- 每天五分钟玩转深度学习PyTorch:模型参数优化器torch.optim
幻风_huanfeng
深度学习框架pytorch深度学习pytorch人工智能神经网络机器学习优化算法
本文重点在机器学习或者深度学习中,我们需要通过修改参数使得损失函数最小化(或最大化),优化算法就是一种调整模型参数更新的策略。在pytorch中定义了优化器optim,我们可以使用它调用封装好的优化算法,然后传递给它神经网络模型参数,就可以对模型进行优化。本文是学习第6步(优化器),参考链接pytorch的学习路线随机梯度下降算法在深度学习和机器学习中,梯度下降算法是最常用的参数更新方法,它的公式
- 如何在Java中实现高效的分布式梯度下降算法
省赚客app开发者
java分布式算法
如何在Java中实现高效的分布式梯度下降算法大家好,我是微赚淘客系统3.0的小编,是个冬天不穿秋裤,天冷也要风度的程序猿!在本文中,我们将探讨如何在Java中实现高效的分布式梯度下降算法。分布式梯度下降(DistributedGradientDescent)是一种常用于训练大规模机器学习模型的优化方法,特别是在处理大规模数据集时非常有效。本文将介绍如何设计和实现这一算法,以提高训练效率。分布式梯度
- 梯度下降法
小丹丹的梦想后花园
梯度下降法,最通俗易懂的解释。数据分析挖掘与算法1月7日作者:六尺帐篷链接:https://www.jianshu.com/p/c7e642877b0e本文从一个下山场景开始,提出梯度下降算法的基本思想,接着从数学上解释梯度下降算法原理,最后实现一个简单的梯度下降算法实例!梯度下降的场景假设梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景:一个人被困在山上,需要从山上下来(i.e.找
- 梯度下降算法(Gradient Descent Algorithm)
海棠未语
算法机器学习人工智能python
目录一、梯度下降算法简述二、不同函数梯度下降算法表示1、一元函数2、二元函数3、任意多元函数三、梯度计算四、常见的梯度下降法1、批量梯度下降算法(BatchGradientDescent)2、随机梯度下降算法(StochasticGradientDescent)3、小批量梯度下降(Mini-batchGradientDescent)4、梯度下降算法注意点与调优5、冲量梯度下降算法(Momentum
- 【机器学习】梯度下降算法
de-feedback
机器学习算法人工智能
梯度下降算法这篇博客更加详细,以下只是我个人的理解梯度下降算法原理讲解——机器学习-CSDN博客梯度下降算法是一种优化算法,通过梯度下降找到函数最小值时的自变量值。其基本思想是沿着梯度方向的反方向更新参数,直到逼近函数的极值或者函数值足够小,或者是到达最大迭代次数。目标函数求目标函数的导数和梯度值沿着梯度方向的反方向更新参数重复直到满足条件以线性回归为例,通过找均方差损失函数最小值,得到最优的权重
- 神经网络深度学习梯度下降算法优化
海棠如醉
人工智能深度学习
【神经网络与深度学习】以最通俗易懂的角度解读[梯度下降法及其优化算法],这一篇就足够(很全很详细)_梯度下降在神经网络中的作用及概念-CSDN博客https://blog.51cto.com/u_15162069/2761936梯度下降数学原理
- matlab实现梯度下降优化算法
孺子牛 for world
matlab算法开发语言
梯度下降(GradientDescent)是一种常用的优化算法,用于寻找函数的局部最小值。在机器学习领域,它常被用来优化模型的参数,比如线性回归、逻辑回归以及神经网络等模型的权重和偏置。以下是一个简单的MATLAB实现梯度下降算法的示例,该示例将用于优化一个简单的二次函数f(x)=ax2+bx+c的最小值点。为了简化问题,我们假设a=1,b=0,c=1,即函数为f(x)=x2+1,其最小值点为x=
- 数学基础 -- 梯度下降算法
sz66cm
算法人工智能数学基础
梯度下降算法梯度下降算法(GradientDescent)是一种优化算法,主要用于寻找函数的局部最小值或全局最小值。它广泛应用于机器学习、深度学习以及统计学中,用于最小化损失函数或误差函数。梯度下降的基本概念梯度下降算法通过以下步骤工作:初始化参数:随机初始化模型的参数(如权重和偏差),也可以用特定的策略初始化。计算损失:对当前模型输出和实际目标值计算损失(如均方误差、交叉熵等)。计算梯度:计算损
- python实现梯度下降优化算法
孺子牛 for world
python算法机器学习
梯度下降(GradientDescent)是一种常用的优化算法,用于求解无约束优化问题。在机器学习中,它常被用来更新模型的参数以最小化某个损失函数。以下是一个简单的Python示例,展示如何实现梯度下降算法来优化一个二次函数的参数。假设我们要优化的函数是f(x)=x2,我们希望找到使得f(x)最小的x值。显然,对于这个函数,最小值出现在x=0。首先,我们需要计算f(x)的梯度(导数),即f′(x)
- 机器学习·day4梯度下降
#include<菜鸡>
机器学习机器学习人工智能
参考原文地址:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes文章目录前言一、梯度下降?二、梯度下降的直观理解梯度下降的线性回归前言梯度下降是一个用来求函数最小值的算法,我们将使用梯度下降算法来求出代价函数J(θ_0,θ_1)的最小值。一、梯度下降?批量梯度下降(batchgradientdescent)算法的公式为:其中a是学习率(le
- 24 优化算法
Unknown To Known
动手学习深度学习算法
目录优化和深度学习深度学习中的挑战局部最小vs全局最小鞍点(saddlepoint)梯度消失小结凸性(convexity)凸集凸函数(convexfunction)凸函数优化凸和非凸例子小结梯度下降(gradientdescent)1、梯度下降算法是最简单的迭代求解算法2、学习率(learningrate)小结随机梯度下降(stochasticgradientdescent)小结小批量随机梯度下降
- 【机器学习】多元线性回归
Mount256
#机器学习机器学习线性回归人工智能
文章目录多元线性回归模型(multipleregressionmodel)损失/代价函数(costfunction)——均方误差(meansquarederror)批量梯度下降算法(batchgradientdescentalgorithm)特征工程(featureengineering)特征缩放(featurescaling)正则化线性回归(regularizationlinearregress
- 深度学习之梯度下降算法
温柔了岁月.c
机器学习算法python深度学习梯度下降算法
梯度下降算法梯度下降算法数学公式结果梯度下降算法存在的问题随机梯度下降算法梯度下降算法数学公式这里案例是用梯度下降算法,来计算y=w*x先计算出梯度,再进行梯度的更新importnumpyasnpimportmatplotlib.pyplotaspltx_data=[1.0,2.0,3.0,4.0]y_data=[2.0,4.0,6.0,8.0]mse_list=[]w_list=[]w=1.0#
- GAN生成对抗性网络
Dirschs
深度学习GAN生成对抗网络人工智能神经网络
一、GAN原理出发点:机器学习中生成模型的问题无监督学习是机器学习和未来人工智能的突破点,生成模型是无监督学习的关键部分特点:不需要MCMC或者变分贝叶斯等复杂的手段,只需要在G和D中对应的多层感知机中运行反向传播或者梯度下降算法模型通常使用神经网络,其拟合能力最好G(Generator):用于捕获数据分布的生成模型(生成图像的网络);接收到随机的噪声z,通过噪声z生成图像。尽可能多地模拟、建模和
- 《零基础实践深度学习》波士顿房价预测任务1.3.3.5 总结
软工菜鸡
《零基础实践深度学习》numpy深度学习人工智能大数据机器学习飞桨百度云
2.5模型保存Numpy提供了save接口,可直接将模型权重数组保存为.npy格式的文件。In[53]np.save('w.npy',net.w)np.save('b.npy',net.b)总结本节我们详细介绍了如何使用Numpy实现梯度下降算法,构建并训练了一个简单的线性模型实现波士顿房价预测,可以总结出,使用神经网络建模房价预测有三个要点:构建网络,初始化参数w和b,定义预测和损失函数的计算方
- 优化梯度下降算法
stoAir
算法机器学习人工智能深度学习神经网络
文章目录OptimizationproblemNormalizinginputsvanishing/explodinggradientsweightinitializegradientcheckNumericalapproximationgradcheckOptimizealgorithmmini-bachgradientmini-batchsizeexponentialweightedavera
- BP神经网络风速预测
MATLAB代码顾问
神经网络人工智能深度学习
BP(Backpropagation)神经网络,也称为反向传播神经网络,是一种非常重要的人工神经网络。它基于梯度下降算法,通过反向传播误差来更新神经网络中的权重和偏差,以达到优化网络和提高预测准确性的目的。BP神经网络主要包括以下几个步骤:前向传播:在这个阶段,输入数据被送入网络,并通过每一层传播,直到输出层。每一层的输出都是下一层的输入。每个神经元的输出都是其权重加权输入的总和,再经过一个活化函
- 优化|复杂度分析——用于凸约束非凸优化问题的光滑化近似点增广拉格朗日算法
运筹OR帷幄
算法机器学习人工智能
1.简介对于无约束的非凸优化问题,算法复杂度的下界为Ω(1/ϵ2)\Omega(1/\epsilon^2)Ω(1/ϵ2);在目标函数光滑时,这个下界可以通过标准梯度下降算法来取到.对于带约束的非凸优化问题,这个下界依旧适用;到这里,我们自然会提出疑问:它是否也能通过某个一阶算法来取到?对此,本文[1]^{[1]}[1]作出了回答.文中介绍了一种简单的一阶算法——光滑化近似点增广拉格朗日方法(Smo
- 【机器学习】单变量线性回归
Mount256
机器学习机器学习线性回归人工智能
文章目录线性回归模型(linearregressionmodel)损失/代价函数(costfunction)——均方误差(meansquarederror)梯度下降算法(gradientdescentalgorithm)参数(parameter)和超参数(hyperparameter)代码实现样例运行结果线性回归模型(linearregressionmodel)线性回归模型:fw,b(x)=wx+
- 多变量梯度下降(Gradient Descent for Multiple Variables)
东京的雨不会淋湿首尔
与单变量线性回归类似,在多变量线性回归中,我们也构建一个代价函数,则这个代价函数是所有建模误差的平方和,即:image.png,其中:image.png我们的目标和单变量线性回归问题中一样,是要找出使得代价函数最小的一系列参数。多变量线性回归的批量梯度下降算法为:image即:image求导数后得到:imageimage.png我们开始随机选择一系列的参数值,计算所有的预测结果后,再给所有的参数一
- 机器学习:Softmax回归(Python)
捕捉一只Diu
机器学习回归python笔记
Softmax回归(多分类)logistic_regression_mulclass.pyimportnumpyasnpimportmatplotlib.pyplotaspltclassLogisticRegression_MulClass:"""逻辑回归,采用梯度下降算法+正则化,交叉熵损失函数,实现多分类,Softmax函数"""def__init__(self,fit_intercept=T
- 神经网络梯度是什么意思,神经网络中梯度下降法
「已注销」
神经网络机器学习深度学习
梯度下降算法是指什么神经网络谷歌人工智能写作项目:小发猫对于非连续目标在深度神经网络的优化过程中哪种梯度下降方法最好还有很多,一步正割算法,拟牛顿算法,量化共轭梯度法,弹性梯度下降法等等rfid。具体可以在MATLAB的help文件训练函数中查看,路径是:NeuralNetworkToolbox>Functions>TrainingFunctions,可以看到各种算法的函数及详细介绍。对于非连续目
- CS229-DAY2:梯度下降(Gradient Descent)
shyayaya
学习一个算法,首先就想了解它的作用。我们使用训练数据让机器去训练,无论结果是什么,我们会得到一个模型(或好或坏),那么梯度下降算法就是用来对这个模型来进行优化的。先来了解几组概念:梯度:在微积分里面,对多元函数的参数求∂偏导数,把求得的各个参数的偏导数以向量的形式写出来,就是梯度。梯度向量代表着函数在那一点变化的快慢,这样我们就能找到最大值/最小值。步长(Learningrate):步长决定了在梯
- [机器学习]LFM梯度下降算法
不知迷踪
机器学习机器学习算法人工智能LFM梯度下降
一.LFM梯度下降算法2.代码实现#0.引入依赖importnumpyasnpimportpandasaspd#1.数据准备#评分矩阵RR=np.array([[4,0,2,0,1],[0,2,3,0,0],[1,0,2,4,0],[5,0,0,3,1],[0,0,1,5,1],[0,3,2,4,1],])#二维数组小技巧:取行数R.shape[0]和len(R),列数R.shape[1]和len
- 机器学习:Logistic回归(Python)
捕捉一只Diu
机器学习python人工智能笔记逻辑回归
Logistic回归(二分类)logistic_regression_class2.pyimportnumpyasnpimportmatplotlib.pyplotaspltclassLogisticRegression:"""逻辑回归,采用梯度下降算法+正则化,交叉熵损失函数,实现二分类"""def__init__(self,fit_intercept=True,normalize=True,a
- 梯度下降方法中的学习率(learning rate), 衰减因子(decay) 冲量(momentum)
17420
算法机器学习数学深度学习
本文总结自如下两个链接的内容,建议读者直接阅读链接中的文章1.https://www.jianshu.com/p/58b3fe300ecb2.https://www.jianshu.com/p/d8222a84613c学习率学习率lr(learningrate),梯度下降算法中迭代步长。假设待优化函数为func(x),dx为函数对变量x的导数,即下降方向。每次x的迭代公式为:x=x+-lr*dxl
- 学习速率 learning rate
羊肉串串魅力无穷
机器学习-深度学习
学习速率的选取策略运用梯度下降算法进行优化时,权重的更新规则中,在梯度项前会乘以一个系数,这个系数就叫学习速率ααα:如果学习速率太小,则会使收敛过慢。如果学习速率太大,则会导致代价函数振荡,迭代过快,梯度下降法可能会越过最低点,甚至可能发散。学习速率的取值取决于数据样本,可以多取一些值,从大到小,分别运行算法,看看迭代效果,如果损失函数在变小,说明取值有效,否则要增大步长。例如:把学习速率设置为
- 算法模型之回归模型(岭回归Ridge)
rookie-rookie-lu
机器学习回归机器学习线性回归pythonsklearn
线性回归:1.假设模型线性模型和线性关系是不同的,线性关系一定是线性模型,而线性模型不一定是线性关系2.优化算法正规方程正规方程可以比作成一个天才,只需要一次就可以求出各种权重和偏置梯度下降梯度下降算法可以比作一个勤奋努力的普通人,需要不断的迭代和试错3.sklearn实现LinearRegressionLinearRegression使用的是正规方程,正规方程的时间复杂度太大。一般不使用。SGD
- 深度学习之反向传播
丘小羽
pytorch深度学习人工智能
反向传播英文叫做BackPropagation。为什么需要使用反向传播对于简单的模型我们可以用解析式求出它的损失函数的梯度,例如,其损失函数的梯度就是,我们可以通过我们的数学知识很容易就得到其损失函数的梯度,继而进行使用梯度下降算法是参数(权重)更新。但是这仅限于对于简单的模型,一旦模型的深度增加,模型变得复杂,我们就很难直观的看出损失函数的梯度。例如这个模型,每连接的两个节点里面都有相应的权重,
- 机器学习的精髓-梯度下降算法
wyw0000
机器学习机器学习算法人工智能
目1.梯度下降算法2.梯度下降求解3.总结1.梯度下降算法梯度下降算法是一种优化算法,用于最小化函数的数值方法。它通过沿着函数梯度的反方向来更新参数,以逐步减小函数值。这一过程重复进行直到达到收敛条件。梯度下降算法有多种变体,包括批量梯度下降、随机梯度下降和小批量梯度下降。这些变体在处理大规模数据和优化不同类型的函数时具有不同的优势。2.梯度下降求解下面用一个例子来说明,使用梯度下降求极值的过程。
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s