BillLeee
BillLeee

Underfitting and overfitting

一、underfitting 和 overfitting 中，error的变化情况

Underfitting and overfitting_第1张图片
IMG_20170425_135852.jpg

Underfitting:
training error will high, and cross validation error also will be high.
Overfitting:
training error will be low,but cross validation will be low.

二、在regularization中，lambda对error的影响

Underfitting and overfitting_第2张图片
IMG_20170425_144508.jpg

随着lambda 的增加，training error在增加，整个过程由overfitting->fitting->underfitting，所以cross validation由大->小->大。
实验中，需要不断调整lambda的值(一般从0逐渐增加,step可以为0.01，或者0.1等)，最终找到error相对较小的lambda.

你可能感兴趣的:(Underfitting and overfitting)

  • 深度学习学习经验——深度学习名词字典 Linductor 深度学习学习经验深度学习学习人工智能
    深度学习名词字典1.张量（Tensor）2.神经网络（NeuralNetwork）3.损失函数（LossFunction）4.优化器（Optimizer）5.激活函数（ActivationFunction）6.前向传播（ForwardPropagation）7.反向传播（BackwardPropagation）8.批量（Batch）9.欠拟合（Underfitting）10.过拟合（Overfit
  • Kaggle Intro Model Validation and Underfitting and Overfitting 卢延吉 NewDeveloper数据(Data)ML&ME&GPT机器学习
    ModelValidationModelvalidationisthecornerstoneofensuringarobustandreliablemachinelearningmodel.It'stherigorousassessmentofhowwellyourmodelperformsonunseendata,mimickingreal-worldscenarios.Doneright,it
  • 机器学习笔记（3）：误差、复杂度曲线、学习曲线等 链原力
    本文来自之前在Udacity上自学机器学习的系列笔记。这是第3篇，介绍了模型的误差类型、误差的由来、找到模型适合的参数、以及避免欠拟合和过拟合的方法。1.诊断误差1.1.误差类型我们的预测或者分类的结果与实际结果相比较，会存在一定的误差，误差越小，表示结果越好。一般有两种误差来源，欠拟合和过拟合。将问题看得过于简单导致了欠拟合（Underfitting），将问题看得过于复杂导致了过拟合（Overf
  • Tensorflow高阶内容（五）- Deep Learning BingshengTian_Mamba 深度学习DLtensorflowtensorflow神经网络深度学习
    高阶内容5.1Classification分类学习5.2什么是过拟合（Overfitting）5.3Dropout解决Overfitting5.4什么是卷积神经网络CNN(ConvolutionalNeuralNetwork)5.5CNN卷积神经网络15.6CNN卷积神经网络25.7CNN卷积神经网络35.8Saver保存读取5.9什么是循环神经网络RNN(RecurrentNeuralNetwo
  • 【机器学习300问】17、什么是欠拟合和过拟合？怎么解决欠拟合与过拟合？ 小oo呆 【机器学习】机器学习人工智能
    一个问题出现了，我们首先要描述这个问题，然后分析问题出现的原因，找到原因后提出解决方案。废话不多说，直接上定义，然后通过回归和分类任务的例子来做解释。一、什么是欠拟合和过拟合？（1）欠拟合的定义欠拟合（Underfitting）指的是模型在训练过程中未能捕捉到数据集中的有效规律或模式，导致模型过于简单，无法正确预测结果。（2）过拟合的定义拟合（Overfitting）是指模型在训练集上表现很好，但
  • 李宏毅《机器学习 深度学习》简要笔记（一） AI小白龙* 机器学习深度学习笔记r语言人工智能目标检测
    一、线性回归中的模型选择上图所示：五个模型，一个比一个复杂，其中所包含的function就越多，这样就有更大几率找到一个合适的参数集来更好的拟合训练集。所以，随着模型的复杂度提高，trainerror呈下降趋势。上图所示：右上角的表格中分别体现了在train和test中的损失值大小，可以看出，从第三个模型开始，就呈过拟合（Overfitting）状态。二、分种类的训练模型当模型会根据种类不同而有较
  • 机器学习期末复习总结笔记（李航统计学习方法） 在半岛铁盒里 机器学习机器学习笔记学习方法
    文章目录模型复杂度高---过拟合分类与回归有监督、无监督、半监督正则化生成模型和判别模型感知机KNN朴素贝叶斯决策树SVMAdaboost聚类风险PCA深度学习范数计算梯度下降与随机梯度下降SGD线性回归逻辑回归最大熵模型适用性讨论模型复杂度高—过拟合是什么：当模型复杂度越高，对训练集拟合程度越高，然而对新样本的泛化能力却下降了，此时出现overfitting（过拟合）与泛化能力：模型复杂度与泛化
  • 深度学习记录--偏差/方差(bias/variance) 蹲家宅宅 深度学习记录深度学习人工智能
    误差问题拟合神经网络函数过程中会出现两种误差：偏差(bias)和方差(variance)偏差和误差的区别欠拟合(underfitting)当偏差(bias)过大时，如左图，拟合图像存在部分不符合值，称为欠拟合(underfitting)过拟合(overfitting)当方差(variance)过大时，如右图，拟合图像过于特殊，不够集中(即方差过大)，称为过拟合(overfitting)误差和tra
  • MATLAB Deep learning JNU freshman 机器学习人工智能深度学习matlab深度学习
    文章目录Chapter1:MachineLearning存在的问题过拟合Overfitting解决过拟合regularizationandvalidationregularization正则化validation验证机器学习的类型有监督学习分类Classification回归Regression无监督学习聚类强化学习Chapter2:NeuralNetwork神经网络的结点NodesofaNeur
  • 3.4.1-欠拟合 与 过拟合（Bias and variance） + 相关解决方案 帅翰GG 机器学习机器学习人工智能
    3.4.1欠拟合与过拟合+相关解决方案1、定义我们给出过拟合的定义：Overfitting:Ifwehavetoomanyfeatures,thelearnedhypothesismayfitthetrainingsetveywell,butfailtogeneralizetonewexamples.例子1：线性回归（房价预测）第一个图：是**“欠拟合”**（训练的特征输入较少（X1,X2,X3…
  • 模型评估与选择 c839e88a53e3
    1、经验误差与过拟合错误率：分类错误的样本数占样本总体的比例。即如果m个赝本中存在a个样本分类错误，则错误率为E=a/m；精度=1-错误率=1-a/m误差：学习器的实际预测输出与样本的真实输出之间的差异。学习器在训练集上的误差称为“训练误差”或“经验误差”，在新样本上的误差称为“泛化误差”。过拟合（overfitting）：学习器把训练样本学得太好了，很可能已经把·训练样本自身的一些特点当作了所有
  • 2018-12-17过度拟合 奈何qiao
    欠拟合(underfitting)、高偏差(bias)过度拟合或过拟合(overfitting)、高方差(variance)线性回归示例1逻辑回归示例2当我们的假设函数的形式很难映射到数据的趋势时，不合适或者偏见很大。它通常由太简单或使用太少功能的功能引起。另一方面，过度拟合或高变异是由适合可用数据的假设函数引起的，但不能很好地概括以预测新数据。它通常是由复杂的函数引起的，它会产生许多与数据无关的
  • 深度学习 | 常见问题及对策（过拟合、欠拟合、正则化） 西皮呦 深度学习深度学习人工智能
    1、训练常见问题1.1、模型架构设计关于隐藏层的一个万能近似定理：UniversalApproximationTheorem：一个具有足够多的隐藏节点的多层前馈神经网络，可以逼近任意连续的函数。（Cybenko,1989）——必须包含至少一种有挤压性质的激活函数。1.2、宽度/深度1.3、过拟合Overfitting：模型在训练数据上表现良好，在测试数据上不佳泛化能力：训练后的模型应用到新的、未知
  • 机器学习之过拟合和欠拟合 贾斯汀玛尔斯 数据湖python机器学习人工智能深度学习
    过拟合概念过拟合（Overfitting）是机器学习中常见的问题之一，它指的是模型在训练数据上表现很好，但在未见过的新数据上表现较差的情况。过拟合的根本原因是模型过度地适应了训练数据的噪声和细节，而忽略了真实数据的潜在模式。导致过拟合的一些常见原因和防止方法：模型复杂度过高：过于复杂的模型具有足够的参数来适应训练数据中的任何细节和噪声，但这可能导致对新数据的泛化性能下降。例如，高阶多项式模型或者具
  • Ridge & Lasso Regression解决线性回归的过拟合（Overfitting）（基于波士顿房价预测） 取名真难. 机器学习人工智能深度学习机器学习python线性回归
    目录介绍：1、过拟合2、Lassoregression3、Ridgeregression4、Lassoregression和Ridgeregression一定优于LinearRegression吗一、LinearRegression二、RidgeRegression三、LassoRegression四、RidgeRegression和LassoRegression五、对比三种回归的结果介绍：1、过
  • ML Design Patterns——Useful Overfitting 卢延吉 ML&ME&GPTNewDeveloper设计模式机器学习
    ModelTrainingPatternsThereareseveralcommontrainingpatternsinmachinelearninganddeeplearningmodels.Someoftheseinclude:BatchTraining:Inbatchtraining,themodelistrainedonafixedbatchofdataatatime.Theparamet
  • Regularization——正则化 搁浅丶. 机器学习与深度学习机器学习人工智能
    1.过拟合问题这是使用不同的模型根据房子的大小对于房价的预测第一张图的模型距离数据点的平均距离仍然比较大，拟合效果并不是特别好，也叫欠拟合（underfitting）第二张图的模型对于训练集数据的拟合的不错，也能预测数据的趋势，这是我们需要的模型第三张图的模型拐来拐去，甚至的拟合了训练集的每一个数据点，损失函数接近于0，但如果给一个新的数据，它的效果是很差的，这种模型是过拟合（overfittin
  • 正则化方法：L1和L2、regularization、数据集扩增、dropout 遇见百分百
    正则化方法：防止过拟合、提高泛化能力在训练数据不够时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在trainingdata上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不work。为了防止overfitting，可以用的方法有很多，
  • Andrew Ng ML(4)——过拟合&正则化 tmax
    overfitting(过拟合)特征过多会导致过拟合（或者说训练样本太少）线性回归中的过拟合逻辑回归中的过拟合Q：如何解决过拟合？1.减少特征（人工或者用算法）2.正则化（可以保留所有特征）正则化overview:加入惩罚项（其实就是使某些θ趋于0）解决过拟合问题（使h函数图形更加平滑）Q：实际运用中，不清楚需要对哪些进行正则化，怎么办?对所有θ正则化（除θ_0(Ng说这个是习惯)）Ng给出的示例
  • [PyTorch][chapter 3][李宏毅深度学习-偏差,方差,过拟合,欠拟合] 明朝百晓生 深度学习pytorch人工智能
    前言：这章的目的主要是通过诊断错误的来源,通过错误的来源去优化,挑选模型。通过本章掌握过拟合(overfitting)和欠拟合(underfitting)出现原因及解决方案.目录：1概述2方差,偏差现象3过拟合和欠拟合4模型选择5概率论回顾一概述如上图：红色空间：真实的数据和标签之间存在一个映射函数（标签）绿色空间：通过训练集上的数据训练出最优的映射函数在数据集进行采样和差异称为偏差bias之间分
  • 机器学习第四章线性回归算法进阶4.3线性回归的正则化（《大话Python机器学习》学习笔记） BianchiHB 机器学习机器学习python算法
    第四章线性回归算法进阶4.3线性回归的正则化4.3.1为什么要使用正则化欠拟合（Underfitting）：  采用一定的算法去拟合时，如果没有考虑相当的信息量（特征变量），从而对训练数据集的拟合算法无法精确，便会发生欠拟合现象。欠拟合也成为高偏差（Bias），即建立的模型拟合与预测效果较差。  解决方法：通过增加更多的特征变量，利用更高次幂的多项式当作假设函数，以该假设函数来拟合训练数据。  欠
  • 正则化线性回归与正则化逻辑回归 matuoxifan 学习笔记正则化线性回归逻辑回归
    1.TheProblemofOverfitting1还是来看预测房价的这个例子，我们先对该数据做线性回归，也就是左边第一张图。如果这么做，我们可以获得拟合数据的这样一条直线，但是，实际上这并不是一个很好的模型。我们看看这些数据，很明显，随着房子面积增大，住房价格的变化趋于稳定或者说越往右越平缓。因此线性回归并没有很好拟合训练数据。我们把此类情况称为欠拟合(underfitting)，或者叫作叫
  • 深度学习之基础知识详解（文末有福利） I小码哥
    过拟合，欠拟合过拟合（overfitting）：学习能力过强，以至于把训练样本所包含的不太一般的特性都学到了。欠拟合（underfitting）：学习能太差，训练样本的一般性质尚未学好。下面是直观解释：《机器学习》--周志华下面在那一个具体的例子：如果我们有6个数据，我们选择用怎么样的回归曲线对它拟合呢？看下图在这里我们可以发现，原来过拟合和欠拟合和模型复杂度是相关的，具体描述如下图也就是说，在模
  • 深度学习：欠拟合与过拟合 智慧医疗探索者 人工智能初探深度学习人工智能模型欠拟合模型过拟合
    1定义1.1模型欠拟合AI模型的欠拟合（Underfitting）发生在模型未能充分学习训练数据中的模式和结构时，导致它在训练集和验证集上都表现不佳。欠拟合通常是由于模型太过简单，没有足够的能力捕捉到数据的复杂性和细节。1.2模型过拟合AI模型的过拟合（Overfitting）是指模型在训练数据上表现出色，但在未见过的数据（如验证集或测试集）上表现不佳的情况。过拟合通常发生在模型学习了训练数据中的
  • Masked Image Training for Generalizable Deep Image Denoising 论文阅读笔记 ssf-yasuo 论文阅读笔记论文阅读笔记
    CVPR2023港科大（广州）发的一篇denoising的论文，作者里面有上海AILab的董超老师（看introduction的时候看到有一段很像董超老师Networksareslachingoff的论文的思想，说网络overfitting的时候学习了训练集的噪声模式而非图片内容，翻回去作者看，果然有董超老师），文章提出了一种提高现有denoising方法泛化性的方法，动机就是迫使网络学习图像内容
  • 循环神经网络、注意力机制、Seq2Seq、Transformer与卷积神经网络（打卡2） 机器小白猫
    一、过拟合和欠拟合接下来，我们将探究模型训练中经常出现的两类典型问题：一类是模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）；另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。在实践中，我们要尽可能同时应对欠拟合和过拟合。虽然有很多因素可能导致这两种拟合问题，在这里我们重点讨论两个因素：模型复杂度和训练数据集大小。正
  • 欠拟合 过拟合 正则化-------吴恩达机器学习心得 weixin_44102752 MachineLearning欠拟合过拟合正则化
    欠拟合过拟合正则化模型训练过程中会出现“欠拟合”（Underfitting）“过拟合”(Overfitting)现象。（欠拟合又可以表示为“高偏差”，而过拟合又可以称为“高方差”，对于高误差和高方差的解释会在另一篇里解释。）如下图的线性回归函数和逻辑回归函数的第一个图形，就是欠拟合，即假设函数不能很好的拟合训练数据。而第三个图形就是过拟合的例子，即学习的假设能够完全拟合训练集的每一个数据，但不能推
  • 吴恩达机器学习笔记--第三周-4.解决过拟合问题 Loki97 吴恩达machinelearning学习笔记机器学习machinelearning吴恩达过拟合正则化
    week3-4.SolvingtheProblemofOverfitting一、TheProblemofOverfittingunderfitting=highbias；overfitting=highvariance。避免过拟合的方法：二、CostFunction在代价函数J中对每个参数theta加入正则化项（罚函数），从而使所有的参数变小。但是不对theta0增加正则化项。若正则化项中的系数l
  • 机器学习——正则化 （Regularizaiton-Regular-Regularize） hapihapi~ 机器学习
    什么是正则化？1、从使用正则化的目的角度：正则化是为了防止过拟合。我们先对该数据做线性回归，也就是左边第一张图。如果这么做，我们可以获得拟合数据的这样一条直线，但是，实际上这并不是一个很好的模型。我们把此类情况称为欠拟合(underfitting)，或者叫作叫做高偏差(bias)。以预测房价为例，第二幅图，我们在中间加入一个二次项，也就是说对于这幅数据我们用二次函数去拟合。自然，可以拟合出一条曲线
  • 【机器学习】loss损失讨论 noobiee 机器学习深度学习机器学习人工智能深度学习
    大纲验证集loss上升，准确率也上升（即将overfitting？）训练集loss一定为要为0吗Q1.验证集loss上升，准确率也上升随着置信度的增加，一小部分点的预测结果是错误的（loglik给出了指数级的惩罚，在损失中占主导地位）。与此同时，大量其他点开始预测良好（argmaxp=label），主导了预测的准确性。Q2.训练集loss一定为要为0吗一般来说，我们是用训练集来训练模型，但希望的是
  • 多线程编程之卫生间 周凡杨 java并发卫生间线程厕所
    如大家所知，火车上车厢的卫生间很小，每次只能容纳一个人，一个车厢只有一个卫生间，这个卫生间会被多个人同时使用，在实际使用时，当一个人进入卫生间时则会把卫生间锁上，等出来时打开门，下一个人进去把门锁上，如果有一个人在卫生间内部则别人的人发现门是锁的则只能在外面等待。问题分析：首先问题中有两个实体，一个是人，一个是厕所，所以设计程序时就可以设计两个类。人是多数的，厕所只有一个（暂且模拟的是一个车厢）。
  • How to Install GUI to Centos Minimal sunjing linuxInstallDesktopGUI
    http://www.namhuy.net/475/how-to-install-gui-to-centos-minimal.html   I have centos 6.3 minimal running as web server. I’m looking to install gui to my server to vnc to my server. You can insta
  • Shell 函数 daizj shell函数
    Shell 函数 linux shell 可以用户定义函数，然后在shell脚本中可以随便调用。 shell中函数的定义格式如下： [function] funname [()]{ action; [return int;] } 说明： 1、可以带function fun() 定义，也可以直接fun() 定义,不带任何参数。 2、参数返回
  • Linux服务器新手操作之一 周凡杨 Linux 简单 操作
    1.whoami      当一个用户登录Linux系统之后，也许他想知道自己是发哪个用户登录的。      此时可以使用whoami命令。      [ecuser@HA5-DZ05 ~]$ whoami       e
  • 浅谈Socket通信（一） 朱辉辉33 socket
    在java中ServerSocket用于服务器端，用来监听端口。通过服务器监听，客户端发送请求，双方建立链接后才能通信。当服务器和客户端建立链接后，两边都会产生一个Socket实例，我们可以通过操作Socket来建立通信。    首先我建立一个ServerSocket对象。当然要导入java.net.ServerSocket包    ServerSock
  • 关于框架的简单认识 西蜀石兰 框架
    入职两个月多，依然是一个不会写代码的小白，每天的工作就是看代码，写wiki。 前端接触CSS、HTML、JS等语言，一直在用的CS模型，自然免不了数据库的链接及使用，真心涉及框架，项目中用到的BootStrap算一个吧，哦，JQuery只能算半个框架吧，我更觉得它是另外一种语言。 后台一直是纯Java代码，涉及的框架是Quzrtz和log4j。 都说学前端的要知道三大框架，目前node.
  • You have an error in your SQL syntax; check the manual that corresponds to your 林鹤霄
    You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'option,changed_ids  ) values('0ac91f167f754c8cbac00e9e3dc372
  • MySQL5.6的my.ini配置 aigo mysql
    注意：以下配置的服务器硬件是：8核16G内存    [client]   port=3306   [mysql]   default-character-set=utf8     [mysqld]   port=3306   basedir=D:/mysql-5.6.21-win
  • mysql 全文模糊查找 便捷解决方案 alxw4616 mysql
    mysql 全文模糊查找 便捷解决方案 2013/6/14 by 半仙 [email protected] 目的: 项目需求实现模糊查找. 原则: 查询不能超过 1秒. 问题: 目标表中有超过1千万条记录. 使用like '%str%' 进行模糊查询无法达到性能需求. 解决方案: 使用mysql全文索引. 1.全文索引 : MySQL支持全文索引和搜索功能。MySQL中的全文索
  • 自定义数据结构 链表(单项 ,双向,环形) 百合不是茶 单项链表双向链表
         链表与动态数组的实现方式差不多,    数组适合快速删除某个元素    链表则可以快速的保存数组并且可以是不连续的       单项链表;数据从第一个指向最后一个   实现代码:        //定义动态链表 clas
  • threadLocal实例 bijian1013 javathreadjava多线程threadLocal
    实例1： package com.bijian.thread; public class MyThread extends Thread { private static ThreadLocal tl = new ThreadLocal() { protected synchronized Object initialValue() { return new Inte
  • activemq安全设置—设置admin的用户名和密码 bijian1013 javaactivemq
            ActiveMQ使用的是jetty服务器, 打开conf/jetty.xml文件，找到 <bean id="adminSecurityConstraint" class="org.eclipse.jetty.util.security.Constraint"> <p
  • 【Java范型一】Java范型详解之范型集合和自定义范型类 bit1129 java
    本文详细介绍Java的范型，写一篇关于范型的博客原因有两个，前几天要写个范型方法(返回值根据传入的类型而定)，竟然想了半天，最后还是从网上找了个范型方法的写法；再者，前一段时间在看Gson, Gson这个JSON包的精华就在于对范型的优雅简单的处理，看它的源代码就比较迷糊，只其然不知其所以然。所以，还是花点时间系统的整理总结下范型吧。   范型内容 范型集合类 范型类
  • 【HBase十二】HFile存储的是一个列族的数据 bit1129 hbase
    在HBase中，每个HFile存储的是一个表中一个列族的数据，也就是说，当一个表中有多个列簇时，针对每个列簇插入数据，最后产生的数据是多个HFile，每个对应一个列族，通过如下操作验证   1. 建立一个有两个列族的表   create 'members','colfam1','colfam2'   2. 在members表中的colfam1中插入50*5
  • Nginx 官方一个配置实例 ronin47 nginx 配置实例
    user www www; worker_processes 5; error_log logs/error.log; pid logs/nginx.pid; worker_rlimit_nofile 8192; events { worker_connections 4096;} http { include conf/mim
  • java-15.输入一颗二元查找树，将该树转换为它的镜像， 即在转换后的二元查找树中，左子树的结点都大于右子树的结点。 用递归和循环 bylijinnan java
    //use recursion public static void mirrorHelp1(Node node){ if(node==null)return; swapChild(node); mirrorHelp1(node.getLeft()); mirrorHelp1(node.getRight()); } //use no recursion bu
  • 返回null还是empty bylijinnan javaapachespring编程
    第一个问题，函数是应当返回null还是长度为0的数组（或集合）？ 第二个问题，函数输入参数不当时，是异常还是返回null？ 先看第一个问题 有两个约定我觉得应当遵守： 1.返回零长度的数组或集合而不是null（详见《Effective Java》） 理由就是，如果返回empty，就可以少了很多not-null判断： List<Person> list
  • [科技与项目]工作流厂商的战略机遇期 comsci 工作流
          在新的战略平衡形成之前，这里有一个短暂的战略机遇期，只有大概最短6年，最长14年的时间，这段时间就好像我们森林里面的小动物，在秋天中，必须抓紧一切时间存储坚果一样，否则无法熬过漫长的冬季。。。。         在微软，甲骨文，谷歌，IBM,SONY
  • 过度设计-举例 cuityang 过度设计
    过度设计，需要更多设计时间和测试成本，如无必要，还是尽量简洁一些好。 未来的事情，比如 访问量，比如数据库的容量，比如是否需要改成分布式  都是无法预料的 再举一个例子，对闰年的判断逻辑： 　　1、 if($Year%4==0) return True; else return Fasle; 　　2、if (   ($Year%4==0  &am
  • java进阶，《Java性能优化权威指南》试读 darkblue086 java性能优化
    记得当年随意读了微软出版社的.NET 2.0应用程序调试，才发现调试器如此强大，应用程序开发调试其实真的简单了很多，不仅仅是因为里面介绍了很多调试器工具的使用，更是因为里面寻找问题并重现问题的思想让我震撼，时隔多年，Java已经如日中天，成为许多大型企业应用的首选，而今天，这本《Java性能优化权威指南》让我再次找到了这种感觉，从不经意的开发过程让我刮目相看，原来性能调优不是简单地看看热点在哪里，
  • 网络学习笔记初识OSI七层模型与TCP协议 dcj3sjt126com 学习笔记
      协议：在计算机网络中通信各方面所达成的、共同遵守和执行的一系列约定 　　计算机网络的体系结构：计算机网络的层次结构和各层协议的集合。 　　两类服务： 　　面向连接的服务通信双方在通信之前先建立某种状态，并在通信过程中维持这种状态的变化，同时为服务对象预先分配一定的资源。这种服务叫做面向连接的服务。 　　面向无连接的服务通信双方在通信前后不建立和维持状态，不为服务对象
  • mac中用命令行运行mysql dcj3sjt126com mysqllinuxmac
    参考这篇博客：http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html  感觉workbench不好用（有点先入为主了）。 1，安装mysql 在mysql的官方网站下载 mysql 5.5.23 http://www.mysql.com/downloads/mysql/，根据我的机器的配置情况选择了64
  • MongDB查询（1）——基本查询[五] eksliang mongodbmongodb 查询mongodb find
    MongDB查询 转载请出自出处：http://eksliang.iteye.com/blog/2174452 一、find简介 MongoDB中使用find来进行查询。 API:如下 function ( query , fields , limit , skip, batchSize, options ){.....}  参数含义： query:查询参数 fie
  • base64，加密解密 经融加密，对接 y806839048 经融加密对接
    String data0 = new String(Base64.encode(bo.getPaymentResult().getBytes(("GBK")))); String data1 = new String(Base64.decode(data0.toCharArray()),"GBK"); // 注意编码格式，注意用于加密，解密的要是同
  • JavaWeb之JSP概述 ihuning javaweb
      什么是JSP？为什么使用JSP？ JSP表示Java Server Page，即嵌有Java代码的HTML页面。使用JSP是因为在HTML中嵌入Java代码比在Java代码中拼接字符串更容易、更方便和更高效。   JSP起源    在很多动态网页中，绝大部分内容都是固定不变的，只有局部内容需要动态产生和改变。  如果使用Servl
  • apple watch 指南 啸笑天 apple
    1. 文档 WatchKit Programming Guide（中译在线版 By @CocoaChina） 译文 译者 原文 概览 - 开始为 Apple Watch 进行开发 @星夜暮晨 Overview - Developing for Apple Watch 概览 - 配置 Xcode 项目 - Overview - Configuring Yo
  • java经典的基础题目 macroli java编程
    1.列举出 10个JAVA语言的优势 a:免费，开源，跨平台(平台独立性)，简单易用，功能完善，面向对象，健壮性，多线程，结构中立，企业应用的成熟平台, 无线应用 2.列举出JAVA中10个面向对象编程的术语 a:包，类，接口，对象，属性，方法，构造器，继承，封装，多态，抽象，范型 3.列举出JAVA中6个比较常用的包 Java.lang;java.util;java.io;java.sql;ja
  • 你所不知道神奇的js replace正则表达式 qiaolevip 每天进步一点点学习永无止境纵观千象regex
    var v = 'C9CFBAA3CAD0'; console.log(v); var arr = v.split(''); for (var i = 0; i < arr.length; i ++) { if (i % 2 == 0) arr[i] = '%' + arr[i]; } console.log(arr.join('')); console.log(v.r
  • [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics) superlxw1234 hivehive分析表hive统计信息hive Statistics
    关键字：Hive统计信息、分析Hive表、Hive Statistics   类似于Oracle的分析表，Hive中也提供了分析表和分区的功能，通过自动和手动分析Hive表，将Hive表的一些统计信息存储到元数据中。   表和分区的统计信息主要包括：行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等；   14.1 新表的统计信息 对于一个新创建
  • Spring Boot 1.2.5 发布 wiselyman spring boot
        Spring Boot 1.2.5已在7月2日发布，现在可以从spring的maven库和maven中心库下载。   这个版本是一个维护的发布版，主要是一些修复以及将Spring的依赖提升至4.1.7(包含重要的安全修复)。   官方建议所有的Spring Boot用户升级这个版本。   项目首页 | 源
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他