- python里的i_Python 中[::] 与 [:,:,i] 总结
桌游顽主的航仔
python里的i
最近在学吴恩达的DeepLearning中的第五门课SequenceModel,第一个lab是用Numpy搭建RNN,在搭建RNN的时候用到了Numpy的Slicing([:,:,i]),在这里想总结下[:,:,i]与[::i]的用法,有写的不对的地方请随时指教。总的来说,[::i]是Python中的基础索引,而[:,:,i]是Numpy中对于多维度Array的提取,在StackOverflow中
- 机器学习中的增量学习(Incremental Learning,IL)策略是什么?
Chauvin912
机器学习算法科普机器学习学习人工智能
机器学习中的增量学习(IncrementalLearning,IL)策略是什么?在当今快速发展的数据驱动世界中,传统的静态机器学习模型逐渐显露出局限性。随着数据量的增长和分布的变化,模型需要不断更新,以保持其预测能力和适应性。然而,频繁的重新训练不仅耗费大量资源,还会导致模型丧失对旧数据的记忆,这被称为“灾难性遗忘”(CatastrophicForgetting)现象。为解决这一问题,增量学习(I
- 机器学习 第9章-聚类
Rin__________
机器学习笔记机器学习聚类支持向量机
机器学习第9章-聚类9.1聚类任务在“无监督学习”(unsupervisedlearning)中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”(clustering)。聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”(cluster)。通过这样的划分,每
- 机器学习入门:机器学习的基本概念
Louis0687
姓名:高亦凡学号:19020100056学院:电子工程学院转载自:原文链接【嵌牛导读】机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,是人工智能技术的核心。【嵌牛鼻子】机器学习【嵌牛提问】什么是机器学
- 智能合约漏洞检测论文
weixin_45332030
智能合约
综述TestingEthereumSmartContracts:AComparisonofSymbolicAnalysisandFuzzTestingTools符号执行与模糊测试工具的比较综述DeepLearningBasedVulnerabilityDetection:AreWeThereYet?基于深度学习的漏洞检测研究https://github.com/VulDetProject/ReVe
- Day8 learning english
居燃心理咨询师
JustnowcalledtomysonHeisbeforemydoorwaitingformeIamsotouchedMysonmissmesomuchIwanttoflytohimHeissolovelyLastnightplaywithhimforhalfanhourNowigohomeforplaywithmysonSohappy
- cv2 画多边形不填充_opencv 画图
虎哥说衣不二
cv2画多边形不填充
learningopencv第6章第1题解决方案前言opencv提供了丰富的函数用以图形绘制,包括矩形,线条,椭圆和多边形等,本篇文章对opencv的基本绘图函数做了一些介绍和说明。椭圆绘制绘制椭圆的函数说明和参数说明如下:voidellipse(InputOutputArrayimg,Pointcenter,Sizeaxes,doubleangle,doublestartAngle,double
- 精读Unit4➕视听说Unit3
延畅烨
Part11,从本单元中我学到的最重要的理念(精读和视听说分别总结)精读:ThereisthecontrastsomedrawbetweenaWesternemphasisondiscoverylearningtoencouragecreativityandthetraditionalChinesepreferenceforamoreguidedapproachtodevelopingskills
- L1正则和L2正则
wangke
等高线与路径HOML(Hands-OnMachineLearning)上对L1_norm和L2_norm的解释:左上图是L1_norm.背景是损失函数的等高线(圆形),前景是L1_penalty的等高线(菱形),这两个组成了最终的目标函数.在梯度下降的过程中,对于损失函数的梯度为白色点轨迹,对于L1_penalty函数的梯度为黄色点轨迹.可以看出,黄色的点更容易取值为0.因此在考虑两个损失的权衡时
- 基于强化学习的制造调度智能优化决策
松间沙路hba
智能调度强化学习制造智能排程车间调度APS强化学习
获取更多资讯,赶快关注上面的公众号吧!文章目录调度状态和动作设计调度状态的设计调度动作的设计基于RL的调度算法基于值函数的RL调度算法SARSAQ-learningDQN基于策略的RL调度算法基于RL的调度应用基于RL的单机调度基于RL的并行机调度基于RL的流水车间调度基于RL的作业车间调度基于RL的其他调度RL与元启发式算法在调度中的集成应用讨论问题领域算法领域应用领域参考文献生产调度作为制造系
- 机器学习概述与应用:深度学习、人工智能与经典学习方法
刷刷刷粉刷匠
人工智能机器学习深度学习
引言机器学习(MachineLearning)是人工智能(AI)领域中最为核心的分支之一,其主要目的是通过数据学习和构建模型,帮助计算机系统自动完成特定任务。随着深度学习(DeepLearning)的崛起,机器学习技术在各行各业中的应用变得越来越广泛。在本文中,我们将详细介绍机器学习的基础概念,包括无监督学习、有监督学习、增量学习,以及常见的回归和分类问题,并结合实际代码示例来加深理解。1.机器学
- Datawhale X 李宏毅苹果书 AI夏令营|机器学习基础之案例学习
Monyan
人工智能机器学习学习李宏毅深度学习
机器学习(MachineLearning,ML):机器具有学习的能力,即让机器具备找一个函数的能力函数不同,机器学习的类别不同:回归(regression):找到的函数的输出是一个数值或标量(scalar)。例如:机器学习预测某一个时间段内的PM2.5,机器要找到一个函数f,输入是跟PM2.5有关的的指数,输出是明天中午的PM2.5的值。分类(classification):让机器做选择题,先准备
- R语言 机器学习 KNN 2个例子
waterHBO
r语言机器学习开发语言
代码的写法,参考来源是这本书:MachineLearningwithR,2ndEdition.pdf相关的资源我已经上传了,包括代码,数据,以及这行本书。下载链接–免积分下载。https://download.csdn.net/download/waterHBO/896756871.第一个例子,代码和过程,全部来自书上#我根据书中第三章KNN的内容来做的。#第3章,KNN,K-NearestNei
- PyTorch实现CIFAR-10分类代码
曹勖之
PyTorch学习之路深度学习pytorch
这篇是PyTorch学习之路第七篇,用于记录PyTorch实现CIFAR-10分类代码(书上的代码有好多冗余)目录完整代码(还未训练)完整代码(已训练,直接载入模型)下面实例数据集位于:C:\Users\22130\Learning_Pytorch\dataset完整代码(还未训练)importtorchimporttorchvisionimporttorchvision.transformsas
- 一点机器学习的体会
zfq212
我关心的主要是机器学习有什么用,对未来哪些行业,领域,应用会产生变革级别的影响。为了了解这些,我感觉我首先要了解现在机器学习的主要方向,他们的主要应用,相关的主要工程工具。机器学习跟线性代数和统计联系比较多,所以在做了解时,很容易一不小心就会陷入理论的坑中,不易自拔。传统的机器学习有一套较完整的理论和算法,去scikitlearning网站可以有个大致的了解,或者听下吴恩达老师那门基础ML课程(网
- 游戏AI中的模仿学习
SEU-WYL
深度学习dnn人工智能游戏学习
模仿学习在游戏AI中的应用已经逐渐成为提升游戏智能和玩家体验的重要技术。通过模仿人类玩家的行为,游戏AI可以表现出更加智能、自然的决策和操作能力,使得游戏更加富有挑战性和趣味性。以下是关于游戏AI中模仿学习的详细探讨。1.什么是模仿学习?模仿学习(ImitationLearning)是一种机器学习技术,通过观察和模仿专家(通常是人类玩家)的行为,训练AI模型,使其能够在游戏中执行类似的任务。与传统
- 深度学习学习经验——强化学习(rl)
Linductor
深度学习学习经验深度学习学习人工智能
强化学习强化学习(ReinforcementLearning,RL)是一种机器学习方法,主要用于让智能体(agent)通过与环境的互动,逐步学习如何在不同情况下采取最佳行动,以最大化其获得的累积回报。与监督学习和无监督学习不同,强化学习并不依赖于已标注的数据集,而是通过智能体在环境中的探索和试错来学习最优策略。强化学习的主要特点:基于试错学习:强化学习中的智能体通过与环境的互动,不断尝试不同的行动
- CVPR2024部分研究方向文章梳理(持续更新中)
路漫漫独求索
计算机视觉人工智能深度学习分类AI作画stablediffusion
CVPR2024部分研究方向文章梳理(持续更新中)长尾分布(Long-Tailed)DeiT-LT:DistillationStrikesBackforVisionTransformerTrainingonLong-TailedDatasets.全文地址:DeiT-LT\(rangwani-harsh.github.io\)领域自适应(DomainAdaptation)LearningCNNonV
- 【论文阅读】Model Stealing Attacks Against Inductive Graph Neural Networks(2021)
Bosenya12
科研学习模型窃取论文阅读图神经网络模型窃取
摘要Manyreal-worlddata(真实世界的数据)comeintheformofgraphs(以图片的形式).Graphneuralnetworks(GNNs图神经网络),anewfamilyofmachinelearning(ML)models,havebeenproposedtofullyleveragegraphdata(充分利用图数据)tobuildpowerfulapplicat
- 马尔可夫决策过程(Markov decision process,MDP)
太阳城S
学习笔记马尔可夫决策过程MDP机器学习深度学习
文章目录马尔可夫决策过程(MDP)在机器学习中应用在机器学习中的引用示例引用:实例场景:机器人导航MDP的定义:引用示例:在此基础上更具体的描述,并给出每一步的推断计算过程场景描述:3x3网格中的机器人导航MDP的定义强化学习算法:Q-Learning具体实例与推断计算过程回合1(Episode1Episode1Episode1)回合2(Episode2Episode2Episode2)回合3(E
- 【matlab】分类回归——智能优化算法极限学习机
passion更好
机器学习智能优化算法算法回归数据挖掘
目录引言基本原理主要特点应用领域发展趋势智能优化算法——蜣螂优化算法(DBO)算法原理算法特点应用前景代码实现ELM训练函数——elmtrain函数ELM预测函数——elmpredict函数适应度函数主函数引言极限学习机(ExtremeLearningMachine,ELM)是一种单隐层前馈神经网络(SLFNs)的学习算法,由黄广斌教授于2004年提出。ELM以其训练速度快、泛化能力强、易于实现等
- 【现学现卖】CHEER中的概念解释——k-mer
番茄随笔
“概念理解”CHEER:HierarCHicaltaxonomicclassificationforviralmEtagEnomicdataviadeepleaRning对这篇文章中概念的理解:【现学现卖】CHEER与病毒宏基因组数据分析(1)【现学现卖】CHEER与病毒宏基因组数据分析(2)k-mer单独的k-mer很好理解,就是从一段序列中迭代分割提取长度为k的几个子序列(一般k为奇数,使用例
- Vblog#1 English learning for science research
一粒咖啡
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Englishlearningforscienceresearchintroduction一、GOALsin1month二、PlanseverydaySummeryintroductionIstartedtowritepaperinEnglishinordertoimproveabilityofEnglishandunderstand
- English Learning Programme-20190518
qq_28455125
EnglishEnglishLearninglike
EnglishLearningProgrammeObservantcomplimentarycrucifysawmillblemishsnorenfirstbornhaggardsunburnrectangularventilationObservantObservantwalkersmayseereddeeralongthisstretchoftheroad.观察敏锐的步行者可能在这一路段看到赤
- Unit1复盘
人文2班赵薇
Part11,从本单元中我学到的最重要的理念(精读和视听说分别总结)精读:多多熟悉课文,理解文章意思,会有助于加深对单词,课文的理解。视听说:要多听标准的英语发音,这样对一些我们熟悉的简单词也能很快听出来,多听反复听很重要。2,我在本片文章/音频/视频中学到的怦然心动的单词(精读和视听说分别总结)精读:lenientleft-learningpoliticscynicaltraditionalis
- A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications
UnknownBody
LLMDailySurveyPaperLLMforGraph语言模型人工智能自然语言处理
本文是LLM系列文章,针对《ASurveyofLargeLanguageModelsonGenerativeGraphAnalytics:Query,Learning,andApplications》的翻译。生成图分析的大型语言模型综述:查询、学习和应用摘要1引言2前言3图结构理解任务4图学习任务5图形推理6图表示7基于知识图谱的增强检索8基于图LLM的应用9基准数据集和评估10未来的方向11结论
- CLIP-VIT-L + Qwen 多模态源码阅读 - 语言模型篇(3)
FlowerLoveJava
多模态学习笔记多模态大模型源码阅读学习笔记计算机视觉神经网络自然语言处理图像处理人工智能
多模态学习笔记-语言模型篇(3)参考repo:WatchTower-Liu/VLM-learning;url:VLLM-BASE吐槽今天接着昨天的源码继续看,黑神话:悟空正好今天发售,希望广大coder能玩的开心~学习心得前情提要详情请看多模态源码阅读-2上次我们讲到利用view()函数对token_type_ids、position_ids进行重新塑形,确保这些张量的最后一个维度和input_s
- Learning Deep Learning(学习深度学习)
weixin_34056162
开发工具人工智能python
作者:chen_h微信号&QQ:862251340微信公众号:coderpai简书地址:https://www.jianshu.com/p/e98...LearningDeepLearning(学习深度学习)TherearelotsofawesomereadinglistsorpoststhatsummarizedmaterialsrelatedtoDeepLearning.SowhywouldI
- 【论文阅读】APMSA: Adversarial Perturbation Against Model Stealing Attacks(2023)
Bosenya12
科研学习模型窃取论文阅读模型窃取防御对抗性扰动
摘要TrainingaDeepLearning(DL)model(训练深度学习模型)requiresproprietarydata(专有数据)andcomputing-intensiveresources(计算密集型资源).Torecouptheirtrainingcosts(收回训练成本),amodelprovidercanmonetizeDLmodelsthroughMachineLearni
- Few-shot Learning
代维7
大模型深度学习
Few-shotLearning一、基本概念Few-shotlearning是一种机器学习方法,旨在从少量的样本中学习新的概念或任务。在传统的机器学习中,通常需要大量的标注数据来训练模型,以获得良好的性能。然而,在许多实际应用中,获取大量标注数据是困难、昂贵或耗时的。Few-shotlearning则试图解决这个问题,通过利用少量的样本进行学习,使模型能够快速适应新的任务或概念。二、关键特点(一)
- 统一思想认识
永夜-极光
思想
1.统一思想认识的基础,才能有的放矢
原因:
总有一种描述事物的方式最贴近本质,最容易让人理解.
如何让教育更轻松,在于找到最适合学生的方式.
难点在于,如何模拟对方的思维基础选择合适的方式. &
- Joda Time使用笔记
bylijinnan
javajoda time
Joda Time的介绍可以参考这篇文章:
http://www.ibm.com/developerworks/cn/java/j-jodatime.html
工作中也常常用到Joda Time,为了避免每次使用都查API,记录一下常用的用法:
/**
* DateTime变化(增减)
*/
@Tes
- FileUtils API
eksliang
FileUtilsFileUtils API
转载请出自出处:http://eksliang.iteye.com/blog/2217374 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- 各种新兴技术
不懂事的小屁孩
技术
1:gradle Gradle 是以 Groovy 语言为基础,面向Java应用为主。基于DSL(领域特定语言)语法的自动化构建工具。
现在构建系统常用到maven工具,现在有更容易上手的gradle,
搭建java环境:
http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/
搭建android环境:
http://m
- tomcat6的https双向认证
酷的飞上天空
tomcat6
1.生成服务器端证书
keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
- 托管虚拟桌面市场势不可挡
蓝儿唯美
用户还需要冗余的数据中心,dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台,提供服务或者MSP也可以自己来控制。
在某些情况下,MSP会在dinCloud的云服务上进行服务分层,如监控和补丁管理。
MSP的利润空间将根据其参与的程度而有所不同,Din说。
“我们有一些合作伙伴负责将我们推荐给客户作为个
- spring学习——xml文件的配置
a-john
spring
在Spring的学习中,对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中,采用XML配置也是最常见的。以下是一个简单的XML配置文件:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.or
- HDU 4342 History repeat itself 模拟
aijuans
模拟
来源:http://acm.hdu.edu.cn/showproblem.php?pid=4342
题意:首先让求第几个非平方数,然后求从1到该数之间的每个sqrt(i)的下取整的和。
思路:一个简单的模拟题目,但是由于数据范围大,需要用__int64。我们可以首先把平方数筛选出来,假如让求第n个非平方数的话,看n前面有多少个平方数,假设有x个,则第n个非平方数就是n+x。注意两种特殊情况,即
- java中最常用jar包的用途
asia007
java
java中最常用jar包的用途
jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口,提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法,以及接收和处理SOAP错误的方法. w
- ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法
百合不是茶
jsjson编码返回异常
一:ajax获取自定义Struts框架中的json编码 出现以下 问题:
1,强制flush输出 json编码打印在首页
2, 不强制flush js会解析json 打印出来的是错误的jsp页面 却没有跳转到错误页面
3, ajax中的dataType的json 改为text 会
- JUnit使用的设计模式
bijian1013
java设计模式JUnit
JUnit源代码涉及使用了大量设计模式
1、模板方法模式(Template Method)
定义一个操作中的算法骨架,而将一些步骤延伸到子类中去,使得子类可以不改变一个算法的结构,即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构,也就是步骤,而步骤的实现可以在子类中完成。
 
- Linux常用命令(摘录)
sunjing
crondchkconfig
chkconfig --list 查看linux所有服务
chkconfig --add servicename 添加linux服务
netstat -apn | grep 8080 查看端口占用
env 查看所有环境变量
echo $JAVA_HOME 查看JAVA_HOME环境变量
安装编译器
yum install -y gcc
- 【Hadoop一】Hadoop伪集群环境搭建
bit1129
hadoop
结合网上多份文档,不断反复的修正hadoop启动和运行过程中出现的问题,终于把Hadoop2.5.2伪分布式安装起来,跑通了wordcount例子。Hadoop的安装复杂性的体现之一是,Hadoop的安装文档非常多,但是能一个文档走下来的少之又少,尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布,但是它的配置跟2.5.0,2.5.1没有分别。 &nb
- Anychart图表系列五之事件监听
白糖_
chart
创建图表事件监听非常简单:首先是通过addEventListener('监听类型',js监听方法)添加事件监听,然后在js监听方法中定义具体监听逻辑。
以钻取操作为例,当用户点击图表某一个point的时候弹出point的name和value,代码如下:
<script>
//创建AnyChart
var chart = new AnyChart();
//添加钻取操作&quo
- Web前端相关段子
braveCS
web前端
Web标准:结构、样式和行为分离
使用语义化标签
0)标签的语义:使用有良好语义的标签,能够很好地实现自我解释,方便搜索引擎理解网页结构,抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容,具有很好的可读性,从而实现对特殊终端的兼容。
1)div和span是没有语义的:只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时,才会适当添加div
- 编程之美-24点游戏
bylijinnan
编程之美
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashSet;
import java.util.List;
import java.util.Random;
import java.util.Set;
public class PointGame {
/**编程之美
- 主页面子页面传值总结
chengxuyuancsdn
总结
1、showModalDialog
returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值
主界面
var sonValue=window.showModalDialog("son.jsp");
子界面
window.retu
- [网络与经济]互联网+的含义
comsci
互联网+
互联网+后面是一个人的名字 = 网络控制系统
互联网+你的名字 = 网络个人数据库
每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
- oracle 创建视图 with check option
daizj
视图vieworalce
我们来看下面的例子:
create or replace view testview
as
select empno,ename from emp where ename like ‘M%’
with check option;
这里我们创建了一个视图,并使用了with check option来限制了视图。 然后我们来看一下视图包含的结果:
select * from testv
- ToastPlugin插件在cordova3.3下使用
dibov
Cordova
自己开发的Todos应用,想实现“
再按一次返回键退出程序 ”的功能,采用网上的ToastPlugins插件,发现代码或文章基本都是老版本,运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。
ToastPlugin.java
package&nbs
- C语言22个系统函数
dcj3sjt126com
cfunction
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分(尾数)x和 以2位的指数部分n,即num=x*2n,指数n存放在exp指向的变量中,返回x。D
- 开发一个类的流程
dcj3sjt126com
开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件,并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库,供以后复用。
以下是开发流程:
1. 明确类的功能,抽象出类的大概结构
2. 初步设想类的接口
3. 类名设计(驼峰式命名)
4. 属性设置(权限设置)
判断某些变量是否有必要作为成员属
- java 并发
shuizhaosi888
java 并发
能够写出高伸缩性的并发是一门艺术
在JAVA SE5中新增了3个包
java.util.concurrent
java.util.concurrent.atomic
java.util.concurrent.locks
在java的内存模型中,类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享,局部变量与方法参数都是线程私有的,不会被共享。
- Spring Security(11)——匿名认证
234390216
Spring SecurityROLE_ANNOYMOUS匿名
匿名认证
目录
1.1 配置
1.2 AuthenticationTrustResolver
对于匿名访问的用户,Spring Security支持为其建立一个匿名的AnonymousAuthenticat
- NODEJS项目实践0.2[ express,ajax通信...]
逐行分析JS源代码
Ajaxnodejsexpress
一、前言
通过上节学习,我们已经 ubuntu系统搭建了一个可以访问的nodejs系统,并做了nginx转发。本节原要做web端服务 及 mongodb的存取,但写着写着,web端就
- 在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值
lhbthanks
javahtmlstrutscheckbox
第一种方法:获取结果String类型
在 Action 中获得的是一个 String 型数据,每一个被选中的 checkbox 的 value 被拼接在一起,每个值之间以逗号隔开(,)。
所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。
以下是实现的代码:
前台 HTML 代码:
- 003.Kafka基本概念
nweiren
hadoopkafka
Kafka基本概念:Topic、Partition、Message、Producer、Broker、Consumer。 Topic: 消息源(Message)的分类。 Partition: Topic物理上的分组,一
- Linux环境下安装JDK
roadrunners
jdklinux
1、准备工作
创建JDK的安装目录:
mkdir -p /usr/java/
下载JDK,找到适合自己系统的JDK版本进行下载:
http://www.oracle.com/technetwork/java/javase/downloads/index.html
把JDK安装包下载到/usr/java/目录,然后进行解压:
tar -zxvf jre-7
- Linux忘记root密码的解决思路
tomcat_oracle
linux
1:使用同版本的linux启动系统,chroot到忘记密码的根分区passwd改密码 2:grub启动菜单中加入init=/bin/bash进入系统,不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 3: grub启动菜单中加入 single以单用户进入系统. 4:用以上方法mount到根分区把/etc/passwd中的root密码去除 例如: ro
- 跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现
xueyou
jsonpjquery框架UIhtml5
postMessage 是 HTML5 新方法,它可以实现跨域窗口之间通讯。到目前为止,只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持,而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样,前者是前端擅长跨域文档数据即时通讯,后者擅长针对跨域服务端数据通讯,p