将多个commit rebase合并为一个提交

1 查看日志

查看需要汇总几个commit的,记下最旧的id或者倒数第几个,然后选择reset 或者rebase方法

例如下面有5个提交,想要把从3到5的提交汇总在一起作为一次提交,得到 1 2 6{3 4 5的汇总}

git reflog
05a3854 (HEAD -> main) HEAD@{4}: commit: 5
e125d52 HEAD@{5}: commit: 4
ec70c06 HEAD@{6}: commit: 3
a4621de HEAD@{7}: commit: 2
065dc62 HEAD@{8}: commit (initial): 1
继续阅读“将多个commit rebase合并为一个提交”

ubuntu下软件版本升级

有时某软件依赖高版本的另一个软件,但有时不提供二进制安装包,还要make编译,配置编译环境就可以劝退99%的人。可以试试能否通过添加源进行升级,实在不行再编译源码安装。以升级git为例,介绍一下操作命令。

1、检查更新

apt update

2、查看是否有更新

apt list –upgradable

如果有更新,执行下面的命令更新

apt install git

3、但是如果运行了发现没有更新

添加ppa源

add-apt-repository ppa:git-core/ppa

4、执行更新

apt update

5、再试一下

apt install git

二次型与矩阵对应关系

f(x)=a11x12+a22x22++annxn2+2a12x1x2+2a13x1x3++2an1,nxn1xn 观察各个项,行和列按x1,x2,x3,,xnx_1,x_2,x_3,\cdots,x_n的顺序排列成表格,每个格子内为行列相乘的项,平方项恰在对角线位置,其他项放在对角线上三角区域,可以得到下面方阵: x1x2x3xnx1a11x122a12x1x22a13x1x32a1nx1xnx20a22x222a23x2x32a2nx2xnx300a33x322a3nx3xnxn000annxn2 如果把像 2a12,2a13,,2a(n1)n2a_{12} , 2a_{13},\dots,2a_{(n-1)n} 这样的2倍的系数沿着对角线对称的位置拆分放置,即a12=a21,a13=a31,,a(n1)n=an(n1)a_{12}=a_{21} , a_{13}=a_{31},\dots,a_{(n-1)n}=a_{n(n-1)},那么可以得到下面的样子:

继续阅读“二次型与矩阵对应关系”

矩阵对角化

一、什么样的n阶矩阵才能对角化?

先说结论 {a.特征值无重根b.有重根{b.1.厄米特矩阵(Hermitian),特别的对称实数矩阵b.2.非厄矩阵{b.2.1.几何重数=代数重数b.2.2.几何重数≠代数重数

定理1:

λ1,λ2,,λm\lambda_1,\lambda_2,\dots,\lambda_m 是方阵AA的m个特征值,p1,p2,,pmp_1,p_2,\dots,p_m依次是与之对应的特征向量,如果λ1,λ2,,λm\lambda_1,\lambda_2,\dots,\lambda_m各不相等,则p1,p2,,pmp_1,p_2,\dots,p_m线性无关。

继续阅读“矩阵对角化”

韦达公式推导

一元n次方程 anxn+an1xn1+...+a1x+a0=0 \begin{align} a_nx^n + a_{n-1}x^{n-1} + … + a_1x + a_0 = 0 \end{align} 的根为x1,x2,...,xnx_1, x_2, …, x_n,其中an0a_n \neq 0。 那么(1)式可以写成下面的形式: an(xx1)(xx2)...(xxn)=0 \begin{align} a_n(x – x_1)(x – x_2)…(x – x_n) = 0 \end{align}

将其展开,并观察多项式系数,xn1x_{n-1}的系数: (x1+x2+...+xn)an-(x_1 + x_2 + … + x_n)a_n 常数项: (1)nx1x2...xn1an(-1)^nx_1x_2…x_{n-1}a_n

比较常数项和xn1x_{n-1}的系数,可以得到: a0=(1)nx1x2...xn1anan1=(x1+x2+...+xn)an \begin{aligned} a_0 &=(-1)^nx_1x_2…x_{n-1}a_n \\ a_{n-1} &=-(x_1 + x_2 + … + x_n)a_n \end{aligned}

\therefore i=1nxi=x1x2...xn1an=(1)na0ani=1nxi=x1+x2+...+xn=an1an \begin{equation} \begin{aligned} &\prod_{i=1}^nx_i=x_1x_2…x_{n-1}a_n=\frac{(-1)^{n}{a_0}}{a_n} \\ &\sum_{i=1}^nx_i=x_1 + x_2 + … + x_n = -\frac{a_{n-1}}{a_n} \end{aligned} \end{equation}

这就是一元n次方程的韦达公式。

针对网店卖家的新型网络诈骗

网购已经成了大多数年轻人购物主要途径。作为买家网购价格实惠,方便快捷,手机下单在家坐等送货上门即可。作为卖家只需利用业余时间就可以赚一些零花钱,所以越来越多的年轻人开起了网店。网购平台无论是为买家还是卖家都提供了便利。

然而就在大家享受便利的同时,不法分子已经悄悄盯上了网购平台的漏洞,从中牟取非法利益。经过多年的完善和发展,网购平台对买家已经有完善的保护策略。已经有效的避免了不发货、错货、包裹丢失等等情况,并且平台要求卖家交一定的保证金,用于赔付买家的损失。卖家也为了改善购物体验,吸引更多的买家大都提供包邮且7天无理由退货。正是包邮和7天无理由退货政策,为一些不法分子提供了可乘之机。

以淘宝为例,淘宝要求必须在规定的时间内完成发货、退款等操作,否者赔付买家保证金,不法分子看到了里面的商机。据有关数据统计淘宝天猫卖家大概有3000万卖家,但是活跃性卖家只有20%,其他80%都是不太活跃的小卖家。正是这些不活跃的卖家成为了不法分子的主要攻击目标。

继续阅读“针对网店卖家的新型网络诈骗”

卷积神经网络(分类网络)

卷积神经网络是一种前馈神经网络,用于图片分类的卷积网络一般包含两部分:卷积部分和全链接部分。

卷积部分将传统的卷积操作中卷积核的值当成了训练的对象,并加入了池化层,激活层,专门用来提取图片特征。全链接部分就是普通的神经网络,前面以图片特征为输入,后面加上softmax层来输出每个类的概率。

继续阅读“卷积神经网络(分类网络)”
腾讯云图