D_8鸽
D_8鸽

Q-learning

今天,来说说q-learning.在我最近学习机相关资料后.首先关于q-learning 是一个马尔科夫决策的过程(markov).公式如下:

Q(st,at)←Q(st,at)+α[rt+1+λmaxaQ(st+1,a)−Q(st,at)]

这里的Q 就是Q表, 

α是学习效率,

r是奖励(立马奖励),

λ的意思我一时词穷了我自己取一个远见值吧(0~1)

好了, 这些东西呢,大家只要搜一搜应该都能搞明白.接下来我就来说说我的理解吧

首先这个学习效率,大家稍微思考一下就明白了,比如传一个0 就是不学习嘛,传1就是专心学习咯.那就有人会问了,如果是这样的话 我就是为了学习的呀,训练一个决策的Q表呀,那我肯定是传1最好了! 对的,这样想完全正确, 那么有没有想过,你训练完之后是不是要用这个表来做决策呢? 想到这里大家应该就明白了, 这就相当于一个debug 一个realse一样, 你的学习过程就是debug环境下的调试过程, 这个时候学习效率传1最后了,最快的学习好, 然后当你学习好了之后传一个0 就变成生产环境了. 这个时候就可以放行使用了.不用担心还会出现一些debug的时候的奇怪的问题出来(比如调试代码什么的). 

这里顺便提一下,markov决策里面有一个原理就是当一些参数一定的时候最后的数据的分布会趋向稳定. 这个就给我们一个提示就是, 这个Q的学习过程到了一定程度的时候,每一个状态下的Q值都会趋于稳定(不变,或者变化极小).

说道Q-learning 就要提一下 Sarsa 这个Q的亲兄弟.

Sarsa的公式是:

Q(st,at)←Q(st,at)+α[rt+1+λQ(st+1,at+1)−Q(st,at)]

比较一下可以看到Sarsa与Q的不同是Sarsa是更新一个Q值的时候以来下一个Q值,并且下一个Q值又以来下下个Q值,这样的话的之后再最后结束的时候才能真正的更新这个值.在代码里面体现就是类似递归,或者说是迭代,Q是取下一个Q的可能的最大的奖励,所以不会一直以来下去,能很快的更新Q值.

好今天暂时先写到这里,有空我会制作一个iOS和一个Android的示例出来!下次见

iOS Demo

原文地址:Q-learning

你可能感兴趣的:(Q-learning)

  • 深度 Qlearning：在直播推荐系统中的应用 AGI通用人工智能之禅 程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    深度Q-learning：在直播推荐系统中的应用关键词：深度Q-learning,强化学习,直播推荐系统,个性化推荐1.背景介绍1.1问题的由来随着互联网技术的飞速发展,直播平台如雨后春笋般涌现。面对海量的直播内容,用户很难快速找到自己感兴趣的内容。因此,个性化推荐系统在直播平台中扮演着越来越重要的角色。1.2研究现状目前,主流的个性化推荐算法包括协同过滤、基于内容的推荐等。这些方法在一定程度上缓
  • 深度强化学习之DQN-深度学习与强化学习的成功结合 CristianoC
    目录概念深度学习与强化学习结合的问题DQN解决结合出现问题的办法DQN算法流程总结一、概念原因：在普通的Q-Learning中，当状态和动作空间是离散且维数不高的时候可以使用Q-Table来存储每个状态动作对应的Q值，而当状态和动作空间是高维连续时，使用Q-Table不现实。一是因为当问题复杂后状态太多，所需内存太大；二是在这么大的表格中查询对应的状态也是一件很耗时的事情。image通常的做法是把
  • 基于时序差分的无模型强化学习：Q-learning 算法详解 晓shuo 算法强化学习
    目录一、无模型强化学习中的时序差分方法与Q-learning1.1时序差分法1.2Q-learning算法状态-动作值函数（Q函数）Q-learning的更新公式Q-learning算法流程Q-learning的特点1.3总结一、无模型强化学习中的时序差分方法与Q-learning  动态规划算法依赖于已知的马尔可夫决策过程（MDP），在环境的状态转移概率和奖励函数完全明确的情况下，智能体无需与环
  • Python知识点：如何使用Python实现强化学习机器人 杰哥在此 Python系列python机器人开发语言编程面试
    实现一个强化学习机器人涉及多个步骤，包括定义环境、状态和动作，选择适当的强化学习算法，并训练模型。下面是一个简单的例子，使用Python和经典的Q-learning算法来实现一个强化学习机器人，目标是通过OpenAIGym提供的FrozenLake环境训练机器人学会如何在冰面上移动以找到目标。1.安装必要的库首先，需要安装OpenAIGym和Numpy。你可以使用以下命令安装它们：pipinsta
  • 马尔可夫决策过程（Markov decision process，MDP） 太阳城S 学习笔记马尔可夫决策过程MDP机器学习深度学习
    文章目录马尔可夫决策过程(MDP)在机器学习中应用在机器学习中的引用示例引用：实例场景：机器人导航MDP的定义：引用示例：在此基础上更具体的描述，并给出每一步的推断计算过程场景描述：3x3网格中的机器人导航MDP的定义强化学习算法：Q-Learning具体实例与推断计算过程回合1（Episode1Episode1Episode1）回合2（Episode2Episode2Episode2）回合3（E
  • 强化学习入门：使用Python和Q-learning算法解决迷宫问题 Evaporator Core python
    文章标题：强化学习入门：使用Python和Q-learning算法解决迷宫问题简介强化学习是机器学习中的一个重要分支，它致力于研究智能体在与环境交互的过程中如何学习最优的行为策略。Q-learning算法是强化学习中的一个经典算法，它通过不断地探索和利用环境来学习最优的行为策略。本文将介绍如何使用Python编程语言和Q-learning算法解决迷宫问题，并通过可视化展示智能体学习过程。1.准备工
  • Q-learning de_b952
    原文：https://blog.csdn.net/qq_30615903/article/details/80739243Q-learning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的s状态下(s∈S)，采取动作a(a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报rewardr，所以算法的主要思想就是将State与Action构建成一张
  • 强化学习 | 基于 Q-Learning 算法解决 Treasure on Right 游戏 半亩花海 机器学习算法游戏机器学习人工智能
    Hi，大家好，我是半亩花海。在本篇技术博客中，我们将探讨如何使用Q-Learning算法来解决TreasureonRight游戏，实现一个简单的强化学习。一、游戏背景TreasureonRight游戏——一个简单的命令行寻宝游戏，是一个经典的强化学习示例，它模拟了一个智能体在有限状态空间中寻找宝藏的过程。游戏环境由一个线性状态空间组成，智能体可以执行两个动作：向左移动或向右移动。目标是让智能体学会
  • DQN的理论研究回顾 Jay Morein 强化学习与多智能体深度学习学习
    DQN的理论研究回顾1.DQN简介强化学习（RL）（Reinforcementlearning:Anintroduction,2nd,ReinforcementLearningandOptimalControl）一直是机器学习的一个重要领域，近几十年来获得了大量关注。RL关注的是通过与环境的交互进行连续决策，从而根据当前环境制定指导行动的策略，目标是实现长期回报最大化。Q-learning是RL中
  • 强化学习 - Q-learning（Q学习） 草明 数据结构与算法学习机器学习人工智能深度学习
    什么是机器学习强化学习中的Q-learning（Q学习）是一种用于学习在未知环境中做出决策的方法。它是基于值函数的方法，通过学习一个值函数Q，该函数表示在给定状态和动作下，期望的累积奖励。以下是一个简单的Q-learning的实现教程，使用Python进行演示。这里我们考虑一个简单的驾驶代理程序在一个格子世界中学习如何最优地选择动作以达到目标。importnumpyasnp#定义格子世界的大小nu
  • 【机器学习】强化学习（六）-DQN(Deep Q-Learning)训练月球着陆器示例 十年一梦实验室 机器学习人工智能
    概述DeepQ-Learning（深度Q学习）是一种强化学习算法，用于解决决策问题，其中代理（agent）通过学习在不同环境中采取行动来最大化累积奖励。LunarLander是一个经典的强化学习问题，其中代理的任务是控制一个着陆舱在月球表面着陆，最小化着陆过程中的燃料消耗。以下是使用DeepQ-Learning解决LunarLander问题的基本步骤：环境建模：首先，需要对LunarLander环
  • 强化学习12——策略梯度算法学习 beiketaoerge 强化学习算法学习机器学习强化学习
    Q-learning、DQN算法是基于价值的算法，通过学习值函数、根据值函数导出策略；而基于策略的算法，是直接显示地学习目标策略，策略梯度算法就是基于策略的算法。策略梯度介绍将策略描述为带有参数θ\thetaθ的连续函数，可以将策略学习的目标函数定义为：J(θ)=Es0[Vπθ(s0)]J(\theta)=\mathbb{E}_{s_0}[V^{\pi_\theta}(s_0)]J(θ)=Es0[
  • 强化学习11——DQN算法 beiketaoerge 强化学习算法强化学习
    DQN算法的全称为，DeepQ-Network，即在Q-learning算法的基础上引用深度神经网络来近似动作函数Q(s,a)Q(s,a)Q(s,a)。对于传统的Q-learning，当状态或动作数量特别大的时候，如处理一张图片，假设为210×160×3210×160×3210×160×3，共有256(210×60×3)256^{(210×60×3)}256(210×60×3)种状态，难以存储，但
  • 【机器学习】强化学习（四）-时序差分学习 十年一梦实验室 机器学习学习人工智能
    蒙特卡洛算法需要使用完整的片段进行计算，这在有些问题中是不现实的，尤其是对于没有终止状态的问题。时序差分算法对此进行了改进蒙特卡洛控制和时序差分学习有什么区别？四、时序差分算法（TemporalDifferenceLearning,TD学习）4.1时序差分（0）4.2Sarsa算法4.3Q学习（Q-learning）4.4Sarsa和Q-learning有什么区别？4.5示例代码公共类：discr
  • 强化学习应用（六）：基于Q-learning算法的无人车配送路径规划（通过Python代码） 优化算法MATLAB与Python Python优化算法算法python人工智能开发语言
    一、Q-learning算法介绍Q-learning是一种强化学习算法，用于解决基于环境的决策问题。它通过学习一个Q-table来指导智能体在不同状态下采取最优动作。下面是Q-learning算法的基本步骤：1.定义环境：确定问题的状态和动作空间，并创建一个变量来表示环境。2.初始化Q-table：创建一个Q-table，其大小与状态和动作空间相匹配，并将所有Q值初始化为0。3.设置超参数：设置一
  • 使用 Q-learning 算法解决简单的开发环境中的智能体控制问题。 mqdlff_python 强化学习实战算法python机器学习
    当涉及到完整的强化学习案例时，考虑到时间和复杂性，下面是一个简单的案例：使用Q-learning算法解决简单的开发环境中的智能体控制问题。问题描述：在一个简化的网格世界中，有一个智能体（agent）需要学习如何在不同位置移动以达到目标位置，智能体需要选择行动以最大化累积的奖励。解决方案：步骤：环境建模：创建一个简单的网格世界环境，包括状态空间、行动空间和奖励机制。每个状态代表智能体在网格中的位置。
  • 【机器学习故事版】《围棋小将的智慧之旅》 德天老师 机器学习人工智能
    在一个遥远的围棋王国里，住着一个名叫Q-learner的小棋手。这个王国里的棋盘简化成了3x3大小（实际围棋远大于此，但为了方便理解，我们先从简单开始）。有一天，Q-learner决定通过学习来提升自己的棋艺。他找来一本神秘的《围棋秘诀》，书中记载了一种神奇的方法——Q-learning。Q-learner准备了一块干净的棋盘（SimpleGoEnv环境），classSimpleGoEnv(Env
  • 【机器学习】强化学习 （一）强化学习简介 十年一梦实验室 机器学习人工智能
    一、强化学习简介1.1问题定义1.2马尔可夫决策过程举例说明马尔可夫决策过程例1：例2：执行动作的策略强化学习的目标是让智能体通过不断尝试，找到最优的策略（policy），即在每个状态下选择什么动作，以最大化累积的奖励。强化学习的常见算法有：Q学习（Q-learning）：一种基于值函数（valuefunction）的方法，它用一个表格（Q-table）记录每个状态-动作对的期望奖励（Q-valu
  • 强化学习AI构建实战 - 基于“黄金点”游戏（一） 人工智能MOS 人工智能游戏机器学习深度学习
    简介强化学习(ReinforcementLearning)是机器学习的一种重要技术。本文首先简要介绍了强化学习的概念及思路，然后以Q-Learning算法为例介绍了如何进行训练。随后又介绍了黄金点游戏，并介绍了如何设计实现基于规则的、基于识别的、基于学习的策略BOT来进行比赛。强化学习人类如何学习？在讲解强化学习之前，我们先来了解下人类是如何进行学习的。我们在AzureNotebook上提供了一个
  • 强化学习应用（二）：基于Q-learning的无人机物流路径规划研究（提供Python代码） IT猿手 QlearningpythonTSP无人机python开发语言深度强化学习强化学习TSP
    一、Q-learning简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个价值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是通过不断更新一个称为Q值的表格来学习最优策略。Q值表示在给定状态下采取某个动作所能获得的预期累积奖励。算法的基本步骤如下：1.初始化Q值表格，将所有Q值初始化为0。2.在每个时间步
  • 强化学习应用（一）：基于Q-learning的无人机物流路径规划研究（提供Python代码） IT猿手 TSPQlearningpython无人机python开发语言深度强化学习强化学习Qlearning
    一、Q-learning简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个价值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是通过不断更新一个称为Q值的表格来学习最优策略。Q值表示在给定状态下采取某个动作所能获得的预期累积奖励。算法的基本步骤如下：1.初始化Q值表格，将所有Q值初始化为0。2.在每个时间步
  • 强化学习应用（七）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言算法人工智能强化学习
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习应用（六）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言算法人工智能强化学习
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习应用（五）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言人工智能强化学习算法
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习应用（八）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言人工智能强化学习算法
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习- Actor-Critic 算法 下一个拐角% 强化学习算法python开发语言
    提出理由：：REINFORCE算法是蒙特卡洛策略梯度，整个回合结束计算总奖励G，方差大，学习效率低。G随机变量，给同样的状态s，给同样的动作a，G可能有一个固定的分布，但是采取采样的方式，本身就有随机性。解决方案：单步更新TD。直接估测G这个随机变量的期望值，拿期望值代替采样的值基于价值的(value-based)的方法Q-learning。Actor-Critic算法，结合策略梯度+时序差分的方
  • 强化学习应用（三）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言算法人工智能强化学习
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习应用（一）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言人工智能算法
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习应用（二）：基于Q-learning的物流配送路径规划研究（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言算法人工智能
    一、Q-learning算法简介Q-learning是一种强化学习算法，用于解决基于马尔可夫决策过程（MDP）的问题。它通过学习一个值函数来指导智能体在环境中做出决策，以最大化累积奖励。Q-learning算法的核心思想是使用一个Q值函数来估计每个状态动作对的价值。Q值表示在特定状态下采取某个动作所能获得的预期累积奖励。算法通过不断更新Q值函数来优化智能体的决策策略。Q-learning算法的更新
  • 强化学习求解TSP（八）：Qlearning求解旅行商问题TSP（提供Python代码） 优化算法MATLAB与Python Python优化算法python开发语言
    一、Qlearning简介Q-learning是一种强化学习算法，用于解决基于奖励的决策问题。它是一种无模型的学习方法，通过与环境的交互来学习最优策略。Q-learning的核心思想是通过学习一个Q值函数来指导决策，该函数表示在给定状态下采取某个动作所获得的累积奖励。Q-learning的训练过程如下：1.初始化Q值函数，将所有状态-动作对的Q值初始化为0。2.在每个时间步，根据当前状态选择一个动
  • Dom 周华华 JavaScripthtml
    <!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/1999/xhtml&q
  • 【Spark九十六】RDD API之combineByKey bit1129 spark
    1. combineByKey函数的运行机制   RDD提供了很多针对元素类型为(K,V)的API，这些API封装在PairRDDFunctions类中，通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一   首先看一下combineByKey的方法说明：
  • msyql设置密码报错：ERROR 1372 (HY000): 解决方法详解 daizj mysql设置密码
    MySql给用户设置权限同时指定访问密码时，会提示如下错误： ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number；   问题原因：你输入的密码是明文。不允许这么输入。   解决办法：用select password('你想输入的密码');查询出你的密码对应的字符串， 然后
  • 路漫漫其修远兮 吾将上下而求索 周凡杨 学习 思索
    王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者，罔不经过三种之境界。“昨夜西风凋碧树。独上高楼，望尽天涯路。”此第一境界也。“衣带渐宽终不悔，为伊消得人憔悴。”此第二境界也。“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”此第三境界也。学习技术，这也是你必须经历的三种境界。第一层境界是说，学习的路是漫漫的，你必须做好充分的思想准备，如果半途而废还不如不要开始。这里，注
  • Hadoop(二)对话单的操作 朱辉辉33 hadoop
    Debug： 1、 A = LOAD '/user/hue/task.txt' USING PigStorage(' ') AS (col1,col2,col3); DUMP A; //输出结果前几行示例： (>ggsnPDPRecord(21),,) (-->recordType(0),,) (-->networkInitiation(1),,)
  • web报表工具FineReport常用函数的用法总结（日期和时间函数） 老A不折腾 finereport报表工具web开发
    web报表工具FineReport常用函数的用法总结（日期和时间函数）   说明：凡函数中以日期作为参数因子的，其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。   DATE DATE(year,month,day):返回一个表示某一特定日期的系列数。 Year:代表年，可为一到四位数。 Month:代表月份。
  • c++ 宏定义中的##操作符 墙头上一根草 C++
    #与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a)   #a #define h(a) g(a) int main() {       &nbs
  • 分析Spring源代码之，DI的实现 aijuans springDI现源代码
    (转) 分析Spring源代码之，DI的实现 2012/1/3 by tony                 接着上次的讲，以下这个sample [java]  view plain copy print
  • for循环的进化 alxw4616 JavaScript
    // for循环的进化 // 菜鸟 for (var i = 0; i < Things.length ; i++) { // Things[i] } // 老鸟 for (var i = 0, len = Things.length; i < len; i++) { // Things[i] } // 大师 for (var i = Things.le
  • 网络编程Socket和ServerSocket简单的使用 百合不是茶 网络编程基础IP地址端口
      网络编程;TCP/IP协议   网络:实现计算机之间的信息共享,数据资源的交换   协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去   端口:用于计算机之间的通信      每运行一个程序，系统会分配一个编号给该程序，作为和外界交换数据的唯一标识 0~65535   查看被使用的
  • JDK1.5 生产消费者 bijian1013 javathread生产消费者java多线程
    ArrayBlockingQueue：        一个由数组支持的有界阻塞队列。此队列按 FIFO（先进先出）原则对元素进行排序。队列的头部 是在队列中存在时间最长的元素。队列的尾部 是在队列中存在时间最短的元素。新元素插入到队列的尾部，队列检索操作则是从队列头部开始获得元素。 ArrayBlockingQueue的常用方法：
  • JAVA版身份证获取性别、出生日期及年龄 bijian1013 java性别出生日期年龄
            工作中需要根据身份证获取性别、出生日期及年龄，且要还要支持15位长度的身份证号码，网上搜索了一下，经过测试好像多少存在点问题，干脆自已写一个。 CertificateNo.java package com.bijian.study; import java.util.Calendar; import
  • 【Java范型六】范型与枚举 bit1129 java
    首先，枚举类型的定义不能带有类型参数，所以，不能把枚举类型定义为范型枚举类，例如下面的枚举类定义是有编译错的   public enum EnumGenerics<T> { //编译错，提示枚举不能带有范型参数 OK, ERROR; public <T> T get(T type) { return null;
  • 【Nginx五】Nginx常用日志格式含义 bit1129 nginx
    1. log_format 1.1 log_format指令用于指定日志的格式，格式：   log_format name(格式名称) type(格式样式)   1.2 如下是一个常用的Nginx日志格式：   log_format main '[$time_local]|$request_time|$status|$body_bytes
  • Lua 语言 15 分钟快速入门 ronin47 lua 基础
    - - 单行注释 - - [[      [多行注释] - - ]]   - - - - - - - - - - - 1. 变量 & 控制流 - - - - - - - - - - num = 23 - - 数字都是双精度 str = 'aspythonstring'
  • java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 ) bylijinnan java
    the idea is from: http://blog.csdn.net/zhanxinhang/article/details/6731134 public class MaxSubMatrix { /**see http://blog.csdn.net/zhanxinhang/article/details/6731134 * Q35 求一个矩阵中最大的二维
  • mongoDB文档型数据库特点 开窍的石头 mongoDB文档型数据库特点
    MongoDD: 文档型数据库存储的是Bson文档-->json的二进制 特点：内部是执行引擎是js解释器，把文档转成Bson结构，在查询时转换成js对象。 mongoDB传统型数据库对比    传统类型数据库：结构化数据，定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的    文档型数据库：不用定好数据结构，
  • [毕业季节]欢迎广大毕业生加入JAVA程序员的行列 comsci java
        一年一度的毕业季来临了。。。。。。。。      正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业，可以考虑来我们软件行业，做一名职业程序员。。。      软件行业的开发工具中，对初学者最友好的就是JAVA语言了，网络上不仅仅有大量的
  • PHP操作Excel – PHPExcel 基本用法详解 cuiyadll PHPExcel
    导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
  • IBM Webshpere MQ Client User Issue (MCAUSER) darrenzhu IBMjmsuserMQMCAUSER
    IBM MQ JMS Client去连接远端MQ Server的时候，需要提供User和Password吗？ 答案是根据情况而定，取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。 http://stackoverflow.com/questions/20209429/how-mca-user-i
  • 网线的接法 dcj3sjt126com
    一、PC连HUB (直连线)A端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 二、PC连PC （交叉线）A端：(568A)： 白绿，绿，白橙，蓝，白蓝，橙，白棕，棕； B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 三、HUB连HUB&nb
  • Vimium插件让键盘党像操作Vim一样操作Chrome dcj3sjt126com chromevim
    什么是键盘党？ 键盘党是指尽可能将所有电脑操作用键盘来完成，而不去动鼠标的人。鼠标应该说是新手们的最爱，很直观，指哪点哪，很听话！不过常常使用电脑的人，如果一直使用鼠标的话，手会发酸，因为操作鼠标的时候，手臂不是在一个自然的状态，臂肌会处于绷紧状态。而使用键盘则双手是放松状态，只有手指在动。而且尽量少的从鼠标移动到键盘来回操作，也省不少事。 在chrome里安装 vimium 插件
  • MongoDB查询（2）——数组查询[六] eksliang mongodbMongoDB查询数组
    MongoDB查询数组 转载请出自出处：http://eksliang.iteye.com/blog/2177292 一、概述  MongoDB查询数组与查询标量值是一样的，例如，有一个水果列表，如下所示： > db.food.find() { "_id" : "001", "fruits" : [ "苹
  • cordova读写文件（1） gundumw100 JavaScriptCordova
    使用cordova可以很方便的在手机sdcard中读写文件。 首先需要安装cordova插件：file 命令为： cordova plugin add org.apache.cordova.file 然后就可以读写文件了，这里我先是写入一个文件，具体的JS代码为： var datas=null;//datas need write var directory=&
  • HTML5 FormData 进行文件jquery ajax 上传 到又拍云 ileson jqueryAjaxhtml5FormData
    html5 新东西：FormData  可以提交二进制数据。 页面test.html <!DOCTYPE> <html> <head> <title> formdata file jquery ajax upload</title> </head> <body> <
  • swift appearanceWhenContainedIn:(version1.2 xcode6.4) 啸笑天 version
      swift1.2中没有oc中对应的方法： + (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION;  解决方法： 在swift项目中新建oc类如下： #import &
  • java实现SMTP邮件服务器 macroli java编程
    电子邮件传递可以由多种协议来实现。目前，在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP，下面分别简单介绍。 　　◆ SMTP 协议 　　简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议，用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
  • mongodb group by having where 查询sql qiaolevip 每天进步一点点学习永无止境mongo纵观千象
    SELECT cust_id, SUM(price) as total FROM orders WHERE status = 'A' GROUP BY cust_id HAVING total > 250 db.orders.aggregate( [ { $match: { status: 'A' } }, { $group: {
  • Struts2 Pojo（六） Luob. POJOstrust2
    注意：附件中有完整案例 1.采用POJO对象的方法进行赋值和传值 2.web配置 <?xml version="1.0" encoding="UTF-8"?> <web-app version="2.5" xmlns="http://java.sun.com/xml/ns/javaee&q
  • struts2步骤 wuai struts
    1、添加jar包 2、在web.xml中配置过滤器 <filter>        <filter-name>struts2</filter-name>        <filter-class>org.apache.st
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他