xingzhe2001
xingzhe2001

SVM算法相关推导[二]

接上文SVM算法相关推导[一]

最大间隔分类器是一种在约束下求最大化的问题，对于这种问题用拉格朗日乘子法和KKT条件可以变化为求其相对简单的对欧问题。(传说中的SMO?)

对于拉个朗日乘子法和KKT条件的理解，CSDN的博主lijil168介绍的不错。

https://blog.csdn.net/lijil168/article/details/69395023

lysuns的博客

http://www.cnblogs.com/lysuns/p/4626378.html

这里简要介绍

1.拉格朗日乘子法

假设有函数f, 在一堆约束h_i(w)=0的情况下求解f的最小值的情况下可以得到新的目标函数是原优化目标和约束的线性和

原问题

\underset{w}{\min}\ f(w)\\ s.t(\text{subject to}) h_i(w) = 0, \ i=1,2,...,l

有一堆的函数 h_i(w)=0

这个公式求解可以用消元法或者拉格朗日法。消元法就是根据h_i(w)=0得到w的一个值带入原公式，再来求解。

亦可以用拉个朗日法：

那么拉格朗日乘子法定义的新目标函数为

L (w,b)=f(w)+ \sum_{i=1}^{l}\beta_ih_i(w)

求解的过程对w,b,beta的每一个元素针对上式求偏导, 并置为0这样就可以得到极值点

设

\left\{\begin{matrix} \frac{\partial L}{\partial w}=0 \\\\ \frac{\partial L}{\partial b}=0 \end{matrix}\right.

加入增加不等式约束, 比如g(w)<=0，

SVM算法相关推导[二]_第1张图片

拉格朗日乘法可以扩展为

L(w,\alpha,\beta)=f(w)+\sum_{j=1}^{k}\alpha_j g_j(w)+\sum_{i=1}^{l}\beta_i h_i(w)

定义最大化函数，即求使L最大化的alpha, beta值:

\theta_p(w)=\underset{\begin{matrix} \alpha, \beta\\ \alpha > 0 \end{matrix}}{\max}L(w, \alpha, \beta)

我们会发现

\underset{w}{\min}\ {\theta_p(w)} 和原始定义\underset{w}{\min}\ f(w)等价

原因是这样的：

考虑优化问题

P^*=\min \underset{\begin{matrix} \alpha, \beta\\ \alpha > 0 \end{matrix}}{\max}L(w, \alpha, \beta)=\underset{w}{\min}\theta_p(w)

看这个Theta函数的定义知道（为啥？）
\begin{cases} \theta_p(w)=\infty & \text{ if } g(w)>0 \\ \theta_p(w)=\infty& \text{ if } h(w)\neq 0\\ \theta_p(w)=f(w) & \text{eitherwise} \end{cases}

就得到了

\begin{cases} \theta_p(w)=\infty & \text{ if fit the constraint }\\ \theta_p(w)=f(w) & \text{eitherwise} \end{cases}

2.对偶问题

对偶问题有个结论

\max\min \ f(x) \leq \min\max \ f(x)

对于我们的拉格朗日乘子，设对偶问题

\theta_D(\alpha,\beta)=\min \ L(w, \alpha, \beta)

解

d^*=\underset{\begin{matrix}\alpha \geq 0 \\ \beta \end{matrix}}{\max}\underset{w}{\min} \ L(w, \alpha,\beta)=\max_{\begin{matrix} \alpha \geq 0\\ \beta \end{matrix}} \theta_D(\alpha,\beta)

根据max min的对偶性质有

d^* \leq p^*

3.KKT条件

摘自wiki, 在数学最优化理论里，KKT条件(Karush–Kuhn–Tucker conditions)是在满足一些有规则的条件下，一个非线性规划（Nonlinear Programming）问题能有最优化解法的一个必要和充分条件。这是一个广义化拉格朗日乘数的成果。

它有四个条件stationarity(平稳性),complementary slackness(补充松弛),primal feasibility(主约束),dual feasibility(对偶约束)。

Stationarity(平稳性):

对于最大化 f(x): 

{\displaystyle \nabla f(x^{*})=\sum _{i=1}^{m}\mu _{i}\nabla g_{i}(x^{*})+\sum _{j=1}^{\ell }\lambda _{j}\nabla h_{j}(x^{*}),}

对于最小化f(x)

-\nabla f(x^{*})=\sum _{i=1}^{m}\mu _{i}\nabla g_{i}(x^{*})+\sum _{j=1}^{\ell }\lambda _{j}\nabla h_{j}(x^{*}),}

 

Primal feasibility(主约束)

g_{i}(x^{*})\leq 0,{\text{ for }}i=1,\ldots ,m

h_{j}(x^{*})=0,{\text{ for }}j=1,\ldots ,\ell \,\!

Dual feasibility(对偶约束)

\mu _{i}\geq 0,{\text{ for }}i=1,\ldots ,m

Complementary slackness(补充松弛)

\mu _{i}g_{i}(x^{*})=0,{\text{ for }}\;i=1,\ldots ,m.

4.SVM求解

在SVM算法的求解方法是先写出原始问题，然后写出对偶问题，然后求解对偶问题

p^*=d^*=L(w^*,\alpha^*,\beta^*)

需要

\frac{\partial L(w^*, \alpha^*, \beta^*)}{\partial w}=0

\frac{\partial L(w^*, \alpha^*, \beta^*)}{\partial \beta}=0

要满足的限制为KKT 条件

\alpha_i^*\cdot g_i(w)=0

g_i(w^*) \leq 0

\alpha_i^* \geq 0

由这三个KKT条件显然可得

\text{if} \ \alpha_i > 0 \Rightarrow g_i(w^*)=0\\ \text{Usally}\ a_i \neq 0 \Leftrightarrow g_i(w^*)=0

所一可以说 g(w)是活动约束(active constraint)

第一步，写出原始问题

考虑我们SVM的优化目标
\underset{w,b}{\min}\ \frac{1}{2} \left\|w\right\|^2\\ s.t. \ y^{(i)}(w^Tx^{(i)}+b)\geq1

只有不等式约束，没有等式约束。因此只有 alpha和g函数

约束改为g<=0的方式

-y^{(i)}(w^Tx^{(i)}+b) +1 \leq 0

将w,b都作为优化参数

可以知道

g(w,b)=-y^{(i)}(w^Tx^{(i)}+b) +1 \leq 0

有根据KKT有

\text{if} \ \alpha_i > 0 \Rightarrow g_i(w^*)=0\\ \text{Usally}\ a_i \neq 0 \Leftrightarrow g_i(w^*)=0

意味着如果 \alpha_i不为0 则 g=0 即

g(w,b)=-y^{(i)}(w^Tx^{(i)}+b) +1 = 0
y^{(i)}(w^Tx^{(i)}+b)=1

回忆我们定义的函数间隔

\hat\gamma^{(i)}=y^{(i)}(w^Tx^{(i)}+b)

显然x,y的函数间隔为1

其他情况则必有 \alpha_i=0

这里函数间隔为1的向量都是支持向量

现在我们的优化目标已经满足KKT条件，写出KKT乘子，其实是拉格朗日乘子的不等式约束的扩展

L(w,\alpha,\beta)=\frac{1}{2}\left \| w\right \|^2-\sum_{i=1}^{m}\alpha_i(y^{(i)}(w^Tx^{(i)}+b)-1)

第二步，写出对偶问题

根据拉格朗日乘子定义，我们要求的原始问题是

\theta_P(x)=\max_\alpha L(w,\alpha,\beta)

\min_w \theta_P(w)就是等价与\min_wf(w)=\min_w \frac{1}{2}\left \| w \right \|^2

对偶问题

\theta_D(x)=\min_{w,b}\ L(w,b,x)

最后要求的是

d^*=\max_{\alpha\geq0,\beta} \theta _D(x)=\max_{\alpha\geq0,\beta} \min_w L(w,\alpha,\beta)

对Theta函数，我们令L对w导数为0来求出最小值

\nabla_wL=w-\sum_{i=1}^m \alpha_iy^{(i)}x^{(i)}=0

所以

w=\sum_{i=1}^m\alpha_iy^{(i)}x^{(i)}

我们令对b导数为0来求出最小值

\nabla_bL=-\sum_{i=1}^m \alpha_iy^{(i)}=0

将w带入L函数内，可以得到

\begin{align*} L(w,\alpha,\beta)=&\frac{1}{2}(\sum_{i=1}^m\alpha_i y^{(i)}x^{(i)})^T(\sum_{i=1}^m\alpha_iy^{(i)}x^{(i)}) \\ &-\sum_{i=1}^m\alpha_i(y^{(i)}(\sum_{j=1}^m\alpha_jy^{(j)}x^{(j)}))^Tx^{(i)}+b)-1) \end{align*}

展开各给子式

\frac{1}{2}(\sum_{i=1}^m\alpha_i y^{(i)}x^{(i)})^T(\sum_{i=1}^m\alpha_iy^{(i)}x^{(i)})=\frac{1}{2}\sum_{i=1}^m\sum_{j=1}^my^{(i)}y^{(j)}\alpha_i \alpha_j ({x^{(i)}}^Tx^{(j)})

\begin{align*} &\sum_{i=1}^m\alpha_i(y^{(i)}(\sum_{j=1}^m\alpha_jy^{(j)}x^{(j)}))^Tx^{(i)}+b)-1)\\ &=\sum_{i=1}^m \alpha_i y^{(i)} (\sum_{j=1}^m \alpha_j y^{(j)} x^{(j)})^T x^{(j)} + \sum_{i=1}^m \alpha_i b y^{(i)} - \sum_{i=1}^m \alpha_i \\ &=\sum_{i=1}^m \sum_{j=1}^m \alpha_i \alpha_j y^{(i)} y^{(j)}({x^{(i)}}^Tx^{(j)}) + \sum_{i=1}^m \alpha_i b y^{(i)} - \sum_{i=1}^m \alpha_i \end{align*}

又有

\sum_{i=1}^m \alpha_i y^{(i)} = 0

带入L式子可以得到

L=\sum_{i=1}^m \alpha_i - \frac{1}{2}\sum_{i=1}^m \sum_{j=1}^m \alpha_i \alpha_j \left \langle x^{(i)}, x^{(j)} \right \rangle = W(\alpha)

回忆之前我们定义的对偶问题

\theta_D(\alpha)=\min_{\alpha}L

如果

\sum_{i=1}^m \alpha_i y^{(i)} \neq 0 

那么 

\theta_D(\alpha)=\min_{\alpha}L=-\infty

所以对于问题

\max_{\alpha \geq 0}\theta_D(\alpha)

如果 

\sum_{i=1}^m \alpha_i y^{(i)} = 0

那么 

\theta_D(\alpha)=W(\alpha)

所以SVM的对偶问题实际上是求

\max_{\alpha}W(\alpha) \\ s.t. \ \alpha_i \geq 0 \text{ and } \sum y^{(i)}\alpha_i=0

求解这个问题得到 alpha, 然后又之前导数为0我们得到w

w=\sum_{i=1}^m \alpha_i y^(i) x^{(i)}

我们就可以得到b,两根支持线的中值

b=\frac{1}{2}(\max_{i, y^(i)=-1}w^Tx^(i) +\min_{i, y^(i)=1}w^Tx^(i))

这样可以得到完整的预测函数

h_{w,b}(x)=g(w^Tx+b)

g(z)=\left\{\begin{matrix} 1 \ &\text{ if } z>0\\ \\ -1 \ &\text{ if } z \leq 0 \end{matrix}\right.

现在我们看下

w^Tx+b=\sum_{i=1}^m \alpha_i y^{(i)}\left \langle x^{(i)},x \right \rangle +b

如果特征维度很高，那么

\left \langle x^{(i)},x \right \rangle

技术很耗时，可以通过核函数

k(x^{(i)},x)

来高效计算

你可能感兴趣的:(SVM算法相关推导[二])

  • 爪形行列式 CyberMuse 算法
    好的！我用一个具体的数值4阶“爪形”矩阵举例，配合一步一步推导，完整展示“列变换消元求行列式”的过程。---#例题计算行列式\[D=\begin{vmatrix}4&2&3&1\\6&5&0&0\\7&0&4&0\\8&0&0&3\end{vmatrix}.\]---#Step1：确认结构-第一行：\(a_0=4,b_1=2,b_2=3,b_3=1\)；-从第二行开始主对角为\(a_1=5,a_2
  • 《凤凰架构》C7-分布式服务 Epi_HHH 阅读笔记java
    目录一、服务发现二、网关路由三、负载均衡一、服务发现服务发现就是动态定位服务实例地址，解决分布式环境下服务实例IP和端口可能变化的问题1）基础概念远程服务调用精确坐标：全限定名+端口号+服务标识，如：order-service.default.svc.cluster.local:50051/com.example.order.OrderService/getOrderById服务标识：与具体的应用
  • Node.js 中的 JWT 认证：从生成到验证的完整指南 盛夏绽放 node.js有问必答后端
    文章目录Node.js中的JWT认证：从生成到验证的完整指南一、JWT是什么？为什么需要它？传统session与JWT对比二、JWT的结构解析三、Node.js中实现JWT1.安装jsonwebtoken包2.生成JWT3.验证JWT4.错误处理大全四、高级应用场景1.刷新令牌机制2.在不同路由中的验证中间件五、安全最佳实践六、常见问题解答七、完整示例代码结语主要内容包括：使用jsonwebtok
  • ROS 避障技术介绍 Xian-HHappy 机器人-Robotros避障
    ROS避障技术介绍一、ROS避障系统概述ROS（机器人操作系统）作为移动机器人开发的主流框架，其避障技术依托模块化设计，通过传感器数据融合、环境建模与运动规划实现动态障碍物规避。在物流机器人、服务机器人、自动驾驶等场景中，ROS避障系统需满足实时性、安全性与灵活性要求，核心流程包括环境感知-障碍建模-路径规划-运动控制四个环节。二、避障核心组件与原理1.传感器层：环境信息获取激光雷达（如Velod
  • Java 多线程并发编程面试笔录一览 weixin_34318272 面试pythonjava
    2019独角兽企业重金招聘Python工程师标准>>>知识体系图：1、线程是什么？线程是进程中独立运行的子任务。2、创建线程的方式方式一：将类声明为Thread的子类。该子类应重写Thread类的run方法方式二：声明实现Runnable接口的类。该类然后实现run方法推荐方式二，因为接口方式比继承方式更灵活，也减少程序间的耦合。3、获取当前线程信息？Thread.currentThread()4
  • Ubuntu下安装Moodle平台 swy520 ubuntuMoodleubuntuMoodle
    一前言Moodle是一个开源课程管理系统（CMS），也被称为学习管理系统（LMS）或虚拟学习环境（VLE），它通常用来播放符合SCORM标准的课件，但功能远不止课程管理，作业模块等功能。这里主要介绍moodle的安装方法。二安装准备Moodle通常在Linux操作系统上，基于Apache，PostgreSQL/MySQL/MariaDB和PHP进行开发。为了平台的稳定性，我们选择Linux操作系统
  • MySQL 锁机制全解析：从表锁到间隙锁，谁都能看懂的知识！ dr李四维 笔记mysql数据库锁死锁乐观锁悲观锁意向锁
    目录一、锁的基本概念二、MySQL中的锁类型1.表级锁（TableLock）2.行级锁（RowLock）3.间隙锁（GapLock）4.意向锁（IntentLock）5.乐观锁（OptimisticLock）6.悲观锁（PessimisticLock）7.死锁（Deadlock）8.自增锁（Auto-IncrementLock）9.元数据锁（MetadataLock,MDL）三、锁的对比与选择四、
  • （较详细）Kafka 安装配置 耐思nice～ 数据分析kafka分布式
    一，kafka介绍Kafka是一个分布式的消息队列系统，用于高效处理和传递大规模数据流。本文将指导您如何在您的系统上安装和配置Kafka。二，步骤概述1，下载Kafka前往,kafka官网下载Kafka（ApacheKafka）。2，安装Java确保您的系统上已安装Java。Kafka是用Java开发的，因此需要Java环境来运行。3，解压Kafka将下载的Kafka压缩文件解压到您选择的目录中。
  • ros学习之路径规划 许卿768503 学习
    一、全局路径规划中的地图1、栅格地图（GridMap）2、概率图（CostMap）3、特征地图（FeatureMap4、拓扑地图（TopologicalMap）二、全局路径规划算法1、Dijkstra算法2、最佳路径优先搜索算法（BFS）3、A*搜索算法双向A*搜索算法重复A*搜索算法AnytimeRepairingA*(ARA*)搜索算法实时学习A*搜索（LRTA*）算法实时适应性A*搜索（RT
  • 学而思编程周赛语言普及奠基组 | 2025年春第15周T1 新二进制 热爱编程的通信人 算法c++
    欢迎大家订阅我的专栏：算法题解：C++与Python实现！本专栏旨在帮助大家从基础到进阶，逐步提升编程能力，助力信息学竞赛备战！专栏特色1.经典算法练习：根据信息学竞赛大纲，精心挑选经典算法题目，提供清晰的代码实现与详细指导，帮助您夯实算法基础。2.系统化学习路径：按照算法类别和难度分级，从基础到进阶，循序渐进，帮助您全面提升编程能力与算法思维。适合人群：准备参加蓝桥杯、GESP、CSP-J、CS
  • 第一节：kafka golang sarama初体验 锅锅来了 Golang实战案例kafkagolang运维开发
    提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、sarama是什么？typeClient：主要操作元数据typeClusterAdmin:二、小试牛刀1.创建项目2.创建kafka_client.go总结前言关于Kafka的开发库，以Java的居多，Golang语言的开发库，主要推荐的是sarama项目地址：https://github.com/IBM/sarama
  • VMware的Centos8配置静态地址且可以ping通百度 牛奶咖啡13 运维/测试Centos8手动配置静态IP配置Centos8可以上外网
    一、需求说明在日常的开发和维护工作中，需要对安装好的Centos8系统配置静态IP地址和网络，方便后续的业务开展。二、思路分析①查看VMware中Centos8的网络设置；②查看Centos8的网卡信息③配置指定网卡的静态地址信息④重启网络⑤测试三、配置步骤3.1、查看VMware中Centos8的网络设置①选中Centos8，点击鼠标右键选择【设置】--->【网络适配器】选择【VMnet8(NA
  • Tomcat性能调优指南
    文章目录一、Tomcat性能调优概述为什么需要调优Tomcat？二、Tomcat架构与性能关键点三、JVM调优1.内存配置优化2.垃圾回收优化3.其他JVM优化参数四、连接器(Connector)调优1.NIOvsAPR/Native2.高级NIO配置五、线程池优化六、会话管理优化1.会话超时配置2.会话持久化选择七、静态资源处理优化1.启用Sendfile2.配置静态资源缓存八、其他优化措施1.
  • android过渡动画 Sca_jie androidandroidnginx运维
    示例从左往右渐入渐出实现一在style文件中新建动画样式@anim/slide_in_right@anim/slide_out_left二在需要使用的地方调用这个style即可Dialogdialog=newDialog(this,android.R.style.Theme_Black_NoTitleBar_Fullscreen);dialog.setContentView(R.layout.di
  • SapphireRapids NVMe Aggregate Performance with灵活IO测试--学习笔记（二） 向阳生活 学习笔记网络
    4.主机系统配置由于NVMe控制器使用队列和数据缓冲区，这些队列和数据缓冲区可以托管在主机系统内存空间的任何位置，因此假设主机系统具有足够的内存容量和内存带宽来同时处理多个NVMe访问，以避免受到内存带宽限制。主机系统是Sapphire-Rapid2S系统，每个插槽上配置了8个DDR564GB,1DPC,运行在每个插槽上的速度为4800MTS（例如，共1TB内存容量）。4.1根端口的硬盘数量Sap
  • CARLsim开源程序 是一个高效、易用、GPU 加速的软件框架，用于模拟具有高度生物细节的大规模脉冲神经网络 （SNN） 模型。 struggle2025 神经网络人工智能深度学习
    一、软件介绍文末提供程序和源码下载CARLsim是一个高效、易用的GPU加速库，用于模拟具有高度生物学细节的大规模脉冲神经网络（SNN）模型。CARLsim允许在通用x86CPU和标准现成GPU上以逼真的突触动力学执行Izhikevich脉冲神经元网络。该模拟器在C/C++中提供了一个类似PyNN的编程接口，允许在突触、神经元和网络级别指定详细信息和参数。二、CARLsim6的新功能包括：CUDA
  • C++类的友元函数详解 _越谷小鞠 c++开发语言
    一、什么是友元函数？在C++中，类的友元函数是被类声明为“朋友”的函数。友元函数可以直接访问类的私有成员和保护成员，而无需通过公有成员函数进行访问。友元函数可以是：普通的非成员函数。另一个类的成员函数。全局函数。通过使用友元函数，我们能够方便地解决某些类之间的耦合问题，使代码更简洁高效。二、友元函数的定义与声明友元函数需要在类的内部使用关键字friend进行声明，具体格式如下：class类名{fr
  • 透视广告流量交易“黑箱”：MergeX是如何实现广告交易链路透明化的？
    在数字营销领域，广告流量交易的不透明性一直是行业内外普遍关注的问题。这种不透明性不仅影响了广告主的投放效果，也阻碍了开发者流量变现的潜力。广告流量交易中的“三不”陷阱?一、链路不透明在传统的广告交易链路中，多层中间商如同一道道关卡，截留了本应属于开发者的收益。这种复杂的层级结构使得真实流量价值的溯源变得困难重重，广告主难以准确判断自己的投入是否真正转化为了有效的曝光和点击。二、规则不清晰竞价机制作
  • nnv开源神经网络验证软件工具
    一、软件介绍文末提供程序和源码下载用于神经网络验证的Matlab工具箱，该工具箱实现了可访问性方法，用于分析自主信息物理系统（CPS）领域中带有神经网络控制器的神经网络和控制系统。二、相关工具和软件该工具箱利用神经网络模型转换工具（nnmt）和闭环系统分析、混合系统模型转换和转换工具（HyST）以及CONTINUOUSReachabilityAnalyzer（CORA）三、无需安装即可执行NNV可
  • 嵌入式通信协议框架的四层架构设计与实现 比特冬哥 嵌入式领域开发嵌入式通信协议分层框架
    文章目录一、硬件抽象层：数据收发的基石1.1设计要点1.2代码示例二、协议管理层：智能路由中枢2.1设计要点2.2代码示例三、协议处理层：协议具体实现3.1设计要求3.2代码示例3.2.1协议公共定义3.2.2协议一设计3.2.3协议二设计四、应用层：业务逻辑实现4.1设计要点4.2代码示例4.2.1协议一处理4.2.2协议二处理五、四层协作流程5.1收发流程5.2代码示例总结在嵌入式系统开发中，
  • Kitex v0.14.0 版本发布：支持流式泛化调用，优化排错体验 后端
    重要变更介绍新特性1.泛化调用：泛化Client支持流式调用，一个Client搞定流式/非流式调用场景泛化Client支持流式泛化调用，适配gRPC/TTHeaderStreaming并支持map/json和protobuf二进制泛化调用。简要代码示例如下：cli,err:=genericclient.NewClient("actualServiceName",g)//Ping-Pong泛化res
  • 100W QPS 短链系统怎么设计 Java程序员 拥抱ai 电商架构大数据
    看上去业务简单，其实，覆盖的知识点非常多：高并发、高性能分布式IDRedisBloomFilter高并发、低内存损耗的过滤组件知识分库、分表海量数据存储多级缓存的知识HTTP传输知识二进制、十六进制、六十二进制知识总体来说，高并发、高性能系统的核心领域，都覆盖了。所以，分析下来，得到一个结论：是一个超级好的问题。1、短URL系统的背景短网址替代长URL，在互联网网上传播和引用。例如QQ微博的url
  • [pytorch] pytorch_model.bin 和 training_args.bin 的区别 心心喵 pytorch深度学习pytorch神经网络
    pytorch_model.bin和training_args.bin是与PyTorch框架和训练过程相关的两个文件。pytorch_model.bin:这是保存了PyTorch模型的二进制文件。在使用PyTorch进行深度学习训练时，经过训练的模型会被保存为这个文件，其中包含了模型的权重参数。这个文件可以被加载到PyTorch中，以便进行推理、评估或继续训练。training_args.bin:
  • 高性价比二手服务器CPU你知多少? 专注VB编程开发20年 CPU二手
    以前E33220这些都不太好的吧,现在不知有哪种二手服务器CPU核心多,主频高,性价比更高,闲鱼二手上哪些值的买,多少钱根据2025年二手服务器CPU市场现状，结合核心数、主频、价格及兼容性，以下推荐四款高性价比型号（价格参考2025年5-6月闲鱼行情）：⚡‌一、性能怪兽：IntelXeonE5-2696v3（18核36线程）‌‌核心参数‌：18核36线程｜基础2.3GHz/睿频3.8GHz｜L3
  • 【Univer Docs】VUE3中使用Univer Docs（原Luckysheet ）创建在线编辑Excel VT.馒头 前端学习之旅excelvuevue.js
    VUE3中使用UniverDocs（原Luckysheet）创建在线编辑Excel文章目录VUE3中使用UniverDocs（原Luckysheet）创建在线编辑Excel一、UniverDocs简介二、安装Univer三、在页面中使用1、在页面中引入对应的文件2、创建一个Univer实例，并注册这些插件3、创建一个空白的UniverSheet4、加载数据与存储加载存储5、完整代码（可以直接复制为
  • mariadb冷备操作流程 运维小杨 mariadb数据库
    1、配置清单10.0.0.23客户端一台，10.0.0.13服务端一台，需要将客户端的数据备份到服务端2、客户端配置2.1开启二进制日志vim/etc/mysql/mariadb.conf.d/50-server.cnf2.2在[mysql]下面添加log_bin=/data/mysql/logs/binlog2.3创建日志目录，给予权限mkdir/data/mysql/logs/-pchownm
  • Python 数据分析：numpy.transpose() ，转换维度。听故事学知识点怎么这么容易？ 好开心啊没烦恼 numpynumpypython开发语言数据分析数据挖掘人工智能机器学习
    目录1一维数组2二维数组3三维数组4欢迎纠错5免费爬虫------以下关于Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML图表FLowch
  • ZLG嵌入式笔记 | rootfs镜像制作其实没那么难 ZLG 致远电子 边缘计算ZLG嵌入式开发应用笔记个人开发物联网
    在嵌入式Linux开发中，文件系统的打包和镜像制作是关键步骤。本文介绍了Linux核心板文件系统的打包与镜像制作方法，适合嵌入式开发人员快速上手。  前言致远电子Linux核心板提供的系统固件里，除了镜像文件之外，通常还会提供文件系统压缩包。镜像文件可以直接用于烧写到目标板，而文件系统压缩包则可以进行部分修改，修改后重新制作镜像文件烧写。这里只讲直接用编译好的二进制文件对文件系
  • 【C++指南】C++ list容器完全解读（三）：list迭代器的实现与优化 倔强的石头_ C++指南c++list开发语言
    .博客主页：倔强的石头的CSDN主页Gitee主页：倔强的石头的gitee主页⏩文章专栏：《C++指南》期待您的关注文章目录引言一、普通迭代器：链表的“导航指针”1.1迭代器的本质1.2迭代器与链表的关系二、const迭代器：数据保护的实现2.1为什么需要const迭代器？2.2独立const迭代器的实现三、模板复用：合并普通与const迭代器3.1STL的迭代器优化思想3.2统一迭代器模板实现3
  • Oracle 递归 + Decode + 分组函数实现复杂树形统计进阶(第二课) AI、少年郎 数据库ORACLE分组求和自动递归树形数据统计
    在上篇文章基础上，我们进一步解决层级数据递归汇总问题——让上级部门的统计结果自动包含所有下级部门数据（含多级子部门），并新增请假天数大于3天的统计维度。通过递归CTE、DECODE函数与分组函数的深度结合，实现真正意义上的树形结构数据聚合。一、业务需求升级：层级汇总与新增统计维度核心目标递归汇总：上级部门数据包含所有直属/非直属下级部门数据（如集团总部需汇总技术研发部、产品运营部及其子部门数据）新
  • ASM系列四 利用Method 组件动态注入方法逻辑 lijingyao8206 字节码技术jvmAOP动态代理ASM
            这篇继续结合例子来深入了解下Method组件动态变更方法字节码的实现。通过前面一篇，知道ClassVisitor 的visitMethod()方法可以返回一个MethodVisitor的实例。那么我们也基本可以知道，同ClassVisitor改变类成员一样，MethodVIsistor如果需要改变方法成员，注入逻辑，也可以
  • java编程思想 --内部类 百合不是茶 java内部类匿名内部类
    内部类;了解外部类 并能与之通信 内部类写出来的代码更加整洁与优雅   1,内部类的创建  内部类是创建在类中的 package com.wj.InsideClass; /* * 内部类的创建 */ public class CreateInsideClass { public CreateInsideClass(
  • web.xml报错 crabdave web.xml
    web.xml报错   The content of element type "web-app" must match "(icon?,display-  name?,description?,distributable?,context-param*,filter*,filter-mapping*,listener*,servlet*,s
  • 泛型类的自定义 麦田的设计者 javaandroid泛型
       为什么要定义泛型类，当类中要操作的引用数据类型不确定的时候。 采用泛型类，完成扩展。   例如有一个学生类     Student{ Student(){ System.out.println("I'm a student....."); } }  有一个老师类  
  • CSS清除浮动的4中方法 IT独行者 JavaScriptUIcss
    清除浮动这个问题，做前端的应该再熟悉不过了，咱是个新人，所以还是记个笔记，做个积累，努力学习向大神靠近。CSS清除浮动的方法网上一搜，大概有N多种，用过几种，说下个人感受。 1、结尾处加空div标签 clear:both 1 2 3 4 .div 1 { background : #000080 ; border : 1px   s
  • Cygwin使用windows的jdk 配置方法 _wy_ jdkwindowscygwin
    1.[vim /etc/profile]    JAVA_HOME="/cgydrive/d/Java/jdk1.6.0_43"  (windows下jdk路径为D:\Java\jdk1.6.0_43)    PATH="$JAVA_HOME/bin:${PATH}"    CLAS
  • linux下安装maven 无量 mavenlinux安装
    Linux下安装maven(转) 1.首先到Maven官网 下载安装文件，目前最新版本为3.0.3，下载文件为 apache-maven-3.0.3-bin.tar.gz，下载可以使用wget命令； 2.进入下载文件夹，找到下载的文件，运行如下命令解压 tar -xvf  apache-maven-2.2.1-bin.tar.gz 解压后的文件夹
  • tomcat的https 配置,syslog-ng配置 aichenglong tomcathttp跳转到httpssyslong-ng配置syslog配置
    1) tomcat配置https,以及http自动跳转到https的配置     1)TOMCAT_HOME目录下生成密钥(keytool是jdk中的命令)      keytool -genkey -alias tomcat -keyalg RSA -keypass changeit -storepass changeit
  • 关于领号活动总结 alafqq 活动
    关于某彩票活动的总结 具体需求，每个用户进活动页面，领取一个号码，1000中的一个； 活动要求 1，随机性，一定要有随机性； 2，最少中奖概率，如果注数为3200注，则最多中4注 3，效率问题，（不能每个人来都产生一个随机数，这样效率不高）； 4，支持断电（仍然从下一个开始），重启服务；（存数据库有点大材小用，因此不能存放在数据库） 解决方案 1，事先产生随机数1000个，并打
  • java数据结构 冒泡排序的遍历与排序 百合不是茶 java
    java的冒泡排序是一种简单的排序规则   冒泡排序的原理：           比较两个相邻的数，首先将最大的排在第一个，第二次比较第二个 ，此后一样；         针对所有的元素重复以上的步骤，除了最后一个     例题；将int array[]
  • JS检查输入框输入的是否是数字的一种校验方法 bijian1013 js
    如下是JS检查输入框输入的是否是数字的一种校验方法： <form method=post target="_blank"> 数字：<input type="text" name=num onkeypress="checkNum(this.form)"><br> </form>
  • Test注解的两个属性：expected和timeout bijian1013 javaJUnitexpectedtimeout
    JUnit4：Test文档中的解释： 　　The Test annotation supports two optional parameters. 　　The first, expected, declares that a test method should throw an exception. 　　If it doesn't throw an exception or if it
  • [Gson二]继承关系的POJO的反序列化 bit1129 POJO
    父类     package inheritance.test2; import java.util.Map; public class Model { private String field1; private String field2; private Map<String, String> infoMap
  • 【Spark八十四】Spark零碎知识点记录 bit1129 spark
    1. ShuffleMapTask的shuffle数据在什么地方记录到MapOutputTracker中的 ShuffleMapTask的runTask方法负责写数据到shuffle map文件中。当任务执行完成成功，DAGScheduler会收到通知，在DAGScheduler的handleTaskCompletion方法中完成记录到MapOutputTracker中  
  • WAS各种脚本作用大全 ronin47 WAS 脚本
    　　　http://www.ibm.com/developerworks/cn/websphere/library/samples/SampleScripts.html 　　　无意中，在WAS官网上发现的各种脚本作用，感觉很有作用，先与各位分享一下 　　　 获取下载 这些示例 jacl 和 Jython 脚本可用于在 WebSphere Application Server 的不同版本中自
  • java-12.求 1+2+3+..n不能使用乘除法、 for 、 while 、 if 、 else 、 switch 、 case 等关键字以及条件判断语句 bylijinnan switch
    借鉴网上的思路，用java实现： public class NoIfWhile { /** * @param args * * find x=1+2+3+....n */ public static void main(String[] args) { int n=10; int re=find(n); System.o
  • Netty源码学习-ObjectEncoder和ObjectDecoder bylijinnan javanetty
    Netty中传递对象的思路很直观： Netty中数据的传递是基于ChannelBuffer（也就是byte[]）； 那把对象序列化为字节流，就可以在Netty中传递对象了 相应的从ChannelBuffer恢复对象，就是反序列化的过程 Netty已经封装好ObjectEncoder和ObjectDecoder 先看ObjectEncoder ObjectEncoder是往外发送
  • spring 定时任务中cronExpression表达式含义 chicony cronExpression
    一个cron表达式有6个必选的元素和一个可选的元素，各个元素之间是以空格分隔的，从左至右，这些元素的含义如下表所示： 代表含义            是否必须 允许的取值范围         &nb
  • Nutz配置Jndi ctrain JNDI
    1、使用JNDI获取指定资源： var ioc = { dao : { type :"org.nutz.dao.impl.NutDao", args : [ {jndi :"jdbc/dataSource"} ] } } 以上方法,仅需要在容器中配置好数据源,注入到NutDao即可.
  • 解决 /bin/sh^M: bad interpreter: No such file or directory daizj shell
    在Linux中执行.sh脚本，异常/bin/sh^M: bad interpreter: No such file or directory。   分析：这是不同系统编码格式引起的：在windows系统中编辑的.sh文件可能有不可见字符，所以在Linux系统下执行会报以上异常信息。 解决： 1）在windows下转换： 利用一些编辑器如UltraEdit或EditPlus等工具
  • [转]for 循环为何可恨？ dcj3sjt126com 程序员读书
      Java的闭包(Closure)特征最近成为了一个热门话题。 一些精英正在起草一份议案，要在Java将来的版本中加入闭包特征。 然而，提议中的闭包语法以及语言上的这种扩充受到了众多Java程序员的猛烈抨击。 不久前，出版过数十本编程书籍的大作家Elliotte Rusty Harold发表了对Java中闭包的价值的质疑。 尤其是他问道“for 循环为何可恨？”[http://ju
  • Android实用小技巧 dcj3sjt126com android
    1、去掉所有Activity界面的标题栏 　　修改AndroidManifest.xml 　　在application 标签中添加android:theme="@android:style/Theme.NoTitleBar"   2、去掉所有Activity界面的TitleBar 和StatusBar  　　修改AndroidManifes
  • Oracle 复习笔记之序列 eksliang Oracle 序列sequenceOracle sequence
    转载请出自出处：http://eksliang.iteye.com/blog/2098859 1.序列的作用 序列是用于生成唯一、连续序号的对象 一般用序列来充当数据库表的主键值 2.创建序列语法如下：   create sequence s_emp start with 1 --开始值 increment by 1 --増长值 maxval
  • 有“品”的程序员 gongmeitao 工作
    完美程序员的10种品质　　   完美程序员的每种品质都有一个范围，这个范围取决于具体的问题和背景。没有能解决所有问题的   完美程序员（至少在我们这个星球上），并且对于特定问题，完美程序员应该具有以下品质： 　　1. 才智非凡- 能够理解问题、能够用清晰可读的代码翻译并表达想法、善于分析并且逻辑思维能力强   （范围：用简单方式解决复杂问题）　　
  • 使用KeleyiSQLHelper类进行分页查询 hvt sql.netC#asp.nethovertree
    本文适用于sql server单主键表或者视图进行分页查询，支持多字段排序。KeleyiSQLHelper类的最新代码请到http://hovertree.codeplex.com/SourceControl/latest下载整个解决方案源代码查看。或者直接在线查看类的代码：http://hovertree.codeplex.com/SourceControl/latest#HoverTree.D
  • SVG 教程 （三）圆形，椭圆，直线 天梯梦 svg
    SVG <circle> SVG 圆形 - <circle> <circle> 标签可用来创建一个圆： 下面是SVG代码： <svg xmlns="http://www.w3.org/2000/svg" version="1.1"> <circle cx="100" c
  • 链表栈 luyulong java数据结构
    public class Node { private Object object; private Node next; public Node() { this.next = null; this.object = null; } public Object getObject() { return object; } public
  • 基础数据结构和算法十：2-3 search tree sunwinner Algorithm2-3 search tree
      Binary search tree works well for a wide variety of applications, but they have poor worst-case performance. Now we introduce a type of binary search tree where costs are guaranteed to be loga
  • spring配置定时任务 stunizhengjia springtimer
    最近因工作的需要，用到了spring的定时任务的功能,觉得spring还是很智能化的,只需要配置一下配置文件就可以了,在此记录一下，以便以后用到：     //------------------------定时任务调用的方法------------------------------ /** * 存储过程定时器 */ publi
  • ITeye 8月技术图书有奖试读获奖名单公布 ITeye管理员 活动
    ITeye携手博文视点举办的8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。 8月试读活动回顾： http://webmaster.iteye.com/blog/2102830 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）： 《跨终端Web》 gleams：http
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他