唐僧骑马彤那个彤
唐僧骑马彤那个彤

交叉熵

KL散度（相对熵）衡量两个分布之间的差异大小，KL散度是大于等于0，当越趋近于0，说明p、q两个分布越相似。

你可能感兴趣的:(交叉熵)

  • 神经网络-损失函数 红米煮粥 神经网络人工智能深度学习
    文章目录一、回归问题的损失函数1.均方误差（MeanSquaredError,MSE）2.平均绝对误差（MeanAbsoluteError,MAE）二、分类问题的损失函数1.0-1损失函数（Zero-OneLossFunction）2.交叉熵损失（Cross-EntropyLoss）3.合页损失（HingeLoss）三、总结在神经网络中，损失函数（LossFunction）扮演着至关重要的角色，它
  • 两种常用损失函数：nn.CrossEntropyLoss 与 nn.TripletMarginLoss 大多_C 人工智能算法python机器学习
    两种用于模型训练的损失函数：nn.CrossEntropyLoss和nn.TripletMarginLoss。它们在对比学习和分类任务中各自扮演不同的角色。接下来是对这两种损失函数的详细介绍。1.nn.CrossEntropyLossnn.CrossEntropyLoss是PyTorch提供的交叉熵损失函数，通常用于多分类任务中。它结合了softmax激活函数和负对数似然损失（NegativeLo
  • Focal Loss的简述与实现 友人Chi 人工智能机器学习深度学习
    文章目录交叉熵损失函数样本不均衡问题FocalLossFocalLoss的代码实现交叉熵损失函数Loss=L(y,p^)=−ylog(p^)−(1−y)log(1−p^)Loss=L(y,\hat{p})=-ylog(\hat{p})-(1-y)log(1-\hat{p})Loss=L(y,p^)=−ylog(p^)−(1−y)log(1−p^)其中p^\hat{p}p^为预测概率大小。此处的交叉
  • 机器学习和深度学习中常见损失函数，包括损失函数的数学公式、推导及其在不同场景中的应用 早起星人 机器学习深度学习人工智能
    目录引言什么是损失函数？常见损失函数介绍3.1均方误差（MeanSquaredError,MSE）3.2交叉熵损失（Cross-EntropyLoss）3.3平滑L1损失（SmoothL1Loss）3.4HingeLoss（合页损失）3.5二进制交叉熵损失（BinaryCross-EntropyLoss）3.6KL散度（KLDivergence）3.7Huber损失（HuberLoss）3.8对比
  • BCEWithLogitsLoss hero_hilog 算法pytorch
     BCEWithLogitsLoss是PyTorch深度学习框架中的一个损失函数，用于二元分类问题。它结合了Sigmoid激活函数和二元交叉熵损失（BinaryCrossEntropyLoss），使得在训练过程中更加数值稳定。特点：数值稳定性：直接使用Sigmoid函数后跟BCE损失可能会遇到数值稳定性问题，特别是当输入值非常大或非常小的时候。BCEWithLogitsLoss通过内部使用Logi
  • 数学基础 -- 梯度下降算法 sz66cm 算法人工智能数学基础
    梯度下降算法梯度下降算法（GradientDescent）是一种优化算法，主要用于寻找函数的局部最小值或全局最小值。它广泛应用于机器学习、深度学习以及统计学中，用于最小化损失函数或误差函数。梯度下降的基本概念梯度下降算法通过以下步骤工作：初始化参数：随机初始化模型的参数（如权重和偏差），也可以用特定的策略初始化。计算损失：对当前模型输出和实际目标值计算损失（如均方误差、交叉熵等）。计算梯度：计算损
  • 交叉熵损失函数基本概念及公式 小桥流水---人工智能 人工智能机器学习算法深度学习
    Cross-EntropyLoss1.二分类2.对于多类别分类问题，其公式可以表示为：3.公式深度挖掘解释——交叉熵损失函数公式中（log）的解释总结交叉熵损失函数（Cross-EntropyLoss）是在机器学习和深度学习中常用的一种损失函数，主要用于衡量模型输出与真实标签之间的差异，特别适用于分类任务，尤其是多类别分类问题。1.二分类交叉熵损失函数的数学公式可以有多种表示形式。对于二分类问题，
  • 交叉熵损失函数（Cross-Entropy Loss）的基本概念与程序代码 小桥流水---人工智能 人工智能机器学习算法人工智能深度学习
    交叉熵损失函数（Cross-EntropyLoss）是机器学习和深度学习中常用的损失函数之一，用于分类问题。其基本概念如下：1.基本解释：交叉熵损失函数衡量了模型预测的概率分布与真实概率分布之间的差异。在分类问题中，通常有一个真实的类别标签，而模型会输出一个概率分布，表示样本属于各个类别的概率。交叉熵损失函数通过比较这两个分布来计算损失，从而指导模型的优化。具体来说，对于二分类问题，真实标签通常表
  • 【论文解读】Document-Level Relation Extraction with Adaptive Focal Loss and Knowledge Distillation Queen_sy 深度学习人工智能
    目录1Introduction1Docre任务比句子级任务更具挑战性：2现有的Docre方法：3现有的Docre方法存在三个局限性2Methodology1使用轴向注意力模块作为特征提取器：2第二，提出适应性焦距损失3第三用知识蒸馏相关知识类别不平衡问题长尾类分布交叉熵损失和二元交叉熵损失二元交叉熵损失定义为知识蒸馏全文翻译https://baijiahao.baidu.com/s?id=1737
  • 为什么在半监督中的无监督阶段CE常常配合置信度使用而MSE通常不会 UndefindX 人工智能
    在半监督学习中，结合无监督损失（如交叉熵（CE）损失）和置信度阈值的策略主要用于确保模型从高质量、高置信度的伪标签中学习。这种方法特别适用于分类问题，其中CE损失直接作用于模型的预测类别概率和目标（真实或伪）标签之间。使用置信度阈值可以帮助模型专注于那些它最有可能正确分类的样本，从而提高学习的效率和准确性，减少错误标签的负面影响。对于均方误差（MSE）损失，在某些情况下，其使用方式可能不同，原因如
  • deep learning update error loss = nan xyq_learn
    为什么用tensorflow训练网络，出现了loss=nan最常见的原因是学习率太高。对于分类问题，学习率太高会导致模型「顽固」地认为某些数据属于错误的类，而正确的类的概率为0（实际是浮点数下溢），这样用交叉熵就会算出无穷大的损失函数。一旦出现这种情况，无穷大对参数求导就会变成NaN，之后整个网络的参数就都变成NaN了。解决方法是调小学习率，甚至把学习率调成0，看看问题是否仍然存在。若问题消失，那
  • 如何通过极大似然估计 MLE Maximum Likelihood Estimation 获得 交叉熵 Cross Entropy 以及 均方损失函数 Mean Square Loss ？ shimly123456 StanfordCS229个人开发
    似然函数定义以及极大似然估计MLE(完成)---------------------------------------------------------------------------------------start注意：P(A|B)并不总是等于P(B|A)，原因如下：首先要明白一个事情，什么是似然函数？以下是CHATGPTMathSolver的回答：我自己解释一下，意思就是：观察到一组
  • 熵：信息熵、交叉熵、相对熵 Reore
    信息熵信息熵H(X)可以看做，对X中的样本进行编码所需要的编码长度的期望值。交叉熵交叉熵可以理解为，现在有两个分布，真实分布p和非真实分布q，我们的样本来自真实分布p。按照真实分布p来编码样本所需的编码长度的期望为，这就是上面说的信息熵H(p)按照不真实分布q来编码样本所需的编码长度的期望为，这就是所谓的交叉熵H(p,q)相对熵这里引申出KL散度D(p||q)=H(p,q)-H(p)=，也叫做相对
  • 【深度学习】Softmax实现手写数字识别 住在天上的云 深度学习深度学习人工智能Softmax手写数字识别驭风计划
    实训1：Softmax实现手写数字识别相关知识点:numpy科学计算包，如向量化操作，广播机制等1任务目标1.1简介本次案例中，你需要用python实现Softmax回归方法，用于MNIST手写数字数据集分类任务。你需要完成前向计算loss和参数更新。你需要首先实现Softmax函数和交叉熵损失函数的计算。y=softmax(WTx+b)L=CrossEntropy(y,label)y=softm
  • 【深度学习】loss与梯度与交叉熵的关系 sdbhewfoqi 深度学习深度学习人工智能
    问的GPT3.5模型训练时loss与梯度的关系？在深度学习模型训练过程中，loss（损失函数）与梯度（gradient）之间存在密切关系。损失函数衡量模型在给定输入上的预测输出与实际输出之间的差距，而梯度则表示损失函数相对于模型参数的变化率。以下是loss与梯度之间的关系：1.梯度下降：梯度下降是一种优化算法，用于逐步调整模型参数，以最小化损失函数。在每次迭代中，梯度下降根据损失函数的梯度来更新模
  • 计算机设计大赛 深度学习+opencv+python实现昆虫识别 -图像识别 昆虫识别 iuerfee python
    文章目录0前言1课题背景2具体实现3数据收集和处理3卷积神经网络2.1卷积层2.2池化层2.3激活函数：2.4全连接层2.5使用tensorflow中keras模块实现卷积神经网络4MobileNetV2网络5损失函数softmax交叉熵5.1softmax函数5.2交叉熵损失函数6优化器SGD7学习率衰减策略6最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的昆虫识别算法研究与实现**
  • （阅读笔记）SecureML: A System for Scalable Privacy-Preserving Machine Learning 你看见的我 安全学习
    SecureML动机基础知识SecureML文章总结动机用户（例如物联网设备）计算、电池资源受限，选择外包数据给云或边缘执行密集型计算；用户数据包含隐私信息，数据控制权的转移意味着数据隐私泄露风险；选择加密原语处理数据后上传，实现密文计算（网络推理或训练）是重要挑战。基础知识线性回归模型，值连续，损失函数多选择最小欧式距离计算；逻辑回归模型，二分类任务，值离散，损失函数多选择交叉熵计算；神经网络模
  • 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
  • ASTRAIOS: Parameter-Efficient Instruction Tuning Code Large Language Models UnknownBody LLM语言模型人工智能自然语言处理
    本文是LLM系列文章，针对《ASTRAIOS:Parameter-EfficientInstructionTuningCodeLargeLanguageModels》的翻译。ASTRAIOS：参数高效指令调优代码大型语言模型摘要1引言2ASTRAIOS套机与基准3前言研究：交叉熵4主要结果：任务性能5更进一步分析6讨论7相关工作8结论摘要大型语言模型（LLM）的全参数微调（FFT）的高成本导致了一
  • 互联网加竞赛 基于深度学习的植物识别算法 - cnn opencv python Mr.D学长 pythonjava
    文章目录0前言1课题背景2具体实现3数据收集和处理3MobileNetV2网络4损失函数softmax交叉熵4.1softmax函数4.2交叉熵损失函数5优化器SGD6最后0前言优质竞赛项目系列，今天要分享的是**基于深度学习的植物识别算法**该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：ht
  • 机器学习：Softmax回归（Python） 捕捉一只Diu 机器学习回归python笔记
    Softmax回归（多分类）logistic_regression_mulclass.pyimportnumpyasnpimportmatplotlib.pyplotaspltclassLogisticRegression_MulClass:"""逻辑回归，采用梯度下降算法+正则化，交叉熵损失函数，实现多分类，Softmax函数"""def__init__(self,fit_intercept=T
  • pix2pix图像着色学习记录（pytorch实现） 欧拉雅卡 pytorch
    1、BCELossBCELoss（binary_crossentropy）二分类交叉熵损失函数，用于图片多标签分类，n张图片分m类，会得到n*m的矩阵，经过sigmoid把矩阵数值变换到0~1，然后通过如下公式计算得到：不同分类问题用到的激活函数和损失函数有所不同：分类问题名称输出层使用卷积函数对应的损失函数二分类sigmoid函数二分类交叉熵损失函数多分类softmax函数多分类交叉熵损失函数多
  • 目标检测中的损失函数汇总 senbinyu 损失函数目标检测深度学习深度学习人工智能
    和图像分割中将损失函数分为基于分布，基于区域以及基于边界的损失函数不一样，目标检测经常可以认为由2类最基础的损失，分类损失和回归损失而组成。分类损失CEloss，交叉熵损失交叉熵损失，二分类损失（binaryCEloss）是它的一种极端情况.在机器学习部分就有介绍它。如下图所示,y是真实标签，a是预测标签，一般可通过sigmoid，softmax得到，x是样本，n是样本数目，和对数似然等价。foc
  • 决策树相关知识点以及面试题 mym_74 决策树
    文章目录基础知识点熵条件熵联合熵交叉熵信息增益信息增益率Gini指数什么是决策树举例决策树怎么生成的ID3算法C4.5算法和其他模型相比决策树的优点基尼指数（CART算法）决策树的生成最小二乘回归树剪枝一些问题参考基础知识点熵熵是一个物理概念，代表一个系统的混乱程度，在信息论里用于表示一个随机变量不确定性的度量，熵越大，不确定性越高。假设$X$是一个离散分布的随机变量，取值有限，那么的熵可以表示为
  • 1.27CNN（输入层，特征提取（卷积，最大池化），输出），损失函数（KL散度，交叉熵推导），熵（物理、信息熵推导），点积矩阵运算（CPU,GPU,NPU） CQU_JIAKE 机器学习&神经网络数模cnn人工智能算法
    CNN损失函数KL散度，交叉熵B部分是训练集的真实实际值，是常数，C部分是训练结果，目的是要让这个损失最小化，与模型参数紧密相关，取出C（带负号），C非负就是更精简的损失函数熵v所谓M个空间，N个小球在其中的排列组合方式为熵对应概率是，M次抽样，一共N种情况，每次抽样都意味着要确定M个空间里的其中一个空间是怎样的，也就是N个小球（情况）里占了多少个小球（分配到了多少个小球、情况），如果分配到的小球
  • PyTorch学习笔记（三）：softmax回归 FriendshipT PyTorch学习笔记pytorch回归深度学习softmax
    PyTorch学习笔记（三）：softmax回归softmax回归分类问题softmax回归模型单样本分类的矢量计算表达式小批量样本分类的矢量计算表达式交叉熵损失函数模型预测及评价小结Torchvision获取数据集读取小批量PyTorch从零开始实现softmax获取和读取数据初始化模型参数实现softmax运算定义模型定义损失函数定义优化算法计算分类准确率训练模型预测小结PyTorch模块实现
  • 神经网络与深度学习Pytorch版 Softmax回归 笔记 砍树＋c＋v 深度学习神经网络pytorch人工智能python回归笔记
    Softmax回归目录Softmax回归1.独热编码2.Softmax回归的网络架构是一个单层的全连接神经网络。3.Softmax回归模型概述及其在多分类问题中的应用4.Softmax运算在多分类问题中的应用及其数学原理5.小批量样本分类的矢量计算表达式6.交叉熵损失函数7.模型预测及评价8.小结Softmax回归，也称为多类逻辑回归，是一种用于解决多分类问题的机器学习算法。它与普通的logist
  • 机器学习复习（7）——损失函数 不会写代码！！ 人工智能机器学习复习机器学习算法机器学习人工智能
    交叉熵损失函数交叉熵损失函数是深度学习中常用的一种损失函数，特别是在分类问题中。它衡量的是模型预测的概率分布与真实标签的概率分布之间的差异。下面是交叉熵损失函数的推导过程:1.概率模型：在分类问题中，假设有一个模型预测出类别的概率为。真实情况下，如果样本属于类别则这个类别的真实概率为1，其它类别的为0。2似然函数：对于单个样本，其似然函数表示为模型预测正确的概率，即。其中是类别的总数。对于属于类别
  • 交叉熵损失函数的计算公式 滚菩提哦呢 机器学习深度学习人工智能python概率论
    交叉熵损失函数的计算公式如下:对于二分类问题：L=-(ylog(p)+(1-y)log(1-p))其中：L为交叉熵损失函数的值，y为真实标签(0或1)，p为模型预测为正类的概率。对于多分类问题：L=-∑y_ilog(p_i)其中：L为交叉熵损失函数的值，y_i为真实标签，p_i为模型对第i类的预测概率。
  • 交叉熵损失函数 矮人三等 #损失函数机器学习python人工智能深度学习
    引言本文只是对自己理解交叉熵损失函数的一个总结，并非详尽介绍交叉熵函数的前世今生，要想多方位了解该损失函数，可以参考本文参考资料。(1)交叉熵损失函数表达式的推导单个样本的表达式为：（BCE二分类情况）L=−[ylog⁡y^+(1−y)log⁡(1−y^)](1)L=-[y\log{\hat{y}}+(1-y)\log{(1-\hat{y})}]\tag{1}L=−[ylogy^+(1−y)log
  • Java 并发包之线程池和原子计数 lijingyao8206 Java计数ThreadPool并发包java线程池
    对于大数据量关联的业务处理逻辑，比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式，并且可以提高线程利用率，并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。     这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
  • java编程思想 抽象类和接口 百合不是茶 java抽象类接口
    接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持   1 ,抽象类 :  如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)   抽象方法 : 在方法中仅有声明而没有方法体    package com.wj.Interface;
  • [房地产与大数据]房地产数据挖掘系统 comsci 数据挖掘
           随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...        所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产     &nb
  • 数组队列总结 沐刃青蛟 数组队列
          数组队列是一种大小可以改变，类型没有定死的类似数组的工具。不过与数组相比，它更具有灵活性。因为它不但不用担心越界问题，而且因为泛型（类似c++中模板的东西）的存在而支持各种类型。      以下是数组队列的功能实现代码：   import List.Student; public class
  • Oracle存储过程无法编译的解决方法 IT独行者 oracle存储过程　
    今天同事修改Oracle存储过程又导致2个过程无法被编译，流程规范上的东西，Dave 这里不多说，看看怎么解决问题。   1.     查看无效对象 XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
  • 重装系统之后oracle恢复 文强chu oracle
    前几天正在使用电脑，没有暂停oracle的各种服务。 突然win8.1系统奔溃，无法修复，开机时系统 提示正在搜集错误信息，然后再开机，再提示的无限循环中。 无耐我拿出系统u盘 准备重装系统，没想到竟然无法从u盘引导成功。 晚上到外面早了一家修电脑店，让人家给装了个系统，并且那哥们在我没反应过来的时候， 直接把我的c盘给格式化了 并且清理了注册表，再装系统。 然后的结果就是我的oracl
  • python学习二（ 一些基础语法） 小桔子 pthon基础语法
    紧接着把！昨天没看继续看django 官方教程，学了下python的基本语法 与c类语言还是有些小差别： 1.ptyhon的源文件以UTF-8编码格式 2. /   除 结果浮点型 //  除 结果整形 %   除 取余数 *   乘 **  乘方 eg 5**2 结果是5的2次方25 _&
  • svn 常用命令 aichenglong SVN版本回退
    1 svn回退版本   1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version 两者的区别:   revert this version:表示回退到当前版本(该版本后的版本全部作废)   revert chanages from this versio
  • 某小公司面试归来 alafqq 面试
    先填单子，还要写笔试题，我以时间为急，拒绝了它。。时间宝贵。 老拿这些对付毕业生的东东来吓唬我。。 面试官很刁难，问了几个问题，记录下； 1，包的范围。。。public,private,protect. --悲剧了 2，hashcode方法和equals方法的区别。谁覆盖谁.结果，他说我说反了。 3，最恶心的一道题，抽象类继承抽象类吗？（察，一般它都是被继承的啊） 4，stru
  • 动态数组的存储速度比较 集合框架 百合不是茶 集合框架
    集合框架： 自定义数据结构(增删改查等) package 数组; /** * 创建动态数组 * @author 百合 * */ public class ArrayDemo{ //定义一个数组来存放数据 String[] src = new String[0]; /** * 增加元素加入容器 * @param s要加入容器
  • 用JS实现一个JS对象，对象里有两个属性一个方法 bijian1013 js对象
    <html> <head> </head> <body> 用js代码实现一个js对象，对象里有两个属性，一个方法 </body> <script> var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
  • 探索JUnit4扩展：使用Rule bijian1013 java单元测试JUnitRule
            在上一篇文章中，讨论了使用Runner扩展JUnit4的方式，即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。 1. Rule       &n
  • [Gson一]非泛型POJO对象的反序列化 bit1129 POJO
    当要将JSON数据串反序列化自身为非泛型的POJO时，使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种： 1. POJO对象不包含任何泛型的字段 2. POJO对象包含泛型字段，例如泛型集合或者泛型类 Data类 a.不是泛型类， b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO    
  • 【Kakfa五】Kafka Producer和Consumer基本使用 bit1129 kafka
    0.Kafka服务器的配置 一个Broker， 一个Topic Topic中只有一个Partition（）   1. Producer： package kafka.examples.producers; import kafka.producer.KeyedMessage; import kafka.javaapi.producer.Producer; impor
  • lsyncd实时同步搭建指南——取代rsync+inotify ronin47
    1. 几大实时同步工具比较 1.1 inotify + rsync 最近一直在寻求生产服务服务器上的同步替代方案，原先使用的是 inotify + rsync，但随着文件数量的增大到100W+，目录下的文件列表就达20M，在网络状况不佳或者限速的情况下，变更的文件可能10来个才几M，却因此要发送的文件列表就达20M，严重减低的带宽的使用效率以及同步效率；更为要紧的是，加入inotify
  • java-9. 判断整数序列是不是二元查找树的后序遍历结果 bylijinnan java
    public class IsBinTreePostTraverse{ static boolean isBSTPostOrder(int[] a){ if(a==null){ return false; } /*1.只有一个结点时，肯定是查找树 *2.只有两个结点时，肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
  • MySQL的sum函数返回的类型 bylijinnan javaspringsqlmysqljdbc
    今天项目切换数据库时，出错 访问数据库的代码大概是这样： String sql = "select sum(number) as sumNumberOfOneDay from tableName"; List<Map> rows = getJdbcTemplate().queryForList(sql); for (Map row : rows
  • java设计模式之单例模式 chicony java设计模式
    在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的： 　　作为对象的创建模式，单例模式确保某一个类只有一个实例，而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构 　　单例模式的特点： 单例类只能有一个实例。 单例类必须自己创建自己的唯一实例。 单例类必须给所有其他对象提供这一实例。 　　饿汉式单例类   publ
  • javascript取当月最后一天 ctrain JavaScript
    <!--javascript取当月最后一天--> <script language=javascript> var current = new Date(); var year = current.getYear(); var month = current.getMonth(); showMonthLastDay(year, mont
  • linux tune2fs命令详解 daizj linuxtune2fs查看系统文件块信息
    一.简介： tune2fs是调整和查看ext2/ext3文件系统的文件系统参数，Windows下面如果出现意外断电死机情况，下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检，而且是可以通过tune2fs命令，自行定义自检周期及方式。 二.用法： Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
  • 做有中国特色的程序员 dcj3sjt126com 程序员
      从出版业说起 网络作品排到靠前的，都不会太难看，一般人不爱看某部作品也是因为不喜欢这个类型，而此人也不会全不喜欢这些网络作品。究其原因，是因为网络作品都是让人先白看的，看的好了才出了头。而纸质作品就不一定了，排行榜靠前的，有好作品，也有垃圾。 许多大牛都是写了博客，后来出了书。这些书也都不次，可能有人让为不好，是因为技术书不像小说，小说在读故事，技术书是在学知识或温习知识，有
  • Android：TextView属性大全 dcj3sjt126com textview
    android:autoLink    设置是否当文本为URL链接/email/电话号码/map时，文本显示为可点击的链接。可选值(none/web/email/phone/map/all)  android:autoText    如果设置，将自动执行输入值的拼写纠正。此处无效果，在显示输入法并输
  • tomcat虚拟目录安装及其配置 eksliang tomcat配置说明tomca部署web应用tomcat虚拟目录安装
    转载请出自出处：http://eksliang.iteye.com/blog/2097184 1.-------------------------------------------tomcat  目录结构 config：存放tomcat的配置文件 temp  ：存放tomcat跑起来后存放临时文件用的 work   ： 当第一次访问应用中的jsp
  • 浅谈：APP有哪些常被黑客利用的安全漏洞 gg163 APP
    首先，说到APP的安全漏洞，身为程序猿的大家应该不陌生；如果抛开安卓自身开源的问题的话，其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上，有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测（ineice.com）的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。 1. 应用反编译漏洞：APK 包非常容易被反编译成可读
  • C#根据网址生成静态页面 hvt Web.netC#asp.nethovertree
    HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页，以及显示用户名，退出等功能。根据网址生成页面的方法：   bool CreateHtmlFile(string url, string path) { //http://keleyi.com/a/bjae/3d10wfax.htm stri
  • SVG 教程 （一） 天梯梦 svg
    SVG 简介 SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识： 继续学习之前，你应该对以下内容有基本的了解： HTML XML 基础 如果希望首先学习这些内容，请在本站的首页选择相应的教程。 什么是SVG？ SVG 指可伸缩矢量图形 (Scalable Vector Graphics) SVG 用来定义用于网络的基于矢量
  • 一个简单的java栈 luyulong java数据结构栈
    public class MyStack { private long[] arr; private int top; public MyStack() { arr = new long[10]; top = -1; } public MyStack(int maxsize) { arr = new long[maxsize]; top
  • 基础数据结构和算法八：Binary search sunwinner AlgorithmBinary search
    Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
  • 12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 刘星宇 c面试
    12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 1.gets()函数 问：请找出下面代码里的问题： #include<stdio.h> int main(void) {     char buff[10];     memset(buff,0,sizeof(buff));
  • ITeye 7月技术图书有奖试读获奖名单公布 ITeye管理员 活动ITeye试读
    ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。 7月试读活动回顾： http://webmaster.iteye.com/blog/2092746 本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）： 《Java性能优化权威指南》
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他