- 机器学习实战笔记5——线性判别分析
绍少阿
机器学习笔记可视化机器学习python人工智能
任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、逻辑回归14、深度学习线性判别分析(LDA)Ⅰ核心思想对于同样一件事,站在不同的角度,我们往往会有不同的看法,而降维思想,亦是如此。同上节课一样,我们还是学习降维的算法,只是提供了一种新的角度,由上
- 颜色识别基于高斯混合模型(GMM)的查找表分类器(LUT)
吃个糖糖
Halcon人工智能机器学习
文章目录create_class_gmm创建高斯混合模型(GMM)以进行分类任务add_samples_image_class_gmm提取训练样本,并将其添加到高斯混合模型(GMM)的训练数据集中train_class_gmm训练一个高斯混合模型(GMM)clear_class_gmm清除模型create_class_lut_gmm基于已训练的高斯混合模型(GMM)创建一个查找表(LUT),用于分
- 高斯混合模型聚类(GMM)matlab实现
唐维康
高斯混合模型聚类
GaussianMixtureModel,就是假设数据服从MixtureGaussianDistribution,换句话说,数据可以看作是从数个GaussianDistribution中生成出来的。实际上,我们在K-means和K-medoids两篇文章中用到的那个例子就是由三个Gaussian分布从随机选取出来的。实际上,从中心极限定理可以看出,Gaussian分布(也叫做正态(Normal)分
- K-means(K均值聚类算法)算法笔记
Longlongaaago
机器学习机器学习kmeans算法
K-means(K均值聚类算法)算法笔记K-means算法,是比较简单的无监督的算法,通过设定好初始的类别k,然后不断循环迭代,将给定的数据自动分为K个类别。事实上,大家都知道K-means是怎么算的,但实际上,它是GMM(高斯混合模型)的一个特例,其而GMM是基于EM算法得来的,所以本文,将对K-means算法的算法思想进行分析。算法流程K-means算法的算法流程非常简单,可以从下图进行讲解(
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- 大数据期望最大化(EM)算法:从理论到实战全解析
星川皆无恙
机器学习与深度学习大数据人工智能大数据大数据算法深度学习人工智能
文章目录大数据期望最大化(EM)算法:从理论到实战全解析一、引言概率模型与隐变量极大似然估计(MLE)Jensen不等式二、基础数学原理条件概率与联合概率似然函数Kullback-Leibler散度贝叶斯推断三、EM算法的核心思想期望(E)步骤最大化(M)步骤Q函数与辅助函数收敛性四、EM算法与高斯混合模型(GMM)高斯混合模型的定义分量权重E步骤在GMM中的应用M步骤在GMM中的应用五、实战案例
- 人工智能知识
奥利奥利奥利奥
人工智能
11语音处理语音识别系统框架:特征提取(mfcc、傅立叶)->声学模型(高斯混合)->语言模型->解码搜索特征提取:梅尔频率倒谱系数、傅里叶变换声学模型:高斯混合模型-隐马尔可夫模型14多智能体系统自主性、主动性、反应能力、社会能力产生式表示:规则:IFATHEMB(置信度默认100)事实:(Li,Age,40,默认0.1)框架表示法:框架(事物)-槽(各个方面)-侧面-值框架表示法是一种适应性强
- sample 算子_Halcon算子解释 - osc_poeqd6cw的个人空间 - OSCHINA - 中文开源技术交流社区...
weixin_39791322
sample算子
Halcon算子解释大全Halcon/Visionpro视频教程和资料,请访问重码网,网址:http://www.211code.comChapter1:Classification1.1Gaussian-Mixture-Models1.add_sample_class_gmm功能:把一个训练样本添加到一个高斯混合模型的训练数据上。2.classify_class_gmm功能:通过一个高斯混合模型
- HALCON算子函数总结(上)
逆风路途
视觉
HALCON算子函数总结(上)**HALCON算子函数——Chapter1:Classification**Chapter_1_:Classification1.1Gaussian-Mixture-Models1.add_sample_class_gmm功能:把一个训练样本添加到一个高斯混合模型的训练数据上。2.classify_class_gmm功能:通过一个高斯混合模型来计算一个特征矢量的类。
- 【非监督学习 02】高斯混合模型
一碗姜汤
机器学习机器学习人工智能
高斯混合模型(GuassianMixedModel,GMM)也是一种常见的聚类算法,与K均值算法类似,同样使用了EM算法进行迭代计算。高斯混合模型假设每个簇的数据都是符合高斯分布的,当前数据呈现的分布就是各个簇的高斯分布叠加在一起的结果。图5.6是一个数据分布的样例,如果只用一个高斯分布来拟合图中的数据,图中所有的椭圆即为高斯分布的二倍标准差所对应的椭圆。直观来说,图中的数据明显分为两簇,因此只用
- 图像分割-Grabcut法(C#)
VB.Net
C#EmguCV计算机视觉图像处理EmguCVOpenCvGrabcut
版权声明:本文为博主原创文章,转载请在显著位置标明本文出处以及作者网名,未经作者允许不得用于商业目的。本文的VB版本请访问:图像分割-Grabcut法-CSDN博客GrabCut是一种基于图像分割的技术,它可以用于将图像中的前景和背景分离。在实现中,GrabCut算法通常需要使用高斯混合模型(GMM)来建立前景和背景的概率分布,以便更好的估计像素的标签。同时,还需要考虑如何处理边界处的像素,以避免
- 图像分割-Grabcut法
VB.Net
EmguCV计算机视觉图像处理Grabcut
版权声明:本文为博主原创文章,转载请在显著位置标明本文出处以及作者网名,未经作者允许不得用于商业目的。本文的C#版本请访问:图像分割-Grabcut法(C#)-CSDN博客GrabCut是一种基于图像分割的技术,它可以用于将图像中的前景和背景分离。在实现中,GrabCut算法通常需要使用高斯混合模型(GMM)来建立前景和背景的概率分布,以便更好的估计像素的标签。同时,还需要考虑如何处理边界处的像素
- 超详细EM算法举例及推导
老实人小李
聚类算法聚类
最好先学习一下极大似然EM(Expectation-Maximum)算法也称期望最大化算法,曾入选“数据挖掘十大算法”中,可见EM算法在机器学习、数据挖掘中的影响力。EM算法是最常见的隐变量估计方法,在机器学习中有极为广泛的用途,例如常被用来学习高斯混合模型(Gaussianmixturemodel,简称GMM)的参数;隐式马尔科夫算法(HMM)、LDA主题模型的变分推断等等。EM算法是一种迭代优
- EM算法及公式推导
XI-C-Li
概率图模型算法机器学习人工智能
含隐变量的概率图模型的参数估计问题在解决含隐变量的概率图模型的参数估计问题时,一种简单的想法是取使其对数边际似然最大的作为估计的参数。为观测变量的观测数据,是一个向量,为隐变量的取值(但实际上无法观测)是一个向量,需要通过求和(积分)的形式去除。但函数中存在对数函数内部带有求和的形式,这样非常难以求导。比如在高斯混合模型中,隐变量是一维离散的变量。12......k......其中均是待估计参数,
- 【数据不完整?用EM算法填补缺失】期望值最大化 EM 算法:睹始知终
Debroon
算法
期望值最大化算法EM:睹始知终算法思想算法推导算法流程E步骤:期望M步骤:最大化陷入局部最优的原因算法应用高斯混合模型(GaussianMixtureModel,GMM)问题描述输入输出Python代码实现算法思想期望值最大化方法,是宇宙演变、物种进化背后的动力。如果一个公司在制定年终奖标准时,把每个员工一半的奖金和公司价值观挂钩,人们就会背诵创始人每个语录—整个公司都会自动迭代寻找最优解,每个人
- 无监督学习(下)
歌者文明
机器学习人工智能算法
1.高斯混合模型(GMM)(1)简单概念高斯混合模型是一种概率模型,它假定实例是由多个参数未知的高斯分布的混合生成的。从单个高斯分布生成的所有实例都形成一个集群,通常看起来像一个椭圆。每个集群都可以由不同的椭圆形状,大小,密度和方向。高斯模型的均值代表集群的中心,方差代表方向这个模型假定一个数据集是从K个高斯分布的集合中产生,但是每个集合都有一个权重,代表产生一个实例到数据集的可能性或者贡献(我暂
- VAE变分自编码器原理推导+Python代码实现
篝火者2312
机器学习人工智能笔记python机器学习开发语言深度学习
1、前言变分自编码器是近些年较火的一个生成模型,我个人认为其本质上仍然是一个概率图模型,只是在此基础上引入了神经网络。本文将就变分自编码器(VAE)进行简单的原理讲解和数学推导。2、引入2.1、高斯混合模型生成模型,可以简单的理解为生成数据(不止,但我们暂且就这么理解它)\boxed{(不止,但我们暂且就这么理解它)}(不止,但我们暂且就这么理解它)。假如现在我们有样本数据,而我们发现这些样本符合
- 模式识别与机器学习-无监督学习-聚类
Kilig*
机器学习机器学习学习聚类
无监督学习-聚类监督学习&无监督学习K-meansK-means聚类的优点:K-means的局限性:解决方案:高斯混合模型(GaussianMixtureModels,GMM)多维高斯分布的概率密度函数:高斯混合模型(GaussianMixtureModel,GMM)模型形式:EM算法迭代过程:K-means与高斯混合模型(GMM)的对比:K-means:高斯混合模型(GMM):高斯混合模型(GM
- 【机器学习】聚类【Ⅴ】密度聚类与层次聚类
不牌不改
【机器学习】聚类机器学习算法
主要来自周志华《机器学习》一书,数学推导主要来自简书博主“形式运算”的原创博客,包含自己的理解。有任何的书写错误、排版错误、概念错误等,希望大家包含指正。由于字数限制,分成五篇博客。【机器学习】聚类【Ⅰ】基础知识与距离度量【机器学习】聚类【Ⅱ】原型聚类经典算法【机器学习】聚类【Ⅲ】高斯混合模型讲解【机器学习】聚类【Ⅳ】高斯混合模型数学推导【机器学习】聚类【Ⅴ】密度聚类与层次聚类5密度聚类密度聚类亦
- 一网打尽目前常用的聚类方法,详细介绍了每一种聚类方法的基本概念、优点、缺点!!
小桥流水---人工智能
人工智能机器学习算法聚类数据挖掘机器学习
目前常用的聚类方法1.K-均值聚类(K-MeansClustering)2.层次聚类(HierarchicalClustering)3.DBSCAN聚类(DBSCANClustering)4.谱聚类(SpectralClustering)5.高斯混合模型(GaussianMixtureModel,GMM)6.DBA聚类(DBAClustering)总结1.K-均值聚类(K-MeansCluster
- 高斯分布、高斯混合模型、EM算法详细介绍及其原理详解
IronmanJay
机器学习算法机器学习人工智能高斯分布EM算法
相关文章K近邻算法和KD树详细介绍及其原理详解朴素贝叶斯算法和拉普拉斯平滑详细介绍及其原理详解决策树算法和CART决策树算法详细介绍及其原理详解线性回归算法和逻辑斯谛回归算法详细介绍及其原理详解硬间隔支持向量机算法、软间隔支持向量机算法、非线性支持向量机算法详细介绍及其原理详解高斯分布、高斯混合模型、EM算法详细介绍及其原理详解文章目录相关文章前言一、高斯分布二、高斯混合模型三、EM算法3.1E步
- 机器学习---使用 EM 算法来进行高斯混合模型的聚类
三月七꧁ ꧂
机器学习机器学习算法聚类
1.指定k个高斯分布參数导包importmathimportcopyimportnumpyasnpimportmatplotlib.pyplotaspltisdebug=False全局变量isdebug可以用来控制是否打印调试信息。当isdebug为True时,代码中的一些调试信息将被打印出来,方便进行调试。初始化:defini_data(Sigma,Mu1,Mu2,k,N):globalXglo
- Grabcut算法在图片分割中的应用
视图猿人
QTOpenCV图像视频处理算法计算机视觉人工智能
GrabCut算法原理Grabcut是基于图割(graphcut)实现的图像分割算法,它需要用户输入一个boundingbox作为分割目标位置,实现对目标与背景的分离/分割,与KMeans与MeanShift等图像分割方法不同。Grabcut分割速度快,效果好,支持交互操作,因此在很多APP图像分割/背景虚化的软件中可以看到其身影。主要需要如下知识:k均值聚类、高斯混合模型建模(GMM)、maxf
- (三十七)论文阅读 | 目标检测之PAA
zhangts20
论文阅读深度学习人工智能
简介图1:论文原文论文聚焦的是在目标检测中的Anchor{\rmAnchor}Anchor分配问题,我们知道,Anchor{\rmAnchor}Anchor的分配策略是一个非常重要的环节,这往往决定了后续的边界框回归等操作,进而影响模型最终的性能。论文基于高斯混合模型,提出将Anchor{\rmAnchor}Anchor的得分视为一种概率。同时,Anchor{\rmAnchor}Anchor质量的
- 【文章学习系列之模型】DAGMM
清流自诩
深度学习零散记录学习深度学习论文阅读
本章内容文章概况模型结构损失函数实验结果实验分析总结文章概况《DeepAutoencodingGaussianMixtureModelforUnsupervisedAnomalyDetection》是2018年发表于ICLR的一篇论文,该论文提出一种端到端的无监督异常检测方法DAGMM,取得了不错的效果。文章链接代码链接模型结构深度自编码高斯混合模型(DAGMM)主要由压缩网络和评估网络两大部分组
- 15. 机器学习——聚类
qq_32468785
机器学习面试题汇总与解析机器学习聚类人工智能
机器学习面试题汇总与解析——聚类本章讲解知识点什么是聚类K-means聚类算法均值偏移聚类算法DBSCAN聚类算法高斯混合模型(GMM)的期望最大化(EM)聚类层次聚类算法本专栏适合于Python已经入门的学生或人士,有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化,尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背
- 多变量高斯分布、高斯混合模型和EM算法
immcrr
多变量高斯分布先总结一些基本结论。设有随机变量组成的向量X=[X1,⋯,Xn]TX=[X1,⋯,Xn]T,均值为μ∈Rnμ∈Rn,协方差矩阵ΣΣ为对称正定nn阶矩阵。在此基础上,如果还满足概率密度函数p(x;μ,Σ)=1(2π)n2|Σ|12exp(−12(x−μ)TΣ−1(x−μ))p(x;μ,Σ)=1(2π)n2|Σ|12exp(−12(x−μ)TΣ−1(x−μ))则称其满足多变量高斯分布,
- 深度学习理论知识入门【EM算法、VAE算法、GAN算法】和【RBM算法、MCMC算法、HMC算法】
_刘文凯_
深度学习基础深度学习算法生成对抗网络
目录深度学习理论知识入门首先,让我们了解第一个流程:现在,让我们看看第二个流程:EM算法GMM(高斯混合模型)深度学习理论知识入门首先,让我们了解第一个流程:EM(Expectation-Maximization):EM算法是一种迭代优化算法,用于在存在潜在变量的统计模型中进行参数估计。它通过交替的E步骤(Expectation,期望)和M步骤(Maximization,最大化)来最大化似然函数。
- Python机器学习实战(一)
数据攻城小狮子
Python数据分析挖掘与可视化python机器学习人工智能
文章目录基于逻辑回归实现乳腺癌预测基于k-近邻算法实现鸢尾花分类基于决策树实现葡萄酒分类基于朴素贝叶斯实现垃圾短信分类基于支持向量机实现葡萄酒分类基于高斯混合模型实现鸢尾花分类基于主成分分析实现鸢尾花数据降维基于奇异值分解实现图片压缩基于逻辑回归实现乳腺癌预测#基于逻辑回归实现乳腺癌预测fromsklearn.datasetsimportload_breast_cancerfromsklearn.
- 第十五章 EM期望极大算法及其推广
小酒馆燃着灯
机器学习手写AI人工智能机器学习
文章目录导读符号说明混合模型伯努利混合模型(三硬币模型)问题描述三硬币模型的EM算法1.初值2.E步3.M步初值影响p,q含义EM算法另外视角Q函数BMM的EM算法目标函数LEM算法导出高斯混合模型GMM的EM算法1.明确隐变量,初值2.E步,确定Q函数3.M步4.停止条件如何应用GMM在聚类中的应用KmeansK怎么定导读概率模型有时既含有观测变量,又含有隐变量或潜在变量。这句很重要,有时候我们
- 矩阵求逆(JAVA)初等行变换
qiuwanchi
矩阵求逆(JAVA)
package gaodai.matrix;
import gaodai.determinant.DeterminantCalculation;
import java.util.ArrayList;
import java.util.List;
import java.util.Scanner;
/**
* 矩阵求逆(初等行变换)
* @author 邱万迟
*
- JDK timer
antlove
javajdkschedulecodetimer
1.java.util.Timer.schedule(TimerTask task, long delay):多长时间(毫秒)后执行任务
2.java.util.Timer.schedule(TimerTask task, Date time):设定某个时间执行任务
3.java.util.Timer.schedule(TimerTask task, long delay,longperiod
- JVM调优总结 -Xms -Xmx -Xmn -Xss
coder_xpf
jvm应用服务器
堆大小设置JVM 中最大堆大小有三方面限制:相关操作系统的数据模型(32-bt还是64-bit)限制;系统的可用虚拟内存限制;系统的可用物理内存限制。32位系统下,一般限制在1.5G~2G;64为操作系统对内存无限制。我在Windows Server 2003 系统,3.5G物理内存,JDK5.0下测试,最大可设置为1478m。
典型设置:
java -Xmx
- JDBC连接数据库
Array_06
jdbc
package Util;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;
public class JDBCUtil {
//完
- Unsupported major.minor version 51.0(jdk版本错误)
oloz
java
java.lang.UnsupportedClassVersionError: cn/support/cache/CacheType : Unsupported major.minor version 51.0 (unable to load class cn.support.cache.CacheType)
at org.apache.catalina.loader.WebappClassL
- 用多个线程处理1个List集合
362217990
多线程threadlist集合
昨天发了一个提问,启动5个线程将一个List中的内容,然后将5个线程的内容拼接起来,由于时间比较急迫,自己就写了一个Demo,希望对菜鸟有参考意义。。
import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.CountDownLatch;
public c
- JSP简单访问数据库
香水浓
sqlmysqljsp
学习使用javaBean,代码很烂,仅为留个脚印
public class DBHelper {
private String driverName;
private String url;
private String user;
private String password;
private Connection connection;
privat
- Flex4中使用组件添加柱状图、饼状图等图表
AdyZhang
Flex
1.添加一个最简单的柱状图
? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
<?xml version=
"1.0"&n
- Android 5.0 - ProgressBar 进度条无法展示到按钮的前面
aijuans
android
在低于SDK < 21 的版本中,ProgressBar 可以展示到按钮前面,并且为之在按钮的中间,但是切换到android 5.0后进度条ProgressBar 展示顺序变化了,按钮再前面,ProgressBar 在后面了我的xml配置文件如下:
[html]
view plain
copy
<RelativeLa
- 查询汇总的sql
baalwolf
sql
select list.listname, list.createtime,listcount from dream_list as list , (select listid,count(listid) as listcount from dream_list_user group by listid order by count(
- Linux du命令和df命令区别
BigBird2012
linux
1,两者区别
du,disk usage,是通过搜索文件来计算每个文件的大小然后累加,du能看到的文件只是一些当前存在的,没有被删除的。他计算的大小就是当前他认为存在的所有文件大小的累加和。
- AngularJS中的$apply,用还是不用?
bijian1013
JavaScriptAngularJS$apply
在AngularJS开发中,何时应该调用$scope.$apply(),何时不应该调用。下面我们透彻地解释这个问题。
但是首先,让我们把$apply转换成一种简化的形式。
scope.$apply就像一个懒惰的工人。它需要按照命
- [Zookeeper学习笔记十]Zookeeper源代码分析之ClientCnxn数据序列化和反序列化
bit1129
zookeeper
ClientCnxn是Zookeeper客户端和Zookeeper服务器端进行通信和事件通知处理的主要类,它内部包含两个类,1. SendThread 2. EventThread, SendThread负责客户端和服务器端的数据通信,也包括事件信息的传输,EventThread主要在客户端回调注册的Watchers进行通知处理
ClientCnxn构造方法
&
- 【Java命令一】jmap
bit1129
Java命令
jmap命令的用法:
[hadoop@hadoop sbin]$ jmap
Usage:
jmap [option] <pid>
(to connect to running process)
jmap [option] <executable <core>
(to connect to a
- Apache 服务器安全防护及实战
ronin47
此文转自IBM.
Apache 服务简介
Web 服务器也称为 WWW 服务器或 HTTP 服务器 (HTTP Server),它是 Internet 上最常见也是使用最频繁的服务器之一,Web 服务器能够为用户提供网页浏览、论坛访问等等服务。
由于用户在通过 Web 浏览器访问信息资源的过程中,无须再关心一些技术性的细节,而且界面非常友好,因而 Web 在 Internet 上一推出就得到
- unity 3d实例化位置出现布置?
brotherlamp
unity教程unityunity资料unity视频unity自学
问:unity 3d实例化位置出现布置?
答:实例化的同时就可以指定被实例化的物体的位置,即 position
Instantiate (original : Object, position : Vector3, rotation : Quaternion) : Object
这样你不需要再用Transform.Position了,
如果你省略了第二个参数(
- 《重构,改善现有代码的设计》第八章 Duplicate Observed Data
bylijinnan
java重构
import java.awt.Color;
import java.awt.Container;
import java.awt.FlowLayout;
import java.awt.Label;
import java.awt.TextField;
import java.awt.event.FocusAdapter;
import java.awt.event.FocusE
- struts2更改struts.xml配置目录
chiangfai
struts.xml
struts2默认是读取classes目录下的配置文件,要更改配置文件目录,比如放在WEB-INF下,路径应该写成../struts.xml(非/WEB-INF/struts.xml)
web.xml文件修改如下:
<filter>
<filter-name>struts2</filter-name>
<filter-class&g
- redis做缓存时的一点优化
chenchao051
redishadooppipeline
最近集群上有个job,其中需要短时间内频繁访问缓存,大概7亿多次。我这边的缓存是使用redis来做的,问题就来了。
首先,redis中存的是普通kv,没有考虑使用hash等解结构,那么以为着这个job需要访问7亿多次redis,导致效率低,且出现很多redi
- mysql导出数据不输出标题行
daizj
mysql数据导出去掉第一行去掉标题
当想使用数据库中的某些数据,想将其导入到文件中,而想去掉第一行的标题是可以加上-N参数
如通过下面命令导出数据:
mysql -uuserName -ppasswd -hhost -Pport -Ddatabase -e " select * from tableName" > exportResult.txt
结果为:
studentid
- phpexcel导出excel表简单入门示例
dcj3sjt126com
PHPExcelphpexcel
先下载PHPEXCEL类文件,放在class目录下面,然后新建一个index.php文件,内容如下
<?php
error_reporting(E_ALL);
ini_set('display_errors', TRUE);
ini_set('display_startup_errors', TRUE);
if (PHP_SAPI == 'cli')
die('
- 爱情格言
dcj3sjt126com
格言
1) I love you not because of who you are, but because of who I am when I am with you. 我爱你,不是因为你是一个怎样的人,而是因为我喜欢与你在一起时的感觉。 2) No man or woman is worth your tears, and the one who is, won‘t
- 转 Activity 详解——Activity文档翻译
e200702084
androidUIsqlite配置管理网络应用
activity 展现在用户面前的经常是全屏窗口,你也可以将 activity 作为浮动窗口来使用(使用设置了 windowIsFloating 的主题),或者嵌入到其他的 activity (使用 ActivityGroup )中。 当用户离开 activity 时你可以在 onPause() 进行相应的操作 。更重要的是,用户做的任何改变都应该在该点上提交 ( 经常提交到 ContentPro
- win7安装MongoDB服务
geeksun
mongodb
1. 下载MongoDB的windows版本:mongodb-win32-x86_64-2008plus-ssl-3.0.4.zip,Linux版本也在这里下载,下载地址: http://www.mongodb.org/downloads
2. 解压MongoDB在D:\server\mongodb, 在D:\server\mongodb下创建d
- Javascript魔法方法:__defineGetter__,__defineSetter__
hongtoushizi
js
转载自: http://www.blackglory.me/javascript-magic-method-definegetter-definesetter/
在javascript的类中,可以用defineGetter和defineSetter_控制成员变量的Get和Set行为
例如,在一个图书类中,我们自动为Book加上书名符号:
function Book(name){
- 错误的日期格式可能导致走nginx proxy cache时不能进行304响应
jinnianshilongnian
cache
昨天在整合某些系统的nginx配置时,出现了当使用nginx cache时无法返回304响应的情况,出问题的响应头: Content-Type:text/html; charset=gb2312 Date:Mon, 05 Jan 2015 01:58:05 GMT Expires:Mon , 05 Jan 15 02:03:00 GMT Last-Modified:Mon, 05
- 数据源架构模式之行数据入口
home198979
PHP架构行数据入口
注:看不懂的请勿踩,此文章非针对java,java爱好者可直接略过。
一、概念
行数据入口(Row Data Gateway):充当数据源中单条记录入口的对象,每行一个实例。
二、简单实现行数据入口
为了方便理解,还是先简单实现:
<?php
/**
* 行数据入口类
*/
class OrderGateway {
/*定义元数
- Linux各个目录的作用及内容
pda158
linux脚本
1)根目录“/” 根目录位于目录结构的最顶层,用斜线(/)表示,类似于
Windows
操作系统的“C:\“,包含Fedora操作系统中所有的目录和文件。 2)/bin /bin 目录又称为二进制目录,包含了那些供系统管理员和普通用户使用的重要
linux命令的二进制映像。该目录存放的内容包括各种可执行文件,还有某些可执行文件的符号连接。常用的命令有:cp、d
- ubuntu12.04上编译openjdk7
ol_beta
HotSpotjvmjdkOpenJDK
获取源码
从openjdk代码仓库获取(比较慢)
安装mercurial Mercurial是一个版本管理工具。 sudo apt-get install mercurial
将以下内容添加到$HOME/.hgrc文件中,如果没有则自己创建一个: [extensions] forest=/home/lichengwu/hgforest-crew/forest.py fe
- 将数据库字段转换成设计文档所需的字段
vipbooks
设计模式工作正则表达式
哈哈,出差这么久终于回来了,回家的感觉真好!
PowerDesigner的物理数据库一出来,设计文档中要改的字段就多得不计其数,如果要把PowerDesigner中的字段一个个Copy到设计文档中,那将会是一件非常痛苦的事情。