bea_tree
bea_tree

UFLDL 06 PCA 主成分分析法

引言

Principal Components Analysis，是一种无监督学习方法，主要是用来将特征的主要分成找出，并去掉基本无关的成分，从而达到降维的目的。PCA的用处很多，此处不做详述。

基本原理

  • 什么是主成分
    实际情况下，很多特征都是有重复的内容的，他们彼此包含一部分信息，但是我们可以利用他们的组合得到一个包含更多信息的新特征，其中可以得到的包含最多信息的新特征就是这些特征中最重要的特征。假设原来的特征是X，变化之后的特征是F，则：
    UFLDL 06 PCA 主成分分析法_第1张图片
  • 新特征的特性
    如上所述，新的特征是各个老特征的线性组合，他们想尽可能的包含尽量多的信息，同时又注意到有很多新的特征，其数量与老特征的数量相同。如果每一个老特征都包含最大的信息量的话，那么所有的新特征都是相同的，为了避免相同，这里采取了正交的方法，即各个新特征相互正交，以此来避免包含相同的信息。这也就是说F2是在F1所包含的信息外的能包含最大的信息量的新特征。
  • 信息量的计量
    首先要明白信息量的作用，信息量越大，越能区分所有的样本。如何来计量主成分的信息量呢？试想如果有10000个样本的某个特征都集中在一个值附近，那么这个特征能很好的区分所有的样本么？很明显不可以。也就是说如果某个特征的取值范围很广，那么他的信息量越大，所以这里用了方差的性质来计量信息量的大小。
    综上，
    1. 主成分间相互独立
    2. 越重要的主成分，方差越大
  • 数学模型
    现在的问题就只剩下，如何用数学模型来表征这些特征了
    首先，相互独立的重要特征就是不同主成分间协方差为0，也就是协方差矩阵为对角阵
    其次，上面所说的对角阵的特征值就是主成分的方差
    所以得到以下方程：
    UFLDL 06 PCA 主成分分析法_第2张图片
    将X归一化可得
    协方差矩阵与矩阵乘积的关系：
    http://blog.codinglabs.org/articles/pca-tutorial.html

这里写图片描述
UFLDL 06 PCA 主成分分析法_第3张图片
整理方程得到A的系数矩阵
UFLDL 06 PCA 主成分分析法_第4张图片
也就是说 λ 是R的特征值，A是其特征向量，都可以求出。由于 λ 也是主成分的方差，所以越大的 λ 值对应的主成分也就越重要。
http://wenku.baidu.com/link?url=TmMJrYEt4kTV1iKEs_b95QlfJ7Iog7gc1T-TTitDzi1pL_TKZU_p_7A05ct2bPlIbYtpCB0Qclxri7sZpm7t5HhW51K5oHL-CGnC6M_zpVq
基本原理都是根据上面链接的文章写的，感觉这里写的不明白的可以看看

实例解释

下面对应，ufldl上的实例做些基本的解释
1. ufldl中的 μ1 便是上面的 a1 ，都是对应 λ 最大的对应的经过预处理的X的特征向量
2. 新的特征中的值可以看做是由原特征为基的坐标对应的值转化为以F为基的新坐标中的值，及变化时需要左乘 AT

降维

经过上面的变化，已经将原来的特征转化为了新的特征，并且知道了新的特征的重要性，经过变化之后可能得到，部分新的特征的相对重要性非常小（得到的对应 λ 相对非常小），这就说明，这些新特征并不是很重要，所以可以将这些特征去掉
屡一下;
1. 计算原特征值的相关系数矩阵
2. 计算此相关系数矩阵的特征值和特征向量
3. 选择包含一定信息量的特征值对应的特征向量，再加上0向量，得到新的K
4. KTX 得到新的特征的数值
5. AKTX 得到还原之后在原特征下的值

图像应用

在处理普通的直接拍摄的图片时不需要进行方差的归一化，使用整个图片的均值进行零均值化操作即可
在处理别的图片的时候需要进行其他处理

你可能感兴趣的:(UFLDL)

  • 转的网络资料 hemmingway
    DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,
  • 神经网络常用的训练方式,神经网络是怎么训练的 小六oO 智能写作神经网络机器学习深度学习
    深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。后来看了LiFeiFei的Sta
  • 反向传播是怎么回事？详细教程2019-05-22 loveevol
    反向传播的详细推导一文弄懂神经网络中的反向传播法——BackPropagation最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充，但是补充的又是错的，难怪觉得有问题。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，
  • UFLDL新版教程与编程练习（六）：Multi-Layer Neural Network（多层神经网络） 赖子啊
    UFLDL是吴恩达团队编写的较早的一门深度学习入门，里面理论加上练习的节奏非常好，每次都想快点看完理论去动手编写练习，因为他帮你打好了整个代码框架，也有详细的注释，所以我们只要实现一点核心的代码编写工作就行了，上手快！我这里找不到新版对应这块的中文翻译了，-_-，趁早写一下，否则又没感觉了！第六节是：Multi-LayerNeuralNetwork（多层神经网络）多层神经网络，其实讲的就是全连接层
  • git使用指令集 lxlchick
    gitcommit-m'第一次修改'[email protected]:lxl-2404/UFLDL_Python.gitgitRemoteRepository或者gitclonehttps://github.com/lxl-2404/UFLDL_Python.gitgitRemoteRepository最后的‘gitRemoteRepository’是给本地分支起的名字，新建的仓库文件
  • 数据预处理之数据归一化 sunny冰青 机器学习算法Matlab算法机器学习数据预处理
    转载来自ufldl.stanford.edu/wiki/index.php/数据预处理一、简单缩放分为：最大值缩放和均值缩放在简单缩放中，我们的目的是通过对数据的每一个维度的值进行重新调节（这些维度可能是相互独立的），使得最终的数据向量落在[0,1]或[−1,1]的区间内（根据数据情况而定）。例子:在处理自然图像时，我们获得的像素值在[0,255]区间中，常用的处理是将这些像素值除以255，使它们
  • 机器学习 _铁憨憨
    DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,
  • softmax 有花落蝶
    https://www.zhihu.com/question/41252833http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92屏幕快照2018-04-08下午11.26.14.png其中p为真实分布，q非真实分布。（q越接近p交叉熵的值越低）在softmax分类算法中，使用交叉熵来进行样本预测（交叉熵越低，样本预测
  • 本人常用资源整理(ing...) weixin_34085658
    DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,
  • 深度学习 Deep Learning UFLDL 最新Tutorial 学习笔记 5：Softmax Regression songrotek DeepLearningdeeplearningmachinelearningmatlab深度学习gradient
    SoftmaxRegressionTutorial地址：http://ufldl.stanford.edu/tutorial/supervised/SoftmaxRegression/从本节开始，难度开始加大了，我将更详细地解释一下这个Tutorial。1SoftmaxRegression介绍前面我们已经知道了LogisticRegression，简单的说就判断一个样本属于1或者0，在应用中比如手
  • 深度学习 Deep Learning UFLDL 最新Tutorial 学习笔记 3：Vectorization songrotek DeepLearningmachinelearning深度学习UFLDLdeeplearning
    1Vectorization简述Vectorization翻译过来就是向量化，各简单的理解就是实现矩阵计算。为什么MATLAB叫MATLAB？大概就是MatrixLab，最根本的区别于其他通用语言的地方就是MATLAB可以用最直观的方式实现矩阵运算，MATLAB的变量都可以是矩阵。通过Vectorization，我们可以将代码变得极其简洁，虽然简洁带来的问题就是其他人看你代码就需要研究一番了。但任
  • 深度学习 Deep Learning UFLDL 最新 Tutorial 学习笔记 1：Linear Regression aofan9566
    1前言AndrewNg的UFLDL在2014年9月底更新了。对于開始研究DeepLearning的童鞋们来说这真的是极大的好消息!新的Tutorial相比旧的Tutorial添加了ConvolutionalNeuralNetwork的内容。了解的童鞋都知道CNN在ComputerVision的重大影响。而且从新编排了内容及exercises。新的UFLDL网址为：http://ufldl.stan
  • 机器学习--神经网络算法系列--BackPropagation算法 日有所进 机器学习机器学习算法神经网络
    一文弄懂神经网络中的反向传播法——BackPropagation最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充，但是补充的又是错的，难怪觉得有问题。反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式
  • 神经网络训练的一般步骤,神经网络的训练与测试 aifans_bert 神经网络神经网络深度学习机器学习dnn
    深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。后来看了LiFeiFei的Sta
  • UFLDL教程（四）之Softmax回归 weixin_30509393 数据结构与算法人工智能
    关于AndrewNg的machinelearning课程中，有一章专门讲解逻辑回归（Logistic回归），具体课程笔记见另一篇文章。下面，对Logistic回归做一个简单的小结：给定一个待分类样本x，利用Logistic回归模型判断该输入样本的类别，需要做的就是如下两步：①计算逻辑回归假设函数的取值hθ(x)，其中n是样本的特征维度②如果hθ(x)>=0.5，则x输入正类，否则，x属于负类或者直
  • 深度神经网络的训练过程,深度神经网络训练方法 普通网友 神经网络
    深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。后来看了LiFeiFei的Sta
  • 训练神经网络的详细步骤,神经网络训练过程图解 普通网友 神经网络深度学习机器学习
    深度神经网络是如何训练的？Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。后来看了LiFeiFei的Sta
  • BP神经网络的实现详解 CaiziLee MachineLearning神经网络
    本文主要详解BP神经网络编程实现，旨在一步一步解析BP神经网络细节，希望能形象明了的阐述BP神经网络，实现原理源自于斯坦福UFLDL教程，原理公式推导不再赘述，但会有些说明，本文程序由C++11实现，矩阵计算基于Eigen3(不熟悉的可以去网上搜索Eigen的使用方法，本文不做叙述)，那么我们开始吧！为了给算法列一个提纲，首先截一个UFLDL教程上关于BP算法的步骤，做个引导：下面是神经网络一次批
  • 机器学习 网站大全--陆续更新中 lizz2276 机器学习人工智能
    1、neuralnetworksanddeeplearning.com2、deeplearningbook.org3、ufldl.Stanford.edu/tutorial/4、Coursera.org/learn/machine-learning/resources/NrY2G5、MachineLearningCrashCourse|GoogleDevelopers6、AnalyticsVidh
  • 深度学习参考资料 xiaogss 深度学习深度学习
    DeepLearning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,r
  • 深度学习资料链接整理 mydear_11000
    DeepLearning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,r
  • lenet5卷积神经网络过程_卷积神经网络（一）：LeNet5的基本结构 有木桑 lenet5卷积神经网络过程
    在机器视觉，图像处理领域，卷积神经网络取得了巨大的成功。本文将参考UFLDL和DEEPLEARNING.NET的教程，结合自己的理解，梳理一下卷积神经网络的构成以及其BP算法的求解。虽然利用theano可以方便的实现LeNet5，但是不利于学习和理解卷积神经网络，所以最后会自己动手用Python实现一个简单的LeNet5，并尝试利用python的PyCUDA库进行加速。首先看LeNet5的结构，如
  • 【深度学习——ANN】一文读懂BP神经网络 Lily_9 深度学习BP神经网络
    转自一位懂生活的女神的博客园的文章。http://www.cnblogs.com/charlotte77/p/5629865.html最近在看深度学习的东西，一开始看的吴恩达的UFLDL教程，有中文版就直接看了，后来发现有些地方总是不是很明确，又去看英文版，然后又找了些资料看，才发现，中文版的译者在翻译的时候会对省略的公式推导过程进行补充，但是补充的又是错的，难怪觉得有问题。反向传播法其实是神经网
  • CV&DL&ML等资源整理 magic_andy DeepLearningPatternRecognitionMachineLearning资料整理
    原文地址：http://www.cnblogs.com/tornadomeetDeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。de
  • Machine Learning 网络资源 jianwushuang 其他
    转自：http://www.cnblogs.com/tornadomeet/archive/2012/05/24/2515980.html本人常用资源整理(ing...)DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplea
  • 深度学习资料链接整理（囊括ML，DL，CV团队，网站，优秀博客，实验室等大堆资料集） ciky奇 深度学习/机器学习计算机视觉DLMLCV
    下面内容是转自：https://blog.csdn.net/mydear_11000/article/details/50864405要些牛逼的话，估计这些得看完了就成仙了！DeepLearning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeple
  • 深度学习资料整理（压缩感知） 曼陀罗彼岸花 深度学习
    近这两年里deeplearning技术在图像识别和跟踪等方面有很大的突破，是一大研究热点，里面涉及的数学理论和应用技术很值得深入研究，这系列博客总结了深度学习的博客，原理等资料，供大家学习讨论。一、深度学习资料整理（博客类）二、深度学习资料整理（文章类）三、深度学习资料整理（软件资源）四、深度学习原理（关键技术总结，斯坦福大学UFLDL教程）五、深度学习资料整理（深度神经网络理解）六、深度学习资料
  • 机器学习、深度学习、数据挖掘各种资源整理 GarfieldEr007 机器学习机器学习深度学习数据挖掘资源整理
    DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deeplearning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有software,
  • AI-图书馆（一） ailib 知识整理库深度学习计算机视觉自然语言处理人工智能-神经网络算法
    本文章有转载自其它博文，也有自己发现的新库添加进来的，如果发现有新的库，可以推荐我加进来转自：http://blog.csdn.net/sherry_gp/article/details/51436627DeepLearning（深度学习）：ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：
  • cnn输出每一类的概率matlab,[Deep Learning]两层CNN的MATLAB实现 楚予微茫
    想自己动手写一个CNN很久了，论文和代码之间的差距有一个银河系那么大。在实现两层的CNN之前，首先实现了UFLDL中与CNN有关的作业。然后参考它的代码搭建了一个一层的CNN。最后实现了一个两层的CNN，码代码花了一天，调试花了5天，我也是醉了。这里记录一下通过代码对CNN加深的理解。首先，dataset是MNIST。这里层的概念是指convolution+pooling，有些地方会把convol
  • Java 并发包之线程池和原子计数 lijingyao8206 Java计数ThreadPool并发包java线程池
    对于大数据量关联的业务处理逻辑，比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式，并且可以提高线程利用率，并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。     这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
  • java编程思想 抽象类和接口 百合不是茶 java抽象类接口
    接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持   1 ,抽象类 :  如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)   抽象方法 : 在方法中仅有声明而没有方法体    package com.wj.Interface;
  • [房地产与大数据]房地产数据挖掘系统 comsci 数据挖掘
           随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...        所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产     &nb
  • 数组队列总结 沐刃青蛟 数组队列
          数组队列是一种大小可以改变，类型没有定死的类似数组的工具。不过与数组相比，它更具有灵活性。因为它不但不用担心越界问题，而且因为泛型（类似c++中模板的东西）的存在而支持各种类型。      以下是数组队列的功能实现代码：   import List.Student; public class
  • Oracle存储过程无法编译的解决方法 IT独行者 oracle存储过程　
    今天同事修改Oracle存储过程又导致2个过程无法被编译，流程规范上的东西，Dave 这里不多说，看看怎么解决问题。   1.     查看无效对象 XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
  • 重装系统之后oracle恢复 文强chu oracle
    前几天正在使用电脑，没有暂停oracle的各种服务。 突然win8.1系统奔溃，无法修复，开机时系统 提示正在搜集错误信息，然后再开机，再提示的无限循环中。 无耐我拿出系统u盘 准备重装系统，没想到竟然无法从u盘引导成功。 晚上到外面早了一家修电脑店，让人家给装了个系统，并且那哥们在我没反应过来的时候， 直接把我的c盘给格式化了 并且清理了注册表，再装系统。 然后的结果就是我的oracl
  • python学习二（ 一些基础语法） 小桔子 pthon基础语法
    紧接着把！昨天没看继续看django 官方教程，学了下python的基本语法 与c类语言还是有些小差别： 1.ptyhon的源文件以UTF-8编码格式 2. /   除 结果浮点型 //  除 结果整形 %   除 取余数 *   乘 **  乘方 eg 5**2 结果是5的2次方25 _&
  • svn 常用命令 aichenglong SVN版本回退
    1 svn回退版本   1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version 两者的区别:   revert this version:表示回退到当前版本(该版本后的版本全部作废)   revert chanages from this versio
  • 某小公司面试归来 alafqq 面试
    先填单子，还要写笔试题，我以时间为急，拒绝了它。。时间宝贵。 老拿这些对付毕业生的东东来吓唬我。。 面试官很刁难，问了几个问题，记录下； 1，包的范围。。。public,private,protect. --悲剧了 2，hashcode方法和equals方法的区别。谁覆盖谁.结果，他说我说反了。 3，最恶心的一道题，抽象类继承抽象类吗？（察，一般它都是被继承的啊） 4，stru
  • 动态数组的存储速度比较 集合框架 百合不是茶 集合框架
    集合框架： 自定义数据结构(增删改查等) package 数组; /** * 创建动态数组 * @author 百合 * */ public class ArrayDemo{ //定义一个数组来存放数据 String[] src = new String[0]; /** * 增加元素加入容器 * @param s要加入容器
  • 用JS实现一个JS对象，对象里有两个属性一个方法 bijian1013 js对象
    <html> <head> </head> <body> 用js代码实现一个js对象，对象里有两个属性，一个方法 </body> <script> var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
  • 探索JUnit4扩展：使用Rule bijian1013 java单元测试JUnitRule
            在上一篇文章中，讨论了使用Runner扩展JUnit4的方式，即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。 1. Rule       &n
  • [Gson一]非泛型POJO对象的反序列化 bit1129 POJO
    当要将JSON数据串反序列化自身为非泛型的POJO时，使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种： 1. POJO对象不包含任何泛型的字段 2. POJO对象包含泛型字段，例如泛型集合或者泛型类 Data类 a.不是泛型类， b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO    
  • 【Kakfa五】Kafka Producer和Consumer基本使用 bit1129 kafka
    0.Kafka服务器的配置 一个Broker， 一个Topic Topic中只有一个Partition（）   1. Producer： package kafka.examples.producers; import kafka.producer.KeyedMessage; import kafka.javaapi.producer.Producer; impor
  • lsyncd实时同步搭建指南——取代rsync+inotify ronin47
    1. 几大实时同步工具比较 1.1 inotify + rsync 最近一直在寻求生产服务服务器上的同步替代方案，原先使用的是 inotify + rsync，但随着文件数量的增大到100W+，目录下的文件列表就达20M，在网络状况不佳或者限速的情况下，变更的文件可能10来个才几M，却因此要发送的文件列表就达20M，严重减低的带宽的使用效率以及同步效率；更为要紧的是，加入inotify
  • java-9. 判断整数序列是不是二元查找树的后序遍历结果 bylijinnan java
    public class IsBinTreePostTraverse{ static boolean isBSTPostOrder(int[] a){ if(a==null){ return false; } /*1.只有一个结点时，肯定是查找树 *2.只有两个结点时，肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
  • MySQL的sum函数返回的类型 bylijinnan javaspringsqlmysqljdbc
    今天项目切换数据库时，出错 访问数据库的代码大概是这样： String sql = "select sum(number) as sumNumberOfOneDay from tableName"; List<Map> rows = getJdbcTemplate().queryForList(sql); for (Map row : rows
  • java设计模式之单例模式 chicony java设计模式
    在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的： 　　作为对象的创建模式，单例模式确保某一个类只有一个实例，而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构 　　单例模式的特点： 单例类只能有一个实例。 单例类必须自己创建自己的唯一实例。 单例类必须给所有其他对象提供这一实例。 　　饿汉式单例类   publ
  • javascript取当月最后一天 ctrain JavaScript
    <!--javascript取当月最后一天--> <script language=javascript> var current = new Date(); var year = current.getYear(); var month = current.getMonth(); showMonthLastDay(year, mont
  • linux tune2fs命令详解 daizj linuxtune2fs查看系统文件块信息
    一.简介： tune2fs是调整和查看ext2/ext3文件系统的文件系统参数，Windows下面如果出现意外断电死机情况，下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检，而且是可以通过tune2fs命令，自行定义自检周期及方式。 二.用法： Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
  • 做有中国特色的程序员 dcj3sjt126com 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
  • Android：TextView属性大全 dcj3sjt126com textview
    android:autoLink    设置是否当文本为URL链接/email/电话号码/map时，文本显示为可点击的链接。可选值(none/web/email/phone/map/all)  android:autoText    如果设置，将自动执行输入值的拼写纠正。此处无效果，在显示输入法并输
  • tomcat虚拟目录安装及其配置 eksliang tomcat配置说明tomca部署web应用tomcat虚拟目录安装
    转载请出自出处：http://eksliang.iteye.com/blog/2097184 1.-------------------------------------------tomcat  目录结构 config：存放tomcat的配置文件 temp  ：存放tomcat跑起来后存放临时文件用的 work   ： 当第一次访问应用中的jsp
  • 浅谈：APP有哪些常被黑客利用的安全漏洞 gg163 APP
    首先，说到APP的安全漏洞，身为程序猿的大家应该不陌生；如果抛开安卓自身开源的问题的话，其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上，有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测（ineice.com）的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。 1. 应用反编译漏洞：APK 包非常容易被反编译成可读
  • C#根据网址生成静态页面 hvt Web.netC#asp.nethovertree
    HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页，以及显示用户名，退出等功能。根据网址生成页面的方法：   bool CreateHtmlFile(string url, string path) { //http://keleyi.com/a/bjae/3d10wfax.htm stri
  • SVG 教程 （一） 天梯梦 svg
    SVG 简介 SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识： 继续学习之前，你应该对以下内容有基本的了解： HTML XML 基础 如果希望首先学习这些内容，请在本站的首页选择相应的教程。 什么是SVG？ SVG 指可伸缩矢量图形 (Scalable Vector Graphics) SVG 用来定义用于网络的基于矢量
  • 一个简单的java栈 luyulong java数据结构栈
    public class MyStack { private long[] arr; private int top; public MyStack() { arr = new long[10]; top = -1; } public MyStack(int maxsize) { arr = new long[maxsize]; top
  • 基础数据结构和算法八：Binary search sunwinner AlgorithmBinary search
    Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
  • 12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 刘星宇 c面试
    12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 1.gets()函数 问：请找出下面代码里的问题： #include<stdio.h> int main(void) {     char buff[10];     memset(buff,0,sizeof(buff));
  • ITeye 7月技术图书有奖试读获奖名单公布 ITeye管理员 活动ITeye试读
    ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。 7月试读活动回顾： http://webmaster.iteye.com/blog/2092746 本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）： 《Java性能优化权威指南》
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他