Django——快捷视图函数
render 使用模板进行渲染
redirect
重定向到一个新的url，也就是说我当前没有渲染的视图，我交给另外一个动作来处理，我提供动作必要的参数。所以传递参数到视图的过程绝对不应该用redirect，而是render。
redirect有多种形式。可以是绝对路径、相对路径、动作（视图）名称 + 必要的参数
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2020-10-13
2_Regression Case Study
Regression：Case Study回归问题 预测 给出特征，预测特征的结果 推荐 一般包括两组对象。描述两组对象之间的关联性。 例如读者+文章的推荐系统。读者的特征敏感度$\theta$+文章特征$x_i$。基于个人浏览记录和文章特征的内容推荐系统，给定后者，训练读者的特征敏感度，然后推荐；基于文章被浏览的记录和读者特征的内容推荐系统，给定前者，训练文章本身的特征，然后推荐；基于协同过滤算法，前者后者都没有，进行推荐。 机器学习的约定 使用上标代表数据集中单条数据的定位。 使用下表代表单条数据中组成元素的定位。 假设函数，即训练模型。 损失函数，是关于参数的函数。 如何实现一个机器学习算法 定义模型，给出假设函数，关于输入输出的函数。 定义损失，给出代价函数，关于参数的函数，输入输出用数据集代替。 梯度下降，最小化代价函数。 问题的导入：预测宝可梦的CP值Estimating the Combat Power(CP) of a pokemon after evolution 我们期望根据已有的宝可梦进化前后的信息，来预测某只宝可梦进化后的cp值的大小 确定...
2021-03-20
10
1.9. 朴素贝叶斯校验者: @Kyrie @Loopy @qinhanmin2014翻译者: @TWITCH 朴素贝叶斯方法是基于贝叶斯定理的一组有监督学习算法，即“简单”地假设每对特征之间相互独立。 给定一个类别 和一个从 到 的相关的特征向量， 贝叶斯定理阐述了以下关系: 使用简单(naive)的假设-每对特征之间都相互独立: 对于所有的 :i 都成立，这个关系式可以简化为 由于在给定的输入中 是一个常量，我们使用下面的分类规则: 我们可以使用最大后验概率(Maximum A Posteriori, MAP) 来估计 和 ; 前者是训练集中类别 的相对频率。 各种各样的的朴素贝叶斯分类器的差异大部分来自于处理 分布时的所做的假设不同。 尽管其假设过于简单，在很多实际情况下，朴素贝叶斯工作得很好，特别是文档分类和垃圾邮件过滤。这些工作都要求 一个小的训练集来估计必需参数。(至于为什么朴素贝叶斯表现得好的理论原因和它适用于哪些类型的数据，请参见下面的参考。) 相比于其他更复杂的方法，朴素贝叶斯学习器...
2021-03-09
Django——关于URL分组匹配问题
**基本原则说明：** - Django会一次匹配列表中的每个URL模式，在遇到第一个请求的URL相匹配的模式时停下来 - 分组传参包括以下内容： - 一个HttpRequest实例。 - 如果正则表达式是无名组，那么正则表达式所匹配的内容将作为位置参数提供给视图。 - 如果正则表达式是命名组，那么正则表达式所匹配的内容将作为关键参数提供给视图。 - 对于GET、POST请求本身的参数不进行匹配。作为扩展参数kwargs提供给视图。 - 如果请求的URL没有匹配到任何一个正则表达式，或者匹配过程中抛出异常，会进行相应的错误处理。 分组参数 关键参数 **匹配分组算法说明：** \> 分组对应参数，是如何传递参数的过程；匹配分组算法，是如何匹配字符串的过程。 - 如果有命名参数，则使用命名参数，忽略非命名参数。 - 否则，将以位置参数传递所有的非命名参数。 - 所有的匹配结果都是字符串 能够通过url函数额外传递多个参数。 终于他妈的明白这种关键参数和位置参数的意思了： 关键...
2019-10-15
第5节 参数点估计
参数的点估计1 参数及其估计假设存在$p(x,\theta)$总体分布簇。将与总体有关的待估计的量看成参数，包括$\theta$和与$\theta$的函数$q(\theta)$。例如总体的数学期望$E(X)$与方差$Var(X)$。 可以将总体的期望和方差看做总体的本身的一种属性。 定义：参数估计用于估计参数$\theta$ 或 $q(\theta)$样本的统计量$T(X_1,X_2,\dotsm,X_n)$称为估计量或估计值。构造统计量$T(x_1,x_2,\dotsm,x_n)$作为参数$q(\theta)$的估计。$$\hat{q}(x_1,x_2,\dotsm,x_n)=T(x_1,x_2,\dotsm,x_n)$$ 2 频率替换原理定义：频率估计n次重复独立实验，每次实验中有m个可能的结果$v_1,v_2,\dotsm,v_i$。每个结果的概率为$p_i$。用$n_i$表示n次独立重复实验中$D_i$发生的次数，则联合分布概率为：$$p(n_1,n_2,\dotsm,n_m)=\frac{n!}{n_1!n_2!\dotsm n_m!}p_1^{...
2024-01-30
08 Template模板
## 内置对象 * `Release`： `Release`对象描述了版本发布本身。包含了以下对象： * `Release.Name`： release名称 * `Release.Namespace`： 版本中包含的命名空间(如果manifest没有覆盖的话) * `Release.IsUpgrade`： 如果当前操作是升级或回滚的话，该值将被设置为 `true` * `Release.IsInstall`： 如果当前操作是安装的话，该值将被设置为 `true` * `Release.Revision`： 此次修订的版本号。安装时是1，每次升级或回滚都会自增 * `Release.Service`： 该service用来渲染当前模板。Helm里始终 `Helm` * `Values`： `Values`对象是从 `values.yaml`文件和用户提供的文件传进模板的。默认为空 * `Chart`： `Chart.yaml`文件内容。 `Chart.yaml`里的所有数据在这里都可以可访问的。比如 `{{ .Chart.Name &...
2021-12-24
nmap
nmap网络探测和安全审核 补充说明nmap命令 是一款开放源代码的网络探测和安全审核工具，它的设计目标是快速地扫描大型网络。 语法1nmap(选项)(参数) 选项123456789101112131415161718192021222324-O：激活操作探测；-P0：值进行扫描，不ping主机；-PT：是同TCP的ping；-sV：探测服务版本信息；-sP：ping扫描，仅发现目标主机是否存活；-ps：发送同步（SYN）报文；-PU：发送udp ping；-PE：强制执行直接的ICMPping；-PB：默认模式，可以使用ICMPping和TCPping；-6：使用IPv6地址；-v：得到更多选项信息；-d：增加调试信息地输出；-oN：以人们可阅读的格式输出；-oX：以xml格式向指定文件输出信息；-oM：以机器可阅读的格式输出；-A：使用所有高级扫描选项；--resume：继续上次执行完的扫描；-P：指定要扫描的端口，可以是一个单独的端口，用逗号隔开多个端口，使用“-”表示端口范围；-e：在多网络接口Linux系统中，指定扫描使用的网络接口；-g：将指定的端口作为源端口进行扫...
