全部问题

我想了解有什么区别，因为......我找不到答案。

有一条路线

Route::group([
    'middleware' => ['api'],
], function () {
    Route::prefix('api/verson')->name('api.version.')->group(function () {
        Route::prefix('project')->name('project')->group(function () {
          Route::get('worker', [NameController::class, 'worker']);
        })
    })
});

在路线列表中，它看起来像这样：

Method   | URI                        | Name                |
GET|HEAD | api/version/project/worker | api.version.project |

当我尝试添加另一条路线时

Route::get('worker-list', [NameController::class, 'list']);

出现错误，表明 api.version.project 路由已添加。那些。原来名字已经被保留了。

但是，如果路线看起来像这样

Route::group([
    'middleware' => ['api'],
], function () {
    Route::prefix('api/verson')->name('api.version.')->group(function () {
        Route::prefix('project')->name('project.')->group(function () {
          Route::get('worker', [NameController::class, 'worker']);
        })
    })
});

然后新路线将毫无问题地添加，路线列表将如下所示

Method   | URI                             | Name                                         |
GET|HEAD | api/version/project/worker      |api.version.project.                          |
GET|HEAD | api/version/project/worker-list |api.version.project.generated::WIlQFglGb43vStI|

任何没有注意到的人->name('project')都想->name('project.')了解其中的区别。该点是否允许您为相似的路线生成唯一的名称？

帮我弄清楚。

main.py

bot = Bot(token="..")
dp = Dispatcher()
dp.include_router(user_router)




user_router.py

@router.message(F.text.in_(someVar))
async def someDef(message: Message):
    await message.answer(text="text")
    await bot.sendMessage(chat_id="", text="")

我不知道如何在主文件之外使用bot及其方法。为了方便起见，项目被分成了几个文件。

任务：机器人在个人聊天中与用户进行通信。用户选择某些内容，此时机器人会将简短的摘录发送到单独的频道。

示例：用户需要在服务器上运行脚本。机器人通过菜单指定参数。选择参数后，机器人会在 LAN 中写入它开始执行的操作，同时“用户 Vasya 在某台服务器上启动了 someScript”信息被发送到静态定义的通道。

我的场景中的照明问题仍未解决。尽管模型中的法线是正确的，并且其他程序（3D 编辑器和 Unity 中）中的光照看起来很完美，但我自己的着色器会产生不可预测的结果。

我尝试了很多方法，但都没有达到预期的效果。该模型表现出光照的突然变化，光线突然聚焦在一侧，而另一侧仍处于阴影中。当模型旋转并且光线突然“跳”到新的一侧时，这一点尤其明显。此外，模型的正面和背面几乎没有光线，使其外观完全黑色。

我无法弄清楚是什么导致了这个问题。也许这是在着色器中错误设置法线的问题，或者可能是我在照明计算中遗漏了一些重要方面。对于解决这个问题的任何帮助，我将不胜感激。

cbuffer ConstantBuffer : register(b0)
{
    matrix World;
    matrix View;
    matrix Projection;
    float4 lightDirection;
    float4 lightColor;
    float4 ambientColor;
}

struct VS_INPUT
{
    float4 Pos : POSITION;
    float2 Tex : TEXCOORD0;
    float3 Normal : NORMAL;
};

struct PS_INPUT
{
    float4 Pos : SV_POSITION;
    float2 Tex : TEXCOORD0;
    float3 Normal : TEXCOORD1;
};

PS_INPUT VS(VS_INPUT input)
{
    PS_INPUT output;
    output.Pos = mul(input.Pos, World);
    output.Pos = mul(output.Pos, View);
    output.Pos = mul(output.Pos, Projection);
    output.Tex = float2(input.Tex.x, -input.Tex.y);
    output.Normal = mul(float4(input.Normal, 1), World).xyz;
    
    return output;
}

Texture2D txDiffuse : register(t0);
SamplerState samLinear : register(s0);

float4 PS(PS_INPUT input) : SV_Target
{
    float4 finalColor = 0;
    finalColor += saturate(dot((float3) -lightDirection, input.Normal) * lightColor);
    finalColor.a = 1;
    return finalColor;
}

我意识到仅仅戳按钮不是一个好主意，但我不知道如何返回文件启动面板（即使文件打开它也不在那里），这是第一件事，也是在那之前，我也像那样戳它，启动按钮转到文件某处，输入播放器图标，然后尝试返回它......

添加：当文件打开时像这样：

还有我的问题的更详细解释：

根据数据训练模型。现在我需要创建一个根据输入数据进行预测的服务，即我输入数据 - 它会给我结果。您如何通过这个模型传递新数据？

数据
行代表患者，列代表属性。
各属性说明：

from catboost import CatBoostClassifier
# Разделение данных на обучающую и тестовую выборки
X_train, X_test, y_train, y_test = train_test_split(X_resampled,y_resampled, test_size=0.3, random_state=42)

# Создание и обучение модели CatBoost
catboost_model_first = CatBoostClassifier(random_state=42, iterations=10000, learning_rate=0.1, depth=6, verbose=0)
catboost_model_first.fit(X_train, y_train)

# Предсказания на тестовой выборке
y_pred_test_catboost = catboost_model_first.predict(X_test)
# Предсказания на обучающей выборке
y_pred_train_catboost = catboost_model_first.predict(X_train)

# Вывод метрик для тестовой выборки
print("Тестовая выборка (CatBoost):")
print(classification_report(y_test, y_pred_test_catboost), 'roc_auc', roc_auc_score(y_test, y_pred_test_catboost))
ConfusionMatrixDisplay(confusion_matrix(y_test, y_pred_test_catboost), display_labels=['No Stroke', 'Stroke']).plot()

# Вывод метрик для обучающей выборки
print("Обучающая выборка (CatBoost):")
print(classification_report(y_train, y_pred_train_catboost), 'roc_auc', roc_auc_score(y_train, y_pred_train_catboost))
ConfusionMatrixDisplay(confusion_matrix(y_train, y_pred_train_catboost), display_labels=['No Stroke', 'Stroke']).plot()

如果突然需要整台笔记本电脑

https://colab.research.google.com/drive/1a4lm8UZFLZFrRMWuqoJ3qzbXf6Bkl-cy?usp=sharing