前元素是否属于当前箱子。如果当前元素与当前箱子的第一个元素的差大于 w，那么说明当前元素已经超出了当前箱子的范围，需要开始新的一个箱子；如果不大于 w，那么说明当前元素还在当前箱子内，继续循环。
代码运行结果
输入的宽度为0.2：
当前生成的原数据：
A =0.5038 0.3600 0.6690 0.1432 0.94190.6128 0.4542 0.5002 0.5594 0.65590.8194 0.3864 0.2180 0.0046 0.45190.5319 0.7756 0.5716 0.7667 0.83970.2021 0.7343 0.1222 0.8487 0.53260.4539 0.4303 0.6712 0.9168 0.55390.4279 0.6938 0.5996 0.9870 0.68010.9661 0.9452 0.0560 0.5051 0.36720.6201 0.7842 0.0563 0.2714 0.23930.6954 0.7056 0.1525 0.1008 0.57890.7202 0.1093 0.0196 0.5078 0.86690.3469 0.3899 0.4352 0.5856 0.40680.5170 0.5909 0.8322 0.7629 0.11260.5567 0.4594 0.6174 0.0830 0.44380.1565 0.0503 0.5201 0.6616 0.30020.5621 0.2287 0.8639 0.5170 0.40140.6948 0.8342 0.0977 0.1710 0.83340.4265 0.0156 0.9081 0.9386 0.40360.8363 0.8637 0.1080 0.5905 0.39020.7314 0.0781 0.5170 0.4406 0.3604将原数据的每列排序后：
A =0.1565 0.0156 0.0196 0.0046 0.11260.2021 0.0503 0.0560 0.0830 0.23930.3469 0.0781 0.0563 0.1008 0.30020.4265 0.1093 0.0977 0.1432 0.36040.4279 0.2287 0.1080 0.1710 0.36720.4539 0.3600 0.1222 0.2714 0.39020.5038 0.3864 0.1525 0.4406 0.40140.5170 0.3899 0.2180 0.5051 0.40360.5319 0.4303 0.4352 0.5078 0.40680.5567 0.4542 0.5002 0.5170 0.44380.5621 0.4594 0.5170 0.5594 0.45190.6128 0.5909 0.5201 0.5856 0.53260.6201 0.6938 0.5716 0.5905 0.55390.6948 0.7056 0.5996 0.6616 0.57890.6954 0.7343 0.6174 0.7629 0.65590.7202 0.7756 0.6690 0.7667 0.68010.7314 0.7842 0.6712 0.8487 0.83340.8194 0.8342 0.8322 0.9168 0.83970.8363 0.8637 0.8639 0.9386 0.86690.9661 0.9452 0.9081 0.9870 0.9419请输入等宽分箱的宽度w(0<w<1)：0.2经过等宽分箱，用箱均值平滑处理后的数据：
B =0.2352 0.0633 0.1038 0.1005 0.21740.2352 0.0633 0.1038 0.1005 0.21740.2352 0.0633 0.1038 0.1005 0.21740.5213 0.0633 0.1038 0.1005 0.43120.5213 0.3413 0.1038 0.1005 0.43120.5213 0.3413 0.1038 0.3560 0.43120.5213 0.3413 0.1038 0.3560 0.43120.5213 0.3413 0.1038 0.5610 0.43120.5213 0.4837 0.5373 0.5610 0.43120.5213 0.4837 0.5373 0.5610 0.43120.5213 0.4837 0.5373 0.5610 0.43120.5213 0.4837 0.5373 0.5610 0.43120.5213 0.7702 0.5373 0.5610 0.43120.7496 0.7702 0.5373 0.5610 0.63830.7496 0.7702 0.5373 0.8467 0.63830.7496 0.7702 0.7591 0.8467 0.63830.7496 0.7702 0.7591 0.8467 0.87050.7496 0.7702 0.7591 0.8467 0.87050.7496 0.7702 0.7591 0.8467 0.87050.9661 0.9452 0.9081 0.9870 0.8705
相关文章：
数据挖掘实验（二）数据预处理【等深分箱与等宽分箱】
一、分箱平滑的原理 （1）分箱方法 在分箱前，一定要先排序数据，再将它们分到等深（等宽）的箱中。 常见的有两种分箱方法：等深分箱和等宽分箱。 等深分箱：按记录数进行分箱࿰…...
Vue2 第一次学习
本章为超级浓缩版,文章过于短,方便复习使用哦~ 文章目录 1. 简单引入 vue.js2. 指令2.1 事件绑定指令 v-on (简写 )2.2 内容渲染指令2.3 双向绑定指令 v-model2.4 属性绑定指令 v-bind (简写 : )2.5 条件渲染指令2.6 循环指令 v-for 3. vue 其他知识3.1 侦听器 watch3.2 计算属…...
tiny模式基本原理整合
【Tiny模式】的基本构成 M【首头在首位】 U【/】 V【HTTP/】 Host H【真实ip】 XH \r回车 \n换行 \t制表 \ 空格 一个基本的模式构成 [method] [uri] [version]\r\nHost: [host]\r\n[method] [uri] [version]\r\nHost: [host]\r\n 检测顺序 http M H XH 有些地区 XH H M 我这边…...
使用聚氨酯密封件的好处?
聚氨酯密封件因其优异的耐用性、灵活性和广泛的应用范围而在各个行业中广受欢迎。在本文中，我们将探讨使用聚氨酯密封件的优点，阐明其在许多不同领域广泛使用背后的原因。 1、高性能： 聚氨酯密封件具有出色的性能特征，使其成为各…...
DevEco Studio如何安装中文插件
首先 官网下载中文插件 由于DevEco是基于IntelliJ IDEA Community的，所有Compatibility选择“IntelliJ IDEA Community”，然后下载一个对应最新的就ok了。 最后打开Plugins页面，点击右上角齿轮 -> Install Plugin from Disk…。选择下载的…...
10.2 校招 实习 内推 面经
绿泡*泡： neituijunsir 交流裙 ，内推/实习/校招汇总表格 1、校招 | 国家电网 国网信通产业集团2024届校园招聘！ 校招 | 国家电网 国网信通产业集团2024届校园招聘！ 2、校招 | 海信集团2024届全球校园招聘正式启动！…...
Golang 语言学习 01 包含如何快速学习一门新语言
Golang方向 区块链 go服务器端 (后台流量支撑程序) 支撑主站后台流量（排序，推荐，搜索等），提供负载均衡，cache，容错，按条件分流，统计运行指标 (qps， latenc…...
整理了197个经典SOTA模型，涵盖图像分类、目标检测、推荐系统等13个方向
今天来帮大家回顾一下计算机视觉、自然语言处理等热门研究领域的197个经典SOTA模型，涵盖了图像分类、图像生成、文本分类、强化学习、目标检测、推荐系统、语音识别等13个细分方向。建议大家收藏了慢慢看，下一篇顶会的idea这就来了~ 由于整理的SOTA模型…...
10.4 小任务
目录 QT实现TCP服务器客户端搭建的代码，现象 TCP服务器 .h文件 .cpp文件 现象 TCP客户端 .h文件 .cpp文件 现象 QT实现TCP服务器客户端搭建的代码，现象 TCP服务器 .h文件 #ifndef WIDGET_H #define WIDGET_H#include <QWidget> #includ…...
AJAX--Express速成
一、基本概念 1、AJAX(Asynchronous JavaScript And XML)，即为异步的JavaScript 和 XML。 2、异步的JavaScript 它可以异步地向服务器发送请求，在等待响应的过程中，不会阻塞当前页面。浏览器可以做自己的事情。直到成功获取响应后…...
开题报告 PPT 应该怎么做
开题报告 PPT 应该怎么做 1、报告时首先汇报自己的姓名、单位、专业和导师。 2、研究背景（2-3张幻灯片） 简要阐明所选题目的研究目的及意义。 研究的目的，即研究应达到的目标，通过研究的背景加以说明（即你为什么要…...
JavaScript系列从入门到精通系列第十四篇：JavaScript中函数的简介以及函数的声明方式以及函数的调用
文章目录 一：函数的简介 1：概念和简介 2：创建一个函数对象 3：调用函数对象 4：函数对象的普通功能 5：使用函数声明来创建一个函数对象 6：使用函数声明创建一个匿名函数 一：函…...
当我们做后仿时我们究竟在仿些什么（三）
异步电路之间必须消除毛刺 之前提到过，数字电路后仿的一个主要目的就是动态验证异步电路时序。异步电路的时序是目前STA工具无法覆盖的。 例如异步复位的release是同步事件，其时序是可以靠STA保证的；但是reset是异步事件，它的时序…...
如何将超大文件压缩到最小
1、一个文件目录，查看属性发现这个文件达到了2.50GB； 2、右键此目录选择添加到压缩文件； 3、在弹出的窗口中将压缩文件格式选择为RAR4，压缩方式选择为最好，选择字典大小最大，勾选压缩选项中的创建固实压缩&…...
[C#]C#最简单方法获取GPU显存真实大小
你是否用下面代码获取GPU显存容量？ using System.Management; private void getGpuMem() {ManagementClass c new ManagementClass("Win32_VideoController");foreach (ManagementObject o in c.GetInstances()){string gpuTotalMem String.For…...
【数据结构】红黑树(C++实现)
📝个人主页：Sherry的成长之路 🏠学习社区：Sherry的成长之路（个人社区） 📖专栏链接：数据结构 🎯长路漫漫浩浩，万事皆有期待 上一篇博客：【数据…...
day-64 代码随想录算法训练营（19）图论 part 03
827.最大人工岛 思路一：深度优先遍历 1.深度优先遍历，求出所有岛屿的面积，并且把每个岛屿记上不同标记2.使用 unordered_map 使用键值对，标记：面积，记录岛屿面积3.遍历所有海面，然后进行一次广…...
xss测试步骤总结
文章目录 测试流程1.开启burp2.测试常规xss语句3.观察回显4.测试闭合与绕过Level2Level3Level4Level5Level6Level7 5.xss绕过方法1)测试需观察点2)无过滤法3)">闭合4)单引号闭合事件函数5)双引号闭合事件函数6)引号闭合链接7)大小写绕过8)多写绕过9)unicode编码10)unic…...
2023最新简易ChatGPT3.5小程序全开源源码+全新UI首发+实测可用可二开（带部署教程）
源码简介： 2023最新简易ChatGPT3.5小程序全开源源码全新UI首发，实测可以用，而且可以二次开发。这个是最新ChatGPT智能AI机器人微信小程序源码，同时也带部署教程。 这个全新版本的小界面设计相当漂亮，简单大方&#x…...
【Redis】数据过期策略和数据淘汰策略
数据过期策略和淘汰策略 过期策略 Redis所有的数据结构都可以设置过期时间，时间一到，就会自动删除。 问题：大家都知道，Redis是单线程的，如果同一时间太多key过期，Redis删除的时间也会占用线程的处理时间…...
[2025CVPR]DeepVideo-R1：基于难度感知回归GRPO的视频强化微调框架详解
突破视频大语言模型推理瓶颈，在多个视频基准上实现SOTA性能 一、核心问题与创新亮点 1.1 GRPO在视频任务中的两大挑战 安全措施依赖问题 GRPO使用min和clip函数限制策略更新幅度，导致： 梯度抑制：当新旧策略差异过大时梯度消失收敛困难：策略无法充分优化# 传统GRPO的梯…...
论文解读：交大港大上海AI Lab开源论文 | 宇树机器人多姿态起立控制强化学习框架（二）
HoST框架核心实现方法详解 - 论文深度解读（第二部分） 《Learning Humanoid Standing-up Control across Diverse Postures》 系列文章： 论文深度解读 + 算法与代码分析（二） 作者机构： 上海AI Lab, 上海交通大学, 香港大学, 浙江大学, 香港中文大学 论文主题： 人形机器人…...
日语学习-日语知识点小记-构建基础-JLPT-N4阶段（33）：にする
日语学习-日语知识点小记-构建基础-JLPT-N4阶段（33）：にする 1、前言（1）情况说明（2）工程师的信仰2、知识点（1） にする1，接续：名词＋にする2，接续：疑问词＋にする3，（A）は（B）にする。（2）復習：（1）复习句子（2）ために ＆ ように（３）そう（４）にする3、…...
SCAU期末笔记 - 数据分析与数据挖掘题库解析
这门怎么题库答案不全啊日 来简单学一下子来 一、选择题（可多选） 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务?(C) A. 频繁模式挖掘 B.分类和预测 C.数据预处理 D.数据流挖掘 A. 频繁模式挖掘：专注于发现数据中…...
系统设计 --- MongoDB亿级数据查询优化策略
系统设计 --- MongoDB亿级数据查询分表策略 背景Solution --- 分表 背景 使用audit log实现Audi Trail功能 Audit Trail范围: 六个月数据量: 每秒5-7条audi log，共计7千万 – 1亿条数据需要实现全文检索按照时间倒序因为license问题，不能使用ELK只能使用…...
【单片机期末】单片机系统设计
主要内容：系统状态机，系统时基，系统需求分析，系统构建，系统状态流图 一、题目要求 二、绘制系统状态流图 题目：根据上述描述绘制系统状态流图，注明状态转移条件及方向。 三、利用定时器产生时…...
【论文阅读28】-CNN-BiLSTM-Attention-（2024）
本文把滑坡位移序列拆开、筛优质因子，再用 CNN-BiLSTM-Attention 来动态预测每个子序列，最后重构出总位移，预测效果超越传统模型。 文章目录 1 引言2 方法2.1 位移时间序列加性模型2.2 变分模态分解 (VMD) 具体步骤2.3.1 样本熵（S…...
安卓基础（aar）
重新设置java21的环境，临时设置 $env:JAVA_HOME "D:\Android Studio\jbr" 查看当前环境变量 JAVA_HOME 的值 echo $env:JAVA_HOME 构建ARR文件 ./gradlew :private-lib:assembleRelease 目录是这样的： MyApp/ ├── app/ …...
AI+无人机如何守护濒危物种？YOLOv8实现95%精准识别
【导读】 野生动物监测在理解和保护生态系统中发挥着至关重要的作用。然而，传统的野生动物观察方法往往耗时耗力、成本高昂且范围有限。无人机的出现为野生动物监测提供了有前景的替代方案，能够实现大范围覆盖并远程采集数据。尽管具备这些优势…...
云原生周刊：k0s 成为 CNCF 沙箱项目
开源项目推荐 HAMi HAMi（原名 k8s‑vGPU‑scheduler）是一款 CNCF Sandbox 级别的开源 K8s 中间件，通过虚拟化 GPU/NPU 等异构设备并支持内存、计算核心时间片隔离及共享调度，为容器提供统一接口，实现细粒度资源配额…...