墨染青clothing
墨染青clothing

一文洞悉Python必备的50种算法

原文：https://atsushisakai.github.io/PythonRobotics/#what-is-this

作者说明：

  • AtsushiSakai，日本机器人工程师，从事自动驾驶技术开发，精通C++、ROS、MATLAB、Python、Vim和Robotics。

文章说明：

  • 本文是一些机器人算法（特别是自动导航算法）的Python代码合集。

特点：

  • 选择了在实践中广泛应用的算法；
  • 依赖最少；
  • 容易阅读，容易理解每个算法的基本思想

目录：

  • 一、环境需求
  • 二、怎样使用
  • 三、本地化
    • 3.1 扩展卡尔曼滤波本地化
    • 3.2 无损卡尔曼滤波本地化
    • 3.3 粒子滤波本地化
    • 3.4 直方图滤波本地化
  • 四、映射
    • 4.1 高斯网格映射
    • 4.2 光线投射网格映射
    • 4.3 k均值物体聚类
    • 4.4 圆形拟合物体形状识别
  • 五、SLAM
    • 5.1 迭代最近点匹配
    • 5.2 EKF SLAM
    • 5.3 FastSLAM 1.0
    • 5.4 FastSLAM 2.0
    • 5.5 基于图的SLAM
  • 六、路径规划
    • 6.1 动态窗口方式
    • 6.2 基于网格的搜索
      • 迪杰斯特拉算法
      • A*算法
      • 势场算法
    • 6.3 模型预测路径生成
      • 路径优化示例
      • 查找表生成示例
    • 6.4 状态晶格规划
      • 均匀极性采样（Uniform polar sampling）
      • 偏差极性采样（Biased polar sampling）
      • 路线采样（Lane sampling）
    • 6.5 随机路径图（PRM）规划
    • 6.6 Voronoi路径图规划
    • 6.7 快速搜索随机树（RRT）
      • 基本RRT
      • RRT*
      • 基于Dubins路径的RRT
      • 基于Dubins路径的RRT*
      • 基于reeds-shepp路径的RRT*
      • Informed RRT*
      • 批量Informed RRT*
      • 闭合回路RRT*
      • LQR-RRT*
    • 6.8 三次样条规划
    • 6.9 B样条规划
    • 6.10 Eta^3样条路径规划
    • 6.11 贝济埃路径规划
    • 6.12 五次多项式规划
    • 6.13 Dubins路径规划
    • 6.14 Reeds Shepp路径规划
    • 6.15 基于LQR的路径规划
    • 6.16 Frenet Frame中的最优路径
  • 七、路径跟踪
    • 7.1 姿势控制跟踪
    • 7.2 纯追迹跟踪
    • 7.3 史坦利控制
    • 7.4 后轮反馈控制
    • 7.5 线性二次regulator（LQR）转向控制
    • 7.6 线性二次regulator（LQR）转向和速度控制
    • 7.7 模型预测速度和转向控制
  • 八、项目支持

一、环境需求：

  • Python 3.8.x
  • numpy
  • scipy
  • matplotlib
  • pandas
  • cvxpy

二、怎样使用

  • 克隆以下仓库：
    https://github.com/AtsushiSakai/PythonRobotics.git

  • 安装必要的库；

    conda env create -f environment.yml using pip :- pip install -r requirements.txt

  • 执行每个目录下的python脚本；

三、本地化

3.1 扩展卡尔曼滤波本地化

  • 图解：【动图太大，无法上传】
    https://github.com/AtsushiSakai/PythonRoboticsGifs/raw/master/Localization/extended_kalman_filter/animation.gif

  • 算法说明：

    • 该算法利用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）实现传感器混合本地化。
    • 蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为EKF估算的路径。
    • 红色椭圆为EKF估算的协方差。

  • 推荐相关阅读：http://www.probabilistic-robotics.org/

3.2 无损卡尔曼滤波本地化

  • 图解：


    无损卡尔曼滤波本地化

  • 算法说明：

    • 该算法利用无损卡尔曼滤波器（Unscented Kalman Filter, UKF）实现传感器混合本地化。
    • 线和点的含义与EKF模拟的例子相同。

  • 推荐相关阅读：利用无差别训练过的无损卡尔曼滤波进行机器人移动本地化：https://www.researchgate.net/publication/267963417_Discriminatively_Trained_Unscented_Kalman_Filter_for_Mobile_Robot_Localization

3.3 粒子滤波本地化

  • 图解：


    粒子滤波本地化

  • 算法说明：

    • 该算法利用粒子滤波器（Particle Filter, PF）实现传感器混合本地化。
    • 蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为PF估算的路径。
    • 该算法假设机器人能够测量与地标（RFID）之间的距离。
    • PF本地化会用到该测量结果。、

  • 推荐相关阅读：概率机器人学：http://www.probabilistic-robotics.org/

3.4 直方图滤波本地化

  • 图解：


    直方图滤波本地化

https://github.com/AtsushiSakai/PythonRoboticsGifs/raw/master/Localization/histogram_filter/animation.gif

  • 算法说明：

    • 该算法是利用直方图滤波器（Histogram filter）实现二维本地化的例子。
    • 红十字是实际位置，黑点是RFID的位置。
    • 蓝色格子是直方图滤波器的概率位置。
    • 在该模拟中，x，y是未知数，yaw已知。
    • 滤波器整合了速度输入和从RFID获得距离观测数据进行本地化。
    • 不需要初始位置。

  • 推荐相关阅读：概率机器人学：http://www.probabilistic-robotics.org/

四、映射

4.1 高斯网格映射

  • 图解：


    高斯网格映射
  • 算法说明：本算法是二维高斯网格映射（Gaussian grid mapping）的例子。
4.2 光线投射网格映射

  • 图解：
    光线投射网格映射
  • 算法说明：本算法是二维光线投射网格映射（Ray casting grid map）的例子。
4.3 k均值物体聚类

  • 图解：


    k均值物体聚类

  • 算法说明：本算法是使用k均值算法进行二维物体聚类的例子。

4.4 圆形拟合物体形状识别

  • 图解：
    圆形拟合物体形状识别

  • 图形说明：

    • 蓝圈是实际的物体形状。

    • 红叉是通过距离传感器观测到的点。

    • 红圈是使用圆形拟合估计的物体形状。

  • 算法说明：本算法是使用圆形拟合进行物体形状识别的例子。

五、SLAM

5.1 迭代最近点匹配

  • 图解：
    迭代最近点匹配

  • 算法说明：

    • 本算法是使用单值解构进行二维迭代最近点（Iterative Closest Point，ICP）匹配的例子。
    • 它能计算从一些点到另一些点的旋转矩阵和平移矩阵。

  • 推荐相关阅读：机器人运动介绍：迭代最近点算法
    https://cs.gmu.edu/~kosecka/cs685/cs685-icp.pdf

5.2 EKF SLAM

  • 图解：


    EKF SLAM

  • 算法说明：

    • 这是基于扩展卡尔曼滤波的SLAM示例。
    • 蓝线是真实路径，黑线是导航推测路径，红线是EKF SLAM估计的路径。
    • 绿叉是估计的地标。

  • 推荐相关阅读：概率机器人学：http://www.probabilistic-robotics.org/

5.3 FastSLAM 1.0

  • 图解：


    FastSLAM 1.0

  • 算法说明：

    • 这是用FastSLAM 1.0进行基于特征的SLAM的示例。
    • 蓝线是实际路径，黑线是导航推测，红线是FastSLAM的推测路径。
    • 红点是FastSLAM中的粒子。
    • 黑点是地标，蓝叉是FastLSAM估算的地标位置。

  • 推荐相关阅读：概率机器人学：http://www.probabilistic-robotics.org/

5.4 FastSLAM 2.0

  • 图解：


    FastSLAM 2.0

  • 算法说明：

    • 这是用FastSLAM 2.0进行基于特征的SLAM的示例。
    • 动画的含义与FastSLAM 1.0的情况相同。

  • 推荐相关阅读：

    • 概率机器人学：http://www.probabilistic-robotics.org/
    • Tim Bailey的SLAM模拟： http://www-personal.acfr.usyd.edu.au/tbailey/software/slam_simulations.htm
5.5 基于图的SLAM

  • 图解：


    基于图的SLAM

  • 算法说明：

    • 这是基于图的SLAM的示例。
    • 蓝线是实际路径。
    • 黑线是导航推测路径。
    • 红线是基于图的SLAM估算的路径。
    • 黑星是地标，用于生成图的边。

  • 推荐相关阅读：基于图的SLAM入门：http://www2.informatik.uni-freiburg.de/~stachnis/pdf/grisetti10titsmag.pdf

六、路径规划

6.1 动态窗口方式

  • 图解：


    动态窗口方式

  • 算法说明：这是使用动态窗口方式（Dynamic Window Approach）进行二维导航的示例代码。

  • 推荐相关阅读：用动态窗口方式避免碰撞：https://www.ri.cmu.edu/pub_files/pub1/fox_dieter_1997_1/fox_dieter_1997_1.pdf

6.2 基于网格的搜索

  • 迪杰斯特拉算法

    • 图解：


      迪杰斯特拉算法

    • 算法说明：

    • 这是利用迪杰斯特拉（Dijkstra）算法实现的基于二维网格的最短路径规划。

    • 动画中青色点为搜索过的节点。

  • A*算法

    • 图解：


      A*算法

    • 算法说明：

      • 使用A星算法进行基于二维网格的最短路径规划。
      • 动画中青色点为搜索过的节点。
      • 启发算法为二维欧几里得距离。

  • 势场算法

    • 图解：


      势场算法

    • 算法说明：

      • 使用势场算法进行基于二维网格的路径规划。
      • 动画中蓝色的热区图显示了每个格子的势能。

    • 推荐相关阅读：机器人运动规划：势能函数:https://www.cs.cmu.edu/~motionplanning/lecture/Chap4-Potential-Field_howie.pdf

6.3 模型预测路径生成
  • 路径优化示例

    • 图解：


      路径优化示例

  • 算法说明：算法用于状态晶格规划（state lattice planning）

  • 查找表生成示例

    • 图解：


      查找表生成示例

    • 推荐相关阅读：用于带轮子的机器人的最优不平整地形路径生成:http://journals.sagepub.com/doi/pdf/10.1177/0278364906075328

6.4 状态晶格规划

  • 均匀极性采样（Uniform polar sampling）

    • 图解：


      均匀极性采样

  • 偏差极性采样（Biased polar sampling）

    • 图解：


      偏差极性采样

  • 路线采样（Lane sampling）

    • 图解：


      路线采样
6.5 随机路径图（PRM）规划

  • 图解：


    随机路径图（PRM）规划

  • 算法说明：

    • 这个随机路径图（Probabilistic Road-Map，PRM）规划算法在图搜索上采用了迪杰斯特拉方法。
    • 动画中的蓝点为采样点。
    • 青色叉为迪杰斯特拉方法搜索过的点。
    • 红线为PRM的最终路径。

  • 推荐相关阅读：随机路径图：https://en.wikipedia.org/wiki/Probabilistic_roadmap

6.6 Voronoi路径图规划

  • 图解：


    Voronoi路径图规划

  • 算法说明：

    • 这个Voronoi路径图（Probabilistic Road-Map，PRM）规划算法在图搜索上采用了迪杰斯特拉方法。
    • 动画中的蓝点为Voronoi点。
    • 青色叉为迪杰斯特拉方法搜索过的点。
    • 红线为Voronoi路径图的最终路径。

  • 推荐相关阅读：机器人运动规划：https://www.cs.cmu.edu/~motionplanning/lecture/Chap5-RoadMap-Methods_howie.pdf

6.7 快速搜索随机树（RRT）

  • 基本RRT

    • 图解：


      基本RRT

    • 算法说明：

      • 这是个使用快速搜索随机树（Rapidly-Exploring Random Trees，RRT）的简单路径规划代码。
      • 黑色圆为障碍物，绿线为搜索树，红叉为开始位置和目标位置。

  • RRT*

    • 图解：
      https://github.com/AtsushiSakai/PythonRoboticsGifs/raw/master/PathPlanning/RRTstar/animation.gif

    • 算法说明：

      • 这是使用RRT*的路径规划代码。
      • 黑色圆为障碍物，绿线为搜索树，红叉为开始位置和目标位置。

    • 推荐相关阅读：

      • 最优运动规划的基于增量采样的算法
        https://arxiv.org/abs/1005.0416
      • 最优运动规划的基于采样的算法
        http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.419.5503&rep=rep1&type=pdf

  • 基于Dubins路径的RRT

    • 图解：


      基于Dubins路径的RRT

    • 算法说明：为汽车形机器人提供的使用RRT和dubins路径规划的路径规划算法。

  • 基于Dubins路径的RRT*

    • 图解：


      基于Dubins路径的RRT*

    • 算法说明：为汽车形机器人提供的使用RRT*和dubins路径规划的路径规划算法。

  • 基于reeds-shepp路径的RRT*

    • 图解：
      https://github.com/AtsushiSakai/PythonRoboticsGifs/raw/master/PathPlanning/RRTStarReedsShepp/animation.gif
    • 算法说明：为汽车形机器人提供的使用RRT*和reeds shepp路径规划的路径规划算法。

  • Informed RRT*

    • 图解：


      Informed RRT*

    • 算法说明：

      • 这是使用Informed RRT*的路径规划代码。
      • 青色椭圆为Informed RRT*的启发采样域。

    • 推荐相关阅读：

      • Informed RRT*：通过对可接受的椭球启发的直接采样实现最优的基于采样的路径规划
        https://arxiv.org/pdf/1404.2334.pdf

  • 批量Informed RRT*

    • 图解：


      批量Informed RRT*

    • 算法说明：这是使用批量Informed RRT*的路径规划代码。

    • 推荐相关阅读：

      • 批量Informed树（BIT*）：通过对隐含随机几何图形进行启发式搜索实现基于采样的最优规划
        https://arxiv.org/abs/1405.5848

  • 闭合回路RRT*

    • 图解：


      闭合回路RRT*

    • 算法说明：

      • 这段代码里，转向控制用的是纯追迹算法（pure-pursuit algorithm）。
      • 速度控制采用了PID。

    • 推荐相关阅读：

      • 使用闭合回路预测在复杂环境内实现运动规划
        http://acl.mit.edu/papers/KuwataGNC08.pdf）
      • 应用于自动城市驾驶的实时运动规划
        http://acl.mit.edu/papers/KuwataTCST09.pdf
      • [1601.06326]采用闭合回路预测实现最优运动规划的基于采样的算法
        https://arxiv.org/abs/1601.06326

  • LQR-RRT*

    • 图解：


      LQR-RRT*

    • 算法说明：

      • 这是个使用LQR-RRT*的路径规划模拟。
      • LQR局部规划采用了双重积分运动模型。

    • 推荐相关阅读：

      • LQR-RRT*：使用自动推导扩展启发实现最优基于采样的运动规划
        http://lis.csail.mit.edu/pubs/perez-icra12.pdf
      • MahanFathi/LQR-RRTstar：LQR-RRT*方法用于单摆相位中的随机运动规划
        https://github.com/MahanFathi/LQR-RRTstar
6.8 三次样条规划

  • 图解：


    第一阶段
第二阶段
第三阶段
  • 算法说明：
    • 这是段三次路径规划的示例代码。
    • 这段代码根据x-y的路点，利用三次样条生成一段曲率连续的路径。
    • 每个点的指向角度也可以用解析的方式计算。
  • 推荐相关阅读：
6.9 B样条规划

  • 图解：


    B样条规划

  • 算法说明：

    • 这是段使用B样条曲线进行规划的例子。
    • 输入路点，它会利用B样条生成光滑的路径。
    • 第一个和最后一个路点位于最后的路径上。

  • 推荐相关阅读：B样条
    https://en.wikipedia.org/wiki/B-spline

6.10 Eta^3样条路径规划

  • 图解：


    Eta^3样条路径规划

  • 算法说明：这是使用Eta ^ 3样条曲线的路径规划。

  • 推荐相关阅读：

    • eta^3-Splines for the Smooth Path Generation of Wheeled Mobile Robots
      https://ieeexplore.ieee.org/document/4339545/
6.11 贝济埃路径规划

  • 图解：


    第一阶段
第二阶段
  • 算法说明：
    • 贝济埃路径规划的示例代码。
    • 根据四个控制点生成贝济埃路径。
    • 改变起点和终点的偏移距离，可以生成不同的贝济埃路径【第二阶段】
  • 推荐相关阅读：
    • 根据贝济埃曲线为自动驾驶汽车生成曲率连续的路径
      http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.294.6438&rep=rep1&type=pdf
6.12 五次多项式规划

  • 图解：


    五次多项式规划

  • 算法说明：它能根据五次多项式计算二维路径、速度和加速度。

  • 推荐相关阅读：
    • 用于Agv In定位的局部路径规划和运动控制
      http://ieeexplore.ieee.org/document/637936/
6.13 Dubins路径规划

  • 图解：


    Dubins路径规划

  • 推荐相关阅读：

    • Dubins路径
      https://en.wikipedia.org/wiki/Dubins_path
6.14 Reeds Shepp路径规划

  • 图解：


    027.gif

  • 推荐相关阅读：

    • 15.3.2 Reeds-Shepp曲线
      http://planning.cs.uiuc.edu/node822.html
    • 用于能前进和后退的汽车的最优路径
      https://pdfs.semanticscholar.org/932e/c495b1d0018fd59dee12a0bf74434fac7af4.pdf
    • ghliu/pyReedsShepp：实现Reeds Shepp曲线
      https://github.com/ghliu/pyReedsShepp
6.15 基于LQR的路径规划

  • 图解：


    基于LQR的路径规划

  • 算法说明：为双重积分模型使用基于LQR的路径规划的示例代码。

6.16 Frenet Frame中的最优路径

  • 图解：


    Frenet Frame中的最优路径

  • 算法说明：

    • 这段代码在Frenet Frame中生成最优路径。
    • 青色线为目标路径，黑色叉为障碍物。
    • 红色线为预测的路径。

  • 推荐相关阅读：

    • Frenet Frame中的动态接到场景中的最优路径生成
      https://www.researchgate.net/profile/Moritz_Werling/publication/224156269_Optimal_Trajectory_Generation_for_Dynamic_Street_Scenarios_in_a_Frenet_Frame/links/54f749df0cf210398e9277af.pdf
    • Frenet Frame中的动态接到场景中的最优路径生成
      https://www.youtube.com/watch?v=Cj6tAQe7UCY

七、路径跟踪

7.1 姿势控制跟踪

  • 图解：


    姿势控制跟踪

  • 算法说明：这是姿势控制跟踪的模拟。

  • 推荐相关阅读：

    • Robotics, Vision and Control - Fundamental Algorithms In MATLAB® Second, Completely Revised, Extended And Updated Edition | Peter Corke | Springer
      https://www.springer.com/us/book/9783319544120
7.2 纯追迹跟踪

  • 图解：


    纯追迹跟踪
  • 算法说明：
    • 使用纯追迹（pure pursuit）转向控制和PID速度控制的路径跟踪模拟。
    • 红线为目标路线，绿叉为纯追迹控制的目标点，蓝线为跟踪路线。
  • 推荐相关阅读：
    • 城市中的自动驾驶汽车的运动规划和控制技术的调查
      https://arxiv.org/abs/1604.07446
7.3 史坦利控制

  • 图解：


    史坦利控制

  • 算法说明：使用史坦利（Stanley）转向控制和PID速度控制的路径跟踪模拟。

  • 推荐相关阅读：

    • 史坦利：赢得DARPA大奖赛的机器人
      http://robots.stanford.edu/papers/thrun.stanley05.pdf
    • 用于自动驾驶机动车路径跟踪的自动转向方法
      https://www.ri.cmu.edu/pub_files/2009/2/Automatic_Steering_Methods_for_Autonomous_Automobile_Path_Tracking.pdf
7.4 后轮反馈控制

  • 图解：


    后轮反馈控制

  • 算法说明：利用后轮反馈转向控制和PID速度控制的路径跟踪模拟。

  • 推荐相关阅读：

    • 城市中的自动驾驶汽车的运动规划和控制技术的调查
      https://arxiv.org/abs/1604.07446
7.5 线性二次regulator（LQR）转向控制

  • 图解：


    线性二次regulator（LQR）转向控制

  • 算法说明：使用LQR转向控制和PID速度控制的路径跟踪模拟。

  • 推荐相关阅读：

    • ApolloAuto/apollo：开源自动驾驶平台
      https://github.com/ApolloAuto/apollo
7.6 线性二次regulator（LQR）转向和速度控制

  • 图解：


    线性二次regulator（LQR）转向和速度控制

  • 算法说明：使用LQR转向和速度控制的路径跟踪模拟。

  • 推荐相关阅读：

    • 完全自动驾驶：系统和算法 - IEEE会议出版物
      http://ieeexplore.ieee.org/document/5940562/
7.7 模型预测速度和转向控制

  • 图解：https://github.com/AtsushiSakai/PythonRoboticsGifs/raw/master/PathTracking/model_predictive_speed_and_steer_control/animation.gif

  • 算法说明：使用迭代线性模型预测转向和速度控制的路径跟踪模拟。

  • 推荐相关阅读：

    • 车辆动态和控制 | Rajesh Rajamani | Springer
      http://www.springer.com/us/book/9781461414322
    • MPC课程资料 - MPC Lab @ UC-Berkeley
      http://www.mpc.berkeley.edu/mpc-course-material

八、项目支持

  • 项目地址：https://github.com/AtsushiSakai/PythonRobotics

  • 打赏：通过Patreon（https://www.patreon.com/myenigma）对该项目进行经济支持

你可能感兴趣的:(一文洞悉Python必备的50种算法)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • 情绪觉察日记第37天 露露_e800
    今天是家庭关系规划师的第二阶最后一天，慧萍老师帮我做了个案，帮我处理了埋在心底好多年的一份恐惧，并给了我深深的力量！这几天出来学习，爸妈过来婆家帮我带小孩，妈妈出于爱帮我收拾东西，并跟我先生和婆婆产生矛盾，妈妈觉得他们没有照顾好我…。今晚回家见到妈妈，我很欣赏她并赞扬她，妈妈说今晚要跟我睡我说好，当我们俩躺在床上准备睡觉的时候，我握着妈妈的手对她说:妈妈这几天辛苦你了，你看你多利害把我们的家收拾得
  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
    功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
  • 关于沟通这件事，项目经理不需要每次都面对面进行 流程大师兄
    很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 铭刻于星（四十二） 随风至
    69夜晚，绍敏同学做完功课后，看了眼房外，没听到动静才敢从书包的夹层里拿出那个心形纸团。折痕压得很深，都有些旧了，想来是已经写好很久了。绍敏同学慢慢地、轻轻地捏开折叠处，待到全部拆开后，又反复抚平纸张，然后仔细地一字字默看。只是开头的三个字是第一次看到，让她心漏跳了几拍。“亲爱的绍敏：从四年级的时候，我就喜欢你了，但是我一直不敢说，怕影响你学习。六年级的时候听说有人跟你表白，你接受了，我很难过，但
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 想家 爆米花机
    也许不同于大家对家乡的思念，我对家乡甚至是疯狂的不舍。还未踏出车站就感觉到幸福，我享受这里的夕阳、这里的浓烈柴火味、这里每一口家常菜。我是宅女，我贪恋家的安逸。刚刚踏出大学校门，初出茅庐，无法适应每年只能国庆和春节回家。我焦虑、失眠、无端发脾气，是无法适应工作的节奏，是无法接受我将一步步离开家乡的事实。我不想承认自己胸无大志，选择再次踏上征程。图片发自App
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
    本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
  • C语言宏函数 南林yan C语言c语言
    一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 谢谢你们，爱你们！ 鹿游儿
    昨天家人去泡温泉，二个孩子也带着去，出发前一晚，匆匆下班，赶回家和孩子一起收拾。饭后，我拿出笔和本子（上次去澳门时做手帐的本子）写下了1\2\3\4\5\6\7\8\9,让后让小壹去思考，带什么出发去旅游呢？她在对应的数字旁边画上了，泳衣、泳圈、肖恩、内衣内裤、tapuy、拖鞋……画完后，就让她自己对着这个本子，将要带的，一一带上，没想到这次带的书还是这本《便便工厂》(晚上姑婆发照片过来，妹妹累得
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux运维
    理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 2021年12月19日，春蕾教育集团团建活动感受——黄晓丹 黄错错加油
    感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
  • Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断 尐尐呅
    结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 瑶池防线 谜影梦蝶
    冥华虽然逃过了影梦的军队，但他是一个忠臣，他选择上报战况。败给影梦后成逃兵，高层亡尔还活着，七重天失守......随便一条，即可处死冥华。冥华自然是知道以仙界高层的习性此信一发自己必死无疑，但他还选择上报实情，因为责任。同样此信送到仙宫后，知道此事的人，大多数人都认定冥华要完了，所以上到仙界高层，下到扫大街的，包括冥华自己，全都准备好迎接冥华之死。如果仙界现在还属于两方之争的话，冥华必死无疑。然而
  • 爬山后遗症 璃绛
    爬山，攀登，一步一步走向制高点，是一种挑战。成功抵达是一种无法言语的快乐，在山顶吹吹风，看看风景，这是从未有过的体验。然而，爬山一时爽，下山腿打颤，颠簸的路，一路向下走，腿部力量不够，走起来抖到不行，停不下来了！第二天必定腿疼，浑身酸痛，坐立难安！
  • java数字签名三种方式 知了ing javajdk
    以下3钟数字签名都是基于jdk7的 1，RSA String password="test"; // 1.初始化密钥 KeyPairGenerator keyPairGenerator = KeyPairGenerator.getInstance("RSA"); keyPairGenerator.initialize(51
  • Hibernate学习笔记 caoyong Hibernate
    1>、Hibernate是数据访问层框架，是一个ORM(Object Relation Mapping)框架，作者为:Gavin King 2>、搭建Hibernate的开发环境      a>、添加jar包:      aa>、hibernatte开发包中/lib/required/所
  • 设计模式之装饰器模式Decorator（结构型） 漂泊一剑客 Decorator
    1. 概述        若你从事过面向对象开发，实现给一个类或对象增加行为，使用继承机制，这是所有面向对象语言的一个基本特性。如果已经存在的一个类缺少某些方法，或者须要给方法添加更多的功能（魅力），你也许会仅仅继承这个类来产生一个新类—这建立在额外的代码上。      
  • 读取磁盘文件txt，并输入String 一炮送你回车库 String
    public static void main(String[] args) throws IOException {    String fileContent = readFileContent("d:/aaa.txt");    System.out.println(fileContent);   
  • js三级联动下拉框 3213213333332132 三级联动
    //三级联动 省/直辖市<select id="province"></select> 市/省直辖<select id="city"></select> 县/区 <select id="area"></select>
  • erlang之parse_transform编译选项的应用 616050468 parse_transform游戏服务器属性同步abstract_code
             最近使用erlang重构了游戏服务器的所有代码，之前看过C++/lua写的服务器引擎代码，引擎实现了玩家属性自动同步给前端和增量更新玩家数据到数据库的功能，这也是现在很多游戏服务器的优化方向，在引擎层面去解决数据同步和数据持久化，数据发生变化了业务层不需要关心怎么去同步给前端。由于游戏过程中玩家每个业务中玩家数据更改的量其实是很少
  • JAVA JSON的解析 darkranger java
    // { // “Total”：“条数”， // Code: 1, // // “PaymentItems”:[ // { // “PaymentItemID”:”支款单ID”, // “PaymentCode”:”支款单编号”, // “PaymentTime”:”支款日期”, // ”ContractNo”:”合同号”， //
  • POJ-1273-Drainage Ditches aijuans ACM_POJ
    POJ-1273-Drainage Ditches http://poj.org/problem?id=1273 基本的最大流，按LRJ的白书写的 #include<iostream> #include<cstring> #include<queue> using namespace std; #define INF 0x7fffffff int ma
  • 工作流Activiti5表的命名及含义 atongyeye 工作流Activiti
    activiti5 - http://activiti.org/designer/update在线插件安装 activiti5一共23张表 Activiti的表都以ACT_开头。 第二部分是表示表的用途的两个字母标识。 用途也和服务的API对应。 ACT_RE_*: 'RE'表示repository。 这个前缀的表包含了流程定义和流程静态资源 （图片，规则，等等）。 A
  • android的广播机制和广播的简单使用 百合不是茶 android广播机制广播的注册
          Android广播机制简介 在Android中，有一些操作完成以后，会发送广播，比如说发出一条短信，或打出一个电话，如果某个程序接收了这个广播，就会做相应的处理。这个广播跟我们传统意义中的电台广播有些相似之处。之所以叫做广播，就是因为它只负责“说”而不管你“听不听”，也就是不管你接收方如何处理。另外，广播可以被不只一个应用程序所接收，当然也可能不被任何应
  • Spring事务传播行为详解 bijian1013 javaspring事务传播行为
            在service类前加上@Transactional，声明这个service所有方法需要事务管理。每一个业务方法开始时都会打开一个事务。         Spring默认情况下会对运行期例外(RunTimeException)进行事务回滚。这
  • eidtplus operate 征客丶 eidtplus
    开启列模式: Alt+C 鼠标选择   OR   Alt+鼠标左键拖动 列模式替换或复制内容(多行): 右键-->格式-->填充所选内容-->选择相应操作 OR Ctrl+Shift+V(复制多行数据,必须行数一致) -------------------------------------------------------
  • 【Kafka一】Kafka入门 bit1129 kafka
    这篇文章来自Spark集成Kafka(http://bit1129.iteye.com/blog/2174765)，这里把它单独取出来，作为Kafka的入门吧   下载Kafka http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.10-0.8.1.1.tgz 2.10表示Scala的版本，而0.8.1.1表示Kafka
  • Spring 事务实现机制 BlueSkator spring代理事务
    Spring是以代理的方式实现对事务的管理。我们在Action中所使用的Service对象，其实是代理对象的实例，并不是我们所写的Service对象实例。既然是两个不同的对象，那为什么我们在Action中可以象使用Service对象一样的使用代理对象呢？为了说明问题，假设有个Service类叫AService，它的Spring事务代理类为AProxyService，AService实现了一个接口
  • bootstrap源码学习与示例：bootstrap-dropdown（转帖） BreakingBad bootstrapdropdown
    bootstrap-dropdown组件是个烂东西，我读后的整体感觉。 一个下拉开菜单的设计： <ul class="nav pull-right"> <li id="fat-menu" class="dropdown">
  • 读《研磨设计模式》-代码笔记-中介者模式-Mediator bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /* * 中介者模式（Mediator）：用一个中介对象来封装一系列的对象交互。 * 中介者使各对象不需要显式地相互引用，从而使其耦合松散，而且可以独立地改变它们之间的交互。 * * 在我看来，Mediator模式是把多个对象（
  • 常用代码记录 chenjunt3 UIExcelJ#
      1、单据设置某行或某字段不能修改 //i是行号,"cash"是字段名称 getBillCardPanelWrapper().getBillCardPanel().getBillModel().setCellEditable(i, "cash", false); //取得单据表体所有项用以上语句做循环就能设置整行了 getBillC
  • 搜索引擎与工作流引擎 comsci 算法工作搜索引擎网络应用
          最近在公司做和搜索有关的工作，(只是简单的应用开源工具集成到自己的产品中)工作流系统的进一步设计暂时放在一边了，偶然看到谷歌的研究员吴军写的数学之美系列中的搜索引擎与图论这篇文章中的介绍，我发现这样一个关系(仅仅是猜想)   -----搜索引擎和流程引擎的基础--都是图论，至少像在我在JWFD中引擎算法中用到的是自定义的广度优先
  • oracle Health Monitor daizj oracleHealth Monitor
    About Health Monitor Beginning with Release 11g, Oracle Database includes a framework called Health Monitor for running diagnostic checks on the database. About Health Monitor Checks Health M
  • JSON字符串转换为对象 dieslrae javajson
        作为前言,首先是要吐槽一下公司的脑残编译部署方式,web和core分开部署本来没什么问题,但是这丫居然不把json的包作为基础包而作为web的包,导致了core端不能使用,而且我们的core是可以当web来用的(不要在意这些细节),所以在core中处理json串就是个问题.没办法,跟编译那帮人也扯不清楚,只有自己写json的解析了.   
  • C语言学习八结构体，综合应用，学生管理系统 dcj3sjt126com C语言
    实现功能的代码： # include <stdio.h> # include <malloc.h> struct Student { int age; float score; char name[100]; }; int main(void) { int len; struct Student * pArr; int i,
  • vagrant学习笔记 dcj3sjt126com vagrant
    想了解多主机是如何定义和使用的, 所以又学习了一遍vagrant   1. vagrant virtualbox 下载安装 https://www.vagrantup.com/downloads.html https://www.virtualbox.org/wiki/Downloads   查看安装在命令行输入vagrant     2.
  • 14.性能优化-优化-软件配置优化 frank1234 软件配置性能优化
    1.Tomcat线程池 修改tomcat的server.xml文件： <Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" maxThreads="1200" m
  • 一个不错的shell 脚本教程 入门级 HarborChung linuxshell
    一个不错的shell 脚本教程 入门级 建立一个脚本 　　Linux中有好多中不同的shell，但是通常我们使用bash (bourne again shell) 进行shell编程，因为bash是免费的并且很容易使用。所以在本文中笔者所提供的脚本都是使用bash（但是在大多数情况下，这些脚本同样可以在 bash的大姐，bourne shell中运行）。 　　如同其他语言一样
  • Spring4新特性——核心容器的其他改进 jinnianshilongnian spring动态代理spring4依赖注入
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • Linux设置tomcat开机启动 liuxingguome tomcatlinux开机自启动
    执行命令sudo gedit /etc/init.d/tomcat6 然后把以下英文部分复制过去。（注意第一句#!/bin/sh如果不写，就不是一个shell文件。然后将对应的jdk和tomcat换成你自己的目录就行了。 #!/bin/bash # # /etc/rc.d/init.d/tomcat # init script for tomcat precesses
  • 第13章 Ajax进阶（下） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Troubleshooting Crystal Reports off BW blueoxygen BO
    http://wiki.sdn.sap.com/wiki/display/BOBJ/Troubleshooting+Crystal+Reports+off+BW#TroubleshootingCrystalReportsoffBW-TracingBOE   Quite useful, especially this part: SAP BW connectivity For t
  • Java开发熟手该当心的11个错误 tomcat_oracle javajvm多线程单元测试
    #1、不在属性文件或XML文件中外化配置属性。比如，没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中，还是UAT（用户验收 测试）环境中，都可以顺畅无阻地运行，但是一旦部署在PROD 上，把它作为多线程程序处理更大的数据集时，就会抛出IOException，原因可能是JDBC驱动版本不同，也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置，那么使它成为
  • 正则表达式大全 yang852220741 html编程正则表达式
    今天向大家分享正则表达式大全，它可以大提高你的工作效率 正则表达式也可以被当作是一门语言，当你学习一门新的编程语言的时候，他们是一个小的子语言。初看时觉得它没有任何的意义，但是很多时候，你不得不阅读一些教程，或文章来理解这些简单的描述模式。 一、校验数字的表达式 数字：^[0-9]*$ n位的数字：^\d{n}$ 至少n位的数字：^\d{n,}$ m-n位的数字：^\d{m,n}$
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他