- 第九课:大白话教你朴素贝叶斯
顽强卖力
机器学习-深度学习-神经网络算法python大数据数据分析
这节课咱们来聊聊朴素贝叶斯(NaiveBayes),这个算法名字听起来像是个“天真无邪的数学小天才”,但其实它是个超级实用的分类工具!我会用最接地气的方式,从定义讲到代码实战,保证你笑着学会,还能拿去忽悠朋友!一:朴素贝叶斯是啥?——当概率论遇上“天真”假设1.1定义:贝叶斯定理的“偷懒版”问题:你想判断一封邮件是不是垃圾邮件,或者一条评论是不是好评。贝叶斯定理(原版):[P(A|B)=\frac
- 贝叶斯算法:从概率推断到智能决策的基石
weixin_47233946
算法算法
##引言在人工智能与机器学习的蓬勃发展中,贝叶斯算法以其独特的概率推理方式和动态更新的特性,在垃圾邮件过滤、疾病诊断、推荐系统等关键领域展现出强大的应用价值。本文将从概率论基础出发,深入解析贝叶斯算法的核心思想及其实现方式,揭示这一统计学方法如何演变为现代智能系统的决策利器。---##一、贝叶斯定理:概率之门的钥匙###1.1基本公式表述贝叶斯定理的数学表达式揭示事件间的关联关系:$$P(A|B)
- AI大模型学习路线(2025最新)神仙级大模型教程分享,非常详细收藏这一篇就够!
AI大模型-大飞
人工智能学习语言模型大模型大模型学习LLMAI大模型
大模型学习路线图前排提示,文末有大模型AGI-CSDN独家资料包哦!第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRos
- 【C语言练习】100. 使用C语言实现简单的自然语言理解算法
视睿
从零开始学习机器人c语言算法开发语言排序算法
100.使用C语言实现简单的自然语言理解算法100.使用C语言实现简单的自然语言理解算法关键词匹配算法简介示例代码:简单的关键词匹配算法代码说明示例运行扩展功能其他方法基于规则的方法统计机器学习方法C语言中统计机器学习方法概述常见统计机器学习算法的C实现贝叶斯定理基础算法核心思想常见变体实现示例(Python)优缺点优化库与工具性能与注意事项有限状态自动机(FSA)深度学习接口调用混合方法100.
- Task 01 第一章习题
1.1说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。伯努利模型是定义在取值为0与1的随机变量上的概率分布。假设观测到伯努利模型n次独立的数据生成结果,其中k次的结果为1,这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。回忆知识点:统计学习方法三要素为:模型+策略+算法模型:在监督学习过程中,模型就是所要学习的条件概率分布或决策函数。策略:统计学习要考虑按照什么样的准则选
- Transformer结构介绍
大写-凌祁
transformer深度学习人工智能
[编码器Encoder]←→[解码器Decoder]编码器:输入:源语言序列输出:每个词的上下文表示(embedding)解码器:输入:目标语言序列+编码器输出输出:下一个词的概率分布(目标句子生成)inputs->inputsEmbedding+PositionalEncoding->N*encoderoutput->outputsEmbedding+PositionalEncoding->N*
- FPGA基础 -- Verilog 概率分布函数
sz66cm
FPGA基础fpga开发
Verilog概率分布函数(PDF,ProbabilityDistributionFunction)。一、引言:Verilog语言中的概率建模场景虽然VerilogHDL本身是一种确定性的硬件描述语言,但在仿真验证环境中(尤其是testbench设计中),我们经常需要引入随机性:模拟信号的随机抖动随机输入测试样本(Fuzz测试、随机码流)建立蒙特卡洛模拟(MonteCarlo)功能覆盖率分析中生成
- 理解Logits、Softmax和softmax_cross_entropy_with_logits的区别
1010n111
机器学习
理解Logits、Softmax和softmax_cross_entropy_with_logits的区别技术背景在机器学习尤其是深度学习中,分类问题是一个常见的任务。在解决分类问题时,我们需要将模型的输出转换为概率分布,以便确定每个类别的可能性。同时,我们需要一个损失函数来衡量模型预测结果与真实标签之间的差异,从而进行模型的训练和优化。在TensorFlow中,logits、softmax和so
- 程序员转向人工智能
CoderIsArt
机器学习与深度学习人工智能
以下是针对程序员转向人工智能(AI)领域的学习路线建议,分为基础、核心技术和进阶方向,结合你的编程背景进行优化:1.夯实基础数学基础(选择性补足,边学边用)线性代数:矩阵运算、特征值、张量(深度学习基础)概率与统计:贝叶斯定理、分布、假设检验微积分:梯度、导数(优化算法核心)优化算法:梯度下降、随机梯度下降(SGD)学习资源:3Blue1Brown(视频)、《程序员的数学》系列编程工具Python
- PyTorch张量操作中dim参数的核心原理与应用技巧:
AI扶我青云志
pytorch人工智能
今天在搭建神经网络模型中重写forward函数时,对输出结果在最后一个维度上应用Softmax函数,将输出转化为概率分布。但对于dim的概念不是很熟悉,经过查阅后整理了一下内容。PyTorch张量操作精解:深入理解dim参数的维度规则与实践应用在PyTorch中,张量(Tensor)的维度操作是深度学习模型实现的基础。dim参数作为高频出现的核心概念,其取值逻辑直接影响张量运算的结果。本文将从维度
- 机器学习新手指南:用Python实现贝叶斯方法与概率模型
人工智能教程
机器学习python人工智能深度学习cnn自然语言处理分类
在机器学习的世界里,贝叶斯方法和概率模型是一类非常重要的工具。它们通过概率的方式来建模和解决问题,能够提供对数据的深刻理解和预测的不确定性估计。今天,我们将从零开始,用Python实现一个简单的贝叶斯分类器,带你走进贝叶斯方法的世界!一、贝叶斯方法与概率模型:初识(一)什么是贝叶斯方法?贝叶斯方法是一种基于贝叶斯定理的统计方法,它通过结合先验知识和数据来更新对问题的理解。贝叶斯定理的核心公式如下:
- 【大模型学习路线首发】 AI大模型学习路线:(非常详细)AI大模型学习路线,收藏这一篇就够了!
AI大模型-大飞
人工智能学习程序员大模型学习AI大模型大模型大模型教程
1.打好基础:数学与编程数学基础线性代数:理解矩阵、向量、特征值、特征向量等概念。推荐课程:KhanAcademy的线性代数课程、MIT的线性代数公开课。微积分:掌握导数、积分、多变量微积分等基础知识。推荐课程:KhanAcademy的微积分课程、MIT的微积分公开课。概率与统计:理解概率分布、贝叶斯定理、统计推断等概念。推荐课程:KhanAcademy的概率与统计课程、Coursera的“Pro
- 随机变量及其分布:概率论的量化核心
Algo-hx
概率论与数理统计概率论
标题引言2随机变量及其分布2.1随机变量定义与分类2.2离散型随机变量:概率质量函数(PMF)概率分布律性质经典分布4.**各分布之间的关系**2.3分布函数(CDF):统一描述工具定义性质离散型应用2.4连续型随机变量:概率密度函数(PDF)定义性质经典分布均匀分布指数分布正态分布2.5随机变量函数的分布问题:已知XXX分布,求Y=g(X)Y=g(X)Y=g(X)分布解法框架重要公式(当ggg严
- 利用IS模型评估生成的图像质量
这张生成的图像能检测吗
优质GAN模型训练自己的数据集人工智能计算机视觉机器学习pytorch深度学习算法生成对抗网络
IS的核心思想IS基于一个简单而巧妙的想法:好的生成图像应该既清晰又多样。数学原理1.基本公式IS=exp(E_x[KL(p(y|x)||p(y))])其中:x:生成的图像y:图像的类别标签p(y|x):给定图像x时,预测为类别y的概率分布p(y):所有生成图像的边际类别分布KL:KL散度(Kullback-Leiblerdivergence)2.详细分解第一步:获取每张图像的类别概率#对于每张生
- 机器学习与深度学习16-概率论和统计学01
my_q
机器学习与深度学习机器学习深度学习概率论
目录前文回顾1.什么是概率论和统计学2.概率的基本概念3.什么是概率密度函数和累积分布函数4.均值、中位数与众数前文回顾上一篇文章地址:链接1.什么是概率论和统计学概率论和统计学是数学中重要的分支,用于研究随机事件和数据的分布、关联性以及不确定性。概率论是研究随机事件发生的可能性和规律的数学学科。它提供了一套工具和方法来描述和分析随机变量、随机过程以及他们之间的关系。概率论包括概率分布、随机变量、
- KL散度计算示例:用户画像 vs. 专辑播放分布的性别偏好分析
MC数据局
散度公式用户画像小白教程
KL散度计算示例:用户画像vs.专辑播放分布的性别偏好分析定义概率分布我们定义两个离散概率分布用于比较:用户画像分布(基准分布Q):男女比例65%:35%Q=[0.65,0.35]Q=[0.65,0.35]Q=[0.65,0.35]专辑播放分布(真实分布P):男性83%:女性17%P=[0.83,0.17]P=[0.83,0.17]P=[0.83,0.17]KL散度公式(离散型)KL散度衡量的是两
- 超实用!零基础打造微信表情识别小程序,源码+数据集全公开
Uyker
小程序人工智能前端
一、技术原理与核心模型基础表情分类使用FER(FacialExpressionRecognition)模型,支持7种基础表情识别:愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性。技术栈:Python+TensorFlow/Keras+OpenCV,模型基于卷积神经网络(CNN),输入48x48灰度图,输出概率分布。情绪强度量化(进阶)三维情绪模型:通过愉悦度(Valence)、唤醒度(Arousal)、
- 人工智能学习进阶之路
lumutong
人工智能学习
以下是人工智能学习路径的详细规划,分5个阶段循序渐进,建议学习周期1.5-2年:一、筑基阶段(3-6个月)数学基础线性代数:矩阵运算(推荐《LinearAlgebraDoneRight》)微积分:偏导数/梯度(MIT18.01课程)概率统计:贝叶斯定理(可汗学院概率课)编程基础Python语法(《PythonCrashCourse》)数据处理库:NumPy/Pandas(官方文档+Kaggle练习
- 概率相关问题
真的没有脑袋
算法面经汇总算法面试
问题汇总1.贝叶斯定理(贝叶斯公式和全概率公式)2.概率题2.1随机发生器的概率为1/21.贝叶斯定理(贝叶斯公式和全概率公式)定义:在信息和条件有限的情况下,基于过去的数据,通过动态调整的方法,帮助我们一步步预测出事件发生的接近真实的概率。贝叶斯定理基于条件概率的定义,条件概率表示事件A在事件B已经发生的条件下发生的概率条件概率公式:P(A∣B)=P(A∩B)P(B),P(B∣A)=P(A∩B)
- 图像数据如何表示为概率单纯形
F_D_Z
数理杂深度学习图像数据概率单纯形
目录图像数据灰度图像彩色图像概率单纯形条件应用场景图像数据图像数据通常由像素值组成,这些像素值可以是灰度值(对于黑白图像)或RGB值(对于彩色图像)。每个像素的值通常在0到255之间。为了将图像数据表示为概率单纯形,需要将这些像素值转换为概率分布。灰度图像对于一个灰度图像,假设图像的大小为m×nm\timesnm×n,总共有m×nm\timesnm×n个像素。每个像素的灰度值xijx_{ij}xi
- Hölder Statistical Pseudo Divergence & Proper Hölder Divergence
F_D_Z
数理杂AI概率论机器学习
目录HölderStatisticalPseudoDivergenceProperHölderDivergenceHölderStatisticalPseudoDivergenceHölderStatisticalPseudoDivergence是一种度量两个概率分布ppp和qqq差异的方法,它基于Hölder不等式。定义如下:DαH(p:q)=1αF(αθp)+1βF(βθq)−F(θp+θq)
- 我2025上岸大模型就靠它了,冲击大厂大模型岗位!大模型学习路线(2025最新)从零基础入门到精通_大模型学习路线
大模型老炮
学习人工智能程序员Agent大模型教学知识库大模型
大模型学习路线图第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。\1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRoss,《概率论与随机过程》在线课程:KhanAcad
- 大模型学习路线(2025最新)神仙级大模型教程分享,非常详细收藏这一篇就够
AGI大模型学习
学习人工智能大模型大模型学习AI程序员大模型教程
大模型学习路线图前排提示,文末有大模型AGI-CSDN独家资料包哦!第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRos
- 神仙级大模型教程分享,不用感谢,请叫我活雷锋!大模型 学习路线非常详细_大模型学习路线(2025最新)
程序员辣条
学习人工智能大模型产品经理智能体大模型教程AI大模型
大模型学习路线图第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRoss,《概率论与随机过程》在线课程:KhanAcade
- AI大模型学习路线全攻略,赶紧收藏!
AI大模型-大飞
人工智能学习语言模型程序员大模型AI大模型大模型学习
1.打好基础:数学与编程数学基础线性代数:理解矩阵、向量、特征值、特征向量等概念。推荐课程:KhanAcademy的线性代数课程、MIT的线性代数公开课。微积分:掌握导数、积分、多变量微积分等基础知识。推荐课程:KhanAcademy的微积分课程、MIT的微积分公开课。概率与统计:理解概率分布、贝叶斯定理、统计推断等概念。推荐课程:KhanAcademy的概率与统计课程、Coursera的“Pro
- 【深度学习】16. Deep Generative Models:生成对抗网络(GAN)
pen-ai
深度学习机器学习深度学习生成对抗网络人工智能
DeepGenerativeModels:生成对抗网络(GAN)什么是生成建模(GenerativeModeling)生成模型的主要目标是从数据中学习其分布,从而具备“生成”数据的能力。两个关键任务:密度估计(DensityEstimation):学习真实数据的概率分布p(x)p(x)p(x)。样本生成(SampleGeneration):从模型学习的分布中采样,生成新样本。换句话说,生成建模不是
- 最大似然估计(MLE)与最小二乘估计(LSE)的区别
江湖小妞
概率论
最大似然估计与最小二乘估计的区别标签(空格分隔):概率论与数理统计最小二乘估计对于最小二乘估计来说,最合理的参数估计量应该使得模型能最好地拟合样本数据,也就是估计值与观测值之差的平方和最小。设Q表示平方误差,Yi表示估计值,Ŷi表示观测值,即Q=∑ni=1(Yi−Ŷi)2最大似然估计对于最大似然估计来说,最合理的参数估计量应该使得从模型中抽取该n组样本的观测值的概率最大,也就是概率分布函数或者
- BERT分类器和朴素贝叶斯分类器比较
非小号
AIbert人工智能深度学习
一、核心原理对比维度预训练模型(如BERT)朴素贝叶斯分类器模型类型深度学习模型,基于Transformer架构,通过大规模无监督预训练学习语言表示。传统机器学习模型,基于贝叶斯定理和特征条件独立假设。特征表示自动学习文本的上下文相关表示(contextualembeddings),捕捉长距离语义依赖。通常使用词袋模型(BagofWords)或TF-IDF,忽略词序和上下文,仅考虑词频。训练方式两
- 同源“平滑思想”的问题解法:正则化与拉普拉斯平滑
思绪漂移
人工智能算法
同源“平滑思想”的问题解法:正则化与拉普拉斯平滑在机器学习和概率模型的实践中,正则化与拉普拉斯平滑是两个看似无关的技术:前者用于防止模型过拟合,后者用于解决零概率问题。但如果深入理解它们的核心逻辑,会发现两者的思想高度相似——都是通过“调整目标函数或概率分布”,对极端情况进行缓和,本质上是一种“平滑技术”。本文将从原理、实现和应用场景出发,拆解这两种技术的“平滑内核”。一、正则化:对模型参数的“温
- 排队论基础一:马尔可夫排队模型
白开水就盒饭
机器学习人工智能
排队论基础一:马尔可夫排队模型介绍基本概念状态概率分布平均队列人数与平均排队人数平均停留时间与平均等待时间Little公式(LittleLaw)生灭过程生灭过程排队系统(马尔可夫排队模型)状态平衡方程介绍最近写论文需要,学了一下排队过程模型。其实这些内容本科的时候我都学过,但是好久没用都忘得差不多了。。。排队过程指的是在一个事件(通常这个事件是购票,充电等服务)发生的过程中,客户以随机概率到达的过
- LeetCode[位运算] - #137 Single Number II
Cwind
javaAlgorithmLeetCode题解位运算
原题链接:#137 Single Number II
要求:
给定一个整型数组,其中除了一个元素之外,每个元素都出现三次。找出这个元素
注意:算法的时间复杂度应为O(n),最好不使用额外的内存空间
难度:中等
分析:
与#136类似,都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n,即某一
- 《JavaScript语言精粹》笔记
aijuans
JavaScript
0、JavaScript的简单数据类型包括数字、字符创、布尔值(true/false)、null和undefined值,其它值都是对象。
1、JavaScript只有一个数字类型,它在内部被表示为64位的浮点数。没有分离出整数,所以1和1.0的值相同。
2、NaN是一个数值,表示一个不能产生正常结果的运算结果。NaN不等于任何值,包括它本身。可以用函数isNaN(number)检测NaN,但是
- 你应该更新的Java知识之常用程序库
Kai_Ge
java
在很多人眼中,Java 已经是一门垂垂老矣的语言,但并不妨碍 Java 世界依然在前进。如果你曾离开 Java,云游于其它世界,或是每日只在遗留代码中挣扎,或许是时候抬起头,看看老 Java 中的新东西。
Guava
Guava[gwɑ:və],一句话,只要你做Java项目,就应该用Guava(Github)。
guava 是 Google 出品的一套 Java 核心库,在我看来,它甚至应该
- HttpClient
120153216
httpclient
/**
* 可以传对象的请求转发,对象已流形式放入HTTP中
*/
public static Object doPost(Map<String,Object> parmMap,String url)
{
Object object = null;
HttpClient hc = new HttpClient();
String fullURL
- Django model字段类型清单
2002wmj
django
Django 通过 models 实现数据库的创建、修改、删除等操作,本文为模型中一般常用的类型的清单,便于查询和使用: AutoField:一个自动递增的整型字段,添加记录时它会自动增长。你通常不需要直接使用这个字段;如果你不指定主键的话,系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField:布尔字段,管理工具里会自动将其描述为checkbox。 Cha
- 在SQLSERVER中查找消耗CPU最多的SQL
357029540
SQL Server
返回消耗CPU数目最多的10条语句
SELECT TOP 10
total_worker_time/execution_count AS avg_cpu_cost, plan_handle,
execution_count,
(SELECT SUBSTRING(text, statement_start_of
- Myeclipse项目无法部署,Undefined exploded archive location
7454103
eclipseMyEclipse
做个备忘!
错误信息为:
Undefined exploded archive location
原因:
在工程转移过程中,导致工程的配置文件出错;
解决方法:
 
- GMT时间格式转换
adminjun
GMT时间转换
普通的时间转换问题我这里就不再罗嗦了,我想大家应该都会那种低级的转换问题吧,现在我向大家总结一下如何转换GMT时间格式,这种格式的转换方法网上还不是很多,所以有必要总结一下,也算给有需要的朋友一个小小的帮助啦。
1、可以使用
SimpleDateFormat SimpleDateFormat
EEE-三位星期
d-天
MMM-月
yyyy-四位年
- Oracle数据库新装连接串问题
aijuans
oracle数据库
割接新装了数据库,客户端登陆无问题,apache/cgi-bin程序有问题,sqlnet.log日志如下:
Fatal NI connect error 12170.
VERSION INFORMATION: TNS for Linux: Version 10.2.0.4.0 - Product
- 回顾java数组复制
ayaoxinchao
java数组
在写这篇文章之前,也看了一些别人写的,基本上都是大同小异。文章是对java数组复制基础知识的回顾,算是作为学习笔记,供以后自己翻阅。首先,简单想一下这个问题:为什么要复制数组?我的个人理解:在我们在利用一个数组时,在每一次使用,我们都希望它的值是初始值。这时我们就要对数组进行复制,以达到原始数组值的安全性。java数组复制大致分为3种方式:①for循环方式 ②clone方式 ③arrayCopy方
- java web会话监听并使用spring注入
bewithme
Java Web
在java web应用中,当你想在建立会话或移除会话时,让系统做某些事情,比如说,统计在线用户,每当有用户登录时,或退出时,那么可以用下面这个监听器来监听。
import java.util.ArrayList;
import java.ut
- NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用)
bijian1013
redis数据库NoSQL
一 .Redis常用命令
Redis提供了丰富的命令对数据库和各种数据库类型进行操作,这些命令可以在Linux终端使用。
a.键值相关命令
b.服务器相关命令
1.键值相关命令
&
- java枚举序列化问题
bingyingao
java枚举序列化
对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题:
1.加一个枚举值
新机器代码读分布式缓存中老对象,没有问题,不会抛异常。
老机器代码读分布式缓存中新对像,反序列化会中断,所以在所有机器发布完成之前要避免出现新对象,或者提前让老机器拥有新增枚举的jar。
2.删一个枚举值
新机器代码读分布式缓存中老对象,反序列
- 【Spark七十八】Spark Kyro序列化
bit1129
spark
当使用SparkContext的saveAsObjectFile方法将对象序列化到文件,以及通过objectFile方法将对象从文件反序列出来的时候,Spark默认使用Java的序列化以及反序列化机制,通常情况下,这种序列化机制是很低效的,Spark支持使用Kyro作为对象的序列化和反序列化机制,序列化的速度比java更快,但是使用Kyro时要注意,Kyro目前还是有些bug。
Spark
- Hybridizing OO and Functional Design
bookjovi
erlanghaskell
推荐博文:
Tell Above, and Ask Below - Hybridizing OO and Functional Design
文章中把OO和FP讲的深入透彻,里面把smalltalk和haskell作为典型的两种编程范式代表语言,此点本人极为同意,smalltalk可以说是最能体现OO设计的面向对象语言,smalltalk的作者Alan kay也是OO的最早先驱,
- Java-Collections Framework学习与总结-HashMap
BrokenDreams
Collections
开发中常常会用到这样一种数据结构,根据一个关键字,找到所需的信息。这个过程有点像查字典,拿到一个key,去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类),基本上支持字典表的操作。后来引入了Map接口,更好的描述的这种数据结构。
&nb
- 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/**
* 业务逻辑:项目经理只能处理500以下的费用申请,部门经理是1000,总经理不设限。简单起见,只同意“Tom”的申请
* bylijinnan
*/
abstract class Handler {
/*
- Android中启动外部程序
cherishLC
android
1、启动外部程序
引用自:
http://blog.csdn.net/linxcool/article/details/7692374
//方法一
Intent intent=new Intent();
//包名 包名+类名(全路径)
intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
- summary_keep_rate
coollyj
SUM
BEGIN
/*DECLARE minDate varchar(20) ;
DECLARE maxDate varchar(20) ;*/
DECLARE stkDate varchar(20) ;
DECLARE done int default -1;
/* 游标中 注册服务器地址 */
DE
- hadoop hdfs 添加数据目录出错
daizj
hadoophdfs扩容
由于原来配置的hadoop data目录快要用满了,故准备修改配置文件增加数据目录,以便扩容,但由于疏忽,把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录,但未创建实际目录,重启datanode服务时,报如下错误:
2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
- grep 目录级联查找
dongwei_6688
grep
在Mac或者Linux下使用grep进行文件内容查找时,如果给定的目标搜索路径是当前目录,那么它默认只搜索当前目录下的文件,而不会搜索其下面子目录中的文件内容,如果想级联搜索下级目录,需要使用一个“-r”参数:
grep -n -r "GET" .
上面的命令将会找出当前目录“.”及当前目录中所有下级目录
- yii 修改模块使用的布局文件
dcj3sjt126com
yiilayouts
方法一:yii模块默认使用系统当前的主题布局文件,如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件; 如果未配置主题,那么 yii的模块就使用 protected/views/layouts 下的布局文件, 总之默认不是使用自身目录 pr
- 设计模式之单例模式
come_for_dream
设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
今天该来的面试还没来,这个店估计不会来电话了,安静下来写写博客也不错,没事翻了翻小易哥的博客甚至与大牛们之间的差距,基础知识不扎实建起来的楼再高也只能是危楼罢了,陈下心回归基础把以前学过的东西总结一下。
*********************************
- 8、数组
豆豆咖啡
二维数组数组一维数组
一、概念
数组是同一种类型数据的集合。其实数组就是一个容器。
二、好处
可以自动给数组中的元素从0开始编号,方便操作这些元素
三、格式
//一维数组
1,元素类型[] 变量名 = new 元素类型[元素的个数]
int[] arr =
- Decode Ways
hcx2013
decode
A message containing letters from A-Z is being encoded to numbers using the following mapping:
'A' -> 1
'B' -> 2
...
'Z' -> 26
Given an encoded message containing digits, det
- Spring4.1新特性——异步调度和事件机制的异常处理
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- squid3(高命中率)缓存服务器配置
liyonghui160com
系统:centos 5.x
需要的软件:squid-3.0.STABLE25.tar.gz
1.下载squid
wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz
tar zxf squid-3.0.STABLE25.tar.gz &&
- 避免Java应用中NullPointerException的技巧和最佳实践
pda158
java
1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法,而非未知对象。 总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的,调用a.equals(b)和调用b.equals(a)是完全相同的,这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针,这种调用可能导致一个空指针异常
Object unk
- 如何在Swift语言中创建http请求
shoothao
httpswift
概述:本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。
如果你对Objective-C比较了解的话,对于如何创建http请求你一定驾轻就熟了,而新语言Swift与其相比只有语法上的区别。但是,对才接触到这个崭新平台的初学者来说,他们仍然想知道“如何在Swift语言中创建http请求?”。
在这里,我将作出一些建议来回答上述问题。常见的
- Spring事务的传播方式
uule
spring事务
传播方式:
新建事务
required
required_new - 挂起当前
非事务方式运行
supports
&nbs