- Elasticsearch:什么是 kNN?
Elastic 中国社区官方博客
ElasticsearchAIElasticelasticsearch大数据搜索引擎全文检索人工智能
kNN-K-nearestneighbor定义kNN(即k最近邻算法)是一种机器学习算法,它使用邻近度将一个数据点与其训练并记忆的一组数据进行比较以进行预测。这种基于实例的学习为kNN提供了“惰性学习(lazylearning)”名称,并使算法能够执行分类或回归问题。kNN的假设是相似的点可以在彼此附近找到——物以类聚。作为一种分类算法,kNN将新数据点分配给其邻居中的多数集。作为一种回归算法,k
- 数据挖掘十大经典算法之KNN
我姓许啊
一、knn介绍1.K最近邻(k-NearestNeighbor,KNN)分类算法,属于有监督学习中的分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。2.KNN算法中,所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本
- 机器学习原理到Python代码实现之KNN【K近邻】
神仙盼盼
机器学习基于python的算法设计机器学习python人工智能
K-NearestNeighborK近邻算法该文章作为机器学习的第三篇文章,主要介绍的是K紧邻算法,这是机器学习中最简单的一种分类算法,也是机器学习中最基础的一种算法。难度系数:⭐更多相关工作请参考:Github算法介绍K近邻算法(K-NearestNeighbor,KNN)是一种基本分类与回归方法。该方法的思想是:如果一个样本在特征空间中距离一个集合中的样本最近的k个样本中的大多数属于某一个类别
- OpenCV与机器学习:使用opencv实现KNN
艾醒(AiXing-w)
OpenCV机器学习opencv机器学习人工智能
使用opencv实现KNN前言OpenCV实现KNN生成随机数据使用matplotlib绘制数据OpenCV用于KNN训练生成新数据并观察预测前言KNN算法,即K-NearestNeighbor,是一种简单的机器学习算法。它的基本思想是:如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。KNN算法通过计算待分类样本与已知类别样本的距离
- 机器学习 | 掌握 K-近邻算法 的理论实现和调优技巧
亦世凡华、
#机器学习机器学习近邻算法人工智能k-近邻算法
目录初识K-近邻算法距离度量K值选择kd树数据集划分特征预处理莺尾花种类预测(实操)交叉验证与网格搜索初识K-近邻算法K-近邻算法(K-NearestNeighbor,KNN)是一种基本的分类和回归算法。它的基本思想是通过找出与新对象最近邻的K个训练数据,在分类时将新对象归类为出现频率最高的类别。这个算法是机器学习里面一个比较经典的算法,总体来说KNN算法是相对比较容易理解的算法。定义:如果一个样
- 【ArcGIS微课1000例】0097:栅格重采样(以数字高程模型dem为例)
刘一哥GIS
arcgis人工智能重采样分辨率投影变换像元大小
Contents1.最邻近法(NearestNeighbor)2.双线性内插法(BilinearInterpolation)3.三次卷积法(CubicConvolution)4.ArcGIS重采样工具(Resample)5.注意事项栅格/影像数据进行配准或纠正、投影等几何变换后,像元中心位置通常会发生变化,其在输入栅格中的位置不一定是整数的行列号,因此需要根据输出栅格上每个像元在输入栅格中的位置,
- knn算法
简单编程王子
算法
K近邻法(k-nearestneighbor,KNN)是一种很基本的机器学习方法了,在我们平常的生活中也会不自主的应用,就是“物以类聚,人以群分”。比如,我们判断一个人的人品,只需要观察他来往最密切的几个人的人品好坏就可以得出了。这里就运用了KNN的思想。KNN方法既可以做分类,也可以做回归,这点和决策树算法相同。KNN做回归和分类的主要区别在于最后做预测时候的决策方式不同。KNN做分类预测时,一
- K近邻模型原理(一)
徐_清风
k近邻(K-NearestNeighbor,简称KNN)算法既可以用于分类问题也可以用回归问题.两者最大的区别在于最终决策时方法的选择,对于分类问题来说,采用多数表决法;而对于回归问题来说,采用选择平均法;在此只总结分类问题中的k近邻模型.一.K近邻模型k近邻算法对于分类问题的大致描述:对于给定的训练数据集,有新的实例输入,在训练数据集中找到与该实例最邻近的k个实例,这个k个实例中大多数属于哪个类
- 绘图提高篇 | Plotnine 核密度空间插值可视化绘制
数据魅力(DataCharm)
数据可视化数据可视化r语言python论文阅读
从本期开始,我会陆续推出系列空间插值的推文教程,包括常见的「Kriging(克里金插值法)、NearestNeighbor(最近邻点插值法)、PolynomialRegression(多元回归法)、RadialBasisFunction(径向基函数法)」等多种空间插值方法。探索空间可视化带给我们的视觉魅力。由于自己摸索前进(好在已经走通全程),更新进度可能会有延迟。还会继续推出R-Python的基
- 2.机器学习-K最近邻(k-Nearest Neighbor,KNN)分类算法原理讲解
以山河作礼。
机器学习算法机器学习分类人工智能
2️⃣机器学习-K最近邻(k-NearestNeighbor,KNN)分类算法原理讲解个人简介一·算法概述二·算法思想2.1KNN的优缺点三·实例演示3.1电影分类3.2使用KNN算法预测鸢(yuan)尾花的种类3.3预测年收入是否大于50K美元个人简介️️个人主页:以山河作礼。️️:Python领域新星创作者,CSDN实力新星认证,CSDN内容合伙人,阿里云社区专家博主,新星计划导师,在职数据分
- 最邻近规则分类(K-Nearest Neighbor)-KNN算法(day03)
JavaHub
问题image.png当我们知道一个未知电影的两个特征,怎么判断出电影的类型呢?概念K最近邻(k-NearestNeighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别.Cover和Hart在1968年提出最初的临近算法邻近算法属于分
- 利用igraph包可视化基于KNN的单细胞聚类关系
小贝学生信
0、背景(1)在Seurat等包中,在进行挑选高变基因,PCA分析后,多使用SNN(sharednearestneighbor)算法进行单细胞聚类,然后进行TSNE或者UMAP二维可视化。1.png(2)在一篇文献中,作者使用另一种思路:利用k-means聚类,然后进行基于KNN(k-nearestneighbor)的可视化。2.png下图是我根据文献流程绘制的结果,大致流程为单细胞表达矩阵质控、
- 【机器学习】K近邻(K-Nearest Neighbor)算法入门指南
Avasla
机器学习算法人工智能python机器学习
前言:K近邻(K-NearestNeighbor,简称KNN)算法是利用数据点之间的距离来进行预测的一种监督学习方法。在本文中将以最简单的图文方式、为初学者提供KNN算法的入门指南,原理介绍、应用场景、Python实现代码、使用KNN算法的优点和局限性。原理介绍K近邻(K-NearestNeighbor,简称KNN)算法是利用数据点之间的距离来进行预测,是一种常用的监督学习算法。它的工作原理是相似
- 十大数据挖掘算法之KNN算法
清梦载星河
一、KNN算法概述KNN(k-NearestNeighbor)算法,又称K近邻算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。简单来说,k近邻算法采用测量不同特征值之间的距离方法进行分类。优点:精度高、对异常值不敏感、无数据输入假定;缺点:计算复杂度高、空间复杂度高;适用数据范围:数值型和标称型。工作原理存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们
- 机器学习——KNN算法
风月雅颂
机器学习算法人工智能pythonscikit-learn
【说明】文章内容来自《机器学习——基于sklearn》,用于学习记录。若有争议联系删除。1、简介KNN(K-NearestNeighbor,K近邻)算法是最简单的分类算法之一,它也是最常用的分类算法之一。KNN算法是在1968年由Cover和Hart提出的,是一个有监督机器学习算法。KNN算法的原理是:确定某一个数据的分类时,计算相邻的K个数据的类别,根据这K个数据中多数样本的类别来判断某一个数据
- 机器学习——KNN算法
Mr_fengzi
机器学习KNN算法
KNN(K-NearestNeighbor)K-近邻算法,简单的说,该算法就是采用测量不同特征值之间的距离方法进行分类。KNN的工作原理存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,即我们知道样本集中每一个数据与所属分类的对应关系。输入本有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取出样本集中特征最相似数据(最近邻)的分类标签。一般来说
- K 近邻算法(K-Nearest Neighbor),简称 KNN 算法 简介
草明
数据结构与算法aiKNN
K近邻算法(K-NearestNeighbor),简称KNN算法基于距离计算的方式来解决分类问题.数学描述:对于一个待测的样本点,我们去参考周围最近的已知样本点的分类,如果周围最近的K个样本点属于第一类,我们就可以把这个待测样本点归于第一类。数学公式计算两个样本之间的距离:欧氏距离(EuclideanSpace)曼哈顿距离(ManhattanDistance)切比雪夫距离(ChebyshevDis
- 机器学习----knn算法
今天头禿了吗
1.题目分析使用原生python实现knn分类算法,并使用鸢尾花数据集。knn算法介绍KNN(k-NearestNeighbor)算法,即k最近邻算法。所谓K最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。其优点:1.简单,
- 机器学习---KNN最近邻算法
30岁老阿姨
机器学习机器学习近邻算法人工智能
1、KNN最近邻算法K最近邻(k-NearestNeighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一,有监督算法。该方法的思路是:如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别,则该样本也属于这个类别。KNN算法由你的邻居来推断出你的类别,KNN算法就是用距离来衡量样本之间的相似度。如果K=3,绿色圆点的最近的3个邻居是2个红色小三角形和
- K 最近邻算法
写进メ诗的结尾。
机器学习近邻算法算法机器学习
K最近邻算法简单KNN海伦约会手写数字识别KNN算法的优缺点K最近邻(K-NearestNeighbor,KNN)算法,是1967年由CoverT和HartP提出的一种用于分类与回归的方法。基本原理:存在一个带标签的数据集(也称为训练集),数据集中的每一个样本与所属标签一一对应。当输入新的不带标签的样本数据(预测数据)时,新的样本数据的每个特征会与训练集中每个样本的对应特征进行相似度计算,最后提取
- 数据挖掘:K近邻
venter_zhu
python机器学习数据分析机器学习数据挖掘算法
数据挖掘:K近邻@(机器学习)[数据挖掘,K近邻,算法]K最近邻(k-NearestNeighbor,KNN)分类算法,是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别(近朱者赤近墨者黑)。数据挖掘K近邻准备工作环境与数据集数据窥探K最近邻算法算法剖析距离公式归一化数值两种方式算法实现准备工
- 数据挖掘5-K近邻
各种控恩恩恩
数据挖掘数据挖掘
K近邻算法发表于2012-11-12下图中,绿色圆要被决定赋予哪个类,是红色三角形还是蓝色四方形?如果K=3,由于红色三角形所占比例为2/3,绿色圆将被赋予红色三角形那个类,如果K=5,由于蓝色四方形比例为3/5,因此绿色圆被赋予蓝色四方形类。K最近邻(k-NearestNeighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一,1968年由Cover和Hart提
- KNN(k近邻法)算法理论和实战
数据与后端架构提升之路
机器学习机器学习人工智能knn
KNN概念k近邻法(k-nearestneighbor,k-NN)是一种基本分类与回归方法。k近邻法的输入为实例的特征向量对应于特征空间的点;输出为实例的类别,可以取多类。k近邻法假设给定一个训练数据集,其中的实例类别已定。分类时,对新的实例,根据其k个最近邻的训练实例的类别,通过多数表决等方式进行预测。因此,k近邻法不具有显式的学习过程。KNN过程对未知类别属性的数据集中的每个点依次执行以下操作
- 开源推荐系统Librec中recommender模块算法了解——cf模块
weixin_30487701
人工智能数据结构与算法
1.k近邻(k-NearestNeighbor)算法介绍及在推荐系统中的应用https://zhuanlan.zhihu.com/p/25994179k近邻(k-NearestNeighbor)算法是一种基本分类和回归方法。分类问题的k近邻法即给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例,这K个实例的多数属于某个类,就把该输入实例分类到这个类中。(这就类似于现实生
- STM32单片机使用KNN算法实现鸢尾花分类
wanglong3713
STM32算法单片机1024程序员节机器学习分类算法
一、概述最近在利用业余时间学习机器学习算法,由于笔者是嵌入式软件工程师,想将机器学习算法在单片机端实现,KNN算法(k-NearestNeighbor,K最近邻算法)是为数不多的可在单片机端实现的机器学习算法。通过检索发现,在单片机端实现KNN算法的例子较少,仅有几个用单片机实现手写数字识别的。本例程硬件使用的是STM32F103C8T6最小系统板,IAR/MDK开发环境,STM32CubeMX进
- 数据分析 | KNN模型
Ouroboroszzs
python讲解数据分析数据挖掘机器学习
KNN模型的应用一、模型思想二、k值的选择01设置权重02交叉验证三、距离度量01欧式距离02曼哈顿距离03余弦相似度四、代码实现一、模型思想邻近算法,或者说K最邻近(KNN,K-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。如上图所示,模型的本质就是寻找k个最近的样本,然后基于最近样本做“预测”。对于离散型因变量来说,从k个最近的已知类别样本中挑选出频率最高的类别
- python knn模型_使用Python训练KNN模型并进行分类
weixin_39955142
pythonknn模型
K临近分类算法是数据挖掘中较为简单的一种分类方法,通过计算不同数据点间的距离对数据进行分类,并对新的数据进行分类预测。我们在之前的文章《K邻近(KNN)分类和预测算法的原理及实现》和《协同过滤推荐算法的原理及实现》两篇文章中都详细介绍过。本篇文章将介绍在python中使用机器学习库sklearn建立K临近模型(k-NearestNeighbor)的过程并使用模型对数据进行预测。准备工作首先是开始前
- KNN算法初识
这里假装有个名字
一、算法介绍KNN算法中文名称叫做K近邻算法,全称是k-NearestNeighbor。KNN是众多机器学习算法里面最基础入门的算法。它是一个有监督的机器学习算法,既可以用来做分类任务也可以用来做回归任务。KNN算法的核心思想是未标记的样本的类别,由距离他最近的K个邻居投票来决定。下面我们来看个例子加深理解一下:如上图所描述张三要参加一家公司的面试,他通过各种渠道了解到了一些工作年限和工资之间对应
- KNN(k-Nearest Neighbor)算法原理
ywfwyht
算法
KNN(k-NearestNeighbor)算法是一种基于实例的学习方法,常用于分类和回归问题。下面是KNN算法的原理和步骤,以及欧式距离和曼哈顿距离的计算原理:原理KNN算法基于一个假设:与一个样本最相似的其他k个样本的类别可以用来预测该样本的类别。KNN算法将所有的训练数据看作一个点集,根据他们与新样本之间的距离进行分类。步骤KNN算法的实现步骤如下:计算测试数据与训练数据之间的距离(可以使用
- ArcEngine 加载栅格影像图并建立金字塔
GIS_百度
C#gis
一般情况加载栅格影像图,但没建立金字塔,导致软件卡死~其实方法很简单,只需添加pRasterPyramid.BuildPyramid(-1,rstResamplingTypes.RSP_NearestNeighbor)即可。一、方法代码如下://////从文件夹中加载栅格数据的静态方法//////栅格文件的路径///返回加载的栅格IRasterpublicstaticvoidLoadRasterF
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s