ZDDWLIG
ZDDWLIG

基于Pytorch的强化学习(DQN)之 A2C with baseline

目录

1. 引言

2. 数学推导

3. 算法

1. 引言

我们上次介绍了利用到了baseline的一种算法：REINFORCE。现在我们来学习一下另一种利用到baseline的算法：Advantage Actor-Critic(A2C)

2. 数学推导

我们在Sarsa算法中推导出了这个公式 Q_{\pi}(s_t,a_t)=E_{S_{t+1},A_{t+1}}[R_t+\gamma Q_{\pi}(S_{t+1},A_{t+1})]，我们分部期望 Q_{\pi}(s_t,a_t)=E_{S_{t+1}}[E_{A_{t+1}}[R_t+\gamma Q_{\pi}(S_{t+1},A_{t+1})]]=E_{S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]

两边对 A_t 求期望 V_{\pi}(s_{t})=E_{A_t}[E_{S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]]=E_{A_t,S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]

我们便得到了关于状态价值函数的递推关系式  V_{\pi}(s_{t})=E_{A_t,S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]

使用蒙特卡罗算法近似右侧期望 r_t+\gamma V_{\pi}(s_{t+1})\approx E_{A_t,S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]，我们得到

V_{\pi}(s_t)\approx r_t+\gamma V_{\pi}(s_{t+1}) 又由 Q_{\pi}(s_t,a_t)=E_{S_{t+1}}[R_t+\gamma V_{\pi}(S_{t+1})]，也是使用蒙特卡罗算法，我们得到 Q_{\pi}(s_t,a_t)\approx r_t+\gamma V_{\pi}(s_{t+1})，总结一下，现在我们得到两个近似公式，分别记为公式1和公式2。

  1. Q_{\pi}(s_t,a_t)\approx r_t+\gamma V_{\pi}(s_{t+1})
  2. V_{\pi}(s_t)\approx r_t+\gamma V_{\pi}(s_{t+1})

它们在后面各有用处。

在REINRORCE中我们推导出了随机梯度的表达式 g(a_t)=\frac{\partial \,\ln{\pi}(a_t|s_t;\theta)}{\partial \,\theta}(Q_{\pi}(s_t,a_t)- V_{\pi}(s_t))我们用它来更新策略函数，这里的 Q_{\pi}(s_t,a_t)- V_{\pi}(s_t) 就是我们之前在Dueling Network讲过的优势函数，这便是Advantage的来源。现在需要解决 Q_{\pi}(s_t,a_t) 和 V_{\pi}(s_t) 两个未知量的近似，由公式1，我们解决了 Q_{\pi}(s_t,a_t) 的近似问题，对于 V_{\pi}(s_t) 我们使用神经网络 v(s;w)来近似它，于是我们得到

g(a_t)\approx \frac{\partial \,\ln{\pi}(a_t|s_t;\theta)}{\partial \,\theta}(r_t+\gamma v(s_{t+1};w)- v(s_t;w))，由于 r_t+\gamma v(s_{t+1;w})含有更多的真实信息，我们将其作为TD target 使 v(s_t;w)\rightarrow r_t+\gamma v(s_{t+1};w) 来优化价值函数的参数。

3. 算法

A2C算法本质上还是一种Actor-Critic方法，所以还是分为两个神经网络进行训练，一个是策略网络(Actor)，另一个是价值网络(Critic)

基于Pytorch的强化学习(DQN)之 A2C with baseline_第1张图片

  1. 观测到一个transition (s_t,a_t,r_t,s_{t+1}) 
  2. 计算TD target  y_t=r_t+\gamma v(s_{t+1};w) 
  3. 计算TD error  \delta_t=v(s_t;w)-y_t 
  4. 通过梯度上升 \theta\leftarrow \theta-\beta\,\delta_t\frac{\partial \,\ln{\pi}(a_t|s_t;\theta)}{\partial \,\theta} 更新策略网络
  5. 通过梯度下降 w\leftarrow w-\alpha\delta_t\,\frac{\partial \,v(s_t;w)}{\partial \,w} 更新价值网络

你可能感兴趣的:(深度学习,深度学习)

  • Open3D mesh 拉普拉斯laplacian滤波 白葵新 3d算法python计算机视觉人工智能
    目录一、概述1.1原理1.2实现步骤1.3应用场景二、代码实现2.1关键函数参数详解返回值2.2完整代码三、实现效果3.1加入噪点的mesh3.2迭代10次3.3迭代100次Open3D点云算法汇总及实战案例汇总的目录地址：Open3D点云算法与点云深度学习案例汇总（长期更新）-CSDN博客一、概述拉普拉斯滤波（LaplacianSmoothing）是一种常用的网格平滑技术，通过对网格顶点的位置进
  • Windows下快速安装Open3D-0.18.0(python版本)详细教程 白葵新 python计算机视觉算法图像处理windows3d
    目录一、Open3D简介1.1主要用途1.2应用领域二、安装Open3D2.1激活环境2.2安装open3d2.3测试安装是否成功三、测试代码3.1代码3.2显示效果Open3D专栏算法目录Open3D点云算法与点云深度学习案例汇总（长期更新）-CSDN博客一、Open3D简介Open3D是一个强大的开源库，专门用于处理和可视化3D数据，如点云、网格和RGB-D图像。它提供了丰富的功能和工具，广泛
  • 学习收获（第27周） 王府凤
    这周的学习内容，主要是在工作中遇到一个新案子，围绕这个案子充实了一下自己的知识容量。案子主要还是破产清算相关事宜，但与之前不同的是，这次从判断是否符合申请强制破产的条件这一程序开始，而不简简单单是对申请文件的一个梳理，因此在破产相关法律问题的细节上进行了一次深度学习：1、申请条件：拟申请破产的公司根据相关法律规定，满足不能清偿到期债务、并且资产不足以清偿全部债务或者明显缺乏清偿能力这两个条件时方可
  • Ulord深度学习3：区块链应用场景解析 luckfang
    Ulord深度学习第三课对区块链的应用场景做了剖析，让我们对区块链有了更形象的了解。1、金融领域（1）互联网金融方面：在股权众筹、P2P网络借贷、互联网保险等领域，我们最担心的是自己的资金托管和用途方面，区块链可以在去中心化系统中永远记载资金流向，具有天然的信用体系，使这些业务脱离中介担保机构。（2）证券及银行业务：区块链智能合约及可编程的特点，可以使证券及银行的结算免去繁琐的工作流程，极大地降低
  • 深度学习100问29:rnn语言模型与传统的语言模型有何不同 不断持续学习ing 人工智能自然语言处理机器学习
    嘿，你知道RNNLM和传统语言模型有啥不一样吗？传统语言模型就像个记性不太好的小伙伴。比如那种n-gram语言模型，它只能记住前面几个词，再多就不行啦，就像脑袋里的小抽屉只能装那么点东西。但RNNLM可不一样，它就像有个超级强大的记忆宝盒。通过循环连接的隐藏层，它能记住老长老长一段历史信息呢，说不定能想起好久好久以前出现的词。就好像它有个神奇的小本本，把看到过的词都记下来，随时能翻出来用。传统语言
  • windows系统huggingface连接不上的解决方案 herosunly windowshuggingface连接不上解决方案
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 深度学习100问43:什么是过拟合 不断持续学习ing 人工智能自然语言处理机器学习
    嘿，咱来聊聊过拟合是什么。想象一下，有个机器学习的模型就像一个学生在准备考试。如果这个模型对训练数据就像学生把课本上的题目背得超级熟，在训练数据上表现得那叫一个棒，就像学生在做课本上的题时成绩超高。但是呢，一旦碰到新的、从来没见过的数据，就傻眼了，表现得一塌糊涂。这时候就可以说这个模型过拟合啦。为啥会过拟合呢？一方面可能是这个模型太复杂了，就像学生学得太“死”，记住了训练数据里的一些小噪声和特别的
  • 深度学习中的梯度消失和梯度爆炸问题 码上飞扬 深度学习人工智能梯度消失梯度爆炸
    在深度学习领域，随着模型层数的增加，我们常常会遇到两个棘手的问题：梯度消失（VanishingGradients）和梯度爆炸（ExplodingGradients）。这两个问题严重影响了深度神经网络的训练效率和性能。本文将详细介绍这两个问题，并通过实例帮助读者更好地理解。一、梯度消失问题梯度消失是深度学习中的一大难题，尤其在训练深度神经网络时显得尤为棘手。这一问题的本质在于，当我们在训练过程中通过
  • 深度学习_模型调用预测 you_are_my_sunshine* 推荐算法深度学习人工智能
    概要应用场景：用户流失本文将介绍模型调用预测的步骤，这里深度学习模型使用的是自定义的deepfm代码导包importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfromcollectionsimportdefaultdictfromscipyimportstatsfromscipyimportsign
  • 如何开发针对不平衡分类的成本敏感神经网络 python 背包客研究 不平衡学习分类神经网络python
    如何开发针对不平衡分类的成本敏感神经网络深度学习神经网络是一类灵活的机器学习算法，可以在各种问题上表现良好。神经网络使用误差反向传播算法进行训练，该算法涉及计算模型在训练数据集上产生的误差，并根据这些误差的比例更新模型权重。这种训练方法的局限性在于，每个类别的示例都被视为相同，对于不平衡的数据集，这意味着模型对一个类别的适应性要强得多，而对另一个类别的适应性则弱得多。反向传播算法可以更新，以根据类
  • 读《深度学习：走向核心素养》 qingqianshiguan
    3.教师组织学生研讨和交流，增加学生之间的深度互动这是实现深度学习的关键环节。深度学习的场域，是多人共同参与的场域，学生在参与的过程中能够对话沟通、共同思考。学生们的身份相同，年龄相仿，认知方式也相似，彼此更加熟悉，更加容易接受对方的观点。同时，学生思考问题的角度、思维方式可以与同伴互相启发。学生进行调查与分析、提出方案或规划的讨论过程，就是表达自己观点和开阔思路的过程，也是学生个体之间、小组之间
  • nvidia cuda镜像说明 九品神元师 linux人工智能python运维
    nvidia/cuda:11.1.1-cudnn8-runtime:这是一个运行时镜像，适用于在已安装CUDA11.1.1和cuDNN8的环境中运行深度学习应用程序。该镜像包含运行时所需的库和工具，但不包含开发工具或头文件。nvidia/cuda:11.1.1-cudnn8-devel:这是一个开发镜像，适用于在已安装CUDA11.1.1和cuDNN8的环境中进行深度学习模型的开发。该镜像包含了编
  • 解惑深度学习中的困惑度Perplexity Axlsss 深度学习统计知识深度学习人工智能数学建模
    困惑度的定义困惑度(Perplexity)是衡量语言模型好坏的一个常用指标。语言模型(languagemodel)可以预测序列(比如一个句子)中每个时间步词元(比如一个句子中的逐个单词)的概率分布，继而计算一个序列的概率。一个好的语言模型应该有更高的概率生成一个好的序列，即生成的序列不应该让人感到很困惑，困惑度的核心思想是：序列生成的概率越大，其困惑度越小，因此可以使用困惑度这个指标来评估语言模型
  • 深度学习奥秘解锁：AI大模型技能提升指南 AGI大模型老王 人工智能深度学习语言模型算法大模型AI大模型
    文章目录每日一句正能量前言AI大模型学习的理论基础AI大模型的训练与优化AI大模型在特定领域的应用AI大模型学习的伦理与社会影响未来发展趋势与挑战后记**前言**随着人工智能技术的快速发展，AI大模型学习正成为一项备受关注的研究领域。为了提高模型的准确性和效率，研究者们需要具备深厚的数学基础和编程能力，并对特定领域的业务场景有深入的了解。通过不断优化模型结构和算法，AI大模型学习正为人类的生活和工
  • 深度学习_数据读取到model模型存储 you_are_my_sunshine* 推荐算法深度学习人工智能
    概要应用场景：用户流失本文将介绍模型调用预测的步骤，这里深度学习模型使用的是自定义的deepfm，并用机器学习lgb做比较代码导包importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfromcollectionsimportdefaultdictfromscipyimportstatsfromsc
  • 深度学习100问44:如何避免模型出现过拟合现象 不断持续学习ing 人工智能自然语言处理机器学习
    嘿，想让你的模型不出现过拟合现象？来看看这些妙招吧！一、增加数据量这就好比让学生多做各种不同的练习题。数据多了，模型就能学到更普遍的规律，而不是只记住那一点点数据里的小细节。你可以去收集更多真实的数据，或者用数据增强的办法。就像在图像识别里，把图片转一转、翻一翻、剪一剪，这样数据就变得更多样啦。二、简化模型要是模型太复杂，那就像盖了一座超级华丽的城堡，容易记住一些不该记的东西。那就把模型弄得简单点
  • 【论文阅读33】Deep learning optoacoustic tomography with sparse data 弹伦琴的雷登 【论文阅读系列】人工智能深度学习论文阅读图像处理
    Deeplearningoptoacoustictomographywithsparsedata论文题目：基于稀疏数据的深度学习光声断层扫描论文链接：Deeplearningoptoacoustictomographywithsparsedata|NatureMachineIntelligence代码链接：GitHub-ndavoudi/sparse_artefact_unet数据链接：Data发
  • 深度学习100问39:阿达玛乘积在实际生活中的应用 不断持续学习ing 人工智能自然语言处理机器学习
    嘿，你知道吗？阿达玛乘积在我们的生活中可有着不少神奇的应用呢！一、图像处理领域在图像处理的世界里，阿达玛乘积就像是一个神奇的画笔。比如说图像融合吧，想象一下，你有两张超酷的照片，一张是美丽的风景照，另一张是带有超炫艺术滤镜的图片。通过阿达玛乘积，就好像让这两张照片上的每个小像素都来一场“亲密合作”。结果呢，你就得到了一张既有清晰风景又带有独特艺术风格的全新照片，是不是很神奇？还有在计算机视觉中，阿
  • 吴恩达深度学习笔记(24)-为什么要使用深度神经网络？ 极客Array
    为什么使用深层表示？（Whydeeprepresentations?）我们都知道深度神经网络能解决好多问题，其实并不需要很大的神经网络，但是得有深度，得有比较多的隐藏层，这是为什么呢？我们一起来看几个例子来帮助理解，为什么深度神经网络会很好用。首先，深度网络在计算什么？如果你在建一个人脸识别或是人脸检测系统，深度神经网络所做的事就是，当你输入一张脸部的照片，然后你可以把深度神经网络的第一层，当成一
  • 人工智能相关资源 代码 论文 教程Tutorials 等 Prompt-Engineering 深度学习 辅助驾驶 语言模型 文本生成图片 开源实现 OCR 通用聊天机器人 EwenWanW 人工智能prompt深度学习
    人工智能相关学习资源https://github.com/luban-agi/Awesome-AIGC-Tutorialshttps://github.com/BradyFU/Awesome-Multimodal-Large-Language-Modelshttps://github.com/dair-ai/Prompt-Engineering-Guidehttps://github.com/Vi
  • ChatGPT办公与科研应用、论文撰写、数据分析、机器学习、深度学习及AI绘图 PhyliciaFelicia ChatGPTpython深度学习人工智能chatgpt深度学习机器学习数据分析python
    2022年11月30日，可能将成为一个改变人类历史的日子——美国人工智能开发机构OpenAI推出了聊天机器人ChatGPT3.5，将人工智能的发展推向了一个新的高度。2023年4月，更强版本的ChatGPT4.0上线，文本、语音、图像等多模态交互方式使其在各行各业的应用呈现了更多的可能性。2023年11月7日，OpenAI首届开发者大会被称为“科技界的春晚”，吸引了全球广大用户的关注，GPT商店更
  • 全流程Python编程、机器学习与深度学习实践技术应用 为为-180-3121-1455 深度学习机器学习pythonpython机器学习深度学习
    近年来，人工智能领域的飞速发展极大地改变了各个行业的面貌。当前最新的技术动态，如大型语言模型和深度学习技术的发展，展示了深度学习和机器学习技术的强大潜力，成为推动创新和提升竞争力的关键。特别是PyTorch，凭借其灵活性和高效性，成为科研人员和工程师的首选工具。为了帮助科研人员系统地掌握深度学习的基础理论及其在PyTorch中的实现方法，Ai尚研修特别推出了“最新PyTorch机器学习与深度学习技
  • 大数据毕业设计天hadoop+spark+hive游戏推荐系统 游戏数据分析可视化大屏 steam游戏爬虫 游戏大数据 机器学习 知识图谱 计算机毕业设计 机器学习 深度学习 人工智能 知识图谱 2401_84159688 程序员大数据hadoop人工智能
    |—||一、选题的目的和意义用户往往因为不能及时查看游戏信息而造成许多烦恼。另一方面，游戏商城平台没能进行系统的管理与维护使游戏信息没能及时的更新。而传统的游戏信息管理，采用的还是手工备案、人工查询的方式。但是随之游戏信息的增多这种管理方式的工作量不断加大，这种做法就存在费时费力、缺乏时效性、不利于调动人员的积极性等缺点。一旦网站建立好之后，一方面，用户可以在第一时间在系统里查询所需的信息，另一方
  • 【pytorch】TensorBoard的使用 hhhhhhkkkyyy pytorch人工智能python
    TensorBoardTensorBoard是TensorFlow提供的一个可视化工具，用于实时监控、调试和可视化深度学习模型的训练过程和性能指标。虽然它是为TensorFlow设计的，但也可以与其他深度学习框架（如PyTorch）一起使用。下面是一些关于TensorBoard的详细知识和使用方法：可视化功能：Scalars（标量）：用于显示训练过程中的标量数据，比如损失和准确率的变化趋势。Gra
  • 周报 | 24.8.19-24.8.25文章汇总 双木的木 python拓展学习深度学习拓展阅读人工智能机器学习开发语言python深度学习nlpllama
    为了更好地整理文章和发表接下来的文章，以后每周都汇总一份周报。周报|24.8.12-24.8.18文章汇总-CSDN博客新智元|微调Flux席卷全网，外国小哥一人组一队漫威英雄！_flux怎么微调-CSDN博客新智元|百万在线，大圣归来！《黑神话：悟空》石破天惊，RTX4090D飞越花果山_新智元悟空-CSDN博客OpenCV学堂|汇总|深度学习图像去模糊技术与模型-CSDN博客深度学习与NLP|
  • 基于yolov8的课堂行为检测系统python源码+onnx模型+评估指标曲线+精美GUI界面 FL1623863129 深度学习YOLO
    【算法介绍】基于YOLOv8的课堂行为检测系统是现代教育技术的创新应用，该系统利用YOLOv8这一先进的深度学习算法，实现了对学生课堂行为的自动、高效和精准监测。YOLOv8在目标检测领域以其卓越的性能和速度著称，通过对学生上课视频或实时摄像头的输入进行深度分析，系统能够准确识别学生的多种行为，如举手、阅读、写作、使用手机、低头等。该系统不仅提高了课堂监测的效率和准确性，还具备实时反馈功能，帮助教
  • 深度学习速通系列:梯度消失vs梯度爆炸 Ven% 深度学习速通系列人工智能深度学习python
    梯度消失和梯度爆炸是深度学习中训练深层神经网络时常见的两个问题，它们影响网络的训练过程和性能。梯度消失（VanishingGradientProblem）定义：梯度消失是指在深层神经网络的反向传播过程中，由于链式法则，梯度值随着层数的增加而迅速减小，最终趋近于零。原因：激活函数的导数很小，如Sigmoid或Tanh函数在输入值非常大或非常小的时候导数接近零。权重初始化不当，导致梯度在网络中的传播过
  • 基于detectron2框架的深度学习模型载入自定义数据集 Midsummer-逐梦 解决方案深度学习人工智能计算机视觉
    基于detectron2框架的深度学习模型载入自定义数据集一、前言最近在做微光目标检测的研究工作，使用了Rank_DETR；这个模型是基于detrex框架，而detrex框架又是基于detectron2的。找了一圈没找到载入数据集的地方，后面查阅了资料得知要用API进行注册。二、步骤注册数据集：在脚本中，我们首先要注册数据集。Detectron2提供了多种注册数据集的方式，常用的是register
  • 深度学习项目实践——QQ聊天机器人（transformer）（三）功能实现的方法——NoneBot2插件结构与编写 Linductor qq聊天机器人项目机器人transformernonebot
    深度学习项目实践——QQ聊天机器人（transformer）（三）功能实现的方法——NoneBot2插件结构与编写在前两节中，我们详细讲解了QQ聊天的原理、QQ机器人的框架与环境配置的流程。本节将重点介绍NoneBot2的插件构成，以及如何从零开始编写一个属于自己的插件。这一篇文章主要就是充当搬运工，参考了nonebot2的官方文档第一步：了解NoneBot2的架构在开始编写插件之前，我们先来了解
  • 大语言模型原理与工程实践：混合微调策略 AGI通用人工智能之禅 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
    大语言模型原理与工程实践：混合微调策略作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着深度学习技术的迅猛发展，大语言模型（LargeLanguageModels，LLMs）在自然语言处理（NaturalLanguageProcessing，NLP）领域取得了突破性的进展。LLMs通过在海量文本数据上进行预训练，学习到了
  • scala的option和some 矮蛋蛋 编程scala
    原文地址： http://blog.sina.com.cn/s/blog_68af3f090100qkt8.html 对于学习 Scala 的 Java™ 开发人员来说，对象是一个比较自然、简单的入口点。在 本系列 前几期文章中，我介绍了 Scala 中一些面向对象的编程方法，这些方法实际上与 Java 编程的区别不是很大。我还向您展示了 Scala 如何重新应用传统的面向对象概念，找到其缺点
  • NullPointerException Cb123456 androidBaseAdapter
        java.lang.NullPointerException: Attempt to invoke virtual method 'int android.view.View.getImportantForAccessibility()' on a null object reference     出现以上异常.然后就在baidu上
  • PHP使用文件和目录 天子之骄 php文件和目录读取和写入php验证文件php锁定文件
    PHP使用文件和目录 1.使用include()包含文件 (1)：使用include()从一个被包含文档返回一个值 (2)：在控制结构中使用include()   include_once()函数需要一个包含文件的路径，此外，第一次调用它的情况和include()一样，如果在脚本执行中再次对同一个文件调用，那么这个文件不会再次包含。   在php.ini文件中设置
  • SQL SELECT DISTINCT 语句 何必如此 sql
    SELECT DISTINCT 语句用于返回唯一不同的值。 SQL SELECT DISTINCT 语句 在表中，一个列可能会包含多个重复值，有时您也许希望仅仅列出不同（distinct）的值。 DISTINCT 关键词用于返回唯一不同的值。 SQL SELECT DISTINCT 语法 SELECT DISTINCT column_name,column_name F
  • java冒泡排序 3213213333332132 java冒泡排序
    package com.algorithm; /** * @Description 冒泡 * @author FuJianyong * 2015-1-22上午09:58:39 */ public class MaoPao { public static void main(String[] args) { int[] mao = {17,50,26,18,9,10
  • struts2.18 +json,struts2-json-plugin-2.1.8.1.jar配置及问题！ 7454103 DAOspringAjaxjsonqq
    struts2.18  出来有段时间了！ （貌似是 稳定版）   闲时研究下下！  貌似 sruts2 搭配 json 做 ajax 很吃香！   实践了下下！ 不当之处请绕过！ 呵呵   网上一大堆 struts2+json  不过大多的json 插件 都是 jsonplugin.34.jar   strut
  • struts2 数据标签说明 darkranger jspbeanstrutsservletScheme
    数据标签主要用于提供各种数据访问相关的功能，包括显示一个Action里的属性，以及生成国际化输出等功能 数据标签主要包括： action ：该标签用于在JSP页面中直接调用一个Action，通过指定executeResult参数，还可将该Action的处理结果包含到本页面来。 bean ：该标签用于创建一个javabean实例。如果指定了id属性，则可以将创建的javabean实例放入Sta
  • 链表.简单的链表节点构建 aijuans 编程技巧
    /*编程环境WIN-TC*/ #include "stdio.h" #include "conio.h" #define NODE(name, key_word, help) \  Node name[1]={{NULL, NULL, NULL, key_word, help}} typedef struct node {  &nbs
  • tomcat下jndi的三种配置方式 avords tomcat
    jndi(Java Naming and Directory Interface，Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。命名服务将名称和对象联系起来，使得我们可以用名称 访问对象。目录服务是一种命名服务，在这种服务里，对象不但有名称，还有属性。          tomcat配置
  • 关于敏捷的一些想法 houxinyou 敏捷
    从网上看到这样一句话：“敏捷开发的最重要目标就是：满足用户多变的需求，说白了就是最大程度的让客户满意。” 感觉表达的不太清楚。 感觉容易被人误解的地方主要在“用户多变的需求”上。 第一种多变，实际上就是没有从根本上了解了用户的需求。用户的需求实际是稳定的，只是比较多，也比较混乱，用户一般只能了解自己的那一小部分，所以没有用户能清楚的表达出整体需求。而由于各种条件的，用户表达自己那一部分时也有
  • 富养还是穷养，决定孩子的一生 bijian1013 教育人生
    是什么决定孩子未来物质能否丰盛？为什么说寒门很难出贵子，三代才能出贵族？真的是父母必须有钱，才能大概率保证孩子未来富有吗？-----作者：@李雪爱与自由 事实并非由物质决定，而是由心灵决定。一朋友富有而且修养气质很好，兄弟姐妹也都如此。她的童年时代，物质上大家都很贫乏，但妈妈总是保持生活中的美感，时不时给孩子们带回一些美好小玩意，从来不对孩子传递生活艰辛、金钱来之不易、要懂得珍惜
  • oracle 日期时间格式转化 征客丶 oracle
    oracle 系统时间有 SYSDATE 与 SYSTIMESTAMP； SYSDATE：不支持毫秒，取的是系统时间； SYSTIMESTAMP：支持毫秒，日期，时间是给时区转换的，秒和毫秒是取的系统的。 日期转字符窜： 一、不取毫秒： TO_CHAR(SYSDATE, 'YYYY-MM-DD HH24:MI:SS') 简要说明， YYYY 年 MM   月
  • 【Scala六】分析Spark源代码总结的Scala语法四 bit1129 scala
    1. apply语法   FileShuffleBlockManager中定义的类ShuffleFileGroup，定义：   private class ShuffleFileGroup(val shuffleId: Int, val fileId: Int, val files: Array[File]) { ... def apply(bucketId
  • Erlang中有意思的bug bookjovi erlang
      代码中常有一些很搞笑的bug，如下面的一行代码被调用两次（Erlang beam） commit f667e4a47b07b07ed035073b94d699ff5fe0ba9b Author: Jovi Zhang <[email protected]> Date: Fri Dec 2 16:19:22 2011 +0100 erts:
  • 移位打印10进制数转16进制-2008-08-18 ljy325 java基础
    /** * Description 移位打印10进制的16进制形式 * Creation Date 15-08-2008 9:00 * @author 卢俊宇 * @version 1.0 * */ public class PrintHex { // 备选字符 static final char di
  • 读《研磨设计模式》-代码笔记-组合模式 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/ import java.util.ArrayList; import java.util.List; abstract class Component { public abstract void printStruct(Str
  • 利用cmd命令将.class文件打包成jar chenyu19891124 cmdjar
    cmd命令打jar是如下实现： 在运行里输入cmd，利用cmd命令进入到本地的工作盘符。(如我的是D盘下的文件有此路径 D:\workspace\prpall\WEB-INF\classes) 现在是想把D:\workspace\prpall\WEB-INF\classes路径下所有的文件打包成prpall.jar。然后继续如下操作： cd D: 回车 cd workspace/prpal
  • [原创]JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明 comsci eclipse设计模式算法工作swing
                           JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明     &nb
  • SecureCRT右键粘贴的设置 daizj secureCRT右键粘贴
    一般都习惯鼠标右键自动粘贴的功能，对于SecureCRT6.7.5 ，这个功能也已经是默认配置了。 老版本的SecureCRT其实也有这个功能，只是不是默认设置，很多人不知道罢了。 菜单： Options->Global Options ...->Terminal 右边有个Mouse的选项块。 Copy on Select Paste on Right/Middle
  • Linux 软链接和硬链接 dongwei_6688 linux
    1.Linux链接概念Linux链接分两种，一种被称为硬链接（Hard Link），另一种被称为符号链接（Symbolic Link）。默认情况下，ln命令产生硬链接。 【硬连接】硬连接指通过索引节点来进行连接。在Linux的文件系统中，保存在磁盘分区中的文件不管是什么类型都给它分配一个编号，称为索引节点号(Inode Index)。在Linux中，多个文件名指向同一索引节点是存在的。一般这种连
  • DIV底部自适应 dcj3sjt126com JavaScript
    <!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/1999/xhtml&q
  • Centos6.5使用yum安装mysql——快速上手必备 dcj3sjt126com mysql
    第1步、yum安装mysql [root@stonex ~]#  yum -y install mysql-server 安装结果： Installed:     mysql-server.x86_64 0:5.1.73-3.el6_5                   &nb
  • 如何调试JDK源码 frank1234 jdk
    相信各位小伙伴们跟我一样，想通过JDK源码来学习Java，比如collections包，java.util.concurrent包。 可惜的是sun提供的jdk并不能查看运行中的局部变量，需要重新编译一下rt.jar。 下面是编译jdk的具体步骤：         1.把C:\java\jdk1.6.0_26\sr
  • Maximal Rectangle hcx2013 max
    Given a 2D binary matrix filled with 0's and 1's, find the largest rectangle containing all ones and return its area.   public class Solution { public int maximalRectangle(char[][] matrix)
  • Spring MVC测试框架详解——服务端测试 jinnianshilongnian spring mvc test
    随着RESTful Web Service的流行，测试对外的Service是否满足期望也变的必要的。从Spring 3.2开始Spring了Spring Web测试框架，如果版本低于3.2，请使用spring-test-mvc项目（合并到spring3.2中了）。   Spring MVC测试框架提供了对服务器端和客户端（基于RestTemplate的客户端）提供了支持。 &nbs
  • Linux64位操作系统（CentOS6.6）上如何编译hadoop2.4.0 liyong0802 hadoop
    一、准备编译软件   1.在官网下载jdk1.7、maven3.2.1、ant1.9.4，解压设置好环境变量就可以用。     环境变量设置如下：   （1）执行vim /etc/profile （2）在文件尾部加入: export JAVA_HOME=/home/spark/jdk1.7 export MAVEN_HOME=/ho
  • StatusBar 字体白色 pangyulei status
    [[UIApplication sharedApplication] setStatusBarStyle:UIStatusBarStyleLightContent]; /*you'll also need to set UIViewControllerBasedStatusBarAppearance to NO in the plist file if you use this method
  • 如何分析Java虚拟机死锁 sesame javathreadoracle虚拟机jdbc
    英文资料： Thread Dump and Concurrency Locks   Thread dumps are very useful for diagnosing synchronization related problems such as deadlocks on object monitors. Ctrl-\ on Solaris/Linux or Ctrl-B
  • 位运算简介及实用技巧（一）：基础篇 tw_wangzhengquan 位运算
    http://www.matrix67.com/blog/archives/263    去年年底写的关于位运算的日志是这个Blog里少数大受欢迎的文章之一，很多人都希望我能不断完善那篇文章。后来我看到了不少其它的资料，学习到了更多关于位运算的知识，有了重新整理位运算技巧的想法。从今天起我就开始写这一系列位运算讲解文章，与其说是原来那篇文章的follow-up，不如说是一个r
  • jsearch的索引文件结构 yangshangchuan 搜索引擎jsearch全文检索信息检索word分词
    jsearch是一个高性能的全文检索工具包，基于倒排索引，基于java8，类似于lucene，但更轻量级。   jsearch的索引文件结构定义如下：     1、一个词的索引由=分割的三部分组成：        第一部分是词        第二部分是这个词在多少
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他