hello风一样的男子
hello风一样的男子

DL4J中文文档/调优与训练/评估-2

matthewsCorrelation

public double matthewsCorrelation(int classIdx)
image.gif

为指定的类计算二进制马修斯相关系数。
MCC = (TPTN - FPFN) / sqrt((TP+FP)(TP+FN)(TN+FP)(TN+FN))

  • 参数 classIdx 计算马休斯相关系数的类指标

matthewsCorrelation

public double matthewsCorrelation(EvaluationAveraging averaging)
image.gif

计算平均二进制马修斯相关系数，使用宏观或微观平均。
MCC = (TPTN - FPFN) / sqrt((TP+FP)(TP+FN)(TN+FP)(TN+FN))
注：这与多类马休斯相关系数不相同。

  • 参数 averaging 平均方法
  • 返回平均系数

incrementTruePositives

public void incrementTruePositives(Integer classLabel)
image.gif

真阳性：正确拒绝

  • 到目前为止返回全部真阳性

addToConfusion

public void addToConfusion(Integer real, Integer guess)
image.gif

添加到混淆矩阵

  • 参数 real 实际猜测
  • 参数 guess 系统猜测

classCount

public int classCount(Integer clazz)
image.gif

返回给定标签实际发生的次数。

  • 参数 clazz 标签
  • 返回标签实际发生的次数

getTopNCorrectCount

public int getTopNCorrectCount()
image.gif

根据前N个值返回正确预测的数目。对于前n＝1（默认值），这相当于正确预测的数目。

  • 返回正确预测的前N数字

getTopNTotalCount

public int getTopNTotalCount()
image.gif

返回前N个评估的总数。大多数情况下，这完全等于getNumRowCounter()，但是在使用eval(int, int)的情况下可能不同，因为在这种情况下无法计算前N个精度(即，需要完整的概率分布，而不仅仅是预测/实际索引)。

  • 返回前N个预测的总数

getConfusionMatrix()

public ConfusionMatrix getConfusionMatrix()
image.gif

返回混淆矩阵变量

  • 返回此评估的混淆矩阵变量

confusionToString

public String confusionToString()
image.gif

获取混淆矩阵的字符串表示形式。

getPredictionErrors()

 public List getPredictionErrors()
image.gif

根据每个记录获取预测误差列表

注意：预测错误只能在“元数据评估”方法：eval(INDArray, INDArray, List)使用之后才能使用。否则（如果元数据没有通过前面提到的eval方法记录），则将每个预测输出分割成单独的Prediction对象是没有价值的，使用混淆矩阵获得计数，通过getConfusionMatrix()方法来替代。

  • 返回预测错误列表，或者如果没有记录元数据，则为null。

getPredictionsByActualClass(int actualClass)

public List getPredictionsByActualClass(int actualClass)
image.gif

获取具有指定实际类的所有数据的预测列表，而不管预测类是什么。

注意：预测错误只能在“元数据评估”方法：eval(INDArray, INDArray, List)使用之后才能使用。否则（如果元数据没有通过前面提到的eval方法记录），则将每个预测输出分割成单独的Prediction对象是没有价值的，使用混淆矩阵获得计数，通过getConfusionMatrix()方法来替代。

  • 返回预测错误列表，或者如果没有记录元数据，则为null。
  • 参数 actualClass 用于预测的实际类

ROCBinary

[源码]

ROC (Receiver Operating Characteristic) 用于多任务二分类分类器

根据{@link ROC}，ROCBinary支持exact（thersholdSteps==0）和阈值化；有关详细信息，请参见{@link ROC}。

与{@link ROC}不同（它支持单个二分类标签（作为单列概率或2列“softmax”概率）分布），ROCBinary假设所有输出都是独立的二分类变量。这也不同于{@link ROCMultiClass}，它应该用于多类（单个非二分类）情况。ROCBinary支持每个示例和每个输出掩码：对于每个输出掩码，可能缺少任何特定的输出（掩码值0），因此不包括在计算的ROC中。

ROCBinary

public ROCBinary(int thresholdSteps)
image.gif
  • 参数 thresholdSteps 用于ROC计算的阈值步骤数。设置为0用于精确的ROC计算

ROCBinary(int thresholdSteps, boolean rocRemoveRedundantPts)

public ROCBinary(int thresholdSteps, boolean rocRemoveRedundantPts)
image.gif
  • 参数 thresholdSteps 用于ROC计算的阈值步骤数。设置为0用于精确的ROC计算
  • 参数 rocRemoveRedundantPts 通常设置为true。如果为true，则从ROC和P R曲线中删除任何冗余点。

numLabels

public int numLabels()
image.gif

如果已知，返回标签的数目（即，预测/标签数组的大小）。否则返回1

getCountActualPositive

public long getCountActualPositive(int outputNum)
image.gif

获取指定输出/列的实际阳性统计（考虑任何掩码）

  • 参数 outputNum 输出索引 (0 到 {- link #numLabels()}-1)

getCountActualNegative

public long getCountActualNegative(int outputNum)
image.gif

获取指定输出/列的实际阴性统计（考虑任何掩码）

  • 参数 outputNum 输出索引 (0 到 {- link #numLabels()}-1)

getRocCurve

public RocCurve getRocCurve(int outputNum)
image.gif

获取指定输出的ROC曲线

  • 参数 outputNum 获取ROC曲线的输出数
  • 返回 ROC 曲线

getPrecisionRecallCurve

public PrecisionRecallCurve getPrecisionRecallCurve(int outputNum)
image.gif

获取指定输出的精度召回曲线

  • 参数 outputNum 获得R—R曲线的输出数
  • 返回精确召回曲线

calculateAverageAuc

public double calculateAverageAuc()
image.gif

所有结果的宏观平均AUC

  • 返回所有结果的（宏观）平均AUC。

calculateAverageAUCPR

public double calculateAverageAUCPR()
image.gif
  • 返回（宏）平均AUPRC（精确召回曲线下的面积）

calculateAUC

public double calculateAUC(int outputNum)
image.gif

计算（ROC）曲线下的AUC面积

在内部利用梯形积分

  • 参数 outputNum 输出数计算AUC
  • 返回 AUC

calculateAUCPR

public double calculateAUCPR(int outputNum)
image.gif

精度召回曲线下的AUCPR面积计算

在内部利用梯形积分

  • 参数 outputNum 计算AUCPR的输出数据
  • 返回 AUCPR

setLabelNames

public void setLabelNames(List labels)
image.gif

设置标签名称，用于通过stats()打印

ConfusionMatrix

[源码]

创建一个空混淆矩阵

ConfusionMatrix

public ConfusionMatrix(ConfusionMatrix other)
image.gif

创建用另一个ConfusionMatrix的内容初始化的新ConfusionMatrix。

add(T actual, T predicted)

public synchronized void add(T actual, T predicted)
image.gif

增加实际指定的条目和一个预测条目。

toCSV

public String toCSV()
image.gif

将ConfusionMatrix输出为逗号分隔的值，以便于导入电子表格

toHTML

public String toHTML()
image.gif

在HTML表中输出混淆矩阵。级联样式表（CSS）可以通过定义empty-space, actual-count-header, predicted-class-header, and count-element 类来控制表的外观。例如

  • 返回 html 字符

ROCMultiClass

[源码]

ROC（受试者工作特征曲线）用于多类分类器。

ROC曲线是通过将预测看作一组对全部的分类器来生成的，然后计算每个分类器的ROC曲线。在实践中，这意味着对于N类，我们得到N 条 ROC曲线。

ROCMultiClass

public ROCMultiClass(int thresholdSteps)
image.gif
  • 参数 thresholdSteps 计算的阈值步骤数。设置为0用于精确的ROC计算

ROCMultiClass(int thresholdSteps, boolean rocRemoveRedundantPts)

 public ROCMultiClass(int thresholdSteps, boolean rocRemoveRedundantPts)
image.gif
  • 参数 thresholdSteps 用于ROC计算的阈值步骤数。如果设置为0：使用精确计算
  • 参数 rocRemoveRedundantPts 通常设置为true。如果为true，则从ROC和P R曲线中删除任何冗余点。

eval

public void eval(INDArray labels, INDArray predictions)
image.gif

对给定的小批量数据进行评估（收集统计数据）。对于时间序列（3维），使用{-link#evalTimeSeries（INDArray，INDArray）}或{-link#evalTimeSeries（INDArray，INDArray，INDArray）}

  • 参数 labels 标签/真实结果
  • 参数 predictions 预测

getRocCurve

public RocCurve getRocCurve(int classIdx)
image.gif

获取指定类的（一对全部）ROC曲线

  • 参数 classIdx 获取ROC曲线的类索引
  • 返回给定类的ROC曲线

getPrecisionRecallCurve

public PrecisionRecallCurve getPrecisionRecallCurve(int classIdx)
image.gif

获取指定类的（一对多）精确召回曲线

  • 参数 classIdx 获取P-R曲线的类索引
  • 返回给定类的精确召回曲线

calculateAUC

public double calculateAUC(int classIdx)
image.gif

计算ROC曲线下的AUC面积

在内部利用梯形积分

  • 返回 AUC

calculateAUCPR

public double calculateAUCPR(int classIdx)
image.gif

计算精度召回曲线下的AUPRC面积

在内部利用梯形积分

  • 返回 AUC

calculateAverageAUC

public double calculateAverageAUC()
image.gif

计算所有类的宏平均值（一对全部）AUC

calculateAverageAUCPR

public double calculateAverageAUCPR()
image.gif

计算所有类的宏平均（1对全部）AUCPR（精确召回曲线下的区域）

getCountActualPositive

public long getCountActualPositive(int outputNum)
image.gif

获取指定类的实际阳性统计（考虑任何掩码）

  • 参数 outputNum 类索引

getCountActualNegative

public long getCountActualNegative(int outputNum)
image.gif

获取指定输出/列的实际阴性统计（考虑任何掩码）

  • 参数 outputNum 类索引

merge

public void merge(ROCMultiClass other)
image.gif

将此ROCMultiClass实例与另一个实例合并。这个ROCMultiClass实例通过添加来自另一个实例的统计数据而被修改。

  • 参数 other 此结合的ROCMultiClass 实例

ROC

[源码]

ROC （受试者工作特征曲线）用于多类分类器。
ROC 有两种操作模式: (a) Thresholded (内存占用少)
(b) Exact (默认; 使用 numSteps == 0 来设置。可能不会扩展到非常大的数据集)

Thresholded（阈值化）是一种近似方法，（对于大型数据集）可能比exact（精确）模式使用更少的内存。尽管exact（精确）的实现将基于数据集自动计算阈值点，以给出“更平滑”和更精确的ROC曲线（或用于诊断目的的最佳切割点），阈值化使用大小为1.0的固定步骤/阈值步骤，因为这允许容易地实现批处理和分布式评估场景（其中完整数据集不能同时在任意一台机器上的内存中使用）。注意，在某些情况下（例如，非常歪斜的概率预测），阈值方法可能是不准确的，常常低估了真实区域。

假设数据是二分类-nColumns==1（单个二分类输出变量）或nColumns==2（在2个类上的概率分布，其中列1是“阳性”示例的值）

ROC

public ROC(int thresholdSteps)
image.gif
  • 能数 thresholdSteps 用于ROC计算的阈值步骤数。如果设置为0：使用精确计算

ROC(int thresholdSteps, boolean rocRemoveRedundantPts)

 public ROC(int thresholdSteps, boolean rocRemoveRedundantPts)
image.gif
  • 参数 thresholdSteps 用于ROC计算的阈值步骤数。如果设置为0：使用精确计算
  • 参数 rocRemoveRedundantPts 通常设置为true。如果为true，则从ROC和P R曲线中删除任何冗余点。

eval

public void eval(INDArray labels, INDArray predictions)
image.gif

对给定的小批量数据进行评估（收集统计数据）。对于时间序列（3维），使用{-link#evalTimeSeries（INDArray，INDArray）}或{-link#evalTimeSeries（INDArray，INDArray，INDArray）}

  • 参数 labels 标签/真实结果
  • 参数 predictions 预测

getPrecisionRecallCurve

public PrecisionRecallCurve getPrecisionRecallCurve()
image.gif

以数组的形式获得精确召回曲线. return[0] = threshold array
return[1] = precision array
return[2] = recall array

  • return

getRocCurve

public RocCurve getRocCurve()
image.gif

获取ROC曲线，作为一组（阈值，假阳性，真阳性）点。

  • 返回 ROC 曲线

calculateAUC

public double calculateAUC()
image.gif

计算AUROC-ROC曲线下的面积

在内部利用梯形积分

  • 返回 AUC

calculateAUCPR

public double calculateAUCPR()
image.gif

计算精度/召回曲线下的面积

  • return

merge

public void merge(ROC other)
image.gif

将ROC实例与另一个实例合并。通过添加来自另一实例的STATS，修改此ROC实例。

  • param other ROC instance to combine with this one

IEvaluation

[源码]

用于评估神经网络的通用接口.方法由以下实现共享

EvaluationCalibration

[源码]

EvaluationCalibration是一个评估类，用于分析分类器的校准。它提供了许多用于此目的的工具：

  • 每个类别的标签数量和预测的统计

  • 可靠性图（或可靠性曲线）

  • 残差图（直方图）

  • 概率直方图，包括每个类的概率
    参考文献：

  • 可靠性图：参见例如Niculescu-Mizil和Caruana 2005，使用监督学习预测良好概率

  • 残差图：参见Wallace和Dahabreh 2012，类概率估计对于不平衡数据是不可靠的（以及如何修正它们）

EvaluationCalibration

public EvaluationCalibration()
image.gif

eval

public void eval(INDArray labels, INDArray networkPredictions, INDArray maskArray)
image.gif

使用默认数量的容器创建一个评估校准实例

  • 参数 reliabilityDiagNumBins 可靠性图表的容器数（通常为10）
  • 参数 histogramNumBins 直方图的容器数

getReliabilityDiagram

public ReliabilityDiagram getReliabilityDiagram(int classIdx)
image.gif

获取指定类的可靠性图

  • 参数 classIdx 获得可靠性图的类的索引

getResidualPlotAllClasses

public Histogram getResidualPlotAllClasses()
image.gif
  • 返回每个类的观察标签的数量。对于N个类，被返回数组的长度为N，out[i]是类i的标签数

getResidualPlot

public Histogram getResidualPlot(int labelClassIdx)
image.gif

只为指定的类的例子获取残差图。残差图被定义为直方图。

|label_i-prob(class_i|input)|用于所有和示例；对于这个特定的方法，仅包括i==labelClassIdx的预测。

在一般情况下，相比大残差，小残差表示一个更优越的分类器。

  • 参数 labelClassIdx获取残差图的类的索引
  • 返回残差图（直方图）-所有预测/类

getProbabilityHistogramAllClasses

public Histogram getProbabilityHistogramAllClasses()
image.gif

返回所有预测/类的概率直方图。

  • 返回概率直方图

getProbabilityHistogram

public Histogram getProbabilityHistogram(int labelClassIdx)
image.gif

返回指定的标签类索引的概率直方图。也就是说，对于标签类索引i，返回P(class_i|input)的直方图，仅用于标记为类i的那些示例。

  • 参数 labelClassIdx 标签类的索引以获得直方图
  • 返回概率直方图

EvaluationUtils

[源码]

评估方法工具

precision

public static double precision(long tpCount, long fpCount, double edgeCase)
image.gif

计算真阳性和假阳性统计的精确度

  • 参数 tpCount 真阳性统计
  • 参数 fpCount 假阳性统计
  • 参数 edgeCase 边缘案例值避免使用0/0
  • 返回 精确度

recall

public static double recall(long tpCount, long fnCount, double edgeCase)
image.gif

计算真阳性和假阴性统计的召回率

  • 参数 tpCount 真阳性统计
  • 参数 fnCount 假阴性统计
  • 参数 edgeCase 边缘案例值避免使用0/0
  • 返回召回率

falsePositiveRate

public static double falsePositiveRate(long fpCount, long tnCount, double edgeCase)
image.gif

根据假阳性统计和真阴性统计计算假阳性率

  • 参数 fpCount 假阳性统计
  • 参数 tnCount 真阴性统计
  • 参数 edgeCase 边缘案例值避免使用0/0
  • 返回假阳性率

falseNegativeRate

public static double falseNegativeRate(long fnCount, long tpCount, double edgeCase)
image.gif

根据假阴性统计和真阳性统计计算假阴性率

  • 参数 fnCount 假阴性统计
  • 参数 tpCount 真阳性统计
  • 参数 edgeCase 边缘案例值避免使用0/0
  • 返回假阴性率

fBeta

public static double fBeta(double beta, long tp, long fp, long fn)
image.gif

从统计计算F-beta值

  • 参数 beta 使用的Beta值
  • 参数 tp 真阳性统计
  • 参数 fp 假阳性统计
  • 参数 fn 假阴性统计
  • 返回F beta

fBeta

public static double fBeta(double beta, double precision, double recall)
image.gif

从精确率与召回计算F-beta值

  • 参数 beta 使用的Beta值
  • 参数 precision 精确率
  • 参数 recall 召回率
  • 返回 F-beta 值

gMeasure

public static double gMeasure(double precision, double recall)
image.gif

从精确率与召回计算 G-measure值

  • 参数 precision 精确率
  • 参数 recall 召回率
  • 返回 G-measure

matthewsCorrelation

public static double matthewsCorrelation(long tp, long fp, long fn, long tn)
image.gif

从统计计算二分类马休斯相关系数

  • 参数 tp 真阳统计
  • 参数 fp 假阳统计
  • 参数 fn 假阴统计
  • 参数 tn 真阴统计
  • 返回马休斯相关系数

EvaluationBinary

[源码]

EvaluationBinary: 用于评估具有二分类输出的网络。对每个输出计算典型的分类度量，如准确度、精确度、召回率、F1评分等。

注意，EvaluationBinary支持每个示例和每个输出掩码。
默认情况下，EvaluationBinary使用0.5的决策阈值，但是可以对每个输出设置决策阈值

EvaluationBinary

public EvaluationBinary(INDArray decisionThreshold)
image.gif

用可选的决策阈值数组创建EvaulationBinary实例。

  • 参数 decisionThreshold 每个输出的判定阈值，可以是空的。应该是长度等于输出数量的行向量，其值在0到1的范围内。0.5值的数组等效于默认值（没有手动指定的决策阈值）。

eval

public void eval(INDArray labels, INDArray networkPredictions)
image.gif

当rocBinarySteps参数非空时，此构造器允许除了标准评估度量之外还计算ROC。详情请参阅 {- link ROCBinary}

  • 参数 size 输出数量
  • 参数 rocBinarySteps 用于 {- link ROCBinary#ROCBinary(int)}的构造器

numLabels

public int numLabels()
image.gif

如果已知，返回标签的数目（即，预测/标签阵列的大小）。否则返回-1

setLabelNames

public void setLabelNames(List labels)
image.gif

设置标签名称，用于通过{- link #stats()}打印

totalCount

public int totalCount(int outputNum)
image.gif

获取指定列的值总数，考虑任何掩码

truePositives

public int truePositives(int outputNum)
image.gif

获取指定输出的真阳统计

trueNegatives

public int trueNegatives(int outputNum)
image.gif

获取指定输出的真阴统计

falsePositives

public int falsePositives(int outputNum)
image.gif

获取指定输出的假阳统计

falseNegatives

public int falseNegatives(int outputNum)
image.gif

获取指定输出的假阴统计

accuracy

public double accuracy(int outputNum)
image.gif

获取指定输出的准确率

precision

public double precision(int outputNum)
image.gif

获取指定输出的精度（tp / (tp + fp)）

recall

public double recall(int outputNum)
image.gif

获取指定输出的召回率（tp/（tp+fn））

fBeta

public double fBeta(double beta, int outputNum)
image.gif

获取指定输出的 F-beta 值

  • 参数 beta 使用的beta值
  • 参数 outputNum 输出数
  • 返回指定输出的 F-beta

f1

public double f1(int outputNum)
image.gif

获取指定输出的F1 得分

matthewsCorrelation

public double matthewsCorrelation(int outputNum)
image.gif

计算指定输出的马休斯相关系数

  • 参数 outputNum 输出数字
  • 返回马休斯相关系数

gMeasure

public double gMeasure(int output)
image.gif

计算指定输出的 G-measure

  • 参数 output 指定输出
  • 返回指定输出的 G-measure
public double falsePositiveRate(int classLabel)
image.gif

返回给定标签的假阳性率

  • 参数 classLabel 标签
  • 返回double类型的假阳性率

falsePositiveRate

public double falsePositiveRate(int classLabel, double edgeCase)
image.gif

返回给定标签的假阳性率

  • 参数 classLabel 标签
  • 参数edgeCase 0/0情况下的输出
  • 返回double类型的假阳性率

falseNegativeRate

public double falseNegativeRate(Integer classLabel)
image.gif

返回给定标签的假阴性率

  • 参数 classLabel 标签
  • 返回double类型的假阴性率

falseNegativeRate

public double falseNegativeRate(Integer classLabel, double edgeCase)
image.gif

返回给定标签的假阴性率

  • 参数 classLabel 标签
  • 参数edgeCase 0/0情况下的输出
  • 返回double类型的假阴性率

getROCBinary

public ROCBinary getROCBinary()
image.gif

返回ROCBinary实例，如果存在

stats

public String stats()
image.gif

使用默认精度获取EvaluationBinary类的String表示

stats

public String stats(int printPrecision)
image.gif

使用默认精度获取EvaluationBinary类的String表示

  • 参数 printPrecision 精度（小数位数）用于准确率、F1等。

RegressionEvaluation

[源码]

评估回归算法的评估方法。
为每个列提供以下度量：

  • MSE: 均方误差

  • MAE: 平均绝对误差

  • RMSE: 均方根误差

  • RSE: 相对平方误差

  • PC: 皮尔森相关系数

  • R^2: 决定系数

    查看示例: http://www.saedsayad.com/model_evaluation_r.htm

RegressionEvaluation

public RegressionEvaluation()
image.gif
  • 如果度量应该最小化，则返回True；如果度量应该最大化，则返回false。例如，MSE为0是最好的，但是R^ 2为1是最好的。

correlationR2

public double correlationR2(int column)
image.gif

相关评分的遗留方法。

  • 参数 column要评估的列
  • 返回给定列的皮尔森相关系数
  • 查看{- link #pearsonCorrelation(int)}
  • 弃用，用{- link #pearsonCorrelation(int)} 替代。对于R2得分的使用 {- link #rSquared(int)}.

pearsonCorrelation

public double pearsonCorrelation(int column)
image.gif

样本的皮尔森相关系数

  • 参数 column 要评估的列
  • 返回具有索引{代码列}的列皮尔森相关系数
  • 查看 Wikipedia

rSquared

public double rSquared(int column)
image.gif

决定系数 (R^2 Score)

  • 参数 column 要评估的列
  • 返回具有索引{代码列}的列的R^ 2分数
  • 查看 Wikipedia

averageMeanSquaredError

public double averageMeanSquaredError()
image.gif

所有列的平均MSE

  • return

averageMeanAbsoluteError

public double averageMeanAbsoluteError()
image.gif

所有列的平均MAE

  • return

averagerootMeanSquaredError

public double averagerootMeanSquaredError()
image.gif

所有列的平均RMSE

  • return

averagerelativeSquaredError

public double averagerelativeSquaredError()
image.gif

所有列的平均RSE

  • return

averagecorrelationR2

public double averagecorrelationR2()
image.gif

用于所有列的相关平均值的遗留方法。

  • 在所有列上平均的返回皮尔森相关
  • 查看 {- link #averagePearsonCorrelation()}
  • 弃用，用{- link #averagePearsonCorrelation()} 替代。对于R2得分的使用 {- link #averageRSquared()}.

averagePearsonCorrelation

public double averagePearsonCorrelation()
image.gif

所有列的平均皮尔森相关系数

  • 所有列的平均皮尔森相关系数

averageRSquared

public double averageRSquared()
image.gif

所有列的平均R2

  • 返回所有列的平均R2

EvaluationAveraging

[源码]

当应用于多类分类问题时，二分类评估度量的平均化方法。宏平均：每个类的权重相等
微平均：每个例子权重相等
一般来说，对于不平衡数据集来说，宏平均是首选的。

翻译：风一样的男子

image

如果您觉得我的文章给了您帮助，请为我买一杯饮料吧！以下是我的支付宝，意思一下我将非常感激！

image

你可能感兴趣的:(DL4J中文文档/调优与训练/评估-2)

  • **项目推荐：探索全球化的Web应用 —— Apache Sling I18N** 解然嫚Keegan
    项目推荐：探索全球化的Web应用——ApacheSlingI18Nsling-org-apache-sling-i18nApacheSlingI18NSupport项目地址:https://gitcode.com/gh_mirrors/sl/sling-org-apache-sling-i18n在全球化日益加深的今天，软件和网络服务的国际化与本地化（I18N）变得至关重要。ApacheSling，
  • 2018年5月4日:校活动 供稿、发稿：张正择 16康复大家庭
    今天学校利用下午时间举办了一场五四青年节活动。本次活动以“吟诵国学经典，传唱中华文明，让青春在奋斗中闪光”为主题，由“国学启蒙”“诗即生活”“诗以言志”“歌以抒怀”“砥砺前行”五个篇章组成。为引导广大青年忠于祖国、忠于人民，了解中华民族历史，秉承中华文化基因，提升民族自豪感和文化自信心，弘扬新时代奋斗精神。青年的价值取向决定了未来整个社会的价值取向，而青年又处在价值观形成和确立的时期，抓好这一时期
  • 2019樊登读书赚钱的四大秘密 高易鑫
    樊登读书平台可靠吗？是处于风口的行业吗？PPT里面的国家政策，读书会介绍这方面的图片。秘密1，做樊登读书能够帮助更多的人获得心灵富足，家庭幸福，事业进步，是一件有福报的事情，一生不会后悔的事情。放几张有代表性的书友受益的图片我们团队有一家湖北新华欣保险公司，员工有2万多人，有一次我跟他们老总聊天，老总说，读书会里面对他受益最大的一本书，就是扫除道这本书。通过引导公司的高层一起来学习，践行扫除道。公
  • 一个恋爱失败女人的劝告：与男人交往，这13条“教训”要时刻牢记 综合清话
    1、不要只看外表，就以为你很了解一个男人。除非一个人的外部特征十分的明显，一眼就能看出好坏来，否则的话，每个人都有两面性，谁又能说一个事业成功的男人就不会是个渣男呢？2、实力相当的感情才有可能长久。这与自古就有的“门当户对”是一个意思，两个人实力悬殊太大，那么这份感情除却刚开始的新鲜感之后，很快就会陷入无话可说的境地。3、不要总是纠结于他喜不喜欢你。如果一个男人总是让你很纠结，搞不清楚他到底是不是
  • 2021年只剩七天了，这些话送给正在拼搏的你 甘宁
    图片来源网络“年年岁岁花相似，岁岁年年人不同。”2021年马上就要结束了，让已经过去的苦于乐都消逝吧!愿你在今后的每一天，整装待发，时刻保持愉悦的心情，来迎接前行路上的挑战。01写给努力拼搏的自己人，生来就是怀揣着梦想前行，在实现梦想的路上披荆斩棘，要时刻提醒想到退缩的自己，为自己的呐喊，为自己鼓掌、加油。上坡的路本来就不容易走，可是想到到达山顶时，那种“一览众山小”的惬意，就会始终鞭策着你走到山
  • 十二星座之天蝎座运势 一只诗仪
    图片发自App【生于10月24日～11月22日】【激励中奋起争胜】天蝎座是爱憎分明星座，敢爱敢恨，做事决断，绝不拖泥带水，天蝎较易成为奇才怪杰，对周边事物敏感，想法及兴趣均相常独特，爱走偏门路线，不与众人相同。受本命冥王星影响，天蝎有光明面，亦具阴暗面，性格相当极端，令人难以揣测。美丽的天蝎风华绝代，魅力无穷，也有一些长得极丑，令人望而却步。无论如何，蝎子经常活在思想矛盾中，力求突破，不满足现状，
  • svn介绍（五）--创建版本库 小蘑菇二号 SVN
    目录1.创建本地版本库步骤1:创建版本库目录步骤2:初始化版本库2.创建远程版本库步骤1:登录到远程服务器步骤2:创建版本库目录步骤3:初始化版本库3.配置Apache服务器托管SVN版本库步骤1:安装必要的模块步骤2:配置Apache步骤3:创建用户密码文件步骤4:重启Apache服务器总结创建Subversion（SVN）版本库是使用SVN进行版本控制的第一步。以下是详细的步骤说明，包括如何创
  • （周运)12星座一周运势(12.9~12.15) 小一封子
    图片发自App公众号：djydxnwgy微信号：waitinggy9白羊座白羊座本财运一般。事业运不错，之前的努力会在本周有所回报。工作上一些项目在本周基本上会结束。不管是在工作上还是和朋友间的沟通交流，都要注意下自己的说话方式，不要心直口快。有些白羊在本周中间的时期会收到物质报酬。感情上，单身的白羊本周会比较主动，很热情。有伴的白羊们之前有一些问题的可以在这周解决掉。金牛座金牛座本周财运不是很好
  • log4j2 与 log4j使用时的几点小区别 - log4j2上手说明 CoderCodingNo Java学习log4j单元测试
    虽然log4j2目前还是beta版，不过OneCoder已经忍不住要尝试一下。跟使用log4j比起来，上手上主要的区别有。1、依赖的jar包。使用slf4j+log4j2时，依赖的jar包如下：(gradle配置，Maven对照修改即可)dependencies{compile("org.apache.logging.log4j:log4j-api:$log4j_version","org.apa
  • 2020 年 Github 上最牛的 Java 进阶教程及 Java 实战项目都在这里了！ C陈三岁 javajavagithub开发语言面试架构
    写在前面大家都知道Github是一个程序员福地，这里有各种厉害的开源框架、软件或者教程。这些东西对于我们学习和进步有着莫大的进步，所以我有了这个将Github上非常棒的Java开源项目整理下来的想法。觉得不错的话，欢迎小伙伴们去star一波。很多小伙伴都不知道学习什么开源项目，这篇文章定能为你解决疑惑。不论你想要看Java教程方向的开源项目、Java实战项目、SpringBoot教程还是说想要看微
  • log4j日志封装说明—slf4j对于log4j的日志封装-正确获取调用堆栈 CoderCodingNo Java学习log4j
    日志是项目中必用的东西，日志产品里最普及应该就是log4j了。(logback这里暂不讨论。)先看一下常用的log4j的用法，一般来说log4j都会配合slf4j或者common-logging使用，这里已slf4j为例。添加gradle依赖：dependencies{compile('log4j:log4j:1.2.17','org.slf4j:slf4j-api:1.7.5','org.slf
  • 下一代软件架构——SOA CSDN_document soa企业应用web中间件weblogic设计模式
    Web服务作为炙手可热的技术，如何应用到企业的IT系统和商业流程之中、并给企业带来直接的经济效益，一直备受国内外企业管理者的高度关注和推崇。而在近两年，出现了一种技术架构被誉为下一代Web服务的基础架构，它就是SOA（Service-orientedarchitecture，面向服务架构）。1996年，Gartner最早提出SOA。2002年12月，Gartner提出SOA是“现代应用开发领域最重
  • Anaconda安装与Python虚拟环境配置保姆级图文教程(附速查字典)_anaconda配置python环境 2401_84976246 程序员c语言c++学习
    网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以添加戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！目录1混乱的Python库2什么是Anacond
  • 打车用什么软件最好最便宜 好用的打车APP盘点 氧惠超好用
    亲爱的朋友们，你们是不是经常在寻找那个既方便又省钱的打车软件呢？今天，我就来为大家揭秘那些优惠力度大的打车app，让你轻松找到最省钱的打车方式！氧惠APP（带货领导者）——是与以往完全不同的抖客+淘客app！2024全新模式，我的直推也会放到你下面。主打：带货高补贴，深受各位带货团队长喜爱（每天出单带货几十万单）。注册即可享受高补贴+0撸+捡漏等带货新体验。送万元推广大礼包，教你如何1年做到百万团
  • How To Write Shared Libraries(55) i_need_job
    3.2DefiningStability(4)Notmakingthechangescanhavenegativeresults.Blindlychangingthecodewilldefinitelyhavenegativeresults.MakingthechangeandstillmaintainingABIstabilityrequirestheuseofversioning.不标记改变会
  • 蒙古帝国唯一被两次封王的勇将——曹南王阿刺罕 树叶天天要过河
    我是小树，点击上方“关注”，每天为您分享精品历史故事与真实历史事件揭秘干货。阿剌罕，札剌儿氏。祖父为拨彻，很早就跟随在太祖成吉思汗的身边，一直担任近卫官，后封为火儿赤即管鹰者，隶属于中军万户纳牙阿属下十四部亲卫军,中的第三部卫军。札刺儿氏又被称作札剌亦儿。最早游牧于鄂嫩河与克鲁伦河之间的牧场。在漠北诸部中是比较强大的部族之一。共分为札忽惕、脱忽剌温、弘合撒兀惕、古篾兀惕、兀牙惕、你勒罕、古儿勤、朵
  • 清单五：《当下的力量》 雪花_ada1
    001思维认同从小到大接触的人事物，形成人的独有认知。每个人眼中的世界是不同的，这是因为思维认同的方式不同。若最初“白不是白”，那现在白是什么？002痛苦的来源讨厌下雨天，干什么都不方便；这人是故意的吧，门关那么响。越是这样想，越是难受。有时候当我们很痛苦时，越想着自己的不幸，痛苦就越多，如洪水一般。003观察思考者用自己的意识去观察自己的行为和情绪的变化，不做评判只去倾听。当我发现自己很难受时，
  • 寻味中国 41 天下第一泉 冯晓晖
    江西省，庐山市，2013年10月。注：本篇略长，约1.7K字，多历史考据，且有荒村猛男，请谨慎阅读。《寻味中国》陆陆续续发了四十篇，都是吃，本篇谈喝。饮食二字总是分不开的。说喝首先是水，哪里有好水？好水应当有标准品级，比如，天下第一泉。有人说第一泉在镇江，有人说在北京的玉泉山，还有当仁不让的济南趵突泉。这几个都有乾隆的题字，必须承认，乾隆的品位不凡，第一都能评出个三黄蛋。好水多是用来泡茶的，故而对
  • 2022-07-05 文心绘龙
    暗潮已到无人会，只有篙师识水痕|山东理工大学美术学院“文心绘龙”社会实践团队进行“小麦伞”与文创产品汇报工作撰稿：张秀玲摄影：刘瑞轩7月4日上午8时，团队环境设计规划组为了能够更好地向黄河口镇相关领导们汇报本次社会实践重点工作-“小麦伞”的设计进度，队员们开展小组讨论，就“小麦伞”这一农田景观设计如何与黄河口镇特色有机结合、选址合理性以及材料建造、经费预算等问题展开了充分讨论。团队成员讨论设计情况
  • 李菊香漯河焦点班坚持分享1235天(2021-8-19) 1363395
    吃饭不自律是对身体的不爱护。今天吃葡萄时感觉酸甜味美，不小心多吃了一些，结果胃就有些说不出的反抗。胃部的感觉是酸酸的满满的，稍微有些胀，因食物单一食入太晚有点不想消化。感谢胃的提醒，吃东西要适可而止，饮食自律也是对身体的爱护，是爱自己的一种方式。
  • 卢红光感恩日记第四十天 一缕阳光卢红光
    2020年1月10日中雨感恩童哥哥今天帮我清理店面，感恩隔壁阿姨的水，可以让我不用跑那么远去拿水清理。感恩隔壁邻居们都很热情。感恩晚上很顺利的签好了房租合同，我的小店终于可以开起来了。这个世界上最珍贵的，便是一颗懂得感恩的心。感恩大自然，让我可以自由呼吸；感恩父母，赋予我生命，并给予我深情浓厚的爱；感恩老师，传授给我知识，并教会我做人的道理；感恩相依相伴的爱人，陪我走过风风雨雨；感恩孩子，让我分享
  • 重构指标之如何监控代码圈复杂度 东东程序猿 重构
    1引言软件应用在发展到适当时机，”重构”，是开发过程中不可避免需要进行的一项工作。重构代码，以适配当前模块设计之初未考虑到的多样化场景，并增加模块的可维护性、健壮性、可测试性。那么，如何明确重构的方向，以及量化重构的结果呢？代码圈复杂度可以是一个供选择的指标。下文介绍如何获取应用的代码圈复杂度做到线上监控，给到复盘程序复杂程度的数据支撑。2背景知识2.1圈复杂度圈复杂度（Cyclomaticcom
  • 自学黑客（网络安全） 白袍无涯 web安全网络安全网络安全系统安全运维计算机网络
    前言：想自学网络安全（黑客技术）首先你得了解什么是网络安全！什么是黑客！网络安全可以基于攻击和防御视角来分类，我们经常听到的“红队”、“渗透测试”等就是研究攻击技术，而“蓝队”、“安全运营”、“安全运维”则研究防御技术。无论网络、Web、移动、桌面、云等哪个领域，都有攻与防两面性，例如Web安全技术，既有Web渗透，也有Web防御技术（WAF）。作为一个合格的网络安全工程师，应该做到攻守兼备，毕竟
  • 61|言由心生:希望至美【20190218】 筱羽依依
    希望至美希望，是“心中最真切的幻想、盼望、期望、愿望。期望达到的某种目的或出现的某种情况。”期盼，是内心的驱动力，是不断付诸行动的原因。如果内心没有了期盼，失去了希望，那心如死水，生命干瘪而失去活力。鱼翔水底在一进公司大门处，有一处小鱼塘，畅游着五彩缤纷的锦鲤，它们体态的优雅，稍大的鲤鱼像一群雍容华贵的妇人一般，这种有姿态的美，让人感到赏心悦目。这水塘，有一股活水的进水口，有一处最低水位的出水口，
  • 学习实践第9天打卡 海蜜儿
    第9天打卡:1.爸爸在打电话，宝宝让爸爸给他放电视，我过去跟宝宝说，宝宝很有礼貌，大人在打电话的时候，宝宝不会打扰，于是宝宝自己去沙发上看书了，我也坐在旁边一起看书，七八分钟后，宝宝让我给他讲故事，我又肯定宝宝，看起来宝宝很享受阅读带来的快乐！2.宝宝喝完奶后自己洗奶瓶，并将买瓶放在原位，我肯定宝宝，好独立，自己的事情自己做。之后宝宝又主动折衣服，收拾书放回书架，我表扬宝宝有条理，用完的东西能放回
  • 【已解决】torch包下载缓慢 烟花节 已解决pytorch深度学习pythonpip
    方法一直接将PyTorch安装指引中的https://download.pytorch.org/whl替换为https://mirrors.aliyun.com/pytorch-wheels即可。这个是阿里云的镜像，如pip3installtorchtorchvisiontorchaudio--index-urlhttps://download.pytorch.org/whl/cu121改为这个，
  • 【思维导图实战派T9】05/21 leikey
    第一份独自完成的处女作，感觉还不错，整体布局一般，还需加强一下，感觉还是不错滴，越来越喜欢了，很开心。联想部分还不行，脑子里没思路的感觉，反思一下原因，多看看别人的取经。图片发自App图片发自App
  • 早 心心_5aee
    大家早上好[咖啡]2022年04月04日星期一，农历三月初四湖南省-株洲：12~25°C多云西风：0级当前体感温度：12°C舒适指数->舒适：白天不太热也不太冷，风力不大，相信您在这样的天气条件下，应会感到比较清爽和舒适。防晒指数->弱：紫外线强度较弱，建议出门前涂擦SPF在12-15之间、PA+的防晒护肤品。[太阳]清晨分享：目标就像蝴蝶，你去追它，会追得很辛苦；如果你种花，蝴蝶会自己飞过来，只
  • 高仿NB男鞋在哪里有卖，推荐八个靠谱渠道 鸿运工作室
    在寻找高仿NB男鞋的靠谱购买渠道时，消费者需要谨慎选择，确保购买到品质上乘、正品保证的鞋子。以下将为您推荐八个靠谱的购买渠道，帮助您在购买高仿NB男鞋时更加得心应手。咨询加微信：XZ138A(下单赠送精美礼品)一、官方网站首先，您可以考虑访问NB（NewBalance）的官方网站。官方网站通常会提供一系列高仿鞋款，确保产品的品质与正品一致。此外，官方网站还提供完善的售后服务，让您购物无忧。二、授权
  • 修改Mysql默认字符集 LeslieLiang
    使用SHOWVARIABLESLIKE'character%'查看当前字符集Snipaste_2018-10-09_14-21-34.jpg1.进入Mysql的目录下，将my-default.txt复制为my.ini(影响不大)2.修改my.ini，在对应字段下添加以下内容[mysqld]character-set-server=utf8[client]default-character-set=
  • 分享100个最新免费的高匿HTTP代理IP mcj8089 代理IP代理服务器匿名代理免费代理IP最新代理IP
      推荐两个代理IP网站：   1. 全网代理IP：http://proxy.goubanjia.com/   2. 敲代码免费IP：http://ip.qiaodm.com/     120.198.243.130:80,中国/广东省 58.251.78.71:8088,中国/广东省 183.207.228.22:83,中国/
  • mysql高级特性之数据分区 annan211 java数据结构mongodb分区mysql
    mysql高级特性 1 以存储引擎的角度分析，分区表和物理表没有区别。是按照一定的规则将数据分别存储的逻辑设计。器底层是由多个物理字表组成。 2 分区的原理 分区表由多个相关的底层表实现，这些底层表也是由句柄对象表示，所以我们可以直接访问各个分区。存储引擎管理分区的各个底层 表和管理普通表一样(所有底层表都必须使用相同的存储引擎)，分区表的索引只是
  • JS采用正则表达式简单获取URL地址栏参数 chiangfai js地址栏参数获取
    GetUrlParam:function GetUrlParam(param){ var reg = new RegExp("(^|&)"+ param +"=([^&]*)(&|$)"); var r = window.location.search.substr(1).match(reg); if(r!=null
  • 怎样将数据表拷贝到powerdesigner (本地数据库表) Array_06 powerDesigner
    ================================================== 1、打开PowerDesigner12，在菜单中按照如下方式进行操作 file->Reverse Engineer->DataBase 点击后，弹出 New Physical Data Model 的对话框 2、在General选项卡中 Model name:模板名字，自
  • logbackのhelloworld 飞翔的马甲 日志logback
    一、概述 1.日志是啥？ 当我是个逗比的时候我是这么理解的：log.debug()代替了system.out.print(); 当我项目工作时，以为是一堆得.log文件。 这两天项目发布新版本，比较轻松，决定好好地研究下日志以及logback。 传送门1：日志的作用与方法： http://www.infoq.com/cn/articles/why-and-how-log 上面的作
  • 新浪微博爬虫模拟登陆 随意而生 新浪微博
    转载自：http://hi.baidu.com/erliang20088/item/251db4b040b8ce58ba0e1235     近来由于毕设需要，重新修改了新浪微博爬虫废了不少劲，希望下边的总结能够帮助后来的同学们。      现行版的模拟登陆与以前相比，最大的改动在于cookie获取时候的模拟url的请求
  • synchronized 香水浓 javathread
        Java语言的关键字，可用来给对象和方法或者代码块加锁，当它锁定一个方法或者一个代码块的时候，同一时刻最多只有一个线程执行这段代码。当两个并发线程访问同一个对象object中的这个加锁同步代码块时，一个时间内只能有一个线程得到执行。另一个线程必须等待当前线程执行完这个代码块以后才能执行该代码块。然而，当一个线程访问object的一个加锁代码块时，另一个线程仍然
  • maven 简单实用教程 AdyZhang maven
    1. Maven介绍  1.1. 简介 java编写的用于构建系统的自动化工具。目前版本是2.0.9，注意maven2和maven1有很大区别，阅读第三方文档时需要区分版本。 1.2. Maven资源 见官方网站；The 5 minute test，官方简易入门文档；Getting Started Tutorial，官方入门文档；Build Coo
  • Android 通过 intent传值获得null aijuans android
    我在通过intent 获得传递兑现过的时候报错，空指针,我是getMap方法进行传值，代码如下 1 2 3 4 5 6 7 8 9 public void getMap(View view){            Intent i =
  • apache 做代理 报如下错误：The proxy server received an invalid response from an upstream baalwolf response
    网站配置是apache＋tomcat,tomcat没有报错，apache报错是： The proxy server received an invalid response from an upstream server. The proxy server could not handle the request GET /. Reason: Error reading fr
  • Tomcat6 内存和线程配置 BigBird2012 tomcat6
    1、修改启动时内存参数、并指定JVM时区 （在windows server 2008 下时间少了8个小时） 在Tomcat上运行j2ee项目代码时，经常会出现内存溢出的情况，解决办法是在系统参数中增加系统参数：  window下， 在catalina.bat最前面 set JAVA_OPTS=-XX:PermSize=64M -XX:MaxPermSize=128m -Xms5
  • Karam与TDD bijian1013 KaramTDD
    一.TDD         测试驱动开发（Test-Driven Development,TDD）是一种敏捷（AGILE）开发方法论，它把开发流程倒转了过来，在进行代码实现之前，首先保证编写测试用例，从而用测试来驱动开发（而不是把测试作为一项验证工具来使用）。         TDD的原则很简单： a.只有当某个
  • [Zookeeper学习笔记之七]Zookeeper源代码分析之Zookeeper.States bit1129 zookeeper
    public enum States { CONNECTING, //Zookeeper服务器不可用，客户端处于尝试链接状态 ASSOCIATING, //？？？ CONNECTED, //链接建立，可以与Zookeeper服务器正常通信 CONNECTEDREADONLY, //处于只读状态的链接状态，只读模式可以在
  • 【Scala十四】Scala核心八：闭包 bit1129 scala
    Free variable A free variable of an expression is a variable that’s used inside the expression but not defined inside the expression. For instance, in the function literal expression (x: Int) => (x
  • android发送json并解析返回json ronin47 android
    package com.http.test; import org.apache.http.HttpResponse; import org.apache.http.HttpStatus; import org.apache.http.client.HttpClient; import org.apache.http.client.methods.HttpGet; import
  • 一份IT实习生的总结 brotherlamp PHPphp资料php教程php培训php视频
    今天突然发现在不知不觉中自己已经实习了 3 个月了，现在可能不算是真正意义上的实习吧，因为现在自己才大三，在这边撸代码的同时还要考虑到学校的功课跟期末考试。让我震惊的是，我完全想不到在这 3 个月里我到底学到了什么，这是一件多么悲催的事情啊。同时我对我应该 get 到什么新技能也很迷茫。所以今晚还是总结下把，让自己在接下来的实习生活有更加明确的方向。最后感谢工作室给我们几个人这个机会让我们提前出来
  • 据说是2012年10月人人网校招的一道笔试题-给出一个重物重量为X,另外提供的小砝码重量分别为1，3，9。。。3^N。 将重物放到天平左侧，问在两边如何添加砝码 bylijinnan java
    public class ScalesBalance { /** * 题目： * 给出一个重物重量为X,另外提供的小砝码重量分别为1，3，9。。。3^N。 （假设N无限大，但一种重量的砝码只有一个） * 将重物放到天平左侧，问在两边如何添加砝码使两边平衡 * * 分析： * 三进制 * 我们约定括号表示里面的数是三进制，例如 47=(1202
  • dom4j最常用最简单的方法 chiangfai dom4j
    要使用dom4j读写XML文档,需要先下载dom4j包,dom4j官方网站在 http://www.dom4j.org/目前最新dom4j包下载地址:http://nchc.dl.sourceforge.net/sourceforge/dom4j/dom4j-1.6.1.zip 解开后有两个包,仅操作XML文档的话把dom4j-1.6.1.jar加入工程就可以了,如果需要使用XPath的话还需要
  • 简单HBase笔记 chenchao051 hbase
     一、Client-side write buffer 客户端缓存请求 描述：可以缓存客户端的请求，以此来减少RPC的次数，但是缓存只是被存在一个ArrayList中，所以多线程访问时不安全的。 可以使用getWriteBuffer()方法来取得客户端缓存中的数据。 默认关闭。 二、Scan的Caching 描述： next( )方法请求一行就要使用一次RPC,即使
  • mysqldump导出时出现when doing LOCK TABLES daizj mysqlmysqdump导数据
    　　执行　mysqldump -uxxx -pxxx -hxxx -Pxxxx database tablename > tablename.sql　 导出表时，会报 mysqldump: Got error: 1044: Access denied for user 'xxx'@'xxx' to database 'xxx' when doing LOCK TABLES 解决
  • CSS渲染原理 dcj3sjt126com Web
      从事Web前端开发的人都与CSS打交道很多，有的人也许不知道css是怎么去工作的，写出来的css浏览器是怎么样去解析的呢？当这个成为我们提高css水平的一个瓶颈时，是否应该多了解一下呢？          一、浏览器的发展与CSS           
  • 《阿甘正传》台词 dcj3sjt126com
    Part Ⅰ: 《阿甘正传》Forrest Gump经典中英文对白 Forrest: Hello! My names Forrest. Forrest Gump. You wanna Chocolate? I could eat about a million and a half othese. My momma always said life was like a box ochocol
  • Java处理JSON dyy_gusi json
    Json在数据传输中很好用，原因是JSON 比 XML 更小、更快，更易解析。 在Java程序中，如何使用处理JSON，现在有很多工具可以处理，比较流行常用的是google的gson和alibaba的fastjson，具体使用如下： 1、读取json然后处理 class ReadJSON { public static void main(String[] args)
  • win7下nginx和php的配置 geeksun nginx
    1.  安装包准备 nginx :  从nginx.org下载nginx-1.8.0.zip php： 从php.net下载php-5.6.10-Win32-VC11-x64.zip， php是免安装文件。 RunHiddenConsole: 用于隐藏命令行窗口   2. 配置 # java用8080端口做应用服务器，nginx反向代理到这个端口即可 p
  • 基于2.8版本redis配置文件中文解释 hongtoushizi redis
    转载自： http://wangwei007.blog.51cto.com/68019/1548167        在Redis中直接启动redis-server服务时, 采用的是默认的配置文件。采用redis-server   xxx.conf 这样的方式可以按照指定的配置文件来运行Redis服务。下面是Redis2.8.9的配置文
  • 第五章 常用Lua开发库3-模板渲染 jinnianshilongnian nginxlua
    动态web网页开发是Web开发中一个常见的场景，比如像京东商品详情页，其页面逻辑是非常复杂的，需要使用模板技术来实现。而Lua中也有许多模板引擎，如目前我在使用的lua-resty-template，可以渲染很复杂的页面，借助LuaJIT其性能也是可以接受的。   如果学习过JavaEE中的servlet和JSP的话，应该知道JSP模板最终会被翻译成Servlet来执行；而lua-r
  • JZSearch大数据搜索引擎 颠覆者 JavaScript
    系统简介： 大数据的特点有四个层面：第一，数据体量巨大。从TB级别，跃升到PB级别；第二，数据类型繁多。网络日志、视频、图片、地理位置信息等等。第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四，处理速度快。最后这一点也是和传统的数据挖掘技术有着本质的不同。业界将其归纳为4个“V”——Volume，Variety，Value，Velocity。大数据搜索引
  • 10招让你成为杰出的Java程序员 pda158 java编程框架
    如果你是一个热衷于技术的  Java 程序员， 那么下面的 10 个要点可以让你在众多 Java 开发人员中脱颖而出。 　　 1. 拥有扎实的基础和深刻理解 OO 原则 　　对于 Java 程序员，深刻理解 Object Oriented Programming（面向对象编程）这一概念是必须的。没有 OOPS 的坚实基础，就领会不了像 Java 这些面向对象编程语言
  • tomcat之oracle连接池配置 小网客 oracle
    tomcat版本7.0 配置oracle连接池方式： 修改tomcat的server.xml配置文件： <GlobalNamingResources> <Resource name="utermdatasource" auth="Container" type="javax.sql.DataSou
  • Oracle 分页算法汇总 vipbooks oraclesql算法.net
        这是我找到的一些关于Oracle分页的算法，大家那里还有没有其他好的算法没？我们大家一起分享一下！ -- Oracle 分页算法一 select * from ( select page.*,rownum rn from (select * from help) page -- 20 = (currentPag
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他