1.问题描述：

在created中发送异步请求，拿到数据，之后传递给lineChart1。

在mounted中调用this.$echarts.init(document.getElementById('main')).setOption(this.lineChart1)

进行图表绘制。

页面展示发现，图表绘制的数据为在data中初始化的静态数据，并非从接口拿到的真实数据。

Flutter是谷歌推出的开源移动应用开发框架，只要一套代码就可以构建测试和发布，适用于移动Web桌面嵌入式平台应用，是一个跨端的平台开发框架。

原生的开发优势：速度快 用户体验好；缺点：开发成本高，不同平台上需要维护不同的代码，动态化（有新功能的话 就要发版）

移动端跨平台技术演进：

基于事件驱动 非阻塞异步编程

同步&异步解释：去邻居家敲门，人不在，一直在门口等待邻居回来，这就是同步的；去敲门，人不在，留下一个消息就走了，邻居回来看到消息，打电话给你，你再去，这就是异步。

运行结果与浏览器端的控制台一致，因为它与Chrome的底层都是基于V8

node中没有windows的全局变量，但是它有global，process，console，require()，module，exports，setTimeout，clearTimeout，setInterval，clearInterval

项目背景：
后端基于flask框架使用Python编写，前端基于Vue进行构建。
后端接口是ipv4,接口地址（http://10.222.23.111:5000）。由于不在同一个局域网下，前端无法通过此接口访问到数据,因此我要进行联调只能通过向日葵远程操控后端服务器开启的电脑。
在联调过程中，发现CORS跨域问题。

跨域：同源策略。协议，域名，端口号三者有一不同就是跨域。

比如说A网站有一个js脚本是向B网站发送一个请求，如果没有跨域安全，用户就在不知不觉之间在B网站执行了一个请求，如果请求是取钱什么的，损失就会很大，所以后端默认是A网站只接受来自A网站的请求，拒绝B网站的请求。前后端分离之后，前端的端口和后端的端口不是一个端口，意味着不是同一个站点，所以会被默认的跨域安全拦截掉。

基于WebAssembly和QuickJS建设新一代Web开放容器

• 基于WebAssembly + QuickJS保障 JS 执行的隔离和可控

  • QuickJS-debug: 官方QuickJS还不支持调试能力，但是有开源的类似库
  • WebAssembly 目前还不支持协同能力，需要基于 unwind & rewind 机制释放和恢复调用栈

• 基于Shadow DOM + iframe 做到样式隔离

• 基于 CSP 解决内容安全访问

前言

• 深度学习和机器学习的区别

  • 深度学习需要大量的训练数据集。随着数据量的增加，深度学习算法的性能会越来越好，但是机器学习在后期会趋于水平
  • 训练深度神经网络需要大量的算力（强大的GPU）

• 算法代表

  • 机器学习
    • 朴素贝叶斯
    • 决策树等
  • 深度学习
    • 神经网络

安装过程

• 小程序官网 –> 登录 –> 设置 –> 插件 –> 添加插件
• npm init –> install @tensorflow/tfjs-converter 和 @tensorflow/tfjs-core 以及 fetch-wechat
• 小程序开发工具 –> 工具 –> 构建npm
• 按照官网开发文档在app.json中进行声明 以及 在app.js的onLaunch中调用插件

创建camera对象和canvas对象

通过camera对象获取实时的姿势动作，传给后台模型去处理，处理结果通过canvas对象进行显示。

• 创建camera对象

• 在<camera>...</camera>中添加canvas对象

CNN入门–dropout正则化

背景：机器学习模型中，存在过拟合的问题。如果模型参数太多，训练样本太少，训练出来的模型很容易产生过拟合，几乎不能用。为了解决过拟合，一般会用多个模型集成的方式，即训练多个模型进行组合再训练，这种方式虽然能解决过拟合问题，但是会带来计算费时的新问题。

2012年，Hinton在《Improving neural networks by preventing co-adaptation of feature detectors》中提出Dropout。随后Hinton，Alex等人在《ImageNet Classification with Deep Convolutional Neural Networks》中使用Dropout算法，用于防止过拟合问题，论文中提到的AlexNet网络模型引发了CNN应用的热潮，使得CNN成为图像分类应用领域中的核心模型。

大家好，我先做了一个简单的自我介绍。我叫苏玉璠，来自计算机学院的软件工程专业，大四学生。2019年12月，获得国家励志奖学金和第十七届程序设计大赛C++组 校赛 二等奖；2021年4月，获得第十二届蓝桥杯Java软件开发组 省赛 二等奖；2021年5月，同时拿到爱奇艺 同程艺龙 墨墨 方正以及腾讯云前端开发岗位的实习offer，最后选择了接受腾讯云的offer，于2021年6月份开始实习，9月份通过实习答辩拿到腾讯云的转正offer。同时获得了学院的保研名额，现保研到西安科技大学计算机学院。
分5个方面，1、我眼中的西科大 2、大学四年的生活体验 3、竞赛实习的见闻趣事 4、就业与深造的个人见解 5、未来发展的规划蓝图

先说说我眼中的西科大。

开发环境准备

• 安装python 傻瓜式安装（记得勾选上pip）

  cmd输入python 出现版本号 并且可以出现>>> 即时交互式命令行界面 就代表安装成功

• 检查pip安装 pip --version

• 安装Tensorflowpip install tensorflow

  cmd输入python打开命令行窗口

  1 2	import tensorflow print(tensorflow.__version__)

  输出版本号 即安装成功