- 西瓜书学习笔记——低维嵌入(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍低维嵌入(Low-DimensionalEmbedding)是一种降低高维数据维度的技术,目的是在保留数据特征的同时减少数据的复杂性。这种技术常用于可视化、特征学习、以及数据压缩等领域。低维嵌入的目标是将高维数据映射到一个低维空间,以便更好地理解和可视化数据。在kkk近邻学习中,随着数据维度的增加,样本之间的距离变得更加稀疏,导致KNN算法性能下降。这是因为在高维空
- 西瓜书学习笔记——核化线性降维(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍核化线性降维是一种使用核方法(KernelMethods)来进行降维的技术。在传统的线性降维方法中,例如主成分分析(PCA)和线性判别分析(LDA),数据被映射到一个低维线性子空间中。而核化线性降维则通过使用核技巧,将数据映射到一个非线性的低维空间中。核技巧的核心思想是通过一个非线性映射将原始数据转换到一个高维的特征空间,然后在该特征空间中应用线性降维方法。这种映射
- 西瓜书学习笔记——k近邻学习(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍K最近邻(K-NearestNeighbors,KNN)是一种常用的监督学习算法,用于分类和回归任务。该算法基于一个简单的思想:如果一个样本在特征空间中的kkk个最近邻居中的大多数属于某个类别,那么该样本很可能属于这个类别。KNN算法不涉及模型的训练阶段,而是在预测时进行计算。以下是KNN算法的基本步骤:选择K值:首先,确定用于决策的邻居数量K。K的选择会影响算法的
- 西瓜书学习笔记——主成分分析(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习降维
文章目录算法介绍实验分析算法介绍主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的降维技术,用于在高维数据中发现最重要的特征或主成分。PCA的目标是通过线性变换将原始数据转换成一组新的特征,这些新特征被称为主成分,它们是原始特征的线性组合。对于一个正交属性空间(各个属性之间是线性无关的)中的样本点,存在以下两个性质的超平面可对所有样本点进行恰当的表达:最近重构性
- 西瓜书学习笔记——层次聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录算法介绍实验分析算法介绍层次聚类是一种将数据集划分为层次结构的聚类方法。它主要有两种策略:自底向上和自顶向下。其中AGNES算法是一种自底向上聚类算法,用于将数据集划分为层次结构的聚类。算法的基本思想是从每个数据点开始,逐步合并最相似的簇,直到形成一个包含所有数据点的大簇。这个过程被反复执行,构建出一个层次化的聚类结构。这其中的关键就是如何计算聚类簇之间的距离。但实际上,每个簇都是一个集合
- 西瓜书学习笔记——密度聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录算法介绍实验分析算法介绍密度聚类是一种无监督学习的聚类方法,其目标是根据数据点的密度分布将它们分组成不同的簇。与传统的基于距离的聚类方法(如K均值)不同,密度聚类方法不需要预先指定簇的数量,而是通过发现数据点周围的密度高度来确定簇的形状和大小。我们基于DBSCAN算法来实现密度聚类。DBSCAN是基于一组邻域参数(ϵ,MinPts)(\epsilon,MinPts)(ϵ,MinPts)来刻
- 【机器学习·西瓜书学习笔记·线性模型】线性回归——最小二乘法(least square method)
慈善区一姐
机器学习学习线性回归
线性模型的基本形式给定由个属性描述的实例,其中是在第个属性上的取值,线性模型(linearmodel)试图学得一个通过属性的线性组合来进行预测的函数,即一般用向量形式写成:和确定后,模型就得以确定参数查阅表把数据集表示为一个m*(d+1)大小的矩阵,其中每行对应于一个实例,每行前d个元素对应于实例的d个属性值,最后一个元素恒置于1,即(一)均方误差(meansquarederror)基于欧几里得距
- 西瓜书学习笔记——原型聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录k均值算法算法介绍实验分析学习向量量化(LVQ)算法介绍实验分析高斯混合聚类算法介绍实验分析总结k均值算法算法介绍给定样本集D={x1,x2,...,xm}D=\{x_1,x_2,...,x_m\}D={x1,x2,...,xm},k均值算法针对聚类算法所得簇划分C={C1,C2,...,Ck}\mathcal{C}=\{C_1,C_2,...,C_k\}C={C1,C2,...,Ck}最
- 西瓜书学习笔记——Boosting(公式推导+举例应用)
Nie同学
机器学习学习笔记boosting
文章目录引言AdaBoost算法AdaBoost算法正确性说明AdaBoost算法如何解决权重更新问题?AdaBoost算法如何解决调整下一轮基学习器样本分布问题?AdaBoost算法总结实验分析引言Boosting是一种集成学习方法,旨在通过整合多个弱学习器来构建一个强学习器。其核心思想是迭代训练模型,关注之前被错误分类的样本,逐步提升整体性能。Boosting的代表算法包括AdaBoost、G
- 【DW 11月-西瓜书学习笔记】Task01:绪论、模型评估与选择
以身外身做梦中梦
第一章绪论让我们的机器学习之旅从挑选一个好瓜开始。只绪论介绍基本术语、机器学习的发展,我只记录一些特殊的术语。1.1机器学习的定义计算机通过学习经验数据得到模型,面对新情况时做出有效判断。还有一种解释:假设:P:计算机程序在某任务类T上的性能。T:计算机程序希望实现的任务类。E:表示经验,即历史的数据集。若该计算机程序通过利用经验E在任务T上获得了性能P的改善,则称该程序对E进行了学习。1.2机器
- 【机器学习】西瓜书学习笔记(一)
hypc9709
机器学习人工智能分类
最近开始机器学习经典教材-西瓜书的学习,为了方便以后查看,在此记录下来。什么是机器学习通过计算的手段,利用经验来改善系统性能。机器学习所研究的内容,是如何在计算机上从数据中产生模型的算法,即“学习算法”。机器学习任务划分根据训练样本是否有标签,可分为:监督学习分类:预测离散值,如二分类任务回归:预测连续值无监督学习聚类:训练样本没有标记信息,通过了解数据内在规律自动分类,常用于数据分析学习效果的评
- 西瓜书学习笔记(2021-12-28开始,进行中)
N刻后告诉你
读书笔记机器学习
西瓜书1绪论1.1引言1.2基本术语1.3假设空间1.4归纳偏好2模型评估与选择2.1经验误差与过拟合1绪论1.1引言机器学习致力于研究“如何通过计算的方式,利用数据(经验)来改善系统自身的性能”。机器学习形式化的定义:假设用PPP来评估计算机程序在某任务类上的性能,若一个程序通过利用经验EEE在TTT中任务上获得了性能改善,则我们就说关于TTT和PPP,该程序对EEE进行了学习1.2基本术语数据
- 西瓜书学习笔记7-贝叶斯分类器
weixin_41872340
西瓜书
chapter7贝叶斯分类器7.1贝叶斯决策论贝叶斯决策论是概率框架下实施决策的基本方法,对分类任务来说,在所有相关概率都已知的理想情形下,贝叶斯决策论考虑如何基于概率和误判损失来选择最优的类别标记,以多分类为例解释原理:假设分类问题有N种可能的类别,λij是将真实标记为j的样本误分类为i所产生的损失,基于==后验概率P(ci丨x)==可获得将样本x分类为ci所产生的期望损失,即在样本x上的“条件
- 西瓜书学习笔记day2
机智的冷露
西瓜书学习笔记学习深度学习机器学习
模型评估与选择一、经验误差与过拟合错误率:分类错误的样本数占样本总数的比例。在m个样本中共有a个样本分类错误,则错误率E=a/m。精度:1-a/m误差:学习器实际预测输入与样本的真实输出之间的差异定义为误差。在训练集中的误差被称为训练误差,在新样本上的误差被称为泛化误差。过拟合:当学习器把训练样本学的“太好了”的时候,很可能会把训练样本的特性当作所有潜在样本所拥有的共性,从而模型的泛化性能下降,这
- 西瓜书学习笔记day1
机智的冷露
西瓜书学习笔记学习机器学习算法
一、基本术语①示例/样本:对一个事件或对象的描述,也被称为一个特征向量。②属性:反映事件或者对象在某方面的表现或性质的事项。③属性值:属性的取值④属性空间/样本空间:属性张成的空间⑤数据集:样本的集合⑥维数:令D={x1,x2…xm}表示包含m个示例的数据集,每个示例由d个属性描述,则每个示例xi=(xi1,xi2,xi3…xid)是d维样本空间X上的一个向量。d称为样本空间的“维数”⑦训练/学习
- 西瓜书学习笔记(第一章)
丿October
二狗编程入门之路机器学习
基本术语数据集(dataset):所有数据的集合样本(sample):描述某个事件或对象的记录属性(attribute):事件或对象的某个性质属性值(attributevalue):性质的取值属性空间(attributespace):性质所有取值的集合特征向量(featurevector):由多个性质组成的一条记录训练数据(trainingdata):训练过程中使用的数据训练样本(training
- 西瓜书学习笔记 第1章 绪论
二三TP
读书笔记机器学习
目录第1章绪论1.3假设空间1.4归纳偏好参考文献本文仅针对个人不熟知识点进行整理,已知内容或过于简单的就不整理了。第1章绪论1.3假设空间假设空间:所有假设组成的空间版本空间:现实问题中我们常面临很大的假设空间,但学习过程是基于有限样本训练集进行的,因此,可能有多个假设与训练集一致,即存在着一个与训练集一致的假设集合,我们称之为版本空间(versionspace)。也就是说这多个假设的集合就是假
- 西瓜书学习笔记 第二章
程序圆圆圆
机器学习
2.1经验误差与过拟合m个样本中有a个样本分类错误错误率(errorrate):E=a/m精度(accuracy)=1-错误率=1-E=1-a/m误差(误差期望):学习器的预测输出与样本的真实输出的差异;训练误差(trainingerror)或经验误差(empiricalerror):学习器在训练集上的误差;泛化误差(generalizationerror):学习器在新样本上的误差。泛化性能过拟合
- 西瓜书学习笔记第九章聚类
UEVOLIshy
西瓜书学习笔记聚类西瓜书第九章
文章目录1知识脉络2内容补充9.1节聚类任务9.2节性能度量9.3节距离计算9.4节原型聚类9.4.1k均值算法9.4.2学习向量量化9.4.3高斯混合聚类9.5节密度聚类9.6节层次聚类9.7节阅读材料3课后题4代码实现5参考1知识脉络2内容补充9.1节聚类任务9.2节性能度量9.3节距离计算9.4节原型聚类9.4.1k均值算法9.4.2学习向量量化9.4.3高斯混合聚类9.5节密度聚类9.6节
- 西瓜书学习笔记-第二章 模型评估与选择
Dove_Dan
西瓜书笔记机器学习
第二章模型评估与选择2.1经验误差与过拟合错误率(errorrate):分类错误的样本数占样本总数的比例m个样本中有a个样本分类错误,则错误率E=a/m1-a/m称为精度(accuracy),即精度=1-错误率,精度常写为百分比形式误差(error):学习器的实际预测输出与样本的真实输出之间的差异学习器在训练集上的误差称为“训练误差”(trainingerror)/“经验误差”(empirical
- 西瓜书学习笔记(第一、二章)
weixin_44613018
学习笔记学习
本博客是用来记录个人认为的重要的知识点,但因为知识点繁多而复杂,因此大多数情况下知识在这里列一个提纲,或者在这里写自己的理解第一章绪论(此部分来自南瓜书)一些概念“算法”产出的结果称为“模型”,通常是具体的函数或者可抽象地看作为函数样本:也称为“示例”,是关于一个事件或对象的描述,一般是把事物或对象抽象为某种数学形式,常见于抽象成线性代数中的向量(因为任何事物都可以由若干“特征”——或称为“属性”
- 【机器学习——线性模型】
只想快乐
笔记机器学习
机器学习——线性模型西瓜书学习笔记广义线性模型对数几率回归多分类学习西瓜书学习笔记广义线性模型广义线性模型通过单调可微函数(联系函数linkfunction)将数据的真实标记y与线性回归模型的预测值联系起来:y=g-1(wTx+b)对数几率回归对数几率回归中采用的是对数几率函数(logisticfunction)作为广义线性模型中的联系函数。对数几率函数:y=1/(1+e-x)多分类学习OVR(每
- 西瓜书学习笔记——第十六章:强化学习
Andrewings
西瓜书学习笔记
16.强化学习16.强化学习16.1任务与奖赏16.2K摇摆赌博机16.2.1ε-贪心16.2.2Softmax16.3有模型学习16.3.1策略评估16.3.2策略改进16.3.3策略迭代与值迭代16.4免模型学习蒙特卡罗强化学习16.5模仿学习16.强化学习强化学习是机器学习的一个重要分支。在强化学习中包含两种基本元素:状态与动作,在某个状态下执行某种动作,这便是一种策略。学习器要做的是不断地
- 西瓜书学习笔记——task01
zhaoaxi
学习python
西瓜书学习笔记第一章基本术语数据集:所有瓜样本/示例:一个瓜的描述(属性描述)属性:瓜皮颜色属性值:青绿属性空间"(attributespace)/“样本空间”(samp1espace)/“输入空间:属性张成的空间(比如"色泽”“根蒂”"敲声"作为三个坐标轴,则它们张成一个用于描述西瓜的三维空间)特征向量:在属性空间的一个点,对应一个示例维数:属性数量样例:有标记“好瓜”的瓜真相/真实:学得的模型
- 西瓜书学习笔记——第十三章:半监督学习
Andrewings
西瓜书学习笔记西瓜书机器学习半监督
13.半监督学习13.1未标记样本13.2生成式方式高斯混合生成式模型其他生成式模型13.3半监督SVMTSVM半监督支持向量机13.4基于分歧的方法13.5半监督聚类约束k均值算法(必连勿连)约束种子k均值算法(少量有标记样本)13.1未标记样本训练样本集D由有标记样本集DlD_lDl和未标记样本集DuD_uDu组成,若使用传统监督学习算法,则只能使用DlD_lDl,DuD_uDu的信息被浪费,
- 机器学习——西瓜书学习笔记(1)绪论
Charcy阳
python机器学习人工智能深度学习神经网络
文章目录**1.1引言1.2基本术语(极其重要)1.3假设空间1.4归纳偏好1.5发展历程1.6应用现状1.7习题1.1引言机器学习(machinelearning)的定义:它致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。在计算机系统中,“经验”通常以“数据”的形式存在。ML研究的主要内容:在计算机上、从数据中产生“模型model”的算法。即是:如何通过数据集产生模型?因此机器学习本
- 西瓜书学习笔记第2章(模型评估与选择)
旋转的油纸伞
西瓜书-机器学习(学习笔记)机器学习面试
西瓜书学习笔记第2章(模型评估与选择)2.1经验误差与过拟合2.2评估方法2.2.1留出法(hold-out)2.2.2交叉验证法(crossvalidation)2.2.3自助法(bootstrapping)2.2.4调参与最终模型2.3性能度量(performancemeasure)2.3.1错误率与精度2.3.2查准率、查全率与F12.3.3ROC与AUC2.3.4代价敏感错误率与代价曲线2
- 周志华西瓜书学习笔记----绪论
Ω2πA 》
学习机器学习深度学习
文章目录前言一、算法处理数据的流程二、假设空间是什么?三、归纳偏好前言这篇文章将记录西瓜书中绪论的学习。一、算法处理数据的流程在我们训练一个模型前我们需要准备一些数据,训练集是历史数据。当我们有一批新的数据时(测试集),我们将这些数据输入训练过的模型来得到每个数据对应的标签。二、假设空间是什么?在我们使用数据集进行机器学习时,我们能用到的数据是有限的,而我们需要利用有限的数据通过算法拟合出一个能够
- 西瓜书学习笔记——第十一章:特征选择与稀疏学习
Andrewings
西瓜书学习笔记特征选取稀疏学习特征工程
第十一章:特征选择与稀疏学习11.1子集搜索与评价子集搜索特征子集评价11.2过滤式选择Relief的相关统计量11.3包裹式选择拉斯维加斯方法和蒙特卡罗方法:11.4嵌入式选择与L1正则化11.5稀疏表示与字典学习稀疏性11.6压缩感知11.1子集搜索与评价一般情况下,我们可以用很多属性/特征描述一个示例,而对于特定的学习任务,我们会发现已知的所有属性中,有些特征是与该学习任务的目标无关的(如预
- 【西瓜书学习笔记】第5章 神经网络
爱学习的猫fly
神经网络人工智能深度学习
1.M-P神经元模型2.感知机由两层神经元组成,输入层接收外界输入信号后传递给输出层,输出层是M-P神经元,亦称“阈值逻辑单元”,感知机能容易的实际逻辑与、或、非运算,即可以解决线性可分的问题,实现不了异或运算,即无法解决非线性可分问题3.多层前馈神经网络多个神经元构成的神经网络能够分类线性不可分的数据集,且有理论证明(通用近似定理):只需一个包含足够多神经元的隐层,多层前馈网络(最经典的神经网络
- java线程Thread和Runnable区别和联系
zx_code
javajvmthread多线程Runnable
我们都晓得java实现线程2种方式,一个是继承Thread,另一个是实现Runnable。
模拟窗口买票,第一例子继承thread,代码如下
package thread;
public class ThreadTest {
public static void main(String[] args) {
Thread1 t1 = new Thread1(
- 【转】JSON与XML的区别比较
丁_新
jsonxml
1.定义介绍
(1).XML定义
扩展标记语言 (Extensible Markup Language, XML) ,用于标记电子文件使其具有结构性的标记语言,可以用来标记数据、定义数据类型,是一种允许用户对自己的标记语言进行定义的源语言。 XML使用DTD(document type definition)文档类型定义来组织数据;格式统一,跨平台和语言,早已成为业界公认的标准。
XML是标
- c++ 实现五种基础的排序算法
CrazyMizzz
C++c算法
#include<iostream>
using namespace std;
//辅助函数,交换两数之值
template<class T>
void mySwap(T &x, T &y){
T temp = x;
x = y;
y = temp;
}
const int size = 10;
//一、用直接插入排
- 我的软件
麦田的设计者
我的软件音乐类娱乐放松
这是我写的一款app软件,耗时三个月,是一个根据央视节目开门大吉改变的,提供音调,猜歌曲名。1、手机拥有者在android手机市场下载本APP,同意权限,安装到手机上。2、游客初次进入时会有引导页面提醒用户注册。(同时软件自动播放背景音乐)。3、用户登录到主页后,会有五个模块。a、点击不胫而走,用户得到开门大吉首页部分新闻,点击进入有新闻详情。b、
- linux awk命令详解
被触发
linux awk
awk是行处理器: 相比较屏幕处理的优点,在处理庞大文件时不会出现内存溢出或是处理缓慢的问题,通常用来格式化文本信息
awk处理过程: 依次对每一行进行处理,然后输出
awk命令形式:
awk [-F|-f|-v] ‘BEGIN{} //{command1; command2} END{}’ file
[-F|-f|-v]大参数,-F指定分隔符,-f调用脚本,-v定义变量 var=val
- 各种语言比较
_wy_
编程语言
Java Ruby PHP 擅长领域
- oracle 中数据类型为clob的编辑
知了ing
oracle clob
public void updateKpiStatus(String kpiStatus,String taskId){
Connection dbc=null;
Statement stmt=null;
PreparedStatement ps=null;
try {
dbc = new DBConn().getNewConnection();
//stmt = db
- 分布式服务框架 Zookeeper -- 管理分布式环境中的数据
矮蛋蛋
zookeeper
原文地址:
http://www.ibm.com/developerworks/cn/opensource/os-cn-zookeeper/
安装和配置详解
本文介绍的 Zookeeper 是以 3.2.2 这个稳定版本为基础,最新的版本可以通过官网 http://hadoop.apache.org/zookeeper/来获取,Zookeeper 的安装非常简单,下面将从单机模式和集群模式两
- tomcat数据源
alafqq
tomcat
数据库
JNDI(Java Naming and Directory Interface,Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。
没有使用JNDI时我用要这样连接数据库:
03. Class.forName("com.mysql.jdbc.Driver");
04. conn
- 遍历的方法
百合不是茶
遍历
遍历
在java的泛
- linux查看硬件信息的命令
bijian1013
linux
linux查看硬件信息的命令
一.查看CPU:
cat /proc/cpuinfo
二.查看内存:
free
三.查看硬盘:
df
linux下查看硬件信息
1、lspci 列出所有PCI 设备;
lspci - list all PCI devices:列出机器中的PCI设备(声卡、显卡、Modem、网卡、USB、主板集成设备也能
- java常见的ClassNotFoundException
bijian1013
java
1.java.lang.ClassNotFoundException: org.apache.commons.logging.LogFactory 添加包common-logging.jar2.java.lang.ClassNotFoundException: javax.transaction.Synchronization
- 【Gson五】日期对象的序列化和反序列化
bit1129
反序列化
对日期类型的数据进行序列化和反序列化时,需要考虑如下问题:
1. 序列化时,Date对象序列化的字符串日期格式如何
2. 反序列化时,把日期字符串序列化为Date对象,也需要考虑日期格式问题
3. Date A -> str -> Date B,A和B对象是否equals
默认序列化和反序列化
import com
- 【Spark八十六】Spark Streaming之DStream vs. InputDStream
bit1129
Stream
1. DStream的类说明文档:
/**
* A Discretized Stream (DStream), the basic abstraction in Spark Streaming, is a continuous
* sequence of RDDs (of the same type) representing a continuous st
- 通过nginx获取header信息
ronin47
nginx header
1. 提取整个的Cookies内容到一个变量,然后可以在需要时引用,比如记录到日志里面,
if ( $http_cookie ~* "(.*)$") {
set $all_cookie $1;
}
变量$all_cookie就获得了cookie的值,可以用于运算了
- java-65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
bylijinnan
java
参考了网上的http://blog.csdn.net/peasking_dd/article/details/6342984
写了个java版的:
public class Print_1_To_NDigit {
/**
* Q65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
* 1.使用字符串
- Netty源码学习-ReplayingDecoder
bylijinnan
javanetty
ReplayingDecoder是FrameDecoder的子类,不熟悉FrameDecoder的,可以先看看
http://bylijinnan.iteye.com/blog/1982618
API说,ReplayingDecoder简化了操作,比如:
FrameDecoder在decode时,需要判断数据是否接收完全:
public class IntegerH
- js特殊字符过滤
cngolon
js特殊字符js特殊字符过滤
1.js中用正则表达式 过滤特殊字符, 校验所有输入域是否含有特殊符号function stripscript(s) { var pattern = new RegExp("[`~!@#$^&*()=|{}':;',\\[\\].<>/?~!@#¥……&*()——|{}【】‘;:”“'。,、?]"
- hibernate使用sql查询
ctrain
Hibernate
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import org.hibernate.Hibernate;
import org.hibernate.SQLQuery;
import org.hibernate.Session;
import org.hibernate.Transa
- linux shell脚本中切换用户执行命令方法
daizj
linuxshell命令切换用户
经常在写shell脚本时,会碰到要以另外一个用户来执行相关命令,其方法简单记下:
1、执行单个命令:su - user -c "command"
如:下面命令是以test用户在/data目录下创建test123目录
[root@slave19 /data]# su - test -c "mkdir /data/test123" 
- 好的代码里只要一个 return 语句
dcj3sjt126com
return
别再这样写了:public boolean foo() { if (true) { return true; } else { return false;
- Android动画效果学习
dcj3sjt126com
android
1、透明动画效果
方法一:代码实现
public View onCreateView(LayoutInflater inflater, ViewGroup container, Bundle savedInstanceState)
{
View rootView = inflater.inflate(R.layout.fragment_main, container, fals
- linux复习笔记之bash shell (4)管道命令
eksliang
linux管道命令汇总linux管道命令linux常用管道命令
转载请出自出处:
http://eksliang.iteye.com/blog/2105461
bash命令执行的完毕以后,通常这个命令都会有返回结果,怎么对这个返回的结果做一些操作呢?那就得用管道命令‘|’。
上面那段话,简单说了下管道命令的作用,那什么事管道命令呢?
答:非常的经典的一句话,记住了,何为管
- Android系统中自定义按键的短按、双击、长按事件
gqdy365
android
在项目中碰到这样的问题:
由于系统中的按键在底层做了重新定义或者新增了按键,此时需要在APP层对按键事件(keyevent)做分解处理,模拟Android系统做法,把keyevent分解成:
1、单击事件:就是普通key的单击;
2、双击事件:500ms内同一按键单击两次;
3、长按事件:同一按键长按超过1000ms(系统中长按事件为500ms);
4、组合按键:两个以上按键同时按住;
- asp.net获取站点根目录下子目录的名称
hvt
.netC#asp.nethovertreeWeb Forms
使用Visual Studio建立一个.aspx文件(Web Forms),例如hovertree.aspx,在页面上加入一个ListBox代码如下:
<asp:ListBox runat="server" ID="lbKeleyiFolder" />
那么在页面上显示根目录子文件夹的代码如下:
string[] m_sub
- Eclipse程序员要掌握的常用快捷键
justjavac
javaeclipse快捷键ide
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 写道 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可
- c++编程随记
lx.asymmetric
C++笔记
为了字体更好看,改变了格式……
&&运算符:
#include<iostream>
using namespace std;
int main(){
int a=-1,b=4,k;
k=(++a<0)&&!(b--
- linux标准IO缓冲机制研究
音频数据
linux
一、什么是缓存I/O(Buffered I/O)缓存I/O又被称作标准I/O,大多数文件系统默认I/O操作都是缓存I/O。在Linux的缓存I/O机制中,操作系统会将I/O的数据缓存在文件系统的页缓存(page cache)中,也就是说,数据会先被拷贝到操作系统内核的缓冲区中,然后才会从操作系统内核的缓冲区拷贝到应用程序的地址空间。1.缓存I/O有以下优点:A.缓存I/O使用了操作系统内核缓冲区,
- 随想 生活
暗黑小菠萝
生活
其实账户之前就申请了,但是决定要自己更新一些东西看也是最近。从毕业到现在已经一年了。没有进步是假的,但是有多大的进步可能只有我自己知道。
毕业的时候班里12个女生,真正最后做到软件开发的只要两个包括我,PS:我不是说测试不好。当时因为考研完全放弃找工作,考研失败,我想这只是我的借口。那个时候才想到为什么大学的时候不能好好的学习技术,增强自己的实战能力,以至于后来找工作比较费劲。我
- 我认为POJO是一个错误的概念
windshome
javaPOJO编程J2EE设计
这篇内容其实没有经过太多的深思熟虑,只是个人一时的感觉。从个人风格上来讲,我倾向简单质朴的设计开发理念;从方法论上,我更加倾向自顶向下的设计;从做事情的目标上来看,我追求质量优先,更愿意使用较为保守和稳妥的理念和方法。
&