Luis丶
Luis丶

010-RNN-心脏病预测

  • 本文为365天深度学习训练营 中的学习记录博客
  • 参考文章地址：深度学习100例-循环神经网络（RNN）心脏病预测 | 第46天
  • 作者：K同学啊

难度：新手入门⭐

要求：

本地读取并加载数据。
了解循环神经网络（RNN）的构建过程
测试集accuracy到达87%

拔高：

测试集accuracy到达89%

import tensorflow        as tf

# 检查是否有GPU可用
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus

[]

数据介绍

  • age：1) 年龄
  • sex：2) 性别
  • cp：3) 胸痛类型 (4 values)
  • trestbps：4) 静息血压
  • chol：5) 血清胆甾醇 (mg/dl
  • fbs：6) 空腹血糖 > 120 mg/dl
  • restecg：7) 静息心电图结果 (值 0,1 ,2)
  • thalach：8) 达到的最大心率
  • exang：9) 运动诱发的心绞痛
  • oldpeak：10) 相对于静止状态，运动引起的ST段压低
  • slope：11) 运动峰值 ST 段的斜率
  • ca：12) 荧光透视着色的主要血管数量 (0-3)
  • thal：13) 0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷
  • target：14) 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大
import pandas as pd
import numpy as np

# 导入数据
df = pd.read_csv(r"D:\workspace_anaconda\data\heart.csv")
df
age sex cp trestbps chol fbs restecg thalach exang oldpeak slope ca thal target
0 63 1 3 145 233 1 0 150 0 2.3 0 0 1 1
1 37 1 2 130 250 0 1 187 0 3.5 0 0 2 1
2 41 0 1 130 204 0 0 172 0 1.4 2 0 2 1
3 56 1 1 120 236 0 1 178 0 0.8 2 0 2 1
4 57 0 0 120 354 0 1 163 1 0.6 2 0 2 1
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
298 57 0 0 140 241 0 1 123 1 0.2 1 0 3 0
299 45 1 3 110 264 0 1 132 0 1.2 1 0 3 0
300 68 1 0 144 193 1 1 141 0 3.4 1 2 3 0
301 57 1 0 130 131 0 1 115 1 1.2 1 1 3 0
302 57 0 1 130 236 0 0 174 0 0.0 1 1 2 0

303 rows × 14 columns

# 检查是否有空值
df.isnull().sum()

age         0
sex         0
cp          0
trestbps    0
chol        0
fbs         0
restecg     0
thalach     0
exang       0
oldpeak     0
slope       0
ca          0
thal        0
target      0
dtype: int64

测试集与验证集的关系：

  1. 验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
  2. 但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
  3. 我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集。
# 数据预处理
# 1、划分训练集与测试集
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X = df.iloc[:,:-1]
y = df.iloc[:,-1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)
X_train.shape, y_train.shape

# 2、标准化
# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
sc      = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test  = sc.transform(X_test)

X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test  = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

SimpleRNN函数

tf.keras.layers.SimpleRNN(
units,activation=‘tanh’,
use_bias=True,
kernel_initializer=‘glorot_uniform’,
recurrent_initializer=‘orthogonal’,
bias_initializer=‘zeros’,
kernel_regularizer=None,
recurrent_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
recurrent_constraint=None,
bias_constraint=None,
dropout=0.0,
recurrent_dropout=0.0,
return_sequences=False,
return_state=False,
go_backwards=False,
stateful=False,
unroll=False,
**kwargs)

  • units: 正整数，输出空间的维度。
  • activation: 要使用的激活函数。 默认：双曲正切（tanh）。 如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。
  • use_bias: 布尔值，该层是否使用偏置向量。
  • kernel_initializer: kernel 权值矩阵的初始化器， 用于输入的线性转换 (详见 initializers)。
  • recurrent_initializer: recurrent_kernel 权值矩阵 的初始化器，用于循环层状态的线性转换 (详见 initializers)。
  • bias_initializer:偏置向量的初始化器 (详见initializers).
  • dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换
# 构建RNN模型
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = Sequential()
model.add(SimpleRNN(128, input_shape= (13,1),return_sequences=True,activation='relu'))
model.add(SimpleRNN(64,return_sequences=True, activation='relu'))
model.add(SimpleRNN(32,return_sequences=True,  activation='relu'))
model.add(SimpleRNN(16, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

Model: "sequential_3"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 simple_rnn_7 (SimpleRNN)    (None, 13, 128)           16640     
                                                                 
 simple_rnn_8 (SimpleRNN)    (None, 13, 64)            12352     
                                                                 
 simple_rnn_9 (SimpleRNN)    (None, 13, 32)            3104      
                                                                 
 simple_rnn_10 (SimpleRNN)   (None, 16)                784       
                                                                 
 dense_6 (Dense)             (None, 16)                272       
                                                                 
 dense_7 (Dense)             (None, 1)                 17        
                                                                 
=================================================================
Total params: 33,169
Trainable params: 33,169
Non-trainable params: 0
_________________________________________________________________

# 编译模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss='binary_crossentropy',
              optimizer=opt,
              metrics="accuracy")

# 训练模型
epochs = 100

history = model.fit(X_train, y_train, 
                    epochs=epochs, 
                    batch_size=128, 
                    validation_data=(X_test, y_test),
                    verbose=1)

Epoch 1/100
3/3 [==============================] - 2s 167ms/step - loss: 0.6832 - accuracy: 0.5551 - val_loss: 0.6836 - val_accuracy: 0.5484
Epoch 2/100
3/3 [==============================] - 0s 18ms/step - loss: 0.6732 - accuracy: 0.5625 - val_loss: 0.6714 - val_accuracy: 0.5484
Epoch 3/100
3/3 [==============================] - 0s 17ms/step - loss: 0.6646 - accuracy: 0.5772 - val_loss: 0.6611 - val_accuracy: 0.6452
Epoch 4/100
3/3 [==============================] - 0s 17ms/step - loss: 0.6573 - accuracy: 0.5919 - val_loss: 0.6535 - val_accuracy: 0.6452
Epoch 5/100
3/3 [==============================] - 0s 17ms/step - loss: 0.6499 - accuracy: 0.6176 - val_loss: 0.6447 - val_accuracy: 0.7097
Epoch 6/100
3/3 [==============================] - 0s 18ms/step - loss: 0.6425 - accuracy: 0.6544 - val_loss: 0.6351 - val_accuracy: 0.7097
Epoch 7/100
3/3 [==============================] - 0s 17ms/step - loss: 0.6361 - accuracy: 0.6838 - val_loss: 0.6267 - val_accuracy: 0.7419
Epoch 8/100
3/3 [==============================] - 0s 18ms/step - loss: 0.6291 - accuracy: 0.7169 - val_loss: 0.6193 - val_accuracy: 0.8065
Epoch 9/100
3/3 [==============================] - 0s 17ms/step - loss: 0.6215 - accuracy: 0.7243 - val_loss: 0.6098 - val_accuracy: 0.8065
Epoch 10/100
3/3 [==============================] - 0s 16ms/step - loss: 0.6140 - accuracy: 0.7390 - val_loss: 0.5991 - val_accuracy: 0.8065
Epoch 11/100
3/3 [==============================] - 0s 18ms/step - loss: 0.6058 - accuracy: 0.7574 - val_loss: 0.5882 - val_accuracy: 0.8387
Epoch 12/100
3/3 [==============================] - 0s 17ms/step - loss: 0.5977 - accuracy: 0.7721 - val_loss: 0.5763 - val_accuracy: 0.8387
Epoch 13/100
3/3 [==============================] - 0s 16ms/step - loss: 0.5884 - accuracy: 0.7757 - val_loss: 0.5646 - val_accuracy: 0.8387
Epoch 14/100
3/3 [==============================] - 0s 19ms/step - loss: 0.5790 - accuracy: 0.7757 - val_loss: 0.5537 - val_accuracy: 0.8065
Epoch 15/100
3/3 [==============================] - 0s 17ms/step - loss: 0.5694 - accuracy: 0.7831 - val_loss: 0.5430 - val_accuracy: 0.8065
Epoch 16/100
3/3 [==============================] - 0s 19ms/step - loss: 0.5595 - accuracy: 0.7978 - val_loss: 0.5310 - val_accuracy: 0.8387
Epoch 17/100
3/3 [==============================] - 0s 19ms/step - loss: 0.5489 - accuracy: 0.8088 - val_loss: 0.5185 - val_accuracy: 0.8387
Epoch 18/100
3/3 [==============================] - 0s 17ms/step - loss: 0.5387 - accuracy: 0.8125 - val_loss: 0.5062 - val_accuracy: 0.8387
Epoch 19/100
3/3 [==============================] - 0s 17ms/step - loss: 0.5284 - accuracy: 0.8088 - val_loss: 0.4951 - val_accuracy: 0.8387
Epoch 20/100
3/3 [==============================] - 0s 18ms/step - loss: 0.5182 - accuracy: 0.8162 - val_loss: 0.4832 - val_accuracy: 0.8387
Epoch 21/100
3/3 [==============================] - 0s 18ms/step - loss: 0.5089 - accuracy: 0.8199 - val_loss: 0.4712 - val_accuracy: 0.8387
Epoch 22/100
3/3 [==============================] - 0s 16ms/step - loss: 0.4985 - accuracy: 0.8088 - val_loss: 0.4600 - val_accuracy: 0.8387
Epoch 23/100
3/3 [==============================] - 0s 18ms/step - loss: 0.4896 - accuracy: 0.8125 - val_loss: 0.4497 - val_accuracy: 0.8387
Epoch 24/100
3/3 [==============================] - 0s 16ms/step - loss: 0.4799 - accuracy: 0.8088 - val_loss: 0.4385 - val_accuracy: 0.8387
Epoch 25/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4709 - accuracy: 0.8162 - val_loss: 0.4277 - val_accuracy: 0.8387
Epoch 26/100
3/3 [==============================] - 0s 20ms/step - loss: 0.4619 - accuracy: 0.8199 - val_loss: 0.4172 - val_accuracy: 0.8710
Epoch 27/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4524 - accuracy: 0.8162 - val_loss: 0.4089 - val_accuracy: 0.9032
Epoch 28/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4435 - accuracy: 0.8235 - val_loss: 0.4027 - val_accuracy: 0.9032
Epoch 29/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4360 - accuracy: 0.8272 - val_loss: 0.3966 - val_accuracy: 0.9032
Epoch 30/100
3/3 [==============================] - 0s 16ms/step - loss: 0.4287 - accuracy: 0.8272 - val_loss: 0.3900 - val_accuracy: 0.9032
Epoch 31/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4213 - accuracy: 0.8272 - val_loss: 0.3832 - val_accuracy: 0.9032
Epoch 32/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4147 - accuracy: 0.8272 - val_loss: 0.3778 - val_accuracy: 0.9032
Epoch 33/100
3/3 [==============================] - 0s 17ms/step - loss: 0.4086 - accuracy: 0.8272 - val_loss: 0.3736 - val_accuracy: 0.9032
Epoch 34/100
3/3 [==============================] - 0s 16ms/step - loss: 0.4024 - accuracy: 0.8272 - val_loss: 0.3727 - val_accuracy: 0.9032
Epoch 35/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3982 - accuracy: 0.8199 - val_loss: 0.3673 - val_accuracy: 0.9032
Epoch 36/100
3/3 [==============================] - 0s 20ms/step - loss: 0.3914 - accuracy: 0.8235 - val_loss: 0.3579 - val_accuracy: 0.9032
Epoch 37/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3867 - accuracy: 0.8346 - val_loss: 0.3518 - val_accuracy: 0.8710
Epoch 38/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3872 - accuracy: 0.8235 - val_loss: 0.3455 - val_accuracy: 0.9032
Epoch 39/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3815 - accuracy: 0.8346 - val_loss: 0.3414 - val_accuracy: 0.9032
Epoch 40/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3744 - accuracy: 0.8346 - val_loss: 0.3414 - val_accuracy: 0.9032
Epoch 41/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3710 - accuracy: 0.8346 - val_loss: 0.3433 - val_accuracy: 0.9032
Epoch 42/100
3/3 [==============================] - 0s 18ms/step - loss: 0.3684 - accuracy: 0.8346 - val_loss: 0.3365 - val_accuracy: 0.9032
Epoch 43/100
3/3 [==============================] - 0s 21ms/step - loss: 0.3638 - accuracy: 0.8382 - val_loss: 0.3316 - val_accuracy: 0.9032
Epoch 44/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3603 - accuracy: 0.8456 - val_loss: 0.3357 - val_accuracy: 0.9032
Epoch 45/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3542 - accuracy: 0.8456 - val_loss: 0.3482 - val_accuracy: 0.9032
Epoch 46/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3591 - accuracy: 0.8419 - val_loss: 0.3534 - val_accuracy: 0.9032
Epoch 47/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3583 - accuracy: 0.8382 - val_loss: 0.3437 - val_accuracy: 0.9032
Epoch 48/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3496 - accuracy: 0.8493 - val_loss: 0.3341 - val_accuracy: 0.9032
Epoch 49/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3433 - accuracy: 0.8529 - val_loss: 0.3305 - val_accuracy: 0.9032
Epoch 50/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3399 - accuracy: 0.8640 - val_loss: 0.3199 - val_accuracy: 0.9032
Epoch 51/100
3/3 [==============================] - 0s 19ms/step - loss: 0.3373 - accuracy: 0.8640 - val_loss: 0.3152 - val_accuracy: 0.8710
Epoch 52/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3354 - accuracy: 0.8676 - val_loss: 0.3139 - val_accuracy: 0.8710
Epoch 53/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3310 - accuracy: 0.8713 - val_loss: 0.3152 - val_accuracy: 0.9032
Epoch 54/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3280 - accuracy: 0.8640 - val_loss: 0.3125 - val_accuracy: 0.8710
Epoch 55/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3254 - accuracy: 0.8640 - val_loss: 0.3068 - val_accuracy: 0.8387
Epoch 56/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3236 - accuracy: 0.8676 - val_loss: 0.3070 - val_accuracy: 0.8387
Epoch 57/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3192 - accuracy: 0.8713 - val_loss: 0.3110 - val_accuracy: 0.8710
Epoch 58/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3166 - accuracy: 0.8676 - val_loss: 0.3188 - val_accuracy: 0.9032
Epoch 59/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3142 - accuracy: 0.8640 - val_loss: 0.3129 - val_accuracy: 0.8387
Epoch 60/100
3/3 [==============================] - 0s 17ms/step - loss: 0.3100 - accuracy: 0.8787 - val_loss: 0.3092 - val_accuracy: 0.8387
Epoch 61/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3079 - accuracy: 0.8897 - val_loss: 0.3073 - val_accuracy: 0.8387
Epoch 62/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3046 - accuracy: 0.8897 - val_loss: 0.3112 - val_accuracy: 0.8387
Epoch 63/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3027 - accuracy: 0.8676 - val_loss: 0.3199 - val_accuracy: 0.9032
Epoch 64/100
3/3 [==============================] - 0s 16ms/step - loss: 0.3029 - accuracy: 0.8713 - val_loss: 0.3119 - val_accuracy: 0.9032
Epoch 65/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2957 - accuracy: 0.8750 - val_loss: 0.3008 - val_accuracy: 0.8387
Epoch 66/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2976 - accuracy: 0.8824 - val_loss: 0.2979 - val_accuracy: 0.8387
Epoch 67/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2928 - accuracy: 0.8934 - val_loss: 0.3039 - val_accuracy: 0.9032
Epoch 68/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2909 - accuracy: 0.8787 - val_loss: 0.2989 - val_accuracy: 0.8710
Epoch 69/100
3/3 [==============================] - 0s 18ms/step - loss: 0.2868 - accuracy: 0.8824 - val_loss: 0.2895 - val_accuracy: 0.8387
Epoch 70/100
3/3 [==============================] - 0s 18ms/step - loss: 0.2841 - accuracy: 0.8971 - val_loss: 0.2878 - val_accuracy: 0.8387
Epoch 71/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2813 - accuracy: 0.8934 - val_loss: 0.2896 - val_accuracy: 0.8387
Epoch 72/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2785 - accuracy: 0.9007 - val_loss: 0.2878 - val_accuracy: 0.8387
Epoch 73/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2761 - accuracy: 0.8971 - val_loss: 0.2850 - val_accuracy: 0.8387
Epoch 74/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2745 - accuracy: 0.8934 - val_loss: 0.2941 - val_accuracy: 0.8710
Epoch 75/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2697 - accuracy: 0.8971 - val_loss: 0.3162 - val_accuracy: 0.9032
Epoch 76/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2820 - accuracy: 0.8787 - val_loss: 0.3146 - val_accuracy: 0.9032
Epoch 77/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2731 - accuracy: 0.8860 - val_loss: 0.2922 - val_accuracy: 0.8387
Epoch 78/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2643 - accuracy: 0.9044 - val_loss: 0.2846 - val_accuracy: 0.8387
Epoch 79/100
3/3 [==============================] - 0s 15ms/step - loss: 0.2688 - accuracy: 0.9044 - val_loss: 0.2876 - val_accuracy: 0.8387
Epoch 80/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2630 - accuracy: 0.9007 - val_loss: 0.2934 - val_accuracy: 0.8710
Epoch 81/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2573 - accuracy: 0.9081 - val_loss: 0.2981 - val_accuracy: 0.8710
Epoch 82/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2557 - accuracy: 0.9007 - val_loss: 0.3007 - val_accuracy: 0.8710
Epoch 83/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2534 - accuracy: 0.8971 - val_loss: 0.3000 - val_accuracy: 0.8710
Epoch 84/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2505 - accuracy: 0.9044 - val_loss: 0.3017 - val_accuracy: 0.8710
Epoch 85/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2494 - accuracy: 0.9044 - val_loss: 0.3089 - val_accuracy: 0.9032
Epoch 86/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2484 - accuracy: 0.9044 - val_loss: 0.3021 - val_accuracy: 0.8710
Epoch 87/100
3/3 [==============================] - 0s 20ms/step - loss: 0.2439 - accuracy: 0.9044 - val_loss: 0.2959 - val_accuracy: 0.8710
Epoch 88/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2454 - accuracy: 0.9154 - val_loss: 0.2916 - val_accuracy: 0.8387
Epoch 89/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2392 - accuracy: 0.9118 - val_loss: 0.3101 - val_accuracy: 0.9032
Epoch 90/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2451 - accuracy: 0.9044 - val_loss: 0.3084 - val_accuracy: 0.9032
Epoch 91/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2416 - accuracy: 0.9081 - val_loss: 0.2871 - val_accuracy: 0.8387
Epoch 92/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2335 - accuracy: 0.9154 - val_loss: 0.2807 - val_accuracy: 0.8387
Epoch 93/100
3/3 [==============================] - 0s 19ms/step - loss: 0.2325 - accuracy: 0.9154 - val_loss: 0.2886 - val_accuracy: 0.9032
Epoch 94/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2312 - accuracy: 0.9081 - val_loss: 0.2951 - val_accuracy: 0.9032
Epoch 95/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2312 - accuracy: 0.9191 - val_loss: 0.2757 - val_accuracy: 0.8387
Epoch 96/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2305 - accuracy: 0.9154 - val_loss: 0.2772 - val_accuracy: 0.8387
Epoch 97/100
3/3 [==============================] - 0s 19ms/step - loss: 0.2248 - accuracy: 0.9118 - val_loss: 0.2982 - val_accuracy: 0.9032
Epoch 98/100
3/3 [==============================] - 0s 16ms/step - loss: 0.2242 - accuracy: 0.9044 - val_loss: 0.3163 - val_accuracy: 0.9032
Epoch 99/100
3/3 [==============================] - 0s 20ms/step - loss: 0.2360 - accuracy: 0.9081 - val_loss: 0.3202 - val_accuracy: 0.9032
Epoch 100/100
3/3 [==============================] - 0s 17ms/step - loss: 0.2318 - accuracy: 0.9044 - val_loss: 0.2915 - val_accuracy: 0.9032

# 模型评估
import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

010-RNN-心脏病预测_第1张图片

scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

accuracy: 90.32%

你可能感兴趣的:(03,深度学习,rnn,人工智能,深度学习)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 将cmd中命令输出保存为txt文本文件 落难Coder Windowscmdwindow
    最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
  • 探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchaineasyui前端python
    #探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
  • 深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库python
    深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
  • 人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
    随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
  • 数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首 张三叨
    你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
  • 2018-03-27 关键冲突（2） Binner
    明确关键冲突的目标和意义图片发自App图片发自App图片发自App图片发自App图片发自App
  • (153)时序收敛---＞(03)时序收敛三 FPGA系统设计指南针 FPGA系统设计(内训)fpga开发时序收敛
    1目录（a）FPGA简介（b）Verilog简介（c）时钟简介（d）时序收敛三（e）结束1FPGA简介（a）FPGA（FieldProgrammableGateArray）是在PAL（可编程阵列逻辑）、GAL（通用阵列逻辑）等可编程器件的基础上进一步发展的产物。它是作为专用集成电路（ASIC）领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。（b）F
  • 2019-03-22 430O70Mk
    引发支原体的原因支原体感染是临床上比较常见的一种疾病，此疾病会对患者的身体造成很大的伤害，对支原体感染患者的日常生活也会带来极大的影响，那么诱发支原体感染的原因是什么呢?肺炎支原体感染，又称支原体性肺炎，是由肺炎支原体引起的急性间质性肺炎。主要通过呼吸道传播，健康人吸入患者咳嗽，打喷嚏时喷出的口、鼻分泌物而感染。支原体为动物多种疾病的致病体，而其中只有肺炎支原体肯定对人致病。它是由口、鼻分泌物经空
  • 每时每刻都是开始2019-03-09 Action熊猫
    过去有多少想了无数遍要做的，但实际并没有做到的。以没时间，或其他种种自己认为可以接受的理由，看着一天走啦，一月去啦，又是一年。最后笑一笑，新年不是来了吗！重新开始...如果在过去的365天里，每次醒来，都没能开始，那新年来了，又如何呢？何不把人生的每时每刻都作为起点，不等待，不期盼，不自欺，让每时每刻都在开始中...。
  • 2019-03-24 李飞720
    姓名：李飞企业名称：临沂鑫道食品有限公司组别373期利他1组日精进打卡第338天】【知~学习】1、阿米巴经营一段2、活用人才1段3、活法、一段【行~实践】一、修身：读书、抽烟减量、俯卧撑个跑步3公里二、齐家、劝说老爸与姑姑和好三、建功、业务洽谈【经典名句分享】1、依据原理原则追求事物的本质，以“作为人，何谓正确”进行判断2、经营者必须为员工物质和精神两方面的幸福殚精竭虑，倾尽全力，必须超脱私心，让
  • 2019-03-10 Daisy倾夕
    生命总是需要一些允许和放纵的释怀，经常熬夜时是对自己有一份责怪，今日却又一份惊喜感！偶尔允许了自己做了一件很久没做的事情会很开心，减肥的时候会因为有一餐对食物欲望内心匮乏的填补而感到开心，偶尔的总是惊喜，长期也容易成为负担，那如何在这个长期的过程中又不失惊喜，我想应该是探索和变化的永恒，允许并好，首先先带上觉知！
  • 今天是总结 薛帅
    今天来个最后一天的总结。为什么要学习写作技巧呢？就如同建房子，如果想要住的安全、舒服，我们要先打地基，建房子的框架，这样才能随意的装修。那么我们要怎么建好才能建好写作的地基呢？1走直路，少弯路01利他：能够给别人带来价值。02吸引：吸住读者的眼球。03打动：打动人心，引起共鸣。04说服：用数据说话。05刻意：通过有意识的训练。06修改：好的文章至上修改10遍。07模仿：10万+的文章必有成功的道理
  • 人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt人工智能
    一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
  • 2021年周总结 03 Ruby之家
    这周的生活过得也是比较快，因为暂时住的离公司有点距离，所以通勤时间相对较长一点，而在地铁上的一个半小时如何充分利用起来，则是我最近一直在思考的问题，2021年想让自己的生活都运行在计划中。(有时候自己想干一件事情就总是给自己找很多借口，想着以后怎么怎么样？然而哪有那么多的以后，能够方便当下的工作生活就立马执行就OK，这仅仅只是我此时想到背的很重的老人机笔记本电脑，也算是陪伴我快8年的—当时买的时候
  • 推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！ 小猪包333 写论文人工智能AI写作深度学习计算机视觉
    在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
  • AI大模型的架构演进与最新发展 季风泯灭的季节 AI大模型应用技术二人工智能架构
    随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
  • 如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
    在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
  • 03-Cesium自定义着色器完整代码以及注释 fxshy 着色器javascript
    1.效果展示2.完整代码自定义着色器完整代码#map{position:absolute;width:100%;height:100%;top:0;left:0;right:0;bottom:0;}Cesium.Ion.defaultAccessToken='eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJqdGkiOiJhZjZkZDAwZC1mNTFhLTRhO
  • [实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估pytorchpython机器学习
    文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
  • [实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用pytorch深度学习人工智能机器学习python优化器
    文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
  • 生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
    生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
  • 2019-02-03 雨夕小光
    二月三日如果你是在这天出生，你是一个仁慈、慷慨、好脾气的人。你很有自制能力去控制自己，对于户外活动特别喜爱，有收集东西的特殊爱癖。
  • 【读书清单】《魔鬼心理学：你确定你是个正常人？》（三） 小碗月牙
    01心理学家发现，多数社交恐惧症患者都害怕与人聊天，平时他们会尽可能减少说话的内容和频率，而这样就剥夺了沟通的锻炼机会。02真正挽救社交恐惧症患者的方法，绝对不是逃跑，绝对不是回避，而是诚实地接纳和面对这一切。03对于自闭症患儿来说，他们对于社会是缺乏反应能力的，所做出的反应通常不是抗拒就是简单的模仿。04在引导和帮助患者融入社会的时候，一定要注意保持耐性，要懂得尊重和维持他们原有的生活模式，不能
  • 2022-03-28 f413057875cf
    今日目标：定金2资源10完成：定金1，资源8原因：今天有点感冒，上午状态不好，下午几次有几次听，可能没挖需，都没留明日休息。充足电下周继续干！！
  • 【大模型应用开发 动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅 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
    【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
  • ffmpeg批量将tif文件转成jpeg格式 winfredzhang 图像工具ffmpegtifjpeg转换
    1、cmd2、切换到安装ffmpeg的路径。3、输入命令：ffmpeg-start_number001-i"D:\ocr\%03d.tif"-start_number001-pix_fmtyuv420p-qscale:v1"D:\ocr\%03d.jpg"结果。
  • 使用python抽取post接口数据示例 中台小A pythonpython开发语言
    postman调用接口post接口https://inner-XXXXX.XXXXX.com/wXX/api/XXXXXctoryLake?user_key=XXXXXXXXXXXX，在boday的row里输入Jason格式的{"wasStartDay":"2024-09-03"}importrequestsurl='https://inner-XXXXX.XXXXX.com/wXX/api/XX
  • 未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
    目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
  • 2019-03-19 Fiona_8bba
    春暖花开。上周二鼓励三年级孩子5点下了国际象棋课独自回家。开始是非常害怕，在校门口打了一个电话给爸爸，进门后又打给爸爸说到家了。经过鼓励，周四五点下了3D打印社团，又独立回家了。到周五，问他，你愿意去托管再上隔壁跆拳道还是自己回家，再去跆拳道？他说我愿意自己回家。周末正式和托管说不去了，把孩子的托管课时转入书法。昨天周一第一次3点放学就回家。嘱咐如下：第一步，进门就洗手。第二，按按钮烧水，烫奶。吃
  • PHP如何实现二维数组排序？ IT独行者 二维数组PHP排序　
    二维数组在PHP开发中经常遇到，但是他的排序就不如一维数组那样用内置函数来的方便了，（一维数组排序可以参考本站另一篇文章【PHP中数组排序函数详解汇总】）。二维数组的排序需要我们自己写函数处理了，这里UncleToo给大家分享一个PHP二维数组排序的函数： 代码： functionarray_sort($arr,$keys,$type='asc'){ $keysvalue= $new_arr
  • 【Hadoop十七】HDFS HA配置 bit1129 hadoop
    基于Zookeeper的HDFS HA配置主要涉及两个文件,core-site和hdfs-site.xml。   测试环境有三台 hadoop.master hadoop.slave1 hadoop.slave2   hadoop.master包含的组件NameNode, JournalNode, Zookeeper，DFSZKFailoverController
  • 由wsdl生成的java vo类不适合做普通java vo darrenzhu VOwsdlwebservicerpc
    开发java webservice项目时，如果我们通过SOAP协议来输入输出，我们会利用工具从wsdl文件生成webservice的client端类，但是这里面生成的java data model类却不适合做为项目中的普通java vo类来使用，当然有一中情况例外，如果这个自动生成的类里面的properties都是基本数据类型，就没问题，但是如果有集合类，就不行。原因如下： 1)使用了集合如Li
  • JAVA海量数据处理之二（BitMap） 周凡杨 java算法bitmapbitset数据
           路漫漫其修远兮，吾将上下而求索。想要更快，就要深入挖掘 JAVA 基础的数据结构，从来分析出所编写的 JAVA 代码为什么把内存耗尽，思考有什么办法可以节省内存呢？ 啊哈！算法。这里采用了 BitMap 思想。   首先来看一个实验： 指定 VM 参数大小： -Xms256m -Xmx540m
  • java类型与数据库类型 g21121 java
    很多时候我们用hibernate的时候往往并不是十分关心数据库类型和java类型的对应关心，因为大多数hbm文件是自动生成的，但有些时候诸如：数据库设计、没有生成工具、使用原始JDBC、使用mybatis(ibatIS)等等情况，就会手动的去对应数据库与java的数据类型关心，当然比较简单的数据类型即使配置错了也会很快发现问题，但有些数据类型却并不是十分常见，这就给程序员带来了很多麻烦。 &nb
  • Linux命令 510888780 linux命令
    系统信息 arch 显示机器的处理器架构(1) uname -m 显示机器的处理器架构(2) uname -r 显示正在使用的内核版本 dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI) hdparm -i /dev/hda 罗列一个磁盘的架构特性 hdparm -tT /dev/sda 在磁盘上执行测试性读取操作 cat /proc/cpuinfo 显示C
  • java常用JVM参数 墙头上一根草 javajvm参数
    -Xms：初始堆大小，默认为物理内存的1/64(<1GB)；默认(MinHeapFreeRatio参数可以调整)空余堆内存小于40%时，JVM就会增大堆直到-Xmx的最大限制 -Xmx：最大堆大小，默认(MaxHeapFreeRatio参数可以调整)空余堆内存大于70%时，JVM会减少堆直到 -Xms的最小限制 -Xmn：新生代的内存空间大小，注意：此处的大小是（eden+ 2
  • 我的spring学习笔记9-Spring使用工厂方法实例化Bean的注意点 aijuans Spring 3
    方法一： <bean id="musicBox" class="onlyfun.caterpillar.factory.MusicBoxFactory" factory-method="createMusicBoxStatic"></bean> 方法二：
  • mysql查询性能优化之二 annan211 UNIONmysql查询优化索引优化
    1 union的限制 有时mysql无法将限制条件从外层下推到内层，这使得原本能够限制部分返回结果的条件无法应用到内层 查询的优化上。 如果希望union的各个子句能够根据limit只取部分结果集，或者希望能够先排好序在 合并结果集的话，就需要在union的各个子句中分别使用这些子句。 例如 想将两个子查询结果联合起来，然后再取前20条记录，那么mys
  • 数据的备份与恢复 百合不是茶 oraclesql数据恢复数据备份
     数据的备份与恢复的方式有: 表,方案 ,数据库;     数据的备份: 导出到的常见命令; 参数 说明 USERID 确定执行导出实用程序的用户名和口令 BUFFER 确定导出数据时所使用的缓冲区大小，其大小用字节表示 FILE 指定导出的二进制文
  • 线程组 bijian1013 java多线程threadjava多线程线程组
    有些程序包含了相当数量的线程。这时，如果按照线程的功能将他们分成不同的类别将很有用。        线程组可以用来同时对一组线程进行操作。        创建线程组：ThreadGroup g = new ThreadGroup(groupName);  &nbs
  • top命令找到占用CPU最高的java线程 bijian1013 javalinuxtop
    上次分析系统中占用CPU高的问题，得到一些使用Java自身调试工具的经验，与大家分享。 (1)使用top命令找出占用cpu最高的JAVA进程PID:28174 (2)如下命令找出占用cpu最高的线程 top -Hp 28174 -d 1 -n 1 32694 root 20 0 3249m 2.0g 11m S 2 6.4 3:31.12 java
  • 【持久化框架MyBatis3四】MyBatis3一对一关联查询 bit1129 Mybatis3
      当两个实体具有1对1的对应关系时，可以使用One-To-One的进行映射关联查询   One-To-One示例数据 以学生表Student和地址信息表为例，每个学生都有都有1个唯一的地址(现实中，这种对应关系是不合适的，因为人和地址是多对一的关系)，这里只是演示目的   学生表   CREATE TABLE STUDENTS (
  • C/C++图片或文件的读写 bitcarter 写图片
    先看代码： /*strTmpResult是文件或图片字符串 * filePath文件需要写入的地址或路径 */ int writeFile(std::string &strTmpResult,std::string &filePath) { int i,len = strTmpResult.length(); unsigned cha
  • nginx自定义指定加载配置 ronin47
    进入 /usr/local/nginx/conf/include 目录，创建 nginx.node.conf 文件，在里面输入如下代码： upstream nodejs { server 127.0.0.1:3000; #server 127.0.0.1:3001; keepalive 64; } server { liste
  • java-71-数值的整数次方.实现函数double Power(double base, int exponent)，求base的exponent次方 bylijinnan double
    public class Power { /** *Q71-数值的整数次方 *实现函数double Power(double base, int exponent)，求base的exponent次方。不需要考虑溢出。 */ private static boolean InvalidInput=false; public static void main(
  • Android四大组件的理解 Cb123456 android四大组件的理解
     分享一下，今天在Android开发文档-开发者指南中看到的:                            App components are the essential building blocks of an Android
  • [宇宙与计算]涡旋场计算与拓扑分析 comsci 计算
         怎么阐述我这个理论呢？ 。。。。。。。。。       首先： 宇宙是一个非线性的拓扑结构与涡旋轨道时空的统一体。。。。       我们要在宇宙中寻找到一个适合人类居住的行星，时间非常重要，早一个刻度和晚一个刻度，这颗行星的
  • 同一个Tomcat不同Web应用之间共享会话Session cwqcwqmax9 session
    实现两个WEB之间通过session 共享数据 查看tomcat 关于 HTTP Connector 中有个emptySessionPath 其解释如下： If set to true, all paths for session cookies will be set to /. This can be useful for portlet specification impleme
  • springmvc Spring3 MVC，ajax，乱码 dashuaifu springjquerymvcAjax
      springmvc Spring3 MVC @ResponseBody返回，jquery ajax调用中文乱码问题解决   Spring3.0 MVC @ResponseBody 的作用是把返回值直接写到HTTP response body里。具体实现AnnotationMethodHandlerAdapter类handleResponseBody方法，具体实
  • 搭建WAMP环境 dcj3sjt126com wamp
    这里先解释一下WAMP是什么意思。W:windows，A：Apache，M：MYSQL，P：PHP。也就是说本文说明的是在windows系统下搭建以apache做服务器、MYSQL为数据库的PHP开发环境。      工欲善其事，必须先利其器。因为笔者的系统是WinXP，所以下文指的系统均为此系统。笔者所使用的Apache版本为apache_2.2.11-
  • yii2 使用raw http request dcj3sjt126com http
    Parses a raw HTTP request using yii\helpers\Json::decode()   To enable parsing for JSON requests you can configure yii\web\Request::$parsers using this class: 'request' =&g
  • Quartz-1.8.6 理论部分 eksliang quartz
    转载请出自出处：http://eksliang.iteye.com/blog/2207691 一.概述 基于Quartz-1.8.6进行学习，因为Quartz2.0以后的API发生的非常大的变化，统一采用了build模式进行构建； 什么是quartz?   答：简单的说他是一个开源的java作业调度框架，为在 Java 应用程序中进行作业调度提供了简单却强大的机制。并且还能和Sp
  • 什么是POJO？ gupeng_ie javaPOJO框架Hibernate
    POJO--Plain Old Java Objects(简单的java对象)   POJO是一个简单的、正规Java对象，它不包含业务逻辑处理或持久化逻辑等，也不是JavaBean、EntityBean等，不具有任何特殊角色和不继承或不实现任何其它Java框架的类或接口。   POJO对象有时也被称为Data对象，大量应用于表现现实中的对象。如果项目中使用了Hiber
  • jQuery网站顶部定时折叠广告 ini JavaScripthtmljqueryWebcss
    效果体验：http://hovertree.com/texiao/jquery/4.htmHTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>网页顶部定时收起广告jQuery特效 - HoverTree<
  • Spring boot内嵌的tomcat启动失败 kane_xie spring boot
    根据这篇guide创建了一个简单的spring boot应用，能运行且成功的访问。但移植到现有项目（基于hbase）中的时候，却报出以下错误：     SEVERE: A child container failed during start java.util.concurrent.ExecutionException: org.apache.catalina.Lif
  • leetcode: sort list michelle_0916 Algorithmlinked listsort
    Sort a linked list in O(n log n) time using constant space complexity. ====analysis======= mergeSort for singly-linked list  ====code=======   /** * Definition for sin
  • nginx的安装与配置,中途遇到问题的解决 qifeifei nginx
    我使用的是ubuntu13.04系统，在安装nginx的时候遇到如下几个问题，然后找思路解决的，nginx 的下载与安装   wget http://nginx.org/download/nginx-1.0.11.tar.gz tar zxvf nginx-1.0.11.tar.gz ./configure make make install   安装的时候出现
  • 用枚举来处理java自定义异常 tcrct javaenumexception
    在系统开发过程中，总少不免要自己处理一些异常信息，然后将异常信息变成友好的提示返回到客户端的这样一个过程，之前都是new一个自定义的异常，当然这个所谓的自定义异常也是继承RuntimeException的，但这样往往会造成异常信息说明不一致的情况，所以就想到了用枚举来解决的办法。 1，先创建一个接口，里面有两个方法，一个是getCode, 一个是getMessage public
  • erlang supervisor分析 wudixiaotie erlang
    当我们给supervisor指定需要创建的子进程的时候，会指定M,F,A,如果是simple_one_for_one的策略的话，启动子进程的方式是supervisor:start_child(SupName, OtherArgs),这种方式可以根据调用者的需求传不同的参数给需要启动的子进程的方法。和最初的参数合并成一个数组，A ++ OtherArgs。那么这个时候就有个问题了，既然参数不一致，那
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他