Adupanfei
Adupanfei

迁移学习+交叉域情感分类 HATN网络

Hierarchical Attention Transfer Network for Cross-domain Sentiment
Classification
AAAI-2018 杨强大牛之作
迁移学习+交叉域情感分类 HATN网络_第1张图片
在这里插入图片描述
关键思想
1. p-net提取domain-shared特征，使用revgrad结构(domain adaptation 论文Unsupervised Domain Adaptation by Backpropagation)
2. np-net提取domain-specific的特征
3. 最后共同做分类
4. 利用层级attention结构，word attention， sentence attention
5. np-net目标是预测最初的样本x里是否包含正或负pivot，输入的是g(x)(隐藏了pivot, z+ x中至少包含一个正pivot z- x中至少包含一个负Pivot, 利用co-occur，用pivot做桥梁，发现npivot
6.输入p-net的是xs,xt,输入np-net的是个g(xs),g(xt)

结果

迁移学习+交叉域情感分类 HATN网络_第2张图片

迁移学习+交叉域情感分类 HATN网络_第3张图片

你可能感兴趣的:(迁移学习)

  • Python中的深度学习神经网络 2301_78297473 深度学习python神经网络
    文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
  • 一文读懂深度适配网络（DAN） weixin_34088838 人工智能
    这周五下午约见了机器学习和迁移学习大牛、清华大学的龙明盛老师。老师为人非常nice，思维敏捷，非常健谈！一不留神就谈了1个多小时，意犹未尽，学到了很多东西！龙明盛老师在博士期间（去年博士毕业）发表的文章几乎全部是A类顶会，他在学期间与世界知名学者杨强、PhilipS.Yu及MichaelI.Jordan多次合作，让我非常膜拜！这次介绍他在ICML-15上提出的深度适配网络。深度适配网络（DeepA
  • 迁移学习之领域泛化 踩着上帝的小丑 #RL迁移学习人工智能机器学习
    领域泛化领域泛化（DomainGeneralization）是机器学习和计算机视觉中的一个重要概念，它指的是模型能够从一个或多个源领域（sourcedomains）学习到的知识或模式，成功地应用到与训练时未见过的目标领域（targetdomain）上，即使这些领域之间存在分布差异。简单来说，领域泛化就是希望模型能够“举一反三”，不仅限于在特定数据集或特定环境下表现良好，而是能够跨越不同的环境或数据
  • 23 注意力机制—BERT Unknown To Known 动手学习深度学习bert人工智能深度学习
    目录BERT预训练NLP里的迁移学习BERTBERT动机BERT预训练NLP里的迁移学习在计算机视觉中比较流行，将ImageNet或者更大的数据集上预训练好的模型应用到其他任务中，比如小数据的预测、图片分类或者是目标检测使用预训练好的模型（例如word2vec或语言模型）来抽取词、句子的特征做迁移学习的时候，一般不更新预训练好的模型在更换任务之后，还是需要构建新的网络来抓取新任务需要的信息使用预训
  • Unet 高阶分割网络实战、多类别分割、迁移学习（deeplab、resnet101等等） 听风吹等浪起 图像分割计算机视觉人工智能
    1、前言Unet图像分割之前介绍了不少，具体可以参考图像分割专栏为了实现多类别的自适应分割，前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来，保存在txt文本里，这样txt里面就会有类似012...等等的灰度值。而有几个灰度值，就代表分割要分出几个类别。具体可以参考：Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
  • 探索XGBoost：深度集成与迁移学习 Echo_Wish Python笔记Python算法迁移学习机器学习人工智能
    导言深度集成与迁移学习是机器学习领域中的两个重要概念，它们可以帮助提高模型的性能和泛化能力。本教程将详细介绍如何在Python中使用XGBoost进行深度集成与迁移学习，包括模型集成、迁移学习的概念和实践等，并提供相应的代码示例。模型集成模型集成是一种通过组合多个模型来提高性能的技术。XGBoost提供了集成多个弱学习器的功能，可以通过设置booster参数来选择集成模型。以下是一个简单的示例：i
  • 机器学习、深度学习、强化学习、迁移学习的关联与区别 半亩花海 学习笔记机器学习深度学习迁移学习学习人工智能
    Hi，大家好，我是半亩花海。本文主要了解并初步探究机器学习、深度学习、强化学习、迁移学习的关系与区别，通过清晰直观的关系图展现出四种“学习”之间的关系。虽然这四种“学习”方法在理论和应用上存在着一定的区别，但它们之间也存在交叉和重叠，有时候也会结合使用来解决实际问题。一、四种“学习”1.机器学习机器学习是人工智能的一个子领域，研究如何让计算机系统利用数据和经验，来不断改善和优化自身的性能。其核心思
  • 预训练和微调在迁移学习中的作用 一条小小yu 迁移学习人工智能机器学习
    在机器学习和深度学习中，"pre-training"（预训练）和"fine-tuning"（微调）是两个常见且重要的概念，它们通常在迁移学习场景中使用，以提高模型在特定任务上的性能。预训练(Pre-training)预训练是指在一个大型且通常与目标任务相关但不完全相同的数据集上训练模型的过程。这个阶段的目的是让模型学习到一些通用的特征或知识，这些特征或知识可以帮助模型在后续的特定任务上表现更好。预
  • Python环境下基于深度判别迁移学习网络的轴承故障诊断 哥廷根数学学派 故障诊断信号处理深度学习python迁移学习开发语言
    目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中，该假设却未必存在。一方面，如果将利用某一领域数据训练得到的模型直接应用于新的目标领域，领域之间切实存在的数据差异可能会导致模型效果的骤然下降。另一方面，如果直接在新的目标领域中进行模型的训练，其数据的稀缺和标注的不完整可能会导致监督学习出现严重的过拟合问题，难以达到令人满意的学习效果
  • 【深度学习：迁移学习】图像识别预训练模型的迁移学习 jcfszxc 深度学习知识专栏深度学习迁移学习人工智能
    【深度学习：迁移学习】图像识别预训练模型的迁移学习什么是迁移学习？为什么不从头开始训练模型？迁移学习的优点是：如何使用预训练模型进行迁移学习：迁移学习的过程：实施迁移学习来构建人脸识别模型：模型的构建分为3个步骤：1.导入预训练模型并添加密集层。2.将训练数据加载到图像数据生成器中。3.通过预测验证数据标签加载训练模型和模型评估结论：本文的目的是使用迁移学习快速、轻松地解决图像识别问题。为了演示，
  • 【前沿技术杂谈：迁移学习】欧洲人工智能法案对人工智能开发者的意义 [2023 年 12 月更新］ jcfszxc 深度学习知识专栏人工智能迁移学习机器学习
    【前沿技术杂谈：迁移学习】欧洲人工智能法案对人工智能开发者的意义[2023年12月更新］定义、一般原则和禁止做法人工智能系统开发者基于风险的义务固定和通用人工智能开发人员（第3/28条）基础模型的提供者（第28b条）生成人工智能模型的提供商（第28b4条）高风险人工智能系统和分类（第6/7条）治理和执行12月修正案和批准最后的评论TL;DRAI窥视，准备迎接冲击！欧盟人工智能法案即将推出，这是世界
  • 低资源学习与知识图谱：构建与应用 cooldream2009 AI技术知识图谱知识图谱人工智能低资源
    目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域，低资源学习成为一个备受关注的话题，尤其是在少样本学习和零样本学习方面。这种学
  • 深度学习之迁移学习实现神奇宝贝识别 starlet_kiss 机器学习深度学习人工智能迁移学习
    经过之前深度学习的实践，无论是自己搭建的CNN网络也好，还是通过迁移学习调用官方的网络模型也好，都有其优点以及不足。本次实验通过对各种常用的CNN网络模型进行调用，了解一下它们的特点，对比一下在对于同一数据集进行分类时的准确率。本次所调用的CNN模型有：VGG16VGG19ResNetDensenet模型1.导入库importtensorflowastfimportnumpyasnpimportm
  • LLM大模型常见问题解答（2） lichunericli LLM人工智能语言模型
    对大模型基本原理和架构的理解大型语言模型如GPT（GenerativePre-trainedTransformer）系列是基于自注意力机制的深度学习模型，主要用于处理和生成人类语言。基本原理自然语言理解：模型通过对大量文本数据的预训练，学习到语言的统计规律，从而能够在不同的语言任务上表现出自然语言理解的能力。迁移学习：GPT类模型首先在一个广泛的数据集上进行预训练，以掌握语言的通用表示，然后可以在
  • 大模型注入领域知识，模型体验和Token重复知识 lichunericli LLM人工智能语言模型
    1如何给LLM注入领域知识？给LLM（低层次模型，如BERT、GPT等）注入领域知识的方法有很多。以下是一些建议：数据增强：在训练过程中，可以通过添加领域相关的数据来增强模型的训练数据。这可以包括从领域相关的文本中提取示例、对现有数据进行扩充或生成新的数据。迁移学习：使用预训练的LLM模型作为基础，然后在特定领域的数据上进行微调。这样可以利用预训练模型学到的通用知识，同时使其适应新领域。领域专家标
  • 深度学习基础 EEPI 深度学习人工智能
    深度学习基础highvariance/datamismatchwhatisdatamismatchhowtosolvedatamismatchdatasynthesis数据合成迁移学习与预训练/微调什么时候用迁移学习highvariance/datamismatchwhatisdatamismatch如果训练集和验证集的loss不一样，且验证集的loss高很多，有2种原因：1.方差太大。模型没见过
  • 基于NSGA-II的深度迁移学习 代码缝合怪 机器学习+深度学习迁移学习人工智能机器学习
    深度迁移学习迁移学习是一种机器学习技术，它允许一个预训练的模型被用作起点，在此基础上进行微调以适应新的任务或数据。其核心思想是利用从一个任务中学到的知识来帮助解决另一个相关的任务，即使这两个任务的数据分布不完全相同。这种方法可以加速学习过程，提高模型性能，并减少对新数据标注的依赖。为什么要迁移大数据与少标注的矛盾在大数据的时代背景下，我们所面临的数据量呈现爆炸性增长，同时数据类型也变得日益复杂多样
  • Tensorflow2.0 查看网络中每层的名称、权重及特征图绘制 cofisher Tensorflow2.0深度学习PHM项目实战--建模篇深度学习pythontensorflow
    文章目录项目介绍实现过程1、构建网络2、查看每层名称3、查看指定层的权值4、特征图绘制项目介绍在网络训练过程中，我们经常需要查看某层权重的变化过程，这其实只需要简单的API就能实现。为了方便演示，我们使用迁移学习到的MobileNetV2网络。实现过程1、构建网络我们将冻结迁移到的MobileNetV2网络，然后将它最后的分类层换成我们自己定义的分类层即可。mobile=tf.keras.appl
  • Tensorflow2.0 评价模型复杂度：参数量、FLOPs 和 MACC 计算 cofisher 深度学习PHM项目实战--建模篇tensorflow深度学习卷积python
    文章目录项目介绍代码实现：对于迁移学习网络（复杂）1、迁移学习不带分类层的简化版MobileNetV2网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC代码实现：对于自编写网络（简单）1、导入网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC项目介绍在论文写作时，我们经常会对所提出模型的复杂度进行分析，主要用到的评价指标包括参数量、FLOPs和MACC，它们的计
  • 【PyTorch】实现迁移学习框架DaNN cofisher PHM项目实战--建模篇PyTorchpytorch迁移学习人工智能
    文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义MMD损失5、定义训练函数5.1nn.CrossEntropyLoss()5.2.detach()5.3.sizeVS.shape5.4.to(DEVICE)5.5.max()5.6optimizer.zero_grad()
  • 论文笔记：NIPS 2020 Graph Contrastive Learning with Augmentations 饮冰l 图弱监督数据挖掘机器学习神经网络深度学习
    前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说，本文提出了一种图对比学习框架来无监督的完成图表示学习，首先作者提出了基于各种先验信息的四种图数据增强方法。然后，作者分析了在四种不同的图数据增强条件下，不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战，本文的主要贡献如下：作者提出
  • 【多模态大模型】GLIP：零样本学习 + 目标检测 + 视觉语言大模型 Debroon 医学大模型：健康长寿学习目标检测人工智能
    GLIP核心思想GLIP对比BLIP、BLIP-2、CLIP主要问题:如何构建一个能够在不同任务和领域中以零样本或少样本方式无缝迁移的预训练模型？统一的短语定位损失语言意识的深度融合预训练数据类型的结合语义丰富数据的扩展零样本和少样本迁移学习效果论文：https://arxiv.org/pdf/2112.03857.pdf代码：https://github.com/microsoft/GLIP核心
  • 【PyTorch】实现迁移学习框架DANN cofisher PyTorchPHM项目实战--建模篇pytorch迁移学习人工智能
    文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义训练函数4.1nn.CrossEntropyLoss()4.2.detach()4.3.sizeVS.shape4.4.to(DEVICE)4.5.max()4.6optimizer.zero_grad()4.7len(data
  • PyTorch 2.2 中文官方教程（十五） 绝不原创的飞龙 人工智能pytorch人工智能python
    （beta）计算机视觉的量化迁移学习教程原文：pytorch.org/tutorials/intermediate/quantized_transfer_learning_tutorial.html译者：飞龙协议：CCBY-NC-SA4.0提示为了充分利用本教程，我们建议使用这个Colab版本。这将允许您尝试下面提供的信息。作者：ZafarTakhirov审阅者：RaghuramanKrishna
  • Python 处理小样本数据的文档分类问题 田猿笔记 python知识库分类人工智能数据挖掘
    在处理小样本数据的文档分类问题时，可以尝试使用迁移学习或者基于预训练模型的方法，如BERT、GPT等。然而，直接在这里编写一个完整的深度学习文档分类代码超出了这个平台的限制，但我可以为你提供一个基本的思路和简单示例，你可以根据这个思路进一步研究并实现。#导入必要的库fromtransformersimportBertTokenizer,BertForSequenceClassificationim
  • 【文本到上下文 #10】探索地平线：GPT 和 NLP 中大型语言模型的未来 无水先生 NLP高级和ChatGPT人工智能自然语言处理gpt语言模型
    一、说明  欢迎阅读我们【文本到上下文#10】：此为最后一章。以我们之前对BERT和迁移学习的讨论为基础，将重点转移到更广阔的视角，包括语言模型的演变和未来，特别是生成式预训练转换器（GPT）及其在NLP中的重要作用。  在最后一章中，我们将探讨：语言模型概述：了解它们在NLP中的作用和演变。GPT模型：深入研究GPT谱系及其影响。大型语言模型（LLM）：揭示潜力和挑战。现实世界的NLP应用：这些
  • AI预测-注意力机制/多头注意力机制及其tensorflow实现 写代码的中青年 AI预测人工智能tensorflowpython深度学习keras
    AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
  • AI预测-迁移学习在时序预测任务上的tensoflow2.0实现 写代码的中青年 AI预测人工智能迁移学习机器学习神经网络pythontensorflow
    AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现文章目录AI预测相关目录一、迁移
  • 迁移学习Transfer Learning的优缺点，以及在使用迁移学习的注意事项！ 小桥流水---人工智能 机器学习算法Python程序代码迁移学习人工智能机器学习
    迁移学习TransferLearning1.迁移学习的优点和缺点：2.使用迁移学习时，需要解决以下问题：1.迁移学习的优点和缺点：迁移学习是一种机器学习方法，它可以使机器学习模型利用已有任务的学习结果，来帮助解决相似的新任务。优点：知识转移：迁移学习的核心思想是将在一个领域学到的知识应用到另一个领域。这使得我们可以在已有的数据集上训练模型，然后将这个模型应用到新的、不同的数据集上。避免重新训练：对
  • 迁移学习实现图片分类任务 Cuteboom 迁移学习分类人工智能
    导入工具包importtimeimportosimportnumpyasnpfromtqdmimporttqdmimporttorchimporttorchvisionimporttorch.nnasnnimporttorch.nn.functionalasFimportmatplotlib.pyplotasplt%matplotlibinline#忽略烦人的红色提示importwarningsw
  • ViewController添加button按钮解析。（翻译） 张亚雄 c
    <div class="it610-blog-content-contain" style="font-size: 14px"></div>//  ViewController.m //  Reservation software // //  Created by 张亚雄 on 15/6/2.
  • mongoDB 简单的增删改查 开窍的石头 mongodb
       在上一篇文章中我们已经讲了mongodb怎么安装和数据库/表的创建。在这里我们讲mongoDB的数据库操作       在mongo中对于不存在的表当你用db.表名 他会自动统计 下边用到的user是表明，db代表的是数据库       添加(insert):
  • log4j配置 0624chenhong log4j
    1) 新建java项目 2) 导入jar包，项目右击，properties—java build path—libraries—Add External jar，加入log4j.jar包。 3) 新建一个类com.hand.Log4jTest package com.hand; import org.apache.log4j.Logger; public class
  • 多点触摸(图片缩放为例) 不懂事的小屁孩 多点触摸
    多点触摸的事件跟单点是大同小异的，上个图片缩放的代码，供大家参考一下 import android.app.Activity; import android.os.Bundle; import android.view.MotionEvent; import android.view.View; import android.view.View.OnTouchListener
  • 有关浏览器窗口宽度高度几个值的解析 换个号韩国红果果 JavaScripthtml
    1 元素的 offsetWidth 包括border padding  content  整体的宽度。 clientWidth  只包括内容区 padding 不包括border。 clientLeft =  offsetWidth -clientWidth  即这个元素border的值 offsetLeft  若无已定位的包裹元素
  • 数据库产品巡礼：IBM DB2概览 蓝儿唯美 db2
    IBM DB2是一个支持了NoSQL功能的关系数据库管理系统，其包含了对XML，图像存储和Java脚本对象表示（JSON）的支持。DB2可被各种类型的企 业使用，它提供了一个数据平台，同时支持事务和分析操作，通过提供持续的数据流来保持事务工作流和分析操作的高效性。 DB2支持的操作系统 DB2可应用于以下三个主要的平台:   工作站，DB2可在Linus、Unix、Windo
  • java笔记5 a-john java
    控制执行流程： 1，true和false    利用条件表达式的真或假来决定执行路径。例：（a==b）。它利用条件操作符“==”来判断a值是否等于b值，返回true或false。java不允许我们将一个数字作为布尔值使用，虽然这在C和C++里是允许的。如果想在布尔测试中使用一个非布尔值，那么首先必须用一个条件表达式将其转化成布尔值，例如if(a!=0)。 2，if-els
  • Web开发常用手册汇总 aijuans PHP
    一门技术，如果没有好的参考手册指导,很难普及大众。这其实就是为什么很多技术，非常好，却得不到普遍运用的原因。 正如我们学习一门技术，过程大概是这个样子： ①我们日常工作中，遇到了问题，困难。寻找解决方案，即寻找新的技术； ②为什么要学习这门技术？这门技术是不是很好的解决了我们遇到的难题，困惑。这个问题，非常重要，我们不是为了学习技术而学习技术，而是为了更好的处理我们遇到的问题，才需要学习新的
  • 今天帮助人解决的一个sql问题 asialee sql
                今天有个人问了一个问题，如下： type     AD      value          A  
  • 意图对象传递数据 百合不是茶 android意图IntentBundle对象数据的传递
    学习意图将数据传递给目标活动; 初学者需要好好研究的       1,将下面的代码添加到main.xml中    <?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android="http:/
  • oracle查询锁表解锁语句 bijian1013 oracleobjectsessionkill
    一.查询锁定的表 如下语句，都可以查询锁定的表 语句一： select a.sid, a.serial#, p.spid, c.object_name, b.session_id, b.oracle_username, b.os_user_name from v$process p, v$s
  • mac osx 10.10 下安装 mysql 5.6 二进制文件［tar.gz］ 征客丶 mysqlosx
    场景：在 mac osx 10.10 下安装 mysql 5.6 的二进制文件。 环境：mac osx 10.10、mysql 5.6 的二进制文件 步骤：[所有目录请从根“/”目录开始取，以免层级弄错导致找不到目录] 1、下载 mysql 5.6 的二进制文件，下载目录下面称之为 mysql5.6SourceDir； 下载地址：http://dev.mysql.com/downl
  • 分布式系统与框架 bit1129 分布式
    RPC框架 Dubbo 什么是Dubbo   Dubbo是一个分布式服务框架，致力于提供高性能和透明化的RPC远程服务调用方案，以及SOA服务治理方案。其核心部分包含:    远程通讯: 提供对多种基于长连接的NIO框架抽象封装，包括多种线程模型，序列化，以及“请求-响应”模式的信息交换方式。    集群容错: 提供基于接
  • 那些令人蛋痛的专业术语 白糖_ springWebSSOIOC
    spring 【控制反转(IOC)/依赖注入(DI)】： 由容器控制程序之间的关系，而非传统实现中，由程序代码直接操控。这也就是所谓“控制反转”的概念所在：控制权由应用代码中转到了外部容器，控制权的转移，是所谓反转。 简单的说：对象的创建又容器(比如spring容器)来执行，程序里不直接new对象。 Web 【单点登录(SSO)】：SSO的定义是在多个应用系统中，用户
  • 《给大忙人看的java8》摘抄 braveCS java8
    函数式接口：只包含一个抽象方法的接口 lambda表达式：是一段可以传递的代码       你最好将一个lambda表达式想象成一个函数，而不是一个对象，并记住它可以被转换为一个函数式接口。 事实上，函数式接口的转换是你在Java中使用lambda表达式能做的唯一一件事。   方法引用：又是要传递给其他代码的操作已经有实现的方法了，这时可以使
  • 编程之美-计算字符串的相似度 bylijinnan java算法编程之美
    public class StringDistance { /** * 编程之美 计算字符串的相似度 * 我们定义一套操作方法来把两个不相同的字符串变得相同，具体的操作方法为： * 1.修改一个字符（如把“a”替换为“b”）; * 2.增加一个字符（如把“abdd”变为“aebdd”）; * 3.删除一个字符（如把“travelling”变为“trav
  • 上传、下载压缩图片 chengxuyuancsdn 下载
    /** * * @param uploadImage --本地路径(tomacat路径) * @param serverDir --服务器路径 * @param imageType --文件或图片类型 * 此方法可以上传文件或图片.txt,.jpg,.gif等 */ public void upload(String uploadImage,Str
  • bellman-ford(贝尔曼-福特)算法 comsci 算法F#
    Bellman-Ford算法(根据发明者 Richard Bellman 和 Lester Ford 命名)是求解单源最短路径问题的一种算法。单源点的最短路径问题是指：给定一个加权有向图G和源点s，对于图G中的任意一点v，求从s到v的最短路径。有时候这种算法也被称为 Moore-Bellman-Ford 算法，因为 Edward F. Moore zu 也为这个算法的发展做出了贡献。 与迪科
  • oracle ASM中ASM_POWER_LIMIT参数 daizj ASMoracleASM_POWER_LIMIT磁盘平衡
    ASM_POWER_LIMIT 该初始化参数用于指定ASM例程平衡磁盘所用的最大权值，其数值范围为0~11，默认值为1。该初始化参数是动态参数，可以使用ALTER  SESSION或ALTER  SYSTEM命令进行修改。示例如下： SQL>ALTER  SESSION  SET   Asm_power_limit=2;
  • 高级排序:快速排序 dieslrae 快速排序
    public void quickSort(int[] array){ this.quickSort(array, 0, array.length - 1); } public void quickSort(int[] array,int left,int right){ if(right - left <= 0
  • C语言学习六指针_何谓变量的地址 一个指针变量到底占几个字节 dcj3sjt126com C语言
    # include <stdio.h> int main(void) { /* 1、一个变量的地址只用第一个字节表示 2、虽然他只使用了第一个字节表示，但是他本身指针变量类型就可以确定出他指向的指针变量占几个字节了 3、他都只存了第一个字节地址，为什么只需要存一个字节的地址，却占了4个字节，虽然只有一个字节， 但是这些字节比较多，所以编号就比较大，
  • phpize使用方法 dcj3sjt126com PHP
    phpize是用来扩展php扩展模块的，通过phpize可以建立php的外挂模块,下面介绍一个它的使用方法,需要的朋友可以参考下 安装（fastcgi模式）的时候，常常有这样一句命令： 代码如下: /usr/local/webserver/php/bin/phpize   一、phpize是干嘛的？ phpize是什么？ phpize是用来扩展php扩展模块的，通过phpi
  • Java虚拟机学习 - 对象引用强度 shuizhaosi888 JAVA虚拟机
    本文原文链接：http://blog.csdn.net/java2000_wl/article/details/8090276 转载请注明出处！ 无论是通过计数算法判断对象的引用数量，还是通过根搜索算法判断对象引用链是否可达，判定对象是否存活都与“引用”相关。 引用主要分为 ：强引用(Strong Reference)、软引用(Soft Reference)、弱引用(Wea
  • .NET Framework 3.5 Service Pack 1（完整软件包）下载地址 happyqing .net下载framework
      Microsoft .NET Framework 3.5 Service Pack 1（完整软件包）  http://www.microsoft.com/zh-cn/download/details.aspx?id=25150 Microsoft .NET Framework 3.5 Service Pack 1 是一个累积更新，包含很多基于 .NET Framewo
  • JAVA定时器的使用 jingjing0907 javatimer线程定时器
    1、在应用开发中，经常需要一些周期性的操作，比如每5分钟执行某一操作等。 对于这样的操作最方便、高效的实现方式就是使用java.util.Timer工具类。 privatejava.util.Timer timer; timer = newTimer(true); timer.schedule( newjava.util.TimerTask() { public void run()
  • Webbench 流浪鱼 webbench
    首页下载地址 http://home.tiscali.cz/~cz210552/webbench.html Webbench是知名的网站压力测试工具，它是由Lionbridge公司（http://www.lionbridge.com）开发。 Webbench能测试处在相同硬件上，不同服务的性能以及不同硬件上同一个服务的运行状况。webbench的标准测试可以向我们展示服务器的两项内容：每秒钟相
  • 第11章 动画效果（中） onestopweb 动画
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • windows下制作bat启动脚本. sanyecao2314 javacmd脚本bat
    java -classpath C:\dwjj\commons-dbcp.jar;C:\dwjj\commons-pool.jar;C:\dwjj\log4j-1.2.16.jar;C:\dwjj\poi-3.9-20121203.jar;C:\dwjj\sqljdbc4.jar;C:\dwjj\voucherimp.jar com.citsamex.core.startup.MainStart
  • Java进行RSA加解密的例子 tomcat_oracle java
    加密是保证数据安全的手段之一。加密是将纯文本数据转换为难以理解的密文；解密是将密文转换回纯文本。 　　数据的加解密属于密码学的范畴。通常，加密和解密都需要使用一些秘密信息，这些秘密信息叫做密钥，将纯文本转为密文或者转回的时候都要用到这些密钥。 　　对称加密指的是发送者和接收者共用同一个密钥的加解密方法。 　　非对称加密(又称公钥加密)指的是需要一个私有密钥一个公开密钥，两个不同的密钥的
  • Android_ViewStub 阿尔萨斯 ViewStub
    public final class ViewStub extends View java.lang.Object android.view.View android.view.ViewStub 类摘要： ViewStub 是一个隐藏的，不占用内存空间的视图对象，它可以在运行时延迟加载布局资源文件。当 ViewSt
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他