miao_nei
miao_nei

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了

机器学习 --浙江大学机器学习笔记 强烈推荐

设置参数：

T-task 要完成的任务
E-experience 用于机器来学习的数据
P-perfoemance 性能评价指标

学习分为：监督学习和强化学习 ps：划分并不绝对

监督学习分为：监督学习和无监督学习 区别在于经验的来源
						监督学习：E来自人工给与
								监督学习分为：分类 回归 这俩种分类不是绝对的
								分类：标签是离散的值   eg：人脸识别
								回归：标签是连续的值		eg：股价								

						非监督学习：E来自自己的不断试错  我们只需要定义收益函数
强化学习：计算机自动改变行为使收益最大化
一般先监督后强化会使效率变高
就像我们学习时先学知识再做题在做题中不断的完善自己就是先监督后强化

监督学习根据数据标签存在与否的分类：

传统的监督学习

应用：	支持向量机
		人工神经网络
		深度神经网络

非监督学习

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第1张图片

应用：	聚类
		EM算法
		主成分分析

半监督学习

上面的综合，出现原因 无监督学习太慢，监督学习标签成本高

机器学习步骤

	第一步 ：提取特征 PS：机器学习的重点在于如何构造算法从而获得更好的性能
	第二部：特征选择
	第三步：形成特征空间以及划分  可以是n维

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第2张图片

学习模型——基础概念

NO Free Lunch  Theorem：任何一个预测函数
	如果在一些样本训练上表现好那么必然在另一些样本上表现的不好
	如果不先假设数据 那么一般来说正确和错误的概率相同
	为什么会出现这种情况 是因为我们先假设出现的概率为0.5
	但实际情况往往不是：在特征空间中接近的样本往往一样 
	eg：明天太阳会升起
	机器学习的本质就是由已知->未知 
	没有能适用与一切的好的model

具体算法学习

支持向量机——SVV（苏联乌拉

线性可分 ：可用一条直线（二维）将样本区分开来 ps三维就是平面 四维 超平面
一个
线性不可分：不存在一条直线（二维）将其分开

线性可分–二维 俩类

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第3张图片

Xi为向量  yi{+1 -1}表示分类

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第4张图片

线性可分基于线性代数的转换

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第5张图片

上面的公式逆推即就是预测的过程 即由样本估计分类

步骤

解决线性可分问题
将结论推广到线性不可分中去

怎么判断那个最好？

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第6张图片

二号线对误差的容忍程度最高
怎么想到这条线？看看大佬的想法
将所确定的分类直线向两类样本平行移动 直到和样本相交 俩条线距离最远且在左右俩相交直线的最中间 的就是最优解
高维？ 化为平面即可

支持向量机优化

最小化（严格数学公式

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第7张图片

所必要的前置知识

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第8张图片
机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第9张图片

通过a来缩放wb的大小 基于前置知识一

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第10张图片

那么公式2变为

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第11张图片

求d最大及要求w最小 在前面乘以1/2是为了方便后续的求导

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第12张图片

该优化为凸优化中的二次规划问题
凸优化：研究定义于凸集中的凸函数最小化的问题 （只有唯一的全局极值，可用梯度下降算法计算 详情见高数部分（滑稽）
二次规划：目标函数为二次函数，约束条件为线性约束，属于最简单的一种非线性规划。 要求：目标函数是二次项，限制条件是一次项
要么无解 要么有唯一解

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第13张图片

线性不可分时

当线性不可分时 是找不到一个wb满足上式子
因此在这里进行一个改变 （原理 不知道 有点像收敛的定义

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第14张图片
机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第15张图片

不仅要让w越小越好，同时让松弛变量越小越好
	c是人为设定的--超参数

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第16张图片

	当C足够大时 松弛变量趋近于0
	从上图中可以发现应该是一条曲线 所以我们因扩大可选函数的范围 不能只满足于线性

解决上述问题

将特征空间由低维映射到高维 （升维度解决）变成线性可分 （数学家消防员故事）
结论：将数据映射到高维可以更容易线性划分

机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第17张图片
机器学习从零开始 --基础概念+支持向量机（哪天不更了说明放弃了_第18张图片

用凸函数可以解出和上面之前几乎一模一样

你可能感兴趣的:(机器学习,人工智能,算法)

  • 查看Python库依赖关系的解决方案 爱编程的喵喵 Python基础课程python依赖关系
      大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮助新手快速入门。  本文主要介绍了查看Python库依赖关系的解决方案
  • Python编码系列—Python原型模式：深克隆与高效复制的艺术 学步_技术 Python编码python原型模式开发语言
    欢迎来到我的技术小筑，一个专为技术探索者打造的交流空间。在这里，我们不仅分享代码的智慧，还探讨技术的深度与广度。无论您是资深开发者还是技术新手，这里都有一片属于您的天空。让我们在知识的海洋中一起航行，共同成长，探索技术的无限可能。探索专栏：学步_技术的首页——持续学习，不断进步，让学习成为我们共同的习惯，让总结成为我们前进的动力。技术导航：人工智能：深入探讨人工智能领域核心技术。自动驾驶：分享自动
  • DeepSeek R1 详解：思维链、强化学习和蒸馏 前网易架构师-高司机 2025年最新-深度学习+AIDeepSeek和AI工具深度学习Deepseek
    目录思维链强化学习蒸馏DeepSeek是如何做到的?训练过程较小模型基准为什么Deepseek很重要DeepSeekR1常见问题解答来自中国的新型大型语言模型DeepSeekR1的发布在人工智能研究界引起了轰动。这不仅仅是又一次渐进式改进。DeepSeek代表着一次重大飞跃。大多数新的人工智能模型感觉都像是小步前进，DeepSeek-R1则不同。Deepseek的基准在推理任务（数学、编码和科学）
  • 考研导师选择方法 herosunly 考名校研究生经验分享考研选择导师考研导师选择方法
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 梯度下降法(Gradient Descent) -- 现代机器学习的血液 AOIWB 机器学习人工智能python
    梯度下降法(GradientDescent)–现代机器学习的血液梯度下降法是现代机器学习最核心的优化引擎。本文从数学原理、算法变种、应用场景到实践技巧，用三维可视化案例和代码实现揭示其内在逻辑，为你构建完整的认知体系。优化算法一、梯度下降法的定义与核心原理定义：梯度下降法是一种通过迭代更新参数来最小化目标函数的优化算法，其核心思想是沿着当前点的负梯度方向逐步逼近函数最小值。数学表达：参数更新公式为
  • 环境会影响你的决策：K近邻算法（KNN) AOIWB 机器学习基础近邻算法人工智能算法
    环境会影响你的决策：K近邻算法（KNN)1.核心思想与流程KNN是一种基于局部相似性的分类算法，核心思想是“近朱者赤”：待测样本的类别由其最近的k个邻居的多数类别决定。关键步骤：定义空间与距离：通常采用欧式空间，计算两点间直线距离：dis(a,b)=∑i=1n(ai−bi)2\text{dis}(a,b)=\sqrt{\sum_{i=1}^n(a_i-b_i)^2}dis(a,b)=i=1∑n(a
  • 3 算法1-3 火星人 咚咚轩 算法数据结构
    题目描述一个火星人用一个人类的手演示了如何用手指计数。如果把五根手指――拇指、食指、中指、无名指和小指分别编号为1,2,3,4和5，当它们按正常顺序排列时，形成了5位数12345，当你交换无名指和小指的位置时，会形成5位数12354，当你把五个手指的顺序完全颠倒时，会形成54321，在所有能够形成的120个5位数中，12345最小，它表示1；12354第二小，它表示2；54321最大，它表示120
  • OpenSSL 基础使用流程 TsuanS 网络OpenSSL
    理解OpenSSL的基础使用流程是学习如何进行安全通信的关键，特别是在实现SSL/TLS连接时。以下是OpenSSL基础使用流程的一个简要总结，并附上一个简单的示例代码，帮助你理解如何通过OpenSSL建立一个基本的安全通信连接。OpenSSL基础使用流程初始化OpenSSL在使用OpenSSL之前，你需要先初始化OpenSSL库。这个初始化过程会加载加密算法、SSL库等所需的组件。创建SSL上下
  • 前沿计组知识入门（二） tianyunlinger 计组人工智能笔记
    第2页：并行计算与编程硬件：多处理器多内存互连网络系统软件：并行操作系统用于表达和协调并发的编程构造应用软件：并行算法目标：利用硬件、系统和应用软件实现加速（速度提升）：Tp=TspT_p=\frac{T_s}{p}Tp=pTs解决需要大量内存的问题第3页：并行算法/公式化并行公式化：并行化串行算法。并行算法：可能与串行算法完全不同。重点：主要讨论如何开发并行公式化。也会涉及一些非串行算法的并行例
  • 如何在本地运行大型语言模型（LLM）：深度指南及最佳实践 m0_57781768 语言模型人工智能自然语言处理
    如何在本地运行大型语言模型（LLM）：深度指南及最佳实践在当今的人工智能领域，越来越多的开发者希望能够在本地运行大型语言模型（LLM），而不依赖于云端服务。这种趋势的兴起主要源于两个重要的需求：隐私保护和成本控制。通过在本地设备上运行LLM，用户的数据不会被发送到第三方服务器，确保了数据的隐私性。同时，在长时间运行的模拟、文本生成、总结等需要大量计算资源的应用中，本地运行可以显著降低成本。本文将深
  • 嵌入式Qt的动平衡仪完整设计方案 m0_55576290 Balanceqt网络开发语言
    一、系统架构总览硬件层硬件接口层数据采集模块动平衡算法模块数据存储模块UI模块通信模块系统服务层所有模块二、硬件接口层实现1.传感器驱动抽象//drivers/sensor_driver.hclassSensorDriver{public:virtualboolinit()=0;virtualQVectorreadData()=0;virtualboolcalibrate(floatbaseVal
  • 【QT开发教程】使用Qt进行跨平台（Windows、macOS、Linux、iOS和Android）开发的最佳实践 I'mAlex QT开发教程qt开发语言跨平台
    Qt是一个强大的跨平台C++框架，使得开发者可以编写一次代码并在多个平台上运行，包括Windows、macOS、Linux、iOS和Android。在跨平台开发过程中，遵循一些最佳实践可以帮助我们提高开发效率和代码质量。本文将介绍使用Qt进行跨平台开发的最佳实践。博主简介：现任阿里巴巴嵌入式技术专家，15年工作经验，深耕嵌入式+人工智能领域，精通嵌入式领域开发、技术管理、简历招聘面试。CSDN优质
  • 这是我的第一篇博客 流川飞 c++
    结束摆烂，看看自己的极限在哪里，两年后回来看自己个人介绍：我是一个大一下学期的男生，就读人工智能专业，性格活泼爱笑[face]emoji:008.png[/face]编程目标：能拿到一份满意的offer，能成为很厉害的程序员如何学习：利用晚上的水课和没课的时间学习编程，到一定水平后参加蓝桥杯类的比赛!我打算每周在编程上花费的时间：35h+我最想进入的一家IT公司：马斯克的公司!
  • 【十大排序算法】（一）冒泡排序算法（优化） 2401_84408404 程序员算法排序算法数据结构
    intborder=len-1,lastIndex=0;for(inti=0;iarr[j+1]){inttemp=arr[j];arr[j]=arr[j+1];arr[j+1]=temp;lastIndex=j;isSorted=false;}}border=lastIndex;if(isSorted){break;}}}但是，优化第二版仍不是最优方案，上面的两种优化方案只是减少每轮的操作次数，
  • DeepSeek怎么用，DeepSeek使用指南最全合集（保姆级教程） xiecoding.cn deepseekdeepseek使用指南deepseek怎么用deepseek免费教学deepseek资料合集
    DeepSeek是一款由国内顶尖团队开发的人工智能大模型，旨在为用户提供高效、智能的问答和知识服务。作为国产AI模型的代表，DeepSeek不仅在自然语言处理（NLP）领域表现出色，还在多个应用场景中展现了强大的能力。与ChatGPT等国际知名模型相比，DeepSeek在中文语境下的表现尤为突出，能够更好地理解中文的复杂语义和文化背景。DeepSeek使用资源下载为了方便大家更好地学习和使用Dee
  • Datawhale 数学建模导论国赛B学习笔记 瓜瓜蛋 数学建模学习笔记
    贪心算法贪心算法(Greedyalgorithm)（贪婪算法）基本思想：多机调度问题是一个多项式复杂程度的非确定性问题(Non-deterministicPolynomial)，具有一定的复杂程度，当前没有有效的解决方法。相较于其它算法，贪心算法求解不从整体最优上加以考虑,。而是寻求某种意义上的局部最优解，从而做出当下最好的选择。因此，在求解并行机调度问题上，贪心算法容易获得近似最优解的答案，更有
  • react原理面试题 前端react
    以下是一些关于React原理的面试题：一、虚拟DOM（VirtualDOM）请简要解释React中的虚拟DOM是如何工作的？答案：当组件的状态发生变化时，React首先会在内存中创建一个新的虚拟DOM树来表示更新后的UI结构。然后，React会将这个新的虚拟DOM树与旧的虚拟DOM树进行比较（这个过程称为Diff算法）。Diff算法会找出两个虚拟DOM树之间的差异，例如哪些节点被添加、删除或者修改
  • 2021年最新社招字节跳动 go 后端开发工程师一二三四五面面经 AI乔治 java面试架构Java架构面试程序人生编程语言
    因为公司原因，所以就换了工作，第一目标就是字节，12月份找朋友内推的上海教育部门，朋友让我多准备准备，过了两周才开始一面。附上新鲜的一二三四五面面经。写在前面面试字节一定要提前复习，能提前多久就提前多久。尤其是算法，绝对是重中之重，因为我已经刷了3年LeetCode了，所以算法没怎么复习，三次面试一共6题也全写出来了，基本上都是原题。然后就是数据库、网络、消息中间件、架构等等。校招的话架构可以不用
  • 清华DeepSeek从入门到精通系列PDF全五弹 2501_90737221 pdf人工智能
    资源链接：https://pan.quark.cn/s/e9b7230b1538宝子们，今天要给大家分享一套超级厉害的DeepSeek系列PDF，由清华大学新闻与传播学院新媒体研究中心元宇宙文化实验室出品，从入门到精通，全方位带你玩转人工智能!DeepSeek从入门到精通(清华大学指南第一弹)这本PDF是DeepSeek的敲门砖，内容涵盖DeepSeek的基本概念、应用场景以及如何使用DeepSe
  • 【算法学习之路】4.简单数论（4） 零零时 算法学习之路算法学习c++开发语言数据结构数学高精度
    简单数论（4）前言三.高精度1.什么是高精度2.解决办法精度乘除法一.精度乘法1.数据的存储2.步骤3.例题：高精度乘法二.精度除法1.例子2.步骤3.例题：高精度除法前言我会将一些常用的算法以及对应的题单给写完，形成一套完整的算法体系，以及大量的各个难度的题目，目前算法也写了几篇，滑动窗口的题单正在更新，其他的也会陆陆续续的更新，希望大家点赞收藏我会尽快更新的！！！三.高精度1.什么是高精度对运
  • 三七互娱，蓝禾，顺丰，oppo，游卡，汤臣倍健，康冠科技，作业帮，高途教育25届春招内推 weixin_53585422 java算法游戏美术嵌入式硬件求职招聘
    三七互娱，蓝禾，顺丰，oppo，游卡，汤臣倍健，康冠科技，作业帮，高途教育25届春招内推①康冠科技【职位】算法、软件、硬件、技术，结构设计，供应链，产品，职能，商务【一键内推】https://sourl.cn/2Mm9Lk【内推码】EVBM88②蓝禾（秋招投过还可投）【岗位】国内/国际电商运营，设计，营销，职能，工作地：深圳【请选择“校园大使推荐码”】71T3HES【一键内推】https://so
  • AI 进阶指南：携手DeepSeek从小白到行业先锋的跃迁之路 轻口味 大模型实战人工智能deepseek大模型
    AI进阶指南：携手DeepSeek从小白到行业先锋的跃迁之路在当今数字化浪潮汹涌澎湃的时代，人工智能（AI）宛如一颗璀璨的明星，照亮了各个领域的创新与发展道路。然而，面对AI这一庞大而复杂的体系，许多人往往感到迷茫无措，不知自己处于何种水平，更不知如何迈向更高的层次。尤其是DeepSeek的出圈，AI的热度更加火爆。无论是普通用户还是AI从业者也变得很迷茫，不知如何应对AI的崛起。本文将依据AI应
  • 软考程序员各模块知识点对应的分值分布及考试形式总结 水瓶丫头站住 考试排序算法算法数据结构
    软考程序员考试分为基础知识（综合知识）和应用技术两个科目，各科目满分均为75分，合格标准通常为45分。以下是各模块知识点对应的分值分布及考试形式总结：一、综合知识（上午考试）题型：75道客观选择题（含5道专业英语题），每题1分，总分75分。核心模块及分值（基于近10次考试统计）：数据结构和算法（11-13分）重点：顺序表、链表、树、图、排序与查找算法等。计算机系统基础知识（7-11分）包含进制转换
  • 算法001-奇偶统计-给你若干个数字，最后一个数字是 0，让你统计这些数字中有多少个偶数，以及所有奇数的和 m0_66127918 c++
    奇偶统计【题目描述】给你若干个数字，最后一个数字是0，让你统计这些数字中有多少个偶数，以及所有奇数的和。【输入格式】一行，若干个数字，最后一个数字是0。【输出格式】第一行是这些数字中的偶数的个数。第二行是这些数字中奇数的总和。【样例】输入数据：125372399436542899933660输出数据：8257#includeusingnamespacestd;intmain(){intn,num_
  • 冒泡排序算法优化 kupeThinkPoem c++算法c++算法
    一概述冒泡排序是一种简单的交换排序算法，其核心思想是通过相邻元素比较和交换将最大元素逐步移动到数组末尾。二、基础冒泡排序voidbubbleSort(intarr[],intn){for(inti=0;iarr[j+1]){swap(arr[j],arr[j+1]);}}}}三、优化方案及实现1提前终止优化（最优情况时间复杂度O(n)）voidoptimizedBubble1(intarr[],i
  • AI赋能智能家居，CES Asia 2025论坛深度探讨行业未来 赛逸展张胜 人工智能科技
    在科技飞速发展的当下，人工智能（AI）正以惊人的速度渗透到各个领域，智能家居便是其中备受瞩目的应用场景之一。2025年，第七届亚洲消费电子技术贸易展（CESAsia2025）以“科技重塑生活，创新定义未来”为主题盛大举行，同期举办的“AI赋能未来：从技术创新到商业落地”论坛，聚焦AI在智能家居领域的应用与发展，吸引了众多企业的高度关注。AI重塑智能家居新生态随着人们对生活品质的追求不断提高，智能家
  • 苹果AI生态再扩容！iOS 18.4代码泄密：Find My定位将获Gemini多模态能力加持 北京自在科技 iosfindmy前沿技术科技googleGemini
    2025年2月24日，开发者社区通过iOS18.4测试版后端代码发现重大升级——苹果正将谷歌Gemini模型深度整合至FindMy定位体系，这标志着全球超20亿苹果设备组成的FindMyNetwork将迎来智能进化。FindMy技术升级路径多模态定位算法增强代码显示，当用户通过Siri调用FindMy查找AirTag或第三方设备时，系统将优先调用Gemini2.0的视觉-语义联合模型。例如查找丢失
  • 特征提取：如何从不同模态中获取有效信息？ Ash Butterfield 自然语言处理（NLP）专栏nlp人工智能
    在多模态学习中，特征提取是一个至关重要的过程。它是将原始数据（如文本、图像、视频和语音等）转化为机器能够理解和处理的特征的核心步骤。不同于传统的单一模态任务，在多模态学习中，如何有效地从每种模态中提取出有意义的信息并进行融合，直接影响到最终模型的性能和准确性。本篇文章将详细讲解如何从不同的模态（文本、图像、语音）中进行特征提取，涵盖常用的技术、方法、挑战以及应用。1.什么是特征提取？在机器学习中，
  • leetcode 0004 寻找两个正序数组的中位数 - hard SuperCandyXu Leetcodeleetcode算法职场和发展
    1题目：寻找两个正序数组的中位数给定两个大小分别为m和n的正序（从小到大）数组nums1和nums2。请你找出并返回这两个正序数组的中位数。算法的时间复杂度应该为O(log(m+n))。示例1：输入：nums1=[1,3],nums2=[2]输出：2.00000解释：合并数组=[1,2,3]，中位数2示例2：输入：nums1=[1,2],nums2=[3,4]输出：2.50000解释：合并数组=[
  • 在Python中高效操作三维和四维数组相乘：人工智能基础 NumPy部分 秋‍. pythonnumpy开发语言人工智能
    一、前言在深度学习、科学计算和数据分析领域，处理高维数组是家常便饭。本文将深入探讨三维和四维数组的相乘操作，通过NumPy库演示各种实用技巧。二、核心概念梳理1.数组维度理解三维数组：(层,行,列)可理解为多个二维矩阵的堆叠四维数组：(批次大小,通道数,高度,宽度)常见于图像处理2.关键函数对比函数特性说明支持维度np.multiply元素级相乘任意np.dot标准矩阵点积≤2np.matmul广
  • jsonp 常用util方法 hw1287789687 jsonpjsonp常用方法jsonp callback
    jsonp 常用java方法 (1)以jsonp的形式返回:函数名(json字符串) /*** * 用于jsonp调用 * @param map : 用于构造json数据 * @param callback : 回调的javascript方法名 * @param filters : <code>SimpleBeanPropertyFilter theFilt
  • 多线程场景 alafqq 多线程
    0 能不能简单描述一下你在java web开发中需要用到多线程编程的场景？0 对多线程有些了解，但是不太清楚具体的应用场景，能简单说一下你遇到的多线程编程的场景吗？ Java多线程 2012年11月23日 15:41 Young9007 Young9007 4 0 0 4 Comment添加评论关注(2) 3个答案 按时间排序 按投票排序 0 0 最典型的如： 1、
  • Maven学习——修改Maven的本地仓库路径 Kai_Ge maven
          安装Maven后我们会在用户目录下发现.m2 文件夹。默认情况下，该文件夹下放置了Maven本地仓库.m2/repository。所有的Maven构件(artifact)都被存储到该仓库中，以方便重用。但是windows用户的操作系统都安装在C盘，把Maven仓库放到C盘是很危险的，为此我们需要修改Maven的本地仓库路径。    
  • placeholder的浏览器兼容 120153216 placeholder
    【前言】 自从html5引入placeholder后，问题就来了， 不支持html5的浏览器也先有这样的效果， 各种兼容，之前考虑，今天测试人员逮住不放， 想了个解决办法，看样子还行，记录一下。   【原理】 不使用placeholder，而是模拟placeholder的效果， 大概就是用focus和focusout效果。   【代码】 <scrip
  • debian_用iso文件创建本地apt源 2002wmj Debian
    1.将N个debian-506-amd64-DVD-N.iso存放于本地或其他媒介内，本例是放在本机/iso/目录下 2.创建N个挂载点目录 如下： debian:~#mkdir –r /media/dvd1 debian:~#mkdir –r /media/dvd2 debian:~#mkdir –r /media/dvd3 …. debian:~#mkdir –r /media
  • SQLSERVER耗时最长的SQL 357029540 SQL Server
    对于DBA来说，经常要知道存储过程的某些信息： 1.   执行了多少次 2.   执行的执行计划如何 3.   执行的平均读写如何 4.   执行平均需要多少时间 列名          &
  • com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 7454103 eclipse
    今天eclipse突然报了com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 错误，并且工程文件打不开了，在网上找了一下资料，然后按照方法操作了一遍，好了，解决方法如下： 错误提示信息： An error has occurred.See error log for more details. Reason: com/genuitec/
  • 用正则删除文本中的html标签 adminjun javahtml正则表达式去掉html标签
    使用文本编辑器录入文章存入数据中的文本是HTML标签格式，由于业务需要对HTML标签进行去除只保留纯净的文本内容，于是乎Java实现自动过滤。 如下： public static String Html2Text(String inputString) { String htmlStr = inputString; // 含html标签的字符串 String textSt
  • 嵌入式系统设计中常用总线和接口 aijuans linux 基础
                   嵌入式系统设计中常用总线和接口         任何一个微处理器都要与一定数量的部件和外围设备连接，但如果将各部件和每一种外围设备都分别用一组线路与CPU直接连接，那么连线
  • Java函数调用方式——按值传递 ayaoxinchao java按值传递对象基础数据类型
    Java使用按值传递的函数调用方式，这往往使我感到迷惑。因为在基础数据类型和对象的传递上，我就会纠结于到底是按值传递，还是按引用传递。其实经过学习，Java在任何地方，都一直发挥着按值传递的本色。   首先，让我们看一看基础数据类型是如何按值传递的。   public static void main(String[] args) { int a = 2;
  • ios音量线性下降 bewithme ios音量
    直接上代码吧   //second 几秒内下降为0 - (void)reduceVolume:(int)second { KGVoicePlayer *player = [KGVoicePlayer defaultPlayer]; if (!_flag) { _tempVolume = player.volume;
  • 与其怨它不如爱它 bijian1013 选择理想职业规划
            抱怨工作是年轻人的常态，但爱工作才是积极的心态，与其怨它不如爱它。         一般来说，在公司干了一两年后，不少年轻人容易产生怨言，除了具体的埋怨公司“扭门”，埋怨上司无能以外，也有许多人是因为根本不爱自已的那份工作，工作完全成了谋生的手段，跟自已的性格、专业、爱好都相差甚远。  
  • 一边时间不够用一边浪费时间 bingyingao 工作时间浪费
    一方面感觉时间严重不够用，另一方面又在不停的浪费时间。 每一个周末，晚上熬夜看电影到凌晨一点，早上起不来一直睡到10点钟，10点钟起床，吃饭后玩手机到下午一点。 精神还是很差，下午像一直野鬼在城市里晃荡。 为何不尝试晚上10点钟就睡，早上7点就起，时间完全是一样的，把看电影的时间换到早上，精神好，气色好，一天好状态。 控制让自己周末早睡早起，你就成功了一半。 有多少个工作
  • 【Scala八】Scala核心二：隐式转换 bit1129 scala
    Implicits work like this: if you call a method on a Scala object, and the Scala compiler does not see a definition for that method in the class definition for that object, the compiler will try to con
  • sudoku slover in Haskell (2) bookjovi haskellsudoku
    继续精简haskell版的sudoku程序，稍微改了一下，这次用了8行，同时性能也提高了很多，对每个空格的所有解不是通过尝试算出来的，而是直接得出。   board = [0,3,4,1,7,0,5,0,0, 0,6,0,0,0,8,3,0,1, 7,0,0,3,0,0,0,0,6, 5,0,0,6,4,0,8,0,7,
  • Java-Collections Framework学习与总结-HashSet和LinkedHashSet BrokenDreams linkedhashset
            本篇总结一下两个常用的集合类HashSet和LinkedHashSet。         它们都实现了相同接口java.util.Set。Set表示一种元素无序且不可重复的集合；之前总结过的java.util.List表示一种元素可重复且有序
  • 读《研磨设计模式》-代码笔记-备忘录模式-Memento 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/ import java.util.ArrayList; import java.util.List; /* * 备忘录模式的功能是，在不破坏封装性的前提下，捕获一个对象的内部状态，并在对象之外保存这个状态，为以后的状态恢复作“备忘”
  • 《RAW格式照片处理专业技法》笔记 cherishLC PS
    注意，这不是教程！仅记录楼主之前不太了解的 一、色彩（空间）管理 作者建议采用ProRGB（色域最广），但camera raw中设为ProRGB，而PS中则在ProRGB的基础上，将gamma值设为了1.8（更符合人眼） 注意：bridge、camera raw怎么设置显示、输出的颜色都是正确的（会读取文件内的颜色配置文件），但用PS输出jpg文件时，必须先用Edit->conv
  • 使用 Git 下载 Spring 源码 编译 for Eclipse crabdave eclipse
    使用 Git 下载 Spring 源码 编译 for Eclipse   1、安装gradle，下载 http://www.gradle.org/downloads 配置环境变量GRADLE_HOME，配置PATH  %GRADLE_HOME%/bin，cmd，gradle -v   2、spring4 用jdk8 下载 https://jdk8.java.
  • mysql连接拒绝问题 daizj mysql登录权限
    mysql中在其它机器连接mysql服务器时报错问题汇总 一、[running][email protected]:~$mysql -uroot -h 192.168.9.108 -p   //带-p参数，在下一步进行密码输入 Enter password:    //无字符串输入 ERROR 1045 (28000): Access
  • Google Chrome 为何打压 H.264 dsjt applehtml5chromeGoogle
    Google 今天在 Chromium 官方博客宣布由于 H.264 编解码器并非开放标准，Chrome 将在几个月后正式停止对 H.264 视频解码的支持，全面采用开放的 WebM 和 Theora 格式。 Google 在博客上表示，自从 WebM 视频编解码器推出以后，在性能、厂商支持以及独立性方面已经取得了很大的进步，为了与 Chromium 现有支持的編解码器保持一致，Chrome
  • yii 获取控制器名 和方法名 dcj3sjt126com yiiframework
    1. 获取控制器名 在控制器中获取控制器名:  $name = $this->getId(); 在视图中获取控制器名:    $name = Yii::app()->controller->id;    2. 获取动作名  在控制器beforeAction()回调函数中获取动作名:  $name =
  • Android知识总结（二） come_for_dream android
    明天要考试了，速速总结如下   1、Activity的启动模式        standard：每次调用Activity的时候都创建一个（可以有多个相同的实例，也允许多个相同Activity叠加。）        singleTop：可以有多个实例，但是不允许多个相同Activity叠加。即，如果Ac
  • 高洛峰收徒第二期：寻找未来的“技术大牛” ——折腾一年，奖励20万元 gcq511120594 工作项目管理
    高洛峰，兄弟连IT教育合伙人、猿代码创始人、PHP培训第一人、《细说PHP》作者、软件开发工程师、《IT峰播》主创人、PHP讲师的鼻祖！ 首期现在的进程刚刚过半，徒弟们真的很棒，人品都没的说，团结互助，学习刻苦，工作认真积极，灵活上进。我几乎会把他们全部留下来，现在已有一多半安排了实际的工作，并取得了很好的成绩。等他们出徒之日，凭他们的能力一定能够拿到高薪，而且我还承诺过一个徒弟，当他拿到大学毕
  • linux expect heipark expect
    1. 创建、编辑文件go.sh   #!/usr/bin/expect spawn sudo su admin expect "*password*" { send "13456\r\n" } interact    2. 设置权限   chmod u+x go.sh  3.
  • Spring4.1新特性——静态资源处理增强 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • idea ubuntuxia 乱码 liyonghui160com
      1.首先需要在windows字体目录下或者其它地方找到simsun.ttf 这个 字体文件。 2.在ubuntu 下可以执行下面操作安装该字体： sudo mkdir /usr/share/fonts/truetype/simsun sudo cp simsun.ttf /usr/share/fonts/truetype/simsun fc-cache -f -v
  • 改良程序的11技巧 pda158 技巧
    有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点，程序你只写一次，但以后会无数次的阅读。当你第二天回头来看你的代码 时，你就要开始阅读它了。当你把代码拿给其他人看时，他必须阅读你的代码。因此，在编写时多花一点时间，你会在阅读它时节省大量的时间。   让我们看一些基本的编程技巧：   尽量保持方法简短 永远永远不要把同一个变量用于多个不同的
  • 300个涵盖IT各方面的免费资源（下）——工作与学习篇 shoothao 创业免费资源学习课程远程工作
    工作与生产效率:   A. 背景声音 Noisli:背景噪音与颜色生成器。 Noizio:环境声均衡器。 Defonic:世界上任何的声响都可混合成美丽的旋律。 Designers.mx:设计者为设计者所准备的播放列表。 Coffitivity:这里的声音就像咖啡馆里放的一样。 B. 避免注意力分散 Self Co
  • 深入浅出RPC uule rpc
    深入浅出RPC-浅出篇 深入浅出RPC-深入篇   RPC Remote Procedure Call Protocol 远程过程调用协议   它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP或UDP，为通信程序之间携带信息数据。在OSI网络通信模型中，RPC跨越了传输层和应用层。RPC使得开发
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他