base64图片 能转成http或者https路径进行下载么 5C

最近在做apicloud的项目,里面突然提示了只能通过http或者https下载

图片说明

我是网站搭在服务器上,用apicloud包上个网站在里面,但是出现保存保存不了。

以下是我的服务器上关于下载的网站代码

图片说明

图片说明

data是个base64的内容
我想问的是怎么把这个base64 的图片通过http或者https的格式下载呢??

(难道要上传到服务器上,然后在服务器上本地下载?可是我又担心服务器容量的问题。。)

3个回答

一般图片都是保存在服务器上的,或者存MongoDB,或者一些其他的方式

sunshu123456
sunshu123456 回复墨染之樱: 你现在是没有部署到外网服务器是么,所以移动端测不了,一般pc浏览器和手机浏览器没什么太大的区别
12 个月之前 回复
u012582716
墨染之樱 save_link.href里加上服务器端的http的地址后,网页版可以下载,手机真机端用浏览器访问不能下载是为什么呢
12 个月之前 回复

多简单的事,先把图片的64流给一个img显出来,然后在保存这个图片带一个目录就可以了.

base64给img的src赋值,下载,或者把base64转成文件后下载
function dataURLtoFile(dataurl, filename) { //将base64转换为文件
var arr = dataurl.split(','),
mime = arr[0].match(/:(.*?);/)[1],
bstr = atob(arr[1]),
n = bstr.length,
u8arr = new Uint8Array(n);
while(n--) {
u8arr[n] = bstr.charCodeAt(n);
}
return new File([u8arr], filename, {
type: mime
});
}

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
怎么把context.drawImage里的图片保存到本地 或者转换成base64编码

![图片说明](https://img-ask.csdn.net/upload/201803/16/1521181077_787247.png)

JS 通过FileSystemObject 读取本地图片,怎么显示在页面上,或者转为Base64

JS 通过FileSystemObject 读取本地图片,怎么显示在页面上,或者转为Base64 var fso = new ActiveXObject("Scripting.FileSystemObject"); var f = fso.GetFile(filePath); filePath为图片路径(c:/1.jpg) 如何将f文件显示在界面上 或者 转为 Image 或者转为 Base64

求解答@font-face and base64的问题

最近遇到一个问题,卡了好几天了。求大神。。。 ![图片说明](https://img-ask.csdn.net/upload/201703/27/1490584592_659876.jpg) 以下是对应的内容。 ![图片说明](https://img-ask.csdn.net/upload/201703/27/1490584669_761439.jpg) ![图片说明](https://img-ask.csdn.net/upload/201703/27/1490584694_946.jpg) 我想知道这是如何加密的,能不能用java代码来实现加密和解密。每一次刷新的时候,显示的字的内容不变,但是后面代表的字符代码变了,虽然每次刷新都会动态生成不一样的密文来对这些进行加密,但是字符顺序不变。比如:男--1,女--2.下一次刷新的时候,男变成了5,女一定是6.或者男变成了a8,女一定是a9。

小程序开发中调试工具能显示本地图片,真机运行时却看不到

[测试环境](https://img-ask.csdn.net/upload/201708/28/1503914880_649797.png)![真机](https://img-ask.csdn.net/upload/201708/28/1503914905_507668.jpg) 把图片换成base64或者网络图片就可以了

MySQL数据库存储图片怎样更高效

请教各位大神,图片在数据库中以什么格式或者怎样处理能让其在读写时能够更加高效一些?

请教如何解决idea javaWeb项目无法找到指定位置的图片问题

# JDBC把图片放进数据库 --- ## 代码 ### Servlet ```java @WebServlet( name = "Servlet", urlPatterns = "/Servlet", loadOnStartup = 1 )//其他配置没有问题 protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException { String sql = "INSERT INTO blob VALUES(DEFAULT,?,?)"; JDBC.blob(connection, sql, "/resource/1.png", "image1"); JDBC.disconnect(connection); } ``` ### JDBC类 ```java public static boolean blob(Connection connection, String sql, String resource, Object... args) { PreparedStatement ps = null; try { ps = connection.prepareStatement(sql); for (int i = 0; i < args.length; i++) { ps.setObject(i + 1, args[i]); } //主要就这一句,resource是传入的文件路径字符串 FileInputStream fis = new FileInputStream(new File(resource)); ps.setBlob(args.length + 1, fis); ps.execute(); return true; } catch (SQLException | FileNotFoundException e) { e.printStackTrace(); return false; } finally { try { ps.close(); } catch (SQLException e) { e.printStackTrace(); } } } ``` ### index.jsp ```html <%@ page contentType="text/html;charset=UTF-8" language="java" %> <html> <head> <title>$Title$</title> </head> <body> <form action="Servlet" method="post"> <input type="submit" value="submit"> <img src="resource/1.png" alt="dada"> </form> </body> </html> ``` --- ## 其他说明 ### 在index.jsp界面可以显示图片 <br> ![图片说明](https://img-ask.csdn.net/upload/201910/01/1569938156_314145.png) ### configurations配置好了,下面的context和上面代码里填的一样 <br> ![图片说明](https://img-ask.csdn.net/upload/201910/01/1569938301_728241.png) ### 文件已经在artifacts文件夹下面,但是找不到图片 <br> ![图片说明](https://img-ask.csdn.net/upload/201910/01/1569937541_811873.png) ### 在浏览器中输入http://localhost:8080/resource/1.png或者http://localhost:8080/JavaWeb_war_exploded/resource/1.png都可以找到图片 <br> ### 试了其他路径都找不到~~ ../../resource/1.png /JavaWeb_war_exploded/resource/1.png /JavaWeb_war_exploded/index.jsp index.jsp

java通过itext,xmlworker,Flying Sauser的转pdf均不理想

如题,由于是通过jacob转的html,使用xmlworker,Flying Sauser都各种类似“'与元素类型 "link" 相关联的属性 "rel" 应有左引号。'”的不停报错,使用itext无法识别中文,而且图片路径不知道怎么设置,每次都默认在我D盘根目录找。 以下是通过itext转换的java代码,是否能修改后完成中文和图片路径的处理呢: public static void main(String[] args) throws Exception { Document document = new Document(); StyleSheet st = new StyleSheet(); st.loadTagStyle("body", "leading", "16,0"); PdfWriter.getInstance(document, new FileOutputStream("C:\\Users\\Administrator\\Desktop\\123.pdf")); document.open(); List<Element> p = HTMLWorker.parseToList(new FileReader("C:\\Users\\Administrator\\Desktop\\123.html"), st); for (int k = 0; k < p.size(); ++k) document.add((Element) p.get(k)); System.out.println("complete"); document.close(); } 以下是jacob转的html的前面部分,有什么好的办法让xmlworker,Flying Sauser能识别jacob转的文件,或者让jacob转的html变得“规范”呢。 <html xmlns:v="urn:schemas-microsoft-com:vml" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:w="urn:schemas-microsoft-com:office:word" xmlns:m="http://schemas.microsoft.com/office/2004/12/omml" xmlns="http://www.w3.org/TR/REC-html40"> <head> <link rel=File-List href="123.files/filelist.xml"> <link rel=Edit-Time-Data href="123.files/editdata.mso"> <!--[if !mso]> <style>

java或者js有没有办法直接或者间接地获取客户端本地的图片文件?

就是我现在遇到一个难题,客户端是第三方的SDK插件配合我的java,定时产生一定的图片, 存放在客户端本地的路径文件夹,没有传到我这边的服务器上,我尝试过用js,通过浏览器, 来获取,但是不行,只有低版本的IE有个不安全的插件可以做到,但是高版本的IE又不兼容了, 火狐、谷歌那些浏览器暂时找不到类似的插件,我是想,有没有办法让代码去扫描客户端的文件夹获取文件?求助大神

vue upload上传的文件点击会直接下载,怎么样才能不下载呀?

upload上传的pdf文件或者图片,我把路径放在点击事件里面打开,一触发事件文件就会被下载到本地,怎么才能打开预览不下载到本地???各位大神求支招

【JAVA】生成二维码和解析二维码用什么处理?

我网上搜的都是QRCode或者zxing,但一个是10年以前的jar,一个是从github上下载的jar 都是用的这些么,感觉好久远的,请问目前都用什么生成/解析二维码 还有像那种带图标的二维码怎么弄的?

阿里云OSS回调问题Response body is not valid json format

菜鸟一枚,使用阿里云OSS用php签名WEB直传的方式进行数据存储,但是会出现一个问题,就是说我的返回值不是标准的json格式,问题,我用的DEMO是官方的php demo,callbackURL经验证是可以访问到的,也检查了callback.php的返回值为json_encode 。 这是什么问题呢?有没有大佬帮帮忙!!感谢!!! 这个是callback.php ``` <?php // 1.获取OSS的签名header和公钥url header $authorizationBase64 = ""; $pubKeyUrlBase64 = ""; /* * 注意:如果要使用HTTP_AUTHORIZATION头,你需要先在apache或者nginx中设置rewrite,以apache为例,修改 * 配置文件/etc/httpd/conf/httpd.conf(以你的apache安装路径为准),在DirectoryIndex index.php这行下面增加以下两行 RewriteEngine On RewriteRule .* - [env=HTTP_AUTHORIZATION:%{HTTP:Authorization},last] * */ if (isset($_SERVER['HTTP_AUTHORIZATION'])) { $authorizationBase64 = $_SERVER['HTTP_AUTHORIZATION']; } if (isset($_SERVER['HTTP_X_OSS_PUB_KEY_URL'])) { $pubKeyUrlBase64 = $_SERVER['HTTP_X_OSS_PUB_KEY_URL']; } if ($authorizationBase64 == '' || $pubKeyUrlBase64 == '') { header("http/1.1 403 Forbidden"); exit(); } // 2.获取OSS的签名 $authorization = base64_decode($authorizationBase64); // 3.获取公钥 $pubKeyUrl = base64_decode($pubKeyUrlBase64); $ch = curl_init(); curl_setopt($ch, CURLOPT_URL, $pubKeyUrl); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 10); $pubKey = curl_exec($ch); if ($pubKey == "") { //header("http/1.1 403 Forbidden"); exit(); } // 4.获取回调body $body = file_get_contents('php://input'); // 5.拼接待签名字符串 $authStr = ''; $path = $_SERVER['REQUEST_URI']; $pos = strpos($path, '?'); if ($pos === false) { $authStr = urldecode($path)."\n".$body; } else { $authStr = urldecode(substr($path, 0, $pos)).substr($path, $pos, strlen($path) - $pos)."\n".$body; } // 6.验证签名 $ok = openssl_verify($authStr, $authorization, $pubKey, OPENSSL_ALGO_MD5); if ($ok == 1) { header("Content-Type: application/json"); $data = array("Status"=>"Ok"); echo json_encode($data); } else { //header("http/1.1 403 Forbidden"); exit(); } ?> ``` get.php ![图片说明](https://img-ask.csdn.net/upload/201903/04/1551689878_653018.png)

django 静态文件丢失,使用python manage.py collectstatic后,线上环境正常,本地runserver静态文件丢失。

1、Apache部署django后,admin的css样式丢失,在网上找方法后解决 ``` STATIC_URL = '/static/' STATICFILES_DIRS = [ os.path.join(BASE_DIR, 'static') ] #加了下面这句话 STATIC_ROOT = os.path.join(BASE_DIR,"static/") #执行了下面这条命令 python manage.py collectstatic ``` 2、问题是,当我在使用pycharm或者runserver时,静态文件丢失 ![图片说明](https://img-ask.csdn.net/upload/201911/11/1573483370_54411.png)

vue2自定义访问目录后,路由刷新或者跳转页面变成空白。

![图片说明](https://img-ask.csdn.net/upload/202003/20/1584676121_238635.png) ----------------- ![这是在index.html设置目录](https://img-ask.csdn.net/upload/202003/20/1584676184_164925.png) ---------- ![图片说明](https://img-ask.csdn.net/upload/202003/20/1584676351_917032.png) ------------------ ![图片说明](https://img-ask.csdn.net/upload/202003/20/1584676529_971397.png) --------------------- hash模式下没问题

问题不大,代码有点长,求大神解答:tensorflow生成tfrecord文件运行不下去

运行结果如下:![图片说明](https://img-ask.csdn.net/upload/201809/01/1535791673_447681.jpg) 完整代码如下: ``` #验证集数量 _NUM_TEST = 100 #随机种子 _RANDOM_SEED = 0 #数据块 _NUM_SHARDS = 3 #数据集路径 DATASET_DIR = "C:/Users/ASUS/TF实战(炼石成金)/8-对谷歌inception-v3模型从头开始训练/slim/images/" #标签文件名字 LABELS_FILENAME = r"C:\Users\ASUS\TF实战(炼石成金)\8-对谷歌inception-v3模型从头开始训练\slim\images\labels" #定义tfrecord文件的路径+名字 def _get_dataset_filename(dataset_dir, split_name, shard_id): output_filename = 'image_%s_%05d-of-%05d.tfrecord' % (split_name, shard_id, _NUM_SHARDS) return os.path.join(dataset_dir, output_filename) #判断tfrecord文件是否存在 def _dataset_exists(dataset_dir): for split_name in ['train', 'test']: for shard_id in range(_NUM_SHARDS): #定义tfrecord文件的路径+名字 output_filename = _get_dataset_filename(dataset_dir, split_name, shard_id) if not tf.gfile.Exists(output_filename): return False return True #获取所有文件以及分类 def _get_filenames_and_classes(dataset_dir): #数据所在路径目录 directories = [] #分类名称 class_names = [] for filename in os.listdir(dataset_dir): #os.listdir(dataset_dir)列出给出的路径下所有的文件夹或者文件名的名字 #合并文件路径 path = os.path.join(dataset_dir, filename) #判断该路径是否为目录 if os.path.isdir(path): #加入数据目录 directories.append(path) #加入类别名称 class_names.append(filename) photo_filenames = [] #循环每个分类的文件夹 for directory in directories: for filename in os.listdir(directory): path = os.path.join(directory, filename) #把图片的路径加入图片列表 photo_filenames.append(path) return photo_filenames, class_names def int64_feature(values): if not isinstance(values, (tuple, list)): values = [values] return tf.train.Feature(int64_list=tf.train.Int64List(value=values)) def bytes_feature(values): return tf.train.Feature(bytes_list=tf.train.BytesList(value=[values])) def image_to_tfexample(image_data, image_format, class_id): #Abstract base class for protocol messages. return tf.train.Example(features=tf.train.Features(feature={ 'image/encoded': bytes_feature(image_data), 'image/format': bytes_feature(image_format), 'image/class/label': int64_feature(class_id), })) def write_label_file(labels_to_class_names, dataset_dir,filename=LABELS_FILENAME): labels_filename = os.path.join(dataset_dir, filename) with tf.gfile.Open(labels_filename, 'w') as f: for label in labels_to_class_names: class_name = labels_to_class_names[label] f.write('%d:%s\n' % (label, class_name)) #把数据转为TFRecord格式 def _convert_dataset(split_name, filenames, class_names_to_ids, dataset_dir): assert split_name in ['train', 'test'] #计算每个数据块有多少数据 num_per_shard = int(len(filenames) / _NUM_SHARDS) with tf.Graph().as_default(): with tf.Session() as sess: for shard_id in range(_NUM_SHARDS): #定义tfrecord文件的路径+名字 output_filename = _get_dataset_filename(dataset_dir, split_name, shard_id) with tf.python_io.TFRecordWriter(output_filename) as tfrecord_writer: #每一个数据块开始的位置 start_ndx = shard_id * num_per_shard #每一个数据块最后的位置 end_ndx = min((shard_id+1) * num_per_shard, len(filenames)) for i in range(start_ndx, end_ndx): try: sys.stdout.write('\r>> Converting image %d/%d shard %d' % (i+1, len(filenames), shard_id)) sys.stdout.flush() #读取图片 image_data = tf.gfile.FastGFile(filenames[i], 'r').read() #获得图片的类别名称 #os.path.dirname(filenames[i])输出filenames[i]所在的绝对路径 #os.path.basename(path),返回path最后的文件名,这里是类别名称 class_name = os.path.basename(os.path.dirname(filenames[i])) #找到类别名称对应的id class_id = class_names_to_ids[class_name] #生成tfrecord文件 example = image_to_tfexample(image_data, b'jpg', class_id) tfrecord_writer.write(example.SerializeToString()) except IOError as e: print("Could not read:",filenames[i]) print("Error:",e) print("Skip it\n") sys.stdout.write('\n') sys.stdout.flush() if __name__ == '__main__': #判断tfrecord文件是否存在 if _dataset_exists(DATASET_DIR): print('tfcecord文件已存在') else: #获得所有图片以及分类 photo_filenames, class_names = _get_filenames_and_classes(DATASET_DIR) #把分类转为字典格式,类似于{'house': 3, 'flower': 1, 'plane': 4, 'guitar': 2, 'animal': 0} class_names_to_ids = dict(zip(class_names, range(len(class_names)))) #把数据切分为训练集和测试集 random.seed(_RANDOM_SEED) random.shuffle(photo_filenames) training_filenames = photo_filenames[_NUM_TEST:] testing_filenames = photo_filenames[:_NUM_TEST] #数据转换 _convert_dataset('train', training_filenames, class_names_to_ids, DATASET_DIR) _convert_dataset('test', testing_filenames, class_names_to_ids, DATASET_DIR) #输出labels文件 labels_to_class_names = dict(zip(range(len(class_names)), class_names)) write_label_file(labels_to_class_names, DATASET_DIR) ```

winform中picturebox修改照片

win7系统,winform程序。 做的是一个关于管理个人信息的winform项目,其中有利用picturebox上传个人照片并保存照片路径到数据库,第一次选择照片可以成功上传和显示,但是如果要做修改照片或者如果第一次选错了第二次选择时不成功。 首次选择照片代码如下: using (OpenFileDialog ofd = new OpenFileDialog()) { ofd.Title = "请选择要插入的图片"; ofd.CheckFileExists = true; ofd.CheckPathExists = true; if (ofd.ShowDialog() == DialogResult.OK) { string oldName = ofd.FileName; string[] splitName = oldName.Split('.'); string ext = splitName[splitName.Length - 1]; string dbName = "Photos/" + R_id + "." + ext; string newName = AppDomain.CurrentDomain.BaseDirectory + dbName; File.Copy(oldName, newName, true); Image img = Image.FromFile(newName); pictureBox1.Image = img; pictureBox1.ImageLocation = dbName; } } 这个时候可以成功选择照片,可以把照片从oldName的路径下复制到项目Photo文件夹newName路径下并且可以成功显示在picturebox中。 但是如果第一次选择照片选择错了,需要再次选择时就会报错:图片(相对项目的路径)“正由另一进程使用,因此该进程无法访问此文件”。第一次上传成功了的话,再次编辑时也是一样的错误。 我尝试过在重新选择时,如果选择成功就把原图片删除再上传,但是也不行。。。 求大神帮帮忙~~

深度学习图片识别循环停止?

最近在跑深度学习的inceptionV3的时候偶尔会遇到一问题,就是代码在运行到某个时间点时,就停止迭代运算,不知道为什么? ![图片说明](https://img-ask.csdn.net/upload/201811/11/1541904283_461011.png) 上面图是个例子,假设运行到291的step的时候停止了,不在继续运算,但是CPU和GPU是满载的。 下面是代码: ``` # coding=utf-8 import tensorflow as tf import numpy as np import pdb import os from datetime import datetime import slim.inception_model as inception_v3 from create_tf_record import * import tensorflow.contrib.slim as slim labels_nums = 7 # 类别个数 batch_size = 64 # resize_height = 299 # 指定SSS存储图片高度 resize_width = 299 # 指定存储图片宽度 depths = 3 data_shape = [batch_size, resize_height, resize_width, depths] # 定义input_images为图片数据 input_images = tf.placeholder(dtype=tf.float32, shape=[None, resize_height, resize_width, depths], name='input') # 定义input_labels为labels数据 # input_labels = tf.placeholder(dtype=tf.int32, shape=[None], name='label') input_labels = tf.placeholder(dtype=tf.int32, shape=[None, labels_nums], name='label') # 定义dropout的概率 keep_prob = tf.placeholder(tf.float32, name='keep_prob') is_training = tf.placeholder(tf.bool, name='is_training') #config = tf.ConfigProto() #config = tf.ConfigProto() #config.gpu_options.allow_growth = True #tf.Session(config = config) #tf.Session(config=tf.ConfigProto(allow_growth=True)) def net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums): val_max_steps = int(val_nums / batch_size) val_losses = [] val_accs = [] for _ in range(val_max_steps): val_x, val_y = sess.run([val_images_batch, val_labels_batch]) # print('labels:',val_y) # val_loss = sess.run(loss, feed_dict={x: val_x, y: val_y, keep_prob: 1.0}) # val_acc = sess.run(accuracy,feed_dict={x: val_x, y: val_y, keep_prob: 1.0}) val_loss, val_acc = sess.run([loss, accuracy], feed_dict={input_images: val_x, input_labels: val_y, keep_prob: 1.0, is_training: False}) val_losses.append(val_loss) val_accs.append(val_acc) mean_loss = np.array(val_losses, dtype=np.float32).mean() mean_acc = np.array(val_accs, dtype=np.float32).mean() return mean_loss, mean_acc def step_train(train_op, loss, accuracy, train_images_batch, train_labels_batch, train_nums, train_log_step, val_images_batch, val_labels_batch, val_nums, val_log_step, snapshot_prefix, snapshot): ''' 循环迭代训练过程 :param train_op: 训练op :param loss: loss函数 :param accuracy: 准确率函数 :param train_images_batch: 训练images数据 :param train_labels_batch: 训练labels数据 :param train_nums: 总训练数据 :param train_log_step: 训练log显示间隔 :param val_images_batch: 验证images数据 :param val_labels_batch: 验证labels数据 :param val_nums: 总验证数据 :param val_log_step: 验证log显示间隔 :param snapshot_prefix: 模型保存的路径 :param snapshot: 模型保存间隔 :return: None ''' # 初始化 #init = tf.global_variables_initializer() saver = tf.train.Saver() max_acc = 0.0 #ckpt = tf.train.get_checkpoint_state('D:/can_test/inception v3/') #saver = tf.train.import_meta_graph(ckpt.model_checkpoint_path + '.meta') #tf.reset_default_graph() with tf.Session() as sess: #sess.run(tf.global_variables_initializer())#恢复训练用 #saver = tf.train.import_meta_graph('D://can_test/inception v3/best_models_2_0.7500.ckpt.meta')#恢复训练 #saver.restore(sess, tf.train.latest_checkpoint('D://can_test/inception v3/'))#恢复训练 sess.run(tf.global_variables_initializer()) sess.run(tf.local_variables_initializer()) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) for i in range(max_steps + 1): batch_input_images, batch_input_labels = sess.run([train_images_batch, train_labels_batch]) _, train_loss = sess.run([train_op, loss], feed_dict={input_images: batch_input_images, input_labels: batch_input_labels, keep_prob: 0.5, is_training: True}) # train测试(这里仅测试训练集的一个batch) if i % train_log_step == 0: train_acc = sess.run(accuracy, feed_dict={input_images: batch_input_images, input_labels: batch_input_labels, keep_prob: 1.0, is_training: False}) print( "%s: Step [%d] train Loss : %f, training accuracy : %g" % ( datetime.now(), i, train_loss, train_acc) ) # val测试(测试全部val数据) if i % val_log_step == 0: mean_loss, mean_acc = net_evaluation(sess, loss, accuracy, val_images_batch, val_labels_batch, val_nums) print( "%s: Step [%d] val Loss : %f, val accuracy : %g" % (datetime.now(), i, mean_loss, mean_acc) ) # 模型保存:每迭代snapshot次或者最后一次保存模型 if i == max_steps: print('-----save:{}-{}'.format(snapshot_prefix, i)) saver.save(sess, snapshot_prefix, global_step=i) # 保存val准确率最高的模型 if mean_acc > max_acc and mean_acc > 0.90: max_acc = mean_acc path = os.path.dirname(snapshot_prefix) best_models = os.path.join(path, 'best_models_{}_{:.4f}.ckpt'.format(i, max_acc)) print('------save:{}'.format(best_models)) saver.save(sess, best_models) coord.request_stop() coord.join(threads) def train(train_record_file, train_log_step, train_param, val_record_file, val_log_step, labels_nums, data_shape, snapshot, snapshot_prefix): ''' :param train_record_file: 训练的tfrecord文件 :param train_log_step: 显示训练过程log信息间隔 :param train_param: train参数 :param val_record_file: 验证的tfrecord文件 :param val_log_step: 显示验证过程log信息间隔 :param val_param: val参数 :param labels_nums: labels数 :param data_shape: 输入数据shape :param snapshot: 保存模型间隔 :param snapshot_prefix: 保存模型文件的前缀名 :return: ''' [base_lr, max_steps] = train_param [batch_size, resize_height, resize_width, depths] = data_shape # 获得训练和测试的样本数 train_nums = get_example_nums(train_record_file) val_nums = get_example_nums(val_record_file) print('train nums:%d,val nums:%d' % (train_nums, val_nums)) # 从record中读取图片和labels数据 # train数据,训练数据一般要求打乱顺序shuffle=True train_images, train_labels = read_records(train_record_file, resize_height, resize_width, type='normalization') train_images_batch, train_labels_batch = get_batch_images(train_images, train_labels, batch_size=batch_size, labels_nums=labels_nums, one_hot=True, shuffle=True) # val数据,验证数据可以不需要打乱数据 val_images, val_labels = read_records(val_record_file, resize_height, resize_width, type='normalization') val_images_batch, val_labels_batch = get_batch_images(val_images, val_labels, batch_size=batch_size, labels_nums=labels_nums, one_hot=True, shuffle=False) # Define the model: with slim.arg_scope(inception_v3.inception_v3_arg_scope()): out, end_points = inception_v3.inception_v3(inputs=input_images, num_classes=labels_nums, dropout_keep_prob=keep_prob, is_training=is_training) # Specify the loss function: tf.losses定义的loss函数都会自动添加到loss函数,不需要add_loss()了 tf.losses.softmax_cross_entropy(onehot_labels=input_labels, logits=out) # 添加交叉熵损失loss=1.6 # slim.losses.add_loss(my_loss) loss = tf.losses.get_total_loss(add_regularization_losses=True) # 添加正则化损失loss=2.2 accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.argmax(out, 1), tf.argmax(input_labels, 1)), tf.float32)) # Specify the optimization scheme: optimizer = tf.train.GradientDescentOptimizer(learning_rate=base_lr) # global_step = tf.Variable(0, trainable=False) # learning_rate = tf.train.exponential_decay(0.05, global_step, 150, 0.9) # # optimizer = tf.train.MomentumOptimizer(learning_rate, 0.9) # # train_tensor = optimizer.minimize(loss, global_step) # train_op = slim.learning.create_train_op(loss, optimizer,global_step=global_step) # 在定义训练的时候, 注意到我们使用了`batch_norm`层时,需要更新每一层的`average`和`variance`参数, # 更新的过程不包含在正常的训练过程中, 需要我们去手动像下面这样更新 # 通过`tf.get_collection`获得所有需要更新的`op` update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) # 使用`tensorflow`的控制流, 先执行更新算子, 再执行训练 with tf.control_dependencies(update_ops): # create_train_op that ensures that when we evaluate it to get the loss, # the update_ops are done and the gradient updates are computed. # train_op = slim.learning.create_train_op(total_loss=loss,optimizer=optimizer) train_op = slim.learning.create_train_op(total_loss=loss, optimizer=optimizer) # 循环迭代过程 step_train(train_op, loss, accuracy, train_images_batch, train_labels_batch, train_nums, train_log_step, val_images_batch, val_labels_batch, val_nums, val_log_step, snapshot_prefix, snapshot) if __name__ == '__main__': train_record_file = '/home/lab/new_jeremie/train.tfrecords' val_record_file = '/home/lab/new_jeremie/val.tfrecords' #train_record_file = 'D://cancer_v2/data/cancer/train.tfrecords' #val_record_file = 'D://val.tfrecords' train_log_step = 1 base_lr = 0.01 # 学习率 max_steps = 100000 # 迭代次数 train_param = [base_lr, max_steps] val_log_step = 1 snapshot = 2000 # 保存文件间隔 snapshot_prefix = './v3model.ckpt' train(train_record_file=train_record_file, train_log_step=train_log_step, train_param=train_param, val_record_file=val_record_file, val_log_step=val_log_step, #val_log_step=val_log_step, labels_nums=labels_nums, data_shape=data_shape, snapshot=snapshot, snapshot_prefix=snapshot_prefix) ```

用js写轮播图,运行结果不对,有假设问题,但是不知道怎么改~求助~

思路是向右移动的时候clone最后一个到第一个位置,重新获取li,设置li[0]marginLeft为负,慢慢向右移动,图片也慢慢改变样式...移动完毕后删除clone的节点,重新绑定节点事件 向左移同理 1.报错没有,问题是调用函数结果不对,大佬把我代码复制运行一波就知道了 (1)问题应该是获取li elements没对,这里我试过 var a=3;var a = 5,结果输出等于5...那我每次前进或者后退都有重新获取li....应该没错啊? 小白表示一脸懵,知道卡在那里但是不知道为什么会卡住 大佬复制运行一下点点就知道了 ``` <!DOCTYPE html> <HTML> <head> <script> height=320; imgHeight=300; width=200; mostLeft=-188; RL=12; size={ /* img 200 300 0 0 img1 170 255 22.500000000000004 15.000000000000002 img2 150 225 37.5 25 img3 120 180 60 40 */ "imgheight1":imgHeight*0.8, "imgheight2":imgHeight*0.7, "imgheight3":imgHeight*0.6, "imgwidth1":width*0.8, "imgwidth2":width*0.7, "imgwidth3":width*0.6, "imgheight1top":imgHeight*(1-0.8)/2, "imgheight2top":imgHeight*(1-0.7)/2, "imgheight3top":imgHeight*(1-0.6)/2, "img1left":width*(1-0.8)/2, "img2left":width*(1-0.7)/2, "img3left":width*(1-0.6)/2 } change={ "imgWidthChange":(size.imgwidth1-size.imgwidth2)/40, "imgHeightChange":(size.imgheight1-size.imgheight2)/40, "imgMTChange":(size.imgheight2top-size.imgheight3top)/40, "imgMLChange":(size.img2left-size.img3left)/40, "opacity":1/40 } function bdEvent(){ var li=document.querySelectorAll("#slider li"); li[0].addEventListener("click", before,true); li[1].addEventListener("click", before,true); li[3].addEventListener("click", next,true); li[4].addEventListener("click", next,true); } function basecss(){ var slider=document.getElementById("slider"); var ul=document.querySelector("#slider ul"); var li=document.querySelectorAll("#slider li"); var img=document.querySelectorAll("#slider img"); var a=document.querySelectorAll("#slider a"); img[0].style.backgroundColor="red"; img[1].style.backgroundColor="green"; img[2].style.backgroundColor="black"; img[3].style.backgroundColor="yellow"; img[4].style.backgroundColor="blue"; document.body.style.margin="0px"; document.body.style.padding="0px"; var left=(screen.width-1024)/2; slider.style.width="1024px"; slider.style.height=height+"px"; slider.style.marginTop="50px"; slider.style.marginLeft=left+"px"; <!-- slider.style.overflow="hidden"; --> ul.style.width="9999px"; ul.style.margin="0px"; ul.style.padding="0px"; li[0].style.marginLeft="12px"; for(var i=0;i<li.length;i++){ li[i].style.listStyle="none"; li[i].style.width=width+"px"; li[i].style.height=height+"px"; li[i].style.cssFloat="left"; a[i].style.display="block"; a[i].style.margin="0px auto"; a[i].style.width="40px"; a[i].style.height="20px"; img[i].style.cssFloat="left"; if(i==0||i==4){ img[i].style.width=size.imgwidth2+"px"; img[i].style.height=size.imgheight2+"px"; img[i].style.marginTop=size.imgheight2top+"px"; img[i].style.marginLeft=size.img2left+"px"; } else if(i==1||i==3){ img[i].style.width=size.imgwidth1+"px"; img[i].style.height=size.imgheight1+"px"; img[i].style.marginTop=size.imgheight1top+"px"; img[i].style.marginLeft=size.img1left+"px"; }else if(i==2){ img[i].style.width=width+"px"; img[i].style.height=imgHeight+"px"; }else{ img[i].style.width=size.imgwidth3+"px"; img[i].style.height=size.imgheight3+"px"; img[i].style.marginTop=size.imgheight3top+"px"; img[i].style.marginLeft=size.img3left+"px"; } } } function next(){ var ul=document.querySelector("#slider ul"); var li=document.querySelectorAll("#slider li"); var img=document.querySelectorAll("img"); //copy最后一个放到最前面然后删除最后一个 var first=li[li.length-1].cloneNode(true); ul.insertBefore(first,li[0]); //改过后重新 获取li var li=document.querySelectorAll("#slider li"); var img=document.querySelectorAll("#slider img"); var mostLeft=-188; li[0].style.marginLeft=mostLeft+"px"; li[1].style.marginLeft="0px"; var pyl=5,imgWidthChange=0,imgHeightChange=0,imgMTChange=0,imgMLChange=0,opacity=1/40; /* img 200 300 0 0 img1 160 240 20 30 img2 140 210 30 45 img3 120 180 40 60 */ function add(){ if(parseInt(li[0].style.marginLeft)<12){ li[0].style.marginLeft=mostLeft+pyl+"px"; pyl+=5; imgWidthChange+=change.imgWidthChange; imgHeightChange+=change.imgHeightChange; imgMTChange+=change.imgMTChange; imgMLChange+=change.imgMLChange; opacity+=change.opacity; for(var i=0;i<6;i++){ switch(i){ case 0: li[i].style.opacity=opacity; img[i].style.width=size.imgwidth3+imgWidthChange+"px"; img[i].style.height=size.imgheight3+imgHeightChange+"px"; img[i].style.marginTop=size.imgheight3top+imgMTChange+"px"; img[i].style.marginLeft=size.img3left+imgMLChange+"px"; break case 1: img[i].style.width=size.imgwidth2+imgWidthChange+"px"; img[i].style.height=size.imgheight2+imgHeightChange+"px"; img[i].style.marginTop=size.imgheight2top+imgMTChange+"px"; img[i].style.marginLeft=size.img2left+imgMLChange+"px"; break case 2: img[i].style.width=size.imgwidth1+imgWidthChange*2+"px"; img[i].style.height=size.imgheight1+imgHeightChange*2+"px"; img[i].style.marginTop=size.imgheight1top+imgMTChange*2+"px"; img[i].style.marginLeft=size.img1left+imgMLChange*2+"px"; break case 3: img[i].style.width=width-imgWidthChange*2+"px"; img[i].style.height=imgHeight-imgHeightChange*2+"px"; img[i].style.marginTop=-imgMTChange*2+"px"; img[i].style.marginLeft=-imgMLChange*2+"px"; break case 4: img[i].style.width=size.imgwidth1-imgWidthChange+"px"; img[i].style.height=size.imgheight1-imgHeightChange+"px"; img[i].style.marginTop=size.imgheight1top-imgMTChange+"px"; img[i].style.marginLeft=size.img1left-imgMLChange+"px"; break case 5: img[i].style.width=size.imgwidth3-imgWidthChange+"px"; img[i].style.height=size.imgheight3-imgHeightChange+"px"; img[i].style.marginTop=size.imgheight2top+imgMTChange+"px"; img[i].style.marginLeft=size.img2left+imgMLChange+"px"; li[i].style.opacity=opacity; break } } var go=setTimeout(function(){add();},1000/60); } else{ ul.removeChild(li[li.length-1]); clearTimeout(go); bdEvent(); } } var go=setTimeout(function(){add();},1000/60); } function before(){ var ul=document.querySelector("#slider ul"); var li=document.querySelectorAll("#slider li"); var img=document.querySelectorAll("img"); //copy最后一个放到最前面然后删除最后一个 var last=li[0].cloneNode(true); ul.appendChild(last); console.log("6"); //重新获取li var li=document.querySelectorAll("#slider li"); var img=document.querySelectorAll("img"); var pyl=0,imgWidthChange=0,imgHeightChange=0,imgMTChange=0,imgMLChange=0,opacity=1/40; <!-- console.log(change.imgMTChange); --> /* 3 2 1 0 1 2 3 img 200 300 0 0 img1 160 240 20 30 img2 140 210 30 45 img3 120 180 40 60 */ function add(){ //重新获取后最左边 if(parseInt(li[0].style.marginLeft)>mostLeft){ li[0].style.marginLeft=RL+pyl+"px"; pyl=pyl-5; imgWidthChange+=change.imgWidthChange; imgHeightChange+=change.imgHeightChange; imgMTChange+=change.imgMTChange; imgMLChange+=change.imgMLChange; opacity+=change.opacity; for(var i=0;i<6;i++){ switch(i){ case 0: img[i].style.width=size.imgwidth2-imgWidthChange+"px"; img[i].style.height=size.imgheight2-imgHeightChange+"px"; img[i].style.marginTop=size.imgheight2top+imgMTChange+"px"; img[i].style.marginLeft=size.img2left+imgMLChange+"px"; li[i].style.opacity=1-opacity; break; case 1: img[i].style.width=size.imgwidth1-imgWidthChange+"px"; img[i].style.height=size.imgheight1-imgHeightChange+"px"; img[i].style.marginTop=size.imgheight1top-imgMTChange+"px"; img[i].style.marginLeft=size.img1left-imgMLChange+"px"; break; case 2: img[i].style.width=width-imgWidthChange*2+"px"; img[i].style.height=imgHeight-imgHeightChange*2+"px"; img[i].style.marginTop=-imgMTChange*2+"px"; img[i].style.marginLeft=-imgMLChange*2+"px"; break; case 3: img[i].style.width=size.imgwidth1+imgWidthChange*2+"px"; img[i].style.height=size.imgheight1+imgHeightChange*2+"px"; img[i].style.marginTop=size.imgheight1top+imgMTChange*2+"px"; img[i].style.marginLeft=size.img1left+imgMLChange*2+"px"; break; case 4: img[i].style.width=size.imgwidth2+imgWidthChange+"px"; img[i].style.height=size.imgheight2+imgHeightChange+"px"; img[i].style.marginTop=size.imgheight2top+imgMTChange+"px"; img[i].style.marginLeft=size.img2left+imgMLChange+"px"; break; case 5: li[i].style.opacity=opacity; img[i].style.width=size.imgwidth3+imgWidthChange+"px"; img[i].style.height=size.imgheight3+imgHeightChange+"px"; img[i].style.marginTop=size.imgheight3top+imgMTChange+"px"; img[i].style.marginLeft=size.img3left+imgMLChange+"px"; break; } } } else{ clearInterval(back); ul.removeChild(li[0]); bdEvent(); } } var back=setInterval(add,1000/60) } window.onload = function(){ basecss(); bdEvent(); } </script> </head> <body> <div id="slider"> <ul> <li> <img > <a>0000</a> </li> <li> <img > <a>0000</a> </li> <li> <img > <a>0000</a> </li> <li> <img > <a>0000</a> </li> <li> <img > <a>0000</a> </li> </ul> </div> </body> </HTML> ```

springboot2拦截器返回false后静态资源无法访问

1. springboot2拦截器返回false以后无法加载静态资源 项目结构 ![图片说明](https://img-ask.csdn.net/upload/202001/15/1579052620_410438.jpg) 拦截器代码 ``` @Override public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception { User user = (User)request.getSession().getAttribute(GlobalConst.USER_SESSION_KEY); logger.info(request.getRequestURI().toString()); if (user == null) { response.sendRedirect("/login"); logger.info("请先登录"); return false; } else { // 验证权限 String role = user.getRole(); if (!this.hasPermission(handler, role)) { response.sendError(HttpStatus.FORBIDDEN.value(), "无权限"); return false; } } return true; } ``` 2.自定义的WebConfigurer ``` @Configuration public class WebConfigurer implements WebMvcConfigurer { @Override public void addInterceptors(InterceptorRegistry registry) { registry.addInterceptor(new LoginInterceptor()).addPathPatterns("/**") .excludePathPatterns("/") .excludePathPatterns("/login", "/tologin") .excludePathPatterns("/recharge/notify").excludePathPatterns("/recharge/rechargeok") .excludePathPatterns("/verify/getcode"); } } ``` 3.application.properties ``` # 静态文件请求匹配方式 spring.mvc.static-path-pattern=/** # 修改默认的静态寻址资源目录 spring.resources.static-locations=classpath:/static/ ``` 未登录时preHandle返回false,静态资源无法加载。 登录后可以加载静态资源;或者把response.sendRedirect("/login");注释掉再把return改为true也可以加载静态资源 遇到这问题很郁闷,找了半天也没找到啥原因

关于window.location.href的URL访问的问题

![图片说明](https://img-ask.csdn.net/upload/201512/28/1451275056_690860.png) 定义了一个变量,变量也拿到了,弹整个URL的时候也是对的,但是访问的时候地址栏中显示的却没了这个变量,求大神赐教啊!折磨了我整整一个晚上

在中国程序员是青春饭吗?

今年,我也32了 ,为了不给大家误导,咨询了猎头、圈内好友,以及年过35岁的几位老程序员……舍了老脸去揭人家伤疤……希望能给大家以帮助,记得帮我点赞哦。 目录: 你以为的人生 一次又一次的伤害 猎头界的真相 如何应对互联网行业的「中年危机」 一、你以为的人生 刚入行时,拿着傲人的工资,想着好好干,以为我们的人生是这样的: 等真到了那一天,你会发现,你的人生很可能是这样的: ...

程序员请照顾好自己,周末病魔差点一套带走我。

程序员在一个周末的时间,得了重病,差点当场去世,还好及时挽救回来了。

Java基础知识面试题(2020最新版)

文章目录Java概述何为编程什么是Javajdk1.5之后的三大版本JVM、JRE和JDK的关系什么是跨平台性?原理是什么Java语言有哪些特点什么是字节码?采用字节码的最大好处是什么什么是Java程序的主类?应用程序和小程序的主类有何不同?Java应用程序与小程序之间有那些差别?Java和C++的区别Oracle JDK 和 OpenJDK 的对比基础语法数据类型Java有哪些数据类型switc...

和黑客斗争的 6 天!

互联网公司工作,很难避免不和黑客们打交道,我呆过的两家互联网公司,几乎每月每天每分钟都有黑客在公司网站上扫描。有的是寻找 Sql 注入的缺口,有的是寻找线上服务器可能存在的漏洞,大部分都...

Intellij IDEA 实用插件安利

1. 前言从2020 年 JVM 生态报告解读 可以看出Intellij IDEA 目前已经稳坐 Java IDE 头把交椅。而且统计得出付费用户已经超过了八成(国外统计)。IDEA 的...

搜狗输入法也在挑战国人的智商!

故事总是一个接着一个到来...上周写完《鲁大师已经彻底沦为一款垃圾流氓软件!》这篇文章之后,鲁大师的市场工作人员就找到了我,希望把这篇文章删除掉。经过一番沟通我先把这篇文章从公号中删除了...

总结了 150 余个神奇网站,你不来瞅瞅吗?

原博客再更新,可能就没了,之后将持续更新本篇博客。

副业收入是我做程序媛的3倍,工作外的B面人生是怎样的?

提到“程序员”,多数人脑海里首先想到的大约是:为人木讷、薪水超高、工作枯燥…… 然而,当离开工作岗位,撕去层层标签,脱下“程序员”这身外套,有的人生动又有趣,马上展现出了完全不同的A/B面人生! 不论是简单的爱好,还是正经的副业,他们都干得同样出色。偶尔,还能和程序员的特质结合,产生奇妙的“化学反应”。 @Charlotte:平日素颜示人,周末美妆博主 大家都以为程序媛也个个不修边幅,但我们也许...

MySQL数据库面试题(2020最新版)

文章目录数据库基础知识为什么要使用数据库什么是SQL?什么是MySQL?数据库三大范式是什么mysql有关权限的表都有哪几个MySQL的binlog有有几种录入格式?分别有什么区别?数据类型mysql有哪些数据类型引擎MySQL存储引擎MyISAM与InnoDB区别MyISAM索引与InnoDB索引的区别?InnoDB引擎的4大特性存储引擎选择索引什么是索引?索引有哪些优缺点?索引使用场景(重点)...

如果你是老板,你会不会踢了这样的员工?

有个好朋友ZS,是技术总监,昨天问我:“有一个老下属,跟了我很多年,做事勤勤恳恳,主动性也很好。但随着公司的发展,他的进步速度,跟不上团队的步伐了,有点...

我入职阿里后,才知道原来简历这么写

私下里,有不少读者问我:“二哥,如何才能写出一份专业的技术简历呢?我总感觉自己写的简历太烂了,所以投了无数份,都石沉大海了。”说实话,我自己好多年没有写过简历了,但我认识的一个同行,他在阿里,给我说了一些他当年写简历的方法论,我感觉太牛逼了,实在是忍不住,就分享了出来,希望能够帮助到你。 01、简历的本质 作为简历的撰写者,你必须要搞清楚一点,简历的本质是什么,它就是为了来销售你的价值主张的。往深...

魂迁光刻,梦绕芯片,中芯国际终获ASML大型光刻机

据羊城晚报报道,近日中芯国际从荷兰进口的一台大型光刻机,顺利通过深圳出口加工区场站两道闸口进入厂区,中芯国际发表公告称该光刻机并非此前盛传的EUV光刻机,主要用于企业复工复产后的生产线扩容。 我们知道EUV主要用于7nm及以下制程的芯片制造,光刻机作为集成电路制造中最关键的设备,对芯片制作工艺有着决定性的影响,被誉为“超精密制造技术皇冠上的明珠”,根据之前中芯国际的公报,目...

优雅的替换if-else语句

场景 日常开发,if-else语句写的不少吧??当逻辑分支非常多的时候,if-else套了一层又一层,虽然业务功能倒是实现了,但是看起来是真的很不优雅,尤其是对于我这种有强迫症的程序"猿",看到这么多if-else,脑袋瓜子就嗡嗡的,总想着解锁新姿势:干掉过多的if-else!!!本文将介绍三板斧手段: 优先判断条件,条件不满足的,逻辑及时中断返回; 采用策略模式+工厂模式; 结合注解,锦...

离职半年了,老东家又发 offer,回不回?

有小伙伴问松哥这个问题,他在上海某公司,在离职了几个月后,前公司的领导联系到他,希望他能够返聘回去,他很纠结要不要回去? 俗话说好马不吃回头草,但是这个小伙伴既然感到纠结了,我觉得至少说明了两个问题:1.曾经的公司还不错;2.现在的日子也不是很如意。否则应该就不会纠结了。 老实说,松哥之前也有过类似的经历,今天就来和小伙伴们聊聊回头草到底吃不吃。 首先一个基本观点,就是离职了也没必要和老东家弄的苦...

2020阿里全球数学大赛:3万名高手、4道题、2天2夜未交卷

阿里巴巴全球数学竞赛( Alibaba Global Mathematics Competition)由马云发起,由中国科学技术协会、阿里巴巴基金会、阿里巴巴达摩院共同举办。大赛不设报名门槛,全世界爱好数学的人都可参与,不论是否出身数学专业、是否投身数学研究。 2020年阿里巴巴达摩院邀请北京大学、剑桥大学、浙江大学等高校的顶尖数学教师组建了出题组。中科院院士、美国艺术与科学院院士、北京国际数学...

为什么你不想学习?只想玩?人是如何一步一步废掉的

不知道是不是只有我这样子,还是你们也有过类似的经历。 上学的时候总有很多光辉历史,学年名列前茅,或者单科目大佬,但是虽然慢慢地长大了,你开始懈怠了,开始废掉了。。。 什么?你说不知道具体的情况是怎么样的? 我来告诉你: 你常常潜意识里或者心理觉得,自己真正的生活或者奋斗还没有开始。总是幻想着自己还拥有大把时间,还有无限的可能,自己还能逆风翻盘,只不是自己还没开始罢了,自己以后肯定会变得特别厉害...

百度工程师,获利10万,判刑3年!

所有一夜暴富的方法都写在刑法中,但总有人心存侥幸。这些年互联网犯罪高发,一些工程师高技术犯罪更是引发关注。这两天,一个百度运维工程师的案例传遍朋友圈。1...

程序员为什么千万不要瞎努力?

本文作者用对比非常鲜明的两个开发团队的故事,讲解了敏捷开发之道 —— 如果你的团队缺乏统一标准的环境,那么即使勤劳努力,不仅会极其耗时而且成果甚微,使用...

为什么程序员做外包会被瞧不起?

二哥,有个事想询问下您的意见,您觉得应届生值得去外包吗?公司虽然挺大的,中xx,但待遇感觉挺低,马上要报到,挺纠结的。

当HR压你价,说你只值7K,你该怎么回答?

当HR压你价,说你只值7K时,你可以流畅地回答,记住,是流畅,不能犹豫。 礼貌地说:“7K是吗?了解了。嗯~其实我对贵司的面试官印象很好。只不过,现在我的手头上已经有一份11K的offer。来面试,主要也是自己对贵司挺有兴趣的,所以过来看看……”(未完) 这段话主要是陪HR互诈的同时,从公司兴趣,公司职员印象上,都给予对方正面的肯定,既能提升HR的好感度,又能让谈判气氛融洽,为后面的发挥留足空间。...

面试:第十六章:Java中级开发

HashMap底层实现原理,红黑树,B+树,B树的结构原理 Spring的AOP和IOC是什么?它们常见的使用场景有哪些?Spring事务,事务的属性,传播行为,数据库隔离级别 Spring和SpringMVC,MyBatis以及SpringBoot的注解分别有哪些?SpringMVC的工作原理,SpringBoot框架的优点,MyBatis框架的优点 SpringCould组件有哪些,他们...

面试阿里p7,被按在地上摩擦,鬼知道我经历了什么?

面试阿里p7被问到的问题(当时我只知道第一个):@Conditional是做什么的?@Conditional多个条件是什么逻辑关系?条件判断在什么时候执...

无代码时代来临,程序员如何保住饭碗?

编程语言层出不穷,从最初的机器语言到如今2500种以上的高级语言,程序员们大呼“学到头秃”。程序员一边面临编程语言不断推陈出新,一边面临由于许多代码已存在,程序员编写新应用程序时存在重复“搬砖”的现象。 无代码/低代码编程应运而生。无代码/低代码是一种创建应用的方法,它可以让开发者使用最少的编码知识来快速开发应用程序。开发者通过图形界面中,可视化建模来组装和配置应用程序。这样一来,开发者直...

面试了一个 31 岁程序员,让我有所触动,30岁以上的程序员该何去何从?

最近面试了一个31岁8年经验的程序猿,让我有点感慨,大龄程序猿该何去何从。

大三实习生,字节跳动面经分享,已拿Offer

说实话,自己的算法,我一个不会,太难了吧

程序员垃圾简历长什么样?

已经连续五年参加大厂校招、社招的技术面试工作,简历看的不下于万份 这篇文章会用实例告诉你,什么是差的程序员简历! 疫情快要结束了,各个公司也都开始春招了,作为即将红遍大江南北的新晋UP主,那当然要为小伙伴们做点事(手动狗头)。 就在公众号里公开征简历,义务帮大家看,并一一点评。《启舰:春招在即,义务帮大家看看简历吧》 一石激起千层浪,三天收到两百多封简历。 花光了两个星期的所有空闲时...

《Oracle Java SE编程自学与面试指南》最佳学习路线图2020年最新版(进大厂必备)

正确选择比瞎努力更重要!

字节跳动面试官竟然问了我JDBC?

轻松等回家通知

面试官:你连SSO都不懂,就别来面试了

大厂竟然要考我SSO,卧槽。

实时更新:计算机编程语言排行榜—TIOBE世界编程语言排行榜(2020年6月份最新版)

内容导航: 1、TIOBE排行榜 2、总榜(2020年6月份) 3、本月前三名 3.1、C 3.2、Java 3.3、Python 4、学习路线图 5、参考地址 1、TIOBE排行榜 TIOBE排行榜是根据全世界互联网上有经验的程序员、课程和第三方厂商的数量,并使用搜索引擎(如Google、Bing、Yahoo!)以及Wikipedia、Amazon、YouTube统计出排名数据。

立即提问
相关内容推荐