Dorrrris
Dorrrris

评价指标

他写得超好，刚好看到的论文用到NDCG是用的DCG / IDCG。
https://www.cnblogs.com/memento/p/8673309.html

你可能感兴趣的:(评价指标)

  • 搜广推校招面经九十三 Y1nhl 搜广推面经机器学习人工智能python算法推荐算法pytorch搜索算法
    字节懂车帝一面一、NDCG（NormalizedDiscountedCumulativeGain）的计算NDCG是信息检索和排序任务中常用的评价指标，用于衡量模型预测的排序质量与真实相关性排序的一致程度。1.1.DCG@k（DiscountedCumulativeGain）DCG@k=∑i=1krelilog⁡2(i+1)\text{DCG@k}=\sum_{i=1}^{k}\frac{rel_i
  • 用sklearn库中的算法对数据集进行训练和auc评估（个人学习笔记） ZD困困困 python机器学习
    本文为个人学习笔记，仅供学习参考，欢迎讨论，要是有哪里写的不对或有疑问的欢迎讨论。题目：运用已给数据集进行模型训练，使用逻辑回归、决策树、随机森林和AdaBoost几个算法进行训练，并打印各个算法训练后的auc评价指标。文章目录1.导入数据集①read_csv():读取数据并以某字符分隔。②merge():合并③drop():删除行或列④tolist():将数组或矩阵转换为列表⑤train_tes
  • 图像检索评价指标：mAP@k、mAP的计算 /home/liupc 11Python/DL/ML
    mAP，meanAveragePrecision，平均检索精度.是图像检索领域最最常用的评价指标。一、mAP@k、mAP1.1mAP@k很多地方喜欢用这张图来解释，确实画的很好了，不过略有瑕疵，我稍微修改了一下。这张图是求mAP@10的结果。原图主要存在的问题就是，在前10张图片中，把所有的相似的结果都返回了。这样会给读者造成这样的困扰：没检索出来的但是又相似的图片怎么办？？改了之后，就清晰多了。
  • 【翻译】多标签分类评价指标metrices multi-label classification surrender2u NLP自然语言处理
    翻译日期：2020-05-15翻译来源：LohithmunakalaAug28,2020MetricsforMulti-LabelClassification原地址：https://medium.com/analytics-vidhya/metrics-for-multi-label-classification-49cc5aeba1c3删减版本正文：用于多标签分类的最常见指标如下：Precisi
  • 临床试验评价指标解析 qq_34062333 临床试验统计学
    一、主要疗效终点1.1生存类终点1.1.1总生存期(OS)定义：随机至全因死亡的时间统计方法：Kaplan-Meier,Cox模型优势/局限：金标准，无测量偏倚；但需大样本长随访1.1.2无进展生存期(PFS)定义：随机至疾病进展/死亡的时间统计方法：同上优势/局限：敏感、不受后续治疗影响；但评估易受主观性干扰1.1.3客观缓解率(ORR)定义：肿瘤缩小≥30%的患者比例(RECIST标准)统计方
  • 【向上教育】国企面试手册(OCR).pdf ㏕追忆似水年华あ 人工智能大数据算法旅游c语言
    国企各省面试的形式主要是结构化面试，也有少部分单位采用无领导小组讨论的面试形式。全面了解面试形式是考生须知的重要信息之一。一、结构化面试结构化面试，也称标准化面试，是相对于传统的经验型面试而言的，是根据科学制定的评价指标，运用特定的问题、评价方法和评价标准，严格遵循特定程序，通过测评人员与被测试者进行语言交流，对被测试者进行评价的标准化过程。(一)结构化面试之三大规范1.考题规范化（1）测评要素一
  • DeepSeek：开启教育测评智能化新时代 奔跑吧邓邓子 DeepSeek实战DeepSeek教育测评应用
    目录一、引言二、DeepSeek技术概述2.1DeepSeek的发展历程与特点2.2工作原理与技术架构三、测评试题智能生成3.1生成原理与技术实现3.2生成试题的类型与应用场景3.3优势与面临的挑战四、学生学习评价报告4.1评价指标体系与数据来源4.2DeepSeek生成评价报告的流程与方法4.3评价报告的特点与应用价值五、教育测评系统优化5.1DeepSeek对教育测评系统的优化作用5.2实际案
  • 关于结构体，排序，递推的详细讲解（从属于GESP四级）
    本章内容排序算法基础结构体递推简单双指针一、排序算法基础三剑客冒泡Bubble、选择Selection、插入Insertion1.预备知识1.1排序算法评价指标指标含义影响答题的典型问法时间复杂度算法在最坏、平均或最好情况下所需比较/交换次数“写出此算法最坏复杂度”空间复杂度额外占用的内存字节数“此算法是否原地排序”稳定性等值元素排序后相对次序是否保持“选择排序稳定吗？为什么”交换/移动次数对不同
  • 机器学习之结果评价指标 维生素￥ 机器学习机器学习python人工智能
    在机器学习中，结果评价指标是用来评估模型性能和预测结果的重要指标，可以帮助我们了解模型的准确性、稳定性和泛化能力。以下是一些常用的结果评价指标及其详细描述：目录一、准确率（Accuracy）：二、精确率（Precision）：三、召回率（Recall）：四、F1分数：五、ROC曲线和AUC：<
  • 【图像质量评价技术专题】-PSNR和SSIM PixelMind IQAIQA图像处理图像质量评价算法
    最常见的图像评价指标-PSNR和SSIM专题介绍一、PSNR原理讲解代码讲解二、SSIM原理讲解代码讲解三、总结本文将介绍讲解学术界最常见的全参考图像质量评价指标，PSNR和SSIM，可以有效的对图像算法的保真度（Fidelity）进行评估。参考资料如下，其中代码实现的部分，博主准备参考一个GitHub开源的IQA集合实现，IQA-pytorch，大家也可以尝试用pip来安装IQA-pytorch
  • 计算机视觉与深度学习 ｜ 低照度图像增强算法综述（开源链接，原理，公式，代码） 单北斗SLAMer 低照度图像增强低照度图像处理计算机视觉算法
    低照度图像增强算法综述1算法分类与原理1.1传统方法1.2深度学习方法2核心算法详解2.1多尺度Retinex(MSRCR)实现2.2SCI自校准光照学习2.3自适应伽马校正2.4WaveletMamba架构3开源资源与实现3.1主流算法开源库3.2关键代码实现4评估与实验对比4.1客观评价指标4.2算法性能对比5未来研究方向全面综述低照度图像增强算法，包括开源链接、原理、公式和代码实现。主要内容
  • 深入解析 FID：深度学习生成模型评价指标 阿正的梦工坊 DeepLearning深度学习人工智能
    深入解析FID：深度学习生成模型评价指标前言在生成模型的研究中，如何客观、准确地评估生成图像的质量一直是深度学习领域的重要课题。传统的指标如均方误差（MSE）或峰值信噪比（PSNR）在图像生成任务中往往难以捕捉人类感知上的质量差异。因此，研究者们提出了多种更贴近视觉感知的评价方法，其中FréchetInceptionDistance(FID)因其鲁棒性和广泛适用性，成为当前生成模型评估的主流指标之
  • 高校评教教师工作量管理系统设计与实现 AI天才研究院 计算AI大模型企业级应用开发实战ChatGPT计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    高校评教教师工作量管理系统设计与实现作者：禅与计算机程序设计艺术1.背景介绍1.1高校评教的重要性1.2教师工作量管理的必要性1.3现有系统存在的问题1.3.1数据收集效率低下1.3.2数据统计分析能力不足1.3.3缺乏有效的反馈机制2.核心概念与联系2.1评教指标体系2.1.1教学质量评价指标2.1.2教学工作量统计指标2.1.3科研工作量统计指标2.2工作量计算规则2.2.1教学工作量计算2.
  • 自然语言处理之文本摘要：Transformer与文本摘要评价指标 zhubeibei168 自然语言（二）自然语言处理transformereasyui
    自然语言处理之文本摘要：Transformer与文本摘要评价指标自然语言处理与文本摘要简介自然语言处理的基本概念自然语言处理（NaturalLanguageProcessing，NLP）是人工智能领域的一个重要分支，它研究如何让计算机理解、解释和生成人类语言。NLP技术涵盖了语音识别、语义理解、情感分析、机器翻译、文本摘要等多个方面，其目标是使计算机能够像人类一样处理语言信息，从而在各种应用场景中
  • 【机器学习|评价指标1】真正例（True Positive）、假正例（False Positive）、真负例（True Negative）、假负例（False Negative）详解，附代码。 努力毕业的小土博^_^ 机器学习学习笔记机器学习人工智能
    【机器学习|评价指标1】真正例（TruePositive）、假正例（FalsePositive）、真负例（TrueNegative）、假负例（FalseNegative）详解，附代码。【机器学习|评价指标1】真正例（TruePositive）、假正例（FalsePositive）、真负例（TrueNegative）、假负例（FalseNegative）详解，附代码。文章目录【机器学习|评价指标1】
  • python学习day12 一叶知秋秋 python学习笔记学习
    超参数调整专题2三种启发式算法的示例代码：遗传算法、粒子群算法、退火算法学习优化算法的思路（避免浪费无效时间）三种算法都是优化器，用来求最佳参数的组合，使得指标达到最优，区别在于每一个算法的策略有所区别。下表是总体介绍。遗传算法策略是以适应度为评价指标（可以是一些结果方面的指标），通过选择，交叉和变异三种操作，生成子代，作为新的种群去替换旧的种群（保留适应度高的个体），循环往复，知到适应度收敛或者
  • 【Docker】常见概念|技术架构演进之路|八大架构|单机架构|应用数据分离架构|应用服务集群架构 深鱼~ 架构
    目录一、常见概念应用（Application）/系统（System）模块（Module）/组件（Component）分布式（Distributed）集群（Cluster）主（Master）/从（Slave）中间件（Middleware）容器（Docker）容器编排（K8S）评价指标（Metric）可用性（Availability）响应时长（ResponseTimeRT）吞吐（Throughput）
  • HV指标——多目标进化算法性能评价指标 小可的科研日常 算法
    超体积指标（HV，Hypervolume）：算法获得的非支配解集与参照点围成的目标空间中区域的体积。HV值越大，说明算法的综合性能越好。优点：1.同时评价收敛性和多样性；2.能够以单个数字得到解与最优集合的接近程度，并在某种程度上得到目标空间上解的分布。缺点：1.计算复杂度高，尤其是高维多目标优化问题；2.参考点的选择在一定程度上决定超体积指标值的准确性。
  • mAP、AP50、AR50：目标检测中的核心评价指标解析 几道之旅 目标检测目标跟踪人工智能
    在目标检测任务中，评价指标是衡量模型性能的核心工具。其中，mAP（meanAveragePrecision）、AP50（AveragePrecisionatIoU=0.5）和AR50（AverageRecallatIoU=0.5）是最常用的指标。本文将从定义、计算方法和应用场景三方面展开解析。一、指标定义与核心概念AP（AveragePrecision）平均精度（AP）用于衡量模型在单类别目标上的
  • 时间序列预测 | Matlab基于EMD-LSTM/LSTM基于经验模态分解和长短期记忆网络的时间序列预测(含LSTM、EMD-LSTM 模型的对比) 前程算法屋 matlablstm开发语言EMD-LSTM时间序列预测
    文章目录效果一览文章概述部分源码参考资料效果一览文章概述时间序列预测|Matlab基于EMD-GRU/GRU基于经验模态分解和门控循环单元的时间序列预测(含GRU、EMD-GRU模型的对比)EMD-LSTM/LSTM基于经验模态分解和长短期记忆网络的时间序列预测(含LSTM、EMD-LSTM模型的对比)要求2019及以上版本，matlab代码。评价指标包括MAE、RMSE和MAPE等，代码质量极高
  • AI模型评价指标全解：从理论到实践的完整指南 闲人编程 python人工智能准确率精确率召回率F1训练验证
    目录AI模型评价指标全解：从理论到实践的完整指南1.评价指标基础概念1.1指标分类维度1.2核心评价原则2.分类任务评价体系2.1基础指标矩阵2.2高级评估方法3.回归任务评价指标3.1常用指标对比3.2分位数损失4.生成模型评估方法4.1NLP生成指标4.2图像生成指标5.特殊场景评估策略5.1多标签分类5.2目标检测6.指标选择实践指南6.1选择流程图6.2陷阱规避策略7.前沿评估体系发展7.
  • 使用机器学习速查表（ML Cheat Sheet）提升你的数据科学能力 尤琦珺Bess
    使用机器学习速查表（MLCheatSheet）提升你的数据科学能力去发现同类优质开源项目:https://gitcode.com/项目简介是一个由开发者RyanCompton创建的开源项目，旨在为机器学习初学者和专业人士提供一个简洁易懂的参考指南。它是一个PDF形式的文档，包含了各种常见的机器学习算法、评价指标、优化方法等关键概念，旨在帮助你在实际工作中快速回顾和应用。技术分析该项目以Markdo
  • 视频人像抠图技术选型--截止2025年4月 OpenAppAI 人像抠图视频抠图
    前言：我是一名算法工程师，经常需要对某个AI功能做技术调研和输出技术选型报告，在过去多年的工作当中，积累了很多内容，我会陆陆续续将这些内容整理出来分享给大家，希望大家喜欢，感谢您的阅读！文章目录1.AI功能定义：视频人像抠图原理与意义2.评价指标说明：SAD、MSE、Grad、Conn、时序一致性3.当前痛点与技术难点4.主流模型演进路线（2000–2025）早期传统抠图方法（2000s）深度学习
  • 从代码学习深度学习 - 语义分割和数据集 PyTorch版 飞雪白鹿€ #计算机视觉深度学习pytorch
    文章目录前言什么是语义分割？图像分割和实例分割PascalVOC2012语义分割数据集PascalVOC2012语义分割数据集介绍基本信息语义分割部分特点数据格式评价指标应用价值数据集获取使用提示辅助工具代码(`utils_for_huitu.py`)读取数据预处理数据自定义语义分割数据集类读取数据集整合所有组件总结前言大家好！欢迎来到“从代码学习深度学习”系列。今天，我们将深入探讨计算机视觉中一
  • 【机器学习和深度学习】分类问题通用评价指标：精确率、召回率、准确率和混淆矩阵 YoseZang 机器学习深度学习机器学习深度学习分类算法
    分类问题通用评价指标：精确率、召回率、准确率和混淆矩阵v1.0分类问题的评价分类问题对特定样本类别的判定情况混淆矩阵（ConfusionMatrix）精确率（Precision）召回率（Recall）准确率（Accuracy）F1Scorev1.0分类问题的评价对于1个分类问题，不论其是二分类问题还是多分类问题，或者是多标签分类问题（1个样本可以有多个类别），都可以对其判定结果进行统计，以类别为单
  • 准确率、精确率、召回率、F-Score jzwei023 机器学习基础机器学习
    TP-将正类预测为正类FN-将正类预测为负类FP-将负类预测位正类TN-将负类预测位负类1）正确率/准确率（accuracy）正确率是我们最常见的评价指标，accuracy=（TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；2）错误率（errorrate)错误率则与正确率相反，描述被分类器错分的比例，errorrate=(FP+FN)
  • 《自然语言处理实战入门》 ---- NLP方向：面试、笔试题集(1) shiter AI重制版】NLP面试题
    文章大纲面试技巧优秀题目--套题1[选择题]优秀题目--套题21.机器学习泛化能力评测指标（性能度量）都有哪些？分类问题回归问题翻译问题2.pytorch和tensorflow的区别3.过拟合与欠拟合4.评价指标的局限性5.ROC曲线6.余弦距离的应用7.A/B测试的陷阱8.模型评估的方法9.超参数调优？参考文献面试技巧作者我也面试了很多公司，对于一般公司的面试流程比较熟悉。目前技术类公司的考察分
  • 文本生成技术选型--截止2025年4月 OpenAppAI 文本生成大模型
    前言：我是一名算法工程师，经常需要对某个AI功能做技术调研和输出技术选型报告，在过去多年的工作当中，积累了很多内容，我会陆陆续续将这些内容整理出来分享给大家，希望大家喜欢，感谢您的阅读！文章目录1.自然文本生成的定义与应用场景2.文本生成的评价指标3.当前文本生成的痛点与难点4.主流文本生成模型的发展路线（2000–2025）5.模型性能对比一览表6具体落地的产品分析7.工业落地可行性分析8.不同
  • 【计算机视觉】三种图像质量评价指标详解：PSNR、SSIM与SAM 烟锁池塘柳0 摄影测量与计算机视觉计算机视觉人工智能深度学习
    图像质量评价指标详解：PSNR、SSIM与SAM文章目录图像质量评价指标详解：PSNR、SSIM与SAM1.峰值信噪比(PSNR)1.1数学定义1.2特点与局限性2.结构相似性指数(SSIM)2.1数学定义2.2特点与应用3.光谱角度映射器(SAM)3.1数学定义3.2特点与应用4.Python实现示例5.指标对比与选择建议6.总结在图像处理、压缩和恢复等领域，我们需要客观的指标来评估图像质量。本
  • 目标检测YOLO实战应用案例100讲-基于深度学习的 无人机图像轻量化目标检测（续） 林聪木 目标检测YOLO深度学习
    目录3.2模块改进3.2.1GhostNet轻量化模块3.2.2通道与空间注意力机制3.2.3DoubleHead模块3.2.4StemBlock模块3.3交并比算法3.3.1IoU算法3.3.2GIoU算法3.3.3CIoU算法3.4实验结果与分析3.4.1数据集简介3.4.2实验评价指标3.4.3实验设计3.4.4消融实验与结果分析4基于Transformer结构的YOLOV7目标检测算法4.
  • 戴尔笔记本win8系统改装win7系统 sophia天雪 win7戴尔改装系统win8
    戴尔win8 系统改装win7 系统详述 第一步：使用U盘制作虚拟光驱：         1）下载安装UltraISO：注册码可以在网上搜索。         2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
  • BeanUtils.copyProperties使用笔记 bylijinnan java
    BeanUtils.copyProperties VS PropertyUtils.copyProperties 两者最大的区别是： BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。 既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
  • MyEclipse中文乱码问题 0624chenhong MyEclipse
    一、设置新建常见文件的默认编码格式，也就是文件保存的格式。 在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。 在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。 Window-->Preferences-->General -
  • 发送邮件 不懂事的小屁孩 send email
    import org.apache.commons.mail.EmailAttachment; import org.apache.commons.mail.EmailException; import org.apache.commons.mail.HtmlEmail; import org.apache.commons.mail.MultiPartEmail;
  • 动画合集 换个号韩国红果果 htmlcss
    动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程 1 transition  制作鼠标滑过图片时的放大效果 css .wrap{ width: 340px;height: 340px; position: absolute; top: 30%; left: 20%; overflow: hidden; bor
  • 网络最常见的攻击方式竟然是SQL注入 蓝儿唯美 sql注入
    NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。 信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
  • java笔记2 a-john java
    类的封装： 1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据） 2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。 3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。 4，封装的特性：       4.1设置
  • [Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx” aijuans 学习Android遇到的错误
            最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。 昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。 我就看了一下，和她要了psd的文件，还好我有一点
  • 自己写的一个繁体到简体的转换程序 asialee java转换繁体filter简体
              今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。          实现的思路是重载request的调取参数的几个方法，然后做下转换。          
  • android意图和意图监听器技术 百合不是茶 android显示意图隐式意图意图监听器
    Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递   显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。   隐式意图;不指明调用的名称,根据设
  • spring3中新增的@value注解 bijian1013 javaspring@Value
            在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下： 1.首先在applicationContext.xml中加入：  <beans xmlns="http://www.springframework.
  • Jboss启用CXF日志 sunjing logjbossCXF
    1. 在standalone.xml配置文件中添加system-properties：     <system-properties>        <property name="org.apache.cxf.logging.enabled" value=&
  • 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码 bit1129 centos
      编译必需的软件 Firebugs3.0.0 Maven3.2.3 Ant JDK1.7.0_67 protobuf-2.5.0 Hadoop 2.5.2源码包       Firebugs3.0.0   http://sourceforge.jp/projects/sfnet_findbug
  • struts2验证框架的使用和扩展 白糖_ 框架xmlbeanstruts正则表达式
    struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式： 1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述； 2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。 本文介绍一下struts2通过xml文件进行校验的方法并说
  • 记录-感悟 braveCS 感悟
    再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。   2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了； 2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展； 3. 多反省多思考；要会用工具，而不是变成工具的奴隶； 4. 一天内集中一个定长时间段看最新资讯和偏流式博
  • 编程之美-数组中最长递增子序列 bylijinnan 编程之美
    import java.util.Arrays; import java.util.Random; public class LongestAccendingSubSequence { /** * 编程之美 数组中最长递增子序列 * 书上的解法容易理解 * 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组， * 然后求排序后的数组与原数
  • 读书笔记5 chengxuyuancsdn 重复提交struts2的token验证
    1、重复提交 2、struts2的token验证 3、用response返回xml时的注意 1、重复提交 (1)应用场景 (1-1)点击提交按钮两次。 (1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。 (1-3)刷新页面 (1-4)使用浏览器历史记录重复提交表单。 (1-5)浏览器重复的 HTTP 请求。 (2)解决方法 (2-1)禁掉提交按钮 (2-2)
  • [时空与探索]全球联合进行第二次费城实验的可能性 comsci
         二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验   至今给我们大家留下很多迷团.....      关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了      在这里,我的意思是,现在
  • easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符 daizj oracleORA-12154
    用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下： C:\Users\Administrator>sqlplus username/[email protected]:1521/orcl SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012 Copyright (c) 198
  • 简单排序:归并排序 dieslrae 归并排序
    public void mergeSort(int[] array){ int temp = array.length/2; if(temp == 0){ return; } int[] a = new int[temp]; int
  • C语言中字符串的\0和空格 dcj3sjt126com c
       \0 为字符串结束符，比如说：                       abcd (空格)cdefg； 存入数组时，空格作为一个字符占有一个字节的空间，我们
  • 解决Composer国内速度慢的办法 dcj3sjt126com Composer
    用法： 有两种方式启用本镜像服务： 1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1” 2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2” 为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
  • 高效可伸缩的结果缓存 shuizhaosi888 高效可伸缩的结果缓存
    /** * 要执行的算法，返回结果v */ public interface Computable<A, V> { public V comput(final A arg); }   /** * 用于缓存数据 */ public class Memoizer<A, V> implements Computable<A,
  • 三点定位的算法 haoningabc c算法
    三点定位， 已知a,b,c三个顶点的x,y坐标 和三个点都z坐标的距离，la，lb,lc 求z点的坐标 原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求 但是，由于三个点的距离可能不准，不一定会有结果， 所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1 运行 gcc -lm test.c test.c代码如下 #include "stdi
  • epoll使用详解 jimmee clinux服务端编程epoll
    epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
  • Hibernate对Enum的映射的基本使用方法 linzx0212 enumHibernate
      枚举   /** * 性别枚举 */ public enum Gender { MALE(0), FEMALE(1), OTHER(2); private Gender(int i) { this.i = i; } private int i; public int getI
  • 第10章 高级事件（下） 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/
  • 孙子兵法 roadrunners 孙子兵法
    始计第一 孙子曰： 兵者，国之大事，死生之地，存亡之道，不可不察也。 故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五 曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑 、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法 者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校 之以计，而索其情，曰
  • MySQL双向复制 tomcat_oracle mysql
    本文包括: 主机配置 从机配置 建立主-从复制 建立双向复制   背景 按照以下简单的步骤: 参考一下： 在机器A配置主机(192.168.1.30) 在机器B配置从机(192.168.1.29) 我们可以使用下面的步骤来实现这一点   步骤1：机器A设置主机 在主机中打开配置文件 ,
  • zoj 3822 Domination(dp) 阿尔萨斯 Mina
    题目链接：zoj 3822 Domination 题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。 解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他