- 几行Python代码,轻松获取美股阿里巴巴的交易数据!
Python资深程序员
PythonPython
学Python可以干很多事情,比如爬虫,数据分析,机器学习,但是有一个非常小众的分支,不仅结合了两大高薪行业,而且还薪水非常诱人,就是量化金融岗位。目前Python已经是金融行业最低的一个门槛,几乎所有从事金融证券行业的人都要学会Python。今天给大家分享如何用Python获取美股的交易数据!Python资源共享群:626017123数据获取是数据分析的第一步,找不到可靠、真实的数据,数据分析无
- 04树 + 堆 + 优先队列 + 图(D1_树(D10_决策树))
Java丨成神之路
06数据结构与算法数据结构算法
目录一、引言二、算法原理三、算法实现四、知识小结一、引言决策树算法是一种常用的机器学习算法,可用于分类和回归问题。它基于特征之间的条件判断来构建一棵树,树的每个节点代表一个特征,每个叶节点代表一个类别或回归值。决策树算法具有简单、易于理解和解释的特点,且在处理大规模数据时具有较高的效率。本文将介绍决策树算法的基本原理,并提供了Java代码示例来说明其实现过程。二、算法原理决策树算法基于“分而治之”
- 【声音场景分类--论文阅读】
繁华落尽,寻一世真情
分类论文阅读数据挖掘
1.基于小波时频图特征在声音场景分类基于小波时频图特征在声音场景分类任务中的表现2.增强增强高效音频分类网络https://arxiv.org/pdf/2204.11479v5https://github.com/Alibaba-MIIL/AudioClassfication音频分类网络如图4所示。在此阶段,主要重点是建立一个神经网络具有较大的感受野,同时保持较低的复杂性。可以将网络分解为两个主块
- 【漫话机器学习系列】079.超参数调优(Hyperparameter Tuning)
IT古董
漫话机器学习系列专辑机器学习深度学习人工智能
超参数调优(HyperparameterTuning)是机器学习中优化模型性能的重要步骤之一。超参数是模型在训练之前设定的参数,而不是通过训练数据学习到的参数。正确地选择超参数可以显著提高模型的预测能力,反之,错误的超参数选择可能会导致过拟合、欠拟合或训练过程缓慢。1.超参数的定义超参数是控制学习过程的外部参数,不同于模型参数(例如权重和偏置),超参数不通过训练过程自动优化。常见的超参数包括:学习
- 【漫话机器学习系列】054.极值(Extrema)
IT古董
漫话机器学习系列专辑机器学习人工智能
极值(Extrema)定义极值是数学分析和优化问题中的一个核心概念,指函数在某个定义域内取得的最大值或最小值。根据极值的性质,可以将其分为两类:局部极值(LocalExtrema):函数在某点附近的最大值或最小值。全局极值(GlobalExtrema):函数在整个定义域内的最大值或最小值。分类局部极大值(LocalMaximum):若在点x=a附近存在某邻域,使得对任意x在该邻域内,满足f(x)≤
- torch.nn.RNN: PyTorch 中的循环神经网络(RNN)模块
彬彬侠
自然语言处理RNNPyTorchPython循环神经网络NLP自然语言处理
torch.nn.RNN:PyTorch中的循环神经网络(RNN)模块1.概述在PyTorch中,torch.nn.RNN是一个用于构建循环神经网络(RNN)的模块。它提供了一个可以进行训练的RNN层,广泛应用于序列数据的建模,如自然语言处理、时间序列分析等。这个模块可以处理各种类型的序列数据,并支持多种功能和配置。2.主要功能torch.nn.RNN可以:处理序列数据,捕捉时间上的依赖关系。支持
- 【机器学习】自定义数据集,使用scikit-learn 中K均值包 进行聚类
加德霍克
机器学习scikit-learn均值算法python作业
一、K均值算法简介K均值算法的目标是将数据集划分为K个簇,使得每个数据点属于离它最近的簇中心(centroid)所代表的簇。K均值聚类算法步骤①初始化:随机选择原始数据的K个数据点作为初始质心(聚类中心)。②分配:将每个数据点划分到距离最近的质心所对应的簇中,即计算每个数据点到每个质心的距离,选择距离最近的质心作为该数据点所属的簇。③更新:重新计算每个簇的质心,即将该簇中所有数据点的坐标取平均值,
- 零信任赋予安全牙齿,AI促使它更锋利
零信任Enlink_Young
零信任网络安全AIai网络安全
距离上次写关于安全的文字已经过去了很久很久,久到上次看到的AI还停留在TTS、ASR等最初的语音交互+搜索类似的各种智能音箱以及通过关键字匹配的基于知识库的聊天的机器人。之后的几年各种视觉识别遍地开花,AI四小龙在人脸识别上成熟应用,再然后到大热的机器学习、深度学习,对于AI一直都有关注,但商业价值均没有得到有效发挥,大部分都停在科研和实验室阶段。19年ChatGPT横空处世,直到ChatGPT通
- PyTorch动态计算图:如何灵活构建复杂模型
AI天才研究院
计算AI大模型企业级应用开发实战ChatGPT计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
PyTorch动态计算图:如何灵活构建复杂模型关键词:PyTorch、动态计算图、自动微分、反向传播、神经网络、模型构建、计算图优化文章目录PyTorch动态计算图:如何灵活构建复杂模型1.背景介绍1.1深度学习框架的发展1.2静态图与动态图的对比1.3PyTorch的崛起及其优势2.核心概念与联系2.1PyTorch中的张量(Tensor)2.2自动微分(Autograd)机制2.3动态计算图的
- 深度学习框架PyTorch原理与实践
AI天才研究院
AI实战大数据人工智能语言模型JavaPython架构设计
作者:禅与计算机程序设计艺术文章目录1.简介2.背景介绍3.基本概念和术语3.1PyTorch简介3.2PyTorch的特点1)自动求导机制2)GPU加速3)模型部署4)数据管道5)代码阅读友好4.核心算法原理4.1神经网络结构4.2神经网络层4.3激活函数5.实际案例——MNIST手写数字识别数据准备模型定义训练测试整体代码1.简介Deeplearning(DL)hasbeenanincreas
- R语言环境下载和RStudio安装教程
CyberXZ
r语言开发语言R语言
R语言环境下载和RStudio安装教程R语言是一种广泛应用于统计计算和数据分析的编程语言。它提供了丰富的统计和图形功能,被广泛用于数据科学、机器学习和数据可视化等领域。本教程将向您介绍如何下载和安装R语言环境以及RStudio集成开发环境。步骤1:下载R语言环境首先,您需要下载R语言环境。请按照以下步骤进行操作:在您的Web浏览器中打开R官方网站(https://www.r-project.org
- python中keras_Python深度学习——keras(一)
weixin_39534321
python中keras
神经网络的核心组件是层(layer),它是一种数据处理模块,可以看成是一个数据过滤器。进去一些数据,出来的数据变得更加有用(吃进去的是草,挤出来的是奶)。大多数深度学习,都是将若干个简单的层给链接起来,实现渐进式的数据过滤,也就是数据蒸馏(过滤到一定程度就等同于蒸馏)首先来看一个数字识别的案例(1)读取训练集和测试集fromkeras.datasetsimportmnist#加载keras中的mn
- 机器学习--学习计划
kyle~
机器学习机器学习学习人工智能
3周机器学习速成计划基于「28原则」,聚焦机器学习20%的核心概念,覆盖80%的常见应用场景。计划分为理论学习+项目实战,每周学习后通过5个递进项目巩固知识。第1周:数据与监督学习基础学习目标:掌握数据预处理、线性模型与分类任务的基础流程。核心概念(20%关键内容):数据预处理缺失值处理(均值填充、删除)特征缩放(标准化、归一化)分类变量编码(独热编码、标签编码)监督学习基础线性回归(原理、损失函
- 机器学习--概览
kyle~
机器学习机器学习人工智能
一、机器学习基础概念1.定义机器学习(MachineLearning,ML):通过算法让计算机从数据中自动学习规律,并利用学习到的模型进行预测或决策,而无需显式编程。2.与编程的区别传统编程机器学习输入:规则+数据→输出:结果输入:数据+结果→输出:规则需要人工编写逻辑自动发现数据中的模式3.核心要素数据:模型学习的原材料(结构化/非结构化)特征(Feature):数据的可量化属性(如房价预测中的
- 机器学习笔记20241017
tt555555555555
学习笔记深度学习机器学习笔记人工智能
文章目录torchvisiondataloadernn.module卷积非线性激活模型选择训练误差泛化误差正则化权重衰退的基本概念数学表示权重衰退的效果物理解释数值稳定性(GradientVanishing)梯度消失原因解决方法梯度爆炸(GradientExplosion)定义原因解决方法总结继续跟着小土堆学pytorchtorchvision#导入torchvision库,主要用于处理图像数据集
- 基于机器学习中集成学习的stacking方式进行的金线莲质量鉴别研究(python进行数据处理并完成建模,对品种进行预测)
Life is a joke
PYTHON人工智能机器学习机器学习集成学习人工智能
1.前言金线莲为兰科开唇兰属植物,别名金丝兰、金丝线、金耳环、乌人参、金钱草等,是一种名贵中药材,国内主要产地为较低纬度地区如:福建、台湾、广东、广西、浙江、江西、海南、云南、四川、贵州以及西藏南部[1],被当地人民誉为“药中之王”,福建品种和台湾品种更是其中的上等品种,在治疗肺部炎症、糖尿病、癌症、肾炎、膀胱炎、重症肌无力、风湿性及类风湿性关节炎、高血脂、毒蛇咬伤有着很大的作用[2-3]。由于野
- 基于BiGRU的预测模型及其Python和MATLAB实现
追蜻蜓追累了
机器学习深度学习cnnlstm神经网络gru回归算法
##一、背景在当今快速发展的数据驱动的时代,尤其是在自然语言处理(NLP)、时间序列预测、语音识别等任务中,深度学习技术的应用已经变得越来越普遍。传统的机器学习算法往往无法很好地捕捉数据中的时序信息和上下文关系,因此深度学习中的循环神经网络(RNN)逐渐成为解决这一问题的重要工具。RNN能够处理序列数据,但它们在长序列数据的学习中存在梯度消失和梯度爆炸的问题。为了解决这些问题,长短期记忆网络(LS
- Transformer预测模型及其Python和MATLAB实现
追蜻蜓追累了
transformer深度学习人工智能机器学习算法回归算法神经网络
###一、背景在自然语言处理(NLP)领域,传统的序列到序列(Seq2Seq)模型大多依赖于循环神经网络(RNN)和长短期记忆(LSTM)网络。这些模型虽然在许多任务中取得了成功,但由于其计算效率低下以及长距离依赖关系处理的不足,导致模型训练时间漫长,并在处理较长文本时效果不佳。2017年,Vaswani等人提出的Transformer模型在《AttentionisAllYouNeed》一文中引起
- 随机森林(Random Forest)预测模型及其特征分析(Python和MATLAB实现)
追蜻蜓追累了
深度学习机器学习python随机森林大数据回归算法算法
##一、背景在大数据和机器学习的快速发展时代,数据的处理和分析变得尤为重要。随着多个领域积累了海量数据,传统的统计分析方法常常无法满足复杂问题的需求。在这种背景下,机器学习方法开始广泛应用。随机森林(RandomForest)作为一种强大的集成学习方法,因其高效性和较强的泛化能力而备受关注。随机森林最初由LeoBreiman在2001年提出,基于决策树这一基本分类模型。其基本思想是通过构建多个决策
- 机器学习中,准确率(Accuracy)、精确度(Precision)、召回率(Recall)、F1分数(F1Score) 分别是什么?有啥用?有啥意义?有啥缺陷?
shimly123456
NLP相关杂谈机器学习人工智能算法
首先明白四个名词:真正例TruePositive假正例FalsePositive真负例TrueNegative假负例FalseNegativeTP:被预测为真,实际为真的样本FP:被预测为真,实际为假的样本TN:被预测为假,实际为假的样本FN:被预测为假,实际为真的样本准确率(Accuracy)计算公式:(TP+TN)/(TP+FP+TN+FN)意义:被正确预测的样本占总样本的比例缺陷:尽管准确率
- 使用 Conda 管理 Python 环境的详细指南
小桥流水---人工智能
人工智能python安装库ancondacondapython开发语言
使用Conda管理Python环境的详细指南在安装Python时,我们通常会选择Anaconda作为管理工具,因为它不仅提供了Python的安装包,还集成了许多常用的库和工具,非常适合数据科学和机器学习的工作。Conda是Anaconda中的一个包和环境管理工具,通过使用Conda命令,我们可以方便地创建、管理和切换不同的Python环境。下面是一些常用的Conda命令,详细介绍如何使用这些命令来
- 基于深度学习的物体分割技术:从理论到实践
人工智能_SYBH
深度学习人工智能神经网络机器学习lstm
1.引言物体分割(ObjectSegmentation)是计算机视觉中的一项核心任务,其目标是将图像中的不同物体或区域分离出来,通常分为语义分割和实例分割两种类型。随着深度学习的迅猛发展,尤其是卷积神经网络(CNN)的应用,物体分割技术已取得了显著的进展。它被广泛应用于医学影像分析、自动驾驶、视频监控、机器人感知等领域。在本篇博客中,我们将深入探讨基于深度学习的物体分割技术,介绍其发展历程、核心原
- 动手学PyTorch建模与应用:从深度学习到大模型
王国平
pytorch人工智能数据分析python数据挖掘
在人工智能时代,机器学习技术日新月异,深度学习是机器学习领域中一个全新的研究方向和应用热点,它是机器学习的一种,也是实现人工智能的必由之路。深度学习的出现不仅推动了机器学习的发展,而且促进了人工智能技术的革新,已经被成功应用在语音识别、图像分类识别、地球物理、大语言模型等领域,具有巨大的发展潜力和价值。本书是一本带领读者快速学习PyTorch并将其运用于深度学习建模方向的入门指南,重点介绍了基于P
- 机器学习笔记——正则化
好评笔记
补档机器学习人工智能论文阅读AIGC计算机视觉深度学习面试
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本笔记介绍机器学习中常见的正则化方法。文章目录正则化L1正则化(Lasso)原理使用场景优缺点L2正则化(Ridge)原理使用场景优缺点ElasticNet正则化定义公式优点缺点应用场景Dropout原理使用场景优缺点早停法(EarlyStopping)原理使用场景优缺点BatchNormalization(BN)原理使用
- 机器学习笔记——特征工程、正则化、强化学习
好评笔记
机器学习笔记机器学习人工智能AIAI编程算法工程师
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本笔记介绍机器学习中常见的特征工程方法、正则化方法和简要介绍强化学习。文章目录特征工程(FzeatureEngineering)1.特征提取(FeatureExtraction)手工特征提取(ManualFeatureExtraction):自动特征提取(AutomatedFeatureExtraction):2.特征选择
- TensorFlow实现卷积神经网络CNN
红叶骑士之初
Tensorflow
一、卷积神经网络CNN简介卷积神经网络(ConvolutionalNeuralNetwork,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取
- 【机器学习BDT】python代码实现(下)
mcoc132
Python机器学习机器学习python人工智能
文章目录BDT(BootstrapDecisionTree)python实现导入库分类树主体代码回归树主体代码输出函数完整代码后续可能添加的功能BDT(BootstrapDecisionTree)python实现代码仅供参考导入库importCART树_自己写importnumpy其中一个库之前写的分类树主体代码在原始数据权重基础上使用更新的数据权重以更新BDT模型.def分类树(self,BDT
- python 图像特征提取_python实现LBP方法提取图像纹理特征实现分类的步骤
weixin_39969060
python图像特征提取
题目描述这篇博文是数字图像处理的大作业.题目描述:给定40张不同风格的纹理图片,大小为512*512,要求将每张图片分为大小相同的9块,利用其中的5块作为训练集,剩余的4块作为测试集,构建适当的模型实现图片的分类.图片如下图所示:分析:由于数据集太小,所以神经网络模型并不适合此类的图像处理.就需要寻找方法提取图像的纹理信息.本文采用LBP的方法提取图像的纹理信息,然后转化成直方图作为图像的特征,然
- 高通modem架构_高通神经网络处理引擎SNPE分析与评测
weixin_39811036
高通modem架构
骁龙(SnapDragon)神经处理引擎(SNPE)是一个针对高通骁龙加速深层神经网络的运行时软件,高通在CSDN和其官网都提供了下载。本文以SNPE1.23为基准,将结合高通官方的SDK说明文档(高通在CSDN也提供了开发者社区,中文社区论坛,以及SNPE部分文档),介绍SNPE这一高通官方的神经网络处理引擎开发包。开发中有疑问可在高通的CreatePoint检索相关文档或者在SNPE论坛提交疑
- Python机器学习实战:主成分分析(PCA)的原理和实战操作
AI天才研究院
大数据AI人工智能AI大模型企业级应用开发实战计算计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
Python机器学习实战:主成分分析(PCA)的原理和实战操作1.背景介绍1.1什么是主成分分析(PCA)?主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的无监督学习算法,用于数据降维和特征提取。它通过线性变换将原始高维数据映射到低维空间,同时保留数据的主要特征和信息。PCA的目标是找到数据中最主要的方向(主成分),沿着这些方向对数据进行投影,从而实现降维。1
- 关于旗正规则引擎规则中的上传和下载问题
何必如此
文件下载压缩jsp文件上传
文件的上传下载都是数据流的输入输出,大致流程都是一样的。
一、文件打包下载
1.文件写入压缩包
string mainPath="D:\upload\"; 下载路径
string tmpfileName=jar.zip; &n
- 【Spark九十九】Spark Streaming的batch interval时间内的数据流转源码分析
bit1129
Stream
以如下代码为例(SocketInputDStream):
Spark Streaming从Socket读取数据的代码是在SocketReceiver的receive方法中,撇开异常情况不谈(Receiver有重连机制,restart方法,默认情况下在Receiver挂了之后,间隔两秒钟重新建立Socket连接),读取到的数据通过调用store(textRead)方法进行存储。数据
- spark master web ui 端口8080被占用解决方法
daizj
8080端口占用sparkmaster web ui
spark master web ui 默认端口为8080,当系统有其它程序也在使用该接口时,启动master时也不会报错,spark自己会改用其它端口,自动端口号加1,但为了可以控制到指定的端口,我们可以自行设置,修改方法:
1、cd SPARK_HOME/sbin
2、vi start-master.sh
3、定位到下面部分
- oracle_执行计划_谓词信息和数据获取
周凡杨
oracle执行计划
oracle_执行计划_谓词信息和数据获取(上)
一:简要说明
在查看执行计划的信息中,经常会看到两个谓词filter和access,它们的区别是什么,理解了这两个词对我们解读Oracle的执行计划信息会有所帮助。
简单说,执行计划如果显示是access,就表示这个谓词条件的值将会影响数据的访问路径(表还是索引),而filter表示谓词条件的值并不会影响数据访问路径,只起到
- spring中datasource配置
g21121
dataSource
datasource配置有很多种,我介绍的一种是采用c3p0的,它的百科地址是:
http://baike.baidu.com/view/920062.htm
<!-- spring加载资源文件 -->
<bean name="propertiesConfig"
class="org.springframework.b
- web报表工具FineReport使用中遇到的常见报错及解决办法(三)
老A不折腾
finereportFAQ报表软件
这里写点抛砖引玉,希望大家能把自己整理的问题及解决方法晾出来,Mark一下,利人利己。
出现问题先搜一下文档上有没有,再看看度娘有没有,再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题,大多文档上都有提到的。
1、repeated column width is largerthan paper width:
这个看这段话应该是很好理解的。比如做的模板页面宽度只能放
- mysql 用户管理
墙头上一根草
linuxmysqluser
1.新建用户 //登录MYSQL@>mysql -u root -p@>密码//创建用户mysql> insert into mysql.user(Host,User,Password) values(‘localhost’,'jeecn’,password(‘jeecn’));//刷新系统权限表mysql>flush privileges;这样就创建了一个名为:
- 关于使用Spring导致c3p0数据库死锁问题
aijuans
springSpring 入门Spring 实例Spring3Spring 教程
这个问题我实在是为整个 springsource 的员工蒙羞
如果大家使用 spring 控制事务,使用 Open Session In View 模式,
com.mchange.v2.resourcepool.TimeoutException: A client timed out while waiting to acquire a resource from com.mchange.
- 百度词库联想
annan211
百度
<!DOCTYPE html>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>RunJS</title&g
- int数据与byte之间的相互转换实现代码
百合不是茶
位移int转bytebyte转int基本数据类型的实现
在BMP文件和文件压缩时需要用到的int与byte转换,现将理解的贴出来;
主要是要理解;位移等概念 http://baihe747.iteye.com/blog/2078029
int转byte;
byte转int;
/**
* 字节转成int,int转成字节
* @author Administrator
*
- 简单模拟实现数据库连接池
bijian1013
javathreadjava多线程简单模拟实现数据库连接池
简单模拟实现数据库连接池
实例1:
package com.bijian.thread;
public class DB {
//private static final int MAX_COUNT = 10;
private static final DB instance = new DB();
private int count = 0;
private i
- 一种基于Weblogic容器的鉴权设计
bijian1013
javaweblogic
服务器对请求的鉴权可以在请求头中加Authorization之类的key,将用户名、密码保存到此key对应的value中,当然对于用户名、密码这种高机密的信息,应该对其进行加砂加密等,最简单的方法如下:
String vuser_id = "weblogic";
String vuse
- 【RPC框架Hessian二】Hessian 对象序列化和反序列化
bit1129
hessian
任何一个对象从一个JVM传输到另一个JVM,都要经过序列化为二进制数据(或者字符串等其他格式,比如JSON),然后在反序列化为Java对象,这最后都是通过二进制的数据在不同的JVM之间传输(一般是通过Socket和二进制的数据传输),本文定义一个比较符合工作中。
1. 定义三个POJO
Person类
package com.tom.hes
- 【Hadoop十四】Hadoop提供的脚本的功能
bit1129
hadoop
1. hadoop-daemon.sh
1.1 启动HDFS
./hadoop-daemon.sh start namenode
./hadoop-daemon.sh start datanode
通过这种逐步启动的方式,比start-all.sh方式少了一个SecondaryNameNode进程,这不影响Hadoop的使用,其实在 Hadoop2.0中,SecondaryNa
- 中国互联网走在“灰度”上
ronin47
管理 灰度
中国互联网走在“灰度”上(转)
文/孕峰
第一次听说灰度这个词,是任正非说新型管理者所需要的素质。第二次听说是来自马化腾。似乎其他人包括马云也用不同的语言说过类似的意思。
灰度这个词所包含的意义和视野是广远的。要理解这个词,可能同样要用“灰度”的心态。灰度的反面,是规规矩矩,清清楚楚,泾渭分明,严谨条理,是决不妥协,不转弯,认死理。黑白分明不是灰度,像彩虹那样
- java-51-输入一个矩阵,按照从外向里以顺时针的顺序依次打印出每一个数字。
bylijinnan
java
public class PrintMatrixClockwisely {
/**
* Q51.输入一个矩阵,按照从外向里以顺时针的顺序依次打印出每一个数字。
例如:如果输入如下矩阵:
1 2 3 4
5 6 7 8
9
- mongoDB 用户管理
开窍的石头
mongoDB用户管理
1:添加用户
第一次设置用户需要进入admin数据库下设置超级用户(use admin)
db.addUsr({user:'useName',pwd:'111111',roles:[readWrite,dbAdmin]});
第一个参数用户的名字
第二个参数
- [游戏与生活]玩暗黑破坏神3的一些问题
comsci
生活
暗黑破坏神3是有史以来最让人激动的游戏。。。。但是有几个问题需要我们注意
玩这个游戏的时间,每天不要超过一个小时,且每次玩游戏最好在白天
结束游戏之后,最好在太阳下面来晒一下身上的暗黑气息,让自己恢复人的生气
&nb
- java 二维数组如何存入数据库
cuiyadll
java
using System;
using System.Linq;
using System.Text;
using System.Windows.Forms;
using System.Xml;
using System.Xml.Serialization;
using System.IO;
namespace WindowsFormsApplication1
{
- 本地事务和全局事务Local Transaction and Global Transaction(JTA)
darrenzhu
javaspringlocalglobaltransaction
Configuring Spring and JTA without full Java EE
http://spring.io/blog/2011/08/15/configuring-spring-and-jta-without-full-java-ee/
Spring doc -Transaction Management
http://docs.spring.io/spri
- Linux命令之alias - 设置命令的别名,让 Linux 命令更简练
dcj3sjt126com
linuxalias
用途说明
设置命令的别名。在linux系统中如果命令太长又不符合用户的习惯,那么我们可以为它指定一个别名。虽然可以为命令建立“链接”解决长文件名的问 题,但对于带命令行参数的命令,链接就无能为力了。而指定别名则可以解决此类所有问题【1】。常用别名来简化ssh登录【见示例三】,使长命令变短,使常 用的长命令行变短,强制执行命令时询问等。
常用参数
格式:alias
格式:ali
- yii2 restful web服务[格式响应]
dcj3sjt126com
PHPyii2
响应格式
当处理一个 RESTful API 请求时, 一个应用程序通常需要如下步骤 来处理响应格式:
确定可能影响响应格式的各种因素, 例如媒介类型, 语言, 版本, 等等。 这个过程也被称为 content negotiation。
资源对象转换为数组, 如在 Resources 部分中所描述的。 通过 [[yii\rest\Serializer]]
- MongoDB索引调优(2)——[十]
eksliang
mongodbMongoDB索引优化
转载请出自出处:http://eksliang.iteye.com/blog/2178555 一、概述
上一篇文档中也说明了,MongoDB的索引几乎与关系型数据库的索引一模一样,优化关系型数据库的技巧通用适合MongoDB,所有这里只讲MongoDB需要注意的地方 二、索引内嵌文档
可以在嵌套文档的键上建立索引,方式与正常
- 当滑动到顶部和底部时,实现Item的分离效果的ListView
gundumw100
android
拉动ListView,Item之间的间距会变大,释放后恢复原样;
package cn.tangdada.tangbang.widget;
import android.annotation.TargetApi;
import android.content.Context;
import android.content.res.TypedArray;
import andr
- 程序员用HTML5制作的爱心树表白动画
ini
JavaScriptjqueryWebhtml5css
体验效果:http://keleyi.com/keleyi/phtml/html5/31.htmHTML代码如下:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"><head><meta charset="UTF-8" >
<ti
- 预装windows 8 系统GPT模式的ThinkPad T440改装64位 windows 7旗舰版
kakajw
ThinkPad预装改装windows 7windows 8
该教程具有普遍参考性,特别适用于联想的机器,其他品牌机器的处理过程也大同小异。
该教程是个人多次尝试和总结的结果,实用性强,推荐给需要的人!
缘由
小弟最近入手笔记本ThinkPad T440,但是特别不能习惯笔记本出厂预装的Windows 8系统,而且厂商自作聪明地预装了一堆没用的应用软件,消耗不少的系统资源(本本的内存为4G,系统启动完成时,物理内存占用比
- Nginx学习笔记
mcj8089
nginx
一、安装nginx 1、在nginx官方网站下载一个包,下载地址是:
http://nginx.org/download/nginx-1.4.2.tar.gz
2、WinSCP(ftp上传工
- mongodb 聚合查询每天论坛链接点击次数
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 18 */
{
"_id" : ObjectId("5596414cbe4d73a327e50274"),
"msgType" : "text",
"sendTime" : ISODate("2015-07-03T08:01:16.000Z"
- java术语(PO/POJO/VO/BO/DAO/DTO)
Luob.
DAOPOJODTOpoVO BO
PO(persistant object) 持久对象
在o/r 映射的时候出现的概念,如果没有o/r映射,就没有这个概念存在了.通常对应数据模型(数据库),本身还有部分业务逻辑的处理.可以看成是与数据库中的表相映射的java对象.最简单的PO就是对应数据库中某个表中的一条记录,多个记录可以用PO的集合.PO中应该不包含任何对数据库的操作.
VO(value object) 值对象
通
- 算法复杂度
Wuaner
Algorithm
Time Complexity & Big-O:
http://stackoverflow.com/questions/487258/plain-english-explanation-of-big-o
http://bigocheatsheet.com/
http://www.sitepoint.com/time-complexity-algorithms/