- 目录 前言消息签名二进制摘要 前言 HMAC算法可以用于验证信息的完整性，这些信息可能在应用之间传递，或者存储在一个可能有安全威胁的地方。 其基本思路：生成实际数据的一个密码散列，并提供一个共享的秘密密钥。然后使用得到的散列检查所传输或存储的信息，以确定一个信任级别，而不传输秘密密钥。 消息签名 hmac库提供了一个new()函数来创建一个新对象... 目录 前言消息签名二进制摘要 前言 HMAC算法可以用于验证信息的完整性，这些信息可能在应用之间传递，或者存储在一个可能有安全威胁的地方。 其基本思路：生成实际数据的一个密码散列，并提供一个共享的秘密密钥。然后使用得到的散列检查所传输或存储的信息，以确定一个信任级别，而不传输秘密密钥。 消息签名 hmac库提供了一个new()函数来创建一个新对象...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-...
- GTX模块 Virtex-6支持多种高速串行接口，其中高速串行模块GTX收发器可以实现150Mbit/s～6.5Gbit/s的线速率。GTX收发器是芯片与芯片之间、板与板之间进行串行通信的首选解决方案。GTX收发器具有以下特性。灵活的SERDES支持多速率应用。功能强大的发射预加重和接收均衡功能，具有最佳的信号完整性。集成式“变速箱”可以实现灵活编码：8B/10B、64B/6... GTX模块 Virtex-6支持多种高速串行接口，其中高速串行模块GTX收发器可以实现150Mbit/s～6.5Gbit/s的线速率。GTX收发器是芯片与芯片之间、板与板之间进行串行通信的首选解决方案。GTX收发器具有以下特性。灵活的SERDES支持多速率应用。功能强大的发射预加重和接收均衡功能，具有最佳的信号完整性。集成式“变速箱”可以实现灵活编码：8B/10B、64B/6...
- 赛灵思官方文档中在讲乘累加器（MAC）（也就是在这篇博文中的乘累加器：【 FPGA 】FIR 滤波器的架构）时，有一段话是对系数填充的简单叙述，当时我没有写进那篇博文中去，我觉得放到那里会让我的博文变得难以理解。 这篇博文我仍然不想放进去，因为我不是太明白，还是塞进这一块，供大家参考吧： 实现滤波器所需的乘法器数量是通过滤波计算过程所需的乘法次... 赛灵思官方文档中在讲乘累加器（MAC）（也就是在这篇博文中的乘累加器：【 FPGA 】FIR 滤波器的架构）时，有一段话是对系数填充的简单叙述，当时我没有写进那篇博文中去，我觉得放到那里会让我的博文变得难以理解。 这篇博文我仍然不想放进去，因为我不是太明白，还是塞进这一块，供大家参考吧： 实现滤波器所需的乘法器数量是通过滤波计算过程所需的乘法次...
- 先贴出来传统的FIR滤波器实现结构作为后面的对比： 传统的FIR滤波器的实现结构： （【 FPGA 】FIR滤波器开篇之传统抽头延迟线FIR滤波器实现介绍） ... 先贴出来传统的FIR滤波器实现结构作为后面的对比： 传统的FIR滤波器的实现结构： （【 FPGA 】FIR滤波器开篇之传统抽头延迟线FIR滤波器实现介绍） ...
- LiveBlox无需代码的开发工具-支持windows macos ubuntu。 强大 灵活 易于使用 视频简介：LiveBlox Develop Technology Without Coding 网址：http://liveblox.org/ They Told You, You Couldn't:We believe you can! 下载该软件需要注册，注册后免费下... LiveBlox无需代码的开发工具-支持windows macos ubuntu。 强大 灵活 易于使用 视频简介：LiveBlox Develop Technology Without Coding 网址：http://liveblox.org/ They Told You, You Couldn't:We believe you can! 下载该软件需要注册，注册后免费下...
- 下面将展示FIR滤波器核可用的滤波器架构 1 乘累加（MAC）结构（Multiply-Accumulate） 用单个乘累加器引擎实现的基于 MAC 的 FIR滤波器的简化视图： 将单个 MAC 实现扩展到多个 MAC，可以实现更高性能的滤波器，例如支持更多滤波器系数、更高采样速率以及更多通道等。 实现MAC 结构的FIR滤波器主要需要使用 加法器、乘法器以及存储资... 下面将展示FIR滤波器核可用的滤波器架构 1 乘累加（MAC）结构（Multiply-Accumulate） 用单个乘累加器引擎实现的基于 MAC 的 FIR滤波器的简化视图： 将单个 MAC 实现扩展到多个 MAC，可以实现更高性能的滤波器，例如支持更多滤波器系数、更高采样速率以及更多通道等。 实现MAC 结构的FIR滤波器主要需要使用 加法器、乘法器以及存储资...
- 导入包 from rdkit import Chemfrom rdkit.Chem import MACCSkeysfrom rdkit import DataStructsimport numpy as np 载入smiles并计算MACCS Keys mol = Chem.MolFromSmiles('OC(=O)C1=C(C=CC=C1)C2=C3C=CC(=O)... 导入包 from rdkit import Chemfrom rdkit.Chem import MACCSkeysfrom rdkit import DataStructsimport numpy as np 载入smiles并计算MACCS Keys mol = Chem.MolFromSmiles('OC(=O)C1=C(C=CC=C1)C2=C3C=CC(=O)...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 机器学习组成：模型、策略、优化 《统计机器学习》中指出：机器学习=模型+策略+算法。其实机器学习可以表示为：Learning= Representati... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 机器学习组成：模型、策略、优化 《统计机器学习》中指出：机器学习=模型+策略+算法。其实机器学习可以表示为：Learning= Representati...
- 导入包 import pandas as pdimport numpy as npfrom sklearn.datasets import load_bostonfrom sklearn.linear_model import LinearRegression, SGDRegressor, Ridge, LogisticRegressionfrom sklearn.mod... 导入包 import pandas as pdimport numpy as npfrom sklearn.datasets import load_bostonfrom sklearn.linear_model import LinearRegression, SGDRegressor, Ridge, LogisticRegressionfrom sklearn.mod...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Machine Learning | (2) sklearn数据集与机器学习组成 Machine Learning | (3) Scikit-learn的分类器算法-k-近邻 Machine Learning | (4) Scikit-...
- Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Scikit-learn与特征工程 “数据决定了机器学习的上限，而算法只是尽可能逼近这个上限”，这句话很好的阐述了数据在机器学习中的重要性。大部分直接拿过来的数据都是特征不明显的、没有经过处理的或者说是存在很多无用的数据，那么需要进行一... Machine Learning | 机器学习简介 Machine Learning | (1) Scikit-learn与特征工程 Scikit-learn与特征工程 “数据决定了机器学习的上限，而算法只是尽可能逼近这个上限”，这句话很好的阐述了数据在机器学习中的重要性。大部分直接拿过来的数据都是特征不明显的、没有经过处理的或者说是存在很多无用的数据，那么需要进行一...
- 药效团 成药靶点中必定存在着能与药物结合的特异性结合位点。对某个靶点发挥活性的化合物在结构特征上必定有相似之处。这些化合物的最普遍的共有特性被定义为药效团（pharmacophore） 药效团模型的重要意义： 药效团模型不仅仅利用分子拓扑学相似性而且利用了基团的功能相似性，从而运用了生物电子等排体（bioisosterism）的概念使得模型更加可靠。如果仅仅考虑化合物之... 药效团 成药靶点中必定存在着能与药物结合的特异性结合位点。对某个靶点发挥活性的化合物在结构特征上必定有相似之处。这些化合物的最普遍的共有特性被定义为药效团（pharmacophore） 药效团模型的重要意义： 药效团模型不仅仅利用分子拓扑学相似性而且利用了基团的功能相似性，从而运用了生物电子等排体（bioisosterism）的概念使得模型更加可靠。如果仅仅考虑化合物之...
上滑加载中
推荐直播
-
华为云IoT开源专家实践分享：开源让物联网平台更开放、易用2024/05/14 周二 16:30-18:00
张俭 华为云IoT DTSE技术布道师
作为开发者的你是否也想加入开源社区？本期物联网平台资深“程序猿”，开源专家张俭，为你揭秘华为云IoT如何借助开源构建可靠、开放、易用的物联网平台，并手把手教你玩转开源社区！
去报名 -
华为云开发者日·广州站2024/05/15 周三 14:30-17:30
华为云专家团
华为云开发者日HDC.Cloud Day是面向全球开发者的旗舰活动，汇聚来自千行百业、高校及科研院所的开发人员。致力于打造开发者专属的技术盛宴，全方位服务与赋能开发者围绕华为云生态“知、学、用、创、商”的成长路径。通过前沿的技术分享、场景化的动手体验、优秀的应用创新推介，为开发者提供沉浸式学习与交流平台。开放创新，与开发者共创、共享、共赢未来。
去报名
热门标签