- 吴恩达深度学习课程笔记(精华版)--2.卷积神经网络CNN和计算机视觉CV
Caucher
本系列是编者学习吴恩达deeplearning.ai深度学习系列课程的笔记。编者有一定机器学习基础,也看过Andrew的机器学习课程。由于Andrew的课程非常通俗易懂,笔记中会省略那些帮助理解的例子、图形等,只把最终的观点、解释、结论和解决方案做整理,以供日后查看,另外编者也在某些地方,结合原版论文做出了一些批注和补充,所以称之为精华版。本篇是Course4,主要讲述卷积神经网络CNN的基础和应
- 吴恩达深度学习课程笔记(精华版)--3.序列模型和自然语言处理NLP
Caucher
本系列是编者学习吴恩达deeplearning.ai深度学习系列课程的笔记。编者有一定机器学习基础,也看过Andrew的机器学习课程。由于Andrew的课程非常通俗易懂,笔记中会省略那些帮助理解的例子、图形等,只把最终的观点、解释、结论和解决方案做整理,以供日后查看,另外编者也在某些地方,结合原版论文做出了一些批注和补充,所以称之为精华版。本篇是Course5,主要讲述递归神经网络RNN的基础和应
- 吴恩达深度学习课程笔记
劳埃德·福杰
DeepLearning深度学习
1.逻辑回归、梯度下降法、向量化2.广播、关于numpy向量的说明3.神经网络、激活函数、随机初始化4.超参数、划分数据集、偏差与方差、正则化5.
- 【deeplearning.ai】吴恩达深度学习课程笔记目录
Mr.zwX
【深度学习/神经网络】DeepLearning
自2020.11.30开始学习DeepLearning,该学习笔记最后一次更新于2021.2.21Part1深度学习概论深度学习笔记(一)深度学习概论Part2神经网络基础深度学习笔记(二)LogisticRegression逻辑回归深度学习笔记(三)计算图及其导数运算方法深度学习笔记(四)Vectorization向量化深度学习笔记(五)BroadcastinginPython广播吴恩达深度学习
- 吴恩达深度学习课程笔记之卷积神经网络(1st week)
syphomn
深度学习与机器学习深度学习卷积神经网络机器学习人工智能
0参考资料[1]【中英字幕】吴恩达深度学习课程第四课—卷积神经网络_哔哩哔哩_bilibili[2]02-吴恩达深度学习系列课程/04卷积神经网络/PDFs·大大鹏/Bilibili资料-码云-开源中国(gitee.com)[3]深度学习笔记-目录(ai-start.com)——深度学习笔记(ai-start.com)[4]CNN笔记:通俗理解卷积神经网络_结构之法算法之道-CSDN博客_卷积神经
- 吴恩达深度学习课程笔记之卷积神经网络(2nd week)
syphomn
深度学习与机器学习机器学习深度学习人工智能卷积神经网络
0参考资料[1]大大鹏/Bilibili资料-Gitee.com[2]【中英字幕】吴恩达深度学习课程第四课—卷积神经网络_哔哩哔哩_bilibili[3]深度学习笔记-目录(ai-start.com)1为什么要进行实例探究?(Whylookatcasestudies?)就像很多人通过看别人的代码来学习编程一样,学习深度学习最直观的方式之一就是去看一些案例。过去几年计算机视觉研究中的大量研究都集中在
- 吴恩达深度学习课程笔记(一)—— 卷积神经网络基础
Echo_`
吴恩达深度学习笔记深度学习cnn计算机视觉神经网络
一、计算机视觉在运行神经网络对图像进行处理时,对于64*64大小的图像,图像就有12288个参数,而对于一张1000*1000大小的图像,参数更是多达300万个,假设隐藏层有1000个神经元,那么参数就是300万*1000个,300亿个参数,可想而知数据量过于庞大。为解决此问题,我们需要采用卷积计算。二、边缘检测①用神经网络的前几层来检测图像边缘,然后用后面的层检测特征,可以完成对一个完整物体进行
- 卷积神经网络笔记--吴恩达深度学习课程笔记(一)
无乎648
深度学习神经网络卷积计算机视觉深度学习
一.卷积神经网络(一)1.1计算机视觉卷积神经网络一般应用于计算机视觉领域,由于有的时候图片的像素点很多,导致神经网络输入特征值的维数很多。1.2边缘检测示例如下图所示,原图是一个661的矩阵,卷积核是一个331的矩阵,经过卷积后得到一个441的矩阵。计算过程如下:|3|0|1|…………|1|0|-1||1|5|8|…*….….|1|0|-1|=3+1+2-1-8-2=-5|2|7|2|…………|
- 吴恩达深度学习课程笔记(初步认识神经网络)
fuulish
深度学习神经网络
吴恩达深度学习课程笔记1课程主要内容1.神经网络与深度学习介绍2.ImprovingDeepNeuralNetworks:超参数调整,正则化,优化方法3.结构化机器学习工程:比如如何分割训练集,比较集,或改变验证集,测试集。4.卷积神经网络CNN5.如何进行自然语言处理(时间序列模型)RNN,LSTM什么是神经网络?举例:房价预测的例子问题是:我们现在已知六所房子(我可爱的朋友们,小红,小明,小兰
- 吴恩达深度学习课程笔记
静仔是个免费的小精灵
深度学习
目录通用符号总结激活函数sigmoid1、Logistic回归2、梯度下降法3、Logistic回归的梯度下降算法3.1假设只有一个训练样本(x,y)(x,y)(x,y)3.2假设有m个训练样本:3.3向量化3.4广播4、神经网络5、激活函数5.1常用激活函数5.2经验5.3为什么要用激活函数6、神经网络的梯度下降法参数:costfunction:正向传播:反向传播:随机初始化7、深层神经网络7.
- 吴恩达深度学习课程笔记——梯度下降算法和向量化
阿姝姝姝姝姝
#week2神经网络编程基础算法深度学习机器学习
梯度下降算法和向量化逻辑回归中的梯度下降单样本梯度下降向量化多样本梯度下降逻辑回归中的梯度下降梯度下降法的作用是:在测试集上,通过最小化代价函数J(w,b)J(w,b)J(w,b)来训练的参数www和bbb。w:=w−a∂J(w,b)∂ww:=w-a\frac{\partialJ(w,b)}{\partialw}w:=w−a∂w∂J(w,b)b:=w−a∂J(w,b)∂bb:=w-a\frac{\
- 吴恩达深度学习课程笔记(2)
啥都不会的初学者
(一)对于神经网络的初识可以以logistic回归作为例子,基本的logistic网络可以如下图所示:其中x1,x2,x3可以是各种特征,最后得到预测值a。但是面对复杂问题,一层的网络预测的结果往往是不够的,这就需要多个类似这样的模型叠加,如下图所示:可以将第一层预测的结果输入第二层再次运算,例如第一层可能根据疾病的不同特征预测了疾病的分类、疾病的传染性、疾病是细菌还是病毒导致的,再经过第二层来预
- 吴恩达深度学习课程笔记——逻辑回归算法
阿姝姝姝姝姝
#week2神经网络编程基础神经网络深度学习python
逻辑回归二分类问题(BinaryClassification)假设函数(HypothesisFunction)损失函数和代价函数(LossFunctionandCostFunction)神经网络的计算中通常会有前向传播和反向传播的步骤,这门课从逻辑回归算法(logisticregression)来讲解这些概念。二分类问题(BinaryClassification)逻辑回归是一个用于二分类(bina
- 吴恩达深度学习课程笔记(精华版)--1.网络基础和系统构建
Caucher
本系列是编者学习吴恩达deeplearning.ai深度学习系列课程的笔记。编者有一定机器学习基础,也看过Andrew的机器学习课程。由于Andrew的课程非常通俗易懂,笔记中会省略那些帮助理解的例子、图形等,只把最终的观点、解释、结论和解决方案做整理,以供日后查看,另外编者也在某些地方,结合原版论文做出了一些批注和补充,所以称之为精华版。本篇是Course1+Course2+Course3,主要
- 吴恩达深度学习课程笔记之卷积神经网络基本操作详解
qinjianhuang
机器学习机器学习
卷积层CNN中卷积层的作用:CNN中的卷积层,在很多网络结构中会用conv来表示,也就是convolution的缩写。卷积层在CNN中扮演着很重要的角色——特征的抽象和提取,这也是CNN区别于传统的ANN或SVM的重要不同。对于图片而言,图片是一个二维度的数据,我们怎样才能通过学习图片正确的模式来对于一张图片有正确的对于图片分类呢?这个时候,有人就提出了一个观点,我们可以这样,对于所有的像素,全部
- 深度学习(coursera吴恩达深度学习课程笔记——神经网络与深度学习)
吃辣椒的猪
断断续续学了大概一学期,对于机器学习依然似懂非懂,最近在看吴恩达的深度学习,想着以写博客的方式来总结回顾一下,也便于自己之后复习,如果一些自己的理解有误的也希望有人能指出纠正,如果能得到网上大家的帮助或者鼓励当然就是最好了!1,什么是神经网络1.1单层神经网络下图是房价预测示例,根据房屋大小预测房屋价格。图中的×即为给定的房屋大小以及该面积下的价格,然后用一条曲线去拟合现有数据,这样,再给出一个新
- 吴恩达深度学习课程笔记
PCChris95
深度学习
lossfunciton:是单个例子相对于真实标签的误差costfunction:是整个数据集产生的lossfunction的总和,机器学习训练的过程中就是要不断的减小这个costfunciton逻辑回归几乎所有的初始化方式都有效,因为选择的损失函数是交叉熵,是一个凸函数。第四周深层神经网络核对矩阵的维度:第l层的权重w的维度应该为(n_[l],n_[l-1]),偏置为:(n_[l],1)。同理:
- 吴恩达深度学习课程笔记(三): 结构化机器学习项目2
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(三):结构化机器学习项目2吴恩达深度学习课程笔记(三):结构化机器学习项目2第二周机器学习(ML)策略(2)2.1进行误差分析2.2标签错误的数据2.3快速搭建你的第一个系统,并进行迭代2.4训练集和开发集、测试集不同分布2.5训练集和开发/测试集不同数据分布时候的偏差和方差2.6数据不匹配问题人工数据合成:2.7迁移学习2.8多任务学习(并行学习)2.9什么是端到端的深度
- 吴恩达深度学习课程笔记
weixin_30348519
这几天每天花了点时间看完了吴恩达的深度学习课程视频。目前还只有前三个课程,后面的卷积神经网络和序列模型尚未开课。课程的视频基本上都是十分钟出头的长度,非常适合碎片时间学习。一直以为机器学习的重点在于设计精巧、神秘的算法来模拟人类解决问题。学了这门课程才明白如何根据实际问题优化、调整模型更为重要。事实上,机器学习所使用的核心算法几十年来都没变过。什么是机器学习呢?以二类分类监督学习为例,假设我们已经
- Elam的吴恩达深度学习课程笔记(一)
Elam_zfq
深度学习笔记
记忆力是真的差,看过的东西要是一直不用的话就会马上忘记,于是乎有了写博客把学过的东西保存下来,大概就是所谓的集巩固,分享,后期查阅与一身的思想吧,下面开始正题深度学习概论什么是神经网络什么是神经网络呢,我们就以房价预测为例子来描述一个最简单的神经网络模型。假设有6间房屋的数据,已知房屋的面积,单位是平方英尺或者平方米,已知房屋的价格,想要找到一个函数,通过房屋的面积来预测房屋的价格。如下图所示要通
- 吴恩达深度学习课程笔记
uncle_ll
深度学习
详细笔记地址:http://www.ai-start.com/dl2017/这里只是做些自己的摘抄与理解写在前面吴恩达(英语:AndrewNg)是斯坦福大学计算机科学系和电气工程系的客座教授,曾任斯坦福人工智能实验室主任。他还与达芙妮·科勒一起创建了在线教育平台Coursera。吴恩达老师的机器学习课程可以说是入门机器学习的同学最先接触的课程,当然后续的deeplearning.ai是更深入的课程
- 吴恩达深度学习课程笔记-10
tofengz
04.卷积神经网络第二周深度卷积网络实例分析2.1&2.2经典网络经典的卷积神经网络包括:LeNet-5AlexNetVGG都是从解决分类任务的过程中发展出来的,下面逐个进行介绍。LeNet-5的特点:网络比较浅,参数量60K左右;一个或几个卷积层后加一个池化层,最后全连接层的设计模式成为典范;没有采用padding;激活函数采用sigmoid,tanh等;采用平均池化;AlexNet的特点:与L
- 吴恩达深度学习课程笔记-8
tofengz
03.结构化机器学习项目第二周机器学习策略(二)2.1误差分析前面提到,对于模型错误率高于人类错误率的,可以采取误差分析等方法改进。比如,将分类模型分类错误的样本拎出来看看,找找主要原因,找找提升空间更大的改进方向,而不是自己瞎猜盲干。吴恩达老师给出的方法:抽取一部分模型出错的样本,比如100个,挨个查看分析原因,列一个表格统计不同原因下的样本数。图像原因1原因2...备注1√...2√3√√..
- 吴恩达深度学习课程笔记(四):卷积神经网络3 目标检测
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(四):卷积神经网络3目标检测吴恩达深度学习课程笔记(四):卷积神经网络3目标检测3.1目标定位(Objectlocalization)目标定位:标签的定义:损失函数:3.2特征点检测(landmarkdetection)3.3目标检测(objectdetection)3.4卷积实现滑动窗口3.5BoundingBox预测3.6交并比(intersectionoverunio
- 吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(四):卷积神经网络2实例探究吴恩达深度学习课程笔记(四):卷积神经网络2实例探究2.1为什么要进行实例探究2.2经典网络LeNet-5AlexNetVGG-162.3残差网络(ResNets:ResidualNetworks)残差块(Residualblock)残差网络(ResidualNetwork)2.4残差网络为什么有用?2.5网中网以及1×1卷积2.6Incepti
- 吴恩达深度学习课程笔记(四):卷积神经网络1
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(四):卷积神经网络1吴恩达深度学习课程笔记(四):卷积神经网络1第一周卷积神经网络1.1计算机视觉1.2边缘检测示例1.3更多边缘检测内容1.4Padding1.5卷积步长1.6多维卷积1.7卷积层1.8小例子:一个简单的卷积网络1.9池化层最大池化(maxpooling):平均池化(averagepooling):总结:1.10卷积神经网络示例1.11为什么用卷积?第一周
- 吴恩达深度学习课程笔记(三): 结构化机器学习项目1
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(三):结构化机器学习项目1吴恩达深度学习课程笔记(三):结构化机器学习项目1第一周机器学习(ML)策略(1)1.1为什么要ML策略1.2正交化1.3单一数字评估指标1.4满足和优化指标1.5训练/开发/测试集划分1.6设置——开发集、测试集的大小1.7什么时候该改变开发/测试集和指标1.8为什么是和人类水平比较?1.9可避免偏差1.10理解人类水平性能1.11超过人类水平1
- 吴恩达深度学习课程笔记(二):改善深层神经网络
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(二):改善深层神经网络吴恩达深度学习课程笔记(二):改善深层神经网络第一周深度学习的实用层面1.1训练/开发/测试集1.2偏差/方差1.3机器学习基础1.4正则化1.5为什么正则化可以减少过拟合?1.6Dropout正则化1.7理解Dropout1.8其他正则化方法1.9归一化输入1.10梯度消失与梯度爆炸1.11神经网络的权重初始化1.12梯度的数值逼近1.13梯度检验1
- 吴恩达深度学习课程笔记(一):神经网络与深度学习
lovecencen1893
机器学习深度学习
吴恩达深度学习课程笔记(一):神经网络与深度学习吴恩达深度学习课程笔记(一):神经网络与深度学习第一周:深度学习概论第二周神经网络基础2.1二分类2.2逻辑回归2.3逻辑回归的代价函数2.4梯度下降2.5导数2.6更多关于导数的例子2.7计算图2.8计算图上的导数2.9逻辑回归的梯度下降2.10在整个样本集上的梯度下降2.11矢量化2.12更多矢量化的例子2.13矢量化量化逻辑回归(正向)2.14
- 吴恩达深度学习课程笔记
Eartha1995
吴恩达深度学习课程笔记
一、深度学习概论1.什么是神经网络?由预测房价的例子引出一个基本的神经网络结构:2.神经网络在监督学习上的应用结构化数据:每个特征都有着清晰的定义非结构化数据:如音频、图像、文本等,其每个特征可以是图像中的像素或者文本中的单词。3.深度学习兴起的原因二、神经网络基础(以logistic回归为例)1.一些符号说明及Logistic回归介绍后面需要用到的一些符号说明:Logistic回归用于二分类问题
- 遍历dom 并且存储(将每一层的DOM元素存在数组中)
换个号韩国红果果
JavaScripthtml
数组从0开始!!
var a=[],i=0;
for(var j=0;j<30;j++){
a[j]=[];//数组里套数组,且第i层存储在第a[i]中
}
function walkDOM(n){
do{
if(n.nodeType!==3)//筛选去除#text类型
a[i].push(n);
//con
- Android+Jquery Mobile学习系列(9)-总结和代码分享
白糖_
JQuery Mobile
目录导航
经过一个多月的边学习边练手,学会了Android基于Web开发的毛皮,其实开发过程中用Android原生API不是很多,更多的是HTML/Javascript/Css。
个人觉得基于WebView的Jquery Mobile开发有以下优点:
1、对于刚从Java Web转型过来的同学非常适合,只要懂得HTML开发就可以上手做事。
2、jquerym
- impala参考资料
dayutianfei
impala
记录一些有用的Impala资料
1. 入门资料
>>官网翻译:
http://my.oschina.net/weiqingbin/blog?catalog=423691
2. 实用进阶
>>代码&架构分析:
Impala/Hive现状分析与前景展望:http
- JAVA 静态变量与非静态变量初始化顺序之新解
周凡杨
java静态非静态顺序
今天和同事争论一问题,关于静态变量与非静态变量的初始化顺序,谁先谁后,最终想整理出来!测试代码:
import java.util.Map;
public class T {
public static T t = new T();
private Map map = new HashMap();
public T(){
System.out.println(&quo
- 跳出iframe返回外层页面
g21121
iframe
在web开发过程中难免要用到iframe,但当连接超时或跳转到公共页面时就会出现超时页面显示在iframe中,这时我们就需要跳出这个iframe到达一个公共页面去。
首先跳转到一个中间页,这个页面用于判断是否在iframe中,在页面加载的过程中调用如下代码:
<script type="text/javascript">
//<!--
function
- JAVA多线程监听JMS、MQ队列
510888780
java多线程
背景:消息队列中有非常多的消息需要处理,并且监听器onMessage()方法中的业务逻辑也相对比较复杂,为了加快队列消息的读取、处理速度。可以通过加快读取速度和加快处理速度来考虑。因此从这两个方面都使用多线程来处理。对于消息处理的业务处理逻辑用线程池来做。对于加快消息监听读取速度可以使用1.使用多个监听器监听一个队列;2.使用一个监听器开启多线程监听。
对于上面提到的方法2使用一个监听器开启多线
- 第一个SpringMvc例子
布衣凌宇
spring mvc
第一步:导入需要的包;
第二步:配置web.xml文件
<?xml version="1.0" encoding="UTF-8"?>
<web-app version="2.5"
xmlns="http://java.sun.com/xml/ns/javaee"
xmlns:xsi=
- 我的spring学习笔记15-容器扩展点之PropertyOverrideConfigurer
aijuans
Spring3
PropertyOverrideConfigurer类似于PropertyPlaceholderConfigurer,但是与后者相比,前者对于bean属性可以有缺省值或者根本没有值。也就是说如果properties文件中没有某个bean属性的内容,那么将使用上下文(配置的xml文件)中相应定义的值。如果properties文件中有bean属性的内容,那么就用properties文件中的值来代替上下
- 通过XSD验证XML
antlove
xmlschemaxsdvalidationSchemaFactory
1. XmlValidation.java
package xml.validation;
import java.io.InputStream;
import javax.xml.XMLConstants;
import javax.xml.transform.stream.StreamSource;
import javax.xml.validation.Schem
- 文本流与字符集
百合不是茶
PrintWrite()的使用字符集名字 别名获取
文本数据的输入输出;
输入;数据流,缓冲流
输出;介绍向文本打印格式化的输出PrintWrite();
package 文本流;
import java.io.FileNotFound
- ibatis模糊查询sqlmap-mapping-**.xml配置
bijian1013
ibatis
正常我们写ibatis的sqlmap-mapping-*.xml文件时,传入的参数都用##标识,如下所示:
<resultMap id="personInfo" class="com.bijian.study.dto.PersonDTO">
<res
- java jvm常用命令工具——jdb命令(The Java Debugger)
bijian1013
javajvmjdb
用来对core文件和正在运行的Java进程进行实时地调试,里面包含了丰富的命令帮助您进行调试,它的功能和Sun studio里面所带的dbx非常相似,但 jdb是专门用来针对Java应用程序的。
现在应该说日常的开发中很少用到JDB了,因为现在的IDE已经帮我们封装好了,如使用ECLI
- 【Spring框架二】Spring常用注解之Component、Repository、Service和Controller注解
bit1129
controller
在Spring常用注解第一步部分【Spring框架一】Spring常用注解之Autowired和Resource注解(http://bit1129.iteye.com/blog/2114084)中介绍了Autowired和Resource两个注解的功能,它们用于将依赖根据名称或者类型进行自动的注入,这简化了在XML中,依赖注入部分的XML的编写,但是UserDao和UserService两个bea
- cxf wsdl2java生成代码super出错,构造函数不匹配
bitray
super
由于过去对于soap协议的cxf接触的不是很多,所以遇到了也是迷糊了一会.后来经过查找资料才得以解决. 初始原因一般是由于jaxws2.2规范和jdk6及以上不兼容导致的.所以要强制降为jaxws2.1进行编译生成.我们需要少量的修改:
我们原来的代码
wsdl2java com.test.xxx -client http://.....
修改后的代
- 动态页面正文部分中文乱码排障一例
ronin47
公司网站一部分动态页面,早先使用apache+resin的架构运行,考虑到高并发访问下的响应性能问题,在前不久逐步开始用nginx替换掉了apache。 不过随后发现了一个问题,随意进入某一有分页的网页,第一页是正常的(因为静态化过了);点“下一页”,出来的页面两边正常,中间部分的标题、关键字等也正常,唯独每个标题下的正文无法正常显示。 因为有做过系统调整,所以第一反应就是新上
- java-54- 调整数组顺序使奇数位于偶数前面
bylijinnan
java
import java.util.Arrays;
import java.util.Random;
import ljn.help.Helper;
public class OddBeforeEven {
/**
* Q 54 调整数组顺序使奇数位于偶数前面
* 输入一个整数数组,调整数组中数字的顺序,使得所有奇数位于数组的前半部分,所有偶数位于数组的后半
- 从100PV到1亿级PV网站架构演变
cfyme
网站架构
一个网站就像一个人,存在一个从小到大的过程。养一个网站和养一个人一样,不同时期需要不同的方法,不同的方法下有共同的原则。本文结合我自已14年网站人的经历记录一些架构演变中的体会。 1:积累是必不可少的
架构师不是一天练成的。
1999年,我作了一个个人主页,在学校内的虚拟空间,参加了一次主页大赛,几个DREAMWEAVER的页面,几个TABLE作布局,一个DB连接,几行PHP的代码嵌入在HTM
- [宇宙时代]宇宙时代的GIS是什么?
comsci
Gis
我们都知道一个事实,在行星内部的时候,因为地理信息的坐标都是相对固定的,所以我们获取一组GIS数据之后,就可以存储到硬盘中,长久使用。。。但是,请注意,这种经验在宇宙时代是不能够被继续使用的
宇宙是一个高维时空
- 详解create database命令
czmmiao
database
完整命令
CREATE DATABASE mynewdb USER SYS IDENTIFIED BY sys_password USER SYSTEM IDENTIFIED BY system_password LOGFILE GROUP 1 ('/u01/logs/my/redo01a.log','/u02/logs/m
- 几句不中听却不得不认可的话
datageek
1、人丑就该多读书。
2、你不快乐是因为:你可以像猪一样懒,却无法像只猪一样懒得心安理得。
3、如果你太在意别人的看法,那么你的生活将变成一件裤衩,别人放什么屁,你都得接着。
4、你的问题主要在于:读书不多而买书太多,读书太少又特爱思考,还他妈话痨。
5、与禽兽搏斗的三种结局:(1)、赢了,比禽兽还禽兽。(2)、输了,禽兽不如。(3)、平了,跟禽兽没两样。结论:选择正确的对手很重要。
6
- 1 14:00 PHP中的“syntax error, unexpected T_PAAMAYIM_NEKUDOTAYIM”错误
dcj3sjt126com
PHP
原文地址:http://www.kafka0102.com/2010/08/281.html
因为需要,今天晚些在本机使用PHP做些测试,PHP脚本依赖了一堆我也不清楚做什么用的库。结果一跑起来,就报出类似下面的错误:“Parse error: syntax error, unexpected T_PAAMAYIM_NEKUDOTAYIM in /home/kafka/test/
- xcode6 Auto layout and size classes
dcj3sjt126com
ios
官方GUI
https://developer.apple.com/library/ios/documentation/UserExperience/Conceptual/AutolayoutPG/Introduction/Introduction.html
iOS中使用自动布局(一)
http://www.cocoachina.com/ind
- 通过PreparedStatement批量执行sql语句【sql语句相同,值不同】
梦见x光
sql事务批量执行
比如说:我有一个List需要添加到数据库中,那么我该如何通过PreparedStatement来操作呢?
public void addCustomerByCommit(Connection conn , List<Customer> customerList)
{
String sql = "inseret into customer(id
- 程序员必知必会----linux常用命令之十【系统相关】
hanqunfeng
Linux常用命令
一.linux快捷键
Ctrl+C : 终止当前命令
Ctrl+S : 暂停屏幕输出
Ctrl+Q : 恢复屏幕输出
Ctrl+U : 删除当前行光标前的所有字符
Ctrl+Z : 挂起当前正在执行的进程
Ctrl+L : 清除终端屏幕,相当于clear
二.终端命令
clear : 清除终端屏幕
reset : 重置视窗,当屏幕编码混乱时使用
time com
- NGINX
IXHONG
nginx
pcre 编译安装 nginx
conf/vhost/test.conf
upstream admin {
server 127.0.0.1:8080;
}
server {
listen 80;
&
- 设计模式--工厂模式
kerryg
设计模式
工厂方式模式分为三种:
1、普通工厂模式:建立一个工厂类,对实现了同一个接口的一些类进行实例的创建。
2、多个工厂方法的模式:就是对普通工厂方法模式的改进,在普通工厂方法模式中,如果传递的字符串出错,则不能正确创建对象,而多个工厂方法模式就是提供多个工厂方法,分别创建对象。
3、静态工厂方法模式:就是将上面的多个工厂方法模式里的方法置为静态,
- Spring InitializingBean/init-method和DisposableBean/destroy-method
mx_xiehd
javaspringbeanxml
1.initializingBean/init-method
实现org.springframework.beans.factory.InitializingBean接口允许一个bean在它的所有必须属性被BeanFactory设置后,来执行初始化的工作,InitialzingBean仅仅指定了一个方法。
通常InitializingBean接口的使用是能够被避免的,(不鼓励使用,因为没有必要
- 解决Centos下vim粘贴内容格式混乱问题
qindongliang1922
centosvim
有时候,我们在向vim打开的一个xml,或者任意文件中,拷贝粘贴的代码时,格式莫名其毛的就混乱了,然后自己一个个再重新,把格式排列好,非常耗时,而且很不爽,那么有没有办法避免呢? 答案是肯定的,设置下缩进格式就可以了,非常简单: 在用户的根目录下 直接vi ~/.vimrc文件 然后将set pastetoggle=<F9> 写入这个文件中,保存退出,重新登录,
- netty大并发请求问题
tianzhihehe
netty
多线程并发使用同一个channel
java.nio.BufferOverflowException: null
at java.nio.HeapByteBuffer.put(HeapByteBuffer.java:183) ~[na:1.7.0_60-ea]
at java.nio.ByteBuffer.put(ByteBuffer.java:832) ~[na:1.7.0_60-ea]
- Hadoop NameNode单点问题解决方案之一 AvatarNode
wyz2009107220
NameNode
我们遇到的情况
Hadoop NameNode存在单点问题。这个问题会影响分布式平台24*7运行。先说说我们的情况吧。
我们的团队负责管理一个1200节点的集群(总大小12PB),目前是运行版本为Hadoop 0.20,transaction logs写入一个共享的NFS filer(注:NetApp NFS Filer)。
经常遇到需要中断服务的问题是给hadoop打补丁。 DataNod