- 第38周:猫狗识别 (Tensorflow实战第八周)
weixin_46620278
tensorflow人工智能python
目录前言一、前期工作1.1设置GPU1.2导入数据输出二、数据预处理2.1加载数据2.2再次检查数据2.3配置数据集2.4可视化数据三、构建VGG-16网络3.1VGG-16网络介绍3.2搭建VGG-16模型四、编译五、训练模型六、模型评估七、预测总结前言本文为中的学习记录博客原作者:说在前面1)本周任务:了解model.train_on_batch()并运用;了解tqdm,并使用tqdm实现可视
- Tensorflow 实现 Word2Vec
王小鸟_wpcool
今天学习了一下《Tensorflow实战》这本书中第7章内容,利用tensorflow实现word2vec。其实书中内容就是Tensorflow教程中的例子,现在挣钱真容易。附链接https://github.com/tensorflow/tensorflow/blob/r0.12/tensorflow/examples/tutorials/word2vec/word2vec_basic.py代码
- 深度学习的发展历程
SnowScholar
深度学习机器学习深度学习神经网络发展历程
参考书籍《Tensorflow实战Google深度学习框架》郑泽宇等要想学习深度学习这门技术,那么有必要对其发展作一定程度的了解。深度学习其实不是一门新技术,目前大家熟悉的“深度学习”基本上是深度神经网络的一个代名词,神经网络技术可追溯到1943年。深度学习之所以被人们认为是新技术,那是因为它在21世纪初并不流行。神经网络的发展不是一番风顺,它的发展经历了三个起落,也可分为三个阶段。第一阶段:受到
- Tensorflow实战深度学习笔记一
独立开发者Lau
人类直观能力----人工智能(自然语言理解、图像识别、语音识别等)。经验----机器学习。训练----特征相关度。特征提取深度学习---自动地将简单的特征组合成更加复杂的特征,并使用这些复杂特征解决问题。深度学习--------不等于模仿人类大脑。
- 4.3 TensorFlow实战三(3):MNIST手写数字识别问题-多层神经网络模型
大白猿学习笔记
一、多层神经网络解决MNIST问题1.构建多层神经网络模型在4.2节我们使用了单层神经网络来解决MNIST手写数字识别问题,提高了识别性能。很容易想到,能否增加隐藏层数量来进一步提高模型预测的的准确率。这一节我们尝试构建两层神经网络模型。代码方面,只需要修改隐藏层构建到输出层构建的一部分即可#构建多隐藏层(2层)H1_NN=256#第1隐藏层神经元的数量w1=tf.Variable(tf.rand
- TensorFlow实战教程(三十五)-VS Code配置Python编程和Keras环境及手写数字识别(基础篇)
张志翔的博客
TensorFlow实战教程pythontensorflowkeras
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章利用Keras构建无监督学习Autoencoder模型并实现聚类分析。这篇文章将介绍基础知识,因为很多读者咨询我如何用VSCode配置Keras深度学习环境,并对比常用的深度学习框架,最后普及手写数字识别案例。基础性文章,希望对您有所帮助一.VSCode安装Python在介绍代码之前,先讲解Python常用的开发
- TensorFlow实战教程(二十五)-基于BiLSTM-CRF的医学命名实体识别研究(下)模型构建
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
这篇文章写得很冗余,但是我相信你如果真的看完,并且按照我的代码和逻辑进行分析,对您以后的数据预处理和命名实体识别都有帮助,只有真正对这些复杂的文本进行NLP处理后,您才能适应更多的真实环境,坚持!毕竟我写的时候也看了20多小时的视频,又写了20多个小时,别抱怨,加油~上一篇文章处理后的数据格式如下图所示,将一个个句子处理成了包含六元组的CSV文件,这篇文章将介绍BiLSTM-CRF模型搭建及训练、
- TensorFlow实战教程(十九)-Keras搭建循环神经网络分类案例及RNN原理详解
张志翔的博客
TensorFlow实战教程tensorflowkerasrnn
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了卷积神经网络CNN原理,并通过Keras编写CNN实现了MNIST分类学习案例。这篇文章将详细讲解循环神经网络RNN的原理知识,并采用Keras实现手写数字识别的RNN分类案例及可视化呈现。基础性文章,希望对您有所帮助!一.循环神经网络在编写代码之前,我们需要介绍什么是RNN,RNN是怎样运行的以及RNN的
- TensorFlow实战教程(二十四)-基于BiLSTM-CRF的医学命名实体识别研究(上)数据预处理
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
这篇文章写得很冗余,但是我相信你如果真的看完,并且按照我的代码和逻辑进行分析,对您以后的数据预处理和命名实体识别都有帮助,只有真正对这些复杂的文本进行NLP处理后,您才能适应更多的真实环境,坚持!毕竟我写的时候也看了20多小时的视频,又写了20多个小时,别抱怨,加油~一.什么是命名实体识别实体是知识图谱最重要的组成,命名实体识别(NamedEntityRecognition,NER)对于知识图谱构
- TensorFlow实战教程(二十八)-Keras实现BiLSTM微博情感分类和LDA主题挖掘分析
张志翔的博客
TensorFlow实战教程tensorflowkeras分类
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章通过Keras深度学习构建CNN模型识别阿拉伯手写文字图像,一篇非常经典的图像分类文字。这篇文章将结合文本挖掘介绍微博情感分类知识,包括数据预处理、机器学习和深度学习的情感分类,后续结合LDA进行主题挖掘。基础性文章,希望对您有所帮助!一.BiLSTM模型LSTM的全称是LongShort-TermMemory,
- TensorFlow实战教程(一)-TensorFlow环境部署
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
从本篇文章开始,作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念,同时讲解TensorFlow2.0的安装过程及基础用法,主要结合作者之前的博客和"莫烦大神"的视频介绍,后面随着深入会讲解具体的项目及应用。基础性文章,希望对您有所帮助,如果文章中存在错误或不足之处,还请海涵~同时自己也是人工智能的菜鸟,希望大家能与我在这一笔一划的博客中成长起来。
- TensorFlow实战教程(十七)-Keras搭建分类神经网络及MNIST数字图像案例分析
张志翔的博客
TensorFlow实战教程tensorflowkeras分类
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了Keras环境搭建、入门基础及回归神经网络案例。本篇文章将通过Keras实现分类学习,以MNIST数字图片为例进行讲解。基础性文章,希望对您有所帮助!一.什么是分类学习1.Classification我们之前文章解决的都是回归问题,它预测的是一个连续分布的值,例如房屋的价格、汽车的速度、Pizza的价格
- [TensorFlow 学习笔记-03]TensorFlow简介
caicaiatnbu
TensorFlow学习笔记深度学习TensorFlow
[版权说明]TensorFlow学习笔记参考:李嘉璇著TensorFlow技术解析与实战黄文坚唐源著TensorFlow实战郑泽宇顾思宇著TensorFlow实战Google深度学习框架乐毅王斌著深度学习-Caffe之经典模型详解与实战TensorFlow中文社区http://www.tensorfly.cn/极客学院著TensorFlow官方文档中文版TensorFlow官方文档英文版以及各位大
- 免费教材丨第55期:Python机器学习实践指南、Tensorflow 实战Google深度学习框架
人工智能爱好者俱乐部
小编说时间过的好快啊,小伙伴们是不是都快进入寒假啦?但是学习可不要落下哦!本期教材本期为大家发放的教材为:《Python机器学习实践指南》、《Tensorflow实战Google深度学习框架》两本书,大家可以根据自己的需要阅读哦!《Python机器学习实践指南》内容简介机器学习是近年来渐趋热门的一个领域,同时Python语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Py
- Tensorflow入门(七)——CNN经典模型:LeNet
陈陈陈Chann
#Tensorflow卷积神经网络tensorflow深度学习机器学习
上一节《Tensorflow入门(六)——初识卷积神经网络(CNN)》实战篇《Tensorflow实战(二)——MNIST(CNN实现)》原文链接:https://my.oschina.net/u/876354/blog/1632862本文在原文基础上进行细微的修改和完善。文章目录1.CNN的三个特点1.1局部感知1.2参数(权值)共享1.3池化2.LeNet52.1C1层(卷积层):6@28×2
- 深度之眼-机器学习总结
任嘉平生愿
为期三个月的西瓜书机器学习训练营结束,昨天听完了毕业典礼。我做了如下总结:校长讲话:定目标短时间自己的小团队闭环开环闭环----学习小部分就应用时间和努力的堆积打比赛应用人工智能的课题和方向资料tensorflow实战google深度学习框架和强者学习才会遇强则强博士讲话:1.坚持写博客2.github3.多练习4.英文原版的文章高级课程你目前的弱点是什么5.多读论文
- 机器学习(19)---神经网络详解
冒冒菜菜
机器学习从0到1机器学习人工智能神经网络笔记
神经网络一、神经网络概述1.1神经元模型1.2激活函数二、感知机2.1概述2.2实现逻辑运算2.3多层感知机三、神经网络3.1工作原理3.2前向传播3.3Tensorflow实战演示3.3.1导入数据集查看3.3.2数据预处理3.3.3建立模型3.3.4评估模型四、反向传播五、例题5.1题15.2题2一、神经网络概述1.1神经元模型 1.这里采用最广泛一种定义:神经网络是由适应性的简单单元组成的广
- TensorFlow实战(五)Deep Dream(计算机生成梦幻图像)——理解深度神经网络结构及应用
young974
一、疑问卷积层究竟学到了什么内容?同一卷积层中不同通道学习到的内容有什么区别?浅层的卷积和深层的卷积学习到的内容有什么区别?二、DeepDream技术原理DeepDream生成梦幻图像1.利用CNN进行图像分类:CNN的图像分类2.DeepDream使用梯度上升的方法可视化网络每一层的特征,即用一张噪声图像输入网络,反向更新的时候不更新网络权重,而是更新初始图像的像素值,(这里卷积神经网络是固定的
- 机器学习实战:Python基于NN神经网络进行分类(十一)
Bioinfo Guy
机器学习Python机器学习python神经网络
文章目录1前言1.1神经网络的介绍1.2神经网络的应用2.Tensorflow实战演示2.1导入函数2.2导入数据2.3数据预处理2.4建立神经网络2.5训练模型2.6评估模型2.7预测3.讨论1前言神经网络(Neuralnetwork,NN)机器学习是一种基于人工神经网络的机器学习方法,它模拟了人类神经系统的工作原理。神经网络是由多个人工神经元组成的网络结构,每个神经元都接收输入信号、进行计算并
- 【Manning2022新书】TensorFlow实战
数据派THU
神经网络机器学习人工智能深度学习java
来源:专知本文为书籍介绍,建议阅读5分钟TensorFlowinAction教你使用TensorFlow2构建、训练和部署深度学习模型。TensorFlowinAction教你使用TensorFlow2构建、训练和部署深度学习模型。在本实用教程中,您将在创建可用于生产的应用(如法语-英语翻译程序和可以编写小说的神经网络)时,亲自构建可重用的技能。您将欣赏从DL基础知识到NLP、图像处理和MLOps
- 深度学习02-神经网络(MLP多层感知器)
liaomin416100569
深度学习神经网络人工智能
文章目录神经网络简介学习路径分类多层感知器(MLP)神经网络认识两层神经网络输入层从输入层到隐藏层从隐藏层到输出层激活层输出的正规化如何衡量输出的好坏反向传播与参数优化过拟合BP算法推导定义算法讲解前向传播反向传播具体实例tensorflow实战加载数据集数据预处理one-host编码keras.utils.to_categorical()构造多层感知器模型tf.keras.Sequentialk
- TensorFlow实战--使用神经网络来实现对鸢尾花数据集的分类
C君莫笑
人生苦短-我用Pythontensorflowpython机器学习
利用单层神经网络实现对鸢尾花数据集的分类使用没有隐含层的单层前馈型神经网络来实现对鸢尾花的分类importpandasaspdimportnumpyasnpimporttensorflowastftf.enable_eager_execution()#关键importmatplotlib.pyplotaspltplt.rcParams['font.sans-serif']="SimHei"plt.
- 线性回归详解及Tensorflow实战
lmn_
AI人工智能AI线性回归算法
0x01线性回归概述线性回归()是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法其表达形式为y=w'x+e,e为误差服从均值为0的正态分布线性回归可能是统计学和机器学习中最著名和最容易理解的算法之一在统计学中,线性回归是一种对标量响应和一个或多个解释变量(也称为因变量和自变量)之间的关系进行建模的线性方法一个解释变量的情况称为简单线性回归(simplelin
- 机器学习笔记(十三):TensorFlow实战五(经典卷积神经网络: LeNet -5 )
LiAnG小炜
机器学习笔记
1-引言之前我们介绍了一下卷积神经网络的基本结构——卷积层和池化层。通过这两个结构我们可以任意的构建各种各样的卷积神经网络模型,不同结构的网络模型也有不同的效果。但是怎样的神经网络模型具有比较好的效果呢?下图展示了CNN的发展历程。经过人们不断的尝试,诞生了许多有有着里程碑式意义的CNN模型。因此我们接下来会学习这些非常经典的卷积神经网络LeNet-5AlexNetVGGInceptionResN
- Tensorflow-图像处理视频课程-唐宇迪-专题视频课程
迪哥有点愁了
视频教程图像处理深度学习tensorflow机器学习人工智能
Tensorflow-图像处理视频课程—491人已学习课程介绍课程以Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。课程收益掌握如何使用Tensorflow进行图像处理并使用tensorflow实战。讲师介绍唐宇迪更多讲师课程计算机博士,专注于机器学习
- 深度学习之TensorFlow实战2
Mr Robot
深度学习TensorFlow人工智能人工智能深度学习tensorflowpython
TensorFlow基本概念图(Graph):图描述了计算的过程,TensorFlow使用图来表示计算任务。张量(Tensor):TensorFlow使用tensor表示数据。每个Tensor是一个类型化的多维数组。操作(op):图中的节点被称为op(opearation的缩写),一个op获得0个或多个Tensor,执行计算,产生0个或多个Tensor。会话(Session):图必须在称之为“会话
- Day1 #100DaysofMLCoding#
MWhite
2018-8-6个人前置条件:已经将《统计学习方法》《机器学习实战》一刷80%西瓜书一刷50%,tensorflow实战一刷70%kaggle上参与过titanic(Top6%)和数字识别(Top12%)比较了解pandas,numpy,matplotlib,seaborn,tensorflow,sklearn今日计划复习数学模型基础看深度学习博客——太长了悠闲时看视觉CV博客一colah个人博客
- TensorFlow实战(四)MNIST手写数字识别进阶——单、多隐层全连接网络
young974
上节手写数字识别入门用的是单个神经元来处理分类问题,准确率达0.8619。这一节做一些改进,以单隐含层全连接网络为例,可使准确率达0.9744。后进一步调整隐含层数测试发现,加入不同层数隐含层达到的准确率,3层>单层>2层。说明神经网络的层数未必越多越好。单个神经元模型全连接单隐藏层神经网络导入数据集importtensorflowastfimporttensorflow.examples.tut
- TensorFlow实战:LSTM的结构与cell中的参数
星之所望
python
一些参数训练的话一般一批一批训练,即让batch_size个句子同时训练;每个句子的单词个数为num_steps,由于句子长度就是时间长度,因此用num_steps代表句子长度。在NLP问题中,我们用词向量表示一个单词(一个数基本不能表示一个词,大家应该都知道的吧,可以去了解下词向量),我们设定词向量的长度为wordvec_size。LSTM结构中是一个神经网络,即下图的结构就是一个LSTM单元,
- 图像风格快速迁移tensorflow实战
sk千空
一个代码篮子1024程序员节tensorflowpython机器学习深度学习
引言需要解决的问题是:利用tensorflow的快速风格迁移功能,把一张qq的logo图片转换成《星空》油画的风格,并打印输出。如图所示,最右边图像是输入结果,左边两图是输入:一、操作步骤通过两天的学习,修了许多bug,踩了不少坑,终于把实验做成了。现在试着阐述相关的原理和具体操作步骤。这里我把整个实验过程分为4大部分,每个部分都会给出详细的操作步骤。A.软件的安装和配置B.风格迁移代码的理解和操
- ios内付费
374016526
ios内付费
近年来写了很多IOS的程序,内付费也用到不少,使用IOS的内付费实现起来比较麻烦,这里我写了一个简单的内付费包,希望对大家有帮助。
具体使用如下:
这里的sender其实就是调用者,这里主要是为了回调使用。
[KuroStoreApi kuroStoreProductId:@"产品ID" storeSender:self storeFinishCallBa
- 20 款优秀的 Linux 终端仿真器
brotherlamp
linuxlinux视频linux资料linux自学linux教程
终端仿真器是一款用其它显示架构重现可视终端的计算机程序。换句话说就是终端仿真器能使哑终端看似像一台连接上了服务器的客户机。终端仿真器允许最终用户用文本用户界面和命令行来访问控制台和应用程序。(LCTT 译注:终端仿真器原意指对大型机-哑终端方式的模拟,不过在当今的 Linux 环境中,常指通过远程或本地方式连接的伪终端,俗称“终端”。)
你能从开源世界中找到大量的终端仿真器,它们
- Solr Deep Paging(solr 深分页)
eksliang
solr深分页solr分页性能问题
转载请出自出处:http://eksliang.iteye.com/blog/2148370
作者:eksliang(ickes) blg:http://eksliang.iteye.com/ 概述
长期以来,我们一直有一个深分页问题。如果直接跳到很靠后的页数,查询速度会比较慢。这是因为Solr的需要为查询从开始遍历所有数据。直到Solr的4.7这个问题一直没有一个很好的解决方案。直到solr
- 数据库面试题
18289753290
面试题 数据库
1.union ,union all
网络搜索出的最佳答案:
union和union all的区别是,union会自动压缩多个结果集合中的重复结果,而union all则将所有的结果全部显示出来,不管是不是重复。
Union:对两个结果集进行并集操作,不包括重复行,同时进行默认规则的排序;
Union All:对两个结果集进行并集操作,包括重复行,不进行排序;
2.索引有哪些分类?作用是
- Android TV屏幕适配
酷的飞上天空
android
先说下现在市面上TV分辨率的大概情况
两种分辨率为主
1.720标清,分辨率为1280x720.
屏幕尺寸以32寸为主,部分电视为42寸
2.1080p全高清,分辨率为1920x1080
屏幕尺寸以42寸为主,此分辨率电视屏幕从32寸到50寸都有
适配遇到问题,已1080p尺寸为例:
分辨率固定不变,屏幕尺寸变化较大。
如:效果图尺寸为1920x1080,如果使用d
- Timer定时器与ActionListener联合应用
永夜-极光
java
功能:在控制台每秒输出一次
代码:
package Main;
import javax.swing.Timer;
import java.awt.event.*;
public class T {
private static int count = 0;
public static void main(String[] args){
- Ubuntu14.04系统Tab键不能自动补全问题解决
随便小屋
Ubuntu 14.04
Unbuntu 14.4安装之后就在终端中使用Tab键不能自动补全,解决办法如下:
1、利用vi编辑器打开/etc/bash.bashrc文件(需要root权限)
sudo vi /etc/bash.bashrc
接下来会提示输入密码
2、找到文件中的下列代码
#enable bash completion in interactive shells
#if
- 学会人际关系三招 轻松走职场
aijuans
职场
要想成功,仅有专业能力是不够的,处理好与老板、同事及下属的人际关系也是门大学问。如何才能在职场如鱼得水、游刃有余呢?在此,教您简单实用的三个窍门。
第一,多汇报
最近,管理学又提出了一个新名词“追随力”。它告诉我们,做下属最关键的就是要多请示汇报,让上司随时了解你的工作进度,有了新想法也要及时建议。不知不觉,你就有了“追随力”,上司会越来越了解和信任你。
第二,勤沟通
团队的力
- 《O2O:移动互联网时代的商业革命》读书笔记
aoyouzi
读书笔记
移动互联网的未来:碎片化内容+碎片化渠道=各式精准、互动的新型社会化营销。
O2O:Online to OffLine 线上线下活动
O2O就是在移动互联网时代,生活消费领域通过线上和线下互动的一种新型商业模式。
手机二维码本质:O2O商务行为从线下现实世界到线上虚拟世界的入口。
线上虚拟世界创造的本意是打破信息鸿沟,让不同地域、不同需求的人
- js实现图片随鼠标滚动的效果
百合不是茶
JavaScript滚动属性的获取图片滚动属性获取页面加载
1,获取样式属性值
top 与顶部的距离
left 与左边的距离
right 与右边的距离
bottom 与下边的距离
zIndex 层叠层次
例子:获取左边的宽度,当css写在body标签中时
<div id="adver" style="position:absolute;top:50px;left:1000p
- ajax同步异步参数async
bijian1013
jqueryAjaxasync
开发项目开发过程中,需要将ajax的返回值赋到全局变量中,然后在该页面其他地方引用,因为ajax异步的原因一直无法成功,需将async:false,使其变成同步的。
格式:
$.ajax({ type: 'POST', ur
- Webx3框架(1)
Bill_chen
eclipsespringmaven框架ibatis
Webx是淘宝开发的一套Web开发框架,Webx3是其第三个升级版本;采用Eclipse的开发环境,现在支持java开发;
采用turbine原型的MVC框架,扩展了Spring容器,利用Maven进行项目的构建管理,灵活的ibatis持久层支持,总的来说,还是一套很不错的Web框架。
Webx3遵循turbine风格,velocity的模板被分为layout/screen/control三部
- 【MongoDB学习笔记五】MongoDB概述
bit1129
mongodb
MongoDB是面向文档的NoSQL数据库,尽量业界还对MongoDB存在一些质疑的声音,比如性能尤其是查询性能、数据一致性的支持没有想象的那么好,但是MongoDB用户群确实已经够多。MongoDB的亮点不在于它的性能,而是它处理非结构化数据的能力以及内置对分布式的支持(复制、分片达到的高可用、高可伸缩),同时它提供的近似于SQL的查询能力,也是在做NoSQL技术选型时,考虑的一个重要因素。Mo
- spring/hibernate/struts2常见异常总结
白糖_
Hibernate
Spring
①ClassNotFoundException: org.aspectj.weaver.reflect.ReflectionWorld$ReflectionWorldException
缺少aspectjweaver.jar,该jar包常用于spring aop中
②java.lang.ClassNotFoundException: org.sprin
- jquery easyui表单重置(reset)扩展思路
bozch
formjquery easyuireset
在jquery easyui表单中 尚未提供表单重置的功能,这就需要自己对其进行扩展。
扩展的时候要考虑的控件有:
combo,combobox,combogrid,combotree,datebox,datetimebox
需要对其添加reset方法,reset方法就是把初始化的值赋值给当前的组件,这就需要在组件的初始化时将值保存下来。
在所有的reset方法添加完毕之后,就需要对fo
- 编程之美-烙饼排序
bylijinnan
编程之美
package beautyOfCoding;
import java.util.Arrays;
/*
*《编程之美》的思路是:搜索+剪枝。有点像是写下棋程序:当前情况下,把所有可能的下一步都做一遍;在这每一遍操作里面,计算出如果按这一步走的话,能不能赢(得出最优结果)。
*《编程之美》上代码有很多错误,且每个变量的含义令人费解。因此我按我的理解写了以下代码:
*/
- Struts1.X 源码分析之ActionForm赋值原理
chenbowen00
struts
struts1在处理请求参数之前,首先会根据配置文件action节点的name属性创建对应的ActionForm。如果配置了name属性,却找不到对应的ActionForm类也不会报错,只是不会处理本次请求的请求参数。
如果找到了对应的ActionForm类,则先判断是否已经存在ActionForm的实例,如果不存在则创建实例,并将其存放在对应的作用域中。作用域由配置文件action节点的s
- [空天防御与经济]在获得充足的外部资源之前,太空投资需有限度
comsci
资源
这里有一个常识性的问题:
地球的资源,人类的资金是有限的,而太空是无限的.....
就算全人类联合起来,要在太空中修建大型空间站,也不一定能够成功,因为资源和资金,技术有客观的限制....
&
- ORACLE临时表—ON COMMIT PRESERVE ROWS
daizj
oracle临时表
ORACLE临时表 转
临时表:像普通表一样,有结构,但是对数据的管理上不一样,临时表存储事务或会话的中间结果集,临时表中保存的数据只对当前
会话可见,所有会话都看不到其他会话的数据,即使其他会话提交了,也看不到。临时表不存在并发行为,因为他们对于当前会话都是独立的。
创建临时表时,ORACLE只创建了表的结构(在数据字典中定义),并没有初始化内存空间,当某一会话使用临时表时,ORALCE会
- 基于Nginx XSendfile+SpringMVC进行文件下载
denger
应用服务器Webnginx网络应用lighttpd
在平常我们实现文件下载通常是通过普通 read-write方式,如下代码所示。
@RequestMapping("/courseware/{id}")
public void download(@PathVariable("id") String courseID, HttpServletResp
- scanf接受char类型的字符
dcj3sjt126com
c
/*
2013年3月11日22:35:54
目的:学习char只接受一个字符
*/
# include <stdio.h>
int main(void)
{
int i;
char ch;
scanf("%d", &i);
printf("i = %d\n", i);
scanf("%
- 学编程的价值
dcj3sjt126com
编程
发一个人会编程, 想想以后可以教儿女, 是多么美好的事啊, 不管儿女将来从事什么样的职业, 教一教, 对他思维的开拓大有帮助
像这位朋友学习:
http://blog.sina.com.cn/s/articlelist_2584320772_0_1.html
VirtualGS教程 (By @林泰前): 几十年的老程序员,资深的
- 二维数组(矩阵)对角线输出
飞天奔月
二维数组
今天在BBS里面看到这样的面试题目,
1,二维数组(N*N),沿对角线方向,从右上角打印到左下角如N=4: 4*4二维数组
{ 1 2 3 4 }
{ 5 6 7 8 }
{ 9 10 11 12 }
{13 14 15 16 }
打印顺序
4
3 8
2 7 12
1 6 11 16
5 10 15
9 14
13
要
- Ehcache(08)——可阻塞的Cache——BlockingCache
234390216
并发ehcacheBlockingCache阻塞
可阻塞的Cache—BlockingCache
在上一节我们提到了显示使用Ehcache锁的问题,其实我们还可以隐式的来使用Ehcache的锁,那就是通过BlockingCache。BlockingCache是Ehcache的一个封装类,可以让我们对Ehcache进行并发操作。其内部的锁机制是使用的net.
- mysqldiff对数据库间进行差异比较
jackyrong
mysqld
mysqldiff该工具是官方mysql-utilities工具集的一个脚本,可以用来对比不同数据库之间的表结构,或者同个数据库间的表结构
如果在windows下,直接下载mysql-utilities安装就可以了,然后运行后,会跑到命令行下:
1) 基本用法
mysqldiff --server1=admin:12345
- spring data jpa 方法中可用的关键字
lawrence.li
javaspring
spring data jpa 支持以方法名进行查询/删除/统计。
查询的关键字为find
删除的关键字为delete/remove (>=1.7.x)
统计的关键字为count (>=1.7.x)
修改需要使用@Modifying注解
@Modifying
@Query("update User u set u.firstna
- Spring的ModelAndView类
nicegege
spring
项目中controller的方法跳转的到ModelAndView类,一直很好奇spring怎么实现的?
/*
* Copyright 2002-2010 the original author or authors.
*
* Licensed under the Apache License, Version 2.0 (the "License");
* yo
- 搭建 CentOS 6 服务器(13) - rsync、Amanda
rensanning
centos
(一)rsync
Server端
# yum install rsync
# vi /etc/xinetd.d/rsync
service rsync
{
disable = no
flags = IPv6
socket_type = stream
wait
- Learn Nodejs 02
toknowme
nodejs
(1)npm是什么
npm is the package manager for node
官方网站:https://www.npmjs.com/
npm上有很多优秀的nodejs包,来解决常见的一些问题,比如用node-mysql,就可以方便通过nodejs链接到mysql,进行数据库的操作
在开发过程往往会需要用到其他的包,使用npm就可以下载这些包来供程序调用
&nb
- Spring MVC 拦截器
xp9802
spring mvc
Controller层的拦截器继承于HandlerInterceptorAdapter
HandlerInterceptorAdapter.java 1 public abstract class HandlerInterceptorAdapter implements HandlerIntercep