- 机器学习中的 K-均值聚类算法及其优缺点
刘小董
学习心得机器学习
K-均值聚类算法是一种常用的无监督学习算法,用于将样本数据划分为K个不同的簇。其基本思想是通过迭代去优化簇的中心位置,使得每个样本点到所属簇的中心点的距离最小。算法步骤如下:初始化K个簇的中心点,可以随机选择K个样本点作为初始中心点。对于每个样本点,计算其与各个簇中心点的距离,并将其划分到距离最近的簇中。更新每个簇的中心点,将其设为该簇中所有样本点的均值。重复步骤2和步骤3,直到达到停止条件(例如
- 机器学习、深度学习、神经网络之间的关系
你好,工程师
AI机器学习
机器学习(MachineLearning)、深度学习(DeepLearning)和神经网络(NeuralNetworks)之间存在密切的关系,它们可以被看作是一种逐层递进的关系。下面简要介绍它们之间的关系:机器学习(MachineLearning):机器学习是一种人工智能的分支,关注如何通过数据让计算机系统从经验中学习,提高性能。机器学习算法可以分为监督学习、无监督学习、半监督学习和强化学习等不同
- 【人工智能学习思维脉络导图】
AK@
人工智能人工智能学习
曾梦想执剑走天涯,我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础(线性代数、微积分、概率论和统计学)编程语言(Python、R等)2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络(CNN)循环神经网络(RNN)自然语言处理
- 吴恩达机器学习全课程笔记第一篇
亿维数组
MachineLearning机器学习笔记人工智能
目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本(代价)函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始,争取能够在开学之前(2.25)把b站上的【吴恩达机器学习】教程过一遍,并把笔记记录于此,本笔记将会把此课程每一p的重点内容及其截屏记录于此,以供大家参考和本人日后复
- 深度学习——概念引入
韶光流年都束之高阁
深度学习日记深度学习人工智能职场和发展
深度学习深度学习简介深度学习分类根据网络结构划分:循环神经网络卷积神经网络根据学习方式划分:监督学习无监督学习半监督学习根据应用领域划分:计算机视觉自然语言处理语音识别生物信息学深度学习简介深度学习(DeepLearning,DL)是机器学习领域中的一个新的研究方向,主要是通过学习样本数据的内在规律和表示层次,让机器能够具有类似于人类的分析学习能力。深度学习的最终目标是让机器能够识别和解释各种数据
- Sora背后的论文(1):使用 lstms 对视频展现进行无监督学习
一支烟一朵花
论文学习人工智能深度学习
之前那篇《Sora背后的32篇论文》发出后,大家都觉得不错,有很多小伙伴都开始啃论文了。那么我就趁热打铁,把这32篇论文的通俗解读版贴一下。从去年开始,我基本上形成了一个思维方式,任何事情做之前先看看有没有好的AI工具帮助自己提高效率。我本身不是算法出身,也是散装英语的水平,所以这个过程是借助了一些AI工具完成,后面会专门写一篇介绍详细的说明。Sora官网技术文章出处:Videogeneratio
- GAN生成对抗性网络
Dirschs
深度学习GAN生成对抗网络人工智能神经网络
一、GAN原理出发点:机器学习中生成模型的问题无监督学习是机器学习和未来人工智能的突破点,生成模型是无监督学习的关键部分特点:不需要MCMC或者变分贝叶斯等复杂的手段,只需要在G和D中对应的多层感知机中运行反向传播或者梯度下降算法模型通常使用神经网络,其拟合能力最好G(Generator):用于捕获数据分布的生成模型(生成图像的网络);接收到随机的噪声z,通过噪声z生成图像。尽可能多地模拟、建模和
- 【机器学习笔记】12 聚类
RIKI_1
机器学习机器学习笔记聚类
无监督学习概述监督学习在一个典型的监督学习中,训练集有标签,我们的目标是找到能够区分正样本和负样本的决策边界,需要据此拟合一个假设函数。无监督学习与此不同的是,在无监督学习中,我们的数据没有附带任何标签,无监督学习主要分为聚类、降维、关联规则、推荐系统等方面。主要的无监督学习方法聚类(Clustering)如何将教室里的学生按爱好、身高划分为5类?降维(DimensionalityReductio
- open3d k-means 聚类
云杂项
open3d持续更新kmeans聚类算法计算机视觉python机器学习
k-means聚类一、算法原理1、介绍2、算法步骤二、代码1、机器学习生成`kmeans`聚类2、点云学习生成聚类三、结果1、原点云2、机器学习生成`kmeans`聚类3、点云学习生成聚类四、相关链接一、算法原理1、介绍K-means聚类算法是一种无监督学习算法,主要用于数据聚类。该算法的主要目标是找到一个数据点的划分,使得每个数据点与其所在簇的质心(即该簇所有数据点的均值)之间的平方距离之和最小
- 机器学习中的10种非线性降维技术对比总结
降维意味着我们在不丢失太多信息的情况下减少数据集中的特征数量,降维算法属于无监督学习的范畴,用未标记的数据训练算法。尽管降维方法种类繁多,但它们都可以归为两大类:线性和非线性。线性方法将数据从高维空间线性投影到低维空间(因此称为线性投影)。例子包括PCA和LDA。非线性方法提供了一种执行非线性降维(NLDR)的方法。我们经常使用NLDR来发现原始数据的非线性结构。当原始数据不可线性分离时,NLDR
- 探索机器学习:定义、算法及应用领域
cooldream2009
AI技术机器学习机器学习算法人工智能
目录前言1机器学习的定义2机器学习算法2.1监督学习2.2无监督学习2.3强化学习3机器学习的应用3.1智能搜索3.2医疗诊断3.3无人驾驶结语前言机器学习,源自ArthurSamuel的定义,赋予计算机通过领域学习的能力,使其在不需要明确程序的情况下不断进化。本文将深入探讨机器学习的定义、算法分类以及广泛应用的领域,从监督学习、无监督学习到强化学习,为读者全面解析机器学习的核心概念。1机器学习的
- DS Wannabe之5-AM Project: DS 30day int prep day14
wendyponcho
深度学习人工智能python学习机器学习
Q1.WhatisAutoencoder?自编码器是什么?自编码器是一种特殊类型的神经网络,它通过无监督学习尝试复现其输入数据。它通常包含两部分:编码器和解码器。编码器压缩输入数据成为一个低维度的中间表示,解码器则从这个中间表示重建输出,输出尽可能接近原始输入。自编码器常用于特征学习、降维和去噪。Autoencoderneuralnetwork:ItisanunsupervisedMachinel
- 【大厂AI课学习笔记】【1.6 人工智能基础知识】(2)机器学习
giszz
学习笔记人工智能人工智能学习笔记
目录必须理解的知识点:举一个草莓的例子:机器学习的三个类别:监督学习:无监督学习:强化学习:更多知识背景:机器学习的诞生需求监督学习的关键技术与实现步骤无监督学习的关键技术与实现步骤区别:联系:其他关键知识点:(声明:以下学习笔记内容来自于腾讯云人工智能课程,本系列学习笔记,图片均来自于课件,仅做学习使用,如有异议,请联系本人删除。)必须理解的知识点:机器学习是对能通过经验自动改进计算机算法的研究
- 159基于matlab的基于密度的噪声应用空间聚类(DBSCAN)算法对点进行聚类
顶呱呱程序
matlab工程应用算法matlab聚类无监督学习基于密度的噪声应用空间聚类
基于matlab的基于密度的噪声应用空间聚类(DBSCAN)算法对点进行聚类,聚类结果效果好,DBSCAN不要求我们指定集群的数量,避免了异常值,并且在任意形状和大小的集群中工作得非常好。它没有质心,聚类簇是通过将相邻的点连接在一起的过程形成的。优于kmeans。程序已调通,可直接运行。159基于密度的噪声应用空间聚类无监督学习(xiaohongshu.com)
- 【计算机视觉】计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记
暖焱
#深度学习计算机视觉机器学习
计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记无监督学习聚类K-means降维线性降维主成分分析非线性降维自编码特征学习密度估计贝叶斯决策生成模型生成模型的应用生成模型分类密度估计参考密度估计分类显示的密度估计PixelRNNandPixelCNNVariationalAutoencoders(VAE)隐式的密度估计GANPixelRNNandPixelCNNPixelRNN与Pixe
- 四、机器学习基础概念介绍
ITS_Oaij
脑电机器学习机器学习人工智能
四、机器学习基础概念介绍1_机器学习基础概念机器学习分类1.1有监督学习1.2无监督学习2_有监督机器学习—常见评估方法数据集的划分2.1留出法2.2校验验证法(重点方法)简单交叉验证K折交叉验证(单独流出测试集)(常用方法/Sklearn的默认方法)k折交叉验证(不单独留出测试集)留一法交叉验证Subject-wise交叉验证2.3bootstrap自助法3_有监督机器学习—学习评价指标3.1准
- 机器学习系列——(二十二)结语
飞影铠甲
机器学习机器学习人工智能
随着我们的机器学习系列的探索画上句号,我们不禁感慨于这一领域的广阔和深邃。从最初的基础概念到复杂的算法,从理论的探讨到实际应用的示例,我们一起经历了一段非凡的旅程。机器学习不仅是当前技术创新的核心驱动力之一,也是塑造未来的关键因素。在这个结语中,让我们回顾这段旅程的亮点,并展望机器学习将如何继续改变我们的世界。回顾学习之旅我们的系列文章涵盖了机器学习的各个方面,从监督学习到无监督学习,从简单的线性
- 机器学习系列——(二十)密度聚类
飞影铠甲
机器学习机器学习聚类支持向量机
引言在机器学习的无监督学习领域,聚类算法是一种关键的技术,用于发现数据集中的内在结构和模式。与传统的基于距离的聚类方法(如K-Means)不同,密度聚类关注于数据分布的密度,旨在识别被低密度区域分隔的高密度区域。这种方法在处理具有复杂形状和大小的聚类时表现出色,尤其擅长于识别噪声和异常值。本文将详细介绍密度聚类的概念、主要算法及其应用。一、概述密度聚类基于一个核心思想:聚类可以通过连接密度相似的点
- 机器学习系列——(十九)层次聚类
飞影铠甲
机器学习机器学习聚类人工智能
引言在机器学习和数据挖掘领域,聚类算法是一种重要的无监督学习方法,它试图将数据集中的样本分组,使得同一组内的样本相似度高,不同组间的样本相似度低。层次聚类(HierarchicalClustering)是聚类算法中的一种,以其独特的层次分解方式,在各种应用场景中得到广泛应用,如生物信息学、图像分析、社交网络分析等。一、概述层次聚类算法主要分为两大类:凝聚的层次聚类(AgglomerativeHie
- 机器学习系列——(十七)聚类
飞影铠甲
机器学习机器学习聚类人工智能
引言在当今数据驱动的时代,机器学习已经成为了解锁数据潜能的关键技术之一。其中,聚类作为机器学习领域的一个重要分支,广泛应用于数据挖掘、模式识别、图像分析等多个领域。本文旨在深入探讨聚类技术的原理、类型及其应用,为读者提供一个全面而深入的了解。一、什么是聚类?聚类是一种无监督学习(UnsupervisedLearning)技术,它的目标是将相似的对象分组到一起,形成簇(Cluster)。与有监督学习
- 如何开始深度学习,从实践开始
skywalk8163
深度学习人工智能飞桨chatgpt文心一言
将“如何开始深度学习”这个问题喂给ChatGPT和文心一言,会给出很有专业水准的答案,比如:要开始深度学习,你可以遵循以下步骤:学习Python编程语言的基础知识,因为它在深度学习框架中经常被使用。熟悉线性代数和微积分,因为它们构成了许多深度学习概念的基础。了解机器学习的基本原理,包括监督学习和无监督学习等概念。深入研究神经网络及其架构,如前馈神经网络、卷积神经网络和循环神经网络。探索流行的深度学
- 李宏毅机器学习(二十)无监督学习Neighbor Embedding近邻嵌入
ca8519be679b
ManifoldLearning我们有时候的特征其实是低维度的放到高纬度上去,比如地球表面是2维的,但是被放到了3维空间,比如左下的S曲面,其实可以展开到2维平面上去,接下来就方便我们进一步计算分类等等插图1我们有如下几个降维方法LocallyLinearEmedding(LLE)局部线性嵌入具体是是怎么做的呢,我们点x和周围的点xj,给xj每个点加权wij求和,使其和xi最接近,然后投影到向量z
- 使用强化学习快速让AI学会玩贪食蛇游戏(轻量级二十分钟训练+代码)
Y. F. Zhang
强化学习强化学习算法游戏人工智能
如何让AI玩会贪食蛇,甚至比你厉害概述构建问题(强化学习求解的一般步骤)环境动作定义状态定义奖励设计训练奖励值收敛图采用第4种状态定义方法初步训练效果最终训练效果模型泛化迁移能力代码概述所用技术:强化学习(DeepReinforcementLearning),属于一种无监督学习,利用奖励rewardrewardreward教会智能体AgentAgentAgent在合适的场景做合适的决策。采用算法:
- 教程:教你一个简单快速能够掌握监督学习算法的方法
妄心xyx
监督学习作为运用最广泛的机器学习方法,一直以来都是从数据挖掘信息的重要手段。即便是在无监督学习兴起的近日,监督学习也依旧是入门机器学习的钥匙。这篇监督学习教程适用于刚入门机器学习的小白。当然了,如果你已经熟练掌握监督学习,也不妨快速浏览这篇教程,检验一下自己的理解程度~什么是监督学习?在监督学习中,我们首先导入包含有训练属性和目标属性的数据集。监督学习算法会从数据集中学习得出训练样本和其目标变量之
- 【自然语言处理】微调 Fine-Tuning 各种经典方法的概念汇总
溢流眼泪
【科研】自然语言处理人工智能
【自然语言处理】微调Fine-Tuning各种经典方法的概念汇总前言请看此微调Fine-TuningSFT监督微调(SupervisedFine-Tuning)概念:监督学习,无监督学习,自监督学习,半监督学习,强化学习的区别概念:下游任务概念:再利用(Repurposing),全参微调(FullFine-Tuning)和部分参数微调(PartialFine-tuning)线性探测(LinearP
- kmeans实例及代码
morie_li
聚类和决策树一样,属于无监督学习。也就是说数据样本只有特征x,没有给定y。聚类的目的是找到样本特征潜在的类别,将同类别的样本放在一起。kmeans的具体逻辑如下:1.随机选取k个簇心;2.对于每一个样例,计算其属于的类;3.循环完所有的样例后,重新计算每个簇的簇心;4.重复第二步第三部,直到簇心不再变化或达到最大迭代值。importnumpyasnpimportmatplotlib.pyplota
- 机器学习聚类算法
小森( ﹡ˆoˆ﹡ )
机器学习算法算法聚类机器学习
聚类算法是一种无监督学习方法,用于将数据集中的样本划分为多个簇,使得同一簇内的样本相似度较高,而不同簇之间的样本相似度较低。在数据分析中,聚类算法可以帮助我们发现数据的内在结构和规律,从而为进一步的数据分析和挖掘提供有价值的信息。聚类算法在现实中的应用:用户画像,广告推荐,搜索引擎的流量推荐,恶意流量识别,新闻聚类,筛选排序;图像分割,降维,识别;离群点检测;在聚类算法中根据样本之间的相似性,将样
- 4种不同类别的机器学习概述
大数据v
人工智能算法机器学习大数据深度学习
导读:机器学习涉及方方面面的内容,包含许多不同类型的算法,其学习方式也不相同。我们将简要介绍这些学习方式及其对应的情景。作者:列奥纳多·德·马尔希(LeonardoDeMarchi),劳拉·米切尔(LauraMitchell)来源:大数据DT(ID:hzdashuju)我们可以根据算法执行学习的方式将它们分为以下不同类别:有监督学习无监督学习半监督学习强化学习01有监督学习有监督学习是目前商业过程
- 【机器学习与自然语言处理】预训练 Pre-Training 各种经典方法的概念汇总
溢流眼泪
【科研】机器学习自然语言处理人工智能
【NLP概念合集:一】预训练Pre-Training,微调Fine-Tuning及其方法的概念区别前言请看此正文预训练Pre-Training无监督学习unsupervisedlearning概念:标签PCA主成分分析(PrincipalComponentAnalysis)降维算法LSA潜在语义分析(LatentSemanticAnalysis)降维算法LDA隐含狄利克雷分布(LatentDiri
- Improving Language Understanding by Generative Pre-Training
liangdengne_123
深度学习自然语言处理机器学习
今天阅读的是OpenAI2018年的论文《ImprovingLanguageUnderstandingbyGenerativePre-Training》,截止目前共有600多引用。在这篇论文中,作者提出了一种半监督学习方法——GenerativePre-Training(以下简称GPT),GPT采用无监督学习的Pre-training充分利用大量未标注的文本数据,利用监督学习的Fine-tunin
- JAVA中的Enum
周凡杨
javaenum枚举
Enum是计算机编程语言中的一种数据类型---枚举类型。 在实际问题中,有些变量的取值被限定在一个有限的范围内。 例如,一个星期内只有七天 我们通常这样实现上面的定义:
public String monday;
public String tuesday;
public String wensday;
public String thursday
- 赶集网mysql开发36条军规
Bill_chen
mysql业务架构设计mysql调优mysql性能优化
(一)核心军规 (1)不在数据库做运算 cpu计算务必移至业务层; (2)控制单表数据量 int型不超过1000w,含char则不超过500w; 合理分表; 限制单库表数量在300以内; (3)控制列数量 字段少而精,字段数建议在20以内
- Shell test命令
daizj
shell字符串test数字文件比较
Shell test命令
Shell中的 test 命令用于检查某个条件是否成立,它可以进行数值、字符和文件三个方面的测试。 数值测试 参数 说明 -eq 等于则为真 -ne 不等于则为真 -gt 大于则为真 -ge 大于等于则为真 -lt 小于则为真 -le 小于等于则为真
实例演示:
num1=100
num2=100if test $[num1]
- XFire框架实现WebService(二)
周凡杨
javawebservice
有了XFire框架实现WebService(一),就可以继续开发WebService的简单应用。
Webservice的服务端(WEB工程):
两个java bean类:
Course.java
package cn.com.bean;
public class Course {
private
- 重绘之画图板
朱辉辉33
画图板
上次博客讲的五子棋重绘比较简单,因为只要在重写系统重绘方法paint()时加入棋盘和棋子的绘制。这次我想说说画图板的重绘。
画图板重绘难在需要重绘的类型很多,比如说里面有矩形,园,直线之类的,所以我们要想办法将里面的图形加入一个队列中,这样在重绘时就
- Java的IO流
西蜀石兰
java
刚学Java的IO流时,被各种inputStream流弄的很迷糊,看老罗视频时说想象成插在文件上的一根管道,当初听时觉得自己很明白,可到自己用时,有不知道怎么代码了。。。
每当遇到这种问题时,我习惯性的从头开始理逻辑,会问自己一些很简单的问题,把这些简单的问题想明白了,再看代码时才不会迷糊。
IO流作用是什么?
答:实现对文件的读写,这里的文件是广义的;
Java如何实现程序到文件
- No matching PlatformTransactionManager bean found for qualifier 'add' - neither
林鹤霄
java.lang.IllegalStateException: No matching PlatformTransactionManager bean found for qualifier 'add' - neither qualifier match nor bean name match!
网上找了好多的资料没能解决,后来发现:项目中使用的是xml配置的方式配置事务,但是
- Row size too large (> 8126). Changing some columns to TEXT or BLOB
aigo
column
原文:http://stackoverflow.com/questions/15585602/change-limit-for-mysql-row-size-too-large
异常信息:
Row size too large (> 8126). Changing some columns to TEXT or BLOB or using ROW_FORMAT=DYNAM
- JS 格式化时间
alxw4616
JavaScript
/**
* 格式化时间 2013/6/13 by 半仙
[email protected]
* 需要 pad 函数
* 接收可用的时间值.
* 返回替换时间占位符后的字符串
*
* 时间占位符:年 Y 月 M 日 D 小时 h 分 m 秒 s 重复次数表示占位数
* 如 YYYY 4占4位 YY 占2位<p></p>
* MM DD hh mm
- 队列中数据的移除问题
百合不是茶
队列移除
队列的移除一般都是使用的remov();都可以移除的,但是在昨天做线程移除的时候出现了点问题,没有将遍历出来的全部移除, 代码如下;
//
package com.Thread0715.com;
import java.util.ArrayList;
public class Threa
- Runnable接口使用实例
bijian1013
javathreadRunnablejava多线程
Runnable接口
a. 该接口只有一个方法:public void run();
b. 实现该接口的类必须覆盖该run方法
c. 实现了Runnable接口的类并不具有任何天
- oracle里的extend详解
bijian1013
oracle数据库extend
扩展已知的数组空间,例:
DECLARE
TYPE CourseList IS TABLE OF VARCHAR2(10);
courses CourseList;
BEGIN
-- 初始化数组元素,大小为3
courses := CourseList('Biol 4412 ', 'Psyc 3112 ', 'Anth 3001 ');
--
- 【httpclient】httpclient发送表单POST请求
bit1129
httpclient
浏览器Form Post请求
浏览器可以通过提交表单的方式向服务器发起POST请求,这种形式的POST请求不同于一般的POST请求
1. 一般的POST请求,将请求数据放置于请求体中,服务器端以二进制流的方式读取数据,HttpServletRequest.getInputStream()。这种方式的请求可以处理任意数据形式的POST请求,比如请求数据是字符串或者是二进制数据
2. Form
- 【Hive十三】Hive读写Avro格式的数据
bit1129
hive
1. 原始数据
hive> select * from word;
OK
1 MSN
10 QQ
100 Gtalk
1000 Skype
2. 创建avro格式的数据表
hive> CREATE TABLE avro_table(age INT, name STRING)STORE
- nginx+lua+redis自动识别封解禁频繁访问IP
ronin47
在站点遇到攻击且无明显攻击特征,造成站点访问慢,nginx不断返回502等错误时,可利用nginx+lua+redis实现在指定的时间段 内,若单IP的请求量达到指定的数量后对该IP进行封禁,nginx返回403禁止访问。利用redis的expire命令设置封禁IP的过期时间达到在 指定的封禁时间后实行自动解封的目的。
一、安装环境:
CentOS x64 release 6.4(Fin
- java-二叉树的遍历-先序、中序、后序(递归和非递归)、层次遍历
bylijinnan
java
import java.util.LinkedList;
import java.util.List;
import java.util.Stack;
public class BinTreeTraverse {
//private int[] array={ 1, 2, 3, 4, 5, 6, 7, 8, 9 };
private int[] array={ 10,6,
- Spring源码学习-XML 配置方式的IoC容器启动过程分析
bylijinnan
javaspringIOC
以FileSystemXmlApplicationContext为例,把Spring IoC容器的初始化流程走一遍:
ApplicationContext context = new FileSystemXmlApplicationContext
("C:/Users/ZARA/workspace/HelloSpring/src/Beans.xml&q
- [科研与项目]民营企业请慎重参与军事科技工程
comsci
企业
军事科研工程和项目 并非要用最先进,最时髦的技术,而是要做到“万无一失”
而民营科技企业在搞科技创新工程的时候,往往考虑的是技术的先进性,而对先进技术带来的风险考虑得不够,在今天提倡军民融合发展的大环境下,这种“万无一失”和“时髦性”的矛盾会日益凸显。。。。。。所以请大家在参与任何重大的军事和政府项目之前,对
- spring 定时器-两种方式
cuityang
springquartz定时器
方式一:
间隔一定时间 运行
<bean id="updateSessionIdTask" class="com.yang.iprms.common.UpdateSessionTask" autowire="byName" />
<bean id="updateSessionIdSchedule
- 简述一下关于BroadView站点的相关设计
damoqiongqiu
view
终于弄上线了,累趴,戳这里http://www.broadview.com.cn
简述一下相关的技术点
前端:jQuery+BootStrap3.2+HandleBars,全站Ajax(貌似对SEO的影响很大啊!怎么破?),用Grunt对全部JS做了压缩处理,对部分JS和CSS做了合并(模块间存在很多依赖,全部合并比较繁琐,待完善)。
后端:U
- 运维 PHP问题汇总
dcj3sjt126com
windows2003
1、Dede(织梦)发表文章时,内容自动添加关键字显示空白页
解决方法:
后台>系统>系统基本参数>核心设置>关键字替换(是/否),这里选择“是”。
后台>系统>系统基本参数>其他选项>自动提取关键字,这里选择“是”。
2、解决PHP168超级管理员上传图片提示你的空间不足
网站是用PHP168做的,反映使用管理员在后台无法
- mac 下 安装php扩展 - mcrypt
dcj3sjt126com
PHP
MCrypt是一个功能强大的加密算法扩展库,它包括有22种算法,phpMyAdmin依赖这个PHP扩展,具体如下:
下载并解压libmcrypt-2.5.8.tar.gz。
在终端执行如下命令: tar zxvf libmcrypt-2.5.8.tar.gz cd libmcrypt-2.5.8/ ./configure --disable-posix-threads --
- MongoDB更新文档 [四]
eksliang
mongodbMongodb更新文档
MongoDB更新文档
转载请出自出处:http://eksliang.iteye.com/blog/2174104
MongoDB对文档的CURD,前面的博客简单介绍了,但是对文档更新篇幅比较大,所以这里单独拿出来。
语法结构如下:
db.collection.update( criteria, objNew, upsert, multi)
参数含义 参数  
- Linux下的解压,移除,复制,查看tomcat命令
y806839048
tomcat
重复myeclipse生成webservice有问题删除以前的,干净
1、先切换到:cd usr/local/tomcat5/logs
2、tail -f catalina.out
3、这样运行时就可以实时查看运行日志了
Ctrl+c 是退出tail命令。
有问题不明的先注掉
cp /opt/tomcat-6.0.44/webapps/g
- Spring之使用事务缘由(3-XML实现)
ihuning
spring
用事务通知声明式地管理事务
事务管理是一种横切关注点。为了在 Spring 2.x 中启用声明式事务管理,可以通过 tx Schema 中定义的 <tx:advice> 元素声明事务通知,为此必须事先将这个 Schema 定义添加到 <beans> 根元素中去。声明了事务通知后,就需要将它与切入点关联起来。由于事务通知是在 <aop:
- GCD使用经验与技巧浅谈
啸笑天
GC
前言
GCD(Grand Central Dispatch)可以说是Mac、iOS开发中的一大“利器”,本文就总结一些有关使用GCD的经验与技巧。
dispatch_once_t必须是全局或static变量
这一条算是“老生常谈”了,但我认为还是有必要强调一次,毕竟非全局或非static的dispatch_once_t变量在使用时会导致非常不好排查的bug,正确的如下: 1
- linux(Ubuntu)下常用命令备忘录1
macroli
linux工作ubuntu
在使用下面的命令是可以通过--help来获取更多的信息1,查询当前目录文件列表:ls
ls命令默认状态下将按首字母升序列出你当前文件夹下面的所有内容,但这样直接运行所得到的信息也是比较少的,通常它可以结合以下这些参数运行以查询更多的信息:
ls / 显示/.下的所有文件和目录
ls -l 给出文件或者文件夹的详细信息
ls -a 显示所有文件,包括隐藏文
- nodejs同步操作mysql
qiaolevip
学习永无止境每天进步一点点mysqlnodejs
// db-util.js
var mysql = require('mysql');
var pool = mysql.createPool({
connectionLimit : 10,
host: 'localhost',
user: 'root',
password: '',
database: 'test',
port: 3306
});
- 一起学Hive系列文章
superlxw1234
hiveHive入门
[一起学Hive]系列文章 目录贴,入门Hive,持续更新中。
[一起学Hive]之一—Hive概述,Hive是什么
[一起学Hive]之二—Hive函数大全-完整版
[一起学Hive]之三—Hive中的数据库(Database)和表(Table)
[一起学Hive]之四-Hive的安装配置
[一起学Hive]之五-Hive的视图和分区
[一起学Hive
- Spring开发利器:Spring Tool Suite 3.7.0 发布
wiselyman
spring
Spring Tool Suite(简称STS)是基于Eclipse,专门针对Spring开发者提供大量的便捷功能的优秀开发工具。
在3.7.0版本主要做了如下的更新:
将eclipse版本更新至Eclipse Mars 4.5 GA
Spring Boot(JavaEE开发的颠覆者集大成者,推荐大家学习)的配置语言YAML编辑器的支持(包含自动提示,