- 统计学习方法笔记之决策树
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单,可以将决策树看做一个if-then集合:如果“条件1”,那么...。决策树学习的损失函数通常是正则化后极大似然函数,学习的算法通常是一个递归的选择最优特征,并根据该特征对训练数据进行分割,使得对各个子数据集有一个最好的分类的过程。可以看出,决策树算法一般包含特征选择,决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
- 统计学习方法笔记之逻辑斯谛模型与最大熵模型
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog逻辑斯谛回归(LogisticRegression)模型是经典的分类方法,而最大熵则是概率模型中学习的一个准则,将其推广到分类问题得到最大熵模型(maximumentropymodel)。两者都属于对数线性模型。逻辑斯谛模型逻辑斯谛分布设是连续随机变量,服从逻辑斯谛分布是指具有以下分布函数和密度函数:其中,是位置参数,为形状参数。逻辑斯谛分布的密度函数
- 统计学习方法笔记二---感知机(Perceptron Learning Algorithm,PLA)
爱科研的徐博士
【算法】统计学习方法统计学习方法机器学习
简介感知机(perceptron)是二分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别,取+1和-1二值。感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面,属于判别模型,解决的问题是分类问题。目标/目的:求出将训练数据进行线性划分的分类超平面,为此导入误分类的损失函数,利用梯度下降法对损失函数进行最小化,求的感知机模型。感知机学习算法具有简单而易于实现的优点,分为原始
- 统计学习方法笔记——第一章(1)
Run!Rabbit Run!
统计学习方法机器学习笔记机器学习数据分析概率论
概论1.统计学习方法三要素:模型(model)、策略(strategy)、算法(algorithm)2.实现步骤得到有限的训练数据集合确定包含所有可能的模型的假设空间,即学习模型的集合确定模型选择的准则,即学习的策略实现求解最优模型的算法通过学习方法选择最优模型利用学习的最优模型对新数据进行预测或分析3.统计学习基本分类监督学习从标注数据中学习预测模型的机器学习问题,本质是学习输入到输出的映射的统
- 统计学习方法笔记之k近邻算法(附代码实现)
Aengus_Sun
更多文章可以访问我的博客Aengus|Blogk近邻法即kNN算法,是假设给定一个训练集,对于每个训练样本的分类已经确认,当对测试样本分类时,根据其k个最近邻的训练样本的类别,通过多数表决的方式进行预测。kNN算法没有显式的学习过程。kNN算法假设给定的训练集为,其中,,步骤为:(1)根据给定的距离度量(即距离计算方法),在训练集中找出与测试样本的前个最近邻的点,涵盖这个点的的邻域记作;(2)在中
- 统计学习方法笔记,第二章感知机的python代码实现
努力学挖掘机的李某某
《统计学习方法》笔记python感知机数据挖掘机器学习
实现的比较粗糙,代码如下:classPerceptron:importnumpyasnpdef__init__(self,w=0,b=0,lr=1,epoch=100):self.weight=wself.bias=bself.lr=lr#lr:learningrateself.epoch=epochdefsign(self,x):ifnp.dot(np.array(self.weight),x)
- 深度学习/机器学习资料汇总
金州啦啦啦啦文
深度学习深度学习人工智能
学习资料汇总读研期间收集的学习资料汇总(持续更新中)MachineLearningDeepLearningSeq2SeqLSTMAttentionSelf-AttentionTransfomerBert(这周目标)读研期间收集的学习资料汇总(持续更新中)MachineLearning西瓜书以及统计学习方法笔记:笔记西瓜书第三章课后习题:第三章课后习题西瓜书公式详解(南瓜书):南瓜书统计学习方法第二
- 统计学习方法笔记(李航)———第四章(朴素贝叶斯法)
越前浩波
机器/深度学习math机器学习
推荐阅读:小白之通俗易懂的贝叶斯定理(Bayes’Theorem)朴素贝叶斯法是一种多分类算法,它的基础是“朴素贝叶斯假设”(假设实例的各个特征具有条件独立性)。根据训练集估计模型的先验概率、条件概率,再按照后验概率最大化的准则,给出输入实例的分类预测。它的算法实现很简单,但理论证明并不容易。具体来说,通过极大似然估计法估计先验概率、条件概率,计算过程比较复杂,书上也没有给出。本章主要分为3个部分
- 统计学习方法笔记_cbr:第十一章:条件随机场
chenburong2021
统计学习方法笔记学习算法机器学习
第十一章:条件随机场11.1概率无向图模型定义:联合概率分布满足成对,局部or全局Markov性,就称之为probabilisticundirectedgraphicalmodelorMarkovrandomfield;11.2条件随机场的定义与形式给定观测求状态;定义:若随机变量Y构成的无向图,对于任意结点满足Markovrandomfield,那么称其条件概率分布为条件随机场;11.3条件随机
- 统计学习方法笔记_cbr:第二章 感知机
chenburong2021
统计学习方法笔记机器学习人工智能深度学习
第二章感知机目录第二章感知机2.1感知机模型2.2感知机学习策略2.2.1数据集的线性可分性;2.2.2感知机学习策略2.3感知机学习算法2.3.1感知机学习算法的原始形式2.3.2感知机学习算法的原始形对偶式2.1感知机模型感知机是二类分类的线性分类模型,判别模型输入x(属于X)表示为实例的特征向量;对应与输入空间(特征空间)的点;输出y表示实例的类别取+1,-1;输入空间到输出空间的函数:f(
- 统计学习方法笔记(理论+实例+课后习题+代码实现):感知机
Jackson_feng
统计学习方法笔记大数据
1引言1957年Rosenblatt提出感知机模型,它是神经网络和支持向量机的基础。其主要适用于分类任务,训练好的感知机模型可将数据集正确地分为两类:超平面以上为正类,超平面以下为负类(后面会讲到感知机是一个超平面)。它通过利用梯度下降法最小化损失函数的思想让感知机学习到最优的状态,使得数据集的误分类点个数为0。其优点主要体现在其算法实现相对简单。2理论2.1定义设输入特征向量为,感知机权重为,偏
- 统计学习方法笔记(一):感知机
通辽码农
统计学习学习
统计学习方法笔记(一):感知机前言:本文是基于李航老师《统计学习方法》的笔记~感知机学习的目的:求出将训练数据进行线性划分的分离超平面。1.感知机模型:1.1数学形式:f(x)=sign(w⋅x+b)f(x)=sign(w\cdotx+b)f(x)=sign(w⋅x+b)其中输入空间为XϵRnX\epsilonR^{n}XϵRn,输出空间为Y={+1,−1}Y=\begin{Bmatrix}+1,
- 统计学习方法笔记七----决策树
爱科研的徐博士
【算法】统计学习方法统计学决策树ID3C4-5CART
前言决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则(if-then)的方法。决策树分为分类树和回归树两种,分类数对离散变量做决策树,回归树对连续变量做决策树。本节主要讨论用于分类的决策树。在分类问题中,表示基于特征对实例进行分类的过程。它可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性,分类速度快。学习时,利用训练数据,根据损失
- 统计学习方法笔记-隐马尔可夫模型(内含Python代码实现)
三岁就很萌@D
统计学习方法机器学习算法
一马尔可夫模型我们通过一个具体的例子来介绍一下什么是马尔可夫模型我们假设天气有3种情况,阴天,雨天,晴天,它们之间的转换关系如下:(稍微解释一下这个图,我们可以这样认为,已知第一天是阴天,那第二天是阴天的概率是0.1,第二天是晴天的概率是0.3,第二天是雨天的概率是0.6)每一个状态转换到另一个状态或者自身的状态都有一定的概率。马尔可夫模型就是用来表述上述问题的一个模型。有这样一个状态链,第一天是
- 统计学习方法---李航
02Bigboy
书籍学习学习机器学习数据挖掘
统计学习方法笔记第一章:统计学习概论1.1统计学习统计学习(statisticallearning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习(statisticalmachinelearning).机器学习称为统计学习更学术化。HerbertA.simon对“学习”的定义我觉得挺好的:如果一个系统能够通过执行某个过程改进它的性能,这就
- 统计学习方法笔记(李航)———第一章(统计学习方法概论)
越前浩波
math机器/深度学习机器学习统计模型
一、基本概念假设空间(Hypothesisspace)相对“输入空间”、“输出空间”、“特征空间”等向量空间,假设空间的概念比较抽象。首先它是一个“映射”的集合。什么是映射呢?在这里暂且理解为函数吧。输入空间中的一个n维向量x,通过函数f(⋅)f(\cdot)f(⋅)得到了输出空间中的m维向量y:注意:按照符号规定,x(i)x^{(i)}x(i)表示此向量的第iii个分量(特征),xix_{i}x
- 机器学习:李航-统计学习方法笔记(一)监督学习概论
凌贤文
机器学习机器学习学习python
目录1.1统计学习1.2统计学习的分类1.2.1基本分类监督学习定义:无监督学习强化学习半监督学习主动学习1.2.2按模型分类1.2.3按算法分类1.2.4按技巧分类贝叶斯学习(Bayesianlearning)核方法(kernelmethod)1.3统计学习的三要素模型策略算法1.1统计学习统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。也可以说统计学习就是
- 统计学习方法笔记_cbr
chenburong2021
统计学习方法笔记学习机器学习人工智能
第一章笔记,统计学习及监督学习概论目录第一章笔记,统计学习及监督学习概论1.1统计学习1.统计学习的特点2.统计学习的对象3.统计学习的方法4.统计学习的研究1.2统计学习的分类1.2.1基本分类1.监督学习(1)输入空间、特征空间和输出空间;(2)联合概率分布(3)假设空间2.无监督学习3.强化学习4.半监督学习与主动学习1.2.2按模型分类1.概率模型与非概率模型2.线性模型与非线性模型3.参
- 统计学习方法笔记(未完待续)
popofzk
NLPNLP统计学习方法
前言:参考了一位NLP学长的博客,受益颇多,跟着学长学习李航老师的《统计学习方法》,希望整理一些重点,便于翻阅,日积月累,为三年后的面试打下基础!代码来自:https://www.pkudodo.com基本内容(一)感知机定义:代码:(二)K-邻近定义:代码:(三)朴素贝叶斯定义:代码:(四)决策树定义:代码:(五)逻辑回归定义:(一)感知机定义:感知机是二分类的线性模型,属于判别模型.感知机学习
- 统计学习方法笔记(李航)———第三章(k近邻法)
越前浩波
math机器学习python
k近邻法(k-NN)是一种基于实例的学习方法,无法转化为对参数空间的搜索问题(参数最优化问题)。它的特点是对特征空间进行搜索。除了k近邻法,本章还对以下几个问题进行较深入的讨论:切比雪夫距离L∞(xi,xj)L_{\infty}\left(x_{i},x_{j}\right)L∞(xi,xj)的计算“近似误差”与“估计误差"的含义k-d树搜索算法图解一、算法输入:训练集T={(x1,y1),(x2
- Raki的统计学习方法笔记0xF(15)章:奇异值分解
爱睡觉的Raki
统计学习方法线性代数矩阵机器学习人工智能算法
奇异值分解是一种矩阵因子分解方法,是线性代数的基础概念,在统计学习中被广泛运用,PCA,LSA,pLSA都要用到SVD,而EM,LSA,MCMC,又是LDA的基础,故有了这个笔记顺序任意一个m*n矩阵,都可以表示为三个矩阵的乘积(因子分解)形式,分别是m阶正交矩阵,由降序排列的非负的对角线元素组成的m*n矩形对角矩阵,n阶正交矩阵成为该矩阵的奇异值分解,矩阵的奇异值分解一定存在但是不唯一。奇异值分
- 统计学习方法
和蔼的zhxing
研一上机器学习课程最后准备考试的时候看过一点点这本书,没有系统得看过,最近准备系统得看一遍,顺便写一些笔记,主要框架就是李航的《统计学习方法》这本书,参考了西瓜书的一点内容和一些博客,有一些关键部分的证明自己都照着书手推了一遍,想着公式太麻烦了,于是就用word写了,然后放在github上了。地址放在这里统计学习方法笔记.
- NLP面试题汇总1(吐血整理)
一种tang两种味
nlp自然语言处理机器学习神经网络数据挖掘
统计学习方法笔记当正负样本极度不均衡时存在问题!比如,正样本有99%时,分类器只要将所有样本划分为正样本就可以达到99%的准确率。但显然这个分类器是存在问题的。当正负样本不均衡时,常用的评价指标为ROC曲线和PR曲线。概率模型:决策树、bayes、HMM、CRF、概率潜在语义分析、潜在狄利克雷分析lda、高斯混合模型(一定可以表示为联合概率分布的形式,)概率模型的代表是概率图模型,即联合概率分布由
- 统计学习方法笔记(十五)条件随机场(三)
yeyustudy
统计学习方法笔记
条件随机场的预测算法预测问题:给定条件随机场P(Y|X)P(Y|X)和输入序列(观测序列)x,求条件概率最大的输出序列y∗y∗。条件随机场的预测算法是著名的维特比算法。y∗=argmaxyPw(y|x)=argmaxy(wF(y,x))y∗=argmaxyPw(y|x)=argmaxy(wF(y,x))条件随机场的预测问题变为求非规范化概率最大的最优路径问题:maxy(wF(y,x))ma
- 统计学习方法笔记(十五)条件随机场(二)
yeyustudy
统计学习方法笔记
条件随机场的概率计算问题问题描述:给定条件随机场P(Y|X)P(Y|X),输入序列x和输出序列y,计算条件概率P(Yi=yi|x),P(Yi−1=yi−1,Yi=yi|x)P(Yi=yi|x),P(Yi−1=yi−1,Yi=yi|x)以及相应的数学期望的问题。一、前向-后向算法对每个指标i=0,1,⋯,n+1i=0,1,⋯,n+1,定义前向向量αi(x)αi(x):对于α0(y|x)α0(y|x)
- 统计学习方法笔记(十五)条件随机场(一)
yeyustudy
统计学习方法笔记
条件随机场条件随机场是给定一组输入随机变量条件下另一组输出随机变量的条件概率模型,其假设输出随机变量构成马尔可夫随机场概率无向图模型概率无向图模型,又称为马尔可夫随机场,是一个可以由无向图表示的联合概率分布。一、模型定义1、图是由结点及连接节点的边组成的集合。无向图是指边没有方向的图。概率图模型是由图表示的概率分布。设有联合概率分布P(Y)P(Y),YY是一组随机变量,由无向图G=(V,E)G=(
- 统计学习方法笔记(六)-非线性支持向量机原理及python实现
脑机接口社区
机器学习算法系列实现
非线性支持向量机非线性支持向量机定义非线性支持向量机算法非线性支持向量机学习算法代码案例TensorFlow案例地址非线性支持向量机定义非线性支持向量机从非线性分类训练集,通过核函数与软间隔最大化,或凸二次规划,学习得到的分类决策函数f(x)=sign(∑i=1Nαi∗yiK(x,xi)+b∗){f(x)=\operatorname{sign}\left(\sum_{i=1}^{N}\alpha
- 统计学习方法笔记(四)-最大熵模型原理及python实现
脑机接口社区
机器学习算法系列实现
最大熵模型最大熵模型最大熵原理最大熵模型代码实现案例地址最大熵模型最大熵模型(maximumentropymodel)可以用于二分类,也可以用于多分类。其是由最大熵原理推导实现的,所以讲最大熵模型时,绕不开最大熵原理。最大熵原理什么是最大熵原理?最大熵原理认为,学习概率模型时,在所有可能的概率模型(概率分布)中,熵最大的模型就是最好的模型。最大熵原理通常表述为在满足约束条件的模型集合中选取熵最大的
- 统计学习方法笔记(十)逻辑斯谛回归与最大熵模型
yeyustudy
统计学习方法笔记
逻辑斯谛回归与最大熵模型主要用于统计学习中的经典分类方法逻辑斯谛回归模型1、定义:设X是连续随机变量,其具有的分布函数和密度函数:F(x)=P(X≤x)=11+e−(x−μ)/γF(x)=P(X≤x)=11+e−(x−μ)/γf(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2f(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2其中,μμ为位置参数,γ>0γ>0
- 统计学习方法笔记(一):K近邻法的实现:kd树
好好学习_天天向上de
学习笔记统计学习方法
实现k近邻算法时,首要考虑的问题是如何对训练数据进行快速的k近邻搜索。这点在特征空间的维数大于训练数据容量时尤为重要。构造kd树 kd树是一种对k为空间中的实例点进行存储的一边对其进行快速检索的树形数据结构。kd树是二叉树,表示对k维空间的一个划分(partition)。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分。构成一系列的k维超矩形区域。kd树的每个结点对应于一个k维的超
- jQuery 键盘事件keydown ,keypress ,keyup介绍
107x
jsjquerykeydownkeypresskeyup
本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍,有需要了解的朋友可参考。
一、首先需要知道的是: 1、keydown() keydown事件会在键盘按下时触发. 2、keyup() 代码如下 复制代码
$('input').keyup(funciton(){  
- AngularJS中的Promise
bijian1013
JavaScriptAngularJSPromise
一.Promise
Promise是一个接口,它用来处理的对象具有这样的特点:在未来某一时刻(主要是异步调用)会从服务端返回或者被填充属性。其核心是,promise是一个带有then()函数的对象。
为了展示它的优点,下面来看一个例子,其中需要获取用户当前的配置文件:
var cu
- c++ 用数组实现栈类
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T, int SIZE = 50>
class Stack{
private:
T list[SIZE];//数组存放栈的元素
int top;//栈顶位置
public:
Stack(
- java和c语言的雷同
麦田的设计者
java递归scaner
软件启动时的初始化代码,加载用户信息2015年5月27号
从头学java二
1、语言的三种基本结构:顺序、选择、循环。废话不多说,需要指出一下几点:
a、return语句的功能除了作为函数返回值以外,还起到结束本函数的功能,return后的语句
不会再继续执行。
b、for循环相比于whi
- LINUX环境并发服务器的三种实现模型
被触发
linux
服务器设计技术有很多,按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。
1 循环服务器与并发服务器模型
在网络程序里面,一般来说都是许多客户对应一个服务器,为了处理客户的请求,对服务端的程序就提出了特殊的要求。
目前最常用的服务器模型有:
·循环服务器:服务器在同一时刻只能响应一个客户端的请求
·并发服务器:服
- Oracle数据库查询指令
肆无忌惮_
oracle数据库
20140920
单表查询
-- 查询************************************************************************************************************
-- 使用scott用户登录
-- 查看emp表
desc emp
- ext右下角浮动窗口
知了ing
JavaScriptext
第一种
<!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/
- 浅谈REDIS数据库的键值设计
矮蛋蛋
redis
http://www.cnblogs.com/aidandan/
原文地址:http://www.hoterran.info/redis_kv_design
丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样,DEV和DBA需要深度沟通,review每行sql语句,也不像memcached那样,不需要DBA的参与。redis的DBA需要熟悉数据结构,并能了解使用场景。
- maven编译可执行jar包
alleni123
maven
http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven
<build>
<plugins>
<plugin>
<artifactId>maven-asse
- 人力资源在现代企业中的作用
百合不是茶
HR 企业管理
//人力资源在在企业中的作用人力资源为什么会存在,人力资源究竟是干什么的 人力资源管理是对管理模式一次大的创新,人力资源兴起的原因有以下点: 工业时代的国际化竞争,现代市场的风险管控等等。所以人力资源 在现代经济竞争中的优势明显的存在,人力资源在集团类公司中存在着 明显的优势(鸿海集团),有一次笔者亲自去体验过红海集团的招聘,只 知道人力资源是管理企业招聘的 当时我被招聘上了,当时给我们培训 的人
- Linux自启动设置详解
bijian1013
linux
linux有自己一套完整的启动体系,抓住了linux启动的脉络,linux的启动过程将不再神秘。
阅读之前建议先看一下附图。
本文中假设inittab中设置的init tree为:
/etc/rc.d/rc0.d
/etc/rc.d/rc1.d
/etc/rc.d/rc2.d
/etc/rc.d/rc3.d
/etc/rc.d/rc4.d
/etc/rc.d/rc5.d
/etc
- Spring Aop Schema实现
bijian1013
javaspringAOP
本例使用的是Spring2.5
1.Aop配置文件spring-aop.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans
xmlns="http://www.springframework.org/schema/beans"
xmln
- 【Gson七】Gson预定义类型适配器
bit1129
gson
Gson提供了丰富的预定义类型适配器,在对象和JSON串之间进行序列化和反序列化时,指定对象和字符串之间的转换方式,
DateTypeAdapter
public final class DateTypeAdapter extends TypeAdapter<Date> {
public static final TypeAdapterFacto
- 【Spark八十八】Spark Streaming累加器操作(updateStateByKey)
bit1129
update
在实时计算的实际应用中,有时除了需要关心一个时间间隔内的数据,有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。
比如: 对Nginx的access.log实时监控请求404时,有时除了需要统计某个时间间隔内出现的次数,有时还需要统计一整天出现了多少次404,也就是说404监控横跨多个时间间隔。
Spark Streaming的解决方案是累加器,工作原理是,定义
- linux系统下通过shell脚本快速找到哪个进程在写文件
ronin47
一个文件正在被进程写 我想查看这个进程 文件一直在增大 找不到谁在写 使用lsof也没找到
这个问题挺有普遍性的,解决方法应该很多,这里我给大家提个比较直观的方法。
linux下每个文件都会在某个块设备上存放,当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。
幸运的是systemtap的安装包里带了inodewatch.stp,位
- java-两种方法求第一个最长的可重复子串
bylijinnan
java算法
import java.util.Arrays;
import java.util.Collections;
import java.util.List;
public class MaxPrefix {
public static void main(String[] args) {
String str="abbdabcdabcx";
- Netty源码学习-ServerBootstrap启动及事件处理过程
bylijinnan
javanetty
Netty是采用了Reactor模式的多线程版本,建议先看下面这篇文章了解一下Reactor模式:
http://bylijinnan.iteye.com/blog/1992325
Netty的启动及事件处理的流程,基本上是按照上面这篇文章来走的
文章里面提到的操作,每一步都能在Netty里面找到对应的代码
其中Reactor里面的Acceptor就对应Netty的ServerBo
- servelt filter listener 的生命周期
cngolon
filterlistenerservelt生命周期
1. servlet 当第一次请求一个servlet资源时,servlet容器创建这个servlet实例,并调用他的 init(ServletConfig config)做一些初始化的工作,然后调用它的service方法处理请求。当第二次请求这个servlet资源时,servlet容器就不在创建实例,而是直接调用它的service方法处理请求,也就是说
- jmpopups获取input元素值
ctrain
JavaScript
jmpopups 获取弹出层form表单
首先,我有一个div,里面包含了一个表单,默认是隐藏的,使用jmpopups时,会弹出这个隐藏的div,其实jmpopups是将我们的代码生成一份拷贝。
当我直接获取这个form表单中的文本框时,使用方法:$('#form input[name=test1]').val();这样是获取不到的。
我们必须到jmpopups生成的代码中去查找这个值,$(
- vi查找替换命令详解
daizj
linux正则表达式替换查找vim
一、查找
查找命令
/pattern<Enter> :向下查找pattern匹配字符串
?pattern<Enter>:向上查找pattern匹配字符串
使用了查找命令之后,使用如下两个键快速查找:
n:按照同一方向继续查找
N:按照反方向查找
字符串匹配
pattern是需要匹配的字符串,例如:
1: /abc<En
- 对网站中的js,css文件进行打包
dcj3sjt126com
PHP打包
一,为什么要用smarty进行打包
apache中也有给js,css这样的静态文件进行打包压缩的模块,但是本文所说的不是以这种方式进行的打包,而是和smarty结合的方式来把网站中的js,css文件进行打包。
为什么要进行打包呢,主要目的是为了合理的管理自己的代码 。现在有好多网站,你查看一下网站的源码的话,你会发现网站的头部有大量的JS文件和CSS文件,网站的尾部也有可能有大量的J
- php Yii: 出现undefined offset 或者 undefined index解决方案
dcj3sjt126com
undefined
在开发Yii 时,在程序中定义了如下方式:
if($this->menuoption[2] === 'test'),那么在运行程序时会报:undefined offset:2,这样的错误主要是由于php.ini 里的错误等级太高了,在windows下错误等级
- linux 文件格式(1) sed工具
eksliang
linuxlinux sed工具sed工具linux sed详解
转载请出自出处:
http://eksliang.iteye.com/blog/2106082
简介
sed 是一种在线编辑器,它一次处理一行内容。处理时,把当前处理的行存储在临时缓冲区中,称为“模式空间”(pattern space),接着用sed命令处理缓冲区中的内容,处理完成后,把缓冲区的内容送往屏幕。接着处理下一行,这样不断重复,直到文件末尾
- Android应用程序获取系统权限
gqdy365
android
引用
如何使Android应用程序获取系统权限
第一个方法简单点,不过需要在Android系统源码的环境下用make来编译:
1. 在应用程序的AndroidManifest.xml中的manifest节点
- HoverTree开发日志之验证码
hvt
.netC#asp.nethovertreewebform
HoverTree是一个ASP.NET的开源CMS,目前包含文章系统,图库和留言板功能。代码完全开放,文章内容页生成了静态的HTM页面,留言板提供留言审核功能,文章可以发布HTML源代码,图片上传同时生成高品质缩略图。推出之后得到许多网友的支持,再此表示感谢!留言板不断收到许多有益留言,但同时也有不少广告,因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找,如果不是很多,就是特别多
- JSON API:用 JSON 构建 API 的标准指南中文版
justjavac
json
译文地址:https://github.com/justjavac/json-api-zh_CN
如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式, 那么 JSON API 就是你的 anti-bikeshedding 武器。
通过遵循共同的约定,可以提高开发效率,利用更普遍的工具,可以是你更加专注于开发重点:你的程序。
基于 JSON API 的客户端还能够充分利用缓存,
- 数据结构随记_2
lx.asymmetric
数据结构笔记
第三章 栈与队列
一.简答题
1. 在一个循环队列中,队首指针指向队首元素的 前一个 位置。
2.在具有n个单元的循环队列中,队满时共有 n-1 个元素。
3. 向栈中压入元素的操作是先 移动栈顶指针&n
- Linux下的监控工具dstat
网络接口
linux
1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
- C 语言初级入门--二维数组和指针
1140566087
二维数组c/c++指针
/*
二维数组的定义和二维数组元素的引用
二维数组的定义:
当数组中的每个元素带有两个下标时,称这样的数组为二维数组;
(逻辑上把数组看成一个具有行和列的表格或一个矩阵);
语法:
类型名 数组名[常量表达式1][常量表达式2]
二维数组的引用:
引用二维数组元素时必须带有两个下标,引用形式如下:
例如:
int a[3][4]; 引用:
- 10点睛Spring4.1-Application Event
wiselyman
application
10.1 Application Event
Spring使用Application Event给bean之间的消息通讯提供了手段
应按照如下部分实现bean之间的消息通讯
继承ApplicationEvent类实现自己的事件
实现继承ApplicationListener接口实现监听事件
使用ApplicationContext发布消息