静脉
静脉

分类训练|第二天的Keras

今天的内容主要是训练一个分类的机器学习代码，现在我们给这些坐标点预先分号类，然后让计算机学习分类。
坐标点如下：
第一类：
[1, 5], [2, 7], [9, 14], [6, 10], [8, 21], [16, 19],
第二类：
[5, 1], [7, 2], [14, 9], [10, 6], [21, 8],[19, 16]]
下面要给这两类打标签，
第一类：
[1], [1], [1], [1], [1], [1],
第二类：
[0], [0], [0], [0], [0], [0]
可以看出我们这两类点是以y=x为界限分开的，那么通过机器学习能不能学习到特征呢？

不多说废话边看代码，边说：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import optimizers


# collect the training data
x_train = np.array([[1, 5], [2, 7], [9, 14], [6, 10], [8, 21], [16, 19],
                    [5, 1], [7, 2], [14, 9], [10, 6], [21, 8],[19, 16]])
y_train = np.array([[1], [1], [1], [1], [1], [1],
                    [0], [0], [0], [0], [0], [0]])
print x_train
print y_train

# design the model
model = Sequential()
model.add(Dense(1, input_dim=2, activation=None, use_bias=False))
model.add(Activation('sigmoid'))

# compile the model and pick the optimizer and loss function
ada = optimizers.Adagrad(lr=0.1, epsilon=1e-8)
model.compile(optimizer=ada, loss='binary_crossentropy', metrics=['accuracy'])

# training the model
print 'training'
model.fit(x_train, y_train, batch_size=4, epochs=100, shuffle=True)
model.fit(x_train, y_train, batch_size=12, epochs=100, shuffle=True)

# test the model
test_ans = model.predict(np.array([[2, 20], [20, 2]]), batch_size=2)
print 'model_weight'
print model.layers[0].get_weights()
print 'ans'
print test_ans

好的，代码已经贴出来了，一段一段解释：

导入相关模块：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import optimizers

因为很多模块在“第一天的Keras”都说的很详细了，所以就讲解我们新用到的模块。
有一个比较新的模块是Activation，这个模块跟Dense层有一点不同，这个层主要是对上一个层的输出数据用一个函数对每一维进行一下处理。后面我们再来观察怎么用。
另一个新用到的模块是optimizers这一个模块主要是定制自己的优化器，说是定制，其实就是更改一些参数。让其更适合我们的模型。后面我们再看怎么用。

收集训练数据：

# collect the training data
x_train = np.array([[1, 5], [2, 7], [9, 14], [6, 10], [8, 21], [16, 19],
                    [5, 1], [7, 2], [14, 9], [10, 6], [21, 8],[19, 16]])
y_train = np.array([[1], [1], [1], [1], [1], [1],
                    [0], [0], [0], [0], [0], [0]])
print x_train
print y_train

“第一天的Keras”基本都已经说了，也没有什么新的数据，另外也可以用numpy随机生成一点数据，但随即生成的数据要经过一些处理，才能用于训练，为了省事，我就随便写了，几个数据。

设计我们的模型

# design the model
model = Sequential()
model.add(Dense(1, input_dim=2, activation=None, use_bias=False))
model.add(Activation('sigmoid'))

首先，新建一个空白的model：model = Sequential()
然后设计我们神经网络的输入层：
Dense层，输出维度一维，输入维度input_dim = 2（两维），层内没有激活函数，所以activation = None.
另外因为我们训练模型的特殊性，我们这里用不到bias，所以use_bias = False.
当然也可以加bias，看个人心情。
另外输出层用到了Activation层，这里主要是拟合概率，让所有的值落到0～1之间，另外数学好的同学，都知道我们的概率模型都能简化为sigmoid()函数形式。

编译我们的模型

# compile the model and pick the optimizer and loss function
ada = optimizers.Adagrad(lr=0.1, epsilon=1e-8)
model.compile(optimizer=ada, loss='binary_crossentropy', metrics=['accuracy'])

前面导入的optimizers这里就用到了，我们要用一个叫做AdaGrad的优化器，现在仍有一个问题就是，AdaGrad的一些参数有些不合适，我们要自行修改一下。
ada = optimizers.Adagrad(lr=0.1, epsilon=1e-8)
lr是learing_rate原来默认是0.01，但我训练了200轮正确率还是只有0.5，所以我这里设的大一点，增加学习速率。
epsilon是小量建议设成非常小的数字，防止除零，为什么要有这个东西，参考AdaGrad优化器数学公式就知道了。
https://blog.slinuxer.com/2016/09/sgd-comparison
这个链接介绍了各种优化器，有疑惑可以参考这里。
对于损失函数我们有了一个变动：
在这里就不要用mean_square_error了，这个优化器，对此已经失效了，为什么失效，这是数学问题，就不多探讨了。
大家只要知道这里要用binary_croosentropy就好了。
另一个东西是metrics，指标，我们可以看到指标我们加了‘accuracy’，这样训练的时候，就会输出准确度这个指标供我们参考。另外我们以可以自定义指标，好奇的可以查看官方文档https://keras-cn.readthedocs.io/en/latest/getting_started/sequential_model/

训练我们的模型：

# training the model
print 'training'
model.fit(x_train, y_train, batch_size=4, epochs=100, shuffle=True)
model.fit(x_train, y_train, batch_size=12, epochs=100, shuffle=True)

这里就是训练了，我们这里比“第一天的Keras”多了一个shuffle，解释一下：
shuffle 就是打乱数据，因为我们开始的时候数据很整齐，但为了训练效果我们要模拟随机的情况，所以这里就shuffle了。

看看我们的训练效果：

# test the model
test_ans = model.predict(np.array([[2, 20], [20, 2]]), batch_size=2)
print 'model_weight'
print model.layers[0].get_weights()
print 'ans'
print test_ans

这里本可以用evaluate方法评估一下，但是评估还有写测试数据。我真的很懒，所记省了哈。
好了，我么通过打印的数据可以看到训练效果不错。
第一个点概率是0.999...,第二个是0.00...所以效果不错，在训练集上accuracy也是100%。
两个weight想加几乎等于零。所以符合我们的分类依据。

看一下训练出的数据

/home/kroossun/miniconda2/bin/python /home/kroossun/PycharmProjects/ML/classfication.py
Using TensorFlow backend.
[[ 1  5]
 [ 2  7]
 [ 9 14]
 [ 6 10]
 [ 8 21]
 [16 19]
 [ 5  1]
 [ 7  2]
 [14  9]
 [10  6]
 [21  8]
 [19 16]]
[[1]
 [1]
 [1]
 [1]
 [1]
 [1]
 [0]
 [0]
 [0]
 [0]
 [0]
 [0]]
training
Epoch 1/100
2017-08-28 22:39:49.208856: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-28 22:39:49.208883: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-28 22:39:49.208888: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-08-28 22:39:49.208891: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-28 22:39:49.208894: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
 4/12 [=========>....................] - ETA: 0s - loss: 0.4989 - acc: 0.7500
12/12 [==============================] - 0s - loss: 1.9820 - acc: 0.5000     
Epoch 2/100
 4/12 [=========>....................] - ETA: 0s - loss: 1.8210 - acc: 0.2500
12/12 [==============================] - 0s - loss: 0.8379 - acc: 0.6667     
Epoch 3/100
12/12 [==============================] - 0s - loss: 0.4909 - acc: 0.8333     
Epoch 4/100
12/12 [==============================] - 0s - loss: 0.3791 - acc: 0.9167     
Epoch 5/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.3429 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.3378 - acc: 1.0000     
Epoch 6/100
12/12 [==============================] - 0s - loss: 0.3276 - acc: 1.0000     
Epoch 7/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.3761 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.3254 - acc: 1.0000     
Epoch 8/100
12/12 [==============================] - 0s - loss: 0.3209 - acc: 1.0000     
Epoch 9/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.3402 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2887 - acc: 1.0000     
Epoch 10/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2358 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.3052 - acc: 1.0000     
Epoch 11/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.3322 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2738 - acc: 1.0000     
Epoch 12/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2268 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2599 - acc: 1.0000     
Epoch 13/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.3122 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2534 - acc: 1.0000     
Epoch 14/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2903 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2497 - acc: 1.0000     
Epoch 15/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2919 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2411 - acc: 1.0000     
Epoch 16/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2528 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2357 - acc: 1.0000     
Epoch 17/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2652 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2263 - acc: 1.0000     
Epoch 18/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2866 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2297 - acc: 1.0000     
Epoch 19/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1840 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2167 - acc: 1.0000     
Epoch 20/100
12/12 [==============================] - 0s - loss: 0.2119 - acc: 1.0000     
Epoch 21/100
12/12 [==============================] - 0s - loss: 0.2125 - acc: 1.0000     
Epoch 22/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2356 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2055 - acc: 1.0000     
Epoch 23/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2458 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.2040 - acc: 1.0000     
Epoch 24/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1764 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1953 - acc: 1.0000     
Epoch 25/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2271 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1926 - acc: 1.0000     
Epoch 26/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2150 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1846 - acc: 1.0000     
Epoch 27/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1561 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1929 - acc: 1.0000     
Epoch 28/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1726 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1865 - acc: 1.0000     
Epoch 29/100
12/12 [==============================] - 0s - loss: 0.1788 - acc: 1.0000     
Epoch 30/100
12/12 [==============================] - 0s - loss: 0.1710 - acc: 1.0000     
Epoch 31/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1532 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1802 - acc: 1.0000     
Epoch 32/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1811 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1678 - acc: 1.0000     
Epoch 33/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1224 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1626 - acc: 1.0000     
Epoch 34/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.2095 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1664 - acc: 1.0000     
Epoch 35/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1813 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1583 - acc: 1.0000     
Epoch 36/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0990 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1641 - acc: 1.0000     
Epoch 37/100
12/12 [==============================] - 0s - loss: 0.1587 - acc: 1.0000     
Epoch 38/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1789 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1516 - acc: 1.0000     
Epoch 39/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1566 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1503 - acc: 1.0000     
Epoch 40/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1853 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1477 - acc: 1.0000     
Epoch 41/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1894 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1431 - acc: 1.0000     
Epoch 42/100
12/12 [==============================] - 0s - loss: 0.1446 - acc: 1.0000     
Epoch 43/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1411 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1438 - acc: 1.0000     
Epoch 44/100
12/12 [==============================] - 0s - loss: 0.1393 - acc: 1.0000     
Epoch 45/100
12/12 [==============================] - 0s - loss: 0.1359 - acc: 1.0000     
Epoch 46/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1131 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1370 - acc: 1.0000     
Epoch 47/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1638 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1320 - acc: 1.0000     
Epoch 48/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0955 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1348 - acc: 1.0000     
Epoch 49/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1208 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1324 - acc: 1.0000     
Epoch 50/100
12/12 [==============================] - 0s - loss: 0.1272 - acc: 1.0000     
Epoch 51/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0908 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1257 - acc: 1.0000     
Epoch 52/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1060 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1287 - acc: 1.0000     
Epoch 53/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1581 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1232 - acc: 1.0000     
Epoch 54/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1182 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1247 - acc: 1.0000     
Epoch 55/100
12/12 [==============================] - 0s - loss: 0.1204 - acc: 1.0000     
Epoch 56/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1415 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1212 - acc: 1.0000     
Epoch 57/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1370 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1194 - acc: 1.0000     
Epoch 58/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1475 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1186 - acc: 1.0000     
Epoch 59/100
12/12 [==============================] - 0s - loss: 0.1177 - acc: 1.0000     
Epoch 60/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0460 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1141 - acc: 1.0000     
Epoch 61/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0797 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1118 - acc: 1.0000     
Epoch 62/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0996 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1134 - acc: 1.0000     
Epoch 63/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1095 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1114 - acc: 1.0000     
Epoch 64/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0679 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1083 - acc: 1.0000     
Epoch 65/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1589 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1073 - acc: 1.0000     
Epoch 66/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1041 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1078 - acc: 1.0000     
Epoch 67/100
12/12 [==============================] - 0s - loss: 0.1054 - acc: 1.0000     
Epoch 68/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0726 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1056 - acc: 1.0000     
Epoch 69/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1213 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1062 - acc: 1.0000     
Epoch 70/100
12/12 [==============================] - 0s - loss: 0.1043 - acc: 1.0000     
Epoch 71/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1015 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1025 - acc: 1.0000     
Epoch 72/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1207 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1016 - acc: 1.0000     
Epoch 73/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0962 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.1031 - acc: 1.0000     
Epoch 74/100
12/12 [==============================] - 0s - loss: 0.1007 - acc: 1.0000     
Epoch 75/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0877 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0991 - acc: 1.0000     
Epoch 76/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0760 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0987 - acc: 1.0000     
Epoch 77/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0844 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0966 - acc: 1.0000     
Epoch 78/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0940 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0961 - acc: 1.0000     
Epoch 79/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0933 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0966 - acc: 1.0000     
Epoch 80/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1216 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0944 - acc: 1.0000     
Epoch 81/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0937 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0955 - acc: 1.0000     
Epoch 82/100
12/12 [==============================] - 0s - loss: 0.0939 - acc: 1.0000     
Epoch 83/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0913 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0919 - acc: 1.0000     
Epoch 84/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.1047 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0914 - acc: 1.0000     
Epoch 85/100
12/12 [==============================] - 0s - loss: 0.0913 - acc: 1.0000     
Epoch 86/100
12/12 [==============================] - 0s - loss: 0.0889 - acc: 1.0000     
Epoch 87/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0859 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0896 - acc: 1.0000     
Epoch 88/100
12/12 [==============================] - 0s - loss: 0.0900 - acc: 1.0000     
Epoch 89/100
12/12 [==============================] - 0s - loss: 0.0884 - acc: 1.0000     
Epoch 90/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0580 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0857 - acc: 1.0000     
Epoch 91/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0574 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0883 - acc: 1.0000     
Epoch 92/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0830 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0844 - acc: 1.0000     
Epoch 93/100
12/12 [==============================] - 0s - loss: 0.0863 - acc: 1.0000     
Epoch 94/100
12/12 [==============================] - 0s - loss: 0.0839 - acc: 1.0000     
Epoch 95/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0555 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0829 - acc: 1.0000     
Epoch 96/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0696 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0819 - acc: 1.0000     
Epoch 97/100
12/12 [==============================] - 0s - loss: 0.0837 - acc: 1.0000     
Epoch 98/100
 4/12 [=========>....................] - ETA: 0s - loss: 0.0989 - acc: 1.0000
12/12 [==============================] - 0s - loss: 0.0808 - acc: 1.0000     
Epoch 99/100
12/12 [==============================] - 0s - loss: 0.0808 - acc: 1.0000     
Epoch 100/100
12/12 [==============================] - 0s - loss: 0.0797 - acc: 1.0000     
Epoch 1/100
12/12 [==============================] - 0s - loss: 0.0791 - acc: 1.0000
Epoch 2/100
12/12 [==============================] - 0s - loss: 0.0789 - acc: 1.0000
Epoch 3/100
12/12 [==============================] - 0s - loss: 0.0787 - acc: 1.0000
Epoch 4/100
12/12 [==============================] - 0s - loss: 0.0785 - acc: 1.0000
Epoch 5/100
12/12 [==============================] - 0s - loss: 0.0783 - acc: 1.0000
Epoch 6/100
12/12 [==============================] - 0s - loss: 0.0781 - acc: 1.0000
Epoch 7/100
12/12 [==============================] - 0s - loss: 0.0779 - acc: 1.0000
Epoch 8/100
12/12 [==============================] - 0s - loss: 0.0778 - acc: 1.0000
Epoch 9/100
12/12 [==============================] - 0s - loss: 0.0776 - acc: 1.0000
Epoch 10/100
12/12 [==============================] - 0s - loss: 0.0774 - acc: 1.0000
Epoch 11/100
12/12 [==============================] - 0s - loss: 0.0772 - acc: 1.0000
Epoch 12/100
12/12 [==============================] - 0s - loss: 0.0770 - acc: 1.0000
Epoch 13/100
12/12 [==============================] - 0s - loss: 0.0769 - acc: 1.0000
Epoch 14/100
12/12 [==============================] - 0s - loss: 0.0767 - acc: 1.0000
Epoch 15/100
12/12 [==============================] - 0s - loss: 0.0765 - acc: 1.0000
Epoch 16/100
12/12 [==============================] - 0s - loss: 0.0763 - acc: 1.0000
Epoch 17/100
12/12 [==============================] - 0s - loss: 0.0762 - acc: 1.0000
Epoch 18/100
12/12 [==============================] - 0s - loss: 0.0760 - acc: 1.0000
Epoch 19/100
12/12 [==============================] - 0s - loss: 0.0758 - acc: 1.0000
Epoch 20/100
12/12 [==============================] - 0s - loss: 0.0757 - acc: 1.0000
Epoch 21/100
12/12 [==============================] - 0s - loss: 0.0755 - acc: 1.0000
Epoch 22/100
12/12 [==============================] - 0s - loss: 0.0753 - acc: 1.0000
Epoch 23/100
12/12 [==============================] - 0s - loss: 0.0751 - acc: 1.0000
Epoch 24/100
12/12 [==============================] - 0s - loss: 0.0750 - acc: 1.0000
Epoch 25/100
12/12 [==============================] - 0s - loss: 0.0748 - acc: 1.0000
Epoch 26/100
12/12 [==============================] - 0s - loss: 0.0746 - acc: 1.0000
Epoch 27/100
12/12 [==============================] - 0s - loss: 0.0745 - acc: 1.0000
Epoch 28/100
12/12 [==============================] - 0s - loss: 0.0743 - acc: 1.0000
Epoch 29/100
12/12 [==============================] - 0s - loss: 0.0741 - acc: 1.0000
Epoch 30/100
12/12 [==============================] - 0s - loss: 0.0740 - acc: 1.0000
Epoch 31/100
12/12 [==============================] - 0s - loss: 0.0738 - acc: 1.0000
Epoch 32/100
12/12 [==============================] - 0s - loss: 0.0737 - acc: 1.0000
Epoch 33/100
12/12 [==============================] - 0s - loss: 0.0735 - acc: 1.0000
Epoch 34/100
12/12 [==============================] - 0s - loss: 0.0733 - acc: 1.0000
Epoch 35/100
12/12 [==============================] - 0s - loss: 0.0732 - acc: 1.0000
Epoch 36/100
12/12 [==============================] - 0s - loss: 0.0730 - acc: 1.0000
Epoch 37/100
12/12 [==============================] - 0s - loss: 0.0729 - acc: 1.0000
Epoch 38/100
12/12 [==============================] - 0s - loss: 0.0727 - acc: 1.0000
Epoch 39/100
12/12 [==============================] - 0s - loss: 0.0725 - acc: 1.0000
Epoch 40/100
12/12 [==============================] - 0s - loss: 0.0724 - acc: 1.0000
Epoch 41/100
12/12 [==============================] - 0s - loss: 0.0722 - acc: 1.0000
Epoch 42/100
12/12 [==============================] - 0s - loss: 0.0721 - acc: 1.0000
Epoch 43/100
12/12 [==============================] - 0s - loss: 0.0719 - acc: 1.0000
Epoch 44/100
12/12 [==============================] - 0s - loss: 0.0718 - acc: 1.0000
Epoch 45/100
12/12 [==============================] - 0s - loss: 0.0716 - acc: 1.0000
Epoch 46/100
12/12 [==============================] - 0s - loss: 0.0715 - acc: 1.0000
Epoch 47/100
12/12 [==============================] - 0s - loss: 0.0713 - acc: 1.0000
Epoch 48/100
12/12 [==============================] - 0s - loss: 0.0712 - acc: 1.0000
Epoch 49/100
12/12 [==============================] - 0s - loss: 0.0710 - acc: 1.0000
Epoch 50/100
12/12 [==============================] - 0s - loss: 0.0709 - acc: 1.0000
Epoch 51/100
12/12 [==============================] - 0s - loss: 0.0707 - acc: 1.0000
Epoch 52/100
12/12 [==============================] - 0s - loss: 0.0706 - acc: 1.0000
Epoch 53/100
12/12 [==============================] - 0s - loss: 0.0704 - acc: 1.0000
Epoch 54/100
12/12 [==============================] - 0s - loss: 0.0703 - acc: 1.0000
Epoch 55/100
12/12 [==============================] - 0s - loss: 0.0701 - acc: 1.0000
Epoch 56/100
12/12 [==============================] - 0s - loss: 0.0700 - acc: 1.0000
Epoch 57/100
12/12 [==============================] - 0s - loss: 0.0698 - acc: 1.0000
Epoch 58/100
12/12 [==============================] - 0s - loss: 0.0697 - acc: 1.0000
Epoch 59/100
12/12 [==============================] - 0s - loss: 0.0695 - acc: 1.0000
Epoch 60/100
12/12 [==============================] - 0s - loss: 0.0694 - acc: 1.0000
Epoch 61/100
12/12 [==============================] - 0s - loss: 0.0692 - acc: 1.0000
Epoch 62/100
12/12 [==============================] - 0s - loss: 0.0691 - acc: 1.0000
Epoch 63/100
12/12 [==============================] - 0s - loss: 0.0690 - acc: 1.0000
Epoch 64/100
12/12 [==============================] - 0s - loss: 0.0688 - acc: 1.0000
Epoch 65/100
12/12 [==============================] - 0s - loss: 0.0687 - acc: 1.0000
Epoch 66/100
12/12 [==============================] - 0s - loss: 0.0685 - acc: 1.0000
Epoch 67/100
12/12 [==============================] - 0s - loss: 0.0684 - acc: 1.0000
Epoch 68/100
12/12 [==============================] - 0s - loss: 0.0683 - acc: 1.0000
Epoch 69/100
12/12 [==============================] - 0s - loss: 0.0681 - acc: 1.0000
Epoch 70/100
12/12 [==============================] - 0s - loss: 0.0680 - acc: 1.0000
Epoch 71/100
12/12 [==============================] - 0s - loss: 0.0678 - acc: 1.0000
Epoch 72/100
12/12 [==============================] - 0s - loss: 0.0677 - acc: 1.0000
Epoch 73/100
12/12 [==============================] - 0s - loss: 0.0676 - acc: 1.0000
Epoch 74/100
12/12 [==============================] - 0s - loss: 0.0674 - acc: 1.0000
Epoch 75/100
12/12 [==============================] - 0s - loss: 0.0673 - acc: 1.0000
Epoch 76/100
12/12 [==============================] - 0s - loss: 0.0672 - acc: 1.0000
Epoch 77/100
12/12 [==============================] - 0s - loss: 0.0670 - acc: 1.0000
Epoch 78/100
12/12 [==============================] - 0s - loss: 0.0669 - acc: 1.0000
Epoch 79/100
12/12 [==============================] - 0s - loss: 0.0668 - acc: 1.0000
Epoch 80/100
12/12 [==============================] - 0s - loss: 0.0666 - acc: 1.0000
Epoch 81/100
12/12 [==============================] - 0s - loss: 0.0665 - acc: 1.0000
Epoch 82/100
12/12 [==============================] - 0s - loss: 0.0664 - acc: 1.0000
Epoch 83/100
12/12 [==============================] - 0s - loss: 0.0662 - acc: 1.0000
Epoch 84/100
12/12 [==============================] - 0s - loss: 0.0661 - acc: 1.0000
Epoch 85/100
12/12 [==============================] - 0s - loss: 0.0660 - acc: 1.0000
Epoch 86/100
12/12 [==============================] - 0s - loss: 0.0659 - acc: 1.0000
Epoch 87/100
12/12 [==============================] - 0s - loss: 0.0657 - acc: 1.0000
Epoch 88/100
12/12 [==============================] - 0s - loss: 0.0656 - acc: 1.0000
Epoch 89/100
12/12 [==============================] - 0s - loss: 0.0655 - acc: 1.0000
Epoch 90/100
12/12 [==============================] - 0s - loss: 0.0653 - acc: 1.0000
Epoch 91/100
12/12 [==============================] - 0s - loss: 0.0652 - acc: 1.0000
Epoch 92/100
12/12 [==============================] - 0s - loss: 0.0651 - acc: 1.0000
Epoch 93/100
12/12 [==============================] - 0s - loss: 0.0650 - acc: 1.0000
Epoch 94/100
12/12 [==============================] - 0s - loss: 0.0648 - acc: 1.0000
Epoch 95/100
12/12 [==============================] - 0s - loss: 0.0647 - acc: 1.0000
Epoch 96/100
12/12 [==============================] - 0s - loss: 0.0646 - acc: 1.0000
Epoch 97/100
12/12 [==============================] - 0s - loss: 0.0645 - acc: 1.0000
Epoch 98/100
12/12 [==============================] - 0s - loss: 0.0643 - acc: 1.0000
Epoch 99/100
12/12 [==============================] - 0s - loss: 0.0642 - acc: 1.0000
Epoch 100/100
12/12 [==============================] - 0s - loss: 0.0641 - acc: 1.0000
model_weight
[array([[-0.62812889],
       [ 0.62607998]], dtype=float32)]
ans
[[  9.99987245e-01]
 [  1.22445408e-05]]

Process finished with exit code 0

你可能感兴趣的:(分类训练|第二天的Keras)

  • Hyperlane：Rust 生态中的轻量级高性能 HTTP 服务器库，助力现代 Web 开发 LTPP rusthttp服务器开发语言后端前端面试
    Hyperlane：Rust生态中的轻量级高性能HTTP服务器库，助力现代Web开发在Rust生态系统中，Hyperlane是一个备受关注的HTTP服务器库，以其轻量级、高性能和易用性脱颖而出。无论你是想快速构建一个高效的Web服务，还是需要支持实时通信的现代应用，Hyperlane都能成为你的理想选择。它不仅简化了网络服务的开发，还提供了强大的功能支持，如HTTP请求解析、响应构建、TCP通信，
  • 代替Windows系统的最佳系统开发：开源、国产与跨平台的选择指南 夏末之花 windows开源
    近年来，随着技术自主化和隐私安全需求的提升，越来越多的用户开始寻求Windows系统的替代方案。本文结合国内外热门操作系统及开发工具，分析其核心优势与适用场景，助你找到最适合的开发与日常使用平台。一、开源之王：Linux发行版1.Ubuntu与LinuxMint作为最受欢迎的Linux发行版，Ubuntu和LinuxMint以用户友好性著称，尤其适合从Windows迁移的用户。其内置的软件包管理器
  • 3DMAX点云算法：实现毫米级BIM模型偏差检测（附完整代码） 夏末之花 人工智能
    摘要本文基于激光雷达点云数据与BIM模型的高精度对齐技术，提出一种融合动态体素化与多模态特征匹配的偏差检测方法。通过点云预处理、语义分割、模型配准及差异分析，最终实现建筑构件毫米级偏差的可视化检测。文中提供关键代码实现，涵盖点云处理、特征提取与深度学习模型搭建。一、核心算法流程点云预处理与特征增强去噪与下采样：采用统计滤波与体素网格下采样，去除离群点并降低数据量。语义分割：基于PointNet++
  • Python-有效字母异位词 m0_37763377 python哈希算法算法数据结构
    一、什么是字母异位词字母异位词‌是指由相同字母组成但排列顺序不同的单词。例如，"eat"、"tea"和"ate"都是字母异位词，因为它们由相同的字母组成，只是排列顺序不同。‌二、思路（一）暴力解法这里可以用两层循环来判断2个字符串的元素是否一样，显然时间复杂度为O(n²），在这里大家可以自己写一下，文章就不再提供演示。（二）哈希表解法1.什么是哈希表？哈希表（HashTable），也称为散列表，是
  • LeetCode135☞分糖果 fantasy_4 LeetCode刷题javapythonleetcode贪心算法算法
    关联LeetCode题号135本题特点贪心两次遍历，一次正序遍历，只比较左边，左边比右边大的情况i-1i一次倒序遍历，只比较右边的，右边比左边大i+1i本题思路classSolution:defcandy(self,ratings:List[int])->int:candy=[1]*len(ratings)#右大于左foriinrange(1,len(ratings)):ifratings[i]>
  • LeetCode134☞加油站 fantasy_4 LeetCode刷题pythonleetcodejava算法贪心算法
    关联LeetCode题号134本题特点贪心局部最优解-部分差值如果小于0（消耗大于油站油量）就从下一个加油站开始，因为如果中间有小于0的情况当前站就不可能是始发站，整体最优解-整体差值如果小于0，那么就是不能有始发站本题思路classSolution:defcanCompleteCircuit(self,gas:List[int],cost:List[int])->int:curSum=0tota
  • LeetCode56☞合并区间 fantasy_4 LeetCode刷题leetcodepythonjava算法贪心算法
    关联LeetCode题号56本题特点贪心本题思路将二维数组排序按照左边界排序。排序后，右边界的大小成为找到局部最大值的关键。由题意合并区间可知，应该取数组的’并集‘，局部最优解推出全局最优解，每次找到局部最大的范围，整体就会合并成一个大区间Python写法defmerge(self,intervals):result=[]iflen(intervals)==0:returnresult#区间集合为
  • SelectDB 实时分析性能突出，宝舵成本锐减与性能显著提升的双赢之旅 SelectDB技术团队 大数据物联网dorisselectdb人工智能电商场景数据分析
    BOCDOP宝舵早期基于TiDB构建实时数仓，随着数据量增长，在数据处理效率、OLAP能力扩展、功能支持、成本与资源方面存在一定优化空间。为提升数据分析能力并优化成本，宝舵引入SelectDB，达成写入速度提升10倍，成本直降30%的显著成效。本文转录自高瑞军（宝尊科技高级架构师）在DorisSummitAsia2024上的演讲，经编辑整理。业务背景宝尊集团创立于2007年，是中国品牌电商服务行业
  • 82.RadioButton的选中处理逻辑 C#例子 WPF例子 军训猫猫头 c#开发语言wpf
    privatevoidRadioButton_Click(objectsender,RoutedEventArgse){//确保sender是RadioButton类型if(senderisRadioButtonradioButton&&radioButton.IsChecked==true){//获取RadioButton的内容if(radioButton.Contentisstringcont
  • Apache Doris整合Iceberg + Flink CDC构建实时湖仓体的联邦查询分析架构 MfvShell apacheflink架构Flink
    随着大数据技术的迅猛发展，构建实时湖仓体并进行联邦查询分析成为了许多企业的迫切需求。在这篇文章中，我们将探讨如何利用ApacheDoris整合Iceberg和FlinkCDC来构建这样一个架构，并提供相应的源代码示例。简介实时湖仓体是一种灵活、可扩展的数据架构，结合了数据湖和数据仓库的优势。ApacheDoris是一款开源的分布式SQL引擎，专注于实时分析和查询。Iceberg是一种开放式表格格式
  • 【python】图形用户界面和游戏开发 usp1994 pythonuiide
    图形用户界面和游戏开发文章目录图形用户界面和游戏开发基于tkinter模块的GUI使用Pygame进行游戏开发制作游戏窗口在窗口中绘图加载图像实现动画效果碰撞检测事件处理基于tkinter模块的GUIGUI是图形用户界面的缩写，图形化的用户界面对使用过计算机的人来说应该都不陌生，在此也无需进行赘述。Python默认的GUI开发模块是tkinter（在Python3以前的版本中名为Tkinter），
  • 类的创建 以及 类的继承及其应用对象 烈焰猩猩 python
    类的创建以及类的继承及其应用场景一,类的创建格式:格式1:class类名:pass格式2:class类名():pass格式3:#class类名(父类名):class类名(object):pass案例:案例需求定义老师类.实现思路定义老师类(三种方式).函数内容.创建该类对象.打印该类对象.#1.定义老师类(三种方式).#classTeacher:#classTeacher():classTeach
  • 【Apache Storm】 茉菇 apachestorm大数据
    一、Storm简介1、概述官网地址：https://storm.apache.org/index.htmlApacheStorm是一个开源的、分布式的实时计算系统，专为处理流式数据而设计。它能够处理大量数据流并在极低的延迟下提供实时的结果。相比于传统的批处理系统，Storm具有处理无限数据流的能力，支持非常高的可扩展性和容错机制。Storm可以适用于多种编程语言，具有高度的灵活性。2、核心功能分布
  • Python 爬虫实战：如何爬取小红书数据并进行分析 Python爬虫项目 python爬虫开发语言selenium测试工具
    一、引言随着社交电商的崛起，小红书（Xiaohongshu）作为一款结合了社交和电商的应用，吸引了大量年轻用户。用户在平台上分享购物心得、生活经验以及个性化的消费推荐内容，形成了庞大的用户数据与内容生态。因此，如何从小红书获取数据进行分析，成为了数据科学、市场营销和社交媒体研究中的一个重要课题。本文将介绍如何使用Python编写爬虫爬取小红书的数据，分析如何通过小红书的开放API获取用户信息、帖子
  • 游戏开发引擎对比：Godot、Unity、Unreal与cocos2d的优劣分析 scoone 游戏引擎godotunity
    在游戏开发的世界中，选择合适的游戏引擎是项目成功的关键之一。本文将对比四种流行的游戏开发引擎：Godot、Unity、UnrealEngine和cocos2d，分析各自的优缺点，帮助开发者做出明智的选择。Godot：优点：开源且免费，无商业授权费用。轻量级，适合中小型游戏开发。使用GDScript脚本语言，易于上手。跨平台支持良好。缺点：社区相对较小，资源不如Unity丰富。在3D游戏开发方面不如
  • Java数据类型 Arrays VS ArraysList VS LikedList 解析 fantasy_4 Javajava
    在学习Java过程中，在刷题时总是搞不清楚这三种数据结构的区别，打算写篇文章记录一下ArraysVSArrayListArrayListVSLinkedList总结ArraysVSArrayListArraysArrayList类型Java的基本数据类型Java集合框架中的一个类，实现了List接口存储内容基本数据类型+对象引用对象引用可变性数组长度创建后不可变长度可变适用场景查询元素会比较快，直
  • C语言中，#define和typedef 定义int* 一个容易混淆的点 阿龍1787 C++随记c语言
    前言首先来看一个代码：#include#include#defineint_ptrint*intmain(){intc=100;int_ptra,b;//等效于int*a,b;那么b就是int类型，不是int*类型a=&c;b=&c;//报错return0;}原意，我本来想让a和b都是int*类型，但是发现并不是。这段代码的主要问题在于宏定义和指针声明的使用方式上：当使用#defineint_pt
  • 基于 KubeSphere v4 的 Kubernetes 生产环境部署架构设计及成本分析 KubeSphere 云原生 kubernetes容器云原生
    本文作者：运维有术。今天分享的主题是：如何规划设计一个高可用、可扩展的中小规模生产级K8s集群？通过本文的指导，您将掌握以下设计生产级K8s集群的必备技能：集群规划能力合理规划节点规模和资源配置设计高可用的控制平面、计算平面、存储平面架构规划网络拓扑和安全策略制定存储解决方案组件选型能力选择适合的容器运行时(ContainerRuntime)评估和选择网络插件(CNIPlugin)规划监控、日志等
  • 每日一题——二叉树的直径 tt555555555555 面经算法题C语言数据结构算法leetcode
    二叉树的直径问题描述示例示例1示例2提示问题分析算法设计代码实现复杂度分析测试用例测试用例1测试用例2总结问题描述给定一棵二叉树的根节点，返回该树的直径。二叉树的直径是指树中任意两个节点之间最长路径的长度。这条路径可能经过也可能不经过根节点root。两节点之间路径的长度由它们之间边数表示。示例示例1输入：root=[1,2,3,4,5]输出：3解释：最长路径的长度为3，例如路径[4,2,1,3]或
  • Python 常用内建模块-base64 赔罪 Python系统学习python前端linux
    目录base64小结练习base64Base64是一种用64个字符来表示任意二进制数据的方法。用记事本打开exe、jpg、pdf这些文件时，我们都会看到一大堆乱码，因为二进制文件包含很多无法显示和打印的字符，所以，如果要让记事本这样的文本处理软件能处理二进制数据，就需要一个二进制到字符串的转换方法。Base64是一种最常见的二进制编码方法。Base64的原理很简单，首先，准备一个包含64个字符的数
  • 密码安全：如何识别强弱密码，并打造铁壁防线！ 喵手 零基础学Java安全php开发语言
    全文目录：开篇语前言：一场关于密码的角力赛目录密码的弱点：为什么弱密码是个大问题如何定义强密码？强密码的特点：举个例子：如何识别密码强弱？简单技巧帮你判断1.**密码长度：是否足够长？**示例代码演示代码解释：测试结果示例：2.**复杂度：是否包含特殊字符？**示例代码演示代码解释：测试结果示例：小结：3.**模式识别：是否包含常见模式？**️密码管理小技巧：打造更安全的数字生活1.**使用密码管
  • DRAM refresh里面的tRFC tREFI tREF之间是什么关系 DRAM视界 DRAM从旁听到入门笔记微信经验分享微信公众平台百度
    欢迎大家关注微信公众号:DRAM视界也欢迎大家订阅本专栏。本专栏会持续不断的分享DRAM相关的经验**学DRAM的痛苦之一，是DRAM里面的timing太多了，各种各样的timing五花八门，奇形怪状，不知所云。**Refresh操作里面也有很多对timing的要求，ACT要求tRCD/tFAW,PRE要求tRP,tRTP等。REF要求tRFC/tREFI/tREF等等。那tRFCvstREFIv
  • AXI总线之相关应用 逾越TAO fpga开发硬件工程笔记
    AXI总线作为现代SoC设计的核心互连协议，其应用场景极为广泛，覆盖移动设备、AI加速器、FPGA、存储控制器等多个领域。以下是AXI在不同应用中的关键角色及具体实现案例：一、移动处理器与SoC应用场景：智能手机、平板电脑的SoC（如高通骁龙、苹果A系列、华为麒麟）中，AXI用于连接多核CPU、GPU、ISP（图像信号处理器）、DDR控制器等模块。典型案例：ARMCortex-A系列多核集群：AX
  • vscode通过remote-ssh连接远程开发机 Cachel wood 软件安装教程计算机基础vscodesshide前端前端框架运维编辑器
    文章目录安装扩展注意事项：tips其他参数安装扩展安装VSCode和SSH-Remote扩展：首先，需要确保你已经在本地计算机上安装了VSCode，并且在扩展市场中搜索并安装了"Remote-SSH"扩展。配置SSH：在本地计算机上，打开VSCode的命令面板（使用快捷键"Ctrl+Shift+P"或"Cmd+Shift+P"）并输入"Remote-SSH:OpenConfigurationFil
  • 服务器重装系统 mac端vscode无法远程连接服务器问题 Dennis-Ning 服务器macosvscode
    打开mac电脑的命令行cd~/.sshvimknown_hosts文件vimknown_hosts删除对应ip地址的整行信息就可以了
  • Win10系统Docker搭建单机Redis环境 夜璨如炽 容器部署笔记dockerredis数据库
    一、背景很多时候在本地开发需要快速搭建需要的软件环境，Redis就是常用的开发环境之一，本文主要讲述怎么利用Win10Docker搭建Redis环境。系统：Win1064位Docker：DockerDesktop二、搭建1.准备默认的DockerDesktop镜像服务器在海外，国内的拉取不理想可以考虑更换镜像源。在设置-》DockerEngine-》registry-mirrors一栏添加以下镜像
  • 打开 WIN10 命令框的几种姿势 夜璨如炽 脚本办公cmd
    前言作为一个程序员，命令窗一定是每个人都会接触使用的东西，最近发现身边好多人还只会在开始里找，其实还有很多便捷的打开方式，一定还有很多人不知道吧。这里给分享一下。一、WIN+R键这个应该是知道最多的吧，首先win+R键打开运行框然后输入cmd或者cmd.exe然后回车ENTER，或者点击确定。OK二、文件夹地址栏启动平时一般桌面上都会开启几个文件夹直接在红线地址栏部分，输入cmd回车，OK
  • electron 安装换源 夜璨如炽 学习笔记
    安装electronnpm不换源无法正常安装，打包都会遇到问题，网上找了好多换源方式都无效。良久重要找到有效的命令换源npmconfigsetELECTRON_MIRRORhttp://npm.taobao.org/mirrors/electron/
  • 基于python的ansys_基于python的感知机 weixin_39687990 基于python的ansys
    一、1、感知机可以描述为一个线性方程，用python的伪代码可表示为：sum(weight_i*x_i)+bias->activation#activation表示激活函数，x_i和weight_i是分别为与当前神经元连接的其它神经元的输入以及连接的权重。bias表示当前神经元的输出阀值(或称偏置)。箭头(->)左边的数据，就是激活函数的输入2、定义激活函数f:deffunc_activator(
  • linux基础命令top,Linux 入门命令TOP 10 慧人小圣
    原标题：Linux入门命令TOP10作为一只接触Linux不久的小菜鸟，今天厚着脸皮给大家分享一些常用的Linux入门的命令。在Linux“漆黑”的系统中“溜达”之前，先看下“地图”，也就是先了解一下Linux的目录(Directory，可视作“文件夹”)结构。在操作Linux系统中，一切都是文件，而目录是Linux系统组织文件的一种特殊文件。根目录由“/”来表示，可理解为windows系统的“我
  • 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
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他