- 《模式识别与机器学习》第一章
CS_Zero
机器学习人工智能
C1符号含义x\boldxx:向量,曲线拟合问题中的x坐标数值序列。元素个数为N。t\boldtt:向量,曲线拟合问题中的y坐标(target)数值序列。w\boldww:向量,曲线拟合问题中的待估计的参数,即M阶多项式的各阶系数。β\betaβ:标量,协方差的倒数,表示样本的精度。α\alphaα:标量,同上,曲线拟合例子中的先验的精度。多项式曲线拟合E(w)=12∑n=1N{y(xn,w)−t
- 【课程作业_01】国科大2023模式识别与机器学习实践作业
lzl2040
我的笔记python机器学习数据集人工智能
国科大2023模式识别与机器学习实践作业作业内容从四类方法中选三类方法,从选定的每类方法中,各选一种具体的方法,从给定的数据集中选一个数据集(MNIST,CIFAR-10,电信用户流失数据集)对这三种方法进行测试比较。第一类方法::线性方法:线性SVM、LogisticRegression第二类方法:非线性方法:KernelSVM,决策树第三类方法:集成学习:Bagging,Boosting第四类
- 模式识别与机器学习—PCA分析
在下雨599
模式识别复习机器学习人工智能
主成分分析将高维空间线性投影到一个低维空间,希望在这个低维空间能够表征高维空间中的绝大部分信息,即信息损失最小。关键:找到投影方向补充知识:主成分分析(PCA)目标函数1:最小化重建误差主成分分析(PCA)目标函数2:最大投影后的方差
- 国科大模式识别与机器学习2015-2019、2021仅考题
智商欠费,不死也废
期末机器学习人工智能
2015(8)试描述线性判别函数的基本概念,并说明既然有线性判别函,为什么还需要非线性判别函数?假设有两种模式,每类包括6个4维不同的模式,且良好分布。如果他们是线性可分的。问权向量至少需要几个系数分量?假如要建立额尔茨的多项式判别函数,又至少需要几个系数分量?(设模式的良好分布不因模式变化而改变)(8分)简述偏差方差分解及其推导过程,并说明偏差、方差、噪声三部分的内在含义。(8分)试描述用EM算
- 模式识别与机器学习-半监督学习
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-半监督学习半监督学习半监督学习的三个假设半监督学习算法自学习算法自学习的步骤:自学习的优缺点:优点:缺点:协同训练多视角学习生成模型半监督SVM谨以此博客作为复习期间的记录半监督学习半监督学习(Semi-SupervisedLearning)是机器学习的一种范式,它利用同时包含标记(有标签)和未标记(无标签)数据的数据集来进行模型训练。相比于监督学习和无监督学习,半监督学习尝试
- 模式识别与机器学习-概率图模型
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-概率图模型概率图模型三大基本问题表示推断学习有向概率图模型例子三种经典的图HMMViterbi算法谨以此博客作为复习期间的记录概率图模型三大基本问题概率图模型通常涉及三个基本问题,即表示(Representation)、推断(Inference)和学习(Learning)。这三个问题是概率图模型中关键的核心概念。表示(Representation):表示问题涉及选择合适的图结构
- 模式识别与机器学习-集成学习
Kilig*
机器学习机器学习集成学习人工智能
集成学习集成学习思想过拟合与欠拟合判断方法K折交叉验证BootstrapBagging随机森林的特点和工作原理:BoostingAdaBoost工作原理:AdaBoost的特点和优点:AdaBoost的缺点:GradientBoosting工作原理:GradientBoosting的特点和优点:GradientBoosting的变种:Bagging和Boosting算法比较Bagging(Boot
- 模式识别与机器学习-无监督学习-降维
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-无监督学习-降维为什么要降维维度选择手工移除特征过滤式选择包裹式选择嵌入式选择维度抽取(线性模型)MDSPCA目标1:最小重构误差目标2:最大投影方差SVD思考:为什么保留特征值大的?维度抽取(非线性模型)KPCA流形学习ISOMAP优点:缺点:LLET-SNE谨以此博客作为复习期间的记录为什么要降维消除冗余信息和噪声:原始数据集可能包含大量冗余特征或噪声,这些特征可能对模型训
- 模式识别与机器学习-SVM(带软间隔的支持向量机)
Kilig*
机器学习支持向量机机器学习算法
SVM(带软间隔的支持向量机)软间隔思想的由来软间隔的引入谨以此博客作为复习期间的记录。软间隔思想的由来在上一篇博客中,回顾了线性可分的支持向量机,但在实际情况中,很少有完全线性可分的情况,大部分线性可分的情况都是整体线性可分,个别样本点无法线性分割开。因此就要避免这极个别样本点对分割平面产生的影响。线性可分支持向量机软间隔的引入在分类过程中,允许极个别数据点“越界”,如何在目标函数中体现这一点呢
- 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
- 模式识别与机器学习-SVM(线性支持向量机)
Kilig*
机器学习支持向量机机器学习算法
线性支持向量机线性支持向量机间隔距离学习的对偶算法算法:线性可分支持向量机学习算法线性可分支持向量机例子谨以此博客作为复习期间的记录线性支持向量机在以上四条线中,都可以作为分割平面,误差率也都为0。但是那个分割平面效果更好呢?其实可以看出,黑色的线具有更好的性质,因为如果将黑色的线作为分割平面,将会有更大的间隔距离。其中,分割平面可以用以下式子表示:wx+b=0wx+b=0wx+b=0w和bw\t
- 模式识别与机器学习-SVM(核方法)
Kilig*
机器学习机器学习支持向量机人工智能
SVM(核方法)核方法核技巧在SVM中的应用谨以此博客作为复习期间的记录核方法对解线性分类问题,线性分类支持向量机是一种非常有效的方法.但是,有时分类问题是非线性的,这时可以使用非线性支持向量机,核心思想是通过核方法将低维非线性可分数据转化为高维线性可分数据。非线性问题往往不好求解,所以希望能用解线性分类问题的方法解决这个问题.所采取的方法是进行一个非线性变换,将非线性问题变换为线性问题,通过解变
- 模式识别与机器学习第一章
露(^_^)
模式识别与机器学习python
一、模式的概念广义:存在于时间和空间中可观察的物体。如果可以区别它们是否相同或是否相似,都可以称之为模式。狭义:模式所指的不是事物本身,而是从事物获得的信息,模式往往表现为具有时间和空间分布的信息。模式的直观特性:可观察性、可区分性、相似性。二、模式识别的概念模式识别:直观,无所不在,“人以类聚,物以群分”。目的:利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符
- 模式识别与机器学习(十二):Stacking
从零开始的奋豆
模式识别与机器学习机器学习人工智能
原理在本次实验中以决策树、svm和随机森林为基学习器,以决策树为元学习器。Stacking的做法是首先构建多个不同类型的一级学习器,并使用他们来得到一级预测结果,然后基于这些一级预测结果,构建一个二级学习器,来得到最终的预测结果。Stacking的动机可以描述为:如果某个一级学习器错误地学习了特征空间的某个区域,那么二级学习器通过结合其他一级学习器的学习行为,可以适当纠正这种错误。具体步骤如下图所
- 模式识别与机器学习(十二):随机森林
从零开始的奋豆
模式识别与机器学习机器学习随机森林人工智能
原理随机森林(RandomForest,RF)是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上,在决策树的训练过程中引入随机属性选择。训练每颗决策树时随机选出部分特征作为输入,所以该算法被称为随机森林算法。在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集(假定有d个属性),然后再从这个子集中选择一个最优属性用于划分。参数k控
- 模式识别与机器学习-特征选择和提取
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-特征选择和提取特征选择一些距离测度公式独立特征的选择准则一般特征的散布矩阵准则离散K-L变换谨以此博客作为复习期间的记录。常见分类问题的流程,数据预处理和特征选择提取时机器学习环节中最重要的两个流程。这两个环节直接决定了最终性能的上下限,本部分记录一下特征提取和选择部分(特征工程)特征选择可以表示为:从一个包含n个度量值的集合{x1,x2,…,xn}\{x_1,x_2,\dot
- 模式识别与机器学习第三章
露(^_^)
模式识别与机器学习python
一、线性判别函数1.两类问题的判别函数若这些属于ω1和ω2两类的模式可用一个直线方程d(x)=0来划分,d(x)=w1x1+w2x2+w3=0d(x)称为两类模式的判别函数;d(x)=0称为决策面/判别界面方程。用判别函数进行模式分类依赖的两个因素:(1)判别函数的几何性质:线性的和非线性的函数。(2)判别函数的系数:判别函数的形式确定后,主要就是确定判别函数的系数问题。2.n维线性判别函数的一般
- 【模式识别与机器学习】——2.2正态分布模式的贝叶斯分类器
weixin_30421809
人工智能
出发点:当已知或者有理由设想类概率密度函数P(x|ωi)是多变量的正态分布时,上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。由于正态密度函数易于分析,且对许多重要的实际应用又是一种合适的模型,因此受到很大的重视。(贝叶斯分类规则是基于统计概念的。如果只有少数模式样本,一般较难获得最优的结果)正态分布模式的贝叶斯判别函数具有M种模式类别的多变量正态类密度函数为:其中,每一类模式的分布密度都完全
- 模式识别与机器学习-判别式分类器
Kilig*
机器学习人工智能
模式识别与机器学习-判别式分类器生成式模型和判别式模型的区别线性判别函数多分类情况多分类情况1多分类情况2多分类情况3例题广义线性判别函数实例分段线性判别函数Fisher线性判别感知机算法例:感知机多类别分类谨以此博客作为学习期间的记录生成式模型和判别式模型的区别生成式模型关注如何生成整个数据的分布,而判别式模型则专注于学习如何根据给定输入预测输出标签或数值。在实践中多数判别式模型要优于生成式模型
- 模式识别与机器学习(十一):Bagging
从零开始的奋豆
模式识别与机器学习机器学习
1.原理Bagging[Breiman,1996a]是井行式集成学习方法最著名的代表.从名字即可看出,它直接基于自助采样法(bootstrapsampling)。给定包含m个样本的数据集,我们先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,这样,经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的则从未出现,初
- 模式识别与机器学习(十):梯度提升树
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:fM(x)=∑m=1MT(x;θm)f_M(x)=\sum_{m=1}^MT(x;\theta_m)fM(x)=m=1∑MT(x;θm)其中,T(x;θm)T(x;\
- 模式识别与机器学习(九):Adaboost
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理AdaBoost是AdaptiveBoosting(自适应增强)的缩写,它的自适应在于:被前一个基本分类器误分类的样本的权值会增大,而正确分类的样本的权值会减小,并再次用来训练下一个基本分类器。同时,在每一轮迭代中,加入一个新的弱分类器,直到达到某个预定的足够小的错误率或预先指定的最大迭代次数再确定最后的强分类器。1.算法步骤首先,是初始化训练数据的权值分布D1。假设有N个训练样本数据,则
- 模式识别与机器学习(八):决策树
从零开始的奋豆
模式识别与机器学习机器学习决策树人工智能
1.原理决策树(DecisionTree),它是一种以树形数据结构来展示决策规则和分类结果的模型,作为一种归纳学习算法,其重点是将看似无序、杂乱的已知数据,通过某种技术手段将它们转化成可以预测未知数据的树状模型,每一条从根结点(对最终分类结果贡献最大的属性)到叶子结点(最终分类结果)的路径都代表一条决策的规则。一般,一棵决策树包含一个根节点,若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他
- 模式识别与机器学习(七):集成学习
从零开始的奋豆
模式识别与机器学习机器学习集成学习人工智能
集成学习1.概念1.1类型1.2集成策略1.3优势2.代码实例2.1boosting2.2bagging2.3集成1.概念集成学习是一种机器学习方法,旨在通过组合多个个体学习器的预测结果来提高整体的预测性能。它通过将多个弱学习器(个体学习器)组合成一个强学习器,以获得更准确、更稳定的预测结果。在集成学习中,个体学习器可以是同质的(使用相同的学习算法,但在不同的训练集上训练)或异质的(使用不同的学习
- 图像形状及数量识别(matlab实现)
一寸光阴不可轻
matlab计算机视觉图像处理
米粒形状识别文章目录米粒形状识别概述一、图像处理1.图像去噪2.图像锐化3.边缘提取4.特征匹配二、matlab实现三、总程序代码结语概述基于视觉的沙粒形状识别系统模型需要借助计算机对特征的信息处理和分析,实现像人一样的智能识别,所以通常模式识别与机器学习存在着一定的联系。机器识别技术的实现主要分为以下几个步骤:(1)获取图像数据。(2)数据预处理。(3)图像特征提取。(4)设置分类器完成分类。基
- 模式识别与机器学习(六):数据降维
从零开始的奋豆
模式识别与机器学习matlab算法机器学习
1.数据降维数据降维有很多种,这里我们列出几个较为简单的2.PCAPCA是一种基于从高维空间映射到低维空间的映射方法,也是最基础的无监督降维算法,其目标是向数据变化最大的方向投影,或者说向重构误差最小化的方向投影。它由KarlPearson在1901年提出,属于线性降维方法。与PCA相关的原理通常被称为最大方差理论或最小误差理论。这两者目标一致,但过程侧重点则不同。求中心化后样本矩阵的协方差。求协
- 模式识别与机器学习(二):贝叶斯分类matlab实现
从零开始的奋豆
模式识别与机器学习分类人工智能数据挖掘
一.最小错误率step1:估计分类样本的各个属性的概率分布step2:估计先验概率step3:估计属于该类别的概率并取最大值这里以正态分布为例clc;clear;%风险表f=ones(4,4);%读数据X=xlsread('数据.xls');x=X(1:15,2:end);x_test=X(16:end,2:4);x1=x(find(x(:,4)==1),1:3);[n1,~]=size(x1);
- 推荐几本机器学习的书籍
古斯塔夫歼星炮
机器学习人工智能深度学习python开发语言
推荐几本机器学习的书籍:《机器学习》(TomM.Mitchell)、《统计学习方法》(李航)、《深度学习》(IanGoodfellow、YoshuaBengio和AaronCourville)、《模式识别与机器学习》(ChristopherM.Bishop)。
- 模式识别与机器学习(一)——引言
谢欣燕
笔记机器学习模式识别
1.1基本概念模式识别:从数据中识别或发现规律,并加以有效使用。为了进行模式识别,往往要借助计算设备进行编程实现和决策执行,这种设备即机器。机器学习:从计算设备的角度出发,是指机器从不具备某方面能力到具备次能力的学习过程,即发现数据中的规律并加以使用的能力。1.1.1投票选举近邻法集成学习主动学习1.2典型的机器学习系统1.2.1医学图像诊断病理图像:高倍显微镜下看到的将人体组织做成病理切片后的图
- 模式识别与机器学习·第二章——统计判别
谷雨·清明
UCAS模式识别与机器学习模式识别机器学习贝叶斯
模式识别与机器学习·第二章——统计判别统计判别的意义贝叶斯判别贝叶斯最小风险判别两类(M=2)情况的贝叶斯最小风险判别多类(M类)情况的贝叶斯最小风险判别正态分布模式的贝叶斯分类器统计判别的意义模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量,构成特征向量,并将其作为某一个判决规则的输入,按此规则来对样本进行分类。在获取模式的观测值时,有些事物具有确定的
- mongodb3.03开启认证
21jhf
mongodb
下载了最新mongodb3.03版本,当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题,现总结如下:
(百度上搜到的基本都是老版本的,看到db.addUser的就是,请忽略)
Windows下我做了一个bat文件,用来启动mongodb,命令行如下:
mongod --dbpath db\data --port 27017 --directoryperdb --logp
- 【Spark103】Task not serializable
bit1129
Serializable
Task not serializable是Spark开发过程最令人头疼的问题之一,这里记录下出现这个问题的两个实例,一个是自己遇到的,另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在,至少目前阶段碰到此类问题,没有什么章法
1.
package spark.exampl
- 你所熟知的 LRU(最近最少使用)
dalan_123
java
关于LRU这个名词在很多地方或听说,或使用,接下来看下lru缓存回收的实现
1、大体的想法
a、查询出最近最晚使用的项
b、给最近的使用的项做标记
通过使用链表就可以完成这两个操作,关于最近最少使用的项只需要返回链表的尾部;标记最近使用的项,只需要将该项移除并放置到头部,那么难点就出现 你如何能够快速在链表定位对应的该项?
这时候多
- Javascript 跨域
周凡杨
JavaScriptjsonp跨域cross-domain
 
- linux下安装apache服务器
g21121
apache
安装apache
下载windows版本apache,下载地址:http://httpd.apache.org/download.cgi
1.windows下安装apache
Windows下安装apache比较简单,注意选择路径和端口即可,这里就不再赘述了。 2.linux下安装apache:
下载之后上传到linux的相关目录,这里指定为/home/apach
- FineReport的JS编辑框和URL地址栏语法简介
老A不折腾
finereportweb报表报表软件语法总结
JS编辑框:
1.FineReport的js。
作为一款BS产品,browser端的JavaScript是必不可少的。
FineReport中的js是已经调用了finereport.js的。
大家知道,预览报表时,报表servlet会将cpt模板转为html,在这个html的head头部中会引入FineReport的js,这个finereport.js中包含了许多内置的fun
- 根据STATUS信息对MySQL进行优化
墙头上一根草
status
mysql 查看当前正在执行的操作,即正在执行的sql语句的方法为:
show processlist 命令
mysql> show global status;可以列出MySQL服务器运行各种状态值,我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
- 我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名
aijuans
Spring 3
本文介绍如何给Spring的Bean配置文件的Bean定义别名?
原始的
<bean id="business" class="onlyfun.caterpillar.device.Business">
<property name="writer">
<ref b
- 高性能mysql 之 性能剖析
annan211
性能mysqlmysql 性能剖析剖析
1 定义性能优化
mysql服务器性能,此处定义为 响应时间。
在解释性能优化之前,先来消除一个误解,很多人认为,性能优化就是降低cpu的利用率或者减少对资源的使用。
这是一个陷阱。
资源时用来消耗并用来工作的,所以有时候消耗更多的资源能够加快查询速度,保持cpu忙绿,这是必要的。很多时候发现
编译进了新版本的InnoDB之后,cpu利用率上升的很厉害,这并不
- 主外键和索引唯一性约束
百合不是茶
索引唯一性约束主外键约束联机删除
目标;第一步;创建两张表 用户表和文章表
第二步;发表文章
1,建表;
---用户表 BlogUsers
--userID唯一的
--userName
--pwd
--sex
create
- 线程的调度
bijian1013
java多线程thread线程的调度java多线程
1. Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。
2. 多数线程的调度是抢占式的(即我想中断程序运行就中断,不需要和将被中断的程序协商)
a) 
- 查看日志常用命令
bijian1013
linux命令unix
一.日志查找方法,可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log
二.查看日志常用命令1.grep '关键字' error.log:在error.log中搜索'关键字'2.grep -C10 '关键字' error.log:显示关键字前后10行记录3.grep '关键字' error.l
- 【持久化框架MyBatis3一】MyBatis版HelloWorld
bit1129
helloworld
MyBatis这个系列的文章,主要参考《Java Persistence with MyBatis 3》。
样例数据
本文以MySQL数据库为例,建立一个STUDENTS表,插入两条数据,然后进行单表的增删改查
CREATE TABLE STUDENTS
(
stud_id int(11) NOT NULL AUTO_INCREMENT,
- 【Hadoop十五】Hadoop Counter
bit1129
hadoop
1. 只有Map任务的Map Reduce Job
File System Counters
FILE: Number of bytes read=3629530
FILE: Number of bytes written=98312
FILE: Number of read operations=0
FILE: Number of lar
- 解决Tomcat数据连接池无法释放
ronin47
tomcat 连接池 优化
近段时间,公司的检测中心报表系统(SMC)的开发人员时不时找到我,说用户老是出现无法登录的情况。前些日子因为手头上 有Jboss集群的测试工作,发现用户不能登录时,都是在Tomcat中将这个项目Reload一下就好了,不过只是治标而已,因为大概几个小时之后又会 再次出现无法登录的情况。
今天上午,开发人员小毛又找到我,要我协助将这个问题根治一下,拖太久用户难保不投诉。
简单分析了一
- java-75-二叉树两结点的最低共同父结点
bylijinnan
java
import java.util.LinkedList;
import java.util.List;
import ljn.help.*;
public class BTreeLowestParentOfTwoNodes {
public static void main(String[] args) {
/*
* node data is stored in
- 行业垂直搜索引擎网页抓取项目
carlwu
LuceneNutchHeritrixSolr
公司有一个搜索引擎项目,希望各路高人有空来帮忙指导,谢谢!
这是详细需求:
(1) 通过提供的网站地址(大概100-200个网站),网页抓取程序能不断抓取网页和其它类型的文件(如Excel、PDF、Word、ppt及zip类型),并且程序能够根据事先提供的规则,过滤掉不相干的下载内容。
(2) 程序能够搜索这些抓取的内容,并能对这些抓取文件按照油田名进行分类,然后放到服务器不同的目录中。
- [通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费
comsci
资源
降低通讯服务资费,就意味着有更多的用户进入,就意味着通讯服务提供商要接待和服务更多的用户,在总体运维成本没有由于技术升级而大幅下降的情况下,这种降低资费的行为将导致每个用户的平均带宽不断下降,而享受到的服务质量也在下降,这对用户和服务商都是不利的。。。。。。。。
&nbs
- Java时区转换及时间格式
Cwind
java
本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用,以及不同时区时间相互转化的方法和原理。
问题描述:
向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如,服务器位于东八区(北京时间,GMT+8:00),而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
- readonly,只读,不可用
dashuaifu
jsjspdisablereadOnlyreadOnly
readOnly 和 readonly 不同,在做js开发时一定要注意函数大小写和jsp黄线的警告!!!我就经历过这么一件事:
使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能,有的就不行,而且函数readOnly有黄线警告!!!就这样被折磨了不短时间!!!(期间使用过disable函数,但是发现disable函数之后后台接收不到前台的的数据!!!)
- LABjs、RequireJS、SeaJS 介绍
dcj3sjt126com
jsWeb
LABjs 的核心是 LAB(Loading and Blocking):Loading 指异步并行加载,Blocking 是指同步等待执行。LABjs 通过优雅的语法(script 和 wait)实现了这两大特性,核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器,倡导的是一种模块化开发理念,核心价值是让 JavaScript 的模块化开发变得更
- [应用结构]入口脚本
dcj3sjt126com
PHPyii2
入口脚本
入口脚本是应用启动流程中的第一环,一个应用(不管是网页应用还是控制台应用)只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。
Web 应用的入口脚本必须放在终端用户能够访问的目录下,通常命名为 index.php,也可以使用 Web 服务器能定位到的其他名称。
控制台应用的入口脚本一般在应用根目录下命名为 yii(后缀为.php),该文
- haoop shell命令
eksliang
hadoophadoop shell
cat
chgrp
chmod
chown
copyFromLocal
copyToLocal
cp
du
dus
expunge
get
getmerge
ls
lsr
mkdir
movefromLocal
mv
put
rm
rmr
setrep
stat
tail
test
text
- MultiStateView不同的状态下显示不同的界面
gundumw100
android
只要将指定的view放在该控件里面,可以该view在不同的状态下显示不同的界面,这对ListView很有用,比如加载界面,空白界面,错误界面。而且这些见面由你指定布局,非常灵活。
PS:ListView虽然可以设置一个EmptyView,但使用起来不方便,不灵活,有点累赘。
<com.kennyc.view.MultiStateView xmlns:android=&qu
- jQuery实现页面内锚点平滑跳转
ini
JavaScripthtmljqueryhtml5css
平时我们做导航滚动到内容都是通过锚点来做,刷的一下就直接跳到内容了,没有一丝的滚动效果,而且 url 链接最后会有“小尾巴”,就像#keleyi,今天我就介绍一款 jquery 做的滚动的特效,既可以设置滚动速度,又可以在 url 链接上没有“小尾巴”。
效果体验:http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码:
&
- kafka offset迁移
kane_xie
kafka
在早前的kafka版本中(0.8.0),offset是被存储在zookeeper中的。
到当前版本(0.8.2)为止,kafka同时支持offset存储在zookeeper和offset manager(broker)中。
从官方的说明来看,未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话,可以考虑在合适
- android > 搭建 cordova 环境
mft8899
android
1 , 安装 node.js
http://nodejs.org
node -v 查看版本
2, 安装 npm
可以先从 https://github.com/isaacs/npm/tags 下载 源码 解压到
- java封装的比较器,比较是否全相同,获取不同字段名字
qifeifei
非常实用的java比较器,贴上代码:
import java.util.HashSet;
import java.util.List;
import java.util.Set;
import net.sf.json.JSONArray;
import net.sf.json.JSONObject;
import net.sf.json.JsonConfig;
i
- 记录一些函数用法
.Aky.
位运算PHP数据库函数IP
高手们照旧忽略。
想弄个全天朝IP段数据库,找了个今天最新更新的国内所有运营商IP段,copy到文件,用文件函数,字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件,直接用phpmyadmin导入.csv文件的形式导入。(生命在于折腾,也许你们觉得我傻X,直接下载人家弄好的导入不就可以,做自己的菜鸟,让别人去说吧)
当然用到了ip2long()函数把字符串转为整型数
- sublime text 3 rust
wudixiaotie
Sublime Text
1.sublime text 3 => install package => Rust
2.cd ~/.config/sublime-text-3/Packages
3.mkdir rust
4.git clone https://github.com/sp0/rust-style
5.cd rust-style
6.cargo build --release
7.ctrl