- MeanShift聚类分割算法
点云学习
c++pcl点云处理聚类算法pcl点云处理PCL3D视觉
目录1MeanShift算法的数学原理1.密度估计2.均值向量计算3.位置更新4.收敛条件2MeanShift算法的详细步骤1初始化2迭代过程3聚类3示例代码1MeanShift算法的数学原理MeanShift算法的核心思想是通过在高维空间中计算密度梯度并进行移动,找到数据点的密度峰值,从而实现聚类。下面详细介绍该算法的数学原理和每一步的推理公式。1.密度估计MeanShift算法通过核密度估计(
- Mean Shift聚类算法深度解析与实战指南
万事可爱^
机器学习修仙之旅#无监督学习算法聚类数据挖掘MeanShift均值漂移聚类均值算法
一、算法全景视角MeanShift(均值漂移)是一种基于密度梯度上升的非参数聚类算法,无需预设聚类数量,通过迭代寻找概率密度函数的局部最大值完成聚类。该算法在图像分割、目标跟踪等领域有广泛应用,尤其擅长处理任意形状的密度分布。二、核心原理剖析2.1核密度估计使用核函数对数据分布进行平滑估计,高斯核函数为:K(x)=12πhe−x22h2K(x)=\frac{1}{\sqrt{2\pi}h}e^{-
- 聚类算法(K-means)代码实现(鸢尾花数据集)
乔大将军
机器学习算法聚类kmeanspython
目录一、前言二、代码实现1.随即给定初始点并返回,其点个数就是K值2.得到当前每一个样本到K个中心点的距离,得到每个样本距离最近的那个中心点并返回中心点3.更新中心点并返回4.进行训练(迭代)返回最后一次的中心点和簇类中的样本(每个样本距离最近的中心点)5.完整代码三、应用案例1.代码实现2.结果显示3.K=3的聚类结果4.K=4的聚类结果5.总结一、前言本文主要实现K-means这一算法,根据聚
- 深度学习-【完整代码+数据集】逻辑回归预测乳腺癌检测案例
编程千纸鹤
人工智能学习专栏深度学习逻辑回归人工智能癌症预测
作者主页:编程千纸鹤作者简介:Java、前端、Python开发多年,做过高程,项目经理,架构师主要内容:Java项目开发、Python项目开发、大学数据和AI项目开发、单片机项目设计、面试技术整理、最新技术分享收藏点赞不迷路关注作者有好处文末获得源码机器学习分为:有监督学习:数据带有标签无监督学习:数据没有标签,根据属性聚类在机器学习有监督学习中大致可以分为两大任务,一种是回归任务,一种是分类任务
- 数据挖掘与数据分析
「已注销」
数据分析数据挖掘数据分析人工智能
目录数据挖掘与数据分析一.数据的本质二.什么是数据挖掘和数据分析三.数据挖掘和数据分析有什么区别案例及应用1.基于分类模型的案例2.基于预测模型的案例3.基于关联分析的案例4.基于聚类分析的案例5.基于异常值分析的案例6.基于协同过滤的案例7.基于社会网络分析的案例8.基于文本分析的案例结语数据挖掘与数据分析在当今数字化的时代,数据成为了我们生活和工作中不可或缺的一部分。数据的价值在于其所蕴含的信
- 机器学习——无监督学习(k-means算法)
张起灵ovo
机器学习入门机器学习算法学习
1、K-Means聚类算法K表示超参数个数,如分成几个类别,K值就取多少。若无需求,可使用网格搜索找到最佳的K。步骤:1、随机设置K个特征空间内的点作为初始聚类中心;2、对于其他每个点计算到K个中心的距离,未知的点选择最近的一个聚类中心点作为标记种类;3、接着对标记的聚类中心之后,重新计算出每个聚类的中心点(平均值);4、如果计算得出的新中心点与原中心点一样,那么结束,否则执行第二步。means表
- AI人工智能机器学习之聚类分析
rockfeng0
人工智能机器学习sklearn
1、概要 本篇学习AI人工智能机器学习之聚类分析,以KMeans、AgglomerativeClustering、DBSCAN为例,从代码层面讲述机器学习中的聚类分析。2、聚类分析-简介聚类分析是一种无监督学习的方法,用于将数据集中的样本划分为不同的组(簇),使得同一组中的样本相似度较高,而不同组之间的样本相似度较低。sklearn.cluster提供了多种聚类算法K均值聚类(K-MeansCl
- FastSAM:高效图像分割算法详解与实战
阿qi 爱喝拿铁
本文还有配套的精品资源,点击获取简介:图像分割在图像处理领域中起着至关重要的作用,而FastSAM作为一种高效的图像分割算法,结合了像素的局部特征与全局信息,以自适应聚类方式实现了快速且精确的像素级别分割。其采用基于密度的空间聚类方法处理噪声和不规则形状,自适应策略调整聚类参数以增强泛化能力,并优化计算流程实现并行化处理以提升运行速度。FastSAM算法在医疗、自动驾驶等多个领域具有广泛应用前景。
- 数据采集技术:selenium/正则匹配/xpath/beautifulsoup爬虫实例
写代码的中青年
3天入门机器学习seleniumbeautifulsoup爬虫pythonxpath正则表达式
专栏介绍1.专栏面向零基础或基础较差的机器学习入门的读者朋友,旨在利用实际代码案例和通俗化文字说明,使读者朋友快速上手机器学习及其相关知识体系。2.专栏内容上包括数据采集、数据读写、数据预处理、分类\回归\聚类算法、可视化等技术。3.需要强调的是,专栏仅介绍主流、初阶知识,每一技术模块都是AI研究的细分领域,同更多技术有所交叠,此处不进行讨论和分享。数据采集技术:selenium/正则匹配/xpa
- 复杂脑网络之图论参数计算(BCT工具包)
addBr
matlab
以下内容一定漏洞百出[求饶.jpg]...作为渣渣小白,一点一点摸索怎么使用BCT工具包,目前只会计算几个参数,原理神马的也没太明白呢。接下来的任务就是从原理公式入手,再对逐个参数的计算代码进行理解...所以内容会不断改进和补充。有错误请尽管指出,感谢~一、计算聚类系数、特征路径长度、小世界参数大概思路:功能连接矩阵--->去除虚假连接的矩阵--->加权矩阵--->计算图论参数1.功能连接矩阵--
- 对比学习小综述
wintercoming111
学习
对比学习的目标是将相似样本的表示(Representation)拉近,不相似样本的表示拉远。通过数据增强、损失函数、表示学习目标等步骤实现。分类(1)基于单视角的方法(InstanceDiscrimination)典型代表:SimCLR,MoCo特点:将每个样本视为一个独立类,无需额外的标注信息。适用场景:数据无标注或弱标注的场景。(2)基于聚类的方法(Clustering-BasedContra
- 初学者推荐学习AI的路径
ProgramHan
学习人工智能
学习人工智能的路径可以分为基础知识、编程技能、机器学习、深度学习、数据处理与可视化、自然语言处理(NLP)、计算机视觉(CV)、强化学习、实践项目和持续学习几个阶段。以下是一个简要的路径:1️⃣基础知识数学基础(线性代数、微积分、概率统计)编程基础(Python/R等语言)算法与数据结构2️⃣机器学习基础理解监督学习(如回归、分类)、无监督学习(如聚类、PCA)掌握机器学习库(如scikit-le
- 大模型学习完整路径(一站式汇总),从零基础到精通!新手友好级指南
Python程序员罗宾
学习语言模型知识图谱人工智能数据库java
如果读者朋友不想深入学习大模型,则了解提示词的使用原则也可以了。要是既不想深入学习,又要做大模型相关的项目,则对于工程同学来说,学习RAG也能把大模型玩转起来。前排提示,文末有大模型AGI-CSDN独家资料包哦!先来一张整体结构图,越是下面部分,越是基础:可以按以下步骤学习:1.理解基础概念需要了解深度学习的基本原理和常见术语,如神经网络、梯度下降、反向传播、监督学习、无监督学习、分类、回归、聚类
- 数据标注中的归类与定义,从聚类,相关,关联,回归四个方面分析
小宝哥Code
人工智能训练师聚类回归数据挖掘
在数据标注和AI训练过程中,数据的归类与定义是关键步骤,不同的数据分析方法可以用于不同的场景。本文从**聚类(Clustering)、相关(Correlation)、关联(Association)、回归(Regression)**四个角度探讨数据标注的优化,并结合Python代码示例进行说明。1.聚类(Clustering)1.1概念聚类是一种无监督学习方法,它将相似的数据点分为同一个组,而无需预
- 解锁机器学习核心算法|朴素贝叶斯:分类的智慧法则
紫雾凌寒
AI炼金厂#机器学习算法机器学习算法分类朴素贝叶斯python深度学习人工智能
一、引言在机器学习的庞大算法体系中,有十种算法被广泛认为是最具代表性和实用性的,它们犹如机器学习领域的“十大神器”,各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K-近邻算法、K-平均算法、支持向量机、朴素贝叶斯算法、主成分分析(PCA)、神经网络。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域,是众多机器学习应用的基础和核心。而在这众多的算法中,朴素贝叶斯算法
- Open3d处理点云数据-改进的欧式聚类分割算法(六)
点云客户
算法聚类机器学习
1.概述1.1传统欧式聚类分割算法欧式聚类算法(EuclideanClustering)是一种将点云数据分割成不同聚类(簇)的算法。它是点云分割中的一种常用方法,旨在将距离比较近的点分为同一簇,从而识别出不同的物体或结构。这个算法主要适用于包含较小噪音和具有一定距离差异的点云数据。基本思想:(1)选择一个种子点(SeedPoint)作为当前簇的起始点。(2)遍历所有未分类的点,计算它们与种子点的距
- ragflow-RAPTOR到底是什么?请通俗的解释!
愚昧之山绝望之谷开悟之坡
大模型笔记人工智能python
RAPTOR有两种不同的含义,具体取决于上下文:RAPTOR作为一种信息检索技术RAPTOR是一种基于树状结构的信息检索系统,全称为“RecursiveAbstractiveProcessingforTree-OrganizedRetrieval”(递归抽象处理树组织检索)。它的核心思想是通过递归地嵌入、聚类和总结文本块,构建一个多层树状结构。通俗来说,就像把一本书的内容分成章节、小节,然后逐层总
- DeepSeek 新注意力架构NSA
Twilight-pending
知识点论文阅读架构
DeepSeek新注意力架构NSA概要研究背景:实现高效长上下文建模的自然方法是利用softmax注意力的固有稀疏性,通过选择性计算关键query-key对,可以显著减少计算开销,同时保持性能。最近这一路线的进展包括多种策略:KV缓存淘汰方法、块状KV缓存选择方法以及基于采样、聚类或哈希的选择方法。尽管这些策略前景广阔,现有的稀疏注意力方法在实际部署中往往表现不佳。许多方法未能实现与其理论增益相媲
- 高斯混合模型(GMM)与K均值算法(K-means)算法的异同
路野yue
人工智能机器学习聚类
高斯混合模型(GaussianMixtureModel,GMM)和K均值(K-Means)算法都是常用于聚类分析的无监督学习方法,虽然它们的目标都是将数据分成若干个类别或簇,但在实现方法、假设和适用场景上有所不同。1.模型假设K均值(K-Means):假设每个簇的样本点在簇中心附近呈均匀分布,通常是球形的(即每个簇的数据点彼此之间的距离相对均匀,具有相同的方差)。每个簇通过一个中心点来表示(即质心
- 机器学习_18 K均值聚类知识点总结
数据媛
机器学习均值算法聚类pythonscikit-learnpandasnumpy
K均值聚类(K-meansClustering)是一种经典的无监督学习算法,广泛应用于数据分组、模式识别和降维等领域。它通过将数据划分为K个簇,使得簇内相似度高而簇间相似度低。今天,我们就来深入探讨K均值聚类的原理、实现和应用。一、K均值聚类的基本概念1.1K均值聚类的目标K均值聚类的目标是将数据集划分为K个簇,使得每个簇内的数据点尽可能接近,而不同簇之间的数据点尽可能远离。具体来说,K均值聚类最
- 【数据挖掘】ARFF格式与数据收集
布鲁惠比寿
数据挖掘数据挖掘人工智能
【数据挖掘】ARFF格式与数据收集三级目录1.ARFF格式与数据收集2.稀疏数据3.属性类型4.缺失值与不正确的值5.了解数据6.知识表达7.聚类机器学习算法训练数据挖掘分析数据共享与交换三级目录1.ARFF格式与数据收集ARFF(Attribute-RelationFileFormat)是一种用于存储数据集的文本文件格式,常用于机器学习和数据挖掘领域。它可以表示结构化数据,包括属性定义、关系信息
- K-means聚类:解锁数据隐藏结构的钥匙
小村学长毕业设计
kmeans聚类机器学习
K-means聚类:解锁数据隐藏结构的钥匙在机器学习的广阔领域中,无监督学习以其独特的魅力吸引了众多研究者和实践者。其中,K-means聚类作为一种经典且实用的无监督学习算法,以其简单高效的特点,广泛应用于市场细分、图像分割和基因聚类等领域。本文将深入探讨K-means聚类的工作原理、应用实例及其在这些领域中的具体应用,旨在揭示其如何智能划分数据,解锁隐藏结构,为相关领域提供精准导航。一、K-me
- 机器学习基本篇
胖胖的小肥猫
机器学习
1基本概念机器学习,分为回归,分类,聚类,降维有监督学习回归,分类,有特征,有标签,进行训练,然后对新数据进行预测无监督学习聚类,降维。题目越多,训练越好,2基本流程数据预处理——模型训练与评估可以优化为获取数据——数据预处理——EDA分析——特征工程——模型训练——可解释性分析2.0数据获取利用kaggle,天池等平台的开源数据,2.1预处理目的:让数据更符合逻辑让数据更容易计算借助函数实现变换
- 解锁机器学习核心算法 | 支持向量机:机器学习中的分类利刃
紫雾凌寒
AI炼金厂机器学习算法支持向量机python深度学习分类人工智能
一、引言在机器学习的庞大算法体系中,有十种算法被广泛认为是最具代表性和实用性的,它们犹如机器学习领域的“十大神器”,各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K-近邻算法、K-平均算法、支持向量机、朴素贝叶斯算法、降维算法、梯度增强算法。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域,是众多机器学习应用的基础和核心。而在这十大算法中,支持向量机(Suppor
- 【论文精读】MotionLM
EEPI
自动驾驶深度学习论文阅读
【论文精读】MotionLM1背景2存在的问题3具体方案轨迹转运动序列模型轨迹去重和聚类loss1背景团队:Waymo时间:2023.9代码:简介:采用自回归的方式做轨迹生成,能够更好地建模交互,且避免模态坍缩,在数据集达到了SOTA。2存在的问题轨迹回归方面:原本xy预测认为空间过大,有的xy很大(t大速度快的时候),有的xy很小(t小速度慢的时候)。3具体方案Encoder采用了之前的论文Wa
- 机器学习:k均值
golemon.
ML机器学习均值算法人工智能
所有代码和文档均在golitter/Decoding-ML-Top10:使用Python优雅地实现机器学习十大经典算法。(github.com),欢迎查看。在“无监督学习”中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础,较为经典的是聚类。**聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”。**聚
- 【机器学习】无监督学习算法之:K均值聚类
Carl_奕然
机器学习算法学习
K均值聚类1、引言2、K均值聚类2.1定义2.2原理2.3实现方式2.4算法公式2.4.1距离计算公式2.4.1中心点计算公式2.5代码示例3、总结1、引言小屌丝:鱼哥,K均值聚类我不懂,能不能给我讲一讲?小鱼:行,可以小屌丝:额…今天咋直接就答应了?小鱼:不然呢?小屌丝:有啥条件,直接说,小鱼:没有小屌丝:这咋的了,不提条件,我可不踏实小鱼:你看看你,我不提条件,你还不踏实,那你这是非让我提条件
- k均值聚类python实现
小尤笔记
均值算法聚类python开发语言Python基础
K均值聚类(K-MeansClustering)是一种常用的无监督学习算法,用于将数据分成K个簇。以下是一个简单的Python实现K均值聚类的代码讲解,包括数据准备、初始化、迭代更新簇心和分配簇标签等步骤。CSDN大礼包:《2025年最新全套学习资料包》免费分享代码实现importnumpyasnpimportmatplotlib.pyplotasplt#生成示例数据np.random.seed(
- 【论文阅读】Revisiting the Assumption of Latent Separability for Backdoor Defenses
开心星人
论文阅读论文阅读
https://github.com/Unispac/Circumventing-Backdoor-Defenses摘要和介绍在各种后门毒化攻击中,来自目标类别的毒化样本和干净样本通常在潜在空间中形成两个分离的簇。这种潜在的分离性非常普遍,甚至在防御研究中成为了一种默认假设,我们称之为潜在分离性假设。基于这一假设设计的防御方法通过在潜在空间中进行聚类分析来识别毒化样本。具体来说,这些防御方法首先在
- 机器学习算法工程师笔试选择题(1)
Ash Butterfield
机器学习算法人工智能
1.关于梯度下降的说法正确的是:A.梯度下降法可以确保找到全局最优解。B.随机梯度下降每次使用所有数据来更新参数。C.批量梯度下降(BatchGradientDescent)通常收敛更快。D.学习率过大会导致梯度下降过程震荡。答案:D(学习率过大会导致不稳定,可能震荡或无法收敛)2.在以下算法中,哪种算法属于无监督学习?A.逻辑回归B.K-近邻算法C.支持向量机D.K-均值聚类答案:D(K-均值聚
- 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