- resNet
哇哇哇哇池
九天毕昇(井盖识别)打榜赛计算机视觉
网络结构网络结构亮点1.网络结构突破1000层,但BN成功避免了梯度消失或梯度爆炸的问题(丢弃了droupout)梯度消失/爆炸:a=g(w*x+b),对于激活函数sigmoid,若每一层w>E,则最终z=w*x+b会过大,从而导致梯度下降的步长变得很小,训练难度大大上升2.但残差网络成功避免了退化问题(层数越多,效果越差)网络细节34/50/101/1521.34对比50/101/152(1*1
- 带你完全读懂正则化(看这一篇就够了)
唐宋宋宋
机器学习人工智能计算机视觉python深度学习
哈喽大家好!我是唐宋宋宋,很荣幸与您相见!!学习目标目标什么是正则化?为什么需要正则化?什么是过拟合?了解L1,L2正则化知道Droupout正则化的方法了解早停止法、数据增强法的其它正则化方式总结什么是正则化?Regularization,中文翻译过来可以称为正则化,或者是规范化。什么是规则?闭卷考试中不能查书,这就是规则,一个限制。同理,在这里,规则化就是说给损失函数加上一些限制,通过这种规则
- 深度学习奠基作之一:AlexNet
-小透明-
AI论文精读--李沐深度学习人工智能
论文:第一遍(读摘要、结论、图表)第二遍读每一段(方法上的东西)第三遍理解精读(复现)论文第一部分通常是:讲一个故事(即他们在做什么研究?哪个方向?这个方向有什么东西?为什么很重要?主要的贡献是什么?)2012年,论文提出:图片增强(一种随机裁剪、一种通道融合)、Relu、Droupout、SGD、overlappooling监督学习、CNN英文阅读专业积累:high-resolutionimag
- 那些年的面试
你_是谁家的美啊
科大讯飞,NLP算法工程师一面,电话讲下论文,问细节开放场景,一个就是微博信息部分信息缺失,怎么补全?给一段话,怎么判断是乱码还是正常输入,提示n-gram语言模型12-17百度面试,百度智能云AI应用部,NLP算法工程师一面cdssm原理、和dssm区别逻辑回归推导决策树、剪枝过拟合的起因及解决方法,droupout原理信息增益熵、交叉熵评价指标:precision、recall、f1(调和平均
- 深度学习避免过拟合方法整理
zhangrunqiao17
人工智能深度学习人工智能神经网络
weightdecay:几乎都在使用,作用是限制权重范围dropuout:主要用在全连接层,作用是丢弃多少个神经元;一般来说,增加隐藏层数使模型先达到过拟合再droupout的效果会比减少隐藏层数避免过拟合好。BN:用于卷积层有待完善……
- 深度学习知识点之2---深度学习正则化
心惠天意
深度学习深度学习算法
深度学习正则化偏差和方差数据集划分偏差与方差的意义解决办法正则化正则化项的理解神经网络中的正则化L1与L2正则化为什么能够防止过拟合Droupout正则化Dropout模型描述问题:为什么需要去做rescaleDroupout为什么有效(如何理解)Dropout实用指南偏差和方差数据集划分首先我们对机器学习当中涉及到的数据集划分进行一个简单的复习训练集(trainset):用训练集对算法或模型进行
- 动手学深度学习(二十四)——公式详解ResNet
留小星
动手学深度学习:pytorchResNet残差神经网路CNN经典网络pytorch基础
一、为什么选择残差网络 在VGG中,卷积网络达到了19层,在GoogLeNet中,网络史无前例的达到了22层。那么,网络的精度会随着网络的层数增多而增多吗?在深度学习中,网络层数增多一般会伴着下面几个问题计算资源的消耗(用GPU集群去怼)模型容易过拟合(扩大数据集、Droupout、批量归一化、正则化、初始化参数调整等等方法)梯度消失/梯度爆炸问题的产生(批量归一化) 随着网络层数的增加,网络
- 【机器学习】《动手学深度学习 PyTorch版》李沐深度学习笔记(ResNet、ResNeXt)
Jul7_LYY
深度学习人工智能
ResNet、ResNeXt、迁移学习1、为什么要选择残差网络(ResNet)在VGG中,卷积网络达到了19层,在GoogLeNet中,网络史无前例的达到了22层。那么,网络的精度会随着网络的层数增多而增多吗?在深度学习中,网络层数增多一般会伴着下面几个问题:1.计算资源的消耗(使用GPU集群)2.模型容易过拟合(扩大数据集、Droupout、批量归一化、正则化、初始化参数调整等等方法)3.梯度消
- 使用droupout技术注意
一只tobey
方法
droupout:是一种针对深度学习广泛应用的正则化技术。在每次迭代时随机关闭一些神经单元思想:每次迭代时都会训练一个只使用一部分神经元的不同模型,随着迭代的进行,由于其他神经元可能在任何时候都被关闭,因此神经元对其他特定神经元的激活变得不那么敏感。注意:1.只能在训练的时候使用随机清除神经元,不能在测试中或者验证中使用2.深度学习框架:tensorflow,paddlepaddle,keras,
- 神经网络防止过拟合:Droupout工作原理及SpatialDropout1D
nnnancyyy
python深度学习过拟合算法神经网络
工作流程输入是x输出是y,正常的流程是:我们首先把x通过网络前向传播,然后把误差反向传播以决定如何更新参数让网络进行学习。使用Dropout之后,过程变成如下:(1)首先随机(临时)删掉网络中一半的隐藏神经元,输入输出神经元保持不变(2)然后把输入x通过修改后的网络前向传播,然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应
- 理解droupout
seasermy
DeepLearning算法及知识
本文主要介绍Dropout及延伸下来的一些方法,以便更深入的理解。想要提高CNN的表达或分类能力,最直接的方法就是采用更深的网络和更多的神经元,即deeperandwider。但是,复杂的网络也意味着更加容易过拟合。于是就有了Dropout,大部分实验表明其具有一定的防止过拟合的能力。1-Dropout最早的Dropout可以看Hinton的这篇文章《Improvingneuralnetworks
- 深入机器学习DroupOut原理,为啥测试的时候参数要乘以(1-DroupOut的概率)
JoesRain_机器学习算法_CVer
机器学习
听了台大李宏毅老师的课程,大受启发。不过根据我的推断,老师还是讲错了。假如是2个以上的参数老师的说法就讲不通,实际情形如下:如有错误,请大家指教。
- droupout
weixin_30649641
当训练样本比较少时,为了防止过拟合,可以丢掉一些节点的连接,让某些隐含层结点不工作(即停止更新权值),采用部分连接的方式。参考:http://blog.csdn.net/on2way/article/details/50525548和http://www.cnblogs.com/tornadomeet/p/3258122.html,这篇博文还做了个小实验转载于:https://www.cnblog
- droupout(暂退法)原理
X922199
pytorchpython深度学习
暂退法一般只在训练时调用,在测试时调用可以用来测不确定性,在半监督学习里伪标签的测量就是这么做的。注意!在选择丢弃的h时,是给每个h随机生成了一个0-1间的概率,概率大于p时置1,概率小于p置0,再与h相乘!p是调用dropout方法时自己设定的,默认为0.5.来源:《动手学深度学习》pytorch版
- 深度解析Droupout与Batch Normalization
Jason_Honey2
batch深度学习神经网络dropout
Droupout与BatchNormalization都是深度学习常用且基础的训练技巧了。本文将从理论和实践两个角度分布其特点和细节。Droupout2012年,Hinton在其论文中提出Dropout。当一个复杂的前馈神经网络被训练在小的数据集时,容易造成过拟合。为了防止过拟合,可以通过阻止特征检测器的共同作用来提高神经网络的性能。Droupout是一种针对深度学习广泛应用的正则化技术。在每次迭
- AlexNet模型及代码详解
工藤新三
cnn深度学习人工智能
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮,并赢得了2012届图像识别大赛的冠军,使得CNN成为在图像分类上的核心算法模型。该网络的亮点在于:(1)首次使用了GPU进行网络加速训练。(2)使用了ReLU激活函数,而不是传统的Sigmoid激活函数以及Tanh激活函数。(3)使用了LRN局部响应归一化。(4)在全连接层的前两层中使用了Droupout随机失活神经元操
- 深度学习+图像处理相关试题日常总结
金小虾
基础概念深度学习
202010211、提高泛化能力提高模型泛化能力,减小过拟合,提升鲁棒性的几种方法:1.batch_size越大,样本整体噪声均值保持不变但是方差减小,而样本的噪声有助于SGD规避局部最优点,从而提高整体的泛化能力,所以batch_size越小,泛化能力越好。2.正则化,BatchNormalize3.提早结束训练4.droupout5.数据增强6.模型深度和模型泛化能力的关系。模型的泛化能力和模
- BN(Batch normalization)原理
Mick..
深度学习深度学习人工智能
Batchnormalization:AcceleratingdeepnetworktrainingbyreducinginternalcovariateshiftBN层的优点1)加快训练速度,防止过拟合。2)可以避免激活函数进入非线性饱和区,从而造成梯度弥散问题。不用理会拟合中的droupout、L2正则化项的参数选择,采用BN算法可以省去这两项或者只需要小的L2正则化约束。原因,BN算法后,参
- 浅谈神经网络
吾即小灾变
深度学习神经网络深度学习
浅谈神经网络神经网络基础入门知识神经网络简介多层神经网络相比逻辑回归的优势线性可分数据线性不可分数据神经网络算法原理实例——二层神经网络的构建流程神经网络算法学习中遇到的疑惑改善深层神经网络L2正则化Droupout正则化Momentum动量梯度下降法RMSpropAdam正则化输入BatchNorm批归一化(以mini-batch为单位)超参数的调试卷积神经网络为何图像多采用卷积神经网络而不用b
- 深度学习的正则化
最白の白菜
#深度学习与计算机视觉深度学习计算机视觉神经网络正则化人工智能
目录深度学习的正则化L1与L2正则化Dropout正则化提前停止批标准化总结深度学习的正则化学习目标知道L2正则化与L1正则化的方法知道随机失活droupout的应用知道提前停止的使用方法知道BN层的使用方法在设计机器学习算法时不仅要求在训练集上误差小,而且希望在新样本上的泛化能力强。许多机器学习算法都采用相关的策略来减小测试误差,这些策略被统称为正则化。因为神经网络的强大的表示能力经常遇到过拟合
- sm
dabingsun
面经
一面:1.说一个最能代表你水平的项目(说的文本检测,主要说优化这方面)2.文本检测的输入、输出、损失函数、优化方法是什么3.延申出来的word2vec两种训练方法区别和联系4.延申出来的优化方法(梯度下降、随机梯度下降、拟牛顿、坐标下降区别和联系)5.过拟合的现象和解决办法:训练数据集上表现好,测试数据集上表现不好。解决:数据(增强)和模型(减少复杂度、正则、早停、droupout、batchno
- 过拟合与droupout
Lzj000lzj
深度学习基础知识的理解
过拟合与欠拟合都与模型的复杂度是相关的,即模型的复杂度较高时容易出现过拟合,模型复杂度较低时容易出现欠拟合。防止过拟合的方式dropout由于是随机丢弃神经元,所以每个mini-batch训练的网络都是不同的。当将一半的神经元失活,对保留的神经元进行梯度下降,这一过程就是使用保留的网络结构对数据进行学习;第二次迭代时,继续使用保留的网络结构进行学习,比如说500次,这种固定的网络结构就可以达到一定
- 梯度下降、牛顿法凸优化、L1、L2正则化、softmax、Batchnorm、droupout、Targeted Dropout详解
sliderSun
深度学习
一、梯度下降问题提出:虽然给定一个假设函数,我们能够根据costfunction知道这个假设函数拟合的好不好,但是毕竟函数有这么多,总不可能一个一个试吧?因此我们引出了梯度下降:能够找出costfunction函数的最小值;梯度下降背后的思想是:开始时我们随机选择一个参数的组合(θ0,θ1,...,θn),计算代价函数,然后我们寻找下一个能让代价函数值下降最多的参数组合。我们持续这么做直到到到一个
- 深度学习记录例子篇————droupout正则化和BN层
云溪龙
深度学习记录
droupout正则化和BN层Droupout是什么如何或何时使用Dropout呢?以下是一般原则:使用dropout正则化解决拟合问题批量正则化什么是批量正则化添加BN层训练Droupout是什么Dropout是Srivastava等人在2014年的一篇论文中,提出的一种针对神经网络模型的正则化方法Dropout:ASimpleWaytoPreventNeuralNetworksfromOver
- pytorch Dropout
主攻
Pytorchpython机器学习
减低过拟合,一般可以通过:加大训练集、lossfunction加入正则化项、Dropout等途径。本文的主要作用是展示dropout的作用设置Dropout时,torch.nn.Dropout(0.5),这里的0.5是指该层(layer)的神经元在每次迭代训练时会随机有50%的可能性被丢弃(失活),不参与训练,一般多神经元的layer设置随机失活的可能性比神经元少的高。问题:droupout如何丢
- 深度学习正则化
Lansonli
人工智能深度学习正则化
学习目标目标了解偏差与方差的意义知道L2正则化与L1正则化的数学意义知道Droupout正则化的方法了解早停止法、数据增强法的其它正则化方式应用无2.3.1偏差与方差2.3.1.1数据集划分首先我们对机器学习当中涉及到的数据集划分进行一个简单的复习训练集(trainset):用训练集对算法或模型进行训练过程;验证集(developmentset):利用验证集(又称为简单交叉验证集,hold-out
- 深度学习算法(第7期)----深度学习之避免过拟合(正则化)
左右Shawn
深度学习
欢迎关注微信公众号“智能算法”–原文链接(阅读体验更佳):深度学习算法(第7期)----深度学习之避免过拟合(正则化)上一期,我们一起学习了深度学习中的学习率的悲惨命运,深度学习算法(第6期)----深度学习之学习率的命运今天我们一起学习下深度学习中如何避免过拟合,我们多多交流,共同进步。本期主要内容如下:提前停止训练L1和L2范数正则化DroupOut最大范数正则化数据增强小结我们知道,深度学习
- 怎么避免过拟合(正则化,droupout,bagging等原理及特点介绍)
我也不是故意要这么菜的啊
机器学习过拟合L1正则化L2正则化droupout数据增强(DataAugmentation)
过拟合几乎可以说是每个深度学习网络的噩梦,当模型深度较大时,若不加以处理,几乎都会碰上。出现过拟合的特点是:看起来效果很好(在训练集上),而实际上已经废了(在测试集或验证集上)。因此如何在训练时避免过拟合,是每一个炼丹师的必备技能。而避免过拟合主要有两类方法:1)扩充数据,2)修改网络。数据扩充内容比较简单,在文末总结了数据扩充的方案,详细的可以再自己搜一下看看。本文主要总结一些修改网络的方法。1
- recurrent neural network regularization
longxiao666
本文介绍了lstm的regularization:dropout.lstm:符号意思:对lstm进行rugularization,第一需要达到regularization的效果,第二不能丧失lstm的记忆能力。所以只在同一时刻layer之间进行dropout。从t-1到t之间没有dropout。对应tensorflowapi:input_keep_prob在传入当前cell之前的droupout,
- 2017.10.26代码调试记录
晨箜
昨天的结果中,最好的效果是3层全连接:TrainAccuracy:1.0,TestAccuracy:0.7654层卷积网络隐藏层:2层卷积层+1层全连接层,输出层:Softmax分类器K=4#hindden1的卷积核数目L=8#隐藏层2的卷积核数N=200#全连接层的节点数使用了学习率衰减:max_lr=0.003min_lr=0.0001decay_speed=2000.0未使用Droupout
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR