-
![PHP用for循环打印半金字塔、金字塔、正方形、倒金字塔、菱形、空心图形]()
RainNight
2021-10-18
PHP
59°
## 打印半金字塔图形
```
$n=5;
//控制层数
for($i=1;$i
";
}
```
## 打印金字塔图形
```
$n=5;
for($i=1;$i
";
}
```
## 打印正方形图形
```
$n=5;
for($i=1;$i
=0;$k- -){
echo "* ";
}
echo "
";
}
```
## 打印/倒金字塔图形
```
$n=5;
for($i=$n;$i>=1;$i--){
for($k=1;$k
";
}
```
## 打印菱形图形
```
-
![php操作Oracle基础使用]()
RainNight
2021-10-15
PHP
59°
## php操作Oracle基础使用
> PHP操作Oracle数据库（OCI数据抽象层）
> OCI（Oracle 8 Call-Interface）是PHP中内置的数据库抽象层函数。
1. 数据库连接：函数：oci_connect()
> 函数：resource oci_connect ( string username, string password [, string db [, string charset [, int session_mode]]] )
> 说明：
函数的返回值为
-
![Linux系统下PHP7.1打开Oracle扩展]()
RainNight
2021-10-15
PHP
64°
## 背景
最近由于项目需求，对方是高校的系统应用，而且也没有相应的开发人员，只提供一个oracle账号，需要我们使用PHP来直接操作oracle，进行数据导入操作，虽然这个组合很奇葩，但万一用到请勿采坑~
## 环境
* ubuntu20.04
*
PHP7.1.1
*
oracle 11.2
>
oracle一定要知道，对方使用的是那个版本，要不使用的时候，会出问题
## 安装oracle组件
**下载**
[oracle组件](https://www.oracle.com/database
-
![使用 T5 探索迁移学习：文本到文本迁移转换器]()
在过去几年中，迁移学习在自然语言处理(NLP)领域掀起了一波最新的研究成果。迁移学习的有效性来自于使用大量可用的未标记文本数据对模型进行预训练，并使用自我监督的任务，例如语言建模或填充缺失的单词。之后，可以在较小的标记数据集上对模型进行微调，这通常比单独在标记数据上训练产生（远）更好的性能。2018 年，GPT、ULMFiT、ELMo和BERT点燃了迁移学习的近期成功2019 年出现了大量新方法，如XLNet、RoBERTa、ALBERT、Reformer和MT-DNN。该领域的进展速度使得评估
-
![使用 TensorFlow 约束优化库设置公平目标]()
许多使用监督式机器学习的技术对人们的日常生活产生了越来越积极的影响，从发现疾病的早期迹象到过滤不适当的内容。然而，人们越来越担心学习模型通常满足最小化单个损失函数的狭隘要求，可能难以解决更广泛的社会问题，例如公平性，这通常需要权衡多个相互竞争的考虑因素。即使将这些因素考虑在内，这些系统仍可能无法满足如此复杂的设计要求，例如，假阴性可能比假阳性“更糟”，或者正在训练的模型应该“类似于”一个预先存在的模型。
该TensorFlow约束优化（TFCO）库可以很容易地根据多个不同的指标（如配置和火车机器
-
![生成用于训练机器学习模型的多样化合成医学图像数据]()
医学成像机器学习 (ML)的进步有助于医生提供更好的诊断，部分原因是使用了大量精心标记的数据集。然而，由于隐私问题、合作机构的患者数量少或研究罕见疾病，数据集大小在现实生活中可能会受到限制。此外，为了确保 ML 模型能够很好地泛化，他们需要跨越一系列子组的训练数据，例如皮肤类型、人口统计和成像设备。要求每个组合子组的大小（例如，皮肤类型 A 和皮肤状况 B，由相机 C 拍摄）也足够大可能很快变得不切实际。
今天，我们很高兴分享两个项目，旨在提高 ML 训练数据的多样性，并增加医疗应用可用训练数据
-
![AutoFlip：智能视频重构的开源框架]()
为电视和桌面拍摄和编辑的山景视频通常以横向纵横比（16:9 或 4 :3)。但是随着用户越来越多在移动设备上创建和消费内容时，历史纵横比并不总是适合用于查看的显示器。将视频重新构建为不同纵横比的传统方法通常涉及静态裁剪，即指定摄像机视口，然后裁剪外部的视觉内容。不幸的是，由于构图和相机运动风格的多样性，这些静态裁剪方法通常会导致不令人满意的结果。然而，更多定制方法通常需要视频策展人手动识别每一帧上的显着内容，跟踪它们从帧到帧的过渡，并在整个视频中相应地调整裁剪区域。这个过程通常是乏味、耗时且容易
-
![学习看透明物体]()
等 3D 距离传感器已广泛应用于机器人技术，可生成丰富而准确的环境 3D 地图，从自动驾驶汽车到自动机械手。然而，尽管这些复杂的机器人系统无处不在，透明物体（如玻璃容器）甚至可以混淆常用的一套昂贵的传感器。这是因为光学 3D 传感器由假设所有表面都是朗伯表面的算法驱动，即它们在所有方向均匀地反射光线，从而从所有视角产生均匀的表面亮度。然而，透明物体违反了这个假设，因为它们的表面既折射又反射光。因此，来自透明物体的大部分深度数据都是无效的或包含不可预测的噪声。
问答技术每天都在帮助人们——当人们面临诸如“鱿鱼墨是否可以安全食用？”之类的问题时。，用户可以询问语音助手或键入搜索并期望得到答案。去年，我们向研究界发布了英语自然问题数据集，以提供一个挑战反映真实用户的需求。然而，有成千上万种不同的语言，其中许多使用非常不同的方法来构建意义。例如，虽然英语改变单词以表示一个对象（“book”）与许多（“books”），但阿拉伯语还有第三种形式来表示是否有两个（“كتابان”，kitaban），而不仅仅是单数（“ كتاب", kitab ) 或复数 (" ك
-
![ML-fairness-gym：探索机器学习系统长期影响的工具]()
机器学习系统已越来越多地用于辅助高影响力的决策，例如确定刑事判决、儿童福利评估、接受医疗护理的人员以及许多其他设置。了解此类系统是否公平至关重要，并且需要了解模型的短期和长期影响。评估机器学习系统公平性的常用方法包括评估系统各种输入的静态数据集的错误度量差异。事实上，许多现有的 ML 公平工具包（例如，AIF360、fairlearn、fairness-indicators、fairness-comparison ) 提供了对现有数据集执行这种基于误差度量的分析的工具。虽然这种分析可能适用于简单
