- Pandas——DataFrame对象用法
William.csj
编程语言pandas
Pandas——DataFrame对象用法一、创建pandas的DataFrame对象二、使用pandas读取excel文件三、访问pandasDataFrame中的元素四、获取DataFrame的行数和列数五、交换行六、访问和修改元素七、转置一、创建pandas的DataFrame对象Pandas学习笔记二——创建pandas的DataFrame对象的3种方法二、使用pandas读取excel文
- OpenAI: 人工智能领域的领军企业
2401_87458718
人工智能
OpenAI简介OpenAI是一家位于美国旧金山的人工智能研究实验室,成立于2015年。作为人工智能领域的领军企业,OpenAI致力于开发安全友好的通用人工智能(AGI),其使命是确保人工通用智能能够造福全人类。自成立以来,OpenAI在自然语言处理、计算机视觉、强化学习等多个人工智能领域取得了突破性进展,推出了一系列广受关注的AI模型和产品。OpenAI的发展历程OpenAI由埃隆·马斯克、山姆
- 基于“蘑菇书”的强化学习知识点(十三):第三章的代码:MonteCarlo.ipynb及其涉及的其他代码的更新以及注解(gym版本 >= 0.26)(一)
墨绿色的摆渡人
基于“蘑菇书”的强化学习知识点强化学习蘑菇书
第三章的代码:MonteCarlo.ipynb及其涉及的其他代码的更新以及注解(gym版本>=0.26)(一)摘要摘要本系列知识点讲解基于蘑菇书EasyRL中的内容进行详细的疑难点分析!具体内容请阅读蘑菇书EasyRL!对应蘑菇书附书代码——MonteCarlo.ipynb在MonteCarlo.ipynb目录下面创建envs文件夹,然后下载racetrack.py和track.txt放到envs
- 学习计划:第四阶段(第八周)
狐凄
学习学习
目录第四阶段:特殊方法与高级特性第8周:学习特殊方法周一周二周三周四周五总结一、学习内容回顾理论学习代码实践二、问题与解决问题解决方法三、学习成果四、下周计划第四阶段:特殊方法与高级特性第8周:学习特殊方法周一上午理论学习:阅读Python官方文档中关于特殊方法的章节,初步了解特殊方法的概念和作用。特殊方法也称为魔术方法,它们以双下划线开头和结尾,用于实现Python内置操作和语法糖。重点关注特殊
- 大模型学习路线与资源推荐
数字化转型2025
AI投资人工智能
以下是基于多篇参考资料整理的大模型学习路线,涵盖从基础到进阶的完整学习路径,帮助您系统掌握大模型核心技术并应用于实际场景:一、基础阶段:构建核心知识体系编程与数学基础编程语言:优先学习Python,掌握其语法、数据结构及常用库(如NumPy、Pandas、PyTorch)37。数学基础:线性代数、概率论与统计学、微积分是理解模型原理的基石,需重点掌握矩阵运算、概率分布等概念39。深度学习入门神经网
- MongoDB副本集与分片综合应用
李明一.
mongodb数据库
一、MongoDB副本集1.1、MongoDB复制在mongodb学习阶段,一般用的都是单台服务器,一个mongod服务进程。如果仅仅作为学习开发是可以的,但是如果用到生产环境,风险会很高,例如服务器崩溃、硬件出现问题,最坏的情况是磁盘或网络出问题可能会导致数损坏或数据不可访问。MongoDB复制是将数据同步在多个服务器的过程。复制提供了数据的冗余备份,并在多个服务器上存储数据副本,提高了数据的可
- 机器学习与深度学习在辣椒病虫害识别中的集成分析(实验室环境)
@@南风
农作物病害识别与分类深度学习机器学习神经网络
Abstract背景:辣椒是世界上最重要的高价值蔬菜作物之一。然而,虫害和疾病感染是辣椒种植的主要限制因素。这些疾病无法根除,但可以加以处理和监测,以减轻损害。因此,采用基于图像的自动识别系统将有助于快速识别辣椒病害。从图像中提取的特征对于开发这样一个精确的识别系统至关重要。结果:本研究将传统方法提取的辣椒病虫害特征与基于深度学习方法提取的特征进行了比较。***共采集辣椒叶片图像974张,由5种病
- python 语音转文本中文——DeepSpeech
drebander
python开发语言DeepSpeech
DeepSpeech简介与音频转文本实践DeepSpeech是由Mozilla开发的一种开源语音识别引擎,基于深度学习技术,采用端到端架构,可以高效地将语音转换为文本。其核心算法受BaiduDeepSpeech论文启发,使用RecurrentNeuralNetwork(RNN)处理语音数据。一、DeepSpeech的原理1.核心组件声学模型:将语音波形转换为概率分布表示。语言模型:对语音识别结果进
- BP算法的python实现 + 男女生分类器
乐宝不是酒
机器学习机器学习神经网络算法
模式识别课上学习了BP算法,并用BP算法实现了男女生分类器,之前因为时间匆忙只是简单记录了一下代码实现,现在重温一下发现代码中还是存在着一些问题,于是修改了一下Bug,也当做是复习吧。本文完整代码和数据集可以到这里:BP算法的python实现获得。BP算法是神经网络中十分经典的算法之一,要把它解释清楚实在需要很多时间,我只想重点讲一下基于BP算法的男女生分类器python实现,理论方面推荐看知乎大
- [C++]使用纯opencv部署yolov12目标检测onnx模型
FL1623863129
深度学习c++opencvYOLO
yolov12官方框架:sunsmarterjie/yolov12【算法介绍】在C++中使用纯OpenCV部署YOLOv12进行目标检测是一项具有挑战性的任务,因为YOLOv12通常是用PyTorch等深度学习框架实现的,而OpenCV本身并不直接支持加载和运行PyTorch模型。然而,你可以通过一些间接的方法来实现这一目标,比如将PyTorch模型转换为ONNX格式,然后使用OpenCV的DNN
- 射频学习之HFSS入门(一)
OKay_J
学习经验分享笔记
HFSS下载与介绍下载介绍基本概念特点工作流程优势下载我下载的版本是ANSYSElectromagneticsSuite2023R1通过这篇文章下载,教程非常详细介绍基本概念HFSS(High-FrequencyStructureSimulator)是由ANSYS开发的一个专业的电磁场仿真软件,广泛用于高频电子工程中的电磁场分析。它主要用于设计和优化电磁设备,如天线、微波元件、射频(RF)设备等,
- 支持向量机(Support Vector Machine,SVM)
不易撞的网名
支持向量机算法机器学习
支持向量机(SupportVectorMachine,简称SVM)是一种监督学习模型,主要用于分类和回归分析。SVM的基本思想是寻找一个决策边界或超平面,使得两类样本之间的间隔最大化。这个间隔被定义为支持向量到超平面的最短距离,而支持向量就是那些恰好位于间隔边缘上的训练样本点。线性可分情况下的SVM假设我们有一组训练数据(x1,y1),(x2,y2),…,(xn,yn)(x_1,y_1),(x_2
- Tensorflow2.x框架-神经网络八股扩展-acc曲线与loss曲线
诗雨时
loss/loss可视化,可视化出准确率上升、损失函数下降的过程博主微信公众号(左)、Python+智能大数据+AI学习交流群(右):欢迎关注和加群,大家一起学习交流,共同进步!目录摘要一、acc曲线与loss曲线二、完整代码摘要loss/loss可视化,可视化出准确率上升、损失函数下降的过程一、acc曲线与loss曲线history=model.fit(训练集数据,训练集标签,batch_siz
- DeepSeek强化学习(Reinforcement Learning)基础与实践
Evaporator Core
强化学习#DeepSeek快速入门人工智能python数据库tornado强化学习deepseek
引言强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,专注于训练智能体(Agent)在环境中通过试错来学习最优策略。与监督学习和无监督学习不同,强化学习通过奖励信号来指导智能体的行为,使其能够在复杂的环境中做出决策。DeepSeek提供了强大的工具和API,帮助我们高效地构建和训练强化学习模型。本文将详细介绍如何使用DeepSeek进行强化学习的基础与实践,并通
- 跟着小K开始零基础Python量化分析之旅 1: 初入量化江湖 —— Python与量化的第一次邂逅
山海青风
python量化分析
第一章:初入量化江湖——Python与量化的第一次邂逅故事情境在一个热闹的理财交流群里,小K偶然听到有人提起“量化投资”。那一刻,他心中燃起了一种莫名的好奇与憧憬:“量化投资究竟是什么?我真的能用代码来炒股吗?”然而,面对这一连串新奇的名词,小K感到有些茫然,一头雾水。就在他犹豫不决的时候,一位神秘的前辈私信他:“想要在量化江湖中闯出一片天地,首先得打好基础。先从搞定Python和学习如何读取股票
- 从零开始玩转TensorFlow:小明的机器学习故事 3
山海青风
#机器学习机器学习tensorflow人工智能
下面是一篇以小明为主角,尝试用TensorFlow预测校园活动参与率的学习故事。我们会在故事情境中穿插对线性回归和逻辑回归的原理介绍,并附带必要的代码示例,帮助你从零基础理解并动手实践。文章结尾还有简要的分析总结。小明的第一次机器学习实验场景:预测校园活动的参与率小明最近加入了学生会,负责策划校园活动。每次活动都需要准备场地、宣传物料和餐饮,但经常会出现场地过小或准备物资不足等问题。为了让活动准备
- 研二自学C++想转码,如何规划才能成功?有什么好的开源项目推荐?
程序员yt
c++开源java
今天给大家分享的是一位粉丝的提问,研二自学C++想转码,如何规划才能成功?有什么好的开源项目推荐?接下来把粉丝的具体提问和我的回复分享给大家,希望也能给一些类似情况的小伙伴一些启发和帮助。同学提问:你好,我想咨询一下转码相关的问题。我的学历背景是安徽大学本科西安电子科技大学研二在读,目前已经完成了C++基本语法的学习,也完成了两个国外的公开课CS144和6.s081的学习与相关lab的编写。接下来
- 无人机实战系列(二)本地摄像头 + Depth-Anything V2
nenchoumi3119
无人机实战无人机
这篇文章介绍了如何在本地运行Depth-AnythingV2,因为我使用的无人机是Tello,其本身仅提供了一个单目视觉相机,在众多单目视觉转Depth的方案中我选择了Depth-AnythingV2,这个库的强大在于其基于深度学习模型将单目视觉以较低的代价转换成RGBD图像,可以用来无人机避障与SLAM。Step1.拉取Depth-AnythingV2源码与模型下载官方仓库提供了两种方式调用De
- 深度学习笔记——循环神经网络RNN
好评笔记
补档深度学习rnn人工智能机器学习计算机视觉神经网络AIGC
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍面试过程中可能遇到的循环神经网络RNN知识点。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集文章目录热门专栏机器学习深度学习文本特征提取的方法1.基础方法1.1词袋模型(BagofWords,BOW)工作原理举例优点缺点1.2TF-IDF(TermFrequency-InverseDocumentFr
- Python 学习之旅:高级阶段(十七)Web 开发之模板引擎(如 Jinja2)
喜-喜
Python学习python学习前端
在Python的Web开发进程中,模板引擎是一个关键的工具,它能帮助我们将动态数据和静态的HTML结构结合起来,生成最终呈现给用户的网页。Jinja2作为Python中广泛使用的模板引擎,以其简洁的语法和强大的功能,在众多Web框架中发挥着重要作用。接下来,让我们以Flask框架为依托,深入了解Jinja2模板引擎。一、模板引擎的作用 在Web开发中,我们常常需要根据不同的用户请求,动态生成
- 揭秘波士顿房价密码:从经典数据集到线性回归实战
珠峰日记
线性回归算法回归机器学习深度学习
引言波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的“HelloWorld”。和大家对房价的普遍认知相同,波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价,期望构建一个基于13个因素进行房价预测的模型。在机器学习领域,预测问题是一个核心研究方向,而房价预测作为其中的经典回归问题备受关注。波士顿房价数据集包含了与波士顿地区房屋相关的多种特征信息,通过
- 机器学习数学通关指南——牛顿-莱布尼茨公式
Shockang
机器学习数学通关指南机器学习数学微积分
前言本文隶属于专栏《机器学习数学通关指南》,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢!本专栏目录结构和参考文献请见《机器学习数学通关指南》正文一句话总结∫abf(x) dx=F(b)−F(a)\int_{a}^{b}f(x)\,dx=F(b)-F(a)∫abf(x)dx=F(b)−F(a)其中,F(x)F(x)F(x)是f(x)f(x)f(x)的一个原函数(即F′(
- 终于明白了!人工智能、机器学习、深度学习、集成学习及大模型的定义与联系
大模型玩家
人工智能机器学习深度学习产品经理算法学习方法集成学习
在当今快速发展的科技领域,人工智能(ArtificialIntelligence,AI)、机器学习(MachineLearning,ML)、深度学习(DeepLearning,DL)、集成学习(EnsembleLearning)以及大模型(LargeModels)等概念频繁出现在人们的视野中。它们不仅推动了科技的进步,也深刻影响了社会生活的方方面面。本文将对这些概念进行全面解析,并探讨它们之间的联
- 支持向量机 (Support Vector Machine, SVM)
数维学长986
支持向量机算法机器学习
支持向量机(SupportVectorMachine,SVM)支持向量机(SVM)是一种广泛应用于分类、回归分析以及异常检测的监督学习算法。它基于结构风险最小化(StructuralRiskMinimization,SRM)原则,通过寻找一个最优超平面来实现数据的分类。SVM不仅可以处理线性可分问题,也能够通过核技巧(KernelTrick)处理非线性可分问题。1.基本概念超平面:在特征空间中,S
- 神经网络八股(3)
SylviaW08
神经网络人工智能深度学习
1.什么是梯度消失和梯度爆炸梯度消失是指梯度在反向传播的过程中逐渐变小,最终趋近于零,这会导致靠前层的神经网络层权重参数更新缓慢,甚至不更新,学习不到有用的特征。梯度爆炸是指梯度在方向传播过程中逐渐变大,权重参数更新变化较大,导致损失函数的上下跳动,导致训练不稳定可以使用一些合理的损失函数如relu,leakRelu,归一化处理,batchnorm,确保神经元的输出值在合理的范围内2.为什么需要特
- 机器学习笔记——特征工程
好评笔记
补档机器学习笔记人工智能AIGC深度学习计算机视觉面试八股
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本笔记介绍机器学习中常见的特征工程方法、正则化方法和简要介绍强化学习。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集文章目录热门专栏机器学习深度学习特征工程(FzeatureEngineering)1.特征提取(FeatureExtraction)手工特征提取(ManualFeatureExtraction):自
- DeepSeek基础之机器学习
珠峰日记
机器学习ai人工智能
文章目录一、核心概念总结(一)机器学习基本定义(二)基本术语(三)假设空间(四)归纳偏好(五)“没有免费的午餐”定理(NFL定理)二、重点理解与思考(一)泛化能力的重要性(二)归纳偏好的影响(三)NFL定理的启示三、应用场景联想(一)电商推荐系统(二)医疗诊断四、机器学习的基本流程(一)问题定义(二)数据收集与预处理(三)模型选择与训练(四)模型评估与优化(五)模型部署与应用五、机器学习的挑战(一
- 计算机二级公共基础知识考点整理,超全面,超全面
zhishitu7
数据结构算法java
第一章数据结构与算法经过对部分考生的调查以及对近年真题的总结分析,笔试部分经常考查的是算法复杂度、数据结构的概念、栈、二叉树的遍历、二分法查找,读者应对此部分进行重点学习。详细重点学习知识点:1.算法的概念、算法时间复杂度及空间复杂度的概念2.数据结构的定义、数据逻辑结构及物理结构的定义3.栈的定义及其运算、线性链表的存储方式4.树与二叉树的概念、二叉树的基本性质、完全二叉树的概念、二叉树的遍历5
- java23种设计模式-单例模式
千里码!
后端技术设计模式#Java单例模式设计模式
单例模式(SingletonPattern)学习笔记定义单例模式属于创建型设计模式,确保一个类只有一个实例,并提供全局访问点。是Java中最简单但实现最复杂的设计模式。适用场景需要控制资源访问(如数据库连接池)全局配置对象日志记录器设备管理器(如打印机服务)缓存系统线程池/连接池管理模式结构类图Singleton-staticinstance:Singleton-Singleton()+stati
- 50周学习go语言:第1周 环境搭建
PyAIGCMaster
50周学习go语言学习golang开发语言
以下是为零基础学习者准备的详细第1周教程,包含环境搭建、工具配置和首个Go程序的完整操作指南:一、Go语言环境安装(Windows/macOS/Linux通用)1.下载安装包官网地址:https://go.dev/dl//根据系统选择对应版本:Windows:下载.msi文件(如go1.21.0.windows-amd64.msi)macOS:下载.pkg文件(如go1.21.0.darwin-a
- Linux的Initrd机制
被触发
linux
Linux 的 initrd 技术是一个非常普遍使用的机制,linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式,变化不仅反映在文件格式上, linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术,然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
- maven本地仓库路径修改
bitcarter
maven
默认maven本地仓库路径:C:\Users\Administrator\.m2
修改maven本地仓库路径方法:
1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml
2.找到
 
- XSD和XML中的命名空间
darrenzhu
xmlxsdschemanamespace命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml
http://blog.csdn.net/wanghuan203/article/details/9203621
http://blog.csdn.net/wanghuan203/article/details/9204337
http://www.cn
- Java 求素数运算
周凡杨
java算法素数
网络上对求素数之解数不胜数,我在此总结归纳一下,同时对一些编码,加以改进,效率有成倍热提高。
第一种:
原理: 6N(+-)1法 任何一个自然数,总可以表示成为如下的形式之一: 6N,6N+1,6N+2,6N+3,6N+4,6N+5 (N=0,1,2,…)
- java 单例模式
g21121
java
想必单例模式大家都不会陌生,有如下两种方式来实现单例模式:
class Singleton {
private static Singleton instance=new Singleton();
private Singleton(){}
static Singleton getInstance() {
return instance;
}
- Linux下Mysql源码安装
510888780
mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz
(1)创建mysql的安装目录及数据库存放目录
解压缩下载的源码包,目录结构,特殊指定的目录除外:
- 32位和64位操作系统
墙头上一根草
32位和64位操作系统
32位和64位操作系统是指:CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的,但是这些CPU并不是真正意义上的64 位CPU,里面依然保留了大部分32位的技术,只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面,32位系统的最大寻址空间是2 的32次方= 4294967296(bit)= 4(GB)左右,而64位系统的最大寻址空间的寻址空间则达到了
- 我的spring学习笔记10-轻量级_Spring框架
aijuans
Spring 3
一、问题提问:
→ 请简单介绍一下什么是轻量级?
轻量级(Leightweight)是相对于一些重量级的容器来说的,比如Spring的核心是一个轻量级的容器,Spring的核心包在文件容量上只有不到1M大小,使用Spring核心包所需要的资源也是很少的,您甚至可以在小型设备中使用Spring。
 
- mongodb 环境搭建及简单CURD
antlove
WebInstallcurdNoSQLmongo
一 搭建mongodb环境
1. 在mongo官网下载mongodb
2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db"
3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
- 数据字典和动态视图
百合不是茶
oracle数据字典动态视图系统和对象权限
数据字典(data dictionary)是 Oracle 数据库的一个重要组成部分,这是一组用于记录数据库信息的只读(read-only)表。随着数据库的启动而启动,数据库关闭时数据字典也关闭 数据字典中包含
数据库中所有方案对象(schema object)的定义(包括表,视图,索引,簇,同义词,序列,过程,函数,包,触发器等等)
数据库为一
- 多线程编程一般规则
bijian1013
javathread多线程java多线程
如果两个工两个以上的线程都修改一个对象,那么把执行修改的方法定义为被同步的,如果对象更新影响到只读方法,那么只读方法也要定义成同步的。
不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据,就不要将方法设置为synchronized的。
- 将文件或目录拷贝到另一个Linux系统的命令scp
bijian1013
linuxunixscp
一.功能说明 scp就是security copy,用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议,保证了数据传输的安全,其格式如下: scp 远程用户名@IP地址:文件的绝对路径
- 【持久化框架MyBatis3五】MyBatis3一对多关联查询
bit1129
Mybatis3
以教员和课程为例介绍一对多关联关系,在这里认为一个教员可以叫多门课程,而一门课程只有1个教员教,这种关系在实际中不太常见,通过教员和课程是多对多的关系。
示例数据:
地址表:
CREATE TABLE ADDRESSES
(
ADDR_ID INT(11) NOT NULL AUTO_INCREMENT,
STREET VAR
- cookie状态判断引发的查找问题
bitcarter
formcgi
先说一下我们的业务背景:
1.前台将图片和文本通过form表单提交到后台,图片我们都做了base64的编码,并且前台图片进行了压缩
2.form中action是一个cgi服务
3.后台cgi服务同时供PC,H5,APP
4.后台cgi中调用公共的cookie状态判断方法(公共的,大家都用,几年了没有问题)
问题:(折腾两天。。。。)
1.PC端cgi服务正常调用,cookie判断没
- 通过Nginx,Tomcat访问日志(access log)记录请求耗时
ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间
nginx.conf使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
- java-67- n个骰子的点数。 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
bylijinnan
java
public class ProbabilityOfDice {
/**
* Q67 n个骰子的点数
* 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
* 在以下求解过程中,我们把骰子看作是有序的。
* 例如当n=2时,我们认为(1,2)和(2,1)是两种不同的情况
*/
private stati
- 看别人的博客,觉得心情很好
Cb123456
博客心情
以为写博客,就是总结,就和日记一样吧,同时也在督促自己。今天看了好长时间博客:
职业规划:
http://www.iteye.com/blogs/subjects/zhiyeguihua
android学习:
1.http://byandby.i
- [JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析
comsci
工作流
我们已经不满足于仅仅跳跃一次,通过对引擎的升级,今天我测试了一下循环反馈模式,大概跑了200圈,引擎报一个溢出错误
在一个流程图的结束节点中嵌入一段方程,每次引擎运行到这个节点的时候,通过实时编译器GM模块,计算这个方程,计算结果与预设值进行比较,符合条件则跳跃到开始节点,继续新一轮拓扑分析,直到遇到
- JS常用的事件及方法
cwqcwqmax9
js
事件 描述
onactivate 当对象设置为活动元素时触发。
onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。
onbeforeactivate 对象要被设置为当前元素前立即触发。
onbeforecut 当选中区从文档中删除之前在源对象触发。
onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
- 正则表达式验证日期格式
dashuaifu
正则表达式IT其它java其它
正则表达式验证日期格式
function isDate(d){
var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i);
if(!v) {
this.focus();
return false;
}
}
<input value="2000-8-8" onblu
- Yii CModel.rules() 方法 、validate预定义完整列表、以及说说验证
dcj3sjt126com
yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。 返回属性的有效性规则。声明验证规则,应重写此方法。 每个规则是数组具有以下结构:array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
- UITextAttributeTextColor = deprecated in iOS 7.0
dcj3sjt126com
ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0."
Ins
- 判断一个数是质数的几种方法
EmmaZhao
Mathpython
质数也叫素数,是只能被1和它本身整除的正整数,最小的质数是2,目前发现的最大的质数是p=2^57885161-1【注1】。
判断一个数是质数的最简单的方法如下:
def isPrime1(n):
for i in range(2, n):
if n % i == 0:
return False
return True
但是在上面的方法中有一些冗余的计算,所以
- SpringSecurity工作原理小解读
坏我一锅粥
SpringSecurity
SecurityContextPersistenceFilter
ConcurrentSessionFilter
WebAsyncManagerIntegrationFilter
HeaderWriterFilter
CsrfFilter
LogoutFilter
Use
- JS实现自适应宽度的Tag切换
ini
JavaScripthtmlWebcsshtml5
效果体验:http://hovertree.com/texiao/js/3.htm
该效果使用纯JavaScript代码,实现TAB页切换效果,TAB标签根据内容自适应宽度,点击TAB标签切换内容页。
HTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"
- Hbase Rest API : 数据查询
kane_xie
RESThbase
hbase(hadoop)是用java编写的,有些语言(例如python)能够对它提供良好的支持,但也有很多语言使用起来并不是那么方便,比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口,它内嵌了jetty作为servlet容器。
启动命令:./bin/hbase rest s
- JQuery实现鼠标拖动元素移动位置(源码+注释)
明子健
jqueryjs源码拖动鼠标
欢迎讨论指正!
print.html代码:
<!DOCTYPE html>
<html>
<head>
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
<title>发票打印</title>
&l
- Postgresql 连表更新字段语法 update
qifeifei
PostgreSQL
下面这段sql本来目的是想更新条件下的数据,可是这段sql却更新了整个表的数据。sql如下:
UPDATE tops_visa.visa_order
SET op_audit_abort_pass_date = now()
FROM
tops_visa.visa_order as t1
INNER JOIN tops_visa.visa_visitor as t2
ON t1.
- 将redis,memcache结合使用的方案?
tcrct
rediscache
公司架构上使用了阿里云的服务,由于阿里的kvstore收费相当高,打算自建,自建后就需要自己维护,所以就有了一个想法,针对kvstore(redis)及ocs(memcache)的特点,想自己开发一个cache层,将需要用到list,set,map等redis方法的继续使用redis来完成,将整条记录放在memcache下,即findbyid,save等时就memcache,其它就对应使用redi
- 开发中遇到的诡异的bug
wudixiaotie
bug
今天我们服务器组遇到个问题:
我们的服务是从Kafka里面取出数据,然后把offset存储到ssdb中,每个topic和partition都对应ssdb中不同的key,服务启动之后,每次kafka数据更新我们这边收到消息,然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了,最开始我们是在代码中打印存储的日志,发现没什么问题,后来去查看ssdb的日志,才发现里面每次set的时候都会对同一个key