YS生活誌

遠聞有香草味，近聞有果香，入口些許嗆辣感，中段有點苦味，餘韻喉嚨會回甘，吸吐氣時還能感受到香氣在體內🥃

簡單記錄一下讀取excel import pandas as pd xls_file = pd.ExcelFile('AAA.xlsx') df = xls_file.parse('工作表1') print(df) print(df.columns)

用古典杯以冰塊為底，依序加入15ml的杏仁香甜酒與30ml的蘇格蘭威士忌，攪拌後即可。 名稱來自很喜歡的同名電影「教父」，入口威士忌出來的微微嗆辣苦澀代表現實生活的艱辛，回韻杏仁的香味與甜味表示回顧一生仍有許多美好，尤其是對家族的照顧，與整部電影主軸相互輝映🥃

利口酒的一種，杏仁味不重但很香，不敢喝杏仁茶但這味道可接受，入口像飲料沒啥酒味與嗆辣感，直接喝過甜，可加水、冰塊或牛奶，大多女性應該可接受，適合當飯後甜點來飲用🍹

最近架了個MySQL Server，用mysql workbench都連得到，但用C#程式要連時，跳出以下錯誤 Fatal error encountered during command execution 後來查了一下，在connectstring中加了"Allow User Variables=True;"就解決了 連線字串可參考(config) <add key="ConnString" value="SERVER = xxx.xx.xxx.xx; DATABASE = xxx; User ID = xxx; PASSWORD = xxxxxxxx; SslMode=none; Connect Timeout=3600;Allow User Variables=True;" /> 程式後端可這樣讀string，並抓資料         public static DataTable GetData(string sql)         {             //連接字串             String conString = System.Configuration.ConfigurationManager.AppSettings["ConnString"];             //取得MySQLConnection             MySqlConnection conn = new MySqlConnection();             conn.ConnectionString = conString;             DataTable dt = new DataTable();             MySqlDataAdapter adapter = new MySqlDataAdapter(sql, conn);             adapter.Fill(dt);             return dt;         }

好市多入手八百多塊 第一罐艾雷島威士忌 bunnahabhain stiuireadair 布納哈本 海洋之舵雙雪莉桶 艾雷島入門款沒有泥煤味，遠聞花草香近聞果香，入口也有有果香味，但消失的很快只剩下滿滿的海鹽味，配海鮮食物應該蠻適合的🥃調酒的話搭蔓越梅汁也蠻適合🍷

會遇到這個需求是需要後端撈DB資料傳給前端javascript畫圖使用，提供一個方法可達到此功能。 後端 using System.Web.Script.Serialization; protected string value = "test"; public static class JavaScript {       public static string Serialize(object o)       {           JavaScriptSerializer js = new JavaScriptSerializer();           return js.Serialize(o);       } } 前端 <script type="text/javascript">     var value = <%=JavaScript.Serialize(this.value) %>; </script>

當訓練好模型後，想要找到與訓練異常的資料，只要將資料餵進模型中，再將MSE依降序排列，並設定門檻值。 門檻值可以取top N或 訓練集MSE最大值等等方法，端看應用情境。 下面python keras程式碼一樣簡單示意。 import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt import mysql.connector import pandas as pd from keras.models import Model from keras.layers import Dense, Input from sklearn import preprocessing from sklearn.metrics import mean_squared_error from keras.models import load_model #抓取資料 cnx = mysql.connector.connect(user='xxx', password='xxx',                               host='xxx',                               database='xxx') cursor = cnx.cursor() query = ("SELECT id, q, p, t,angle FROM xxx  ") cursor = cnx.cursor(buffered=True) cursor.execute(query) num_fields = len(cursor.description) field_names = [i[0] for i in cursor.description] result_set = cursor.fetchall() cursor.close() #cnx.close() df=pd.DataFrame(result_set) df

一般認為自動編碼器用來降維，減少資料複雜度。 其另一用途可被應用在半監督式學習的異常偵測上。 基本概念為 拿一群狗的圖片進去訓練模型 原圖>壓縮>復原 模型目標希望復原圖片跟原圖失真越小越好， 當你拿一群狗資料進行訓練，就可以得到一個對狗圖片有很強的壓縮解壓縮的模型。 今天當有異常資料近來，例如貓的照片進這模型再復原，照常理來說其失真程度較高，因此可以用 mean-square error 來當作異常分數。 以下附上簡單用python keras實作的訓練模型程式碼，範例指用了424的自動邊碼器模型，大家可自行增加units與layers來得到更佳的偵測模型。 import numpy as np from keras.models import Sequential from keras.layers import Dense import matplotlib.pyplot as plt import mysql.connector import pandas as pd from keras.models import Model from keras.layers import Dense, Input from sklearn import preprocessing from sklearn.metrics import mean_squared_error from sklearn.model_selection import StratifiedKFold from sklearn.cross_validation import train_test_split #讀取資料 看你的資料再資料庫還是csv cnx = mysql.connector.connect(user='xxx', password='xxx',                               host='xxx',                               database='xxx') cursor = cnx.cursor() query = ("SELECT id, q,p,t,a

套用Updatepanel有做 <asp:AsyncPostBackTrigger ControlID="XXX" EventName="Click" /> 可能會導致jquery失效，可用下列方法來解決，重點為紅字那段 <script type="text/javascript">         var prm = Sys.WebForms.PageRequestManager.getInstance();         prm.add_endRequest(function () {             //重讀一遍jquery             $('#lb_cate').multipleSelect({                 placeholder: "請選擇(可複選)",                 width: '99%',                 selectAll: false,                 //multiple: true,                 //multipleWidth: 150,             });         });     </script>