- 用Tensorflow进行线性回归和逻辑回归(十)
lishaoan77
tensorflow线性回归tensorboard可视化
用TensorBoard可视化线性回归模型TensorBoard是一种可视化工具,用于了解、调试和优化模型训练过程。它使用在执行程序时编写的摘要事件。上面定义的模型使用tf.summary.FileWriter来写日志到日志目录/tmp/lr-train.我们可以用命令调用日志目录的TensorBoard,见Example3-13(TensorBoard已黙认安装与TensorFlow一起).Ex
- 【k近邻】 K-Nearest Neighbors算法原理及流程
F_D_Z
机器学习方法数理算法学习机器学习k近邻算法k-近邻算法
【k近邻】K-NearestNeighbors算法原理及流程【k近邻】K-NearestNeighbors算法距离度量选择与数据维度归一化【k近邻】K-NearestNeighbors算法k值的选择【k近邻】Kd树的构造与最近邻搜索算法【k近邻】Kd树构造与最近邻搜索示例k近邻算法(K-NearestNeighbors,简称KNN)是一种常用的监督学习算法,可以用于分类和回归问题。在OpenCV中
- 深入详解:决策树算法的概念、原理、实现与应用场景
猿享天开
算法决策树机器学习
深入详解:决策树算法的概念、原理、实现与应用场景决策树(DecisionTree)是机器学习中一种直观且广泛应用的监督学习算法,适用于分类和回归任务。其树形结构易于理解,特别适合初学者。本文将从概念、原理、实现到应用场景,全面讲解决策树,并通过流程图和可视化示例增强理解,通俗易懂,帮助小白快速掌握决策树算法相关知识。1.决策树的概念1.1什么是决策树?决策树通过一系列条件判断(决策节点)将输入数据
- 阅读笔记(2) 单层网络:回归
a2507283885
笔记
阅读笔记(2)单层网络:回归该笔记是DataWhale组队学习计划(共度AI新圣经:深度学习基础与概念)的Task02以下内容为个人理解,可能存在不准确或疏漏之处,请以教材为主。1.从泛函视角来看线性回归还记得线性代数里学过的“基”这个概念吗?一组基向量是一组线性无关的向量,它们通过线性组合可以张成一个向量空间。也就是说,这个空间里的任意一个向量,都可以表示成这组基的线性组合。函数其实也可以看作是
- MATLAB实现WOA-BP鲸鱼优化算法优化BP神经网络多输入单输出回归预测(含模型描述及示例代码)
nantangyuxi
MATLAB含模型描述及示例代码算法matlab神经网络大数据人工智能深度学习机器学习
目录MATLAB实现WOA-BP鲸鱼优化算法优化BP神经网络多输入单输出回归预测(多指标,多图)1项目背景介绍...1项目目标与意义...2项目挑战...3项目特点与创新...5<
- 深度学习详解:通过案例了解机器学习基础
beist
深度学习机器学习人工智能
引言机器学习(MachineLearning,ML)和深度学习(DeepLearning,DL)是现代人工智能领域中的两个重要概念。通过让机器具备学习的能力,机器可以从数据中自动找到函数,并应用于各种任务,如语音识别、图像识别和游戏对战等。在这篇笔记中,我们将通过一个简单的案例,逐步了解机器学习的基础知识。1.1机器学习案例学习1.1.1回归问题与分类问题在机器学习中,根据所要解决的问题类型,任务
- 前端替换打包后文件中的内容方案(可用于渗透测试后将问题版本号清空临时解决方案)
Anarkh_Lee
前端nodevue前端vuenode.js
1.问题背景在前端项目安全扫描过程中,经常遇到第三方依赖库版本安全风险提示。然而,直接升级依赖库可能导致以下问题:升级成本高,需要全面回归测试可能引入新的兼容性问题项目稳定性风险增加开发周期延长本文介绍一种在构建过程中优化版本信息的技术方案,适用于紧急情况下的临时处理方案。2.实现思路该方案主要通过以下步骤实现:识别构建后文件中包含的第三方库版本信息创建构建后处理脚本,去除特定版本号信息集成到现有
- (线性代数最小二乘问题)Normal Equation(正规方程)
音程
数学线性代数机器学习人工智能
NormalEquation(正规方程)是线性代数中的一个重要概念,主要用于解决最小二乘问题(LeastSquaresProblem)。它通过直接求解一个线性方程组,找到线性回归模型的最优参数(如权重或系数)。以下是详细介绍:1.定义与数学表达式给定一个超定方程组(方程数量多于未知数):Ax=bA\mathbf{x}=\mathbf{b}Ax=b其中:A∈Rm×nA\in\mathbb{R}^{m
- 【机器学习第二期(Python)】优化梯度提升决策树 XGBoost
WW、forever
深度学习原理及代码实现机器学习python决策树
优化梯度提升决策树XGBoost一、XGBoost简介二、原理详解2.1基础思想:改进版GBDT2.2目标函数2.3二阶泰勒展开优化2.4树结构优化三、XGBoost实现步骤(Python)可调参数推荐完整案例代码(回归任务+可视化)参考梯度提升决策树GBDT的原理及Python代码实现可参考另一博客-【机器学习第一期(Python)】梯度提升决策树GBDT。XGBoost(ExtremeGrad
- AI人工智能领域回归:实现技术与服务的深度融合
AI学长带你学AI
人工智能回归数据挖掘ai
AI人工智能领域回归:实现技术与服务的深度融合关键词:AI人工智能、技术与服务融合、回归、实现路径、应用场景摘要:本文聚焦于AI人工智能领域中技术与服务深度融合的回归趋势。首先介绍了这一趋势的背景,包括目的、预期读者和文档结构。接着阐述了相关核心概念及联系,通过流程图清晰展示。详细讲解了核心算法原理并给出Python代码示例,还介绍了相关数学模型和公式。通过项目实战,从开发环境搭建到代码实现与解读
- Boosting:从理论到实践——集成学习中的偏差征服者
大千AI助手
人工智能Python#OTHER集成学习boosting机器学习tree人工智能ML
核心定位:一种通过串行训练弱学习器、自适应调整数据权重,将多个弱模型组合成强模型的集成学习框架,专注于降低预测偏差。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!一、Boosting的本质目标:将一系列弱学习器(仅比随机猜测略好,如浅层决策树)组合成强学习器核心思想:错误驱动学习:后续模型重点修正
- C4.5算法深度解析:决策树进化的里程碑
大千AI助手
算法决策树机器学习C4.5Python人工智能AI
C4.5是机器学习史上最经典的算法之一,由ID3之父RossQuinlan在1993年提出。作为ID3的革命性升级,它不仅解决了前代的核心缺陷,更开创了连续特征处理和剪枝技术的先河,成为现代决策树的奠基之作。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!往期文章推荐:20.用Mermaid代码画E
- GBDT:梯度提升决策树——集成学习中的预测利器
大千AI助手
人工智能Python#OTHER决策树集成学习算法GBDT梯度提升人工智能机器学习
核心定位:一种通过串行集成弱学习器(决策树)、以梯度下降方式逐步逼近目标函数的机器学习算法,在结构化数据预测任务中表现出色。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!一、GBDT是什么?全称:GradientBoostingDecisionTree(梯度提升决策树)本质:Boosting集成学
- Python 逻辑回归:开启分类问题的智慧之门
海燕李
python逻辑回归开发语言scikit-learn
一、逻辑回归的魅力之源在机器学习的璀璨星空中,逻辑回归宛如一颗耀眼的明星,照亮了分类问题的求解之路。它之所以备受青睐,是因为其独特的理论架构和广泛的适用性。逻辑回归虽名为“回归”,但本质上是一种用于分类的强大算法。它巧妙地将线性关系与分类任务相结合,通过构建一个概率模型,来预测样本属于某个类别的可能性。这种对概率的估计能力,使得它在众多领域中脱颖而出。例如,在医疗诊断中,可预测患者是否患有某种疾病
- 机器学习算法-逻辑回归模型在交通领域的应用
是一个Bug
机器学习算法逻辑回归
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档逻辑回归模型在交通领域的应用:车流数量和平均速度之间的关系前言结果分析代码分析逻辑回归可视化:交通拥堵预测的动态建模过程一、交通数据生成与预处理二、逻辑回归核心算法实现三、动态可视化:决策边界的演变过程四、特征标准化与模型评估五、实验结果与模型解读六、拓展思考:逻辑回归的局限性结语:从代码到交通智能前言紧接上文的逻辑回归原理分析讲一讲
- 机器学习之常用的回归预测模型
曼城周杰伦
机器学习机器学习回归人工智能算法
本文全面整理了各种回归预测模型,旨在帮助读者更好地学习回归预测模型。转载自:https://mp.weixin.qq.com/s/7m2waIASOEg90NONgRpQFQ一.线性模型线性回归是一种线性模型,通过特征的线性组合来预测连续值标签。线性回归通过拟合系数(可选择是否设置截距)的线性模型,以最小化真实值和预测值之间的残差平方和。scikit-learnlinear_models:http
- GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!
机器学习之心
可解释机器学习GRU门控循环单元回归SHAP分析
GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!目录GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!效果一览基本介绍
- 什么是回归模型,什么是自回归模型?
杰瑞学AI
ComputerknowledgeAI/AGINLP/LLMs回归数据挖掘人工智能
在统计学和机器学习中,回归模型和自回归模型都是用来预测或建模变量之间关系的工具,但它们在数据类型和变量依赖关系上有着关键的区别。回归模型(RegressionModel)回归模型是一种统计方法,用于建立一个或多个自变量(independentvariables)与一个因变量(dependentvariable)之间的关系。它的主要目标是预测因变量的值,或者理解自变量如何影响因变量。核心思想:假设因
- [KO机器学习] Day2 特征工程:数据预处理:序号编码、独热编码、二进制编码
码农男孩
机器学习机器学习人工智能计算机视觉算法支持向量机
场景描述类别型特征(categoricalfeature)主要是指性别(男女)、血型(A,B,AB,O)等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,除了决策树等少数模型能直接处理字符串形式的输入,对于逻辑回归、支持向量机等模型来说,类别型特征必须经过处理转换成数值型特征才能正确工作。在对数据进行预处理时,应该怎么样处理类别型特征?难度:★☆☆☆☆①序号编码OrdinalEnco
- (二十一)YOLO 全解析:从实时目标检测到多任务视觉智能
只有左边一个小酒窝
深度学习YOLO目标检测人工智能深度学习计算机视觉
1YOLO的发展脉络与技术定位1.1发展脉络YOLOv1(2015年):将目标检测重新定义为单一回归问题,把输入图像划分为S×S网格,每个网格单元负责预测固定数量的边界框及对应的类别概率,直接从像素回归预测物体的边界框坐标和类别概率。但存在小目标检测能力弱、定位精度不足等局限。YOLOv2(2016年):引入批量归一化、锚框、维度集群等技术,还提出了高分辨率分类器、直接位置预测、细粒度特征融合、多
- 机器学习数据预处理:L2正则化(岭回归)
数字化与智能化
人工智能机器学习机器学习L2正则化岭回归
一、L2正则化介绍L2正则化,也称为岭回归(RidgeRegression),是一种常用的正则化方法。它在线性回归模型中通过在损失函数中添加L2范数的平方来惩罚模型的复杂度,从而防止过拟合。在线性回归中,我们的目标是最小化损失函数,通常以最小化均方误差来衡量。而L2正则化通过在损失函数中添加模型参数的L2范数的平方来进行正则化。L2范数是指模型参数的平方和的开方。正则化惩罚的目标是使模型参数尽量接
- DeepSeek这一波喧嚣过后回归于技术的冷静思考与深度求索
吕小明么
agi人工智能AIGC算法神经网络
历经甲辰年末再到乙巳年初,由于DeepSeekV3/R1-zero/R1等模型的“出圈”似乎又让我们这些在AI领域不断“深度求索”的AIer小伙伴们过上了一个看似不那么平静的“年”,这种“年味儿”的感觉不亚于甚至更甚于去年甲辰年横空出世的“Sora”。然而不同的是,上次是来自国外带给我们视觉领域下的“diffusion“冲击,而这次则是国内所刮起的这股东方“求索”与“开放”精神。然而,在经历了大
- 无监督学习概览
MzKyle
人工智能人工智能无监督学习机器学习
一、无监督学习的本质与定位定义:无监督学习是机器学习的三大范式之一(另外两种为监督学习和强化学习),其核心特点是处理未标注数据,通过算法自动发现数据中的隐藏结构、模式或内在规律。与监督学习依赖"输入-输出"对不同,无监督学习仅以原始数据作为输入,目标是揭示数据的内在组织方式。与其他学习范式的区别:监督学习:依赖标签(如分类、回归任务),学习从输入到输出的映射关系强化学习:通过与环境交互获得奖励信号
- 【人工智能-练习】三个案例搞明白机器学习中的三大任务:分类、回归、聚类
若北辰
人工智能分类回归
文章目录一、分类任务结果代码解释导入必要的库配置字体生成模拟数据集拆分数据集数据标准化逻辑回归分类器预测并计算准确率绘制分类效果定义决策边界绘制函数绘制训练集和测试集的分类效果二、回归结果代码解释1.导入库2.设置Matplotlib的字体3.生成模拟数据集4.将数据集划分为训练集和测试集5.数据标准化6.定义线性回归模型7.预测8.计算均方误差(MSE)9.绘制回归预测效果图训练集上的预测效果测
- 基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测
智能算法研学社(Jack旭)
#正则极限学习机(RELM)智能优化算法应用算法回归数据挖掘
基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测文章目录基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于沙猫群算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法:若NNN个训练样
- 基于战争策略算法优化的正则化极限学习机(RELM)的回归预测
基于战争策略算法优化的正则化极限学习机(RELM)的回归预测文章目录基于战争策略算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于战争策略算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法:若NNN个
- LLaDA:用扩散模型改变语言生成的范式
Jay Kay
论文阅读自然语言处理人工智能机器学习
引言近年来,大型语言模型(LLMs)取得了显著进展,展现了诸如上下文学习、指令遵循、推理和多轮对话等能力。然而,这些模型大多基于自回归模型(ARMs),通过逐词预测生成文本,存在计算效率低、难以处理逆向推理任务等问题。最近,中国人民大学高瓴人工智能学院李崇轩、文继荣教授团队和蚂蚁集团联合推出了LLaDA(LargeLanguageDiffusionwithmAsking),这是一种基于扩散模型的语
- 软件测试面试题-自测
愿尽
软件测试功能测试
一、测试流程1.项目测试流程你是怎么开展的?①首先,需求分析阶段,分析需求点,需求确定以后进入测试计划阶段,参考需求规格说明书进行测试计划编写②接着,进入测试设计阶段,依据需求文档及原型图编写测试用例,并进行用例评审③进入测试执行阶段,需要搭建测试环境,执行冒烟测试之后进入正式测试,并且将测试缺陷进行提交及跟踪,经过多轮回归测试,直到测试版本结束④最后,进入测试评估阶段,对软件版本质量进行评估,输
- 用Tensorflow进行线性回归和逻辑回归(一)
lishaoan77
tensorflowtensorflow线性回归逻辑回归
这一章告诉你如何用TensorFlow构建简单的机器学习系统。第一部分回顾构建机器学习系统的基础特别是讲函数,连续性,可微性。接着我们介绍损失函数,然后讨论机器学习归根于找到复杂的损失函数最小化的点的能力。我们然后讲梯度下降,解释它如何使损失最小。然后简单的讨论自动微分的算法思想。第二节侧重于介绍基于这些数学思想的TensorFlow概念。包括placeholders,scopes,optimiz
- 【动手学深度学习】4.2~4.3 多层感知机的实现
XiaoJ1234567
《动手学深度学习》深度学习人工智能MLP多层感知机
目录4.2.多层感知机的从零开始实现1)初始化模型参数2)激活函数3)模型4)损失函数5)训练4.3.多层感知机的简洁实现1)模型2)小结.4.2.多层感知机的从零开始实现现在让我们实现一个多层感知机。为了与之前softmax回归获得的结果进行比较,我们将继续使用Fashion-MNIST图像分类数据集。importtorchfromtorchimportnnfromd2limporttorcha
- 对于规范和实现,你会混淆吗?
yangshangchuan
HotSpot
昨晚和朋友聊天,喝了点咖啡,由于我经常喝茶,很长时间没喝咖啡了,所以失眠了,于是起床读JVM规范,读完后在朋友圈发了一条信息:
JVM Run-Time Data Areas:The Java Virtual Machine defines various run-time data areas that are used during execution of a program. So
- android 网络
百合不是茶
网络
android的网络编程和java的一样没什么好分析的都是一些死的照着写就可以了,所以记录下来 方便查找 , 服务器使用的是TomCat
服务器代码; servlet的使用需要在xml中注册
package servlet;
import java.io.IOException;
import java.util.Arr
- [读书笔记]读法拉第传
comsci
读书笔记
1831年的时候,一年可以赚到1000英镑的人..应该很少的...
要成为一个科学家,没有足够的资金支持,很多实验都无法完成
但是当钱赚够了以后....就不能够一直在商业和市场中徘徊......
- 随机数的产生
沐刃青蛟
随机数
c++中阐述随机数的方法有两种:
一是产生假随机数(不管操作多少次,所产生的数都不会改变)
这类随机数是使用了默认的种子值产生的,所以每次都是一样的。
//默认种子
for (int i = 0; i < 5; i++)
{
cout<<
- PHP检测函数所在的文件名
IT独行者
PHP函数
很简单的功能,用到PHP中的反射机制,具体使用的是ReflectionFunction类,可以获取指定函数所在PHP脚本中的具体位置。 创建引用脚本。
代码:
[php]
view plain
copy
// Filename: functions.php
<?php&nbs
- 银行各系统功能简介
文强chu
金融
银行各系统功能简介 业务系统 核心业务系统 业务功能包括:总账管理、卡系统管理、客户信息管理、额度控管、存款、贷款、资金业务、国际结算、支付结算、对外接口等 清分清算系统 以清算日期为准,将账务类交易、非账务类交易的手续费、代理费、网络服务费等相关费用,按费用类型计算应收、应付金额,经过清算人员确认后上送核心系统完成结算的过程 国际结算系
- Python学习1(pip django 安装以及第一个project)
小桔子
pythondjangopip
最近开始学习python,要安装个pip的工具。听说这个工具很强大,安装了它,在安装第三方工具的话so easy!然后也下载了,按照别人给的教程开始安装,奶奶的怎么也安装不上!
第一步:官方下载pip-1.5.6.tar.gz, https://pypi.python.org/pypi/pip easy!
第二部:解压这个压缩文件,会看到一个setup.p
- php 数组
aichenglong
PHP排序数组循环多维数组
1 php中的创建数组
$product = array('tires','oil','spark');//array()实际上是语言结构而不 是函数
2 如果需要创建一个升序的排列的数字保存在一个数组中,可以使用range()函数来自动创建数组
$numbers=range(1,10)//1 2 3 4 5 6 7 8 9 10
$numbers=range(1,10,
- 安装python2.7
AILIKES
python
安装python2.7
1、下载可从 http://www.python.org/进行下载#wget https://www.python.org/ftp/python/2.7.10/Python-2.7.10.tgz
2、复制解压
#mkdir -p /opt/usr/python
#cp /opt/soft/Python-2
- java异常的处理探讨
百合不是茶
JAVA异常
//java异常
/*
1,了解java 中的异常处理机制,有三种操作
a,声明异常
b,抛出异常
c,捕获异常
2,学会使用try-catch-finally来处理异常
3,学会如何声明异常和抛出异常
4,学会创建自己的异常
*/
//2,学会使用try-catch-finally来处理异常
- getElementsByName实例
bijian1013
element
实例1:
<!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/x
- 探索JUnit4扩展:Runner
bijian1013
java单元测试JUnit
参加敏捷培训时,教练提到Junit4的Runner和Rule,于是特上网查一下,发现很多都讲的太理论,或者是举的例子实在是太牵强。多搜索了几下,搜索到两篇我觉得写的非常好的文章。
文章地址:http://www.blogjava.net/jiangshachina/archive/20
- [MongoDB学习笔记二]MongoDB副本集
bit1129
mongodb
1. 副本集的特性
1)一台主服务器(Primary),多台从服务器(Secondary)
2)Primary挂了之后,从服务器自动完成从它们之中选举一台服务器作为主服务器,继续工作,这就解决了单点故障,因此,在这种情况下,MongoDB集群能够继续工作
3)挂了的主服务器恢复到集群中只能以Secondary服务器的角色加入进来
2
- 【Spark八十一】Hive in the spark assembly
bit1129
assembly
Spark SQL supports most commonly used features of HiveQL. However, different HiveQL statements are executed in different manners:
1. DDL statements (e.g. CREATE TABLE, DROP TABLE, etc.)
- Nginx问题定位之监控进程异常退出
ronin47
nginx在运行过程中是否稳定,是否有异常退出过?这里总结几项平时会用到的小技巧。
1. 在error.log中查看是否有signal项,如果有,看看signal是多少。
比如,这是一个异常退出的情况:
$grep signal error.log
2012/12/24 16:39:56 [alert] 13661#0: worker process 13666 exited on s
- No grammar constraints (DTD or XML schema).....两种解决方法
byalias
xml
方法一:常用方法 关闭XML验证
工具栏:windows => preferences => xml => xml files => validation => Indicate when no grammar is specified:选择Ignore即可。
方法二:(个人推荐)
添加 内容如下
<?xml version=
- Netty源码学习-DefaultChannelPipeline
bylijinnan
netty
package com.ljn.channel;
/**
* ChannelPipeline采用的是Intercepting Filter 模式
* 但由于用到两个双向链表和内部类,这个模式看起来不是那么明显,需要仔细查看调用过程才发现
*
* 下面对ChannelPipeline作一个模拟,只模拟关键代码:
*/
public class Pipeline {
- MYSQL数据库常用备份及恢复语句
chicony
mysql
备份MySQL数据库的命令,可以加选不同的参数选项来实现不同格式的要求。
mysqldump -h主机 -u用户名 -p密码 数据库名 > 文件
备份MySQL数据库为带删除表的格式,能够让该备份覆盖已有数据库而不需要手动删除原有数据库。
mysqldump -–add-drop-table -uusername -ppassword databasename > ba
- 小白谈谈云计算--基于Google三大论文
CrazyMizzz
Google云计算GFS
之前在没有接触到云计算之前,只是对云计算有一点点模糊的概念,觉得这是一个很高大上的东西,似乎离我们大一的还很远。后来有机会上了一节云计算的普及课程吧,并且在之前的一周里拜读了谷歌三大论文。不敢说理解,至少囫囵吞枣啃下了一大堆看不明白的理论。现在就简单聊聊我对于云计算的了解。
我先说说GFS
&n
- hadoop 平衡空间设置方法
daizj
hadoopbalancer
在hdfs-site.xml中增加设置balance的带宽,默认只有1M:
<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>10485760</value>
<description&g
- Eclipse程序员要掌握的常用快捷键
dcj3sjt126com
编程
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可以那么勤奋,每天都孜孜不倦得
- Android学习之路
dcj3sjt126com
Android学习
转自:http://blog.csdn.net/ryantang03/article/details/6901459
以前有J2EE基础,接触JAVA也有两三年的时间了,上手Android并不困难,思维上稍微转变一下就可以很快适应。以前做的都是WEB项目,现今体验移动终端项目,让我越来越觉得移动互联网应用是未来的主宰。
下面说说我学习Android的感受,我学Android首先是看MARS的视
- java 遍历Map的四种方法
eksliang
javaHashMapjava 遍历Map的四种方法
转载请出自出处:
http://eksliang.iteye.com/blog/2059996
package com.ickes;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
/**
* 遍历Map的四种方式
- 【精典】数据库相关相关
gengzg
数据库
package C3P0;
import java.sql.Connection;
import java.sql.SQLException;
import java.beans.PropertyVetoException;
import com.mchange.v2.c3p0.ComboPooledDataSource;
public class DBPool{
- 自动补全
huyana_town
自动补全
<!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&quo
- jquery在线预览PDF文件,打开PDF文件
天梯梦
jquery
最主要的是使用到了一个jquery的插件jquery.media.js,使用这个插件就很容易实现了。
核心代码
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.
- ViewPager刷新单个页面的方法
lovelease
androidviewpagertag刷新
使用ViewPager做滑动切换图片的效果时,如果图片是从网络下载的,那么再子线程中下载完图片时我们会使用handler通知UI线程,然后UI线程就可以调用mViewPager.getAdapter().notifyDataSetChanged()进行页面的刷新,但是viewpager不同于listview,你会发现单纯的调用notifyDataSetChanged()并不能刷新页面
- 利用按位取反(~)从复合枚举值里清除枚举值
草料场
enum
以 C# 中的 System.Drawing.FontStyle 为例。
如果需要同时有多种效果,
如:“粗体”和“下划线”的效果,可以用按位或(|)
FontStyle style = FontStyle.Bold | FontStyle.Underline;
如果需要去除 style 里的某一种效果,
- Linux系统新手学习的11点建议
刘星宇
编程工作linux脚本
随着Linux应用的扩展许多朋友开始接触Linux,根据学习Windwos的经验往往有一些茫然的感觉:不知从何处开始学起。这里介绍学习Linux的一些建议。
一、从基础开始:常常有些朋友在Linux论坛问一些问题,不过,其中大多数的问题都是很基础的。例如:为什么我使用一个命令的时候,系统告诉我找不到该目录,我要如何限制使用者的权限等问题,这些问题其实都不是很难的,只要了解了 Linu
- hibernate dao层应用之HibernateDaoSupport二次封装
wangzhezichuan
DAOHibernate
/**
* <p>方法描述:sql语句查询 返回List<Class> </p>
* <p>方法备注: Class 只能是自定义类 </p>
* @param calzz
* @param sql
* @return
* <p>创建人:王川</p>
* <p>创建时间:Jul