YS生活誌

這次去日本旅遊，逛唐吉軻德意外發現高CP的降噪耳機。 TaoTronics這牌子本來就是強調高性價比的降噪耳機。 這款帶回來的TT BH083目前只有在日本發售，折換成台幣大約才兩千多而已。 包裝簡單大方，支援藍芽與插線，充電也蠻快的，也能接聽電話。 個人戴起來頗舒適，音質也很好，降躁功能有效降低機械式鍵盤的聲音。 大推推!!

這應該算是很冷門的需求，剛好有個機台layout的圖片要轉成網頁，又要在裡面塞值。 用前端刻不知道要花多少時間，只好先這樣擋一下。 首先寫個CSS body{ } .divForText {     position: absolute;     z-index: inherit;     top: 110px;     left: 296px;     width: 83px;     height: 28px; } 在aspx頁面引用CSS並在div套用 <link href="css/StyleSheet.css" rel="stylesheet" /> <div class="divForText"> <asp:Label ID="lbl" runat="server" Text="test" Font-Size="XX-Large"></asp:Label> </div> 之後在可以在前端設計頁面，用滑鼠拉到圖片中想要的位置。

python程式若開機後執行一次就直接透過下面方法，若要開機後固定時間執行一次，可使用while跟sleep搭配使用。 這邊邏輯是把執行.py寫成一個bat檔在放到Windows的啟動資料夾中，開機時便會自動啟用。 bat檔可以參考一下code: cd C:\users\Desktop\      call activate tensorflow-gpu call python test.py 首先先移到你檔案所在資料夾， 機活你的運行環境，因為我的程式有用到tensorflow需要機活，最後在執行.py程式。                                                  建.bat檔只要開個記事本把上面寫進去另存成.bat即可。 要找到開始資料夾可以按"開始"+R，會跳出"執行"，輸入shell:startup，再把你的.bat放入此資料夾就完成了。

先到控制台→程式與功能→開啟或關閉Windows功能→Internet Information Services 將IIS主控台與應用程式開發宮內的ASP.NET打開。 之後打開IIS管理員裡面有一個預設的站台，跳出此畫面表示建立成功。 接下來把你的ASP.NET專案加進去。可以選擇新增應用程式或新增站台 我這邊使用新增應用程式，即在預設的站台內，選擇後取個別名，實體路徑選擇有web config的那層即可。 最後記得要將那層資料夾→內容→安全性那 把使用者名稱加入 Everyone 不然可能會遇到權限不足的問題，另外Web config內記得加上 <customErrors mode="Off" />

web socket是一種網路通訊協定。 參考wiki有以下優點。 較少的控制開銷。在連接建立後，伺服器和用戶端之間交換資料時，用於協定控制的封包頭部相對較小。在不包含擴充的情況下，對於伺服器到用戶端的內容，此頭部大小只有2至10位元組（和封包長度有關）；對於用戶端到伺服器的內容，此頭部還需要加上額外的4位元組的遮罩。相對於HTTP請求每次都要攜帶完整的頭部，此項開銷顯著減少了。 更強的即時性。由於協定是全雙工的，所以伺服器可以隨時主動給用戶端下發資料。相對於HTTP請求需要等待用戶端發起請求伺服器端才能回應，延遲明顯更少；即使是和Comet等類似的長輪詢比較，其也能在短時間內更多次地傳遞資料。 保持連接狀態。與HTTP不同的是，Websocket需要先建立連接，這就使得其成為一種有狀態的協定，之後通訊時可以省略部分狀態資訊。而HTTP請求可能需要在每個請求都攜帶狀態資訊（如身分認證等）。 更好的二進位支援。Websocket定義了二進位影格，相對HTTP，可以更輕鬆地處理二進位內容。 可以支援擴充。Websocket定義了擴充，用戶可以擴充協定、實現部分自訂的子協定。如部分瀏覽器支援 壓縮 等。 更好的壓縮效果。相對於HTTP壓縮，Websocket在適當的擴充支援下，可以沿用之前內容的 上下文 ，在傳遞類似的資料時，可以顯著地提高壓縮率。 簡單講更輕量，也同步，下面就用C#的方法寫一個client端的web socket。 先去Nuget下載WebSocketSharp套件,透過下面語法便可與server端連線，傳送的值我把它包成json。 using WebSocketSharp;             //透過websocketclient傳送資料             var ws = new WebSocket("ws://140.110.148.87:8080/websocket/test");             ws.Connect();      ...

這篇實作LSTM多對一的模型，顧名思義就是用過去多筆資料去預測未來一筆。 整個處理流程可分為 1.讀取資料 2.正規化資料(較會收斂) 3.切割訓練集 4.打亂資料順序(訓練結果可更好) 5.建模型 6.最佳化並評估訓練結果 以下直接用程式範例說明 import pandas as pd import numpy as np from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten, LSTM, TimeDistributed, RepeatVector import mysql.connector from keras import optimizers from keras.callbacks import EarlyStopping #讀資料 xls_file = pd.ExcelFile('A.xlsx') df = xls_file.parse('sheet1') data=df #正規化 def normalize(train):   train_norm = train.apply(lambda x: (x - np.mean(x)) / (np.max(x) - np.min(x)))   return train_norm data=normalize(data) #切訓練集，24筆去預測未來1筆，Y_train就是你要預測的參數。 def buildTrain(train, pastDay, futureDay):   X_train, Y_train = [], []   for i in range(train.shape[0]-futureDay-pastDay):     X_train.append(np.array(train.iloc[i:i+pastDay]))     Y_train.append(np.array(train.iloc[i+pastDay:i+pastDay+futureDay]["goal"]))   retur...

相關係數被用來 用於度量兩個變數X和Y之間的相關 程度（線性相依），其值介於-1與1之間。在自然科學領域中，該係數廣泛用於度量兩個變數之間的線性相依程度。 再資料科學中，前處理步驟可先用來觀察參數間的關係，可幫助找到對目標參數影響較大的變數。 下面就用python實作係數矩陣視覺化。 import pandas as pd import matplotlib.pyplot as mp, seaborn #讀資料 xls_file = pd.ExcelFile('A.xlsx') df = xls_file.parse('sheet1') data=df print(df) #視覺化 df_corr = df.corr() seaborn.heatmap(df_corr, center=0, annot=True) mp.show() dataframe長這樣 相關係數矩陣