南宫凌墨
南宫凌墨

LECTURE4

你可能感兴趣的:(LECTURE4)

  • ZKP4.2 SNARKs via Interactive Proofs (Sum-check Protocol [LFKN90]) Simba14 零知识证明零知识证明笔记
    ZKP学习笔记ZK-LearningMOOC课程笔记Lecture4:SNARKsviaInteractiveProofs(JustinThaler)4.3Interactiveproofdesign:TechnicalPreliminariesSZDLLemmaEqualtest(inmultivariatepolynomials)Low-DefreeandMultilinearExtensio
  • ZKP4.1 SNARKs via Interactive Proofs (Justin Thaler) Simba14 零知识证明零知识证明
    ZKP学习笔记ZK-LearningMOOC课程笔记Lecture4:SNARKsviaInteractiveProofs(JustinThaler)4.1InteractiveProofs:MotivationandModelInteractiveProofsPsolvesproblem,tellsVtheanswer.Thentheyhaveaconversation.P’sgoal:conv
  • 高速网络原理复习 毕安
    题型：1.选择（20题*1=20分）2.简答题（4题7+7+7+9=30分）3.详述题（5题*10=50分）简答题：GSM网络架构功能（MSCHLR），组件功能描述（lecture4）QoS模型（目前有哪些模型（两种），并做简要介绍）（lecture8）云计算（GFS工作原理）（lecture12）智能家庭网络（UPnP协议集）（lecture11）无线局域网安全措施（WEPPSK）（lectur
  • 机器学习总结（lecture 4）算法：逻辑回归Logistic Regression （LR） 九方先生 机器学习总结
    lecture4：逻辑回归LogisticRegression目录lecture4逻辑回归LogisticRegression目录1分类和模型表示2逻辑回归1逻辑回归的代价函数的选取3过拟合和正则化1分类和模型表示先来谈谈二分类问题。课程中先给出了几个例子。邮件是垃圾邮件还是非垃圾邮件；网上交易是的欺骗性（YorN）；肿瘤是恶性的还是良性的。对于这些问题，我们可以通过输出值yϵ{0,1}来表示。注
  • Lecture 4: Scalable logistic regression Yoga_sky 逻辑回归机器学习人工智能
    Lecture4:Scalablelogisticregression1.ProbabilisticclassifierAlogisticregressionmodelisanexampleofaprobabilisticclassifier2.LogisticregressionWemodeltherelationshipbetweenyandxusingaBernoullidistributi
  • games101 感悟笔记 冬青庭院 计算机图形学图形渲染
    Lecture4：MVP变换可以这么理解：在虚拟现实中（比如游戏里面），我们需要将一个三维物体投影到一个屏幕中（玩家的屏幕），也就是二维的坐标信息，那么我们需要一个相机（玩家的眼睛），然后MVP做的事情就是：首先为了方便计算相机和物体的相对位置，将相机和物体同时移动到一个标准的坐标系中，相机的位置就是（0，0，0），方向就是（+x,+y,-z）,然后物体也要相对移动。第二步，我们需要将相机能看到的
  • B站刘二大人-反向传播Lecture4 宁然也 PyTorch使用python机器学习深度学习
    系列文章：《PyTorch深度学习实践》完结合集-B站刘二大人Pytorch代码注意的细节，容易敲错的地方B站刘二大人-线性回归及梯度下降Lecture3B站刘二大人-反向传播Lecture4B站刘二大人-线性回归Pytorch实现Lecture5B站刘二大人-多元逻辑回归Lecture7B站刘二大人-数据集及数据加载Lecture8B站刘二大人-Softmx分类器及MNIST实现-Lecture
  • Games104现代游戏引擎入门-lecture4游戏中的渲染系统 longerVR 游戏引擎游戏引擎
    Games104现代游戏引擎入门-lecture4游戏中的渲染系统1.有没有选人的游戏没？2图形学渲染理论3游戏渲染的挑战1物体很多，渲染效果的类型很多2需要深度适配现代的CPUandGPU3帧越来越大4CPUbandwidth4游戏引擎的渲染框架5渲染6GPU1SIMDandSMIT7ModernHardwarePipeline8Renderable1Mesh2Material3纹理4shade
  • 英文科技论文写作与学术报告Lecture 4习题答案 Smile_HT 习题答案第四章
    英文科技论文写作与学术报告Lecture4习题英文科技论文写作与学术报告选择题4.1选择题4.2选择题4.11-7DCDDBCC选择题4.21-8DADBCACC第四章完毕
  • EE4408: Machine Learning: Teacher KU 机器学习线性代数矩阵
    #########更新完成################################更正1：MLEclassifier中是利用似然函数算出来的likehood进行判断的，MAP中才使用后验概率进行判断（Lecture4）更正2：LDF打成了LDA(Lecture6)更正3：LDFCriterionFunctionhtml版本（看起来好看一点）已更新！链接：https://pan.baidu.
  • 李宏毅机器学习课程笔记2：Classification、Logistic Regression、Brief Introduction of Deep Learning 鹅厂程序小哥 深度学习深度学习李宏毅
    台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEEML2016。这篇文章是学习本课程第4-6课所做的笔记和自己的理解。Lecture4:Classification:ProbabilisticGenerativeModel以根据宝可梦各属性值预测其类型为例说明分类问题。训练数据是若干宝可梦的各属性值及其类型。1、分类问题不
  • CS231n Lecture 4: 神经网络和反向传播 QingYuAn_Wayne CS231n学习笔记
    Lecture4神经网络和反向传播Lecture4:神经网络和反向传播神经网络线性分数函数：f=Wx+bf=Wx+bf=Wx+b2层神经网络：f=W2max(0,W1x+b1)+b2f=W_2max(0,W_1x+b_1)+b_2f=W2max(0,W1x+b1)+b2在这里，更精确地来说，应该叫做全连接神经网络（FC）在两层神经网络中，使用了非线性激活函数ReLU。如果不使用非线性激活函数的话，
  • Lecture4 神经网络与反向传播(1) pinkshell_1314 神经网络深度学习
    一、反向传播1.定义反向传播就是用链式法则逐层计算导数再在每个输入节点中存上函数对当前这个节点上输入的参数的偏导值。2.应用场景在特定情况下，神经网络的损失函数就是需要求导的函数f(x)，而训练集的数据和神经网络的权重就是输入x。比如SVM分类器，我们需要求解的就是损失函数关于权重W和偏置项b的偏导数，得到偏导数后我们才能据此来更新参数。同时，在之后我们将会了解到，梯度对于模型的可视化和可解释性也
  • Lecture4 神经网络与反向传播(2) pinkshell_1314 神经网络cnn深度学习
    1.结构总览（1）常规神经网络：对于普通的神经网络，首先收到输入数据，然后通过若干的隐藏层的转换得到输出。每个隐藏层是由一组神经元组成的，并且这些神经元与前一层进行全连接。在单层中的每个神经元都是完全独立的，不会与其他神经元共享任何连接。最后一个全连接层又称为输出层，在分类任务中，它代表了每个类别的得分。常规的神经网络不能很好地扩展到整个图像。在CIFAR-10数据集中，图片的大小只有32*32*
  • cs231n 笔记02：反向传播与2-NN示例 e卵石
    lecture4反向传播反向传播链式计算梯度。常用激活函数：sigmoid函数将实数压缩到[0,1]，tanh函数将实数压缩到[-1,1]。sigmoid缺点：sigmoid函数饱和时梯度消失，神经元的激活在接近0或1处梯度几乎为0；sigmoid输出不是零中心的。如果输入神经元的数据总是正数，那么w的梯度在反向传播的过程中，要么全部是正数，要么全部是负数这会导致下降权重更新时出现z字型的下降。然
  • 【2017年cs231n学习笔记3】Lecture4-1 反向传播 EmpGro cs231n神经网络反向传播算法cs231n
    在原课程视频中，lecture4讲解了反向传播及一部分神经网络的内容，但是“反向传播”（Backpropagation）作为神经网络计算的基础太过重要了，于是在笔记中我将反向传播单独拿出来，结合自己查资料的理解，做了一些记录，希望读这篇文章的人也能看懂。视频：b站转载幻灯片：Slider课程参考：backpropnote课程参考翻译：智能单元motivation若我们有损失函数f(x,W,b)，x
  • Lecture 4 Sequence as input Yi_cAt 2022Spring李宏毅ML自然语言处理人工智能深度学习
    Lecture4:Sequenceasinput文章目录Self-attentionSophisticatedInputVectorsetasinput文字处理音频处理GraphasinputWhatistheoutput?EachvectorhasalabelExampleThewholesequencehasalabelExampleModeldecidesthenumberoflabelsi
  • David Silver UCL强化学习课程学习笔记四之Model-Free Prediction 无模型预测 我不是zzy1231A 强化学习概率论强化学习人工智能算法马尔可夫链蒙特卡洛方法
    Lecture4:Model-FreePrediction无模型预测https://www.davidsilver.uk/wp-content/uploads/2020/03/MC-TD.pdfIntroduction上节课中我们讲了动态规划方法，DP既可用于预测（使用固定的policy，只更新值函数），又可用于控制（值函数和policy都更新）。但DP是需要知道转移矩阵P和奖励函数R的，这两者组
  • 机器学习基石笔记（四）：学习的可行性 夜是故乡明 机器学习机器学习基石机器学习基石详解笔记
    文章目录Lecture4:FeasibilityofLearningLearningisImpossible?NoFreeLunchFunTimeProbabilitytotheRescueHoeffding’sInequalityFunTimeConnectiontoLearningFunTimeConnectiontoRealLearningMultiplehBADSampleandBADDa
  • LECTURE4 南宫凌墨
    8T([email protected][U3S5N`]~KTK}6((A$FLM.png}D4S`[email protected]}@%}%KV1D`R0GYT(@%SY.png
  • Some Notes on Developing iOS 11 Apps with Swift(2) 大地瓜爱罗美美
    本文为大地瓜原创，欢迎知识共享，转载请注明出处。虽然你不注明出处我也没什么精力和你计较。作者微信号：christgreenlaw大地瓜在学习StanfordUniversity的DevelopingiOS11AppswithSwift.这里记录了一些小笔记。这部分是lecture4。这篇文章并不是这个教程的全部内容，只是大地瓜自己学习过程中想记录的一部分内容。这一节将concentration这个
  • MIT公开课：计算机科学及编程导论 Python 笔记4 函数分解抽象与递归 muzilan Pythonpython递归鸡兔同笼回文Fibonacci
    Lecture4：Decompositionandabstractionthroughfunctions；introductiontorecursion函数分解抽象与递归Functions函数blockupintomodules分解为模块suppressdetail忽略细节create“newprimitives”创建原语的思考方式w3schoolPython函数#examplecodeforfi
  • deeplearn学习笔记 cs224n lecture4 lyc1635566ty deeolearning学习
    Lecture4主要内容ClassificationbackgroundUpdatingwordvectorsforclassificationWindowclassification&crossentropyerrorderivationtipsAsinglelayerneuralnetworkMax-Marginlossandbackprop分类开始和标注分类直觉softmax训练softma
  • MIT 6.006 Lecture4 linlih Algorithmcourse
    HeapSortMax-heapifytrivialadj:琐碎的，无价值的，平常的，平凡的不重要的backseat:n后座，次要位置BuildMax-heap
  • 李宏毅机器学习课程笔记2：Classification、Logistic Regression、Brief Introduction of Deep Learning 徐子尧 李宏毅机器学习课程
    台湾大学李宏毅老师的机器学习课程是一份非常好的ML/DL入门资料，李宏毅老师将课程录像上传到了YouTube，地址：NTUEEML2016。这篇文章是学习本课程第4-6课所做的笔记和自己的理解。Lecture4:Classification:ProbabilisticGenerativeModel以根据宝可梦各属性值预测其类型为例说明分类问题。训练数据是若干宝可梦的各属性值及其类型。1、分类问题不
  • MIT_线性代数笔记_04_A的LU分解 诗意de栖居 MITLinearAlgebraNotes
    MIT公开课：GilbertStrang《线性代数》课程笔记（汇总）Lecture4:FactorizationintoA=LU课程4：A的LU分解LU分解我们从另一种角度来看待Gauss消元。首先考虑没有行交换的情形（也就是主元位置的元素不为0）。对矩阵A进行Gauss消元相当于用一系列初等矩阵左乘A从而得到上三角矩阵U.以3×3矩阵为例。设A是一个3×3矩阵，E21,E31,E32是初等矩阵（
  • CS231n Assignment1总结 夜夜0810
    lecture4一些关于链式法则的基本知识。下面是对assignment1的代码一些关键点或者有意思实现的总结参考答案：https://github.com/sharedeeply/cs231n-assignment-solution/blob/master/assignment1/数据集读取对于assigment1中使用的数据集，从其中读出来照片是一张被拉成一维向量的图片，所以输入X_train
  • 机器学习基础练习题（2）线性回归 Tommyll mlhw
    作业题目基于Lecture4第4页表格中的数据（输入特征为livingarea和#bedrooms，预测房价price），建立线性回归模型预测房价。（老师取了波士顿房价估计模型中的部分数据）模型建立最小二乘法最小二乘法（又称最小平方法）是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。h
  • “科技论文写作与学术报告”课程笔记1-如何用英语撰写科技论文 weixin_30273175
    “科技论文写作与学术报告”本门课有4个lecture，分别讲述“如何用英语撰写科技论文”，“如何用英文做报告”，“如何参加国际会议”，“如何选题和写项目申请书”，对此我针对前两个lecture以及第4个lecture的“如何选题”部分做了简单的笔记。对于lecure3的如何参加国际会议，如何做好reviewer,editor,sessionchair等等,以及lecture4的写项目申请书，感觉这
  • 如何在C语言中实现简单的泛型编程(一） skyline0623 编程语言
    题外话鄙人最近在家里听斯坦福大学的开放课程——《编程范式ProgrammingParadigms》。附上veryCD的资源下载地址：http://www.verycd.com/topics/2838268/这个是英文授课，现在还是没有中文或英文字幕的。就课程来说非常不错。其中Lecture4中讲到了一种在C语言中不用C++中的template实现泛型编程的方法。我在这里总结了它的笔记后，加入了我自
  • 微信开发者验证接口开发 362217990 微信 开发者 token 验证
    微信开发者接口验证。 Token，自己随便定义，与微信填写一致就可以了。 根据微信接入指南描述 http://mp.weixin.qq.com/wiki/17/2d4265491f12608cd170a95559800f2d.html 第一步：填写服务器配置 第二步：验证服务器地址的有效性 第三步：依据接口文档实现业务逻辑 这里主要讲第二步验证服务器有效性。 建一个
  • 一个小编程题-类似约瑟夫环问题 BrokenDreams 编程
            今天群友出了一题：         一个数列,把第一个元素删除,然后把第二个元素放到数列的最后,依次操作下去,直到把数列中所有的数都删除,要求依次打印出这个过程中删除的数。      &
  • linux复习笔记之bash shell (5) 关于减号-的作用 eksliang linux关于减号“-”的含义linux关于减号“-”的用途linux关于“-”的含义linux关于减号的含义
        转载请出自出处： http://eksliang.iteye.com/blog/2105677        管道命令在bash的连续处理程序中是相当重要的，尤其在使用到前一个命令的studout（标准输出）作为这次的stdin（标准输入）时，就显得太重要了，某些命令需要用到文件名，例如上篇文档的的切割命令（split）、还有
  • Unix(3) 18289753290 unix ksh
    1)若该变量需要在其他子进程执行，则可用"$变量名称"或${变量}累加内容 什么是子进程？在我目前这个shell情况下，去打开一个新的shell，新的那个shell就是子进程。一般状态下，父进程的自定义变量是无法在子进程内使用的，但通过export将变量变成环境变量后就能够在子进程里面应用了。 2)条件判断： &&代表and  ||代表or&nbs
  • 关于ListView中性能优化中图片加载问题 酷的飞上天空 ListView
    ListView的性能优化网上很多信息，但是涉及到异步加载图片问题就会出现问题。 具体参看上篇文章http://314858770.iteye.com/admin/blogs/1217594   如果每次都重新inflate一个新的View出来肯定会造成性能损失严重，可能会出现listview滚动是很卡的情况，还会出现内存溢出。 现在想出一个方法就是每次都添加一个标识，然后设置图
  • 德国总理默多克：给国人的一堂“震撼教育”课 永夜-极光 教育
    http://bbs.voc.com.cn/topic-2443617-1-1.html德国总理默多克：给国人的一堂“震撼教育”课　 安吉拉—默克尔，一位经历过社会主义的东德人，她利用自己的博客，发表一番来华前的谈话，该说的话，都在上面说了，全世界想看想传播——去看看默克尔总理的博客吧！ 　　德国总理默克尔以她的低调、朴素、谦和、平易近人等品格给国人留下了深刻印象。她以实际行动为中国人上了一堂
  • 关于Java继承的一个小问题。。。 随便小屋 java
    今天看Java 编程思想的时候遇见一个问题，运行的结果和自己想想的完全不一样。先把代码贴出来！ //CanFight接口 interface Canfight { void fight(); } //ActionCharacter类 class ActionCharacter { public void fight() { System.out.pr
  • 23种基本的设计模式 aijuans 设计模式
    Abstract Factory：提供一个创建一系列相关或相互依赖对象的接口，而无需指定它们具体的类。 　　Adapter：将一个类的接口转换成客户希望的另外一个接口。A d a p t e r模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。 　　Bridge：将抽象部分与它的实现部分分离，使它们都可以独立地变化。 　　Builder：将一个复杂对象的构建与它的表示分离，使得同
  • 《周鸿祎自述：我的互联网方法论》读书笔记 aoyouzi 读书笔记
    从用户的角度来看,能解决问题的产品才是好产品,能方便/快速地解决问题的产品,就是一流产品.   商业模式不是赚钱模式 一款产品免费获得海量用户后,它的边际成本趋于0,然后再通过广告或者增值服务的方式赚钱,实际上就是创造了新的价值链.   商业模式的基础是用户,木有用户,任何商业模式都是浮云.商业模式的核心是产品,本质是通过产品为用户创造价值. 商业模式还包括寻找需求
  • JavaScript动态改变样式访问技术 百合不是茶 JavaScriptstyle属性ClassName属性
      一:style属性 格式:  HTML元素.style.样式属性="值";   创建菜单:在html标签中创建 或者 在head标签中用数组创建   <html> <head> <title>style改变样式</title> </head> &l
  • jQuery的deferred对象详解 bijian1013 jquerydeferred对象
            jQuery的开发速度很快，几乎每半年一个大版本，每两个月一个小版本。         每个版本都会引入一些新功能，从jQuery 1.5.0版本开始引入的一个新功能----deferred对象。    &nb
  • 淘宝开放平台TOP Bill_chen C++c物流C#
    淘宝网开放平台首页：http://open.taobao.com/ 淘宝开放平台是淘宝TOP团队的产品，TOP即TaoBao Open Platform， 是淘宝合作伙伴开发、发布、交易其服务的平台。 支撑TOP的三条主线为：    1.开放数据和业务流程     * 以API数据形式开放商品、交易、物流等业务；  &
  • 【大型网站架构一】大型网站架构概述 bit1129 网站架构
    大型互联网特点 面对海量用户、海量数据 大型互联网架构的关键指标 高并发 高性能 高可用 高可扩展性 线性伸缩性 安全性 大型互联网技术要点   前端优化 CDN缓存 反向代理 KV缓存 消息系统 分布式存储 NoSQL数据库 搜索 监控 安全 想到的问题： 1.对于订单系统这种事务型系统，如
  • eclipse插件hibernate tools安装 白糖_ Hibernate
    eclipse helios(3.6)版 1.启动eclipse 2.选择 Help > Install New Software...> 3.添加如下地址： http://download.jboss.org/jbosstools/updates/stable/helios/ 4.选择性安装：hibernate tools在All Jboss tool
  • Jquery easyui Form表单提交注意事项 bozch jquery easyui
    jquery easyui对表单的提交进行了封装，提交的方式采用的是ajax的方式，在开发的时候应该注意的事项如下：         1、在定义form标签的时候，要将method属性设置成post或者get，特别是进行大字段的文本信息提交的时候，要将method设置成post方式提交，否则页面会抛出跨域访问等异常。所以这个要
  • Trie tree(字典树)的Java实现及其应用-统计以某字符串为前缀的单词的数量 bylijinnan java实现
    import java.util.LinkedList; public class CaseInsensitiveTrie { /** 字典树的Java实现。实现了插入、查询以及深度优先遍历。 Trie tree's java implementation.(Insert,Search,DFS) Problem Description Igna
  • html css 鼠标形状样式汇总 chenbowen00 htmlcss
    css鼠标手型cursor中hand与pointer  Example：CSS鼠标手型效果 <a href="#" style="cursor:hand">CSS鼠标手型效果</a><br/>  Example：CSS鼠标手型效果 <a href="#" style=&qu
  • [IT与投资]IT投资的几个原则 comsci it
          无论是想在电商,软件,硬件还是互联网领域投资,都需要大量资金,虽然各个国家政府在媒体上都给予大家承诺,既要让市场的流动性宽松,又要保持经济的高速增长....但是,事实上,整个市场和社会对于真正的资金投入是非常渴望的,也就是说,表面上看起来,市场很活跃,但是投入的资金并不是很充足的......    
  • oracle with语句详解 daizj oraclewithwith as
    oracle with语句详解 转 在oracle中，select 查询语句，可以使用with,就是一个子查询，oracle 会把子查询的结果放到临时表中，可以反复使用 例子:注意，这是sql语句，不是pl/sql语句， 可以直接放到jdbc执行的 ----------------------------------------------------------------
  • hbase的简单操作 deng520159 数据库hbase
    近期公司用hbase来存储日志,然后再来分析 ,把hbase开发经常要用的命令找了出来. 用ssh登陆安装hbase那台linux后 用hbase shell进行hbase命令控制台! 表的管理 1）查看有哪些表 hbase(main)> list 2）创建表   # 语法：create <table>, {NAME => <family&g
  • C语言scanf继续学习、算术运算符学习和逻辑运算符 dcj3sjt126com c
    /* 2013年3月11日20:37:32 地点：北京潘家园 功能：完成用户格式化输入多个值 目的：学习scanf函数的使用 */ # include <stdio.h> int main(void) { int i, j, k; printf("please input three number:\n"); //提示用
  • 2015越来越好 dcj3sjt126com 歌曲
    越来越好 房子大了电话小了 感觉越来越好 假期多了收入高了 工作越来越好 商品精了价格活了 心情越来越好 天更蓝了水更清了 环境越来越好 活得有奔头人会步步高 想做到你要努力去做到 幸福的笑容天天挂眉梢 越来越好 婆媳和了家庭暖了 生活越来越好 孩子高了懂事多了 学习越来越好 朋友多了心相通了 大家越来越好 道路宽了心气顺了 日子越来越好 活的有精神人就不显
  • java.sql.SQLException: Value '0000-00-00' can not be represented as java.sql.Tim feiteyizu mysql
    数据表中有记录的time字段（属性为timestamp）其值为：“0000-00-00 00:00:00” 程序使用select 语句从中取数据时出现以下异常： java.sql.SQLException:Value '0000-00-00' can not be represented as java.sql.Date   java.sql.SQLException: Valu
  • Ehcache（07）——Ehcache对并发的支持 234390216 并发ehcache锁ReadLockWriteLock
    Ehcache对并发的支持          在高并发的情况下，使用Ehcache缓存时，由于并发的读与写，我们读的数据有可能是错误的，我们写的数据也有可能意外的被覆盖。所幸的是Ehcache为我们提供了针对于缓存元素Key的Read（读）、Write（写）锁。当一个线程获取了某一Key的Read锁之后，其它线程获取针对于同
  • mysql中blob,text字段的合成索引 jackyrong mysql
      在mysql中，原来有一个叫合成索引的，可以提高blob,text字段的效率性能， 但只能用在精确查询，核心是增加一个列，然后可以用md5进行散列，用散列值查找 则速度快 比如： create table abc(id varchar(10),context blog,hash_value varchar(40)); insert into abc(1,rep
  • 逻辑运算与移位运算 latty 位运算逻辑运算
    源码：正数的补码与原码相同例+7 源码：00000111 补码 ：00000111 （用8位二进制表示一个数） 负数的补码： 符号位为1，其余位为该数绝对值的原码按位取反；然后整个数加1。   -7 源码： 10000111 ，其绝对值为00000111  取反加一：11111001 为-7补码 已知一个数的补码，求原码的操作分两种情况：
  • 利用XSD 验证XML文件 newerdragon javaxmlxsd
    XSD文件 （XML Schema 语言也称作 XML Schema 定义（XML Schema Definition，XSD）。 具体使用方法和定义请参看： http://www.w3school.com.cn/schema/index.asp java自jdk1.5以上新增了SchemaFactory类 可以实现对XSD验证的支持，使用起来也很方便。 以下代码可用在J
  • 搭建 CentOS 6 服务器(12) - Samba rensanning centos
    （1）安装 # yum -y install samba Installed: samba.i686 0:3.6.9-169.el6_5 # pdbedit -a rensn new password:123456 retype new password:123456 …… （2）Home文件夹 # mkdir /etc
  • Learn Nodejs 01 toknowme nodejs
    （1）下载nodejs https://nodejs.org/download/ 选择相应的版本进行下载     （2）安装nodejs 安装的方式比较多，请baidu下 我这边下载的是“node-v0.12.7-linux-x64.tar.gz”这个版本 （1）上传服务器 （2）解压 tar -zxvf  node-v0.12.
  • jquery控制自动刷新的代码举例 xp9802 jquery
    1、html内容部分  复制代码代码示例: <div id='log_reload'> <select name="id_s" size="1"> <option value='2'>-2s-</option> <option value='3'>-3s-</option
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他