- 【深度学习入门项目】一文带你弄清决策树(鸢尾花分类)
Better Rose
深度学习深度学习决策树分类
目录实验原理1.信息增益2.增益率3.基尼指数4.剪枝处理一、加载数据集二、配置模型三、训练模型四、模型预测五、模型评估六、决策树调参1.criterion2.max_depth实验原理决策树(decisiontree)是一种应用广泛的机器学习方法。顾名思义,决策树算法的表现形式可以直观理解为一棵树(可以是二叉树或非二叉树)。一棵决策树一般包含一个根节点、一系列内部节点和叶节点,一个叶节点对应一个
- 吴恩达深度学习-L1 神经网络和深度学习总结
向来痴_
深度学习人工智能
作业地址:吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记:吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖(附18个代码实战项目)-知乎(zhihu.com)此处只记录需要注意的点,若想看原笔记请移步。1.1深度学习入门我们只需要管理神经网络的输入和输出,而不用指定中间的特征,也不用理解它们究竟有没有实际意义。1.2简单的神经网络——逻
- 图像分割——基于pytorch的牙齿分割
苏俗
计算机视觉实战pytorch人工智能python
作为视觉基础任务的图像分割是大多数深度学习入门者的进一步学习,本文将用牙齿分割作为数据集,分享一下图像分割的训练内容。一、引入库importosimporttorchimporttorch.nnasnnfromPILimportImageimporttorch.optimasoptimimporttorch.nn.functionalasFfromtorchvisionimporttransfor
- 图像分类——基于pytorch的农作物病虫害检测
苏俗
计算机视觉实战分类pytorch数据挖掘
作为视觉基础任务的图像分类是大多数深度学习入门者的基础,本文将用包含33类的农作物病虫害数据集作为数据集,来过一遍图像分类任务的基本步骤。一、引入库importosimporttorchimportnumpyasnpfromPILimportImageimporttorch.nnasnnimporttorch.optimasoptimfromtorchvisionimportutilsfromco
- 人工智能深度学习入门指南
白猫a~
编程深度学习人工智能
随着人工智能(AI)技术的飞速发展,深度学习作为其重要分支,已经成为许多领域的研究热点。深度学习通过模拟人脑神经网络的运作方式,使得机器能够处理和分析海量的数据,从而实现更高级别的智能。本文将为你提供一份深度学习入门指南,帮助你快速掌握深度学习的基本知识和应用技能。1.了解深度学习基本概念在开始深度学习之前,你需要了解一些基本概念,如神经网络、激活函数、损失函数、反向传播等。这些概念是深度学习的基
- 深度学习入门--参数的优化算法
我只钓小鱼
深度学习
1.梯度下降法(GradientDescent)梯度下降法的计算过程就是沿梯度下降的方向求解极小值,也可以沿梯度上升方向求解最大值。假设模型参数为θ\thetaθ,损失函数为J(θ)J(\theta)J(θ),损失函数关于参数的偏导数,也就是梯度为▽θJ(θ)\triangledown_\thetaJ(\theta)▽θJ(θ),学习率为α\alphaα,则使用梯度下降法更新参数为:梯度下降法目前
- 第五届脑电深度学习入门班(训练营:2023.9.12~9.20)
茗创科技
茗创科技专注于脑科学数据处理,涵盖(EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS)等,欢迎留言讨论及转发推荐,也欢迎了解茗创科技的脑电课程,数据处理服务及脑科学工作站销售业务,可添加我们的工程师(微信号MCKJ-zhouyi或17373158786)咨询。★课程简介★脑电图(Electroencephalogram,EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,包
- 深度学习入门笔记(九)自编码器
zhanghui_cuc
深度学习笔记深度学习笔记人工智能
自编码器是一个无监督的应用,它使用反向传播来更新参数,它最终的目标是让输出等于输入。数学上的表达为,f(x)=x,f为自编码器,x为输入数据。自编码器会先将输入数据压缩到一个较低维度的特征,然后利用这个较低维度的特征重现输入的数据,重现后的数据就是自编码器的输出。所以,从本质上来说,自编码器就是一个压缩算法。自编码器由3个部分组成:编码器(Encoder):用于数据压缩。压缩特征向量(Compre
- 深度学习入门笔记(八)可以不断思考的模型:RNN与LSTM
zhanghui_cuc
深度学习笔记深度学习rnn笔记
8.1循环神经网络RNN之前学到的CNN和全连接,模型的输入数据之间是没有关联的,比如图像分类,每次输入的图片与图片之间就没有任何关系,上一张图片的内容不会影响到下一张图片的结果。但在自然语言处理领域,这就成了一个短板。RNN因此出现,它是一类用于处理序列数据的神经网络。其基本单元结构如下自底向上的三个蓝色的节点分别是输入层、隐藏层和输出层。U和V分别是连接两个层的权重矩阵。如果不考虑右边的棕色环
- 第四届脑电深度学习入门班(训练营:2023.7.4~7.12)
茗创科技
茗创科技专注于脑科学数据处理,涵盖(EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS)等,欢迎留言讨论及转发推荐,也欢迎了解茗创科技的脑电课程,数据处理服务及脑科学工作站销售业务,可添加我们的工程师(微信号MCKJ-zhouyi或17373158786)咨询。★课程简介★脑电图(Electroencephalogram,EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,包
- 深度学习与计算机视觉:实例入门-第六章
javastart
图象处理深度学习tensorflowopencv2
给深度学习入门者的Python快速教程-番外篇之Python-OpenCV《深度学习与计算机视觉》全书网址:https://frombeijingwithlove.github.io…本篇原网址:https://zhuanlan.zhihu.com/p/24425116本篇是前面两篇教程:给深度学习入门者的Python快速教程-基础篇给深度学习入门者的Python快速教程-numpy和Matplo
- 《深度学习入门:基于python的理论与实现》读书笔记
莫里衰
求梯度的函数:f是需要求梯度的函数,x是求梯度的点image.pngdefnumerical_gradient(f,x):h=1e-4#0.0001grad=np.zeros_like(x)#生成和x形状相同的数组foridxinrange(x.size):tmp_val=x[idx]#f(x+h)的计算x[idx]=tmp_val+hfxh1=f(x)#f(x-h)的计算x[idx]=tmp_v
- 深度学习入门笔记(五)前馈网络与反向传播
zhanghui_cuc
深度学习笔记深度学习笔记人工智能
接着上一节,本节讲解模型自我学习的数学计算过程究竟是怎么样的。5.1前馈网络一个最简单的前馈神经网络如图所示,对于每一个隐藏层,输入对应前一层每一个节点权重乘以节点输出值,输出则是经过激活函数(例如sigmoid函数)计算后的值。在这样的网络中,输入的数据x经过网络的各个节点之后,即可计算出最终的模型结果。这样就完成了一个最基本的前馈网络从输入到输出的计算过程。5.2反向传播在实际工作中这部分的内
- 深度学习入门(鱼书)
weixin_42963026
深度学习人工智能
学习笔记第3章神经网络3.1从感知机到神经网络3.1.1神经网络的例子图3-1中的网络一共由3层神经元构成,但实质上只有2层神经元有权重,因此将其称为“2层网络”。请注意,有的书也会根据构成网络的层数,把图3-1的网络称为“3层网络”。本书将根据实质上拥有权重的层数(输入层、隐藏层、输出层的总数减去1后的数量)来表示网络的名称。3.1.2复习感知机3.1.3激活函数登场刚才登场的h(x)函数会将输
- 深度学习入门笔记(1)——什么是深度学习?
ZRX_GIS
深度学习深度学习数据挖掘机器学习神经网络pytorch
深度学习入门笔记(1)——什么是深度学习?在很多人眼里,深度学习(DeepLearning)是一个十分高大上的研究手段,它可以模拟人的判断,让数据处理和结果输出具有“人性”,在没接触过的人看来,深度学习简直是“玄学”范畴,网络一通,谁都不爱。但是,在所有人追捧深度学习的同时,对学习这一手段却是望而却步,更有甚者在网上买完“韭菜课”后,原理部分还没看完就不在继续学习。其实,说句实话,深度学习只是被过
- (课程笔记)深度学习入门 - 1 - OverView
牛顿第八定律
深度学习入门笔记笔记深度学习人工智能
一、机器学习算法的过程与结果1、首先要得到标签化数据集(DataSet),既然是标签化,那应该是监督学习模式,而且此处的数据集应该分化为训练用集(TrainSet)和测试用集(TestSet),训练用集用于训练最终的算法模型,而测试用集用于测试训练的算法模型是否性能良好,是否能满足实际需求;2、设置并给出机器学习的算法模型(Model);3、设置期望的损失函数(LossFcn)和优化器(Optim
- 深度学习入门笔记(6)—— Logistic Regression
cnhwl
深度学习入门笔记深度学习机器学习逻辑回归人工智能python
对比第三节中的Adaline和LogisticRegression,可以发现它们只有两点不同:1、激活函数,Adaline中的激活函数是恒等函数(线性),而LogisticRegression中的激活函数是Sigmoid函数(非线性);2、损失函数,Adaline中的损失函数是均方误差,而LogisticRegression中的损失函数则是交叉熵。Sigmoid函数如图所示,其值域为0到1,输入为
- 《深度学习入门》学习笔记
YY_oot
机器学习深度学习python神经网络人工智能
原书:《深度学习入门:基于Python的理论与实现》文章目录前言第一章python入门列表字典类numpy广播第二章感知机第三章神经网络激活函数第四章神经网络的学习损失函数求梯度第五章误差反向传播法第六章与学习相关的技巧6.1寻找最优参数6.3权重的初始值6.4正则化6.4超参数的验证第七章卷积神经网络卷积池化CNN的可视化代表性的CNN第八章深度学习提高识别精度VGGGoogLeNetResNe
- 深度学习入门笔记(三)常用AI术语
zhanghui_cuc
深度学习笔记人工智能深度学习笔记
本节我们介绍一些深度学习领域常用的术语。训练确定模型中的参数的过程,我们就称为“训练”。Epoch遍历一遍训练数据就叫作“一个Epoch”。训练模型的时候,我们要告诉模型预计训练多少个Epoch,但这个值并不是固定的,因为并没有一个准确的Epoch数能一定能得到一个比较好的模型。我们有一个标准:模型训练的Epoch数必须要让模型达到一个收敛的状态。并且为了模型有更多的选择,我们可以让模型收敛后,再
- 深度学习入门笔记4 深度神经网络
深度学习从入门到放弃
深度学习笔记神经网络深度学习人工智能机器学习算法
多层感知器在之前的课程中,我们了解到,感知器(指单层感知器)具有一定的局限——无法解决异或问题,即线性不可分的问题。将多个单层感知器进行组合,就可以得到一个多层感知器(MLP——Multi-LayerPerceptron)结构。多层感知器包含输入层,一个或多个隐藏层以及一个输出层。每层的神经元与下一层进行完全连接。如果网络中包含一个以上的隐层,则称其为深度人工神经网络。说明:通常我们说的神经网络的
- 深度学习入门笔记:第二章感知机
维持好习惯
深度学习深度学习笔记人工智能
深度学习入门笔记:第二章感知机笔记来源书籍:《深度学习入门:基于+Python+的理论与实现》文章目录深度学习入门笔记:第二章感知机前言为什么学习感知机2.1感知机是什么2.2简单逻辑电路2.2.1与门2.2.2与非门和或门2.3感知机实现2.3.1简单的实现2.3.2导入权重和偏置2.3.3使用权重和偏置的实现2.4感知机的局限性2.4.1异或门2.4.2线性和非线性2.5多层感知机2.5.1已
- 深度学习入门学习笔记之——神经网络
前丨尘忆·梦
tensorflow深度学习神经网络深度学习
神经网络上一章我们学习了感知机。关于感知机,既有好消息,也有坏消息。好消息是,即便对于复杂的函数,感知机也隐含着能够表示它的可能性。上一章已经介绍过,即便是计算机进行的复杂处理,感知机(理论上)也可以将其表示出来。坏消息是,设定权重的工作,即确定合适的、能符合预期的输入与输出的权重,现在还是由人工进行的。上一章中,我们结合与门、或门的真值表人工决定了合适的权重。神经网络的出现就是为了解决刚才的坏消
- 深度学习入门笔记(二)神经元 激励函数 神经网络
花落雨微扬
神经网络网络深度学习人工智能机器学习
声明:本文内容源自《白话深度学习与tensorflow》高扬卫峥编著一书读书笔记!!!神经网络:神经网络又称为人工神经网络(artificialneutralnetwork,ANN)。神经网络是一种人类由于受到生物神经细胞结构启发而研究出的一种算法体系神经元:如上图所示是一个最简单的神经元,有一个输入,一个输出。我们现在所使用的神经元通常有两个部分组成,一个是“线性模型”,另一个是“激励函数”。假
- 2021-11-06《深度学习入门》笔记(二)
新手小嵩
深度学习系列笔记深度学习神经网络人工智能
第二章感知机感知机也是作为神经网络(深度学习)的起源的算法。因此,学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。首先,感知机是什么?感知机接收多个输入信号,输出一个信号。上图是一个接收两个输入信号的感知机的例子。x1、x2是输入信号,y是输出信号,w1、w2是权重(w是weight的首字母)。图中的⚪称为“神经元”或者“节点”。输入信号被送往神经元时,会被分别乘以固定的权重(w1
- 深度学习入门笔记(二)神经元的结构
zhanghui_cuc
深度学习笔记深度学习笔记人工智能
神经网络的基本单元是神经元,本节我们介绍神经元的结构。2.1神经元一个神经元是由下面5部分组成的:输入:x1,x2,…,xk。权重:w1,w2,…,wk。权重的个数与神经元输入的个数相同。偏移项:可省略。激活函数:一般都会有,根据实际问题也是可以省略的。输出。2.2激活函数激活函数有很多种,不同的激活函数适用于不同的问题。二分类问题我们一般采用Sigmoid函数,多分类问题我们采用Softmax函
- 深度学习入门笔记(七)卷积神经网络CNN
zhanghui_cuc
深度学习笔记深度学习笔记cnn
我们先来总结一下人类识别物体的方法:定位。这一步对于人眼来说是一个很自然的过程,因为当你去识别图标的时候,你就已经把你的目光放在了图标上。虽然这个行为不是很难,但是很重要。看线条。有没有文字,形状是方的圆的,还是长的短的等等。看细节。纹理、颜色、方向等。卷积神经网络就是对上述过程的程序实现。7.1卷积卷积在卷积神经网络中的主要作用是提取图片的特征,同时保留原来图片中各个像素的相对位置(空间)关系。
- 深度学习入门笔记(八)实战经验
zhanghui_cuc
深度学习笔记深度学习笔记性能优化
前面几节介绍了很多理论,难免会好奇:理论如何与实战结合呢?本节我们就穿插一点实战经验,来换换脑子~1.显卡warmup进行深度学习训练和推理时,往往第一次运行的耗时比较高,这是因为显卡需要warm-up,就是“热身”,才能发挥出显卡的性能。关于热身,个人理解,显卡开始工作时控制单元需要对资源进行调度,例如分配warp等。这些应该都是在第一次推理的时候进行。类似的,举个栗子,在F1比赛中,每场赛车的
- 深度学习入门笔记(六)线性回归模型
zhanghui_cuc
深度学习笔记深度学习笔记线性回归
本节,我们用线性回归为例子,回顾一些基本概念6.1相关性相关性的取值范围是-1到1,越接近1或者-1代表越相关,越接近0则越不相关。相关系数大于0称为正相关,小于0称为负相关。假如A与B正相关,则是说A(B)会随着B(A)的增大而增大,减小而减小。假如A与B负相关,则是说A(B)会随着B(A)的增大而减小,减小而增大。皮尔逊系数就是常用的相关性方法。6.2什么是线性回归顾名思义,就是用一种线性关系
- 深度学习入门笔记(四)函数与优化方法
zhanghui_cuc
深度学习笔记深度学习笔记人工智能
深度学习有三大部分模型表征(包括模型设计、网络表示等)模型评估(上一篇文章提到的准确召回和损失函数等)优化算法(模型如何学习或更新)本节我们就来介绍模型是如何学习或更新的。4.1损失函数模型的学习,实际上就是对参数的学习。参数学习的过程需要一系列的约束,这个约束就是损失函数。以函数曲线拟合为例,对于每一个样本点,真实值和拟合值之间就存在了一个误差,我们可以通过一个公式来表示这个误差:L(x)=(F
- 深度学习入门资料整理
AI视觉网奇
应该看的算法深度学习基础深度学习入门
深度学习基础总结,无一句废话(附完整思维导图)深度学习如何入门?-知乎深度学习入门基础讲义_shuzfan的博客-CSDN博客_深度学习入门神经网络15分钟入门!足够通俗易懂了吧-知乎深度学习基础知识点梳理-知乎
- windows下源码安装golang
616050468
golang安装golang环境windows
系统: 64位win7, 开发环境:sublime text 2, go版本: 1.4.1
1. 安装前准备(gcc, gdb, git)
golang在64位系
- redis批量删除带空格的key
bylijinnan
redis
redis批量删除的通常做法:
redis-cli keys "blacklist*" | xargs redis-cli del
上面的命令在key的前后没有空格时是可以的,但有空格就不行了:
$redis-cli keys "blacklist*"
1) "blacklist:12:
[email protected]
- oracle正则表达式的用法
0624chenhong
oracle正则表达式
方括号表达示
方括号表达式
描述
[[:alnum:]]
字母和数字混合的字符
[[:alpha:]]
字母字符
[[:cntrl:]]
控制字符
[[:digit:]]
数字字符
[[:graph:]]
图像字符
[[:lower:]]
小写字母字符
[[:print:]]
打印字符
[[:punct:]]
标点符号字符
[[:space:]]
- 2048源码(核心算法有,缺少几个anctionbar,以后补上)
不懂事的小屁孩
2048
2048游戏基本上有四部分组成,
1:主activity,包含游戏块的16个方格,上面统计分数的模块
2:底下的gridview,监听上下左右的滑动,进行事件处理,
3:每一个卡片,里面的内容很简单,只有一个text,记录显示的数字
4:Actionbar,是游戏用重新开始,设置等功能(这个在底下可以下载的代码里面还没有实现)
写代码的流程
1:设计游戏的布局,基本是两块,上面是分
- jquery内部链式调用机理
换个号韩国红果果
JavaScriptjquery
只需要在调用该对象合适(比如下列的setStyles)的方法后让该方法返回该对象(通过this 因为一旦一个函数称为一个对象方法的话那么在这个方法内部this(结合下面的setStyles)指向这个对象)
function create(type){
var element=document.createElement(type);
//this=element;
- 你订酒店时的每一次点击 背后都是NoSQL和云计算
蓝儿唯美
NoSQL
全球最大的在线旅游公司Expedia旗下的酒店预订公司,它运营着89个网站,跨越68个国家,三年前开始实验公有云,以求让客户在预订网站上查询假期酒店时得到更快的信息获取体验。
云端本身是用于驱动网站的部分小功能的,如搜索框的自动推荐功能,还能保证处理Hotels.com服务的季节性需求高峰整体储能。
Hotels.com的首席技术官Thierry Bedos上个月在伦敦参加“2015 Clou
- java笔记1
a-john
java
1,面向对象程序设计(Object-oriented Propramming,OOP):java就是一种面向对象程序设计。
2,对象:我们将问题空间中的元素及其在解空间中的表示称为“对象”。简单来说,对象是某个类型的实例。比如狗是一个类型,哈士奇可以是狗的一个实例,也就是对象。
3,面向对象程序设计方式的特性:
3.1 万物皆为对象。
- C语言 sizeof和strlen之间的那些事 C/C++软件开发求职面试题 必备考点(一)
aijuans
C/C++求职面试必备考点
找工作在即,以后决定每天至少写一个知识点,主要是记录,逼迫自己动手、总结加深印象。当然如果能有一言半语让他人收益,后学幸运之至也。如有错误,还希望大家帮忙指出来。感激不尽。
后学保证每个写出来的结果都是自己在电脑上亲自跑过的,咱人笨,以前学的也半吊子。很多时候只能靠运行出来的结果再反过来
- 程序员写代码时就不要管需求了吗?
asia007
程序员不能一味跟需求走
编程也有2年了,刚开始不懂的什么都跟需求走,需求是怎样就用代码实现就行,也不管这个需求是否合理,是否为较好的用户体验。当然刚开始编程都会这样,但是如果有了2年以上的工作经验的程序员只知道一味写代码,而不在写的过程中思考一下这个需求是否合理,那么,我想这个程序员就只能一辈写敲敲代码了。
我的技术不是很好,但是就不代
- Activity的四种启动模式
百合不是茶
android栈模式启动Activity的标准模式启动栈顶模式启动单例模式启动
android界面的操作就是很多个activity之间的切换,启动模式决定启动的activity的生命周期 ;
启动模式xml中配置
<activity android:name=".MainActivity" android:launchMode="standard&quo
- Spring中@Autowired标签与@Resource标签的区别
bijian1013
javaspring@Resource@Autowired@Qualifier
Spring不但支持自己定义的@Autowired注解,还支持由JSR-250规范定义的几个注解,如:@Resource、 @PostConstruct及@PreDestroy。
1. @Autowired @Autowired是Spring 提供的,需导入 Package:org.springframewo
- Changes Between SOAP 1.1 and SOAP 1.2
sunjing
ChangesEnableSOAP 1.1SOAP 1.2
JAX-WS
SOAP Version 1.2 Part 0: Primer (Second Edition)
SOAP Version 1.2 Part 1: Messaging Framework (Second Edition)
SOAP Version 1.2 Part 2: Adjuncts (Second Edition)
Which style of WSDL
- 【Hadoop二】Hadoop常用命令
bit1129
hadoop
以Hadoop运行Hadoop自带的wordcount为例,
hadoop脚本位于/home/hadoop/hadoop-2.5.2/bin/hadoop,需要说明的是,这些命令的使用必须在Hadoop已经运行的情况下才能执行
Hadoop HDFS相关命令
hadoop fs -ls
列出HDFS文件系统的第一级文件和第一级
- java异常处理(初级)
白糖_
javaDAOspring虚拟机Ajax
从学习到现在从事java开发一年多了,个人觉得对java只了解皮毛,很多东西都是用到再去慢慢学习,编程真的是一项艺术,要完成一段好的代码,需要懂得很多。
最近项目经理让我负责一个组件开发,框架都由自己搭建,最让我头疼的是异常处理,我看了一些网上的源码,发现他们对异常的处理不是很重视,研究了很久都没有找到很好的解决方案。后来有幸看到一个200W美元的项目部分源码,通过他们对异常处理的解决方案,我终
- 记录整理-工作问题
braveCS
工作
1)那位同学还是CSV文件默认Excel打开看不到全部结果。以为是没写进去。同学甲说文件应该不分大小。后来log一下原来是有写进去。只是Excel有行数限制。那位同学进步好快啊。
2)今天同学说写文件的时候提示jvm的内存溢出。我马上反应说那就改一下jvm的内存大小。同学说改用分批处理了。果然想问题还是有局限性。改jvm内存大小只能暂时地解决问题,以后要是写更大的文件还是得改内存。想问题要长远啊
- org.apache.tools.zip实现文件的压缩和解压,支持中文
bylijinnan
apache
刚开始用java.util.Zip,发现不支持中文(网上有修改的方法,但比较麻烦)
后改用org.apache.tools.zip
org.apache.tools.zip的使用网上有更简单的例子
下面的程序根据实际需求,实现了压缩指定目录下指定文件的方法
import java.io.BufferedReader;
import java.io.BufferedWrit
- 读书笔记-4
chengxuyuancsdn
读书笔记
1、JSTL 核心标签库标签
2、避免SQL注入
3、字符串逆转方法
4、字符串比较compareTo
5、字符串替换replace
6、分拆字符串
1、JSTL 核心标签库标签共有13个,
学习资料:http://www.cnblogs.com/lihuiyy/archive/2012/02/24/2366806.html
功能上分为4类:
(1)表达式控制标签:out
- [物理与电子]半导体教材的一个小问题
comsci
问题
各种模拟电子和数字电子教材中都有这个词汇-空穴
书中对这个词汇的解释是; 当电子脱离共价键的束缚成为自由电子之后,共价键中就留下一个空位,这个空位叫做空穴
我现在回过头翻大学时候的教材,觉得这个
- Flashback Database --闪回数据库
daizj
oracle闪回数据库
Flashback 技术是以Undo segment中的内容为基础的, 因此受限于UNDO_RETENTON参数。要使用flashback 的特性,必须启用自动撤销管理表空间。
在Oracle 10g中, Flash back家族分为以下成员: Flashback Database, Flashback Drop,Flashback Query(分Flashback Query,Flashbac
- 简单排序:插入排序
dieslrae
插入排序
public void insertSort(int[] array){
int temp;
for(int i=1;i<array.length;i++){
temp = array[i];
for(int k=i-1;k>=0;k--)
- C语言学习六指针小示例、一维数组名含义,定义一个函数输出数组的内容
dcj3sjt126com
c
# include <stdio.h>
int main(void)
{
int * p; //等价于 int *p 也等价于 int* p;
int i = 5;
char ch = 'A';
//p = 5; //error
//p = &ch; //error
//p = ch; //error
p = &i; //
- centos下php redis扩展的安装配置3种方法
dcj3sjt126com
redis
方法一
1.下载php redis扩展包 代码如下 复制代码
#wget http://redis.googlecode.com/files/redis-2.4.4.tar.gz
2 tar -zxvf 解压压缩包,cd /扩展包 (进入扩展包然后 运行phpize 一下是我环境中phpize的目录,/usr/local/php/bin/phpize (一定要
- 线程池(Executors)
shuizhaosi888
线程池
在java类库中,任务执行的主要抽象不是Thread,而是Executor,将任务的提交过程和执行过程解耦
public interface Executor {
void execute(Runnable command);
}
public class RunMain implements Executor{
@Override
pub
- openstack 快速安装笔记
haoningabc
openstack
前提是要配置好yum源
版本icehouse,操作系统redhat6.5
最简化安装,不要cinder和swift
三个节点
172 control节点keystone glance horizon
173 compute节点nova
173 network节点neutron
control
/etc/sysctl.conf
net.ipv4.ip_forward =
- 从c面向对象的实现理解c++的对象(二)
jimmee
C++面向对象虚函数
1. 类就可以看作一个struct,类的方法,可以理解为通过函数指针的方式实现的,类对象分配内存时,只分配成员变量的,函数指针并不需要分配额外的内存保存地址。
2. c++中类的构造函数,就是进行内存分配(malloc),调用构造函数
3. c++中类的析构函数,就时回收内存(free)
4. c++是基于栈和全局数据分配内存的,如果是一个方法内创建的对象,就直接在栈上分配内存了。
专门在
- 如何让那个一个div可以拖动
lingfeng520240
html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml
- 第10章 高级事件(中)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 计算两个经纬度之间的距离
roadrunners
计算纬度LBS经度距离
要解决这个问题的时候,到网上查了很多方案,最后计算出来的都与百度计算出来的有出入。下面这个公式计算出来的距离和百度计算出来的距离是一致的。
/**
*
* @param longitudeA
* 经度A点
* @param latitudeA
* 纬度A点
* @param longitudeB
*
- 最具争议的10个Java话题
tomcat_oracle
java
1、Java8已经到来。什么!? Java8 支持lambda。哇哦,RIP Scala! 随着Java8 的发布,出现很多关于新发布的Java8是否有潜力干掉Scala的争论,最终的结论是远远没有那么简单。Java8可能已经在Scala的lambda的包围中突围,但Java并非是函数式编程王位的真正觊觎者。
2、Java 9 即将到来
Oracle早在8月份就发布
- zoj 3826 Hierarchical Notation(模拟)
阿尔萨斯
rar
题目链接:zoj 3826 Hierarchical Notation
题目大意:给定一些结构体,结构体有value值和key值,Q次询问,输出每个key值对应的value值。
解题思路:思路很简单,写个类词法的递归函数,每次将key值映射成一个hash值,用map映射每个key的value起始终止位置,预处理完了查询就很简单了。 这题是最后10分钟出的,因为没有考虑value为{}的情