- 全球86%企业已启程:SNP零中断迁移方案护航S/4HANA转型
snpgroupcn
云计算数据仓库运维
目录如何在RISE项目中取得成功全程赋能:SNP为RISE项目打造的六大核心优势1、更快实现价值2、更高的灵活性3、降低成本4、风险可控5、更高的用户接受度3、近乎零中断客户评价实践见证:全球领先企业的成功典范1、IBM2、Pfizer辉瑞3、Coop超越迁移:构建数据驱动型业务的未来在SNP,我们已成功指导数百家企业完成复杂的SAP系统迁移项目。这些经验已融入我们的软件和转型方法论,使您的迁移之
- 机器学习宝典——第6章
爱看烟花的码农
机器学习人工智能
第6章:聚类算法(Clustering)你好,同学!欢迎来到无监督学习的世界。与监督学习不同,这里的我们没有“标准答案”(标签),我们的目标是在数据中发现隐藏的、内在的结构。聚类算法就是实现这一目标的核心工具,它试图将数据集中的样本划分为若干个不相交的子集,我们称之为“簇”(cluster)。本章我们将深入探讨三种最具代表性的聚类算法:K-均值(K-Means)、层次聚类(Hierarchical
- Dockerfile设置时区和中文编码记录
憧憬001
Dockerlinuxdocker
Dockerfile设置时区和中文编码设置时区...#定义时区参数ENVTZ=Asia/Shanghai#设置时区RUNln-snf/usr/share/zoneinfo/$TZ/etc/localtime&&echo'$TZ'>/etc/timezone...设置中文编码...#中文支持RUNyum-yinstallkde-l10n-ChineseRUNyum-yinstallglibc-com
- debian 12 系统容器更换阿里源和用户权限
背景:镜像emqx/emqx:5.8.4用户为emqx无权限系统为debian12使用root用户创建容器登录即可发现时间不对,换阿里源之后无法更新更换上海时区echo"Asia/Shanghai">/etc/timezoneln-sf/usr/share/zoneinfo/Asia/Shanghai/etc/localtime更换阿里源该方式在阿里源只更新到debian11的文档www-data
- 《dlib库中的聚类》算法详解:从原理到实践
A小庞
算法算法聚类数据挖掘机器学习c++
一、dlib库与聚类算法的关联1.1dlib库的核心功能dlib是一个基于C++的机器学习和计算机视觉工具库,其聚类算法模块提供了多种高效的无监督学习工具。聚类算法在dlib中主要用于:数据分组:将相似的数据点划分为同一簇。特征分析:通过聚类结果发现数据潜在的结构。降维辅助:结合聚类结果进行特征选择或数据压缩。dlib支持的经典聚类算法包括K-Means和ChineseWhispers,适用于图像
- Linux 虚拟机里面系统自动校准时间,
wushuang443
linux
首先查看下系统时间:输入date或者timedatectlstatus查看时间信息先启用NTP(网络时间协议)timedatectlset-ntptrue1现在发现日期对上了,但是准确的时钟分钟没对上,输入:这点时区的设置很重要timedatectlset-timezone"Asia/Shanghai"1修改时区为上海注意:若提示权限不足可以加上sudo提权或者使用root账户
- python内置函数——enumerate()
Believer_abby
python内置函数python
说明:emumerate()函数用于将一个可遍历的序列(如列表,元组或字符串)组合为一个索引序列,同时列出数据和数据下标,一般用在for循环中。语法:enumerate(sequence,[start=0])参数:sequence:表示一个序列、迭代器或其他支持迭代的对象;start:下标起始位置,默认为0。使用:seasons=['spring','summer','fall','winter'
- 数字ic后端设计从入门到精通9(含fusion compiler, tcl教学)setup time, hold time check lib/report详解
soulermax
单片机嵌入式硬件
checklib标准单元库中建立时间和保持时间约束的check格式用于数字IC设计中的静态时序分析(STA)。它定义了如何用表格形式表达触发器等顺序单元在不同输入信号和时钟转换速率下的建立和保持时间。(对应工艺角的lib文件)示例结构pin(D){direction:input;...timing(){related_pin:"CK";timing_type:"setup_rising";rise
- 【python数据分析】数据建模之Kmeans聚类
斑点鱼 SpotFish
python数据建模聚类python数据分析
K-means聚类:最常用的机器学习聚类算法,且为典型的基于距离的聚类算法。K均值:基于原型的、划分的距离技术,它试图发现用户指定个数(K)的簇以欧式距离作为相似度测度Kmeans聚类案例分析:make_blobs聚类数据生成器#导入模块from sklearn.cluster import KMeansfromsklearn.datasetsimportmake_blobs#创建数据x,y_tr
- ZooKeeper的使用和基于Curator的JavaAPI操作
Ruined_ofJoker
java-zookeeperzookeeper数据库
Docker下使用ZooKeeper在/usr/local/zookeeper目录下保存ZooKeeper数据与数据卷卷cd/usr/local&&mkdirzookeeper&&cdzookeepermkdirdata开始部署部署命令dockerrun-d-eTZ="Asia/Shanghai"-p2181:2181-v$PWD/data:/data--namezookeeper--restar
- 局域网内powerjob分布式调度server端启动docker命令
星梦客
powerjobdocker容器
dockerrun-d\--restart=always\--net=host\--namepowerjob-server\-eTZ="Asia/Shanghai"\-eJVMOPTIONS="-Dpowerjob.network.interface.preferred=ztw4lfbxtd"\-ePARAMS="--spring.profiles.active=product--spring.d
- 数据挖掘与机器学习 期末复习整理
无敌摸鱼高手
数据挖掘与机器学习数据挖掘机器学习人工智能期末复习知识总结
1.分类:–有类别标记信息,因此是一种监督学习–根据训练样本获得分类器,然后把每个数据归结到某个已知的类,进而也可以预测未来数据的归类。2.聚类:–无类别标记,因此是一种无监督学习–无类别标记样本,根据信息相似度原则进行聚类,通过聚类,人们能够识别密集的和稀疏的区域,因而发现全局的分布模式,以及数据属性之间的关系3.聚类方法:划分方法-(分割类型)K-均值K-Means顺序领导者方法基于模型的方法
- BIRCH、K-Means、KNN聚类算法实战:二维坐标空间聚类分析
闲书郎
本文还有配套的精品资源,点击获取简介:本项目深入探讨BIRCH、K-Means、K-Means++和K-NearestNeighbors(KNN)四种聚类算法在二维坐标空间中的应用与分析。通过Python代码实现,项目着重介绍算法的运行机制,以及它们在聚类任务中的效果和优缺点。测试集包含二维坐标数据,通过比较不同算法处理效果,学习者将加深对算法的理解,并为未来的数据分析工作打下基础。1.聚类算法在
- 突破K-means终极局限:ISODATA算法完全解读(附实战代码)
AI妈妈手把手
算法kmeans机器学习ISODATA聚类算法k-means
大家好!欢迎来到我的技术分享博客~在前期系列中,我们从K-means的随机初始化陷阱出发,逐步剖析了Canopy+K-means的粗筛优化、K-means++的概率采样和二分K-means的层次分裂。今天,迎来K-means家族的终极进化形态——ISODATA算法!它不仅解决初始点敏感和K值预设问题,更能动态分裂合并簇,彻底突破球形假设限制!K-means算法详解Canopy+K-means优化方
- 机器学习算法_聚类KMeans算法
TY-2025
机器学习机器学习算法聚类
一、聚类算法分析1.概念概念:根据样本之间的相似性,将样本划分到不同的类别中;不同的相似度的计算方法,会得到不同的聚类结果,常见的相似度计算方法有欧氏距离法(无监督算法)聚类算法的目的是在没有先验知识的情况下,自动发现数据集中的内在结构和模式2.聚类算法分类(1)根据聚类颗粒度分类个数比较多的,细聚类;个数比较多的,粗聚类(2)根据实现方法分类K-means:按照质心分类层次聚类:对数据进行逐层划
- 二分K-means:让聚类更高效、更精准!
AI妈妈手把手
kmeans聚类支持向量机二分K-meansPython实现机器学习聚类算法
大家好!!欢迎再次来到我的技术分享博客~在前期文章中,我们系统剖析了K-means的随机初始化缺陷、Canopy+K-means的粗粒度预处理以及K-means++的概率化质心选择。今天,我们解锁另一种高效优化方案——二分K-means(BisectingK-Means),它用层次分裂策略彻底规避初始点敏感性问题,并与前三篇内容形成完美闭环!K-means算法详解Canopy+K-means优化方
- 科技新底座揭幕!2025 MWC上海锚定AI+、5G融合、双区创新三大引擎
资讯分享周
人工智能科技5G
当人工智能的浪潮席卷全球,产业互联的脉络日益清晰,一个汇聚智慧、驱动创新的亚太科技核心正在冉冉升起。2025年6月,上海——这座活力之都——将再次成为全球科技界的焦点舞台,迎来万众瞩目的世界移动通信大会(MWC25Shanghai)。这不仅仅是一场行业盛会,更是洞察“人工智能+”时代产业变革趋势、把握亚太乃至全球数字经济脉搏的关键窗口。人工智能+:从技术突破到产业融合的核心引擎IDC预计,到202
- YOLO进化史:从v1到v12的注意力革命 —— 实时检测的“快”与“准”如何兼得?
摘取一颗天上星️
YOLO
⚙️一、初代奠基:打破两阶段检测的垄断(2016-2018)YOLOv1(2016):首次提出“单次检测”范式,将目标检测转化为回归问题。7×7网格+30维向量输出,实现45FPS实时检测,但小目标漏检严重。YOLOv2(2017):引入锚框(AnchorBoxes),通过k-means聚类确定先验框尺寸新增高分辨率微调(448×448输入)使用Darknet-19主干,速度达67FPSYOLOv
- 机器学习15-2(Mini Batch Kmeans)
Roy_Allen
MachineL机器学习batchkmeans
文章目录简介MiniBatchK-MeansDBSCAN基本原理具体实现简介除了K-Means快速聚类意外,还有两种常用的聚类算法能够进一步提升快速聚类的速度的MiniBatchK-Means算法能够和K-Means快速聚类形成性能上互补的算法DBSCAN密度聚类MiniBatchK-Means非常抱歉,需要先来一段理论基础做铺垫,速览即可!在K-Means的基础上增加了一个MiniBatch的抽
- 深度学习笔记
疯狂成瘾者
深度学习笔记人工智能
文章目录聚类导入模块生成模拟数据建立并训练K-Means聚类模型创建图形绘制散点图(聚类结果)获取聚类中心可视化聚类中心设置图形标题和标签输出效果数据降维一、常见的数据降维方法二、Python降维示例(用PCA将3D数据降至2D)✅第1部分:导入模块✅第2部分:生成模拟数据✅第3部分:PCA降维处理✅第4部分:开始绘图✅第5部分:绘制散点图✅第6部分:完善图像细节并显示✨最终效果数据降维的作用✅一
- 高斯混合模型(Gaussian Mixture Model, GMM)
爱看烟花的码农
ML机器学习概率论人工智能
一、GMM是什么?高斯混合模型(GaussianMixtureModel,GMM)是一种概率模型,用于表示数据分布是由多个高斯分布(正态分布)的加权组合构成的。它假设数据点是从若干个高斯分布中生成的,每个高斯分布代表一个“簇”或“子群体”。GMM是一种软聚类方法,与K-Means不同,它不仅能将数据点分配到某个簇,还能给出数据点属于每个簇的概率。1.1核心思想混合模型:GMM认为数据集中的每个数据
- 面试手撕代码-k-means算法
jiao_xd17
python
要求:随机生成x,y均在[0,10]范围内的10个点,k=2,训练一个简单的k-means模型。K均值算法步骤如下:1.在训练样本点中随机初始化[0,10]范围内的k个样本点作为k个簇各自的中心;2.遍历一遍所有样本点,将每一个样本点分配到最近的簇中心,得到clusterDict。clusterDict的键为centroidList的下标,键值为属于该类的所有样本点。3.计算第一次聚类迭代得到的结
- 机器学习手撕代码(3)k-means
54渣渣shuo
机器学习机器学习kmeans聚类
机器学习手撕代码(3)k-means本篇分享一下k-means的代码,k_means.py为K均值模型的代码。utils.py中为可视化结果的工具。dataset见本系列第0篇。k_means.pyfromdatasets.datasetimportDataSetimportmatplotlib.pyplotaspltimportnumpyasnpfromsklearnimportmanifold
- 【人工智能机器学习基础篇】——深入详解无监督学习之聚类,理解K-Means、层次聚类、数据分组和分类
猿享天开
人工智能数学基础专讲机器学习人工智能无监督学习聚类
深入详解无监督学习之聚类:如K-Means、层次聚类,理解数据分组和分类无监督学习是机器学习中的一个重要分支,旨在从未标注的数据中发现潜在的结构和模式。聚类(Clustering)作为无监督学习的核心任务之一,广泛应用于数据分组、模式识别和数据压缩等领域。本文将深入探讨两种常用的聚类算法:K-Means聚类和层次聚类,并详细解释它们在数据分组和分类中的应用。目录深入详解无监督学习之聚类:如K-Me
- 《Sklearn 机器学习模型--分类模型》--K-means 聚类(K-means clustering algorithm)
非门由也
机器学习数据分析机器学习sklearn分类
K-means聚类算法K-means聚类算法是一种基于划分的无监督学习算法,通过迭代优化将数据划分为指定簇数(K值),使同一簇内样本相似度最大化、簇间差异最大化34。以下从算法原理、实现步骤、应用场景及优缺点展开说明:一、核心原理与实现步骤核心原理K-均值聚类(K-MeansClustering)是一种无监督学习算法,其基本思想是将数据集划分为K个不同的簇,使得每个样本点都属于离它最近的簇中心。
- 【机器学习与数据挖掘实战 | 医疗】案例16:基于K-Means聚类的医疗保险的欺诈发现
Francek Chen
机器学习与数据挖掘实战机器学习数据挖掘kmeans聚类python
【作者主页】FrancekChen【专栏介绍】⌈⌈⌈机器学习与数据挖掘实战⌋⌋⌋机器学习是人工智能的一个分支,专注于让计算机系统通过数据学习和改进。它利用统计和计算方法,使模型能够从数据中自动提取特征并做出预测或决策。数据挖掘则是从大型数据集中发现模式、关联和异常的过程,旨在提取有价值的信息和知识。机器学习为数据挖掘提供了强大的分析工具,而数据挖掘则是机器学习应用的重要领域,两者相辅相成,共同推动
- 结构型模式-组合模式
C雨后彩虹
组合模式设计模式java
定义:组合模式(CompositePattern)也叫合成模式,有时又叫做部分-整体模式(Part-Whole),主要是用来描述部分与整体的关系,其定义如下:Composeobjectsintotreestructurestorepresentpart-wholehierarchies.Compositeletsclientstreatindividualobjectsandcomposition
- 基于PCA和Kmeans的餐馆地区分类研究
1.实践任务说明对《中国2019年分地区连锁餐饮企业数据》中的7个经营指标(V2-V8)进行主成分分析(PCA),通过降维提取核心特征。首先标准化数据,然后计算主成分的方差贡献率,按累积贡献率≥85%确定保留的主成分数量,最终输出降维后的主成分得分及因子载荷矩阵,简化后续分析。基于K-Means聚类算法对餐饮企业数据进行分析,首先读取true_restaurant.csv文件中的PC1指标数据并进
- 【论文解读实战篇】Cheetah mini MPC+WBC控制Whole-Body Impulse Control and Model Predictive Control
RoboticsTechLab
机器人实战项目机器人算法
文章目录一、简介二、控制架构1、控制流程2、摆动腿落点规划器3、状态估计器(用于估计躯干的位置、速度、姿态)4、步态调度器和步态规划器三、模型预测控制MPC1.MPC使用的集中质量动力学模型(用于预测泛作用力f)2.模型简化假设四、WBC全身脉冲控制1.WBC使用的多体动力学模型(计算每个关节的力矩)2.优先任务执行(为了计算关节位置、速度和加速度)3.二次规划(为了计算关节转矩指令)4.计算最终
- 农产品产量智能预测(聚类实际落地场景)
数字化与智能化
机器学习场景落地-智慧农业聚类机器学习
聚类算法在农产品产量智能预测中可通过对多维度数据的分类与模式识别,为产量预测提供更精准的分析基础,其应用场景主要涉及数据预处理、影响因素分析、产量区域划分等多个关键环节,以下是具体介绍:1、数据预处理与特征提取【1】数据清洗与分类农产品产量相关数据(如气象数据、土壤指标、历史产量等)常存在噪声或缺失值,聚类算法可对同类数据进行聚合,识别异常数据点,提升数据质量。例如:利用K-means算法对不同年
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s