逻辑回归matlab代码预测PRNG 使用机器学习技术预测伪随机数生成器 要运行一个学习者的单个实例，请使用exampleKNN.m脚本（例如，运行KNN）。 要重新运行实验，请运行deployConfig.m。 我们总共实施了五名学习者： 随机抽样-按比例随机抽取训练集中标签的比例 随机森林-传统的随机森林算法，以固定深度生长自举树-预测由树预测的标签的模式 KNN（k最近邻）-从训练集中预测k最近邻标签的模式 朴素贝叶斯-假设给定标签的每个特征在条件上均独立于所有其他特征-通过在训练集中计数来学习概率，并根据未归一化的贝叶斯规则预测具有最高概率的标签 Logistic回归-传统的logistic回归分类器使用Barzilai Borwein方程对更新进行了梯度下降训练-预测每个输出最可能的标签 我们还实现或硬编码了几个伪随机数生成器（PRNG）。 除非另有说明，否则每一项我们都支持k = 2、3和5个标签的值。 Mercenne Twister-我们在Matlab内置的Mercenne Twister算法的默认实现中包装了一个函数。 线性同余生成器-我们已使用Borland C /

随机种子 成熟的随机数生成器库，提供 Xorshift、Xorwow、Mersenne Twister、PCG 和 LCG 的 32 位和 64 位高质量实现。 每个实现一个标准的 API，产生与原始实现完全匹配的数字分布。 强调 避免了困扰其他 javascript 实现的随机数生成器的状态溢出问题。 匹配所有算法的原始创作的 C/C++ 实现的输出。 32 位和 64 位生成器。 适用于所有生成器的简单、通用的 API。 光脚印。 浏览器支持。 ES 样式模块。 安装 npm install random-seedable --save 入门 只想轻松使用随机生成器？ 您所要做的就是导入 random，并像使用您自己初始化的生成器一样使用它。 只需导入 random 并调用您喜欢的任何方法， import random from 'random-seedable'

Mersenne Twister PRNG算法的Rust实现

火炬臂 于ARM / armv7l设备的 ，，，和轮子（WHL） pip install torch -f https://torch.maku.ml/whl/stable.html 该仓库用于释放arm轮。 有关自述文件，脚本和更多详细信息，请检查主项目： 环境 是的，提取一个armv7l映像，运行它，您现在正在仿真ARMv7。 它的速度不及使用gcc-arm-linux-gnu ，但是就这么简单。 主机：x86 目标：ARMv7 / armv7l 操作系统：Debian Buster / 10 GCC：v8.3.0 编译类型：交叉编译 虚拟化： Docker

springboot+springsecurity+mybatis+jwt实现单点登录（详细到爆了）

自定义starter，使用spring-boot-autoconfigure，自动化配置。 仅做starter参考示例。