- 【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
- 聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】
飞火流星02027
云计算机器学习算法聚类人工智能聚类算法
概念机器学习聚类算法是一种无监督学习方法,旨在将数据集分割成不同的类或簇,使得同一簇内的数据对象相似性尽可能大,而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。主要聚类算法及其特点层次聚类算法层次法(hierarchicalmethods)通过构建数据点之间的层次结构来进行聚类,可以是自底向上的凝聚方法或自顶向下的分裂方法。代表算法包括CU
- KMeans聚类实战2
浊酒南街
#kmeans聚类python
目录NBA球员聚类--未知k值的情况NBA球员聚类–未知k值的情况#导入第三方模块importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.clusterimportKMeansfromsklearnimportmetricsimportseabornassnsfromsklearnimportpreprocess
- KMeans聚类实战1
浊酒南街
#kmeans聚类算法
目录iris聚类--已知k值的情况iris聚类–已知k值的情况#导入第三方模块importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.clusterimportKMeansfromsklearnimportmetricsimportseabornassns#读取iris数据集iris=pd.read_csv(r'
- 机器学习之实战篇——图像压缩(K-means聚类算法)
鱼弦
机器学习设计类系统机器学习算法kmeans
机器学习之实战篇——图像压缩(K-means聚类算法)介绍图像压缩是一种减少图像文件大小的技术,目的是节省存储空间和提高传输效率。K-means聚类算法是一种无监督学习算法,在图像压缩中被广泛应用。通过将图像中的像素聚类为有限的几种颜色,从而降低图像的复杂度,实现压缩效果。应用使用场景网络传输:减少图片在网络上传输时的带宽消耗。存储优化:高效利用存储空间,尤其是大规模图像数据集。加快处理速度:减少
- ggalign:热图等复杂组合图及图形数据对齐的 ggplot2 扩展
万木春❀
r语言
ggalign一个R语言绘图工具ggplot2的高级扩展,它专注于在多个图形之间对齐观察值,利用vctrs包中的“numberofobservations”或NROW()函数,确保图形组织的一致性。无论是自包含排序图形的对齐,还是在多个图形中应用一致的分组和排序(如k-means聚类),ggalign都可以帮助简化这一过程。文档:Aggplot2ExtensionforConsistentAxis
- 为了实现对不同说话人的处理,可以加入一些专门的层和技术,来区分和识别说话人的特征。
苏西月
2403.12609深度学习人工智能
为了实现对不同说话人的处理,可以加入一些专门的层和技术,来区分和识别说话人的特征。1.说话人分离(SpeakerSeparation)概念:说话人分离是指在多说话人的音频中,将不同说话人的声音分开。这通常需要模型识别每个说话人的独特音频特征。实现方式:说话人分离可以通过加入深度聚类(DeepClustering)或端到端分离网络(如DPRNN)实现,这些方法擅长分离出多个声源。适用层:说话人分离层
- 回归与聚类算法————无监督学习-K-means算法
荷泽泽
机器学习python
目录1、无监督学习2、K-means原理3,API4、Kmeans性能评估指标4.1轮廓系数4.2轮廓系数API5,总结1、无监督学习没有目标值的,从无标签的数据开始学习的聚类K-means(K均值聚类)降维PCA2、K-means原理随机设置K个特征空间内的点作为初始的聚类中心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类别接着对着标记的聚类中心之后,重新计算出每
- 聚类算法与应用
theskylife
数据挖掘算法聚类机器学习数据挖掘人工智能
目录写在开头1.聚类算法简介2.K均值聚类2.1基本原理2.1.1中心点与数据点的距离2.1.2簇的形成和迭代优化2.2应用场景2.2.1图像分割2.2.2客户分群3.层次聚类3.1基本原理3.1.1树状结构的建立3.1.2聚合或分裂策略3.2应用场景3.2.1生物学中的基因表达数据聚类3.2.2文本数据的主题分类4.聚类算法的实践应用4.1数据准备与预处理4.2算法选择与模型训练4.2.1根据任
- Python 实现基于高斯混合模型聚类结合CNN-BiLSTM-Attention的风电场短期功率预测
nantangyuxi
Pythonpython聚类cnn人工智能数据挖掘开发语言神经网络
目录Python实现基于高斯混合模型聚类结合CNN-BrtiLTTM-Attentrtion的风电场短期功率预测...1项目背景介绍...1项目目标与意义...2项目挑战...2项目特点与创新...2项目应用领域...3项目效果预测图程序设计...3项目模型架构...4项目模型描述及代码示例...4项目模型算法流程图...6项目目录结构设计...7项目部署与应用...8项目扩展...9项目应该注意
- 主题聚类:精炼信息的关键步骤
XianxinMao
聚类数据挖掘机器学习
标题:主题聚类:精炼信息的关键步骤文章信息摘要:主题聚类是一种关键的信息整合方法,通过识别相似主题、合并重复内容并保留最完整、准确的版本来优化信息结构。这一过程不仅减少了信息冗余,还提高了信息的质量和可用性,广泛应用于学术研究、内容创作和数据分析等领域。逻辑层级的建立则帮助区分主要和次要观点,识别因果关系,构建清晰的逻辑框架,使观点更具说服力。信息完整性要求每个观点都得到完整表达,补充必要的上下文
- 自定义数据集,使用scikit-learn 中K均值包 进行聚类
sirius12345123
scikit-learn均值算法
importmatplotlib.pyplotaspltfromsklearn.clusterimportKMeansimportnumpyasnpclass1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])class2_points=np.array([[-1.9,1
- 使用scikit-learn中的K均值包进行聚类分析
Luzem0319
机器学习人工智能
聚类是无监督学习中的一种重要技术,用于在没有标签信息的情况下对数据进行分析和组织。K均值算法是聚类中最常用的方法之一,其目标是将数据点划分为K个簇,使得每个簇内的数据点更加相似,而不同簇之间的数据点差异较大。准备自定义数据集首先,需要一个自定义数据集来进行聚类分析。importnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt#创建自定义数据
- 【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,
- 基于RFM聚类与随机森林算法的智能手机用户监测数据案例分析
kaka_R-Py
大数据可视化多元统计分析R语言数据分析与可视化算法聚类随机森林
基于RFM聚类与随机森林算法的智能手机用户监测数据案例分析摘要近年来,随着数字化和信息化的快速发展,越来越多的人开始使用智能手机。文章基于某公司某年连续30天4万多位智能手机用户的监测数据,通过随机森林与RFM聚类分析模型对智能手机用户的监测数据进行挖掘和分析,有效地统计和归纳了用户对于A类APP的使用情况,模型准确度达到了80%,同时对于智能手机APP的开发和使用提出了相应的建议。该研究的数据驱
- 自定义数据集,使用scikit-learn 中K均值包 进行聚类
〖是♂我〗
scikit-learn均值算法聚类
代码:#导入必要的库importmatplotlib.pyplotasplt#用于绘制图形fromsklearn.clusterimportKMeans#KMeans聚类算法importnumpyasnp#数值计算库#定义class1到class4的数据点,模拟四个不同的类(每个类7个二维点)class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5]
- python(scikit-learn)实现k均值聚类算法
嘿哈哈哈哈哈哈
机器学习聚类python算法机器学习人工智能
k均值聚类算法原理详解示例为链接中的例题直接调用python机器学习的库scikit-learn中k均值算法的相关方法fromsklearn.clusterimportKMeansimportnumpyasnpimportmatplotlib.pyplotaspltx=np.array([[0,2],[0,0],[1,0],[5,0],[5,2]])#计算k均值聚类kmeans=KMeans(n_
- Scikit-learn_聚类算法_K均值聚类
飞Link
Water算法机器学习人工智能
一.描述首先从X数据集中选择k个样本作为质心,然后重复以下两个步骤来更新质心,直到质心不再显著移动为:第一步将每个样本分配到距离最近的质心第二步根据每二个质心所有样本的平均值来创建新的质心二.用法和参数KMeans类MiniBatchKMeans类:是KMeans类的变种,他是用小批量来减少计算时间,而多个批次仍然尝试优化相同的目标函数。小批量是输入数据的子集,是每次训练迭代中的随机抽样。小批量大
- 《C++ 赋能 K-Means 聚类算法:开启智能数据分类之旅》
c++c#
在当今数字化浪潮汹涌澎湃的时代,人工智能无疑是引领科技变革的核心驱动力之一。而在人工智能的广袤天地中,数据分类与聚类作为挖掘数据内在价值、揭示数据潜在规律的关键技术手段,正发挥着前所未有的重要作用。K-Means聚类算法,作为数据聚类领域的经典之作,以其简洁高效的特性而备受瞩目。当我们将目光聚焦于C++这一强大而高效的编程语言时,会发现它与K-Means聚类算法的结合犹如天作之合,能够为数据处理与
- 《解锁AI黑科技:数据分类聚类与可视化》
程序猿阿伟
人工智能科技分类
在当今数字化时代,数据如潮水般涌来,如何从海量数据中提取有价值的信息,成为了众多领域面临的关键挑战。人工智能(AI)技术的崛起,为解决这一难题提供了强大的工具。其中,能够实现数据分类与聚类,并以可视化形式展现的AI技术,正逐渐成为各行业数据分析和决策的核心力量。数据分类与聚类:AI的核心技能数据分类是将数据划分到预先定义好的类别中,就像把图书馆里的书籍按照不同学科分类摆放,方便读者查找。比如在垃圾
- Scikit-Learn K均值聚类
对许
#Python#人工智能与机器学习scikit-learn聚类机器学习
Scikit-LearnK均值聚类1、K均值聚类1.1、K均值聚类及原理1.2、K均值聚类的优缺点1.3、聚类与分类的区别2、Scikit-LearnK均值聚类2.1、Scikit-LearnK均值聚类API2.2、K均值聚类初体验(寻找最佳K)2.3、K均值聚类案例1、K均值聚类K-均值(K-Means)是一种聚类算法,属于无监督学习。K-Means在机器学习知识结构中的位置如下:1.1、K均值
- 【15-聚类分析入门:使用Scikit-learn进行K-means聚类】
是阿牛啊
机器学习回归预测大数据挖掘kmeans聚类python机器学习人工智能sklearn性能优化
文章目录前言K-means聚类的原理Scikit-learn中的K-means实现安装与导入生成模拟数据应用K-means聚类可视化聚类结果选择K的值总结前言 聚类分析是一种无监督学习方法,用于将数据集中的样本分组成若干个簇(cluster)。K-means是最广泛使用的聚类算法之一,其核心思想是将数据点分配到K个簇中,使得每个点到其簇中心的距离之和最小。在本文中,我们将介绍如何使用Scikit
- 数据挖掘常用算法优缺点分析
天波烟客00
数据挖掘数据挖掘机器学习
领取机器学习视频教程:http://www.admin444.com/P-c8129a48常用的机器学习、数据挖掘方法有分类,回归,聚类,推荐,图像识别等。在实际应用中,一般都是采用启发式学习方式来实验。偏差&方差偏差:描述的是预测值(估计值)的期望与真实值之间的差距,偏差越大,越偏离真实数据。偏差bias其实是模型太简单而带来的估计不准确的部分---欠拟合方差:描述的是预测值的变化范围、离散程度
- 数据挖掘常用算法
kaiyuanheshang
AI数据挖掘算法人工智能
文章目录基于机器学习~~线性/逻辑回归~~树模型~~贝叶斯~~~~聚类~~集成算法神经网络~~支持向量机~~~~降维算法~~基于机器学习线性/逻辑回归类似单层神经网络y=k*x+b树模型优点可以做可视化分析速度快结果稳定依赖前期对业务和数据的理解贝叶斯贝叶斯依赖先验概率,先验知识越准,结果越好聚类集成算法xgboostlightbgm神经网络在文本、视觉领域效果非常好。但是过程黑盒,缺乏解释性支持
- 攻克设备数据质量难题:深度学习应用的数据基石搭建教程(DBSCAN 聚类算法)
AI_DL_CODE
深度学习运维算法数据质量DBSCAN聚类算法
摘要:在深度学习赋能设备管理的浪潮中,数据质量成为关键瓶颈。本文聚焦设备数据采集与预处理阶段面临的噪声干扰、数据缺失等难题,深入讲解强化采集端管控的策略,详细剖析聚类、统计法及线性回归模型在数据清洗与补全中的应用原理,并结合振动传感器数据实例给出可实操的Python代码。旨在为从业者提供一站式解决方案,助力打造高质量设备数据集,为深度学习模型高效运行筑牢根基,推动设备管理智能化落地。文章目录攻克设
- 单细胞分析基础-第一节 数据质控、降维聚类
遗落凡尘的萤火-生信小白
单细胞分析聚类数据挖掘机器学习
scRNA_pipeline\1.Seurat生物技能树可进官网查询添加链接描述分析流程准备:R包安装options("repos"="https://mirrors.ustc.edu.cn/CRAN/")if(!require("BiocManager"))install.packages("BiocManager",update=F,ask=F)options(BioC_mirror="htt
- 【python】在【机器学习】与【数据挖掘】中的应用:从基础到【AI大模型】
小李很执着
杂乱无章机器学习数据挖掘python人工智能语言模型
目录一、Python在数据挖掘中的应用1.1数据预处理数据清洗数据变换数据归一化高级预处理技术1.2特征工程特征选择特征提取特征构造二、Python在机器学习中的应用2.1监督学习分类回归2.2非监督学习聚类降维三、Python在深度学习中的应用3.1深度学习框架TensorFlowPyTorch四、Python在AI大模型中的应用4.1大模型简介4.2GPT-4o实例五、实例验证5.1数据集介绍
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f