- 深度前馈神经网络--Apple的学习笔记
applecai
深度前馈神经网络--Apple的学习笔记主要就是设计数学模型,使得误差预计与实际误差最小,然后使用梯度下降法调整参数。其中多了隐层。神经网络与机器学习的线性回归的主要区别在于基本都是处理非凸优化问题,所以会用神经网络。一般都使用交叉熵求loss,原因是处理接近饱和的梯度比较费时间。反向传播(Backpropagation,缩写为BP)是”误差反向传播”的简称。用到了链式求导法则去更新权重参数。参考
- 【AI】深度学习——前馈神经网络——全连接前馈神经网络
AmosTian
AI#机器学习#深度学习人工智能深度学习神经网络机器学习多层感知器
文章目录1.1全连接前馈神经网络1.1.1符号说明超参数参数活性值1.1.2信息传播公式通用近似定理1.1.3神经网络与机器学习结合二分类问题多分类问题1.1.4参数学习矩阵求导链式法则更为高效的参数学习反向传播算法目标计算∂z(l)∂wij(l)\frac{\partialz^{(l)}}{\partialw^{(l)}_{ij}}∂wij(l)∂z(l)计算∂z(l)∂b(l)\frac{\p
- 机器学习之对神经网络的基本原理的了解
JNU freshman
机器学习人工智能机器学习神经网络人工智能
文章目录神经网络与机器学习神经网络的结点神经网络与机器学习神经网络代替模型和用学习规则代替机器学习神经网络代替模型:神经网络是一种受到生物神经系统启发的计算模型,它由多个神经元层组成,这些神经元层之间有连接权重,可以通过训练来调整这些权重,以执行特定的任务。神经网络通过前向传播和反向传播来学习从输入到输出的映射关系,通常在监督学习任务中使用。这种方法通常涉及大量的数据和计算资源,并且在各种领域中都
- 神经网络与机器学习
Curry_Math
神经网络与深度学习机器学习神经网络人工智能
《神经网络与深度学习》第一章绪论1.1人工智能知识结构预备知识顶会论文常用的深度学习框架研究领域1.2如何开发AIS芒果机器学习1.3表示学习局部表示和分布式表示1.4深度学习(DeepLearning)1.5人脑神经网络人工神经网络神经网络发展史第一章绪论1.1人工智能人工智能的一个子领域神经网络:一种以(人工)神经元为基本单元的模型深度学习:一种机器学习问题,主要解决贡献度分配问题知识结构知识
- 《神经网络与机器学习》笔记(七)
糖醋排骨盐酥鸡
第九章无监督学习典型的无监督学习问题可以分为以下几类:无监督特征学习是从无标签的训练数据中挖掘有效的特征或表示。无监督特征学习一般用来进行降维、数据可视化或监督学习前期的数据预处理。特征学习也包含很多的监督学习算法,比如线性判别分析等。概率密度估计简称密度估计,是根据一组训练样本来估计样本空间的概率密度。密度估计可以分为参数密度估计和非参数密度估计。参数密度估计是假设数据服从某个已知概率密度函数形
- 《神经网络与机器学习》笔记(四)
糖醋排骨盐酥鸡
第六章循环神经网络循环神经网络(RecurrentNeuralNetwork,RNN)是一类具有短期记忆能力的神经网络。循环神经网络的参数学习可以通过随时间反向传播算法来学习。随时间反向传播算法即按照时间的逆序将错误信息一步步地往前传递。当输入序列比较长时,会存在梯度爆炸和消失问题,也称为长程依赖问题。为了解决这个问题,人们对循环神经网络进行了很多的改进,其中最有效的改进方式引入门控机制。循环神经
- 神经网络与机器学习,tensorflow,part5(简单卷积网络实现mnist手写数字识别__准确率达0.99
miaozasnone
#载入MNIST数据集,创建默认的InteractiveSession。fromtensorflow.examples.tutorials.mnistimportinput_dataimporttensorflowastfmnist=input_data.read_data_sets("MNIST_data/",one_hot=True)sess=tf.InteractiveSession()#定
- 《神经网络与机器学习》笔记(一)
糖醋排骨盐酥鸡
《神经网络与深度学习》笔记本书组织架构入门篇第一章绪论特征表示方法局部特征含义:也称为离散表示或符号表示,通常是用one-hot向量的形式优点:这种离散的表示方式具有很好的解释性因为向量稀疏,所以用于线性模型时计算效率非常高缺点:one-hot向量维数太高,不能扩展(因为维数是由词表大小决定的)不同向量之间的相似度为0,无法进行相似度计算分布式表示含义:也称为*分散式表示,如NLP中的词嵌入,是用
- 书单
isolate_watcher
读书笔记
书名C++PrimerPlusC++PrimerPlusC++PrimerPlusC++Primer第五版编译原理计算机组成与设计:硬件/软件接口TCP/IP详解卷1神经网络与机器学习深入理解计算机系统(原书第2版)C语言程序设计:现代方法(第2版)设计模式可复用面向对象软件的基础计算机程序的构造和解析(原书第2版)C++程序设计语言算法导论UNIX环境高级编程(第3版)UNIX网络编程卷1:套接
- 《神经网络与机器学习》笔记(五)
糖醋排骨盐酥鸡
第七章网络优化与正则化虽然神经网络具有非常强的表达能力,但是当应用神经网络模型到机器学习时依然存在一些难点问题。主要分为两大类:(1)优化问题:神经网络模型是一个非凸函数,再加上在深度网络中的梯度消失问题,很难进行优化;另外,深度神经网络模型一般参数比较多,训练数据也比较大,会导致训练的效率比较低。(2)泛化问题:因为神经网络的拟合能力强,反而容易在训练集上产生过拟合。因此在训练深度神经网络时,同
- 《神经网络与机器学习》笔记(三)
糖醋排骨盐酥鸡
第五章卷积神经网络卷积神经网络(ConvolutionalNeuralNetwork,CNN或ConvNet)是一种具有局部连接、权重共享等特性的深层前馈神经网络。卷积神经网络最早是主要用来处理图像信息。在用全连接前馈网络来处理图像时,会存在两个问题:(1)参数太多;(2)全连接前馈网络无法直接提取(可通过数据增强实现)图片的局部不变性特征。目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆
- 神经网络与机器学习,tensorflow,part2(python实现感知机)
miaozasnone
以下是python利用numpy库和matplotlib库进行感知机的实现以及可视化其中有两个输入,共七组数据importnumpyasnpimportmatplotlib.pyplotaspltimporttimep_x=np.array([[5,5],[4,5],[5,4],[4,4],[2,3],[0.25,0.25],[1,1]])y=np.array([1,1,1,1,-1,-1,-1]
- 《神经网络与机器学习》学习日记 1
杜杜整日都在撕大帝
《神经网络与机器学习》学习日记1第一章绪论1.MachineLearning(机器学习ML)1.1MLmodel2.表示学习2.1定义2.2目的2.3关键2.4两个核心问题2.5好的表示2.6特征表示的两种方式3.DeepLearning(深度学习DL)3.1定义3.2目的3.3深度3.4关键问题4.神经网络(这里指人工神经网络)定义第一章绪论(引用部分大部分是自己看书写下的笔记,敲上以方便后续理
- 神经网络与机器学习 笔记—单神经元解决XOR问题
TK13
神经网络与机器学习机器学习AI神经网络XOR问题COVER定理
单神经元解决XOR问题有两个输入的单个神经元的使用得到的决策边界是输入空间的一条直线。在这条直线的一边的所有的点,神经元输出1;而在这条直线的另一边的点,神经元输出0。在输入空间中,这条直线的位置和方向有两个输入节点相连的神经元的突触权值和它的偏置决定。由于输入模式(0,0)和(1,1)是位于单位正方形相对的两个角,输入模式(0,1)和(1,0)也一样,很明显不能做出这样一条直线作为决策边界可以使
- 神经网络与机器学习 笔记—反向传播算法(BP)
TK13
神经网络与机器学习神经网络与机器学习反向传播算法AIBP算法13
先看下面信号流图,L=2和M0=M1=M2=M3=3的情况,上面是前向通过,下面部分是反向通过。1.初始化。假设没有先验知识可用,可以以一个一致分布来随机的挑选突触权值和阈值,这个分布选择为均值等于0的均匀分布,它的方差选择应该使得神经元的诱导局部域的标准偏差位于sigmoid激活函数的线行部分与饱和部分过渡处。(1)训练样本的呈现。呈现训练样本的一个回合给网络。对训练集中以某种形式排序的每个样本
- 神经网络与机器学习 - 第0章 导言
博_采_众_长
机器学习神经网络人工智能
文章目录0.1什么是神经网络神经网络的优点0.2人类大脑0.3神经元模型激活函数的类型神经元的统计模型0.4被看作有向图的神经网络0.5反馈0.6网络结构单层前馈网络多层前馈网络递归网络0.7知识表示知识表示的规则怎样在神经网络设计中加入先验信息如何在网络设计中建立不变性一些最终评论0.8学习过程有教师学习(监督学习)无教师学习强化学习无监督学习0.9学习任务模式联想模式识别函数逼近控制波束形成0
- 西瓜书第五章神经网络笔记
LeaveElan
神经网络机器学习人工智能
神经网络根据是T.Kohonen1988年在urNetworks创刊给出的定义,神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能模拟生物神经系统对真是世界物体所作出的交互反应。一个经典问题是神经网络与机器学习的区别在于什么?具体可参考这篇博客下面我给出结论:机器学习是计算机程序基于给定的有限的数据,选定某个学习目标,建立模型学习,并通过优化算法优化参数,直到满足指标要求的整个过
- 笔记:神经网络与深度学习—绪论
zhenpigmilk
机器学习
笔记:神经网络与深度学习绪论绪论一、关于本课程1.知识结构2.推荐教材3.推荐课程二、常用的深度学习框架绪论最近开始学习机器学习,从B站找到了一篇网课:复旦大学——邱锡鹏的《神经网络与机器学习》,因此写了几篇课程笔记,以便日后学习。课程链接课本以及课程PPT下载一、关于本课程人工智能的一个子领域。神经网络:一种以(人工)神经元为基本单元的模型深度学习:一类机器学习问题,主要解决贡献度分配问题这门课
- 神经网络与机器学习 pdf 全文内容详细分享
MAIN198
算法排序算法数据结构
神经网络与机器学习https://pan.baidu.com/s/1qs9wAX-lYBwwE_bO4nhiNg?pwd=5py4神经网络是计算智能和机器学习的重要分支,在诸多领域都取得了很大的成功。在众多神经网络著作中,影响较为广泛的是SimonHaykin的《神经网络原理》(第3版更名为《神经网络与机器学习》)。在本书中,作者结合近年来神经网络和机器学习的新进展,从理论和实际应用出发,全面、系
- 神经网络学习(一)-- 框架建立
尾生爱柱子
小白之路神经网络学习python
神经网络学习(一)--框架建立文章目录神经网络学习(一)--框架建立前言一、神经网络的定义神经网络的优点:二、使用步骤1.引入库2.读入数据总结前言这里只记录一些基本概念,并保存系列文章的导航栏最近工作中开始需要神经网络,之前遇到神经网络类问题一直都采取视而不见的态度,现在躲不过去了,遂开始学习。资料来源是SimonHaykin著《神经网络与机器学习》(第三版)和《神经网络与深度学习》(邱锡鹏著)
- 神经网络与深度学习(二) pytorch入门——张量
红肚兜
本文章参考飞桨AIStudio——人工智能学习实训社区神经网络与机器学习:案例与实践教程进行学习目录一、概念:张量算子二.、使用pytorch实现张量运算1.2.1创建张量1.2.1.1指定数据创建张量1.2.1.2指定形状创建1.2.1.3指定区间创建张量1.2.2张量的属性1.2.2.1张量的形状1.2.2.2形状的改变1.2.2.3张量的数据类型1.2.2.4张量的设备位置1.2.3张量与N
- 正则化最小二乘法——神经网络与机器学习笔记2
Reader2号
machinelearning正则化最小二乘法最小二乘法机器学习线性规划
参考AndrewNg公开课的推导一些公式trA=∑ni=1AiitrAB=trBAtrABC=trCBA=trBCAtrA=trATifa∈R,tra=a∇AtrAB=BT∇AtrABATC=CAB+CTABT∇θJ=⎡⎣⎢⎢⎢⎢⎢⎢⎢∂J∂θ0∂J∂θ1⋮∂J∂θn⎤⎦⎥⎥⎥⎥⎥⎥⎥∇Af(A)=⎡⎣⎢⎢⎢⎢∂f∂A11⋮∂A∂An1⋯⋱⋯∂A∂A1n⋮∂A∂Ann⎤⎦⎥⎥⎥⎥正则化最小二乘法推
- 神经网络与机器学习中双半月环数据集python实现
蜗牛的笨笨
人工智能与机器学习pythonnumpy机器学习神经网络人工智能
文章目录两个半月环的数据集为什么要写这个?数据集的构成两个半月环的数据集为什么要写这个?还能问什么啊???肯定是老师要求的啊啊啊啊啊啊。但是从本质上来说,还是学习,学习都是自己的,应该是自发的、自主的,通过自己一步一步的做了,去学习了才能真正收获到东西,学习目的.学习的目的是掌握知识,为自己的将来打好基础,作好铺垫。.学习仅仅是一个提高自己过程。.正如人们常说的"学以致用",学习就是为了将来的发展
- Michael Nielsen的神经网络与深度学习入门教程
笑横野
神经网络程序人生
MichaelNielsen的神经网络与深度学习入门教程作者:MichaelNielsen这是我个人以为目前最好的神经网络与机器学习入门资料。作者以MNIST为例详细介绍了神经网络中的基本概念,比如梯度下降优化方法,反向传播算法(backpropagationalgorithm),以及各种神经网络训练过程中的小技巧,比如初始权重的选择方法,梯度下降方法的进一步改进,选取不同的代价函数,如何防止过拟
- 神经网络与机器学习 笔记—Rosenblatt感知机
TK13
神经网络与机器学习
Rosenblatt感知机器感知器在神经网络发展的历史上占据着特殊位置:它是第一个从算法上完整描述的神经网络。它的发明者Rosenblatt是一位心里学家,在20世纪60年代和70年代,感知器的启发,工程师、物理学家以及数学家们纷纷投身于神经网络各个不同方面的研究。值得一提的是,尽管在58年Rosenblatt关于感知器的论文就发表了,感知器在今天依然是有效的。Rosenblatt感知器建立在一个
- 记一下机器学习笔记 支持向量机
Sibada_scut
这里是《神经网络与机器学习》以及一些《统计学习方法》的笔记。(主要是《神机》坑爹没给SMO或者其他求解算法)大概知道为啥《神机》这本讲神经网络的书会把SVM放进去了,从结构上看,SVM跟感知机,使用了核方法的SVM跟单隐藏层的神经网络确实非常相似,而当年Vapnic正式提出SVM的论文题目就叫“支持向量网络”。(虽然主要是因为当时神经网络正火而被要求整这名的)支持向量机(SupportVector
- 记一下机器学习笔记 多层感知机的反向传播算法
Sibada_scut
《神经网络与机器学习》第4章前半段笔记以及其他地方看到的东西的混杂…第2、3章的内容比较古老预算先跳过。不得不说幸亏反向传播的部分是《神机》里边人话比较多的部分,看的时候没有消化不良。多层感知机书里前三章的模型的局限都很明显,对于非线性可分问题苦手,甚至简单的异或都弄不了。于是多层感知机(也就是传说中的神经网络)就被发明了出来对付这个问题。多层感知机就是由一系列的感知机,或者说神经元组成,每个神经
- 记一下机器学习笔记 Rosenblatt感知机
Sibada_scut
一入ML深似海啊…这里主要是《神经网络与机器学习》(NeuralNetworksandLearningMachines,以下简称《神机》)的笔记,以及一些周志华的《机器学习》的内容,可能夹杂有自己的吐槽,以及自己用R语言随便撸的实现。话说这个《神经网络与机器学习》还真是奇书,不知是作者风格还是翻译问题,一眼望去看不到几句人话(也许是水利狗看不懂),感觉我就是纯买来自虐的。作为开始当然是最古老的机器
- 记一下机器学习笔记 最小均方(LMS)算法
Sibada_scut
这里是《神经网络与机器学习》第三章的笔记…最小均方算法,即Least-Mean-Square,LMS。其提出受到感知机的启发,用的跟感知机一样的线性组合器。在意义上一方面LMS曾被用在了滤波器上,另一方面对于LMS的各种最优化方式为反向传播算法提供了思想基础。于是这章书主要是简单介绍LMS算法的原理,并介绍几个简单的最优化方法,然后用物理热力学原理描述LMS算法的学习过程(这个部分太过高深只好跳过
- 神经网络与机器学习 第一讲(1)——为什么需要机器学习
weixin_30642869
一、什么是机器学习?1.有些问题很难用写程序去解决,比如对象识别:1)我们不知道人脑是怎么识别对象的,也就没法写程序2)即使我们有很好的想法,还是发现很难写2.很难计算一个信用卡交易行为是不是异常的:1)找不到简单的规则,可能需要结合巨大数量的规则2)作弊的手段是随时间变化的,我们的程序需要不断更新二、机器学习方法1.收集输入输出对2.机器学习算法能够利用这些输入输出对,完成任务1)需要很多样例2
- Hadoop(一)
朱辉辉33
hadooplinux
今天在诺基亚第一天开始培训大数据,因为之前没接触过Linux,所以这次一起学了,任务量还是蛮大的。
首先下载安装了Xshell软件,然后公司给了账号密码连接上了河南郑州那边的服务器,接下来开始按照给的资料学习,全英文的,头也不讲解,说锻炼我们的学习能力,然后就开始跌跌撞撞的自学。这里写部分已经运行成功的代码吧.
在hdfs下,运行hadoop fs -mkdir /u
- maven An error occurred while filtering resources
blackproof
maven报错
转:http://stackoverflow.com/questions/18145774/eclipse-an-error-occurred-while-filtering-resources
maven报错:
maven An error occurred while filtering resources
Maven -> Update Proje
- jdk常用故障排查命令
daysinsun
jvm
linux下常见定位命令:
1、jps 输出Java进程
-q 只输出进程ID的名称,省略主类的名称;
-m 输出进程启动时传递给main函数的参数;
&nb
- java 位移运算与乘法运算
周凡杨
java位移运算乘法
对于 JAVA 编程中,适当的采用位移运算,会减少代码的运行时间,提高项目的运行效率。这个可以从一道面试题说起:
问题:
用最有效率的方法算出2 乘以8 等於几?”
答案:2 << 3
由此就引发了我的思考,为什么位移运算会比乘法运算更快呢?其实简单的想想,计算机的内存是用由 0 和 1 组成的二
- java中的枚举(enmu)
g21121
java
从jdk1.5开始,java增加了enum(枚举)这个类型,但是大家在平时运用中还是比较少用到枚举的,而且很多人和我一样对枚举一知半解,下面就跟大家一起学习下enmu枚举。先看一个最简单的枚举类型,一个返回类型的枚举:
public enum ResultType {
/**
* 成功
*/
SUCCESS,
/**
* 失败
*/
FAIL,
- MQ初级学习
510888780
activemq
1.下载ActiveMQ
去官方网站下载:http://activemq.apache.org/
2.运行ActiveMQ
解压缩apache-activemq-5.9.0-bin.zip到C盘,然后双击apache-activemq-5.9.0-\bin\activemq-admin.bat运行ActiveMQ程序。
启动ActiveMQ以后,登陆:http://localhos
- Spring_Transactional_Propagation
布衣凌宇
springtransactional
//事务传播属性
@Transactional(propagation=Propagation.REQUIRED)//如果有事务,那么加入事务,没有的话新创建一个
@Transactional(propagation=Propagation.NOT_SUPPORTED)//这个方法不开启事务
@Transactional(propagation=Propagation.REQUIREDS_N
- 我的spring学习笔记12-idref与ref的区别
aijuans
spring
idref用来将容器内其他bean的id传给<constructor-arg>/<property>元素,同时提供错误验证功能。例如:
<bean id ="theTargetBean" class="..." />
<bean id ="theClientBean" class=&quo
- Jqplot之折线图
antlove
jsjqueryWebtimeseriesjqplot
timeseriesChart.html
<script type="text/javascript" src="jslib/jquery.min.js"></script>
<script type="text/javascript" src="jslib/excanvas.min.js&
- JDBC中事务处理应用
百合不是茶
javaJDBC编程事务控制语句
解释事务的概念; 事务控制是sql语句中的核心之一;事务控制的作用就是保证数据的正常执行与异常之后可以恢复
事务常用命令:
Commit提交
- [转]ConcurrentHashMap Collections.synchronizedMap和Hashtable讨论
bijian1013
java多线程线程安全HashMap
在Java类库中出现的第一个关联的集合类是Hashtable,它是JDK1.0的一部分。 Hashtable提供了一种易于使用的、线程安全的、关联的map功能,这当然也是方便的。然而,线程安全性是凭代价换来的――Hashtable的所有方法都是同步的。此时,无竞争的同步会导致可观的性能代价。Hashtable的后继者HashMap是作为JDK1.2中的集合框架的一部分出现的,它通过提供一个不同步的
- ng-if与ng-show、ng-hide指令的区别和注意事项
bijian1013
JavaScriptAngularJS
angularJS中的ng-show、ng-hide、ng-if指令都可以用来控制dom元素的显示或隐藏。ng-show和ng-hide根据所给表达式的值来显示或隐藏HTML元素。当赋值给ng-show指令的值为false时元素会被隐藏,值为true时元素会显示。ng-hide功能类似,使用方式相反。元素的显示或
- 【持久化框架MyBatis3七】MyBatis3定义typeHandler
bit1129
TypeHandler
什么是typeHandler?
typeHandler用于将某个类型的数据映射到表的某一列上,以完成MyBatis列跟某个属性的映射
内置typeHandler
MyBatis内置了很多typeHandler,这写typeHandler通过org.apache.ibatis.type.TypeHandlerRegistry进行注册,比如对于日期型数据的typeHandler,
- 上传下载文件rz,sz命令
bitcarter
linux命令rz
刚开始使用rz上传和sz下载命令:
因为我们是通过secureCRT终端工具进行使用的所以会有上传下载这样的需求:
我遇到的问题:
sz下载A文件10M左右,没有问题
但是将这个文件A再传到另一天服务器上时就出现传不上去,甚至出现乱码,死掉现象,具体问题
解决方法:
上传命令改为;rz -ybe
下载命令改为:sz -be filename
如果还是有问题:
那就是文
- 通过ngx-lua来统计nginx上的虚拟主机性能数据
ronin47
ngx-lua 统计 解禁ip
介绍
以前我们为nginx做统计,都是通过对日志的分析来完成.比较麻烦,现在基于ngx_lua插件,开发了实时统计站点状态的脚本,解放生产力.项目主页: https://github.com/skyeydemon/ngx-lua-stats 功能
支持分不同虚拟主机统计, 同一个虚拟主机下可以分不同的location统计.
可以统计与query-times request-time
- java-68-把数组排成最小的数。一个正整数数组,将它们连接起来排成一个数,输出能排出的所有数字中最小的。例如输入数组{32, 321},则输出32132
bylijinnan
java
import java.util.Arrays;
import java.util.Comparator;
public class MinNumFromIntArray {
/**
* Q68输入一个正整数数组,将它们连接起来排成一个数,输出能排出的所有数字中最小的一个。
* 例如输入数组{32, 321},则输出这两个能排成的最小数字32132。请给出解决问题
- Oracle基本操作
ccii
Oracle SQL总结Oracle SQL语法Oracle基本操作Oracle SQL
一、表操作
1. 常用数据类型
NUMBER(p,s):可变长度的数字。p表示整数加小数的最大位数,s为最大小数位数。支持最大精度为38位
NVARCHAR2(size):变长字符串,最大长度为4000字节(以字符数为单位)
VARCHAR2(size):变长字符串,最大长度为4000字节(以字节数为单位)
CHAR(size):定长字符串,最大长度为2000字节,最小为1字节,默认
- [强人工智能]实现强人工智能的路线图
comsci
人工智能
1:创建一个用于记录拓扑网络连接的矩阵数据表
2:自动构造或者人工复制一个包含10万个连接(1000*1000)的流程图
3:将这个流程图导入到矩阵数据表中
4:在矩阵的每个有意义的节点中嵌入一段简单的
- 给Tomcat,Apache配置gzip压缩(HTTP压缩)功能
cwqcwqmax9
apache
背景:
HTTP 压缩可以大大提高浏览网站的速度,它的原理是,在客户端请求网页后,从服务器端将网页文件压缩,再下载到客户端,由客户端的浏览器负责解压缩并浏览。相对于普通的浏览过程HTML ,CSS,Javascript , Text ,它可以节省40%左右的流量。更为重要的是,它可以对动态生成的,包括CGI、PHP , JSP , ASP , Servlet,SHTML等输出的网页也能进行压缩,
- SpringMVC and Struts2
dashuaifu
struts2springMVC
SpringMVC VS Struts2
1:
spring3开发效率高于struts
2:
spring3 mvc可以认为已经100%零配置
3:
struts2是类级别的拦截, 一个类对应一个request上下文,
springmvc是方法级别的拦截,一个方法对应一个request上下文,而方法同时又跟一个url对应
所以说从架构本身上 spring3 mvc就容易实现r
- windows常用命令行命令
dcj3sjt126com
windowscmdcommand
在windows系统中,点击开始-运行,可以直接输入命令行,快速打开一些原本需要多次点击图标才能打开的界面,如常用的输入cmd打开dos命令行,输入taskmgr打开任务管理器。此处列出了网上搜集到的一些常用命令。winver 检查windows版本 wmimgmt.msc 打开windows管理体系结构(wmi) wupdmgr windows更新程序 wscrip
- 再看知名应用背后的第三方开源项目
dcj3sjt126com
ios
知名应用程序的设计和技术一直都是开发者需要学习的,同样这些应用所使用的开源框架也是不可忽视的一部分。此前《
iOS第三方开源库的吐槽和备忘》中作者ibireme列举了国内多款知名应用所使用的开源框架,并对其中一些框架进行了分析,同样国外开发者
@iOSCowboy也在博客中给我们列出了国外多款知名应用使用的开源框架。另外txx's blog中详细介绍了
Facebook Paper使用的第三
- Objective-c单例模式的正确写法
jsntghf
单例iosiPhone
一般情况下,可能我们写的单例模式是这样的:
#import <Foundation/Foundation.h>
@interface Downloader : NSObject
+ (instancetype)sharedDownloader;
@end
#import "Downloader.h"
@implementation
- jquery easyui datagrid 加载成功,选中某一行
hae
jqueryeasyuidatagrid数据加载
1.首先你需要设置datagrid的onLoadSuccess
$(
'#dg'
).datagrid({onLoadSuccess :
function
(data){
$(
'#dg'
).datagrid(
'selectRow'
,3);
}});
2.onL
- jQuery用户数字打分评价效果
ini
JavaScripthtmljqueryWebcss
效果体验:http://hovertree.com/texiao/jquery/5.htmHTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>jQuery用户数字打分评分代码 - HoverTree</
- mybatis的paramType
kerryg
DAOsql
MyBatis传多个参数:
1、采用#{0},#{1}获得参数:
Dao层函数方法:
public User selectUser(String name,String area);
对应的Mapper.xml
<select id="selectUser" result
- centos 7安装mysql5.5
MrLee23
centos
首先centos7 已经不支持mysql,因为收费了你懂得,所以内部集成了mariadb,而安装mysql的话会和mariadb的文件冲突,所以需要先卸载掉mariadb,以下为卸载mariadb,安装mysql的步骤。
#列出所有被安装的rpm package rpm -qa | grep mariadb
#卸载
rpm -e mariadb-libs-5.
- 利用thrift来实现消息群发
qifeifei
thrift
Thrift项目一般用来做内部项目接偶用的,还有能跨不同语言的功能,非常方便,一般前端系统和后台server线上都是3个节点,然后前端通过获取client来访问后台server,那么如果是多太server,就是有一个负载均衡的方法,然后最后访问其中一个节点。那么换个思路,能不能发送给所有节点的server呢,如果能就
- 实现一个sizeof获取Java对象大小
teasp
javaHotSpot内存对象大小sizeof
由于Java的设计者不想让程序员管理和了解内存的使用,我们想要知道一个对象在内存中的大小变得比较困难了。本文提供了可以获取对象的大小的方法,但是由于各个虚拟机在内存使用上可能存在不同,因此该方法不能在各虚拟机上都适用,而是仅在hotspot 32位虚拟机上,或者其它内存管理方式与hotspot 32位虚拟机相同的虚拟机上 适用。
- SVN错误及处理
xiangqian0505
SVN提交文件时服务器强行关闭
在SVN服务控制台打开资源库“SVN无法读取current” ---摘自网络 写道 SVN无法读取current修复方法 Can't read file : End of file found
文件:repository/db/txn_current、repository/db/current
其中current记录当前最新版本号,txn_current记录版本库中版本