Talkatone美国实体手机号，$0.99永久保号，免费接收短信验证码！免责声明仅供交流学习使用！使用者在使用时，必须遵守当地法律和规定。使用者有责任确保他们的行为符合其所在地区的法律、规章以及其他适用的规定。 Talkatone亮点 零门槛申请、无实名、美国IP（最近申请有点玄学在里面） 美国实体手机号（在号商哪里查的是实体手机号） 0.99美金永久保号（每个月需要发送一次短信） 免费接收短信验证码 免费打电话/发短信给美国号码 可免费更换号码（一次免费的机会） 升级Plus会员，号码永不过期（这个Plus很贵） 一、准备工作美区苹果账号 注册教程在这里 美国IP节点 需要一个比较干净的美国IP，Talkatone对节点的要求比较高，注册比较玄学！ 一个邮箱 最好是谷歌的邮箱 二、注册教程1、下载Talkatone 在苹果商店登录美区的苹果账号（注意：不要在设置里登录账号） Shadowrocket（小火箭）安装！没有的话这个软件，建议买个，售价$2.99 Talkatone下载（今天的主角） 2、开始注册 开启小火箭（注意使用的节点为美国的节点） 打开Talk ...

【零基础】一键搭建3X-UI面板免责声明仅供交流学习使用！使用者在使用时，必须遵守当地法律和规定。使用者有责任确保他们的行为符合其所在地区的法律、规章以及其他适用的规定。 项目地址3X-UI的Github项目地址 （README里面有详细的教程） 一、准备工作1.一台境外VPS主流系统，例如：Debian/Ubuntu/CentOS 整理了一些便宜的VPS（AFF） ：地址 2. 下载并安装FinalShell SSH工具 Windows版下载地址：点此下载 MacOS版下载地址：ARM版和X64版 3. 解析到Cloudflare域名一个（非必须） 国内域名注册商：腾讯云、阿里云、华为云等 优缺点：便宜，但需要实名 国外域名注册商：name、GoDaddy、Spaceship、Porkbun等 优缺点：注册简单、无需实名，支付方式可能麻烦 可以去这个网站比较所有顶级域名的价格 4. V2rayN v2rayN 软件：windows客户端 二、搭建步骤1. 安装更新运行环境 下面环境的安装方式，大家根据自己的系统选择命令安装就好了。 1.1. Debian ...

Proxmox VE (PVE) All-in-One 搭建教程最近整了一个N100的小主机，准备搞个PVE试试 Proxmox VE (PVE)的安装第一部分：硬件与系统准备1. 硬件要求 CPU: 支持虚拟化技术的64位处理器（Intel VT-x / AMD-V） 内存: 至少8GB（建议16GB以上） 存储: 至少120GB SSD（推荐使用SSD+HDD组合） 网络: 至少1个千兆网口（多网口更佳） 2. 下载Proxmox VE ISO镜像访问 Proxmox VE 官网 下载最新版ISO镜像（如Proxmox VE 8.3）。 3. 制作启动U盘使用工具如 Rufus 或 BalenaEtcher 将ISO写入U盘。 第二部分：安装Proxmox VE1. 启动安装程序启动设备并进入 BIOS 设置（开机时狂按DELETE键），方向键选择 Boot 设置，设置 USB 启动为第一优先级，设置完成后，保存并重启！插入U盘，从U盘启动，进入Proxmox安装界面： 同意许可协议。 选择安装目标磁盘（建议使用SSD）。 设置国家、时区、键盘布局。 2. 配置网络 ...

神经网络 (Neural Network)分类、回归和时间序列预测是神经网络的三种主要应用场景，每种场景都有不同的特点。以下是它们各自的特点： 1. 分类特点： 目标：分类任务的目标是将输入数据归为一组离散类别。例如，给定一张动物图片，分类任务的目标是确定这张图片是猫、狗还是其他动物。 输出：分类模型的输出是一个概率分布，通常使用 Softmax 或 Sigmoid 激活函数来表示每个类别的可能性。输出通常是离散值，比如“是”或“否”。 网络结构：分类神经网络通常包括输入层、一个或多个隐藏层以及一个输出层，输出层的神经元数量与类别数量相对应。输出层使用的激活函数通常是 Softmax（用于多分类）或 Sigmoid（用于二分类）。 损失函数：常用的损失函数为交叉熵损失（Cross-Entropy），用于衡量预测的类别概率与实际类别之间的误差。 应用场景：如图像分类、语音识别、文本分类等。 示例： 邮件分类为垃圾邮件或正常邮件。 图像分类任务，如手写数字识别。 2. 回归特点： 目标：回归任务的目标是预测一个连续值。例如，给定房屋的特征，预测房屋的价格。 输出：回归模型的输出是 ...

Python日常使用的自动化脚本 Link Description sort_files 根据文件扩展名将目录中的文件组织到子目录中 remove_empty_folders 删除所有空的文件夹 rename_files 批量重命名目录中的文件 scrape_data 从网站上抓取数据 download_images 从网站批量下载图片 count_words 统计指定文件中的单词总数 find_replace 在文件中查找并替换特定文本 send_personalized_email 向多个收件人发送个性化电子邮件 read_excel 读取和写入Excel文件 remove_duplicates 指定的Excel文件中移除重复的行 resize_image 调整图像大小 check_disk_space 监控系统中的可用磁盘空间 check_website_status 检查指定网站的状态，以判断网站是否可以正常访问 extract_text_from_pdf 从PDF文件中提取文本 recognize_text 从 ...

多目标算法多目标算法更新完毕（后续可能更新） Full Name Abbreviation Chinese Multi-Objective Dragonfly Algorithm MODA 多目标蜻蜓算法 Multi-Objective Differential Evolution MODE 差分进化多目标优化算法 Multi-Objective Evolutionary Algorithm Based on Decomposition MOEA-D 基于分解的多目标进化算法 Multi-Objective Genetic Algorithm (Case Study) MOGA 多目标遗传算法（案例） Multi-Objective Grasshopper Optimization Algorithm MOGOA 多目标蝗虫优化算法 Multi-Objective Grey Wolf Optimization Algorithm MOGWO 多目标灰狼优化算法 Multi-Objective Multi-Verse Optimization MOMV ...

多目标遗传算法（Multi-Objective Genetic Algorithm，MOGA）本次提供的代码是一个科技论文的代码，是组内师兄的代码！Github地址 多目标遗传算法（MOGA）详细介绍 基本概念： 多目标优化是同时优化多个互相冲突的目标函数。在许多实际问题中，常常需要在不同目标之间进行权衡，比如在工程设计中，既要考虑成本，又要考虑性能。 遗传算法的基本原理： 遗传算法是一种基于自然选择和遗传学原理的优化算法。其基本步骤包括： 种群初始化：生成一个随机的解集（种群）。 适应度评估：根据目标函数计算每个解的适应度。 选择：根据适应度选择较优的个体进行繁殖。 交叉和变异：通过交叉和变异生成新的个体，模拟自然进化过程。 更新种群：用新生成的个体替换掉旧的个体，形成新的种群。 终止条件：检查是否满足终止条件（如达到最大代数或找到满意解），如果未满足，回到适应度评估。 多目标优化的特点： 在多目标优化中，目标函数之间通常存在冲突。例如，在设计产品时，增加性能可能会导致成本上升。因此，MOGA的目标是找到一组解，这些解在所有目标上均衡，形成一个被称为帕累托前沿（Pa ...

MOEA-D（基于分解的多目标进化算法）Github 地址MOEA-D（基于分解的多目标进化算法）是一种用于多目标优化的进化算法，其核心思想是将多目标优化问题分解为多个单目标优化问题。下面是MOEA-D算法的几个主要特点和步骤： 主要特点 分解策略： 将多目标优化问题通过权重向量（lambda）划分为多个子问题。每个子问题对应一个权重向量，代表目标空间中的一个方向。 邻域交互： 每个子问题与其邻域内的其他子问题相互影响，这有助于保持种群的多样性并促进优良解的传播。 适应度评估： 通过计算每个个体与理想点的距离，评估其适应度。采用加权绝对差的最大值作为个体的代价。 多样性维护： 通过选择、交叉和变异等操作，保持种群的多样性，避免早熟收敛。 算法步骤 初始化： 随机生成初始种群和对应的权重向量，确定邻域关系。 循环迭代： 在每次迭代中，通过交叉和变异等操作生成新个体。 更新每个个体的代价，使用分解代价函数评估解的质量。 通过支配关系确定哪些个体被优先保留。 更新Pareto前沿： 在每次迭代后，更新估计的Pareto前沿，并在必要时进行个体的选择和替 ...

非支配性排序遗传算法 II—NSGA-IIGithub 地址非支配性排序遗传算法 II（NSGA-II）是一种用于解决多目标优化问题的进化算法。它在遗传算法的基础上引入了非支配排序和拥挤距离的概念，以有效地找到多个目标函数的最优解集。以下是NSGA-II的主要特点和步骤： 1. 主要特点 多目标优化：NSGA-II能够同时优化多个相互冲突的目标函数，例如在设计中可能需要最小化成本和最大化性能。 非支配排序：通过对种群中的个体进行非支配排序，将个体分为不同的等级，以选择出 Pareto 前沿的解。 拥挤距离：为了保持解的多样性，NSGA-II计算每个个体的拥挤距离，作为选择的一个指标，优先选择拥挤距离大的个体。 快速非支配排序：NSGA-II的排序算法能够在较短的时间内处理大规模种群，相比于早期的非支配排序算法具有更高的效率。 2. 算法步骤以下是NSGA-II的基本步骤： 初始化： 随机生成初始种群，个体由决策变量构成，并计算每个个体的目标函数值。 非支配排序： 对种群中的个体进行非支配排序，识别出不同等级的解（如Pareto前沿）。 计算拥挤距离： 为每个个体计算拥 ...