一川烟草i蓑衣
一川烟草i蓑衣

交叉熵

1 信息量

假设我们听到了两件事，分别如下： 

事件A：巴西队进入了2018世界杯决赛圈。 

事件B：中国队进入了2018世界杯决赛圈。 

仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。那么信息量应该和事件发生的概率有关。

假设x是一个离散型随机变量，取值范围为X，概率为p(x)，x属于X，则x=x0的信息量为：I(x0) = -log(p(x0))

由于是概率所以p(x0)的取值范围是[0,1],绘制为图形如下：


交叉熵_第1张图片
信息量分布

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
  • 基本数据类型和引用类型的初始值 3213213333332132 java基础
    package com.array; /** * @Description 测试初始值 * @author FuJianyong * 2015-1-22上午10:31:53 */ public class ArrayTest { ArrayTest at; String str; byte bt; short s; int i; long
  • 摘抄笔记--《编写高质量代码：改善Java程序的151个建议》 白糖_ 高质量代码
            记得3年前刚到公司，同桌同事见我无事可做就借我看《编写高质量代码：改善Java程序的151个建议》这本书，当时看了几页没上心就没研究了。到上个月在公司偶然看到，于是乎又找来看看，我的天，真是非常多的干货，对于我这种静不下心的人真是帮助莫大呀。           看完整本书，也记了不少笔记
  • 【备忘】Django 常用命令及最佳实践 dongwei_6688 django
    注意：本文基于 Django 1.8.2 版本   生成数据库迁移脚本（python 脚本） python manage.py makemigrations polls  说明：polls 是你的应用名字，运行该命令时需要根据你的应用名字进行调整   查看该次迁移需要执行的 SQL 语句（只查看语句，并不应用到数据库上）： python manage.p
  • 阶乘算法之一N! 末尾有多少个零 周凡杨 java算法阶乘面试效率
                                     &n
  • spring注入servlet g21121 Spring注入
    传统的配置方法是无法将bean或属性直接注入到servlet中的，配置代理servlet亦比较麻烦，这里其实有比较简单的方法，其实就是在servlet的init()方法中加入要注入的内容： ServletContext application = getServletContext(); WebApplicationContext wac = WebApplicationContextUtil
  • Jenkins 命令行操作说明文档 510888780 centos
    假设Jenkins的URL为http://22.11.140.38:9080/jenkins/ 基本的格式为 java 基本的格式为 java -jar jenkins-cli.jar [-s JENKINS_URL] command [options][args] 下面具体介绍各个命令的作用及基本使用方法 1. &nb
  • UnicodeBlock检测中文用法 布衣凌宇 UnicodeBlock
    /**  * 判断输入的是汉字  */ public static boolean isChinese(char c) {        Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);    
  • java下实现调用oracle的存储过程和函数 aijuans javaorale
    1.创建表：STOCK_PRICES     2.插入测试数据：     3.建立一个返回游标：  PKG_PUB_UTILS   4.创建和存储过程：P_GET_PRICE     5.创建函数：   6.JAVA调用存储过程返回结果集 JDBCoracle10G_INVO
  • Velocity Toolbox antlove 模板toolboxvelocity
    velocity.VelocityUtil package velocity; import org.apache.velocity.Template; import org.apache.velocity.app.Velocity; import org.apache.velocity.app.VelocityEngine; import org.apache.velocity.c
  • JAVA正则表达式匹配基础 百合不是茶 java正则表达式的匹配
      正则表达式;提高程序的性能,简化代码,提高代码的可读性,简化对字符串的操作   正则表达式的用途; 字符串的匹配 字符串的分割 字符串的查找 字符串的替换       正则表达式的验证语法     [a] //[]表示这个字符只出现一次 ,[a] 表示a只出现一
  • 是否使用EL表达式的配置 bijian1013 jspweb.xmlELEasyTemplate
            今天在开发过程中发现一个细节问题，由于前端采用EasyTemplate模板方法实现数据展示，但老是不能正常显示出来。后来发现竟是EL将我的EasyTemplate的${...}解释执行了，导致我的模板不能正常展示后台数据。         网
  • 精通Oracle10编程SQL(1-3)PLSQL基础 bijian1013 oracle数据库plsql
    --只包含执行部分的PL/SQL块 --set serveroutput off begin dbms_output.put_line('Hello,everyone!'); end; select * from emp; --包含定义部分和执行部分的PL/SQL块 declare v_ename varchar2(5); begin select
  • 【Nginx三】Nginx作为反向代理服务器 bit1129 nginx
    Nginx一个常用的功能是作为代理服务器。代理服务器通常完成如下的功能：   接受客户端请求 将请求转发给被代理的服务器 从被代理的服务器获得响应结果 把响应结果返回给客户端 实例 本文把Nginx配置成一个简单的代理服务器 对于静态的html和图片，直接从Nginx获取 对于动态的页面，例如JSP或者Servlet，Nginx则将请求转发给Res
  • Plugin execution not covered by lifecycle configuration: org.apache.maven.plugin blackproof maven报错
    转：http://stackoverflow.com/questions/6352208/how-to-solve-plugin-execution-not-covered-by-lifecycle-configuration-for-sprin   maven报错： Plugin execution not covered by lifecycle configuration:
  • 发布docker程序到marathon ronin47 docker 发布应用
    1 发布docker程序到marathon 1.1 搭建私有docker registry 1.1.1 安装docker regisry docker pull docker-registry docker run -t -p 5000:5000 docker-registry 下载docker镜像并发布到私有registry docker pull consol/tomcat-8.0
  • java-57-用两个栈实现队列&&用两个队列实现一个栈 bylijinnan java
    import java.util.ArrayList; import java.util.List; import java.util.Stack; /* * Q 57 用两个栈实现队列 */ public class QueueImplementByTwoStacks { private Stack<Integer> stack1; pr
  • Nginx配置性能优化 cfyme nginx
    转载地址：http://blog.csdn.net/xifeijian/article/details/20956605   大多数的Nginx安装指南告诉你如下基础知识——通过apt-get安装，修改这里或那里的几行配置，好了，你已经有了一个Web服务器了。而且，在大多数情况下，一个常规安装的nginx对你的网站来说已经能很好地工作了。然而，如果你真的想挤压出Nginx的性能，你必
  • [JAVA图形图像]JAVA体系需要稳扎稳打,逐步推进图像图形处理技术 comsci java
         对图形图像进行精确处理，需要大量的数学工具，即使是从底层硬件模拟层开始设计，也离不开大量的数学工具包，因为我认为，JAVA语言体系在图形图像处理模块上面的研发工作，需要从开发一些基础的，类似实时数学函数构造器和解析器的软件包入手，而不是急于利用第三方代码工具来实现一个不严格的图形图像处理软件......   &nb
  • MonkeyRunner的使用 dai_lm androidMonkeyRunner
    要使用MonkeyRunner，就要学习使用Python，哎 先抄一段官方doc里的代码 作用是启动一个程序（应该是启动程序默认的Activity），然后按MENU键，并截屏 # Imports the monkeyrunner modules used by this program from com.android.monkeyrunner import MonkeyRun
  • Hadoop-- 海量文件的分布式计算处理方案 datamachine mapreducehadoop分布式计算
    csdn的一个关于hadoop的分布式处理方案，存档。 原帖：http://blog.csdn.net/calvinxiu/article/details/1506112。     Hadoop 是Google MapReduce的一个Java实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同ja
  • 以資料庫驗證登入 dcj3sjt126com yii
    以資料庫驗證登入 由於 Yii 內定的原始框架程式, 採用綁定在UserIdentity.php 的 demo 與 admin 帳號密碼:    public function authenticate()    {        $users=array( &nbs
  • github做webhooks：[2]php版本自动触发更新 dcj3sjt126com githubgitwebhooks
    上次已经说过了如何在github控制面板做查看url的返回信息了。这次就到了直接贴钩子代码的时候了。 工具/原料 git github 方法/步骤   在github的setting里面的webhooks里把我们的url地址填进去。   钩子更新的代码如下： error_reportin
  • Eos开发常用表达式 蕃薯耀 Eos开发Eos入门Eos开发常用表达式
    Eos开发常用表达式 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2014年8月18日 15:03:35 星期一     &
  • SpringSecurity3.X--SpEL 表达式 hanqunfeng SpringSecurity
    使用 Spring 表达式语言配置访问控制，要实现这一功能的直接方式是在<http>配置元素上添加 use-expressions 属性：   <http auto-config="true" use-expressions="true"> 这样就会在投票器中自动增加一个投票器：org.springframework
  • Redis vs Memcache IXHONG redis
    1. Redis中，并不是所有的数据都一直存储在内存中的，这是和Memcached相比一个最大的区别。 2. Redis不仅仅支持简单的k/v类型的数据，同时还提供list，set，hash等数据结构的存储。 3. Redis支持数据的备份，即master-slave模式的数据备份。 4. Redis支持数据的持久化，可以将内存中的数据保持在磁盘中，重启的时候可以再次加载进行使用。 Red
  • Python - 装饰器使用过程中的误区解读 kvhur JavaScriptjqueryhtml5css
    大家都知道装饰器是一个很著名的设计模式，经常被用于AOP(面向切面编程)的场景，较为经典的有插入日志，性能测试，事务处理，Web权限校验， Cache等。 原文链接：http://www.gbtags.com/gb/share/5563.htm Python语言本身提供了装饰器语法（@），典型的装饰器实现如下：   @function_wrapper de
  • 架构师之mybatis-----update 带case when 针对多种情况更新 nannan408 case when
    1.前言.    如题. 2. 代码.   <update id="batchUpdate" parameterType="java.util.List"> <foreach collection="list" item="list" index=&
  • Algorithm算法视频教程 栏目记者 Algorithm算法
    课程：Algorithm算法视频教程 百度网盘下载地址： http://pan.baidu.com/s/1qWFjjQW 密码: 2mji 程序写的好不好,还得看算法屌不屌！Algorithm算法博大精深。 一、课程内容： 课时1、算法的基本概念 + Sequential search 课时2、Binary search 课时3、Hash table 课时4、Algor
  • C语言算法之冒泡排序 qiufeihu c算法
    任意输入10个数字由小到大进行排序。 代码： #include <stdio.h> int main() { int i,j,t,a[11]; /*定义变量及数组为基本类型*/ for(i = 1;i < 11;i++){ scanf("%d",&a[i]); /*从键盘中输入10个数*/ } for
  • JSP异常处理 wyzuomumu Webjsp
    1.在可能发生异常的网页中通过指令将HTTP请求转发给另一个专门处理异常的网页中: <%@ page errorPage="errors.jsp"%>   2.在处理异常的网页中做如下声明： errors.jsp: <%@ page isErrorPage="true"%>，这样设置完后就可以在网页中直接访问exc
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他