- 机器学习(1)机器学习类型和机器学习的主要概念
星影沉璧
深度学习驴车漂移机器学习人工智能
0.前提深度学习(DeepLearing)是机器学习(MachineLearning)领域中的一个新的研究方向,在如今的时代研究深度学习的大模型是十分热门的。我不知道有多少人有关注到最近openai的事件啊,说个比较让我惊讶的事情,一直在支持我做一些实验的老师今年在ICCV的A区发文章,直接给我看傻了,平常经常看到老师骑着电车在学校里面跑。既然深度学习是机器学习的一个子集,那想要入门深度学习,学习
- 2020-12-13 docker build for deepLearing env mxnet-cu10
罗志鹏_6145
dockerbuildfordeepLearingenvmxnet-cu10baseimagenvidia/cuda:10.1-cudnn7-runtime-ubuntu18.04pullimagedockerpull[OPTIONS]NAME[:TAG|@DIGEST]dockerpullnvidia/cuda:10.1-cudnn7-runtime-ubuntu18.04Untitled.pn
- AWS服务器密码登录设置
Greensue86
最近在aws申请了一个服务器,选择的AMI是DeepLearing的linux版本,该实例包含了深度学习所需要的安装包和环境。启动实例后按照aws官网指示的方法从mac登陆远程服务器:$sudossh-i~/.ssh/
[email protected]若每次都这样登陆比较麻烦,所以先设置密码登录,步骤如下:1.更改root用户的密码$sudopasswdroo
- 神经网络那些事之在现实生活中的应用
123liudong
书籍神经网络应用
https://github.com/123liudong/deeplearing_nocode_handbook.git神经网络是一种算法,但是它离我们每个人都很近,不知不觉神经网络已经渗透到了各个领域中并且已经得到大量的应用.也许你没注意到,下面我将介绍几个很常见的应用来告诉你神经网络到底有多么多么的强大!图像领域在未来的某个时间&某个地点,你发现了一张90年代关于自己一家人合照的照片.可是不
- 吴恩达老师DeepLearning系列课程最详细学习笔记之23—Jupyter Ipython笔记本的快速指南
james9668
吴恩达DeepLearning人工智能深度学习
教程是本人学习吴恩达老师DeepLearing系列课程中整理的最为详细的学习笔记。学习视频主要来自B站[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili?,以及DeepLearning官方网站DeepLearningbydeeplearning.ai|Coursera。该系列课程总共有180多个,我会将学习笔记陆续分享出来,为有兴趣深度学习的同仁提供便利。再次由衷
- 吴恩达老师DeepLearning系列课程最详细学习笔记之1—深度学习概念
james9668
吴恩达DeepLearning人工智能深度学习
教程是本人学习吴恩达老师DeepLearing系列课程中整理的最为详细的学习笔记。学习视频主要来自B站[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili?,以及DeepLearning官方网站DeepLearningbydeeplearning.ai|Coursera。该系列课程总共有180多个,我会将学习笔记陆续分享出来,为有兴趣深度学习的同仁提供便利。再次由衷
- 深度学习和tensorflow学习总结---复习自用,大家看到不对的地方多多留言,互相交流
weixin_44140703
学习总结深度学习CNN机器学习学习总结复习自用
深度学习(DeepLearing)深度学习不需要人工提取特征-----模型的可解释性与机器学习区别:机器学习需要手动提取特征,需要大量领域专业知识。深度学习,通过训练大量数据自动得出模型,不需要人工提取特征环节。适合图像、语音、自然语言处理领域应用场景:物体识别场景识别人脸识别人脸身份认证自然语言处理文本识别语音识别加法运算:定义常量:tf.constant(常量值)定义变量:tf.Variabl
- 李宏毅机器学习笔记:Brief Introduction of Deep Learning + Backpropagation(后向传播算法)
TravelingLight77
ML
李宏毅老师的机器学习课程和吴恩达老师的机器学习课程都是都是ML和DL非常好的入门资料,在YouTube、网易云课堂、B站都能观看到相应的课程视频,接下来这一系列的博客我都将记录老师上课的笔记以及自己对这些知识内容的理解与补充。(本笔记配合李宏毅老师的视频一起使用效果更佳!)Lecture6:BriefIntroductionofDeepLearning本节课主要围绕DeepLearing三步骤:(
- 从Q-Learning到Deep-Q-Learning
ChanZany
神经网络机器学习神经网络算法python机器学习深度学习
DeepLearning定义深度学习(DeepLearing)由一组算法和技术构成,这些算法和技术试图发现数据的重要特征并对其高级抽象建模。深度学习的主要目标是通过对数据的自动学习来避免手动描述数据结构(如手写特征)。深度指的是通常具有两个或多个隐藏层的任何神经网络即(DNN)。大多数深度学习模型都基于人工神经网络(ANN),尽管它们也可以包含命题公式或在深度生成模型中分层组织的潜在变量,例如De
- DeepLearing—CV系列(十六)——基于Pytorch实现的编解码结构之Seq2Seq实现验证码识别
wa1tzy
深度学习AI深度学习人工智能神经网络pytorch机器学习
文章目录一、认识编解码网络(encoder-decoder)二、解编码网络结构2.1编码过程(Encoder)2.2解码过程(Decoder)2.3Seq2Seq生成对联的过程三、Seq2Seq网络的应用四、基于编解码模型实现的验证码识别4.1验证码识别的原理和过程五、代码5.1gen_num.py5.2sampling.py5.3nets.py5.4Train.py首先解释一下Seq2Seq的意
- DeepLearing4j深度学习之Yolo Tiny实现目标检测
victorkevin
d4j目标检测人工智能深度学习java
YoloTiny是Yolo2的简化版,虽然有点过时但对于很多物体检测的应用场景还是很管用,本示例利用DeepLearing4j构建Yolo算法实现目标检测,下图是本示例的网络结构://parametersmatchingthepretrainedTinyYOLOmodelintwidth=416;intheight=416;intnChannels=3;intgridWidth=13;intgri
- DeepLearing—CV系列(二十四)——Pytorch实现OCR识别图片转文字(1)——CTPN理论
wa1tzy
AIpytorchOCR算法计算机视觉pytorch深度学习OCR图像智能字符识别
文章目录一、OCR简介二、CTPN(ConnectionistTextProposalNetwork)连接文本提议网络2.1CTPN简介2.2CTPN模型创新点2.3CTPN与RPN网络结构的差异2.4CTPN网络结构2.4.1CTPN的整体结构与流程2.5如何通过FC层输出产生Textproposals?2.6竖直Anchor定位文字位置2.7文本线构造算法2.8CTPN的训练策略2.9CTPN
- DeepLearing—CV系列(十八)——图像分割之U-Net的Pytorch实现
wa1tzy
深度学习AI图像分割深度学习cvpytorch神经网络图像分割
文章目录一、nets.py二、Mydataset.py三、Train.py一、nets.pyimporttorchfromtorch.nnimportfunctionalasFclassCNNLayer(torch.nn.Module):def__init__(self,C_in,C_out):super(CNNLayer,self).__init__()self.layer=torch.nn.S
- 眼见不为“实”,人们更信任人工智能合成的假脸
、左耳
人工智能深度学习计算机视觉
常言道,耳听为虚,眼见为实。但是现在随着人工智能技术的发展,眼见可不一定为实。而造成这一结果的全都是因为深度伪造技术,简称深伪技术或者深度伪造。是DeepLearing(深度学习)和Fake(伪造)的混成词。一种基于人工智能的人体图像合成技术。而该技术的扩散与发展,引起了人们的担忧。2018年,英伟达利用人工智能技术合成了一些不存在的人脸照片,研究人员依靠一种被称之为生成对抗网络(Generati
- DeepLearing-GAN生成式对抗网络
RP_M
CV深度学习理论GANar网络深度学习
GAN生成对抗网络一、介绍GAN这一概念是由LanGoodfellow于2014年提出,GAN被深度学习先驱之一的YannLeCun称为“数十年来机器学习领域最有趣的想法。”原始GAN论文的链接为:https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1406.2661.pdf我们知道CNN、RNN是通过建立图像与输出之间的关系来判断结果的一
- DeepLearing学习笔记-Building your Deep Neural Network: Step by Step(第四周作业)
JasonLiu1919
deep-learning深度学习机器学习
1-背景:此前,我们已经介绍过单隐藏层的神经网络模型,本文要介绍的是多隐藏层的神经网络模型。采用非线性的如RELU激活函数符号说明:上标[l]表示层号,lth例如:a[L]是第Lth层的激活函数.W[L]和b[L]分别是Lth层的参数。上标(i)表示第ith个样本。例如:x(i)表示第ith个训练样本。下标i表示ith神经元位置。例如:a[l]i表示第lth层,第ith个神经元的激活函数。2-准备
- DeepLearing学习笔记-改善深层神经网络(第三周- 将batch-norm拟合进神经网络)
JasonLiu1919
deep-learning深度学习神经网络deep-learning
0-背景介绍如何将batch归一化引入到神经网络中1-流程如下:在计算z之后,才是之前介绍的batch归一化方法,对其进行归一化,再替代原来的z值,输入到下该层的激活函数中。其他隐藏层,操作类似。在实际中,可以直接使用框架中函数,而不必自己实现这些具体的细节。tf.batch_normalization()#进行batch归一化操作2-min-batch下的batch归一化:对于采用min-bat
- 小白零基础学习:详解梯度下降算法:完整原理+公式推导+视频讲解
追梦Hocking
深度学习机器学习
首先简单自我介绍一下,本人现在是国内某211大学2019级博士研究生,计算机科学与技术专业,研究方向和兴趣包括深度学习(CV)、图像处理、菌群仿生优化算法、元胞自动机等,愿与大家分享自己的学习心得!目前主要研究图像去雾算法和深度学习理论。如果要学习MachineLearning和DeepLearing,那么GradientDescentAlgorithm(梯度下降算法)是必须要掌握的!本篇博文是从
- 深度学习Deep Learning系列教程:01 基础知识
QilongPan
机器学习
前言:最近打算稍微系统的学习下deeplearing的一些理论知识,打算采用AndrewNg的网页教程UFLDLTutorial,据说这个教程写得浅显易懂,也不太长。不过在这这之前还是复习下machinelearning的基础知识,见教程网页。内容其实很短,每小节就那么几分钟,且讲得非常棒。教程中的一些术语:Modelrepresentation:其实就是指学习到的函数的表达形式,可以用矩阵表示。
- DeepLearing—CV系列(七)——多类多目标物体的侦测——R-CNN系列
wa1tzy
深度学习pytorchyolo
文章目录一、R-CNN二、FastR-CNN三、SPP-Net四、ASPP五、Faster-R-CNN5.1Convlayers5.2RegionProposalNetworks(RPN)5.3RoIpooling5.4Classification六、mask-R-CNN七、总结计算机视觉的任务:分类->分类+回归->目标侦测->实例分割单目标识别追踪:多目标识别追踪:R-CNN系列一、R-CNN
- DeepLearing—CV系列(十九)——图像分割之U^2-Net(效果极好)的Pytorch实现
wa1tzy
深度学习AI图像分割
文章目录一、u2net.py二、dataloader.py三、train.py四、test.py五、crop.py六、效果展示代码目录:卷积之后特征图计算公式和空洞卷积之后特征图计算公式:(1)普通卷积之后特征图计算公式:w=h=(n+2p-k)/s+1(2)进行空洞卷积后的计算公式:(3)进行池化后的特征图计算公式:(n-k)/s+1一、u2net.pyEN_1:2次卷积、5次下采样、1个空洞卷
- 安装tensonflow:在Windows10&Anaconda环境下(彻底解决ImportError : No Moduled Name "tensorflow"/_pywrap_ten等一类问题)
仙凡之谣
DeepLearing
版本:V2.0,2018-10-0918:42:52v3.0,2018.11.23这个帖子随着我的理解不断加深,会不断对以前描述不详实之处进行修改与更新写作动力:为了完成吴恩达教授的Deeplearing公开课的课后作业,需要在jupyternotebook中使用tensorflow模块。作为一个刚入坑的小白,第一次接触tf并不会配置,足足花了5天的时间才踩完所有的坑弄好,其中每个模块反反复复装了
- DeepLearing—CV系列(十)——多类多目标物体的侦测——YOLO系列之YOLOv2、YOLO9000算法详解
wa1tzy
深度学习AIyolo
文章目录前言一、YOLOv2的优化改进Better(预测更准确)1.1BatchNormalization(批归一化)1.2HighResolutionClassifier(大尺度预训练分类)1.3ConvolutionalWithAnchorBoxes(使用锚框卷积)1.4DimensionClusters(维度聚类)1.5Directlocationprediction(直接定位预测)1.6F
- DeepLearing—CV系列(十三)——YOLOv4完整核心理论详解
wa1tzy
深度学习AIyolo网络算法python计算机视觉神经网络
文章目录一、结构1.1网络结构图1.2YOLOv4的PAN结构1.3激活函数的思考1.3.1Mish激活函数1.3.2Swish激活函数二、损失2.1L1、L2、SMOPTH_L12.2IOU_LOSS的问题2.3GIOU_Loss2.4DIOU_Loss2.5CIOU_Loss2.6DIOU_nms三、训练3.1Dropblock3.2Mosaic数据增强3.3SAT自对抗训练(Self-adv
- [deeplearing-012] 深度学习的历史、解决问题、源码
未济2019
[0]参考文献http://www.cnblogs.com/skyfsm/p/8451834.htmlhttps://www.cnblogs.com/52machinelearning/p/5821591.html[1]Q:什么是深度学习?A:隐层数量多的神经网络,隐层从5~1000不等。[2]Q:深度学习的网络模型有哪些种类?A:图像处理的卷积神经网络CNN;自然语言处理的循环神经网络RNN;深
- logback 配置不同级别日志输出
summmer-
logback
logback节点配置详解请参考:http://www.cnblogs.com/DeepLearing/p/5663178.html配置不同级别日志输出模板如下:${log.pattern}${log.filePath}/debug.log${log.filePath}/debug/debug.%d{yyyy-MM-dd}.log.gz${log.maxHistory}${log.pattern}
- 硅谷最干货大会之一AI Frontiers 详解全球投资热区和5大应用趋势
机器之心V
记者|彭君韬(Tony)参与|AlexChen美国时间周五,位于硅谷的圣克拉拉会议中心,人头攒动,来自17个国家的1400多人参加了硅谷人工智能前沿大会AIFrontiers。这些人有着共同的兴趣:AI。这是AIFrontiers今年的第二场大会,为期三天。前百度首席人工智能科学家、Coursera和deeplearing.ai的创始人吴恩达,以及来自Google、Amazon、Facebook、
- .net 中 委托的解析、泛型解析、可变性解析、表达式和匿名方法基invoke的用法()
TianGaojie123abc
委托解析:http://www.cnblogs.com/DeepLearing/p/4594518.html.net泛型解析(上)http://www.cnblogs.com/DeepLearing/p/4554867.html#3211258.net可变性解析:http://www.cnblogs.com/DeepLearing/p/4592759.html.netLambda表达式和匿名方法:
- Deep learning笔记
Kylin-Xu
deeplearningdeeplearning
Deeplearning:一(基础知识_1)出处:http://www.cnblogs.com/tornadomeet欢迎转载或分享,但请务必声明文章出处。前言:最近打算稍微系统的学习下deeplearing的一些理论知识,打算采用AndrewNg的网页教程UFLDLTutorial,据说这个教程写得浅显易懂,也不太长。不过在这这之前还是复习下machinelearning的基础知识,见网页:ht
- DeepLearing—CV系列(十四)——YOLOv5理论详解+Pytorch源码解析
wa1tzy
深度学习AIyolo
文章目录一、前言——从YOLOv3到YOLOv5二、代码解析2.1运行起来项目detect.py2.2网络结构models/yolo.py2.3配置文件yolov5s.yaml2.4网络子结构models/common.py2.4.1Conv与Focus2.4.2Bottleneck与BottleneckCSP2.5训练train.py2.6打包成jit2.7打包成onnx先放官网大图YOLOv5
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =