- 机器学习系列12:反向传播算法
SuperFengCode
机器学习系列机器学习神经网络反向传播算法梯度检验机器学习笔记
当我们要运用高级算法进行梯度下降时,需要计算两个值,代价函数和代价函数的偏导数:代价函数我们之前已经知道怎么求了,现在只需要求代价函数的偏导数即可。采用如下方法,先进行前向传播算法,然后再进行反向传播算法(BackpropagationAlgorithm),反向传播算法与前向传播算法方向相反,它用来求代价函数的偏导数。具体过程看下图:用δ作为误差,计算方法为:有时我们在运用反向传播算法时会遇到bu
- 基于Python的机器学习系列(18):梯度提升分类(Gradient Boosting Classification)
会飞的Anthony
信息系统机器学习人工智能机器学习python分类
简介梯度提升(GradientBoosting)是一种集成学习方法,通过逐步添加新的预测器来改进模型。在回归问题中,我们使用梯度来最小化残差。在分类问题中,我们可以利用梯度提升来进行二分类或多分类任务。与回归不同,分类问题需要使用如softmax这样的概率模型来处理类别标签。梯度提升分类的工作原理梯度提升分类的基本步骤与回归类似,但在分类任务中,我们使用概率模型来处理预测结果:初始化模型:选择一个
- 基于Python的机器学习系列(17):梯度提升回归(Gradient Boosting Regression)
会飞的Anthony
人工智能信息系统机器学习机器学习python回归
简介梯度提升(GradientBoosting)是一种强大的集成学习方法,类似于AdaBoost,但与其不同的是,梯度提升通过在每一步添加新的预测器来减少前一步预测器的残差。这种方法通过逐步改进模型,能够有效提高预测准确性。梯度提升回归的工作原理在梯度提升回归中,我们逐步添加预测器来修正模型的残差。以下是梯度提升的基本步骤:初始化模型:选择一个初始预测器h0(x),计算该预测器的预测值。计算残差:
- 基于Python的机器学习系列(16):扩展 - AdaBoost
会飞的Anthony
信息系统机器学习人工智能python机器学习开发语言
简介在本篇中,我们将扩展之前的AdaBoost算法实现,深入探索其细节并进行一些修改。我们将重点修复代码中的潜在问题,并对AdaBoost的实现进行一些调整,以提高其准确性和可用性。1.修复Alpha计算中的问题在AdaBoost中,如果分类器的错误率e为0,则计算出的权重α将是未定义的。为了解决这个问题,我们可以在计算过程中向分母中添加一个非常小的值,以避免除零错误。2.调整学习率sklearn
- 线性回归(1)
zidea
MachineLearninginMarketing感谢李宏毅《回归-案例研究》部分内容为听取李宏毅老师讲座的笔记,也融入了自己对机器学习理解,个人推荐李宏毅老师的机器学习系列课程,尤其对于初学者强烈推荐。课程设计相对其他课程要容易理解。在机器学习中算法通常分为回归和分类两种,今天我们探讨什么线性回归。以及如何设计一个线性回归模型。什么回归简单理解通过数据最终预测出来一个值。回归问题的实例就是找到
- 机器学习系列(8)——提升树与GBDT算法
陌简宁
机器学习
本文介绍提升树模型与GBDT算法。0x01、提升树模型提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法,以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:其中,表示决策树,为决策树的
- 机器学习系列——(十三)多项式回归
飞影铠甲
机器学习机器学习回归人工智能
引言在机器学习领域,线性回归是一种常见且简单的模型。然而,在某些情况下,变量之间的关系并不是线性的,这时候我们就需要使用多项式回归来建模非线性关系。多项式回归通过引入高次项来扩展线性回归模型,从而更好地拟合数据。本文将详细介绍多项式回归的原理、应用场景和实现步骤,并通过一个实际案例演示如何使用多项式回归进行预测。一、原理多项式回归是一种形式上为多项式的函数与自变量之间的线性回归关系。其基本原理是通
- 机器学习系列——(二十二)结语
飞影铠甲
机器学习机器学习人工智能
随着我们的机器学习系列的探索画上句号,我们不禁感慨于这一领域的广阔和深邃。从最初的基础概念到复杂的算法,从理论的探讨到实际应用的示例,我们一起经历了一段非凡的旅程。机器学习不仅是当前技术创新的核心驱动力之一,也是塑造未来的关键因素。在这个结语中,让我们回顾这段旅程的亮点,并展望机器学习将如何继续改变我们的世界。回顾学习之旅我们的系列文章涵盖了机器学习的各个方面,从监督学习到无监督学习,从简单的线性
- 机器学习系列——(二十一)神经网络
飞影铠甲
机器学习机器学习神经网络人工智能
引言在当今数字化时代,机器学习技术正日益成为各行各业的核心。而在机器学习领域中,神经网络是一种备受瞩目的模型,因其出色的性能和广泛的应用而备受关注。本文将深入介绍神经网络,探讨其原理、结构以及应用。一、简介神经网络是一种受到人类神经系统启发而设计的计算模型。它由大量的人工神经元组成,这些神经元之间通过连接进行信息传递和处理。神经网络的主要目标是从数据中学习规律,并能够进行预测、分类、识别等任务。二
- 机器学习系列——(二十)密度聚类
飞影铠甲
机器学习机器学习聚类支持向量机
引言在机器学习的无监督学习领域,聚类算法是一种关键的技术,用于发现数据集中的内在结构和模式。与传统的基于距离的聚类方法(如K-Means)不同,密度聚类关注于数据分布的密度,旨在识别被低密度区域分隔的高密度区域。这种方法在处理具有复杂形状和大小的聚类时表现出色,尤其擅长于识别噪声和异常值。本文将详细介绍密度聚类的概念、主要算法及其应用。一、概述密度聚类基于一个核心思想:聚类可以通过连接密度相似的点
- 机器学习系列——(十九)层次聚类
飞影铠甲
机器学习机器学习聚类人工智能
引言在机器学习和数据挖掘领域,聚类算法是一种重要的无监督学习方法,它试图将数据集中的样本分组,使得同一组内的样本相似度高,不同组间的样本相似度低。层次聚类(HierarchicalClustering)是聚类算法中的一种,以其独特的层次分解方式,在各种应用场景中得到广泛应用,如生物信息学、图像分析、社交网络分析等。一、概述层次聚类算法主要分为两大类:凝聚的层次聚类(AgglomerativeHie
- 机器学习系列——(十七)聚类
飞影铠甲
机器学习机器学习聚类人工智能
引言在当今数据驱动的时代,机器学习已经成为了解锁数据潜能的关键技术之一。其中,聚类作为机器学习领域的一个重要分支,广泛应用于数据挖掘、模式识别、图像分析等多个领域。本文旨在深入探讨聚类技术的原理、类型及其应用,为读者提供一个全面而深入的了解。一、什么是聚类?聚类是一种无监督学习(UnsupervisedLearning)技术,它的目标是将相似的对象分组到一起,形成簇(Cluster)。与有监督学习
- 机器学习系列——(十八)K-means聚类
飞影铠甲
机器学习机器学习kmeans聚类
引言在众多机器学习技术中,K-means聚类以其简洁高效著称,成为了数据分析师和算法工程师手中的利器。无论是在市场细分、社交网络分析,还是图像处理等领域,K-means都扮演着至关重要的角色。本文旨在深入解析K-means聚类的原理、实现方式、优缺点及其应用,以期为读者提供全面而深入的理解。一、K-means聚类简介K-means是一种基于划分的聚类算法,它的目标是将n个对象根据属性分为k个簇,使
- 机器学习系列——(十五)随机森林回归
飞影铠甲
机器学习机器学习随机森林回归人工智能
引言在机器学习的众多算法中,随机森林以其出色的准确率、对高维数据的处理能力以及对训练数据集的异常值的鲁棒性而广受欢迎。它是一种集成学习方法,通过构建多个决策树来进行预测和分类。本文将重点介绍随机森林在回归问题中的应用,即随机森林回归(RandomForestRegression)。一、概念随机森林回归是基于决策树的集成学习技术。在这个模型中,我们构建多个决策树,并将它们的预测结果合并来得到最终的回
- 机器学习系列——(十六)回归模型的评估
飞影铠甲
机器学习机器学习回归人工智能
引言在机器学习领域,回归模型是一种预测连续数值输出的重要工具。无论是预测房价、股票价格还是天气温度,回归模型都扮演着不可或缺的角色。然而,构建模型只是第一步,评估模型的性能是确保模型准确性和泛化能力的关键环节。本文将详细介绍几种常用的回归模型评估方法。一、均方误差(MeanSquaredError,MSE)均方误差是最常用的回归评估指标之一,它计算了预测值与真实值之间差异的平方的平均值。公式如下:
- 机器学习系列——(十四)正则化回归
飞影铠甲
机器学习机器学习回归人工智能
引言在机器学习领域,正则化回归是一种常用的技术,旨在解决过拟合问题,提高模型的泛化能力。本文将简单探讨正则化回归的概念、类型和应用,帮助读者更好地理解和运用这一重要技术。一、概念正则化回归是一种通过引入额外信息(约束或惩罚项)来调整模型复杂度的方法,从而防止过拟合,提高模型的泛化能力。简单来说,正则化就是在模型训练过程中加入一个正则项,以限制模型参数的大小。那么,为什么需要正则化?在机器学习中,模
- 机器学习系列6-逻辑回归
喜乐00
机器学习逻辑回归人工智能
重点:1.逻辑回归模型会生成概率。2.对数损失是逻辑回归的损失函数。3.逻辑回归被许多从业者广泛使用。#1.逻辑回归:计算概率**许多问题需要将概率估算值作为输出。逻辑回归是一种非常高的概率计算机制。**实际上,您可以通过以下两种方式之一使用返回的概率:*原样*已转换为二元类别。![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/e62e0256ba5a
- 机器学习系列——(十一)回归
飞影铠甲
机器学习机器学习回归人工智能
引言在机器学习领域,回归是一种常见的监督学习任务,它主要用于预测数值型目标变量。回归分析能够通过对输入特征与目标变量之间的关系建模,从而对未知数据做出预测。概念回归是机器学习中的一种监督学习方法,用于预测数值型目标变量。它通过建立特征与目标变量之间的关系模型,对未知数据做出预测。举个例子来说明回归的概念:假设我们希望根据房屋的面积来预测其价格。我们可以收集一组包含多个房屋的数据样本,每个样本包含房
- 机器学习系列——(十二)线性回归
飞影铠甲
机器学习机器学习线性回归人工智能
导言在机器学习领域,线性回归是最基础且重要的算法之一。它用于建立输入特征与输出目标之间的线性关系模型,为我们解决回归问题提供了有效的工具。本文将详细介绍线性回归的原理、应用和实现方法,帮助读者快速了解和上手这一强大的机器学习算法。一、线性回归简介线性回归是一种监督学习算法,适用于处理连续数值预测问题。其基本思想是通过拟合最佳直线(或超平面)来预测输出变量与输入特征之间的关系。线性回归的目标是找到最
- 机器学习系列——(九)决策树
飞影铠甲
机器学习机器学习决策树人工智能
简介决策树作为机器学习的一种经典算法,在数据挖掘、分类和回归等任务中广泛应用。本文将详细介绍机器学习中的决策树算法,包括其原理、构建过程和应用场景。原理决策树是一种基于树状结构的监督学习算法,它通过构建一棵树来对数据进行分类或回归预测。决策树的每个内部节点代表一个特征属性,每个叶子节点代表一个类别或数值。决策树的构建过程:特征选择:根据某种指标选择最佳特征,将数据集划分为不同的子集。决策节点生成:
- 机器学习系列——(十)支持向量机
飞影铠甲
机器学习支持向量机机器学习算法
一、背景支持向量机(SupportVectorMachine,SVM)是一种用于分类、回归和离群点检测等领域的监督学习方法。它最初由Vapnik和Cortes在1995年提出,被认为是机器学习领域中最成功的算法之一。二、原理2.1线性SVM我们先从最简单的线性支持向量机(LinearSVM)开始。对于一个二分类问题,假设训练数据集为D={(x1,y1),(x2,y2),...,(xn,yn)},其
- 机器学习系列——(七)简单分类算法
飞影铠甲
机器学习机器学习分类人工智能
机器学习是目前人工智能领域最热门的分支之一,其中朴素贝叶斯分类算法是一种常用的分类算法。本文将详细介绍朴素贝叶斯分类算法的原理、应用以及优缺点。一、原理朴素贝叶斯分类算法是一种基于贝叶斯定理的分类算法。在分类问题中,我们需要根据给定的数据集,将不同的实例分成不同的类别。朴素贝叶斯分类算法的核心思想就是利用已知类别的训练数据来估计每个特征对于分类结果的影响,并通过这些特征值的联合概率分布来确定新实例
- 机器学习系列——(八)KNN分类算法
飞影铠甲
机器学习机器学习分类人工智能
当谈到机器学习中的分类算法时,K最近邻(K-NearestNeighbors,简称KNN)是一个简单而又常用的算法。在本篇博客中,我们将探讨KNN算法的原理、应用和优缺点。一、原理K最近邻算法是一种基于实例的学习方法,它通过利用已知类别的训练样本集来对新的实例进行分类。其核心思想是通过测量不同实例之间的距离来确定新实例的类别。具体来说,KNN算法的原理可以概括为以下几个步骤:数据准备:首先,我们需
- 机器学习系列——(五)数据清洗
飞影铠甲
机器学习机器学习人工智能
引言在机器学习领域,数据是训练模型的基础。然而,现实世界中的数据往往存在噪声、缺失值、异常值和不一致等问题,这些问题会对模型的性能产生负面影响。因此,数据清洗作为机器学习流程中至关重要的一步,可以帮助我们处理这些问题,提高模型的准确性和鲁棒性。本文将详细介绍机器学习中的数据清洗过程,以及常见的数据清洗方法和技术。一、概念和目标数据清洗是指通过一系列的操作和技术,对原始数据进行预处理,使其符合模型训
- 机器学习系列——(六)数据降维
飞影铠甲
机器学习机器学习人工智能大数据
引言在机器学习领域,数据降维是一种常用的技术,旨在减少数据集的维度,同时保留尽可能多的有用信息。数据降维可以帮助我们解决高维数据带来的问题,提高模型的效率和准确性。本文将详细介绍机器学习中的数据降维方法和技术,以及其在实际应用中的重要性。一、概念数据降维是指通过对原始数据进行变换或压缩,将其映射到一个低维空间中,从而减少特征的数量。数据降维的目标主要包括以下几个方面:减少计算复杂性:高维数据可能导
- 机器学习系列 - Mean Shift聚类
学海一叶
机器学习算法聚类机器学习python计算机视觉
文章目录前言一、原理前置知识点MeanShift计算步骤二、应用举例-图像分割三、聚类实战-简单实例bandwidth=1bandwidth=2总结前言MeanShift(均值漂移)是基于密度的非参数聚类算法,其算法思想是假设不同簇类的数据集符合不同的概率密度分布,找到任一样本点密度增大的最快方向(最快方向的含义就是MeanShift),样本密度高的区域对应于该分布的最大值,这些样本点最终会在局部
- 机器学习系列4-特征工程
喜乐00
机器学习人工智能
机器学习系列4-特征工程学习内容来自:谷歌ai学习https://developers.google.cn/machine-learning/crash-course/framing/check-your-understanding?hl=zh-cn本文作为学习记录自己归纳整理的思维导图这里写目录标题机器学习系列4-特征工程一级目录二级目录三级目录1.数据集划分1.1将数据集划分为训练集和测试集1
- 机器学习系列——(二)主要任务
飞影铠甲
机器学习人工智能
导语:随着信息时代的到来,机器学习作为一项重要技术正逐渐渗透到我们的生活和工作中。它的主要任务是通过使用数据和算法,让计算机系统从中学习并改进性能,使其能够更智能地处理问题和做出决策。本文将详细介绍机器学习的主要任务,包括分类、回归、聚类和推荐系统等,让我们一同探索这个引领智能时代的关键技术。分类任务分类任务是机器学习中最常见的任务之一。它的目标是将数据分为不同的类别或标签。分类任务可以应用于各种
- 机器学习系列——(一)概述
飞影铠甲
机器学习机器学习人工智能
导语:在当今高度数字化和信息化的时代,机器学习作为一项核心技术,正日益渗透到我们生活的方方面面。它不仅为我们提供了更智能、更高效的解决方案,还给予了计算机系统从经验中学习和改进的能力。本文将带您深入了解机器学习的概念、原理以及应用,让我们一同探索这个引领智能时代的关键技术。第一部分:什么是机器学习?机器学习是一种通过利用数据和统计学方法,使计算机系统从中学习并改进性能的人工智能技术。它通过构建模型
- 机器学习系列-1基础概念
喜乐00
机器学习人工智能
机器学习系列-1基础概念学习内容来自:谷歌ai学习https://developers.google.cn/machine-learning/crash-course/framing/check-your-understanding?hl=zh-cn本文作为学习记录1.什么是(监督式)机器学习?机器学习系统学习如何组合输入以对从未见过的数据生成有用的预测。2.机器学习的基本术语。2.1标签标签是指
- java杨辉三角
3213213333332132
java基础
package com.algorithm;
/**
* @Description 杨辉三角
* @author FuJianyong
* 2015-1-22上午10:10:59
*/
public class YangHui {
public static void main(String[] args) {
//初始化二维数组长度
int[][] y
- 《大话重构》之大布局的辛酸历史
白糖_
重构
《大话重构》中提到“大布局你伤不起”,如果企图重构一个陈旧的大型系统是有非常大的风险,重构不是想象中那么简单。我目前所在公司正好对产品做了一次“大布局重构”,下面我就分享这个“大布局”项目经验给大家。
背景
公司专注于企业级管理产品软件,企业有大中小之分,在2000年初公司用JSP/Servlet开发了一套针对中
- 电驴链接在线视频播放源码
dubinwei
源码电驴播放器视频ed2k
本项目是个搜索电驴(ed2k)链接的应用,借助于磁力视频播放器(官网:
http://loveandroid.duapp.com/ 开放平台),可以实现在线播放视频,也可以用迅雷或者其他下载工具下载。
项目源码:
http://git.oschina.net/svo/Emule,动态更新。也可从附件中下载。
项目源码依赖于两个库项目,库项目一链接:
http://git.oschina.
- Javascript中函数的toString()方法
周凡杨
JavaScriptjstoStringfunctionobject
简述
The toString() method returns a string representing the source code of the function.
简译之,Javascript的toString()方法返回一个代表函数源代码的字符串。
句法
function.
- struts处理自定义异常
g21121
struts
很多时候我们会用到自定义异常来表示特定的错误情况,自定义异常比较简单,只要分清是运行时异常还是非运行时异常即可,运行时异常不需要捕获,继承自RuntimeException,是由容器自己抛出,例如空指针异常。
非运行时异常继承自Exception,在抛出后需要捕获,例如文件未找到异常。
此处我们用的是非运行时异常,首先定义一个异常LoginException:
/**
* 类描述:登录相
- Linux中find常见用法示例
510888780
linux
Linux中find常见用法示例
·find path -option [ -print ] [ -exec -ok command ] {} \;
find命令的参数;
- SpringMVC的各种参数绑定方式
Harry642
springMVC绑定表单
1. 基本数据类型(以int为例,其他类似):
Controller代码:
@RequestMapping("saysth.do")
public void test(int count) {
}
表单代码:
<form action="saysth.do" method="post&q
- Java 获取Oracle ROWID
aijuans
javaoracle
A ROWID is an identification tag unique for each row of an Oracle Database table. The ROWID can be thought of as a virtual column, containing the ID for each row.
The oracle.sql.ROWID class i
- java获取方法的参数名
antlove
javajdkparametermethodreflect
reflect.ClassInformationUtil.java
package reflect;
import javassist.ClassPool;
import javassist.CtClass;
import javassist.CtMethod;
import javassist.Modifier;
import javassist.bytecode.CodeAtt
- JAVA正则表达式匹配 查找 替换 提取操作
百合不是茶
java正则表达式替换提取查找
正则表达式的查找;主要是用到String类中的split();
String str;
str.split();方法中传入按照什么规则截取,返回一个String数组
常见的截取规则:
str.split("\\.")按照.来截取
str.
- Java中equals()与hashCode()方法详解
bijian1013
javasetequals()hashCode()
一.equals()方法详解
equals()方法在object类中定义如下:
public boolean equals(Object obj) {
return (this == obj);
}
很明显是对两个对象的地址值进行的比较(即比较引用是否相同)。但是我们知道,String 、Math、I
- 精通Oracle10编程SQL(4)使用SQL语句
bijian1013
oracle数据库plsql
--工资级别表
create table SALGRADE
(
GRADE NUMBER(10),
LOSAL NUMBER(10,2),
HISAL NUMBER(10,2)
)
insert into SALGRADE values(1,0,100);
insert into SALGRADE values(2,100,200);
inser
- 【Nginx二】Nginx作为静态文件HTTP服务器
bit1129
HTTP服务器
Nginx作为静态文件HTTP服务器
在本地系统中创建/data/www目录,存放html文件(包括index.html)
创建/data/images目录,存放imags图片
在主配置文件中添加http指令
http {
server {
listen 80;
server_name
- kafka获得最新partition offset
blackproof
kafkapartitionoffset最新
kafka获得partition下标,需要用到kafka的simpleconsumer
import java.util.ArrayList;
import java.util.Collections;
import java.util.Date;
import java.util.HashMap;
import java.util.List;
import java.
- centos 7安装docker两种方式
ronin47
第一种是采用yum 方式
yum install -y docker
 
- java-60-在O(1)时间删除链表结点
bylijinnan
java
public class DeleteNode_O1_Time {
/**
* Q 60 在O(1)时间删除链表结点
* 给定链表的头指针和一个结点指针(!!),在O(1)时间删除该结点
*
* Assume the list is:
* head->...->nodeToDelete->mNode->nNode->..
- nginx利用proxy_cache来缓存文件
cfyme
cache
user zhangy users;
worker_processes 10;
error_log /var/vlogs/nginx_error.log crit;
pid /var/vlogs/nginx.pid;
#Specifies the value for ma
- [JWFD开源工作流]JWFD嵌入式语法分析器负号的使用问题
comsci
嵌入式
假如我们需要用JWFD的语法分析模块定义一个带负号的方程式,直接在方程式之前添加负号是不正确的,而必须这样做:
string str01 = "a=3.14;b=2.71;c=0;c-((a*a)+(b*b))"
定义一个0整数c,然后用这个整数c去
- 如何集成支付宝官方文档
dai_lm
android
官方文档下载地址
https://b.alipay.com/order/productDetail.htm?productId=2012120700377310&tabId=4#ps-tabinfo-hash
集成的必要条件
1. 需要有自己的Server接收支付宝的消息
2. 需要先制作app,然后提交支付宝审核,通过后才能集成
调试的时候估计会真的扣款,请注意
- 应该在什么时候使用Hadoop
datamachine
hadoop
原帖地址:http://blog.chinaunix.net/uid-301743-id-3925358.html
存档,某些观点与我不谋而合,过度技术化不可取,且hadoop并非万能。
--------------------------------------------万能的分割线--------------------------------
有人问我,“你在大数据和Hado
- 在GridView中对于有外键的字段使用关联模型进行搜索和排序
dcj3sjt126com
yii
在GridView中使用关联模型进行搜索和排序
首先我们有两个模型它们直接有关联:
class Author extends CActiveRecord {
...
}
class Post extends CActiveRecord {
...
function relations() {
return array(
'
- 使用NSString 的格式化大全
dcj3sjt126com
Objective-C
格式定义The format specifiers supported by the NSString formatting methods and CFString formatting functions follow the IEEE printf specification; the specifiers are summarized in Table 1. Note that you c
- 使用activeX插件对象object滚动有重影
蕃薯耀
activeX插件滚动有重影
使用activeX插件对象object滚动有重影 <object style="width:0;" id="abc" classid="CLSID:D3E3970F-2927-9680-BBB4-5D0889909DF6" codebase="activex/OAX339.CAB#
- SpringMVC4零配置
hanqunfeng
springmvc4
基于Servlet3.0规范和SpringMVC4注解式配置方式,实现零xml配置,弄了个小demo,供交流讨论。
项目说明如下:
1.db.sql是项目中用到的表,数据库使用的是oracle11g
2.该项目使用mvn进行管理,私服为自搭建nexus,项目只用到一个第三方 jar,就是oracle的驱动;
3.默认项目为零配置启动,如果需要更改启动方式,请
- 《开源框架那点事儿16》:缓存相关代码的演变
j2eetop
开源框架
问题引入
上次我参与某个大型项目的优化工作,由于系统要求有比较高的TPS,因此就免不了要使用缓冲。
该项目中用的缓冲比较多,有MemCache,有Redis,有的还需要提供二级缓冲,也就是说应用服务器这层也可以设置一些缓冲。
当然去看相关实现代代码的时候,大致是下面的样子。
[java]
view plain
copy
print
?
public vo
- AngularJS浅析
kvhur
JavaScript
概念
AngularJS is a structural framework for dynamic web apps.
了解更多详情请见原文链接:http://www.gbtags.com/gb/share/5726.htm
Directive
扩展html,给html添加声明语句,以便实现自己的需求。对于页面中html元素以ng为前缀的属性名称,ng是angular的命名空间
- 架构师之jdk的bug排查(一)---------------split的点号陷阱
nannan408
split
1.前言.
jdk1.6的lang包的split方法是有bug的,它不能有效识别A.b.c这种类型,导致截取长度始终是0.而对于其他字符,则无此问题.不知道官方有没有修复这个bug.
2.代码
String[] paths = "object.object2.prop11".split("'");
System.ou
- 如何对10亿数据量级的mongoDB作高效的全表扫描
quentinXXZ
mongodb
本文链接:
http://quentinXXZ.iteye.com/blog/2149440
一、正常情况下,不应该有这种需求
首先,大家应该有个概念,标题中的这个问题,在大多情况下是一个伪命题,不应该被提出来。要知道,对于一般较大数据量的数据库,全表查询,这种操作一般情况下是不应该出现的,在做正常查询的时候,如果是范围查询,你至少应该要加上limit。
说一下,
- C语言算法之水仙花数
qiufeihu
c算法
/**
* 水仙花数
*/
#include <stdio.h>
#define N 10
int main()
{
int x,y,z;
for(x=1;x<=N;x++)
for(y=0;y<=N;y++)
for(z=0;z<=N;z++)
if(x*100+y*10+z == x*x*x
- JSP指令
wyzuomumu
jsp
jsp指令的一般语法格式: <%@ 指令名 属性 =”值 ” %>
常用的三种指令: page,include,taglib
page指令语法形式: <%@ page 属性 1=”值 1” 属性 2=”值 2”%>
include指令语法形式: <%@include file=”relative url”%> (jsp可以通过 include