- 概率图模型(PGM)综述
医学影像处理
概率图模型概率图模型综述
RefLink:http://www.sigvc.org/bbs/thread-728-1-1.htmlGraphicalModel的基本类型基本的GraphicalModel可以大致分为两个类别:贝叶斯网络(BayesianNetwork)和马尔可夫随机场(MarkovRandomField)。它们的主要区别在于采用不同类型的图来表达变量之间的关系:贝叶斯网络采用有向无环图(DirectedAc
- 【机器学习】近似推断的基本概念以及变分贝叶斯的基本概念
Lossya
机器学习人工智能python贝叶斯网络变分贝叶斯近似推断
引言近似推断是处理大规模或复杂概率图模型时常用的一种方法,特别是在精确推断变得不可行或不实际的情况下文章目录引言一、近似推断1.1常见的近似推断方法1.1.1采样方法(SamplingMethods)1.1.1.1马尔可夫链蒙特卡洛(MCMC)1.1.1.2重要性采样(ImportanceSampling)1.1.1.3蒙特卡洛模拟(MonteCarloSimulation)1.1.2变分推断(V
- 机器学习---概率图模型(概率计算问题)
三月七꧁ ꧂
机器学习机器学习人工智能
1.直接计算法给定模型和观测序列,计算观测序列O出现的概率。最直接的方法是按概率公式直接计算.通过列举所有可能的长度为T的状态序列,求各个状态序列I与观测序列的联合概率,然后对所有可能的状态序列求和,得到。状态序列的概率是对固定的状态序列,观测序列的概率是。,O和I同时出现的联合概率为。然后,对所有可能的状态序列I求和,得到观测序列O的概率,即但是,利用公式计算量很大,是阶的,这种算法不可行。2.
- 机器学习---学习与推断,近似推断、话题模型
三月七꧁ ꧂
机器学习机器学习学习人工智能
1.学习与推断基于概率图模型定义的分布,能对目标变量的边际分布(marginaldistribution)或某些可观测变量为条件的条件分布进行推断。对概率图模型,还需确定具体分布的参数,称为参数估计或学习问题,通常使用极大似然估计或后验概率估计求解。单若将参数视为待推测的变量,则参数估计过程和推断十分相似,可以“吸收”到推断问题中。假设图模型所对应的变量集x={x1,x2,···,xn}能分为XE
- 机器学习---概率图模型(隐马尔可夫模型、马尔可夫随机场、条件随机场)
三月七꧁ ꧂
机器学习机器学习人工智能
1.隐马尔可夫模型机器学习最重要的任务是根据已观察到的证据(例如训练样本)对感兴趣的未知变量(例如类别标记)进行估计和推测。概率模型(probabilisticmodel)提供了一种描述框架,将描述任务归结为计算变量的概率分布,在概率模型中,利用已知的变量推测未知变量的分布称为“推断(inference)”,其核心在于基于可观测的变量推测出未知变量的条件分布。生成式:计算联合分布(,,),判别式:
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- NLP系列学习:CRF条件随机场(1)
云时之间
大家好,今天让我们来看看条件随机场,条件随机场是一项大内容,在中文分词里广泛应用,因为我们在之前的文章里将概率图模型和基本的形式语言知识有所了解,当我们现在再去学习条件随机场会容易比较多(在动笔写这篇文章前我也翻阅了很多的博客,发现很多博主上来就讲一大堆核心公式,而之前的铺垫知识都很少提,我觉得这不太好,会让很多人一开始就懵).而我希望在我的这几篇文章尽可能的减少单纯理论知识的复述,而是通过一些实
- HMM隐马尔可夫模型和维特比算法
Y·Not·Try
NLPHMM维特比算法自然语言处理算法机器学习
前言一、HMM的构成二、HMM的基本假设1.齐次马尔可夫假设2.观测独立假设3.参数不变性假设三、HMM的参数学习(监督学习)四、参数学习的代码思路五、维特比算法六、维特比算法代码思路总结前言隐马尔可夫模型是关于时序的概率图模型,属于生成模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程。隐马尔可夫模型常用来处理诸如分词,词性标注,命名
- 8、VAE:变分自编码器
O_meGa
AIGC论文笔记深度学习人工智能计算机视觉深度学习
目录一、背景与动机二、创新与卖点三、实现细节VAE模型架构损失函数VAE的背后的数学原理简易代码四、总结一、背景与动机在深度学习领域,数据的有效表示和生成模型一直是研究的重点。VAE,即变分自编码器(VariationalAuto-Encoder),正是在这种背景下应运而生的前沿技术。它结合了自编码器和概率图模型的优点,旨在解决高维复杂数据的高效表示和生成问题。VAE最想解决的问题是什么?首先是如
- 图像生成之变分自动编码器(VAE)
Wilson_Hank
机器学习人工智能
简要介绍“概率图模型+神经网络”、“EM算法、变分推断”自动编码器是一种无监督学习方法,将高维的原始数据映射到一个低维特征空间,然后从低维特征学习重建原始的数据。变分自编码器(VariationalAutoencoder,简称VAE)是一种生成模型,结合了自编码器和概率图模型的思想。VAE在建模生成模型时是显式地定义了条件概率分布,通过最大似然估计来学习生成模型的参数,使其能够生成与训练数据相似的
- 【机器学习】条件随机场
十年一梦实验室
机器学习人工智能
一、马尔可夫随机场1.1概率图模型什么是有向图模型和无向图模型?https://www.jianshu.com/p/dabbc78471d7团、极大团、最大团-简书(jianshu.com)1.2马尔可夫随机场二、条件随机场概述2.1条件随机场简介条件随机场(ConditionalRandomField,简称CRF)是一种用于序列标注(sequencelabeling)的概率模型。它是马尔可夫随机
- .【机器学习】隐马尔可夫模型(Hidden Markov Model,HMM)
十年一梦实验室
机器学习人工智能
概率图模型是一种用图形表示概率分布和条件依赖关系的数学模型。概率图模型可以分为两大类:有向图模型和无向图模型。有向图模型也叫贝叶斯网络,它用有向无环图表示变量之间的因果关系。无向图模型也叫马尔可夫网络,它用无向图表示变量之间的相关关系。概率图模型可以用于机器学习,人工智能,自然语言处理,计算机视觉,生物信息学等领域。一、马尔科夫模型随机过程马尔科夫过程马尔科夫链状态转移矩阵通过训练样本学习得到,采
- EM算法及公式推导
XI-C-Li
概率图模型算法机器学习人工智能
含隐变量的概率图模型的参数估计问题在解决含隐变量的概率图模型的参数估计问题时,一种简单的想法是取使其对数边际似然最大的作为估计的参数。为观测变量的观测数据,是一个向量,为隐变量的取值(但实际上无法观测)是一个向量,需要通过求和(积分)的形式去除。但函数中存在对数函数内部带有求和的形式,这样非常难以求导。比如在高斯混合模型中,隐变量是一维离散的变量。12......k......其中均是待估计参数,
- 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
- 【多传感器融合导航论文阅读】
今天我刷leetcode了吗
论文阅读学习方法
多传感器融合导航论文积累知识点总结因子图一致因子图文献阅读笔记[IF18.6]知识点总结因子图FactorGraph是概率图的一种,是对函数因子分解的表示图,一般内含两种节点,变量节点和函数节点。因子图存在着:两类节点:变量节点和对应的函数节点变量节点所代表的变量是函数节点的自变量。同类节点之间没有边直接相连。一致因子图一致性指的是在该框架中能够保持一致性地更新变量的值,使得整个概率图模型中的变量
- VAE变分自编码器原理推导+Python代码实现
篝火者2312
机器学习人工智能笔记python机器学习开发语言深度学习
1、前言变分自编码器是近些年较火的一个生成模型,我个人认为其本质上仍然是一个概率图模型,只是在此基础上引入了神经网络。本文将就变分自编码器(VAE)进行简单的原理讲解和数学推导。2、引入2.1、高斯混合模型生成模型,可以简单的理解为生成数据(不止,但我们暂且就这么理解它)\boxed{(不止,但我们暂且就这么理解它)}(不止,但我们暂且就这么理解它)。假如现在我们有样本数据,而我们发现这些样本符合
- 优化概率神经网络_用约束规划+概率图模型(信念传播)+神经网络端到端求解组合优化问题...
weixin_39849671
优化概率神经网络
Idea半成品,现在不做了,分享下(尾附资料库和代码)~主要技术点:用约束规划+概率图模型(信念传播)+神经网络端到端求解问题,生成一个关于变量的N*M矩阵,N是变量个数,M是变量取值集合的大小,矩阵元素代表某变量取某元素的信念,根据这个矩阵可自然读出解(如果不满足约束的情况实在太严重,就进一步加primal-dualunrolledoptimization、启发式搜索、分支定界等后处理机制):《
- 用约束规划+概率图模型(信念传播)+神经网络端到端求解组合优化问题
Monte0539
深度学习神经网络
主要技术点:用约束规划+概率图模型(信念传播)+神经网络端到端求解问题,生成一个关于变量的N*M矩阵,N是变量个数,M是变量取值集合的大小,矩阵元素代表某变量取某元素的信念,根据这个矩阵可自然读出解(如果不满足约束的情况实在太严重,就进一步加primal-dualunrolledoptimization、启发式搜索、分支定界等后处理机制):《BeliefPropagationNeuralNetwo
- 概率图模型(PGM):贝叶斯网(Bayesian network)初探
虫小宝
1.从贝叶斯方法(思想)说起-我对世界的看法随世界变化而随时变化用一句话概括贝叶斯方法创始人ThomasBayes的观点就是:任何时候,我对世界总有一个主观的先验判断,但是这个判断会随着世界的真实变化而随机修正,我对世界永远保持开放的态度。1763年,民间科学家ThomasBayes发表了一篇名为《Anessaytowardssolvingaprobleminthedoctrineofchance
- 【AI】人工智能爆发推进器之变分自动编码器
giszz
人工智能学习笔记人工智能
一、变分自动编码器(VAE)变分自动编码器(VariationalAutoencoder,简称VAE)是一种生成式模型,属于深度学习领域中的一种重要技术。它通过结合深度学习和概率图模型的思想,能够学习到数据分布的潜在表示,并生成新的数据样本。变分自动编码器是一种基于变分贝叶斯方法的深度学习模型,用于学习数据分布的潜在表示。它通过最大化数据的对数似然下界(ELBO)来学习数据生成过程。VAE由两部分
- 机器学习 (第9章 概率图模型)
komjay
机器学习人工智能
一、学习目标1.学习概率图模型中两种重要的模型:贝叶斯网络和马尔科夫随机场2.学习使用概率图模型去进行实际问题的学习与推断3.学习近似推断二、贝叶斯网络概率图模型基于图,而图这种数据结果分为两种:有向图和无向图,针对有向(无环)图结构,实现的是贝叶斯网络,针对无向图,则为马尔可夫随机场。1.有向无环图根据图中每个结点不同,可提取出不同的相关结点,如以x3为例2.联合概率分布我们之所以搞出这么一个图
- Arxiv网络科学论文摘要17篇(2020-09-02)
ComplexLY
理解在线社会网络衰退动力学的理论模型;强关系对之间的内部迁移和移动通信模式;国际关系中联盟与竞争网络的结构平衡;金融网络中的或然可转换债券;当代价高昂的惩罚逐渐演变为有利时;可见度有限的多数投票模型:对滤泡的调查;基于增强学习的黑盒规避攻击进行动态图中的链路预测;基于概率图模型和递归神经网络的语义情感分析;网络增长模型中节点影响的动态;社交用户的前k位社交-空间协同参与位置选择;利用网络分析探索农
- 机器学习 | 概率图模型
西皮呦
机器学习机器学习人工智能
见微知著,睹始知终。见到细微的苗头就能预知事物的发展方向,能透过微小的现象看到事物的本质,推断结论或者结果。概率模型为机器学习打开了一扇新的大门,将学习的任务转变为计算变量的概率分布。实际情况中,各个变量间存在显式或隐式的相互依赖,如朴素贝叶斯方法直接基于训练数据去求解变量的联合概率分布在时间复杂度还是空间复杂度均是不可行、不划算的。直接基于训练数据求解变量联合概率分布困难。Probabilist
- 自然语言处理之概率图模型--预备知识
罗宇翔
概述本章将介绍一些概率论、图、信息论、马尔可夫等相关基础知识,这些知识点将会贯穿于概率图多个模型的讲解中,在相应模型篇章的开头,也会再次列出这些基础知识。概率论联合概率两个及以上随机变量image.png,可以用联合概率分布image.png描述其各个状态的概率,简称为联合概率分布。根据随机变量的不同,联合概率分布的表示形式也不同。对于离散型随机变量,联合概率分布可以以列表的形式表示,也可以以函数
- python 大数据 选题推荐
L学长
一、python毕设选题推荐以下为学长手动整理python毕业设计项目,完全可以作为当前较新的毕业设计题目选择方向,给各位同学参考项目分享,毕设指导:https://gitee.com/yaa-dc/BJH/blob/master/gg/python/README.md1基于MapReduce的气候数据的分析2基于关键词的文本知识的挖掘系统的设计与实现3基于概率图模型的蛋白质功能预测4基于第三方库
- 贝叶斯网络 (人工智能期末复习)
倒杯Whisky
人工智能人工智能贝叶斯网络D分离法条件概率表贝叶斯网络独立性
文章目录贝叶斯网络(概率图模型)定义主要考点例题-要求画出贝叶斯网络图-计算各节点的条件概率表-计算概率-分析独立性贝叶斯网络(概率图模型)定义一种简单的用于表示变量之间条件独立性的有向无环图(DAG)。主要考点给出一定表述,要求画出贝叶斯网络图;给出每个节点的条件概率表;使用贝叶斯网络计算概率;分析贝叶斯网络的独立性;例题-要求画出贝叶斯网络图臭鸡蛋(E)或灾难后动物的尸体(M)都会发出一种奇怪
- 贝叶斯网络在R语言中的应用
CodeMaven
r语言开发语言R语言
贝叶斯网络是一种概率图模型,用于建模变量之间的依赖关系。它在许多领域都有广泛的应用,包括机器学习、人工智能和统计分析等。本文将介绍如何在R语言中使用贝叶斯网络进行建模和推断,并提供相应的源代码示例。首先,我们需要安装并加载相关的R包。在R中,有几个包可以用于构建和分析贝叶斯网络,如bnlearn和gRain等。这里我们以bnlearn包为例进行说明。#安装bnlearn包install.packa
- VAE模型及pytorch实现
Miracle Fan
生成模型计算机视觉pytorch人工智能python计算机视觉深度学习
VAE模型及pytorch实现VAE模型推导部分最小化KL散度推导代码部分损失函数Encoder部分Decoder部分VAE整体架构VAE问题参考资料VAE(变分自编码器)是一种生成模型,结合了自编码器和概率图模型的思想。它通过学习数据的潜在分布,可以生成新的数据样本。VAE通过将输入数据映射到潜在空间中的分布,并在训练过程中最大化数据与潜在变量之间的条件概率来实现。其关键思想在于编码器将输入数据
- 【深度学习】概率图模型(二)有向图模型详解(条件独立性、局部马尔可夫性及其证明)
QomolangmaH
深度学习人工智能贝叶斯网络局部马尔可夫性条件独立性概率图
文章目录一、有向图模型1.贝叶斯网络的定义2.条件独立性及其证明a.间接因果关系X3→X2→X1X_3\rightarrowX_2\rightarrowX_1X3→X2→X1b.间接果因关系X1→X2→X3X_1\rightarrowX_2\rightarrowX_3X1→X2→X3c.共因关系X1←X2→X3X_1\leftarrowX_2\rightarrowX_3X1←X2→X3d.共果关系
- 【深度学习】概率图模型(一)概率图模型理论简介
QomolangmaH
深度学习深度学习概率论人工智能概率图模型贝叶斯网络马尔可夫随机场
文章目录一、概率图模型1.联合概率表2.条件独立性假设3.三个基本问题二、模型表示1.有向图模型(贝叶斯网络)2.无向图模型(马尔可夫网络)三、学习四、推断 概率图模型(ProbabilisticGraphicalModel,PGM)是一种用图结构来表示和推断多元随机变量之间条件独立性的概率模型。图模型提供了一种直观且有效的方式来描述高维空间中的概率分布,通过图结构表示随机变量之间的关系,使得模
- 深入浅出Java Annotation(元注解和自定义注解)
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制,用来将任何的信息或元数据(metadata)与程序元素(类、方法、成员变量等)进行关联。
更通俗的意思是为程序的元素(类、方法、成员变量)加上更直观更明了的说明,这些说明信息是与程序的业务逻辑无关,并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的,所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数,有两种非常不同的作用,他可以统计某个列值的数量,也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境:
MAC AIR,OS X 10.10,64位
历史:
过去 Mac 上的 Java 都是由 Apple 自己提供,只支持到 Java 6,并且OS X 10.7 开始系统并不自带(而是可选安装)(原自带的是1.6)。
后来 Apple 加入 OpenJDK 继续支持 Java 6,而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript (1)
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号,它有七类: 赋值运算符(=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=)、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性,避免落大部队太远,我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎,它们存储着JSON文档,MongoDB存着JSON文档,或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版,自行搜索。
1.2 Latex (MacTex):
系统环境:https://tug.org/mactex/
&nb
- Maven实战(四)生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期,它们分别为clean,default和site。 每个生命周期包含一些阶段,这些阶段是有顺序的,并且后面的阶段依赖于前面的阶段,用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例,它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题:在使用HTTP协议实现应用间接口通信时,服务端读取客户端请求过来的数据,会用到request.getInputStream(),第一次读取的时候可以读取到数据,但是接下来的读取操作都读取不到数据
原因: 1. 一个InputStream对象在被读取完成后,将无法被再次读取,始终返回-1; 2. InputStream并没有实现reset方法(可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多,但是比较杂乱。近日有空整理了一下,写出来跟大家分享一下,其中有错误和不足的地方,还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版,希望大家阅读之后,感觉好的话推荐给更多的人,让更多的人看到、纠正以及补充。
1.对查询进行优化,要尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据,因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API,它包含了如下几个内部类
首先分析它的内部类,从WatchRegistration开始,为指定的znode path注册一个Watcher,
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七:部分应用函数
bit1129
scala
何为部分应用函数?
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了,什么错都没报出来,只提示了Error listenerStart。为了调试,我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties,内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题,要求不用加减符号(包括负号)来实现加减法。
分析一下,先看最简单的情况,假设1+1,按二进制算的话结果是10,可以看到从右往左的第一位变为0,第二位由于进位变为1。
 
- 读《研磨设计模式》-代码笔记-状态模式-State
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/
/*
当一个对象的内在状态改变时允许改变其行为,这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中,可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小,该大小可以是dim3类型的(三维数组),只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常!!!GPU根本不会执行运算!!!
所以验证结果的正确性很重要!!!
在VS中创建CUDA项目会有一个模板,里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置,ParNew经常会出现停顿时间特别长的情况,有时候甚至长到令人发指的地步,例如请看如下日志:
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前,要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址:http://maven.apache.org/download.html,目前最新的是这个apache-maven-3.2.5-bin.zip,然后解压在任意位置,最好地址中不要带中文字符,这个做java 的都知道,地址中出现中文会出现很多
- PHP网站安全,避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中,我们经常需要将集合对象(List,Set)转换为数组对象,或者将数组对象转换为集合对象。Java提供了相互转换的工具,但是我们使用的时候需要注意,不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象,然后遍历数组,依次将数组中的元素放入到新的集合中,但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求,需要在一台主机上用nginx部署2个php应用,分别是wordpress和wiki,探索了半天,终于部署好了,下面把过程记录下来。
1. 在nginx下创建vhosts目录,用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置, 在http节点增加下面内容设置,用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种:useradd 和adduser . 本人尝试了useradd方法,步骤如下:
1:useradd
使用useradd时,如果后面不加任何参数的话,如:sudo useradd sysadm 创建出来的用户将是默认的三无用户:无home directory ,无密码,无系统shell。
顾应该如下操作:
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛,因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能;目前Lua也有几个JSON库,本人用过cjson、dkjson。其中cjson的语法严格(比如unicode \u0020\u7eaf),要求符合规范否则会解析失败(如\u002),而dkjson相对宽松,当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易,转载请注明出处:Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址:http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置:Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别?
pda158
linux
一、df显示文件系统的使用情况,与du比較,就是更全盘化。 最经常使用的就是 df -T,显示文件系统的使用情况并显示文件系统的类型。 举比例如以下: [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时,觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了,就写了一个工具类,用到了反射,可以把查询记录的值装到对应的VO里,也可以生成该VO的List。
使用时需要注意:
考虑到Android的性能问题,VO没有使用Setter和Getter,而是直接用public的属性。
表中的字段名需要和VO的属性名一样,要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表,在该笔记中用到的就是这张表,大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓