chj65
chj65

K-近邻算法

K-近邻算法学习

根据你的“邻居“来推断你的类别

  • 定义
    如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别

欧氏距离

K-近邻算法_第1张图片

曼哈顿距离

K-近邻算法_第2张图片

切比雪夫距离

K-近邻算法_第3张图片

闵可夫斯基距离

K-近邻算法_第4张图片

标准化欧氏距离

K-近邻算法_第5张图片

余弦距离

K-近邻算法_第6张图片

汉明距离【Hamming Distance】

K-近邻算法_第7张图片

杰卡德距离【Janccard Distance】

K-近邻算法_第8张图片

使用sklearn

input: 已知类别数据集中点坐标，预测点坐标
output: 预测点的类别

for i in range(数据集中点的个数):
	计算数据集中点与预测点之间的距离
对距离进行递增排序
选取距离最小的k个点
for j in range(选取的k个点):
	统计这k个点所在类别出现的频率
return 出现频率最高的类别

k值的选择

一般选1，3，5.等，不选偶数值。
k值的减小意味着整体模型变得复杂，容易发生过拟合
k值的增大意味着模型变得简单，容易发生欠拟合
估计误差好才是真的好
近似误差–过拟合–在训练集上表现好，测试集表现不好

kd树

1.构造
树的建立

K-近邻算法_第9张图片
2.搜索
最近领域搜索

案例：鸢尾花种类预测

你可能感兴趣的:(近邻)

  • 【开源向量数据库】Milvus简介 IT古董 开源数据库milvus
    Milvus是一个开源、高性能、可扩展的向量数据库，专门用于存储和检索高维向量数据。它支持近似最近邻搜索（ANN），适用于图像检索、自然语言处理（NLP）、推荐系统、异常检测等AI应用场景。官网：https://milvus.io/1.Milvus的特点（1）高性能支持数十亿级向量数据，查询速度快。使用近似最近邻（ANN）索引算法，如HNSW、IVF-FLAT、IVF-PQ、SCANN等。（2）分
  • 机器学习算法工程师笔试选择题（1） Ash Butterfield 机器学习算法人工智能
    1.关于梯度下降的说法正确的是：A.梯度下降法可以确保找到全局最优解。B.随机梯度下降每次使用所有数据来更新参数。C.批量梯度下降（BatchGradientDescent）通常收敛更快。D.学习率过大会导致梯度下降过程震荡。答案：D（学习率过大会导致不稳定，可能震荡或无法收敛）2.在以下算法中，哪种算法属于无监督学习？A.逻辑回归B.K-近邻算法C.支持向量机D.K-均值聚类答案：D（K-均值聚
  • 【机器学习】嘿马机器学习（算法篇）第6篇：线性回归,学习目标【附代码文档】... 广江鹏 算法机器学习线性回归学习人工智能
    本教程的知识点为：机器学习算法定位、K-近邻算法1.4k值的选择1K值选择说明1.6案例：鸢尾花种类预测–数据集介绍1案例：鸢尾花种类预测1.8案例：鸢尾花种类预测—流程实现1再识K-近邻算法API1.11案例2：预测facebook签到位置1项目描述线性回归2.3数学:求导1常见函数的导数线性回归2.5梯度下降方法介绍1详解梯度下降算法线性回归2.6线性回归api再介绍小结线性回归2.9正则化线
  • 【人工智能-初级】第20章 使用 Matplotlib 和 Seaborn 进行数据可视化 若北辰 人工智能信息可视化人工智能matplotlib
    【人工智能-初级】系列专栏【人工智能-初级】第1章人工智能概述【人工智能-初级】第2章机器学习入门：从线性回归开始【人工智能-初级】第3章k-最近邻算法（KNN）：分类和Python实现【人工智能-初级】第4章用Python实现逻辑回归：从数据到模型【人工智能-初级】第5章支持向量机（SVM）：原理解析与代码实现【人工智能-初级】第6章决策树和随机森林：浅显易懂的介绍及Python实践【人工智能-
  • 【Halcon】插值算法通俗讲解 熊猫袋鼠骆驼 机器视觉halcon机器视觉数字图像图像处理
    目录一、灰度值插值的概念二、最近邻插值法三、双线性插值法四、等权双线性插值法五、高斯加权双线性插值法六、双三次插值法七、五种插值算比较一、灰度值插值的概念回到目录灰度值插值是图像变换所必需的方法，因为图像不是连续的函数，而是数字化的，即由与(离散的)灰度值相关联的像素组成。下图中，输出图像的结果像素不再完全对应于输入图像的一个像素。插值就是解决这种情况，用已知的数据来估计结果像素的灰度值应该为多少
  • [Halcon] 灰度值插值介绍 F-Halcon HalconT图像处理人工智能halcon
    目录1、前言2、插值⽅法2.1概述2.1.1图像变换的插值方法2.1.2测量对象的插值方法及特定位置灰度值的确定2.2最近邻插值（’nearest_neighbor’）2.3双线性插值（’bilinear’）2.4集成平滑的双线性插值2.4.1等权双线性插值（“constant”）2.4.2高斯加权双线性插值（“weighted”）2.5双三次插值（“bicubic”和“bicubic_clipp
  • 【OpenCV插值算法比较】 0010000100 opencv算法人工智能
    OpenCV插值算法OpenCV插值算法比较1.最近邻插值（INTER_NEAREST）2.双线性插值（INTER_LINEAR）3.双三次插值（INTER_CUBIC）4.区域插值（INTER_AREA）5.兰索斯插值（INTER_LANCZOS4）OpenCV插值算法比较在OpenCV中，插值算法常用于图像缩放、旋转、仿射变换等几何操作。不同的插值方法在计算速度、精度和视觉效果上有显著差异。以
  • KNN算法：从思想到实现（附代码） lihuayong 人工智能机器学习算法KNN算法分类问题回归问题
    引言K最近邻算法（KNearestNeighbors,KNN）是一种简单而有效的机器学习算法，用于分类和回归问题。其核心思想基于“近朱者赤，近墨者黑”，即通过测量不同特征值之间的距离来进行分类或预测数值。本文将详细介绍KNN的核心概念、使用方法及其在sklearn中的实现，并展示如何自己动手编写一个简单的KNN算法。新样本寻找K个最近邻分类问题:多数表决回归问题:均值计算KNN核心思想如何做一个样
  • 必知！10大机器学习算法 人工智能
    必知！10大机器学习算法7分钟阅读2025年02月06日“机器学习是一门让计算机在没有明确编程的情况下采取行动的科学。”——吴恩达近日热文：全网最全的神经网络数学原理（代码和公式）直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】1.K最近邻（KNN）KNN是一种简单却强大的分类算法，它依据数据点之间的邻近程度来判断类别归属。具体做法是，
  • 机器学习算法-逻辑回归 Larkin88 机器学习算法逻辑回归
    机器学习算法-逻辑回归1.K-近邻算法（略）2.线性回归（略）3.逻辑回归3.1逻辑回归介绍逻辑回归（LogisticRegression)是机器学习中的一种分类模型，逻辑回归是一种分类算法，虽然名字中带有回归，但是它与回归之间有一定的练习。由于算法的简单和高效，在实际中应用非常广泛。1、逻辑回归的应用场景广告点击率是否为垃圾邮件是否患病金融诈骗虚假账号2逻辑回归的原理2.1输入$$h(w)=w_
  • Python-机器学习（二）-K近邻算法的原理与鸢尾花数据集实现详解 2401_84009679 程序员机器学习python近邻算法
    fromsklearn.neighborsimportKNeighborsClassifierk=5#对模型训练clf=KNeighborsClassifier(n_neighbors=k)clf.fit(x,y)#对样本进行预测x_sample=[[0,2]]neighbors=clf.kneighbors(x_sample)neighbors[1]plt.figure(figsize=(16,
  • 【Numpy核心编程攻略：Python数据处理、分析详解与科学计算】3.1 NumPy图像大小调整实战 精通代码大仙 numpypythonnumpypython开发语言
    3.1NumPy图像大小调整实战目录NumPy图像大小调整实战图像大小调整的基本概念为什么需要调整图像大小使用NumPy调整图像大小的技术代码实现：详细原理和源码注释实际应用案例：图像缩放在机器学习中的应用目录图像大小调整的基本概念为什么需要调整图像大小使用NumPy调整图像大小的技术3.1线性插值3.2最近邻插值3.3双线性插值3.4双三次插值代码实现：详细原理和源码注释4.1线性插值代码实现4
  • CloudCompare 二次开发(37)——点云最近邻插值 点云侠 CloudCompare二次开发c++开发语言算法矩阵3d
    目录一、概述二、代码集成三、结果展示一、概述  使用CloudCompare与PCL编程实现的点云最近邻插值。二、代码集成1、mainwindow.h文件public中添加：voiddoActionNearestInsert();//最近邻插值2、mainwindow.cpp文件voidMainWindow::connectActions()函数中添加：connect(m_UI->actionNe
  • 基于最近邻数据进行分类 纠结哥_Shrek 分类数据挖掘人工智能
    完整代码：importtorchimportnumpyasnpfromsklearn.neighborsimportKNeighborsClassifierfromsklearn.metricsimportaccuracy_scoreimportmatplotlib.pyplotasplt#生成一个简单的数据集(2个特征和2个分类)#X为输入特征，y为标签X=np.array([[1,2],[2,
  • 使用scikit-learn中的KNN包实现对鸢尾花数据集的预测 辞落山 scikit-learnpython机器学习
    引言K最近邻（KNN）算法是一种简单且直观的分类算法。它通过计算数据点之间的距离来对新样本进行分类。鸢尾花数据集是一个经典的机器学习数据集，包含了三种不同类型的鸢尾花，每种类型由四个特征（花萼长度、花萼宽度、花瓣长度和花瓣宽度）描述。本文将使用scikit-learn中的KNN算法对该数据集进行分类预测。KNN算法概述KNN算法的核心思想是：对于一个未知类别的样本，通过计算该样本与已知样本的距离，
  • 【机器学习】使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测 加德霍克 机器学习人工智能python学习作业
    一、KNN算法概念K最近邻(K-NearestNeighbor,KNN)分类算法是数据挖掘分类技术中最简单的方法之一，是著名的模式识别统计学方法，在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一，也是基于实例的学习方法中最基本的，又是最好的文本分类算法之一。二、对鸢尾花数据集进行预测1、代码示例：fromsklearn.datasetsimportl
  • 超简单|Python实现机器学习算法——KNN birdcome python机器学习KNN算法
    超简单|Python实现机器学习算法——KNNKNN算法简介算法实现步骤如何用python实现KNN算法Scikit-learn算法库实现KNN分类器Sklearn建模流程KNN算法简介KNN算法（k近邻算法）是一种有监督分类算法，它的原理非常简单，下面以一个简单的例子引入。已知两种酒的标签：赤霞珠和黑皮诺，在这个情景中，我们对酒进行分类的依据是酒精浓度和颜色深度，如下图所示：红色代表赤霞珠，紫色
  • Faiss Tips：高效向量搜索与聚类的利器 焦习娜Samantha
    FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
  • Faiss：高效相似性搜索与聚类的利器 网络·魚 大数据faiss
    Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
  • K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习K近邻
    importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
  • 生活越来越好了，关系且越来越淡了！ 刷脸的时代
    你是不是也很久没有感受到小时候那种近邻如家人的感觉了？是不是很久没有体会到小时候那种做客的热闹了……物质生活越来越好了，可是人们的感情且越来越淡薄了。图片发自App小时候大人基本不怎么监护我们，只要保证不让我们饿肚子就行，出门或者上街，告诉邻居一声就可以了，就是不回家也跟小伙伴一起吃，一起睡。哪家有什么事，根本不用去请，大家自己就来帮忙了，那时候大家都穷，拿的东西虽没有现在的多，但是现在看来且很珍
  • 分类算法可视化方法 dundunmm 数据挖掘分类数据挖掘人工智能可视化
    可视化方法可以用于帮助理解分类算法的决策边界、性能和在不同数据集上的行为。下面列举几个常见的可视化方法。1.决策边界可视化这种方法用于可视化不同分类算法在二维特征空间中如何分隔不同类别。对于理解决策树、支持向量机（SVM）、逻辑回归和k近邻（k-NN）等模型的行为非常有用。importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.datasets
  • 39、离情别意《乌鸦落过的村庄》 亚宁
    我考上了大学，成了村里第二名跳过龙门的大学生，全家人为我骄傲，自己也头大的不知姓啥名谁。高远方闻讯把我拦在村口说：“玉明，你可真行，一考就上了大学。不像我折腾了几年都没个结果。你能上大学学习，是多幸福的一件喜事啊！让人羡慕死了。”我有点飘飘然，谦虚说：“我是瞎猫碰上了死耗子，侥幸上线而已。要说学习比你可差远了。”过几天就要去学校报到，父亲请了村里有身份的人来家里吃酒。我坚持叫了高远方，而近邻刘三亮
  • 研路漫漫复试篇（四） Mrchanges
    这次文章其实与复试没有直接的关系，但它也坚定了我积极准备复试的决心。过年走亲访友，我了解了许多远亲近邻的消息，总的来说，尽管他们的学历都不算特别高，但都在各自的领域有所成就，也都有幸福美满的家庭。我渴望拥有足够的经济实力，我渴望拥有忠贞的伴侣和幸福的家庭，可我现在一无所有。虽然各位亲朋都在夸赞我学有所成、前途光明，而我却心知肚明——我对自己的未来仍然充满迷茫和怀疑，我还没有什么拿的出手的东西，能够
  • K近邻法（K-nearest neighbor,K-NN）—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法 剑海风云 ArtificialIntelligence人工智能机器学习K近邻法KNN
    定义输入：训练数据集（T={(x1,y1),(x2,y2),…,(xN,yN)}\left\{(x_1,y_1),(x_2,y_2),\dots,(x_N,y_N)\right\}{(x1,y1),(x2,y2),…,(xN,yN)}）其中：xi∈χ⊆Rnx_i\in{\tt\chi}\subseteqR^nxi∈χ⊆Rn:实例的特征向量yi∈yy_i\in{\tty}yi∈y={c1,c2,⋯ 
  • 向量数据库对比分析报告 大霸王龙 行业+领域+业务场景=定制人工智能深度学习python
    FAISS、Milvus、Weaviate和OpenAIAPI四个工具的对比分析，主要针对是否支持离线、开发难度、debug支持、生态系统以及Python接口等方面。1.FAISS(FacebookAISimilaritySearch)是否支持离线:支持。FAISS是一个离线库，可以部署在本地或服务器上，不需要网络连接。开发难度:中等。FAISS是一个低级别的工具，需要开发者对近似最近邻搜索算法和
  • 【机器学习】K近邻 可口的冰可乐 机器学习机器学习人工智能
    2.K近邻K近邻算法（KNN）的基本思想是通过计算待分类样本与训练集中所有样本之间的距离，选取距离最近的K个样本，根据这些样本的标签进行分类或回归。KNN属于非参数学习算法，因为它不假设数据的分布形式，主要依赖距离度量来进行决策。优点简单易懂：KNN算法非常直观，容易理解和实现。无假设：KNN算法对数据没有假设，适用于复杂分布的数据集。适用于多类分类问题：KNN能够处理多类分类问题，只需在投票过程
  • 珠海的一个下雨天 秋的树
    在珠海的一个下雨天，人们都在做什么？在那些无休止的空闲时间里，人人都穿着裤衩和拖鞋，在屋里懒洋洋地浑身瘫软地躺着，以此来打发时间，直到有人提议打赌傍晚之后是否会有台风出现，为了明天可以不去上班这个共同的目的，无论是远亲近邻还是朋友及朋友的朋友以及同事或者随便那些能聊得来的人，只要他明天也不愿意上班，就都能来“我赌有台风，可不上班”的群里闲晃、聊天、吹牛。对现代人来说，这将会是一个比等待跨年更令人兴
  • K近邻(KNN)算法详解及Python实现 天明豆豆
    K近邻(KNN)算法详解及Python实现今天浏览网页看到一篇用Python实现K近邻(KNN)算法的详解教程，果断收藏下来，虽然是五年前的文章，可能有些语法已经不适合，但文章语法思路还是可以值得借鉴的，收藏之后以后慢慢研究。KNN依然是一种监督学习算法KNN（KNearestNeighbors,K近邻）算法是机器学习所有算法中理论最简单，最好理解的。KNN是一种基于实例的学习，通过计算新数据与训
  • PyTorch库学习之torch.nn.functional.interpolate(函数) Midsummer-逐梦 #torchpytorch学习人工智能
    PyTorch库学习之torch.nn.functional.interpolate(函数)一、简介torch.nn.functional.interpolate是PyTorch中用于对张量进行上采样或下采样的函数。它支持多种插值方法，例如双线性插值、最近邻插值等，广泛用于图像处理、特征图缩放等场景。二、语法和参数语法torch.nn.functional.interpolate(input,si
  • 深入浅出Java Annotation(元注解和自定义注解） Josh_Persistence Java Annotation元注解自定义注解
    一、基本概述     　　 Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制，用来将任何的信息或元数据（metadata）与程序元素（类、方法、成员变量等）进行关联。   　　更通俗的意思是为程序的元素（类、方法、成员变量）加上更直观更明了的说明，这些说明信息是与程序的业务逻辑无关，并且是供指定的工具或
  • mysql优化特定类型的查询 annan211 java工作mysql
    本节所介绍的查询优化的技巧都是和特定版本相关的，所以对于未来mysql的版本未必适用。 1 优化count查询 对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看 真正的count()函数的作用到底是什么。 count()是一个特殊的函数，有两种非常不同的作用，他可以统计某个列值的数量，也可以统计行数。 在统
  • MAC下安装多版本JDK和切换几种方式 棋子chessman jdk
    环境： MAC AIR,OS X 10.10,64位   历史： 过去 Mac 上的 Java 都是由 Apple 自己提供，只支持到 Java 6，并且OS X 10.7 开始系统并不自带（而是可选安装）（原自带的是1.6）。 后来 Apple 加入 OpenJDK 继续支持 Java 6，而 Java 7 将由 Oracle 负责提供。   在终端中输入jav
  • javaScript （1） Array_06 JavaScriptjava浏览器
    JavaScript 1、运算符 　　运算符就是完成操作的一系列符号，它有七类： 　　赋值运算符（=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=）、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
  • 国内顶级代码分享网站 袁潇含 javajdkoracle.netPHP
           现在国内很多开源网站感觉都是为了利益而做的                  当然利益是肯定的,否则谁也不会免费的去做网站      &
  • Elasticsearch、MongoDB和Hadoop比较 随意而生 mongodbhadoop搜索引擎
      IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性，避免落大部队太远，我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎，它们存储着JSON文档，MongoDB存着JSON文档，或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
  • mac os 系统科研软件总结 张亚雄 mac os
    1.1 Microsoft Office for Mac 2011      大客户版，自行搜索。      1.2 Latex （MacTex）:      系统环境：https://tug.org/mactex/     &nb
  • Maven实战（四）生命周期 AdyZhang maven
    1. 三套生命周期     Maven拥有三套相互独立的生命周期，它们分别为clean，default和site。 每个生命周期包含一些阶段，这些阶段是有顺序的，并且后面的阶段依赖于前面的阶段，用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例，它包含的阶段有pre-clean, clean 和 post
  • Linux下Jenkins迁移 aijuans Jenkins
    1. 将Jenkins程序目录copy过去      源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面            tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
  • request.getInputStream()只能获取一次的问题 ayaoxinchao requestInputstream
    问题：在使用HTTP协议实现应用间接口通信时，服务端读取客户端请求过来的数据，会用到request.getInputStream()，第一次读取的时候可以读取到数据，但是接下来的读取操作都读取不到数据   原因： 1. 一个InputStream对象在被读取完成后，将无法被再次读取，始终返回-1； 2. InputStream并没有实现reset方法（可以重
  • 数据库SQL优化大总结之 百万级数据库优化方案 BigBird2012 SQL优化
    网上关于SQL优化的教程很多，但是比较杂乱。近日有空整理了一下，写出来跟大家分享一下，其中有错误和不足的地方，还请大家纠正补充。 这篇文章我花费了大量的时间查找资料、修改、排版，希望大家阅读之后，感觉好的话推荐给更多的人，让更多的人看到、纠正以及补充。 1.对查询进行优化，要尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。 2.应尽量避免在 where
  • jsonObject的使用 bijian1013 javajson
            在项目中难免会用java处理json格式的数据，因此封装了一个JSONUtil工具类。 JSONUtil.java package com.bijian.json.study; import java.util.ArrayList; import java.util.Date; import java.util.HashMap;
  • [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration bit1129 zookeeper
    Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API，它包含了如下几个内部类     首先分析它的内部类，从WatchRegistration开始，为指定的znode path注册一个Watcher，   /** * Register a watcher for a particular p
  • 【Scala十三】Scala核心七：部分应用函数 bit1129 scala
    何为部分应用函数？ Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
  • Tomcat Error listenerStart 终极大法 ronin47 tomcat
    Tomcat报的错太含糊了，什么错都没报出来，只提示了Error listenerStart。为了调试，我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties，内容如下 Java代码  handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
  • 不用加减符号实现加减法 BrokenDreams 实现
            今天有群友发了一个问题，要求不用加减符号(包括负号)来实现加减法。         分析一下，先看最简单的情况，假设1+1，按二进制算的话结果是10，可以看到从右往左的第一位变为0，第二位由于进位变为1。    
  • 读《研磨设计模式》-代码笔记-状态模式-State 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/ /* 当一个对象的内在状态改变时允许改变其行为，这个对象看起来像是改变了其类 状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况 把状态的判断逻辑转移到表示不同状态的一系列类中，可以把复杂的判断逻辑简化 如果在
  • CUDA程序block和thread超出硬件允许值时的异常 cherishLC CUDA
    调用CUDA的核函数时指定block 和 thread大小，该大小可以是dim3类型的（三维数组），只用一维时可以是usigned int型的。 以下程序验证了当block或thread大小超出硬件允许值时会产生异常！！！GPU根本不会执行运算！！！ 所以验证结果的正确性很重要！！！ 在VS中创建CUDA项目会有一个模板，里面有更详细的状态验证。 以下程序在K5000GPU上跑的。
  • 诡异的超长时间GC问题定位 chenchao051 jvmcmsGChbaseswap
    HBase的GC策略采用PawNew+CMS, 这是大众化的配置，ParNew经常会出现停顿时间特别长的情况，有时候甚至长到令人发指的地步，例如请看如下日志： 2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
  • maven环境快速搭建 daizj 安装mavne环境配置
    一 下载maven 安装maven之前，要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。 maven下载地址：http://maven.apache.org/download.html，目前最新的是这个apache-maven-3.2.5-bin.zip，然后解压在任意位置，最好地址中不要带中文字符，这个做java 的都知道，地址中出现中文会出现很多
  • PHP网站安全，避免PHP网站受到攻击的方法 dcj3sjt126com PHP
    对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
  • yii中给CGridView设置默认的排序根据时间倒序的方法 dcj3sjt126com GridView
    public function searchWithRelated() {         $criteria = new CDbCriteria;         $criteria->together = true; //without th
  • Java集合对象和数组对象的转换 dyy_gusi java集合
        在开发中，我们经常需要将集合对象（List，Set）转换为数组对象，或者将数组对象转换为集合对象。Java提供了相互转换的工具，但是我们使用的时候需要注意，不能乱用滥用。 1、数组对象转换为集合对象     最暴力的方式是new一个集合对象，然后遍历数组，依次将数组中的元素放入到新的集合中，但是这样做显然过
  • nginx同一主机部署多个应用 geeksun nginx
    近日有一需求，需要在一台主机上用nginx部署2个php应用，分别是wordpress和wiki，探索了半天，终于部署好了，下面把过程记录下来。 1.   在nginx下创建vhosts目录，用以放置vhost文件。 mkdir vhosts   2.   修改nginx.conf的配置， 在http节点增加下面内容设置，用来包含vhosts里的配置文件 #
  • ubuntu添加admin权限的用户账号 hongtoushizi ubuntuuseradd
    ubuntu创建账号的方式通常用到两种：useradd 和adduser . 本人尝试了useradd方法，步骤如下： 1:useradd    使用useradd时，如果后面不加任何参数的话，如：sudo useradd sysadm 创建出来的用户将是默认的三无用户：无home directory ,无密码,无系统shell。 顾应该如下操作：  
  • 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理 jinnianshilongnian nginxlua
      JSON库   在进行数据传输时JSON格式目前应用广泛，因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能；目前Lua也有几个JSON库，本人用过cjson、dkjson。其中cjson的语法严格（比如unicode \u0020\u7eaf），要求符合规范否则会解析失败（如\u002），而dkjson相对宽松，当然也可以通过修改cjson的源码来完成
  • Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解 yaerfeng1989 timerquartz定时器
    原创整理不易，转载请注明出处：Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解 代码下载地址：http://www.zuidaima.com/share/1772648445103104.htm 有两种流行Spring定时器配置：Java的Timer类和OpenSymphony的Quartz。 1.Java Timer定时 首先继承jav
  • Linux下df与du两个命令的差别？ pda158 linux
    　一、df显示文件系统的使用情况，与du比較，就是更全盘化。 　　最经常使用的就是 df -T，显示文件系统的使用情况并显示文件系统的类型。 　　举比例如以下： 　　[root@localhost ~]# df -T 　　Filesystem                   Type &n
  • [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象 ctfzh VOandroidsqlite反射Cursor
    在写DAO层时，觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了，就写了一个工具类，用到了反射，可以把查询记录的值装到对应的VO里，也可以生成该VO的List。   使用时需要注意： 考虑到Android的性能问题，VO没有使用Setter和Getter，而是直接用public的属性。 表中的字段名需要和VO的属性名一样，要是不一样就得在查询的SQL中
  • 该学习笔记用到的Employee表 vipbooks oraclesql工作
        这是我在学习Oracle是用到的Employee表，在该笔记中用到的就是这张表，大家可以用它来学习和练习。 drop table Employee; -- 员工信息表 create table Employee( -- 员工编号 EmpNo number(3) primary key, -- 姓
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他