辨别真假数据科学家必备手册:深度学习45个基础问题(附答案)


0?wx_fmt=jpeg

简介


早在2009年,深度学习还只是一个新兴领域,只有少数人认为它是一个多产的研究方向。今天,深度学习正在被用来开发那些过去被认为是不可能完成的应用。

语音识别,图像识别,数据中的模式识别,照片中的对象分类,字符文本生成,自动驾驶汽车等等只是其中几个示例。因此,熟悉深度学习及其概念显得尤为重要。

在这个测试中,我们考察了社区成员的深度学习基本概念。总共有1070人参加了这项技能测试。

如果你错过了这次测试,下面这些问题就是你检查自身技能水平的好机会。

0?wx_fmt=png


总体结果


下面是成绩的分布图,有助您评估自己的表现。

0?wx_fmt=png


你可以在这里获取到全部的成绩,超过200人参加了这项测试,最高得分是35分。这里是成绩分布的统计描述:


总体分布

平均分: 16.45

中位数: 20

众数: 0

看起来很多人很晚才开始比赛,或者只回答了几个题目就没有继续下去。我并不知道确切的原因,可能是测试题目对大多数参与者过于困难。

如果你对这个现象背后的原因有任何洞见,欢迎联系我们。

有用的资源


·Fundamentals of Deep Learning – Starting with Artificial Neural Network(https://www.analyticsvidhya.com/blog/2016/03/introduction-deep-learning-fundamentals-neural-networks/)

·Practical Guide to implementing Neural Networks in Python (using Theano)(https://www.analyticsvidhya.com/blog/2016/04/neural-networks-python-theano/)

·A Complete Guide on Getting Started with Deep Learning in Python(https://www.analyticsvidhya.com/blog/2016/08/deep-learning-path/)

·Tutorial: Optimizing Neural Networks using Keras (with Image recognition case study)(https://www.analyticsvidhya.com/blog/2016/10/tutorial-optimizing-neural-networks-using-keras-with-image-recognition-case-study/)

·An Introduction to Implementing Neural Networks using TensorFlow(https://www.analyticsvidhya.com/blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/)

题目和答案


1

神经网络模型(Neural Network)因受人脑的启发而得名。

0?wx_fmt=png

神经网络由许多神经元(Neuron)组成,每个神经元接受一个输入,处理它并给出一个输出。这里是一个真实的神经元的图解表示。下列关于神经元的陈述中哪一个是正确的?

0?wx_fmt=png

  1. 一个神经元只有一个输入和一个输出

  2. 一个神经元有多个输入和一个输出

  3. 一个神经元有一个输入和多个输出

  4. 一个神经元有多个输入和多个输出

  5. 上述都正确

答案:(E)

一个神经元可以有一个或多个输入,和一个或多个输出。

2

下图是一个神经元的数学表达

0?wx_fmt=png

神经元的组成部分表示为:

-       x1, x2,…, xN:表示神经元的输入。可以是输入层的实际观测值,也可以是某一个隐层(Hidden Layer)的中间值

-       w1, w2,…,wN:表示每一个输入的权重

-       bi:表示偏差单元(bias unit)。作为常数项加到激活函数的输入当中,和截距(Intercept)项相似

-       a:代表神经元的激励(Activation),可以表示为

0?wx_fmt=png

-       y:神经元输出

考虑上述标注,线性等式(y = mx + c)可以被认为是属于神经元吗:

A.        是

B.        否

答案:(A)

一个不包含非线性的神经元可以看作是线性回归函数(Linear Regression Function)。  

3

假设在一个神经元上实现和(AND)函数,下表是和函数的表述

X1

X2

X1 AND X2

0

0

0

0

1

0

1

0

0

1

1

1

激活函数为:

0?wx_fmt=png

0?wx_fmt=png

权重(Weights)和偏差(Bias)哪一组是正确的?

(提示:对哪一组w1, w2, b神经元可以实现AND函数)

A. Bias = -1.5, w1 = 1, w2 = 1

B. Bias = 1.5, w1 = 2, w2 = 2

C. Bias = 1, w1 = 1.5, w2 = 1.5

D. 以上都不正确

答案:(A)

1. f(-1.5*1 + 1*0 + 1*0) = f(-1.5) = 0

2. f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0

3. f(-1.5*1 + 1*1 + 1*0) = f(-0.5) = 0

4.  f(-1.5*1 + 1*1+ 1*1) = f(0.5) = 1

带入测试值,A选项正确


4

多个神经元堆叠在一起构成了神经网络,我们举一个例子,用神经网络模拟同或门(XNOR)。

0?wx_fmt=png


你可以看见最后一个神经元有两个输入。所有神经元的激活函数是:

0?wx_fmt=png

假设X1是0,X2是1,神经网络的输出是什么?

  1. 0

  2. 1

答案:(A)

a1输出: f(0.5*1 + -1*0 + -1*1) = f(-0.5) = 0

a2输出: f(-1.5*1 + 1*0 + 1*1) = f(-0.5) = 0

a3输出: f(-0.5*1 + 1*0 + 1*0) = f(-0.5) = 0

正确答案是A

5

在一个神经网络里,知道每一个神经元的权重和偏差是最重要的一步。如果以某种方法知道了神经元准确的权重和偏差,你就可以近似任何函数。实现这个最佳的办法是什么?

  1. 随机赋值,祈祷它们是正确的

  2. 搜索所有权重和偏差的组合,直到得到最佳值

  3. 赋予一个初始值,通过检查跟最佳值的差值,然后迭代更新权重

  4. 以上都不正确

答案:(C)

选项C是对梯度下降的描述。

6

梯度下降算法的正确步骤是什么?

  1. 计算预测值和真实值之间的误差

  2. 迭代跟新,直到找到最佳权重

  3. 把输入传入网络,得到输出值

  4. 初始化随机权重和偏差

  5. 对每一个产生误差的神经元,改变相应的(权重)值以减小误差

A. 1, 2, 3, 4, 5

B. 5, 4, 3, 2, 1

C. 3, 2, 1, 5, 4

D. 4, 3, 1, 5, 2

答案:(D)

选项D是正确的 

7

假设你有输入x,y,z,值分别是-2,5,-4。你有神经元q和f,函数分别为q = x + y,f = q * z。函数的图示如下图:

0?wx_fmt=png

F对x,y和z的梯度分别是?(提示:计算梯度,你必须找到df/dx, df/dy和df/dz)

A. (-3,4,4)

B. (4,4,3)

C. (-4,-4,3)

D. (3,-4,-4)

答案:(C)

选项C是正确的。

8

现在回顾之前的内容。我们学到了:

-       大脑是有很多叫做神经元的东西构成,神经网络是对大脑的粗糙的数学表达。

-       每一个神经元都有输入、处理函数和输出。

-       神经元堆叠起来形成了网络,用作近似任何函数。

-       为了得到最佳的神经网络,我们用梯度下降方法不断更新模型

给定上述关于神经网络的描述,什么情况下神经网络模型被称为深度学习模型?

  1. 加入更多层,使神经网络的深度增加

  2. 有维度更高的数据

  3. 当这是一个图形识别的问题时

  4. 以上都不正确

答案:(A)

更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型,目前如果有超过2层的隐层,那么也可以及叫做深度模型。 

9

神经网络可以认为是多个简单函数的堆叠。假设我们想重复下图所示的决策边界

0?wx_fmt=png

使用两个简单的输入h1和h2

0?wx_fmt=png

最终的等式是什么?

A. (h1 AND NOT h2) OR (NOT h1 AND h2)

B. (h1 OR NOT h2) AND (NOT h1 OR h2)

C. (h1 AND h2) OR (h1 OR h2)

D. None of these

答案:(A)

你可以看见,巧妙地合并h1和h2可以很容易地得到复杂的等式。参见这本书的第九章。 

10

卷积神经网络可以对一个输入完成不同种类的变换(旋转或缩放),这个表述正确吗?

  1. 正确

  2. 错误

答案:(B)

数据预处理(也就是旋转、缩放)步骤在把数据传入神经网络之前是必要的,神经网络自己不能完成这些变换。

11

下列哪一种操作实现了和神经网络中Dropout类似的效果?

A. Bagging

B. Boosting

C. 堆叠(Stacking)

D. 以上都不正确

答案:(A)

Dropout可以认为是一种极端的Bagging,每一个模型都在单独的数据上训练,通过和其他模型对应参数的共享,模型的参数都进行了很强的正则化。参见这里。

12

下列哪哪一项在神经网络中引入了非线性?

  1. 随机梯度下降

  2. 修正线性单元(ReLU)

  3. 卷积函数

  4. 以上都不正确

答案:(B)

修正线性单元是非线性的激活函数。 

13

训练神经网络过程中,损失函数在一些时期(Epoch)不再减小

0?wx_fmt=png

原因可能是:

  1. 学习率(Learning rate)太低

  2. 正则参数太大

  3. 卡在了局部最小值

在你看来哪些是可能的原因?

A. 1 and 2

B. 2 and 3

C. 1 and 3

D. 都不是

答案:(D)

以上原因都可能造成这个结果。

14

下列哪项关于模型能力(model capacity)的描述是正确的?(指模型能近似复杂函数的能力)

  1. 隐层层数增加,模型能力增加

  2. Dropout的比例增加,模型能力增加

  3. 学习率增加,模型能力增加

  4. 都不正确

答案:(A)

只有选项A正确。 

15

如果增加多层感知机(Multilayer Perceptron)的隐层层数,测试集的分类错误会减小。这种陈述正确还是错误?

  1. 正确

  2. 错误

答案:(B)

并不总是正确。过拟合可能会导致错误增加。  

16

构建一个神经网络,将前一层的输出和它自身作为输入。

 

0?wx_fmt=png

下列哪一种架构有反馈连接?

  1. 循环神经网络

  2. 卷积神经网络

  3. 限制玻尔兹曼机

  4. 都不是

答案:(A)

选项A正确。

17

在感知机中(Perceptron)的任务顺序是什么?

  1. 初始化随机权重

  2. 去到数据集的下一批(batch)

  3. 如果预测值和输出不一致,改变权重

  4. 对一个输入样本,计算输出值

A. 1, 2, 3, 4

B. 4, 3, 2, 1

C. 3, 1, 2, 4

D. 1, 4, 3, 2

答案:(D)

顺序D是正确的。

18

假设你需要改变参数来最小化代价函数(cost function),可以使用下列哪项技术?

A.        穷举搜索

B.        随机搜索

C.        Bayesian优化

D.        以上任意一种

答案:(D)

以上任意种技术都可以用来更新参数。

19

在哪种情况下,一阶梯度下降不一定正确工作(可能会卡住)?

A.  

0?wx_fmt=png

B.    

0?wx_fmt=png

C.

0?wx_fmt=png

D. 以上都不正确

答案:(B)

这是鞍点(Saddle Point)的梯度下降的经典例子。 

20

训练好的三层卷积神经网络的精确度(Accuracy)vs 参数数量(比如特征核的数量)的图示如下。

0?wx_fmt=png

从图中趋势可见,如果增加神经网络的宽度,精确度会增加到一个阈值,然后开始降低。这一现象的可能是什么原因是造成的?

  1. 即便核数量(number of kernels)增加,只有一部分核被用于预测

  2. 当核数量增加,神经网络的预测功效(Power)降低

  3. 当核数量增加,其相关性增加,导致过拟合

  4. 以上都不正确

答案:(C)

如C选项指出的那样,可能的原因是核之间的相关性。

21

假设我们有一个隐层神经网络,如上所示。隐层在这个网络中用于降维。现在我们并不是采用这个隐层,而是使用例如主成分分析(Principal Component Analysis, PCA)的降维技术。

0?wx_fmt=png

使用降维技术的网络与隐层网络总是有相同的输出吗?

A.是

B.否

答案:(B)

因为PCA用于相关特征而隐层用于有预测能力的特征

22

可以用神经网络对函数(y=1/x)建模吗?

A.是

B.否

答案:(A)

选项A是正确的,因为激活函数可以是互反函数

23

下列哪个神经网络结构会发生权重共享?

A.卷积神经网络

B.循环神经网络

C.全连接神经网络

D.选项A和B

答案:(D)

24

批规范化是有帮助的,因为

A.在将所有的输入传递到下一层之前对其进行归一化(更改)

B.它将返回归一化的权重平均值和标准差

C.它是一种非常有效的反向传播技术

D.这些均不是

答案:(A)

要详细了解批规范化,请参阅此视频。

25

我们不是想要绝对零误差,而是设置一个称为贝叶斯(bayes)误差(我们希望实现的误差)的度量。使用贝叶斯(bayes)误差的原因是什么?

A.输入变量可能不包含有关输出变量的完整信息

B.系统(创建输入-输出映射)可以是随机的

C.有限的训练数据

D.所有

答案:(D)

想在现实中实现准确的预测,是一个神话,所以我们的希望应该放在实现一个“可实现的结果”上。

26

在监督学习任务中,输出层中的神经元的数量应该与类的数量(其中类的数量大于2)匹配。对或错?

A.正确

B.错误

答案:(B)

它取决于输出编码。如果是独热编码(one-hot encoding) 则正确。但是你可以有两个输出囊括四个类,并用二进制值表示出来(00,01,10,11)。

27

在神经网络中,以下哪种技术用于解决过拟合?

A.Dropout

B.正则化

C.批规范化

D.所有

答案:(D)

所有的技术都可以用于处理过拟合。

28

Y = ax^2 + bx + c(二次多项式)

这个方程可以用具有线性阈值的单个隐层的神经网络表示吗?

A.是

B.否

答案:(B)

答案为否。因为简单来说,有一个线性阈值限制神经网络就会使它成为一个相应的线性变换函数。

29

神经网络中的死神经元(dead unit)是什么?

A.在训练任何其它相邻单元时,不会更新的单元

B.没有完全响应任何训练模式的单元

C.产生最大平方误差的单元

D.以上均不符合

答案:(A)

30

以下哪项是对早期停止的最佳描述?

A.训练网络直到达到误差函数中的局部最小值

B.在每次训练期后在测试数据集上模拟网络,当泛化误差开始增加时停止训练

C.在中心化权重更新中添加一个梯度下降加速算子,以便训练更快地收敛

D.更快的方法是反向传播,如‘Quickprop’算法

答案:(B)

31

如果我们使用的学习率太大该怎么办?

A.网络将收敛

B.网络将无法收敛

C.不确定

答案:(B)

选项B正确,因为错误率会变得不稳定并且达到非常大的值

32

图1所示的网络用于训练识别字符H和T,如下所示:

0?wx_fmt=png

网络的输出是什么?

A.

0?wx_fmt=png

B.

0?wx_fmt=png

C.

0?wx_fmt=png

D.可能是A或B,取决于神经网络的权重

答案:(D)

不知道神经网络的权重和偏差是什么,则无法评论它将会给出什么样的输出。

33

假设在ImageNet数据集(对象识别数据集)上训练卷积神经网络。然后给这个训练模型一个完全白色的图像作为输入。这个输入的输出概率对于所有类都是相等的。对或错?

A.正确

B.错误

答案:(B)

将存在一些不为白色像素激活的神经元作为输入,所以类不会相等。

34

当在卷积神经网络中添加池化层(pooling layer)时,变换的不变性保持稳定,这样的理解是否正确?

A.正确

B.错误

答案:(A)

使用池化时会导致出现不变性。

35

Q35.当数据太大而不能同时在RAM中处理时,哪种梯度技术更有优势?

A.全批量梯度下降(Full Batch Gradient Descent )

B.随机梯度下降(Stochastic Gradient Descent)

答案:(B)

36

该图表示,使用每个训练时期的激活函数,-训练有四个隐藏层的神经网络梯度流。神经网络遭遇了梯度消失问题。

0?wx_fmt=png

下列哪项正确?

A.隐藏层1对应于D,隐藏层2对应于C,隐藏层3对应于B,隐藏层4对应于A

B.隐藏层1对应于A,隐藏层2对应于B,隐藏层3对应于C,隐藏层4对应于D

答案:(A)

这是对消失梯度描述的问题。由于反向传播算法进入起始层,学习能力降低。

37

对于分类任务,我们不是将神经网络中的随机权重初始化,而是将所有权重设为零。下列哪项是正确的?

A.没有任何问题,神经网络模型将正常训练

B.神经网络模型可以训练,但所有的神经元最终将识别同样的事情

C.神经网络模型不会进行训练,因为没有净梯度变化

D.这些均不会发生

答案:(B)

38

开始时有一个停滞期,这是因为神经网络在进入全局最小值之前陷入局部最小值。

0?wx_fmt=png

为了避免这种情况,下面的哪个策略有效?

A.增加参数的数量,因为网络不会卡在局部最小值处

B.在开始时把学习率降低10倍,然后使用梯度下降加速算子(momentum)

C.抖动学习速率,即改变几个时期的学习速率

D.以上均不是

答案:(C)

选项C可以将陷于局部最小值的神经网络提取出来。

39

对于图像识别问题(比如识别照片中的猫),神经网络模型结构更适合解决哪类问题?

A.多层感知器

B.卷积神经网络

C.循环神经网络

D.感知器

答案:(B)

卷积神经网络将更好地适用于图像相关问题,因为考虑到图像附近位置变化的固有性质。

40

假设在训练时,你遇到这个问题。在几次迭代后,错误突然增加。

0?wx_fmt=png

您确定数据一定有问题。您将数据描绘出来,找到了原始数据有点偏离,这可能是导致出现问题的地方。

0?wx_fmt=png

你将如何应对这个挑战?

A.归一化

B.应用PCA然后归一化

C.对数据进行对数变换

D.以上这些都不符合

答案:(B)

首先您将相关的数据去掉,然后将其置零。

41

以下哪项是神经网络的决策边界?

0?wx_fmt=png

A) B

B) A

C) D

D) C

E) 以上所有

答案:(E)

神经网络被称为通用函数拟合器(universal function approximator),所以它理论上可以表示任何决策边界。 

42

在下面的图中,我们观察到错误有许多“起伏”,我们该为此而担心吗?

A.是,因为这意味着神经网络的学习速率有问题。

B.否,只要训练和验证错误累积减少,我们就不必担心。

答案:(B)

选项B是正确的,为了减少这些“起伏”,可以尝试增加批尺寸(batch size)

43

什么是影响神经网络的深度选择的因素?

1.神经网络的类型,例如:多层感知机(Multi-Layer Perceptrons, MLP),卷积神经网络(Convolutional Neural Networks, CNN)

2.输入数据

3.计算能力,即硬件和软件能力

4.学习率

5.输出函数映射

A. 1, 2, 4, 5

B. 2, 3, 4, 5

C. 1, 3, 4, 5

D. 以上均是

答案:(D)

所有上述因素对于选择神经网络模型的深度都是重要的。

44

考虑这种情况:您尝试解决的问题有少量的数据。幸运的是,您有一个之前训练过的针对类似问题的神经网络模型。您将使用以下哪种方法来使用该预先训练的模型?

A.对于新的数据集重新训练模型

B.在每一层评估模型如何执行,只选择其中的一些

C.只微调最后几层

D.冻结除最后一层之外的所有层,重新训练最后一层

答案:(D)

如果数据集大部分相似,最好的方法是只训练最后一层,因为前面的所有层都用于特征提取。

45

增大卷积核的大小必然会提高卷积神经网络的性能。

A.正确

B.错误

答案:(B)

增加核函数的大小不一定会提高性能。这个问题在很大程度上取决于数据集。

原文发布时间为:2017-02-27

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/290247.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

redis总结笔记

为什么80%的码农都做不了架构师?>>> 1、Redis的介绍和安装部署 NOSQL 》 Not Only SQL NOSQL以key-value形式存储 特点:非关系型、分布式、开源的、水平可扩展 NOSQL: 数据高并发读写 对海量数据的高效率存储和访问 对数据的搞可扩展性和高可用性 Redi…

go kegg_GO,KEGG富集分析工具——DAVID

DAVID(https://david.ncifcrf.gov/home.jsp)是一个生物信息数据库,整合了生物学数据和分析工具,为大规模的基因或蛋白列表(成百上千个基因ID或者蛋白ID列表)提供系统综合的生物功能注释信息,帮助用户从中提取生物学信息。DAVID目前的工具可以…

更轻易地实现 Jwt Token

更轻易地实现一个 Jwt ServerIntro最近在多个项目中都有用到 Jwt Token 认证,就想着把之前项目里 Jwt Token 的使用封装一下,以便于之后集成起来更加地方便,不用再拷贝代码了JWTJWT 是 JSON Web Token 的缩写,是目前最流行的基于 …

android之实现各个组件点击事件处理

android之实现各个组件点击事件处理&#xff1a;注意&#xff1a;&#xff08;TextView这个组件要点击产生效果的话&#xff0c;要设置&#xff0c;android:clickable"true"这个属性&#xff09;布局&#xff1a;layout/activity_main.xml<LinearLayout xmlns:and…

Android开发最佳实践《IT蓝豹》

Android开发最佳实践 移动开发Android经验分享应用GoogleMaterial Design摘要&#xff1a;前 段时间&#xff0c;Google公布了Android开发最佳实践的一系列课程&#xff0c;涉及到一些平时开发过程中应该保持的良好习惯以及如何使用最新的Android Design Support Library来快速…

.NET MAUI 已在塔架就位 ,4月份发布RC

最美人间三月天&#xff0c;春光不负赶路人。在充满无限希望的明媚春天里&#xff0c;一路风雨兼程的.NET 团队正奋力实现新的突破。根据计划&#xff0c;新一代移动开发平台MAUI 将于4月份 发布RC。目前&#xff0c;MAUI的测试工作和火箭发射前各项准备工作在github 上按计划有…

如何把照片正面变成反面_没有锁边机如何做衣服(五种方法)

这么多年一直没有锁边机&#xff0c;但是也做了很多衣服&#xff0c;今天给大家分享一些我曾经用过的方法。来去缝来去缝适合缝制轻薄面料&#xff0c;如雪纺、真丝、欧根纱等。反反相对&#xff0c;缝份0.5厘米把缝份剪掉0.2厘米翻过来使正面相对&#xff0c;留0.5厘米的缝份车…

linux线程池资料

2019独角兽企业重金招聘Python工程师标准>>> http://www.360doc.com/content/13/0728/13/13308646_303116654.shtml http://blog.csdn.net/turkeyzhou/article/details/8755976 http://blog.csdn.net/zhoubl668/article/details/8927090 http://blog.csdn.net/zypue…

Xamarin效果第二篇之公众号App

前面简单摸索一下Xamarin然后简单做了一个时间轴;这不这几天再次基于Xamarin实现了一下公众号App;我也就是瞎折腾,闲话不多扯,上效果:主Page直接用TabbedPage(类似WPF中的TabControl)然后后台添加内容Page:”互动“页使用CollectionView和模板选择器&#xff1a;"发表&quo…

K8S原来如此简单(一)K8S核心组件与基本原理

k8s视频课程K8S核心组件与工作原理k8s官方文档&#xff1a;https://kubernetes.io/zh/docs/home/前提掌握容器技术&#xff1a;Docker&#xff0c;Containerd等K8S优势使用简单&#xff0c;少量人/小团队可以轻松维护大型分布式系统全面拥抱微服务架构&#xff0c;快速迭代&…

docker supervisor管理进程

Supervisor管理进程Docker容器在启动的时候开启单个进程&#xff0c;比如&#xff0c;一个ssh或者apache的daemon服务。但我们经常需要在一个机器上开启多个服务&#xff0c;这可以有很多方法&#xff0c;最简单的就是把多个启动命名放到一个启动脚本里面&#xff0c;启动的时候…

理解Linux系统中的load average

一、什么是load average&#xff1f;linux系统中的Load对当前CPU工作量的度量 (WikiPedia: the system load is a measure of the amount of work that a computer system is doing)。也有简单的说是进程队列的长度。Load Average 就是一段时间 (1 分钟、5分钟、15分钟) 内平均…

【贯穿】.NET6结合Docker傻瓜式实现容器编排

常规开发部署的痛点一个项目的开发上线有很多纷繁复杂的问题&#xff0c;例如&#xff1a;操作系统运行环境以及各种应用配置、集群环境搭建等等。特别是各种版本的迭代导致的不兼容&#xff0c;这些对于曾经的架构师而言也十分苦恼。而Docker的出现实现了从“蚂蚁搬家”到“乾…

bootstrapt 表格自适应_一起聊B端设计 - 如何设计表格?

一、 数据查看让我们先来回顾一下表格的基本构成&#xff0c;最上面的为表头&#xff0c;横为行&#xff0c;纵为列&#xff0c;内容区每一组展示数据区域为单元格。 表格的设计&#xff0c;虽然看似简单&#xff0c;但是作为用户最常用的组件之一&#xff0c;我们需要对视觉和…

.NET 6 攻略大全(二)

点击上方蓝字关注我们&#xff08;本文阅读时间&#xff1a;15分钟)接上篇内容&#xff0c;本篇文章将介绍&#xff1a;Arm64、容器、支持 OpenTelemetry 指标、Windows Forms 的相关攻略。 Arm64这些天来&#xff0c;对于笔记本电脑、云硬件和其他设备来说&#xff0c;Arm64 令…

ubuntu 开启 apache mod_rewrite

2019独角兽企业重金招聘Python工程师标准>>> ci里需要隐藏index.php的输入需要使用apache的rewrite模块,按照下面的步骤开启mod_rewrite http://www.dev-metal.com/enable-mod_rewrite-ubuntu-14-04-lts/ 转载于:https://my.oschina.net/u/1177171/blog/354202

composer切换源_Composer具体安装方法

composer 作为依赖管理工具&#xff0c;使用频率还是挺高的。特别是对于我这种比较懒的程序猿&#xff0c;有现成轮子的时候坚决不自己重复造轮子。它主要有三部分构成&#xff1a;命令行工具&#xff0c;包仓库&#xff0c;代码库。包仓库就是我们常说的 composer 源&#xff…

C# 操作FireBird 附源码

写了一个C#操作firebird数据库的小Demo&#xff0c;有需要的可以研究研究, 步骤&#xff1a; 1.创建数据库 2.建数据表&#xff0c;插入数据&#xff0c;并读取、 写的时候碰到N多奇葩问题&#xff0c;记录了一些 解决方案&#xff1a; 程序集-生成-目标平台 改成 x86 源码地址…

.NET 6 攻略大全(三)

点击上方蓝字关注我们&#xff08;本文阅读时间&#xff1a;15分钟).NET 6 继续与大家相约周日啦。本篇文章将介绍&#xff1a;单文件应用、IL 修整、System.Text.Json、源代码构建、库AIP的相关攻略。 单文件应用 在 .NET 6中&#xff0c;已为 Windows 和 macOS 启用内存中单文…

测试眉形的有哪个软件_这五款自动化软件测试工具,你最喜欢用哪个?

对测试自动化的依赖性增加导致大量自动化软件测试工具的出现&#xff0c;使得很难确定哪些是最好的。为了帮助您完成自动化工作&#xff0c;我们根据自己和他人的经验创建了五大最佳自动化软件测试工具列表。1. SeleniumSelenium可以说是web开发人员和测试人员中最受欢迎的自动…