- 深度学习应该如何入门?
wypdao
人工智能深度学习人工智能
深度学习是一门令人着迷的领域,但初学者可能会感到有些困惑。让我们从头开始,用通俗易懂的语言来探讨深度学习的基础知识。1.基础知识深度学习需要一些数学和编程基础。首先,我们要掌握一些数学知识,如线性代数、微积分和概率统计。这些知识在深度学习算法中非常常见。另外,选择一门编程语言作为工具,如Python,掌握其基本语法和常用库的使用。2.学习机器学习吴恩达的机器学习课程是一个很好的入门教程。虽然有些地
- 吴恩达机器学习全课程笔记第一篇
亿维数组
MachineLearning机器学习笔记人工智能
目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本(代价)函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始,争取能够在开学之前(2.25)把b站上的【吴恩达机器学习】教程过一遍,并把笔记记录于此,本笔记将会把此课程每一p的重点内容及其截屏记录于此,以供大家参考和本人日后复
- 吴恩达机器学习全课程笔记第二篇
亿维数组
MachineLearning机器学习笔记人工智能学习
目录前言P31-P33logistics(逻辑)回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇,第一篇笔记请见:吴恩达机器学习全课程笔记第一篇完整的课程链接如下:吴恩达机器学习教程(bilibili)推荐网站:scikit-learn中文社区吴恩达机器学习学习资料(gith
- 卷积神经网络吴恩达coursera
stoAir
吴恩达深度学习笔记cnn人工智能神经网络
ConvolutionalNNFoundationsofCNNmatrixsconvolutionEdgedetectionVertical/horizontialconv-forward(tf.nn.cov2d)matrix(6×6)∗filter(3×3)=matrix(4×4)matrix(6\times6)*filter(3\times3)=matrix(4\times4)matrix(6
- 【吴恩达·机器学习】第二章:多变量线性回归模型(选择学习率、特征缩放、特征工程、多项式回归)
Yaoyao2024
机器学习线性回归人工智能
博主简介:努力学习的22级计算机科学与技术本科生一枚博主主页:@Yaoyao2024每日一言:勇敢的人,不是不落泪的人,而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写,主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合,从而加深自己对知识的理解,也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
- 吴恩达深度学习-L1 神经网络和深度学习总结
向来痴_
深度学习人工智能
作业地址:吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记:吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖(附18个代码实战项目)-知乎(zhihu.com)此处只记录需要注意的点,若想看原笔记请移步。1.1深度学习入门我们只需要管理神经网络的输入和输出,而不用指定中间的特征,也不用理解它们究竟有没有实际意义。1.2简单的神经网络——逻
- LLM(2)之指令提示词(Prompt)基础教学
Once_day
CS小白之路#LLM实践成长prompt自然语言处理人工智能
LLM(2)之指令提示词Author:OnceDayDate:2024年2月15日全系列专栏请查看:LLM实践成长_Once_day的博客-CSDN博客参考文章:中文完整版全9集ChatGPT提示工程师|AI大神吴恩达教你写提示词ChatGPTShortcut-简单易用的ChatGPT快捷指令表,让生产力倍增!标签筛选、关键词搜索和一键复制Prompts|Tagfiltering,keywords
- 【吴恩达·机器学习】第二章:单变量线性回归模型(代价函数、梯度下降、学习率、batch)
Yaoyao2024
机器学习线性回归学习
博主简介:努力学习的22级计算机科学与技术本科生一枚博主主页:@Yaoyao2024每日一言:勇敢的人,不是不落泪的人,而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写,主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合,从而加深自己对知识的理解,也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
- 深度学习-吴恩达L1W2作业
向来痴_
深度学习人工智能
作业1:吴恩达《深度学习》L1W2作业1-Heywhale.com作业2:吴恩达《深度学习》L1W2作业2-Heywhale.com作业1你需要记住的内容:-np.exp(x)适用于任何np.arrayx并将指数函数应用于每个坐标-sigmoid函数及其梯度sigmoid函数的梯度:-image2vector通常用于深度学习-np.reshape被广泛使用。保持矩阵/向量尺寸不变有助于我们消除许多
- 吴恩达机器学习—大规模机器学习
魏清宇
学习大数据集数据量多,模型效果肯定会比较好,但是大数据也有它自己的问题,计算复杂如果存在100000000个特征,计算量是相当大的,在进行梯度下降的时候,还要反复求损失函数的偏导数,这样一来计算量更大。那么有没有简单的方法来应对大量的数据呢?我们可以采取随机抽样,比如,抽取1000个样本进行模型的构建。那么如何决定抽取多少样本呢?可以通过学习曲线获得,随着数据量的增加,无论是偏差和误差,都会趋向于
- 吴恩达机器学习—正则化
魏清宇
过拟合问题欠拟合与过拟合当变量过少时,可能存在欠拟合;当变量过多时,会存在过拟合。过拟合可能对现有数据拟合效果较好,损失函数值几乎为零,但是不能进行泛化时,即不适于非训练集的其他数据。如何解决过拟合问题特征变量过多造成过拟合绘制假设模型图像,但当特征变量变多时,绘制很困难。当变量过多而训练数据较少时,容易出现过拟合。过拟合的解决办法解决过拟合问题,通常有两种方法:一种是减少特征的数量,可以通过人工
- 吴恩达机器学习—推荐系统
魏清宇
问题规划引例—电影推荐假设已有的数据如上所示,洋红色线内的数据表示缺失数据,那么我们如何根据已有的评分数据来预测这些缺失的数据呢?基于特征的推荐算法基于内容的推荐系统已知数据如上,有四个人对于不同电影的评分,我们还有分别表示电影包含浪漫成分和动作片成分的多少。那么每一个电影都可以用一个向量来表示,如第一个电影可以表示为,其中第一个元素为常数。那么对于每一个用户j,我们可以用一个学习算法学习参数,然
- 神经网络和深度学习(一):深度学习概论
文哥的学习日记
视频地址:http://mooc.study.163.com/learn/2001281002?tid=2001392029#/learn/content?type=detail&id=2001701005&cid=20016940041、什么是神经网络我们来看一个简单的预测房价的例子,吴恩达老师还真是喜欢用这个例子呢。比如我们用房屋的大小来预测房屋的价格,我们在图上的得到了六个点,那么根据这六个
- 【吴恩达机器学习】第八周—聚类降维Kmeans算法
Sunflow007
31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习,在一个典型的监督学习中,我们有一个有标签的训练集,我们的目标是找到能够区分正样本和负样本的决策边界,在这里的监督学习中,我们有一系列标签,我们需要据此拟合一个假设函数。与此不同的是,在非监督学习中,我们的数据没有附带任何标签,我们拿到的数据就是这样的:1.png在这里我们有一系列点,却没有标签
- 吴恩达机器学习笔记(2)
python小白22
一.逻辑回归1.什么是逻辑回归?逻辑回归是一种预测变量为离散值0或1情况下的分类问题,在逻辑回归中,假设函数。2.模型描述在假设函数中,,为实数,为Sigmoid函数,也叫Logistic函数。模型解释:,即就是对一个输入,的概率估计。损失函数的理解:所谓最大似然估计,就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据,也就是该套参数拟合出观测数据的概率最大,而损失函数的要求是预测结果
- 神经网络与深度学习 Neural Networks and Deep Learning 课程笔记 第一周
林间得鹿
吴恩达深度学习系列课程笔记深度学习神经网络笔记
神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周文章目录神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周深度学习简介什么是神经网络使用神经网络进行监督学习为什么神经网络会兴起本文是吴恩达深度学习系列课程的学习笔记。深度学习简介什么是神经网络深度学习一般是指训练神经网络。那么什么是神经网络?课程以房价预测的例子来说明
- 深度学习教程 | 神经网络优化算法
Dashesand
深度学习人工智能
深度学习教程|深度学习的实用层面深度学习教程|深度学习的实用层面ShowMeAI2022-04-1412,153阅读23分钟专栏:深度学习教程◉吴恩达专项课程最全笔记[外链图片转存中…(img-etBVICyc-1707315992239)]作者:韩信子@ShowMeAI教程地址:www.showmeai.tech/tutorials/3…本文地址:www.showmeai.tech/articl
- 深度学习教程 | 自然语言处理与词嵌入
Dashesand
深度学习自然语言处理人工智能
深度学习教程|自然语言处理与词嵌入ShowMeAI作者:韩信子@ShowMeAI教程地址:www.showmeai.tech/tutorials/3…本文地址:www.showmeai.tech/article-det…声明:版权所有,转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为吴恩达老师《深度学习专项课程(DeepLearningSpecialization)》学习
- LangGPT —— 让人人都能编写高质量 Prompt
云中江树
prompt人工智能python深度学习文心一言chatgpt
要用好现有大模型的能力严重依赖高质量prompt,然而编写高质量prompt在现阶段还是个手艺活,太依赖个人经验。虽然也有许多个人自发分享的prompt方法、框架,以及吴恩达老师的prompt教程,但是现有Prompt创建方法还是有各种各样的缺点:缺乏系统性:大多是细碎的规则,技巧,严重依赖个人经验缺乏灵活性:对他人分享的优质prompt进行调整需要直接修改prompt内容缺乏交互友好性:优质pr
- 【Andrew Ng机器学习】单变量线性回归-模型描述
jenye_
课程:吴恩达机器学习一个监督学习的例子——房价预测使用的是一组俄勒冈州波特兰市的城市住房价格的数据。根据不同的尺寸的房间对应的不同售价,组成的数据集来画图。你有一个朋友想要卖房子,假设房子的大小是1250平方英尺,那么这套房可以卖多少钱?此时就可以进行模型拟合。根据这个模型,那么你可以告诉他这套房或许可以卖到220k。监督学习:每一个例子都有“正确的答案”,也就是说我们知道了数据集中卖出的房子的实
- 温州大学《深度学习》课程课件(七、卷积神经网络基础)
风度78
神经网络深度学习人工智能计算机视觉卷积神经网络
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books授课计划模块1课程导学以及深度学习简介模块2神经网络基础模块3浅层神经
- 温州大学《深度学习》课程课件(八、深度卷积神经网络)
风度78
神经网络深度学习人工智能计算机视觉xhtml
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books开放了pdf版本的ppt下载:https://github.com/f
- 温州大学《深度学习》课程课件(十、人脸识别与神经风格迁移)
风度78
神经网络人脸识别深度学习人工智能计算机视觉
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books开放了pdf版本的ppt下载:https://github.com/f
- 温州大学《深度学习》课程课件(十一、序列模型)
风度78
神经网络深度学习人工智能计算机视觉卷积神经网络
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books开放了pdf版本的ppt下载:https://github.com/f
- 温州大学《深度学习》课程课件(一)
风度78
神经网络人脸识别深度学习人工智能计算机视觉
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books授课计划模块1课程导学以及深度学习简介模块2神经网络基础模块3浅层神经
- 温州大学《深度学习》课程课件(三、浅层神经网络)
风度78
神经网络人脸识别深度学习人工智能计算机视觉
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。使用教材:吴恩达《深度学习》课程笔记课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接:https://github.com/fengdu78/deeplearning_ai_books授课计划模块1课程导学以及深度学习简介模块2神经网络基础模块3浅层神经
- 温州大学《深度学习》课程课件(四、浅层神经网络)
风度78
神经网络深度学习人工智能xhtml计算机视觉
这学期我上的另一门课是本科生的《深度学习》,主要用的是吴恩达老师的《深度学习》视频课的内容。本章内容见“授课计划”的标红部分使用教材:吴恩达《深度学习》课程笔记,这门课基本按照吴恩达老师的课程进度进行,但使用的深度学习框架我改成了PyTorch。课外参考书:《深度学习》,人民邮电出版社,IANGOODFELLOW等,2017年出版课程资源下载链接(吴恩达老师的深度学习课程笔记以及相关资源):htt
- ML:2-2-3 多分类问题multicalss
skylar0
分类机器学习人工智能
文章目录1.多分类问题的定义2.softmax3.神经网络的softmax输出【吴恩达机器学习65-67】1.多分类问题的定义classification问题可能的output大于2种。multiclass的预测图像可能是右侧这样的。2.softmaxsoftmaxregression算法是logisticregression的泛化(通用化)。【binaryclassification---->m
- 【大厂AI课学习笔记】1.4 算法的进步(5)关于GPU
giszz
学习笔记人工智能人工智能学习笔记
——关于GPUGPU,即图形处理器,最初是为了加速计算机图形处理而设计的。然而,随着时间的推移,研究人员发现GPU的并行处理能力非常适合执行深度学习中的大规模矩阵运算。这一点在吴恩达教授的论文中得到了充分体现,他利用GPU进行大规模深度无监督学习,取得了显著的效果。GPU与CPU相比,具有以下几个主要优势:并行处理能力:GPU拥有成千上万个核心,可以同时处理多个任务。这种并行处理能力使得GPU在执
- 吴恩达:改善深层神经网络:超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularizatio)
Cache_wood
@[toc]1.1训练、开发、测试集trainset训练集Devset验证集testset测试集小规模数据:训练集:其他=7:3大数据时代(超百万数据):训练集占80%或者90%以上验证集和测试集来自同一分布如果只有训练集和验证集,那么验证集Devset就是测试集testset1.2偏差、方差[图片上传失败...(image-438142-1626709583495)]trainseterror1
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio