- 【YOLO】常用脚本
我才是真正的17号
脚本YOLO人工智能深度学习
目录VOC转YOLO划分训练集、测试集与验证集VOC转YOLOimportosimportxml.etree.ElementTreeasETdefconvert(size,box):dw=1./size[0]dh=1./size[1]x=(box[0]+box[1])/2.0y=(box[2]+box[3])/2.0w=box[1]-box[0]h=box[3]-box[2]x=x*dww=w*d
- 利用Blackbox AI让编程更轻松
人工智能ai开发图像处理
引言随着人工智能技术的发展,AI已经成为工作中不可缺少的工具之一。俗话讲“术业有专攻”,对AI来说当然也是如此。由于训练集、调教等方面的差别,不同的AI适用的工作也不尽相同。在编程辅助方面,已经有一系列比较成熟的平台,但它们一方面价格昂贵,另一方面功能比较单一。Blackbox.ai是一个新出现的人工智能平台,它主要针对的是编程和机器学习方面的AI技术落地。和其他AI平台相比,它提供了简洁美观的界
- 拉普拉斯平滑(Laplacian smoothing)
潜心学习的渣渣
机器学习
概念零概率问题:在计算事件的概率时,如果某个事件在观察样本库(训练集)中没有出现过,会导致该事件的概率结果是0。这是不合理的,不能因为一个事件没有观察到,就被认为该事件一定不可能发生(即该事件的概率为0)。拉普拉斯平滑(Laplaciansmoothing)是为了解决零概率的问题。法国数学家拉普拉斯最早提出用加1的方法,估计没有出现过的现象的概率。理论假设:假定训练样本很大时,每个分量x的计数加1
- Pytorch学习之路(3)
AAAx1anyu
Pytorch学习之旅学习人工智能pytorch深度学习笔记
一.机器学习任务的整体流程1.数据预处理:数据格式统一、异常数据消除、必要数据转换,划分训练集、验证集、测试集2.选择模型3.设定损失函数、优化方法、对应的超参数4.用模型拟合训练集数据,在验证集/测试集上计算模型表现二.数据读入pytorch数据读入通过Dataset+DataLoader的方式完成,Dataset定义好数据的格式和数据变换形式,DataLoader用iterative的方式不断
- 《深度解析:批量、随机和小批量梯度下降的区别与应用》
人工智能深度学习
在机器学习和深度学习的领域中,梯度下降算法是优化模型参数的核心工具之一。而批量梯度下降(BGD)、随机梯度下降(SGD)和小批量梯度下降(MBGD)是梯度下降算法的三种常见变体,它们在计算效率、收敛速度和准确性等方面各有特点。原理与计算方式批量梯度下降(BGD):BGD在每次迭代时,都会使用整个训练数据集来计算损失函数的梯度,然后根据梯度更新模型参数。例如,若训练集中有1000个样本,那么每次迭代
- Laplace(拉普拉斯)平滑
郑万通
机器学习平滑技术拉普拉斯平滑机器学习Laplace
平滑技术平滑技术是为了解决训练集的数据稀松问题。零概率问题,就是在计算实例的概率时,如果某个量x,在观察样本库(训练集)中没有出现过,会导致整个实例的概率结果是0。在文本分类的问题中,当一个词语没有在训练样本中出现,该词语调概率为0,使用连乘计算文本出现概率时也为0。这是不合理的,不能因为一个事件没有观察到就武断的认为该事件的概率是0。一般的m阶马尔科夫链转移概率是这样训练的:P(cm+1|c1c
- 自动评估基准 | 技巧与提示
人工智能
技巧与提示这是自动评估基准系列文章的第四篇,敬请关注系列文章:基础概念设计你的自动评估任务一些评估测试集技巧与提示数据污染管理通常我们会假设在互联网上公开可用的数据集是存在数据污染问题的。缓解措施有:测试集中加入哨兵字符串(canarystring)(如BigBench),这是一种特殊的字符组合,使得模型创建者可以在训练集中查找,来表明该数据中是否包含评估。测试集采用加密或门控形式,以防被网络爬虫
- 深度学习-与OCR结合
小赖同学啊
人工智能深度学习ocr人工智能
光学字符识别(OCR)旨在将图像中的文本信息转换为计算机可编辑的文本,深度学习技术能够显著提升OCR的准确性和泛化能力。下面为你介绍如何将深度学习与OCR结合,同时给出使用Python和相关库实现的代码示例。整体思路结合深度学习实现OCR通常包含以下几个步骤:数据准备:收集和标注包含文本的图像数据,构建训练集和测试集。模型构建:选择合适的深度学习模型,如卷积神经网络(CNN)结合循环神经网络(RN
- 【深度学习实战:kaggle自然场景的图像分类-----使用keras框架实现vgg16的迁移学习】
机器学习司猫白
深度学习分类keras
Hello大家好,今天和大家分享一个kaggle自然场景的图像分类的竞赛,使用的keras框架实现vgg16的迁移学习完成自然场景分类,对数据集感兴趣的同学可以在上方下载数据集。项目简介本次数据集来自kaggle,该数据集包括自然场景的图像。模型应该预测每个图像的正确标签。您的目标是实现分类问题的高精度。数据集train.csv-训练集test.csv-测试集SceneImages-图像文件夹训练
- Algorithm:【算法进阶之路】之算法面试刷题集合—字符串相关算法的简介、习题集合(字符串的排列/无重复字符的最长子串/最长公共前缀/最长回文子串/字符串相乘/反转字符串中的单词/单词拆分/字符串
一个处女座的程序猿
Matlab/C++/SQLPython编程(初级+进阶)字符串相关算法
Algorithm:【算法进阶之路】之算法面试刷题集合—字符串相关算法的简介、习题集合(字符串的排列/无重复字符的最长子串/最长公共前缀/最长回文子串/字符串相乘/反转字符串中的单词/单词拆分/字符串解码/简化路径/复原IP地址,字符串的循环左移/字符串的全排列/带有同个字符的全排列/串匹配问题的BF算法和KMP算法)目录一、字符串相关的算法题(1)、字符串的排列☆☆☆(2)、无重复字符的最长子串
- k折交叉验证(k-fold Cross-validation)
向大厂出发
python开发语言
一、基本概述交叉验证是在机器学习建立模型和验证模型参数时常用的办法,一般被用于评估一个机器学习模型的表现。更多的情况下,我们也用交叉验证来进行模型选择(modelselection)。交叉验证,顾名思义,就是重复的使用数据,把得到的样本数据进行切分,组合为不同的训练集和测试集,用训练集来训练模型,用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集,某次训练集中的某样本在下次可
- Kfold交叉验证心得
野营者007
感想MachineLearningKFold
运用Kfold交叉验证时,在一个限度内k的值越大越好。因为k越大我们验证的次数就越多,最后取出来的平均数越能代表训练模型的准确度。但是k是需要在一个限度之内的。k太大有两个坏处。1.容易给机器造成过重负担,花费大量时间。2.每一次验证的测试集(或验证集)中数据太少,很难得到准确的误报率。总体而言,k一般取10,取值依不同项目情况而定,当然一定存在k<n(训练集数据条数)。
- 一、TensorFlow的建模流程
李建军
TensorFlowtensorflow人工智能python
1.数据准备与预处理:加载数据:使用内置数据集或自定义数据。预处理:归一化、调整维度、数据增强。划分数据集:训练集、验证集、测试集。转换为Dataset对象:利用tf.data优化数据流水线。importtensorflowastffromtensorflow.kerasimportlayers#加载MNIST数据集(x_train,y_train),(x_test,y_test)=tf.kera
- 目标检测数据集-Pascal VOC 数据集介绍
AI研习图书馆
深度学习数据集目标检测数据集VOC2007
个人微信公众号:AI研习图书馆ID:(Art-Intelligence)欢迎关注,交流学习,共同进步~1.引言PASCALVOC数据集,为图像识别和分类提供了一整套标准化的优秀数据集,从2005年到2012年每年都会举行一场图像识别challenge。该挑战的主要目的是识别真实场景中一些类别的物体。在该挑战中,这是一个监督学习的问题,训练集以带标签的图片的形式给出。介绍PascalVOC数据集:C
- 自定义数据集 使用scikit-learn中svm的包实现svm分类
知识鱼丸
machinelearning人工智能
数据集生成:-使用make_classification函数生成包含1000个样本的数据集,设置20个特征,其中10个是有信息的特征,类别数为2,通过设置random_state=42保证每次运行生成的数据相同。数据划分:-使用train_test_split函数将生成的数据集划分为训练集和测试集,测试集占比为20%,同样通过random_state=42保证划分的一致性。SVM模型:-初始化SV
- python中keras_Python深度学习——keras(一)
weixin_39534321
python中keras
神经网络的核心组件是层(layer),它是一种数据处理模块,可以看成是一个数据过滤器。进去一些数据,出来的数据变得更加有用(吃进去的是草,挤出来的是奶)。大多数深度学习,都是将若干个简单的层给链接起来,实现渐进式的数据过滤,也就是数据蒸馏(过滤到一定程度就等同于蒸馏)首先来看一个数字识别的案例(1)读取训练集和测试集fromkeras.datasetsimportmnist#加载keras中的mn
- python 图像特征提取_python实现LBP方法提取图像纹理特征实现分类的步骤
weixin_39969060
python图像特征提取
题目描述这篇博文是数字图像处理的大作业.题目描述:给定40张不同风格的纹理图片,大小为512*512,要求将每张图片分为大小相同的9块,利用其中的5块作为训练集,剩余的4块作为测试集,构建适当的模型实现图片的分类.图片如下图所示:分析:由于数据集太小,所以神经网络模型并不适合此类的图像处理.就需要寻找方法提取图像的纹理信息.本文采用LBP的方法提取图像的纹理信息,然后转化成直方图作为图像的特征,然
- 使用 Python 的 LSTM 进行股市预测
无水先生
数据分析深度学习人工智能综合pythonlstm开发语言
目录一、说明二、为什么需要时间序列模型?三、下载数据3.1从Alphavantage获取数据3.1从Kaggle获取数据3.3数据探索3.4数据可视化四、将数据拆分为训练集和测试集五、数据标准化六、通过平均进行一步预测6.1标准平均值6.2指数移动平均线6.3如果指数移动平均线这么好,为什么还需要更好的模型?6.4预测未来不止一步七、LSTM简介:预测未来的股票走势7.1数据生成器7.2数据增强7
- 深度学习基因组学+机器学习单细胞分析,当下最火热研究方向!
qwmb919
人工智能深度学习机器学习python
深度学习已经被广泛应用于基因组学研究中,利用已知的训练集对数据的类型和应答结果进行预测,深度学习,可以进行预测和降维分析。深度学习模型的能力更强且更灵活,在适当的训练数据下,深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学,变异检测,致病性评分成功应用。深度学习可以提高基因组数据的可解释性,并将基因组数据转化为可操作的临床信息。深度学习通过强大的深度神经网络模型从高维大数据中自动
- TensorBoard可视化工具支持哪些类型的图表?
alankuo
人工智能
TensorBoard支持多种类型的图表,以下是详细介绍:标量图(Scalars)定义与用途:用于展示单个数值随时间(通常是训练步骤或迭代次数)的变化情况。在深度学习模型训练中,最常见的是损失函数值和评估指标(如准确率、精确率、召回率等)的变化曲线。示例:例如,在训练一个图像分类模型时,记录训练集和测试集上的损失函数值。通过标量图,可以直观地看到随着训练轮次(epochs)的增加,损失函数值是如何
- machine learning knn算法之使用KNN对鸢尾花数据集进行分类
知识鱼丸
machinelearning机器学习算法分类
通过导入必要的scikit-learn导入必要的库,加载给定的数据,划分测试集和训练集之后训练预测和评估即可具体代码如下:importnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardS
- 二、机器学习模型评估与选择
没见过西瓜嘛
机器学习学习笔记机器学习人工智能数据分析
机器学习模型评估与选择学习笔记一、核心概念1.1经验误差与过拟合误差相关定义错误率与精度:分类错误样本数占样本总数比例为错误率E=a/mE=a/mE=a/m,精度=1-错误率。训练误差与泛化误差:学习器在训练集上误差为训练误差(经验误差),在新样本上误差为泛化误差,泛化误差越小越好。过拟合与欠拟合过拟合:学习器把训练样本学得“太好”,将训练样本特点当作所有样本一般性质,导致泛化性能下降。欠拟合:学
- 深度学习——模型过拟合和欠拟合的原因及解决方法
发呆小天才O.o
深度学习深度学习人工智能
一、定义1.过拟合(Overfitting)过拟合是指模型在训练数据上表现非常好,但在测试数据或新的数据上表现很差的现象。模型过度地学习了训练数据中的细节和噪声,以至于它无法很好地泛化到未见过的数据。例如,在一个图像分类任务中,过拟合的模型可能对训练集中的每一张图像的特定细节(如某张猫图片背景中的一个小污点)都学习得过于精细,以至于在测试集中,只要图像背景稍有不同,就无法正确分类。2.欠拟合(Un
- fit_transform,fit,transform区别和作用
浊酒南街
#机器学习深度学习人工智能
目录前言fit,transform,fit_transform函数介绍函数使用示例前言sklearn中封装的各种算法调用之前都要fit。fit相对于整个代码而言,为后续API服务,用于从一个训练集中学习模型参数,包括归一化时要用到的均值,标准偏差。fit之后,可以调用各种API方法,transform是其中之一。所以当你调用transform之外的方法,也必须要先fit。但是fit与transfo
- 探索泰坦尼克号生存分类数据集:机器学习与数据分析的完美起点
岑童嵘
探索泰坦尼克号生存分类数据集:机器学习与数据分析的完美起点【下载地址】泰坦尼克号生存分类数据集本仓库提供了一个经典的机器学习数据集——泰坦尼克号生存分类数据集。该数据集包含两个CSV文件:训练集和测试集。数据集主要用于训练和评估机器学习模型,以预测泰坦尼克号乘客的生存情况项目地址:https://gitcode.com/open-source-toolkit/35561项目介绍泰坦尼克号生存分类数
- 机器学习-期末测试
难以触及的高度
机器学习python人工智能
机器学习-期末测试线性回归1.代码展示#coding=UTF-8#拆分训练集和测试集importmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_split#是线性回归类是sklearn写好的根据梯度下降法fromsklearn.linear_modelimportLinearRegressionimportpand
- 单层感知机----或门实现
翔翔子1号
文章目录一、前言---感知机二、实现过程1.引入库2.或门真值表-训练集数据3.建立model,初始化定义权重、偏置、学习率4.前向传播定义5.训练过程(更新权重和偏置)6.训练模型一、前言—感知机感知机(Perceptron)模型是由美国心理学家弗兰克罗森布拉特于1957年提出的一种具有单层计算单元的神经网络。这个模型旨在建立一个线性超平面来解决线性可分问题,就如我们现在的或门分类。二、实现过程
- 【机器学习:二十、拆分原始训练集】
KeyPan
机器学习机器学习人工智能深度学习pytorch神经网络
1.如何改进模型模型的改进需求在机器学习任务中,模型性能的提升通常受限于训练数据、模型架构、优化方法及超参数设置等。模型改进的目标是在测试数据上表现更优,避免过拟合或欠拟合。常见的改进方向增大训练数据集:通过数据增强或获取更多样本提高模型泛化能力。改进模型结构:例如增加网络层数、调整神经元数目或选择更适合任务的架构。优化损失函数:根据任务特点选择合适的损失函数,例如交叉熵损失或均方误差。调整超参数
- 粉尘识别数据集——工地/矿下粉尘数据识别,数据集已划分,YOLO格式-有权重,相关指数,map相当高
毕设宇航
YOLO机器学习目标跟踪
数据集名称粉尘识别数据集数据集描述这是一个专门针对工地或矿下粉尘识别设计的数据集,包含了大量的高清图像,用于识别施工或采矿环境中产生的粉尘。数据集已经按照标准的数据划分方法分为训练集、验证集和测试集,并且以YOLO格式进行了标注。此外,数据集中还包含了预训练的模型权重和相关性能指标,如mAP(MeanAveragePrecision),表明模型在粉尘识别任务上的表现优异。数据集特点高清图像:所有图
- Tensorflow中Keras搭建神经网络六步法及参数详解 -- Tensorflow自学笔记12
青瓷看世界
tensorflow笔记人工智能深度学习神经网络
一.tf.keras搭建神经网络六步法1.import相关模块如importtensorflowastf。2.指定输入网络的训练集和测试集如指定训练集的输入x_train和标签y_train,测试集的输入x_test和标签y_test。3.逐层搭建网络结构model=tf.keras.models.Sequential()。4.在model.compile()中配置训练方法选择训练时使用的优化器、
- 微信开发者验证接口开发
362217990
微信 开发者 token 验证
微信开发者接口验证。
Token,自己随便定义,与微信填写一致就可以了。
根据微信接入指南描述 http://mp.weixin.qq.com/wiki/17/2d4265491f12608cd170a95559800f2d.html
第一步:填写服务器配置
第二步:验证服务器地址的有效性
第三步:依据接口文档实现业务逻辑
这里主要讲第二步验证服务器有效性。
建一个
- 一个小编程题-类似约瑟夫环问题
BrokenDreams
编程
今天群友出了一题:
一个数列,把第一个元素删除,然后把第二个元素放到数列的最后,依次操作下去,直到把数列中所有的数都删除,要求依次打印出这个过程中删除的数。
&
- linux复习笔记之bash shell (5) 关于减号-的作用
eksliang
linux关于减号“-”的含义linux关于减号“-”的用途linux关于“-”的含义linux关于减号的含义
转载请出自出处:
http://eksliang.iteye.com/blog/2105677
管道命令在bash的连续处理程序中是相当重要的,尤其在使用到前一个命令的studout(标准输出)作为这次的stdin(标准输入)时,就显得太重要了,某些命令需要用到文件名,例如上篇文档的的切割命令(split)、还有
- Unix(3)
18289753290
unix ksh
1)若该变量需要在其他子进程执行,则可用"$变量名称"或${变量}累加内容
什么是子进程?在我目前这个shell情况下,去打开一个新的shell,新的那个shell就是子进程。一般状态下,父进程的自定义变量是无法在子进程内使用的,但通过export将变量变成环境变量后就能够在子进程里面应用了。
2)条件判断: &&代表and ||代表or&nbs
- 关于ListView中性能优化中图片加载问题
酷的飞上天空
ListView
ListView的性能优化网上很多信息,但是涉及到异步加载图片问题就会出现问题。
具体参看上篇文章http://314858770.iteye.com/admin/blogs/1217594
如果每次都重新inflate一个新的View出来肯定会造成性能损失严重,可能会出现listview滚动是很卡的情况,还会出现内存溢出。
现在想出一个方法就是每次都添加一个标识,然后设置图
- 德国总理默多克:给国人的一堂“震撼教育”课
永夜-极光
教育
http://bbs.voc.com.cn/topic-2443617-1-1.html德国总理默多克:给国人的一堂“震撼教育”课
安吉拉—默克尔,一位经历过社会主义的东德人,她利用自己的博客,发表一番来华前的谈话,该说的话,都在上面说了,全世界想看想传播——去看看默克尔总理的博客吧!
德国总理默克尔以她的低调、朴素、谦和、平易近人等品格给国人留下了深刻印象。她以实际行动为中国人上了一堂
- 关于Java继承的一个小问题。。。
随便小屋
java
今天看Java 编程思想的时候遇见一个问题,运行的结果和自己想想的完全不一样。先把代码贴出来!
//CanFight接口
interface Canfight {
void fight();
}
//ActionCharacter类
class ActionCharacter {
public void fight() {
System.out.pr
- 23种基本的设计模式
aijuans
设计模式
Abstract Factory:提供一个创建一系列相关或相互依赖对象的接口,而无需指定它们具体的类。 Adapter:将一个类的接口转换成客户希望的另外一个接口。A d a p t e r模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。 Bridge:将抽象部分与它的实现部分分离,使它们都可以独立地变化。 Builder:将一个复杂对象的构建与它的表示分离,使得同
- 《周鸿祎自述:我的互联网方法论》读书笔记
aoyouzi
读书笔记
从用户的角度来看,能解决问题的产品才是好产品,能方便/快速地解决问题的产品,就是一流产品.
商业模式不是赚钱模式
一款产品免费获得海量用户后,它的边际成本趋于0,然后再通过广告或者增值服务的方式赚钱,实际上就是创造了新的价值链.
商业模式的基础是用户,木有用户,任何商业模式都是浮云.商业模式的核心是产品,本质是通过产品为用户创造价值.
商业模式还包括寻找需求
- JavaScript动态改变样式访问技术
百合不是茶
JavaScriptstyle属性ClassName属性
一:style属性
格式:
HTML元素.style.样式属性="值";
创建菜单:在html标签中创建 或者 在head标签中用数组创建
<html>
<head>
<title>style改变样式</title>
</head>
&l
- jQuery的deferred对象详解
bijian1013
jquerydeferred对象
jQuery的开发速度很快,几乎每半年一个大版本,每两个月一个小版本。
每个版本都会引入一些新功能,从jQuery 1.5.0版本开始引入的一个新功能----deferred对象。
&nb
- 淘宝开放平台TOP
Bill_chen
C++c物流C#
淘宝网开放平台首页:http://open.taobao.com/
淘宝开放平台是淘宝TOP团队的产品,TOP即TaoBao Open Platform,
是淘宝合作伙伴开发、发布、交易其服务的平台。
支撑TOP的三条主线为:
1.开放数据和业务流程
* 以API数据形式开放商品、交易、物流等业务;
&
- 【大型网站架构一】大型网站架构概述
bit1129
网站架构
大型互联网特点
面对海量用户、海量数据
大型互联网架构的关键指标
高并发
高性能
高可用
高可扩展性
线性伸缩性
安全性
大型互联网技术要点
前端优化
CDN缓存
反向代理
KV缓存
消息系统
分布式存储
NoSQL数据库
搜索
监控
安全
想到的问题:
1.对于订单系统这种事务型系统,如
- eclipse插件hibernate tools安装
白糖_
Hibernate
eclipse helios(3.6)版
1.启动eclipse 2.选择 Help > Install New Software...> 3.添加如下地址:
http://download.jboss.org/jbosstools/updates/stable/helios/ 4.选择性安装:hibernate tools在All Jboss tool
- Jquery easyui Form表单提交注意事项
bozch
jquery easyui
jquery easyui对表单的提交进行了封装,提交的方式采用的是ajax的方式,在开发的时候应该注意的事项如下:
1、在定义form标签的时候,要将method属性设置成post或者get,特别是进行大字段的文本信息提交的时候,要将method设置成post方式提交,否则页面会抛出跨域访问等异常。所以这个要
- Trie tree(字典树)的Java实现及其应用-统计以某字符串为前缀的单词的数量
bylijinnan
java实现
import java.util.LinkedList;
public class CaseInsensitiveTrie {
/**
字典树的Java实现。实现了插入、查询以及深度优先遍历。
Trie tree's java implementation.(Insert,Search,DFS)
Problem Description
Igna
- html css 鼠标形状样式汇总
chenbowen00
htmlcss
css鼠标手型cursor中hand与pointer
Example:CSS鼠标手型效果 <a href="#" style="cursor:hand">CSS鼠标手型效果</a><br/>
Example:CSS鼠标手型效果 <a href="#" style=&qu
- [IT与投资]IT投资的几个原则
comsci
it
无论是想在电商,软件,硬件还是互联网领域投资,都需要大量资金,虽然各个国家政府在媒体上都给予大家承诺,既要让市场的流动性宽松,又要保持经济的高速增长....但是,事实上,整个市场和社会对于真正的资金投入是非常渴望的,也就是说,表面上看起来,市场很活跃,但是投入的资金并不是很充足的......
 
- oracle with语句详解
daizj
oraclewithwith as
oracle with语句详解 转
在oracle中,select 查询语句,可以使用with,就是一个子查询,oracle 会把子查询的结果放到临时表中,可以反复使用
例子:注意,这是sql语句,不是pl/sql语句, 可以直接放到jdbc执行的
----------------------------------------------------------------
- hbase的简单操作
deng520159
数据库hbase
近期公司用hbase来存储日志,然后再来分析 ,把hbase开发经常要用的命令找了出来.
用ssh登陆安装hbase那台linux后
用hbase shell进行hbase命令控制台!
表的管理
1)查看有哪些表
hbase(main)> list
2)创建表
# 语法:create <table>, {NAME => <family&g
- C语言scanf继续学习、算术运算符学习和逻辑运算符
dcj3sjt126com
c
/*
2013年3月11日20:37:32
地点:北京潘家园
功能:完成用户格式化输入多个值
目的:学习scanf函数的使用
*/
# include <stdio.h>
int main(void)
{
int i, j, k;
printf("please input three number:\n"); //提示用
- 2015越来越好
dcj3sjt126com
歌曲
越来越好
房子大了电话小了 感觉越来越好
假期多了收入高了 工作越来越好
商品精了价格活了 心情越来越好
天更蓝了水更清了 环境越来越好
活得有奔头人会步步高
想做到你要努力去做到
幸福的笑容天天挂眉梢 越来越好
婆媳和了家庭暖了 生活越来越好
孩子高了懂事多了 学习越来越好
朋友多了心相通了 大家越来越好
道路宽了心气顺了 日子越来越好
活的有精神人就不显
- java.sql.SQLException: Value '0000-00-00' can not be represented as java.sql.Tim
feiteyizu
mysql
数据表中有记录的time字段(属性为timestamp)其值为:“0000-00-00 00:00:00”
程序使用select 语句从中取数据时出现以下异常:
java.sql.SQLException:Value '0000-00-00' can not be represented as java.sql.Date
java.sql.SQLException: Valu
- Ehcache(07)——Ehcache对并发的支持
234390216
并发ehcache锁ReadLockWriteLock
Ehcache对并发的支持
在高并发的情况下,使用Ehcache缓存时,由于并发的读与写,我们读的数据有可能是错误的,我们写的数据也有可能意外的被覆盖。所幸的是Ehcache为我们提供了针对于缓存元素Key的Read(读)、Write(写)锁。当一个线程获取了某一Key的Read锁之后,其它线程获取针对于同
- mysql中blob,text字段的合成索引
jackyrong
mysql
在mysql中,原来有一个叫合成索引的,可以提高blob,text字段的效率性能,
但只能用在精确查询,核心是增加一个列,然后可以用md5进行散列,用散列值查找
则速度快
比如:
create table abc(id varchar(10),context blog,hash_value varchar(40));
insert into abc(1,rep
- 逻辑运算与移位运算
latty
位运算逻辑运算
源码:正数的补码与原码相同例+7 源码:00000111 补码 :00000111 (用8位二进制表示一个数)
负数的补码:
符号位为1,其余位为该数绝对值的原码按位取反;然后整个数加1。 -7 源码: 10000111 ,其绝对值为00000111 取反加一:11111001 为-7补码
已知一个数的补码,求原码的操作分两种情况:
- 利用XSD 验证XML文件
newerdragon
javaxmlxsd
XSD文件 (XML Schema 语言也称作 XML Schema 定义(XML Schema Definition,XSD)。 具体使用方法和定义请参看:
http://www.w3school.com.cn/schema/index.asp
java自jdk1.5以上新增了SchemaFactory类 可以实现对XSD验证的支持,使用起来也很方便。
以下代码可用在J
- 搭建 CentOS 6 服务器(12) - Samba
rensanning
centos
(1)安装
# yum -y install samba
Installed:
samba.i686 0:3.6.9-169.el6_5
# pdbedit -a rensn
new password:123456
retype new password:123456
……
(2)Home文件夹
# mkdir /etc
- Learn Nodejs 01
toknowme
nodejs
(1)下载nodejs
https://nodejs.org/download/ 选择相应的版本进行下载 (2)安装nodejs 安装的方式比较多,请baidu下
我这边下载的是“node-v0.12.7-linux-x64.tar.gz”这个版本 (1)上传服务器 (2)解压 tar -zxvf node-v0.12.
- jquery控制自动刷新的代码举例
xp9802
jquery
1、html内容部分 复制代码代码示例: <div id='log_reload'>
<select name="id_s" size="1">
<option value='2'>-2s-</option>
<option value='3'>-3s-</option