- 机器学习中的 K-均值聚类算法及其优缺点
刘小董
学习心得机器学习
K-均值聚类算法是一种常用的无监督学习算法,用于将样本数据划分为K个不同的簇。其基本思想是通过迭代去优化簇的中心位置,使得每个样本点到所属簇的中心点的距离最小。算法步骤如下:初始化K个簇的中心点,可以随机选择K个样本点作为初始中心点。对于每个样本点,计算其与各个簇中心点的距离,并将其划分到距离最近的簇中。更新每个簇的中心点,将其设为该簇中所有样本点的均值。重复步骤2和步骤3,直到达到停止条件(例如
- 深度学习如何入门?
nanshaws
yolov5深度学习
深度学习是机器学习的一个子领域,它基于人工神经网络的研究。入门深度学习可以分为以下几个步骤:基础知识准备:(1)掌握基础数学知识,特别是线性代数、概率论和统计学、微积分。(2)学习编程语言,Python是目前最流行的深度学习语言,因其简洁易学且有大量的库支持。(3)了解机器学习基础,包括监督学习和非监督学习的概念、模型评估与选择等。学习深度学习理论:(1)理解神经网络的基本组成,如神经元、激活函数
- 机器学习、深度学习、神经网络之间的关系
你好,工程师
AI机器学习
机器学习(MachineLearning)、深度学习(DeepLearning)和神经网络(NeuralNetworks)之间存在密切的关系,它们可以被看作是一种逐层递进的关系。下面简要介绍它们之间的关系:机器学习(MachineLearning):机器学习是一种人工智能的分支,关注如何通过数据让计算机系统从经验中学习,提高性能。机器学习算法可以分为监督学习、无监督学习、半监督学习和强化学习等不同
- 探索LightGBM:监督式聚类与异常检测
Echo_Wish
Python笔记Python算法聚类数据挖掘机器学习
导言监督式聚类和异常检测是在监督学习框架下进行的一种特殊形式的数据分析技术。在Python中,LightGBM提供了一些功能来执行监督式聚类和异常检测任务。本教程将详细介绍如何使用LightGBM进行监督式聚类和异常检测,并提供相应的代码示例。监督式聚类监督式聚类是一种将聚类任务结合到监督学习框架中的技术。LightGBM提供了一种基于决策树的监督式聚类方法。以下是一个简单的示例:importli
- 【机器学习基础】正则化
为梦而生~
机器学习机器学习人工智能
个人主页:为梦而生~关注我一起学习吧!专栏:机器学习欢迎订阅!后面的内容会越来越有意思~⭐特别提醒:针对机器学习,特别开始专栏:机器学习python实战欢迎订阅!本专栏针对机器学习基础专栏的理论知识,利用python代码进行实际展示,真正做到从基础到实战!往期推荐:【机器学习基础】机器学习入门(1)【机器学习基础】机器学习入门(2)【机器学习基础】机器学习的基本术语【机器学习基础】机器学习的模型评
- 1.深度学习基础-模型评估指标
alstonlou
深度学习指南深度学习人工智能机器学习算法python
模型评估指标针对不同类型的任务,需要通过不同的模型评价指标进行评价,在实际应用中,可能需要结合具体任务和需求选择合适的评估方法。有监督学习回归任务回归任务模型的评估主要通过误差和拟合优度来进行,常用的指标包括平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和决定系数(R²)。在回归任务中,我们主要关注模型预测值与实际值之间的差异大小以及模型对数据整体变化的解释能力。以下是具体介绍
- 【人工智能学习思维脉络导图】
AK@
人工智能人工智能学习
曾梦想执剑走天涯,我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础(线性代数、微积分、概率论和统计学)编程语言(Python、R等)2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络(CNN)循环神经网络(RNN)自然语言处理
- 机器学习基础(一)理解机器学习的本质
昊昊该干饭了
人工智能python机器学习人工智能python
导读:在本文中,将深入探索机器学习的根本原理,包括基本概念、分类及如何通过构建预测模型来应用这些理论。目录机器学习机器学习概念相关概念机器学习根本:模型数据的语言:特征与标签训练与测试:模型评估机器学习的分类监督学习:有指导的学习过程非监督学习:自我探索的过程强化学习:通过试错学习构建与分析鸢尾花数据模型鸢尾花数据集简介加载数据集创建和训练模型进行预测与评估模型机器学习机器学习概念机器学习是人工智
- 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
- 机器学习-近邻KNN算法学习笔记
不会敲代码的陈序员
机器学习算法人工智能
目录一、算法定义KNN算法性能:欠拟合和过拟合KNN算法优缺点二、算法原理算法通俗解释算法的公式欧氏距离曼哈顿距离三、算法实现与应用模型搭建思路KNN算法模型源码代码运行效果图四、总结一、算法定义K最近邻(K-NearestNeighbors,KNN)算法是一种用于分类和回归的监督学习算法。KNN算法的主要思想可以简单概括如下:训练阶段:在训练阶段,KNN算法将所有的训练样本和它们对应的标签存储在
- 【机器学习案例5】语言建模 - 最常见的预训练任务一览表
suoge223
机器学习实用指南机器学习人工智能
自监督学习(SSL)是基于Transformer的预训练语言模型的支柱,该范例涉及解决有助于建模自然语言的预训练任务(PT)。本文将所有流行的预训练任务放在一起,以便我们一目了然地评估它们。SSL中的损失函数这里的损失函数只是模型训练的各个预训练任务损失的加权和。以BERT为例,损失将是MLM(MaskedLanguageModelling)和NSP(NextSentencePrediction)
- 机器学习---强化学习
三月七꧁ ꧂
机器学习机器学习人工智能
1.什么是强化学习在连接主义学习中,在学习的方式有三种:非监督学习(unsupervisedlearning)、监督学习(supervisedleaning)和强化学习。监督学习也称为有导师的学习,需要外界存在一个“教师”对给定输入提供应有的输出结果,学习的目的是减少系统产生的实际输出和预期输出之间的误差,所产生的误差反馈给系统来指导学习。非监督学习也称为无导师的学习。它是指系统不存在外部教师指导
- 深度学习——概念引入
韶光流年都束之高阁
深度学习日记深度学习人工智能职场和发展
深度学习深度学习简介深度学习分类根据网络结构划分:循环神经网络卷积神经网络根据学习方式划分:监督学习无监督学习半监督学习根据应用领域划分:计算机视觉自然语言处理语音识别生物信息学深度学习简介深度学习(DeepLearning,DL)是机器学习领域中的一个新的研究方向,主要是通过学习样本数据的内在规律和表示层次,让机器能够具有类似于人类的分析学习能力。深度学习的最终目标是让机器能够识别和解释各种数据
- Sora背后的论文(1):使用 lstms 对视频展现进行无监督学习
一支烟一朵花
论文学习人工智能深度学习
之前那篇《Sora背后的32篇论文》发出后,大家都觉得不错,有很多小伙伴都开始啃论文了。那么我就趁热打铁,把这32篇论文的通俗解读版贴一下。从去年开始,我基本上形成了一个思维方式,任何事情做之前先看看有没有好的AI工具帮助自己提高效率。我本身不是算法出身,也是散装英语的水平,所以这个过程是借助了一些AI工具完成,后面会专门写一篇介绍详细的说明。Sora官网技术文章出处:Videogeneratio
- 数据挖掘十大经典算法之KNN
我姓许啊
一、knn介绍1.K最近邻(k-NearestNeighbor,KNN)分类算法,属于有监督学习中的分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。2.KNN算法中,所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本
- GAN生成对抗性网络
Dirschs
深度学习GAN生成对抗网络人工智能神经网络
一、GAN原理出发点:机器学习中生成模型的问题无监督学习是机器学习和未来人工智能的突破点,生成模型是无监督学习的关键部分特点:不需要MCMC或者变分贝叶斯等复杂的手段,只需要在G和D中对应的多层感知机中运行反向传播或者梯度下降算法模型通常使用神经网络,其拟合能力最好G(Generator):用于捕获数据分布的生成模型(生成图像的网络);接收到随机的噪声z,通过噪声z生成图像。尽可能多地模拟、建模和
- 支持向量机SVM
ALGORITHM LOL
支持向量机算法机器学习
支持向量机(SVM,SupportVectorMachines)是一种广泛使用的监督学习方法,适用于分类、回归和其他任务。SVM的核心思想是找到一个最优的决策边界(在二维空间中是一条线,在更高维度是一个超平面),以此来区分不同类别的数据点。SVM试图将这个决策边界与最近的训练数据点(即支持向量)之间的距离最大化,以增强模型的泛化能力。下面是SVM从底层到高层的详细讲解:线性SVM线性SVM专注于在
- 【论文精读】ESViT
None-D
自监督学习深度学习人工智能计算机视觉算法
摘要基于transformer的SSL方法在ImageNet线性检测任务上取得了最先进的性能,其关键原因在于使用了基于对比学习方法训练单尺度Transformer架构。尽管其简单有效,但现有的基于transformer的SSL(自监督学习)方法需要大量的计算资源才能达到SoTA性能。故认为SSL系统的效率与两个因素高度相关:网络架构和预训练任务。故而提出改进:发现自监督单尺度transformer
- 【论文精读】SimCLR2
None-D
自监督学习机器学习人工智能deeplearning计算机视觉算法深度学习
摘要本文提出了一个半监督学习框架,包括三个步骤:无监督或自监督的预训练;有监督微调;使用未标记数据进行蒸馏。具体改进有:发现在半监督学习(无监督预训练+有监督微调)中,对于较大的模型只需采用少量有标签数据就可实现良好的结果证明了SimCLR中用于半监督学习的卷积层之后非线性变换(投影头)的重要性。更深的投影头能提高分类线性评估指标,也能提高从投影头的中间层进行微调时的半监督性能对于特定目标,过大的
- 【机器学习笔记】11 支持向量机
RIKI_1
机器学习机器学习笔记支持向量机
支持向量机(SupportVectorMachine,SVM)支持向量机是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalizedlinearclassifier),其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。与逻辑回归和神经网络相比,支持向量机,在学习复杂的非线性方程时提供了一种更为清
- 【机器学习笔记】12 聚类
RIKI_1
机器学习机器学习笔记聚类
无监督学习概述监督学习在一个典型的监督学习中,训练集有标签,我们的目标是找到能够区分正样本和负样本的决策边界,需要据此拟合一个假设函数。无监督学习与此不同的是,在无监督学习中,我们的数据没有附带任何标签,无监督学习主要分为聚类、降维、关联规则、推荐系统等方面。主要的无监督学习方法聚类(Clustering)如何将教室里的学生按爱好、身高划分为5类?降维(DimensionalityReductio
- 【机器学习笔记】3 逻辑回归
RIKI_1
机器学习机器学习笔记逻辑回归
分类问题分类问题监督学习最主要的类型,主要特征是标签离散,逻辑回归是解决分类问题的常见算法,输入变量可以是离散的也可以是连续的二分类先从用蓝色圆形数据定义为类型1,其余数据为类型2;只需要分类1次,步骤:①->②多分类问题先定义其中一类为类型1(正类),其余数据为负类(rest);接下来去掉类型1数据,剩余部分再次进行二分类,分成类型2和负类;如果有类,那就需要分类-1次,步骤:①->②->③->
- 支持向量机 | 核技巧于SMO算法的实现
Sudden
01核技巧关于支持向量机,我们有这样的共识:支持向量机是一种分类器,之所以叫“机”是因为它会产生一个二值决策结果,是一种决策机;支持向量机的泛化误差较低,即,有良好的学习能力,且学到的模型具有很好的推广性,因此被认为是监督学习中最好的定式算法;支持向量机通过求解一个二次优化问题来最大化分类间隔,在过去,训练SVM常采用非常复杂且低效的二次规划求解方法;1998年,Platt提出SMO算法,通过每次
- AI算法初识之分类汇总
初心不忘产学研
人工智能算法大数据机器学习深度学习
一、背景AI算法的分类方式多种多样,可以根据不同的学习机制、功能用途以及模型结构进行划分。以下是一些主要的分类方式及相应的代表性算法:1.按照学习类型-**监督学习**:-线性回归(LinearRegression)-逻辑回归(LogisticRegression)-决策树(DecisionTree)-随机森林(RandomForest)-支持向量机(SupportVectorMachines,S
- Python环境下基于深度判别迁移学习网络的轴承故障诊断
哥廷根数学学派
故障诊断信号处理深度学习python迁移学习开发语言
目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中,该假设却未必存在。一方面,如果将利用某一领域数据训练得到的模型直接应用于新的目标领域,领域之间切实存在的数据差异可能会导致模型效果的骤然下降。另一方面,如果直接在新的目标领域中进行模型的训练,其数据的稀缺和标注的不完整可能会导致监督学习出现严重的过拟合问题,难以达到令人满意的学习效果
- (2024,L-DAE,去噪 DM,去噪 AE,影响 SSRL 性能的关键成分,PCA 潜在空间)解构自监督学习的去噪扩散模型
EDPJ
人工智能
DeconstructingDenoisingDiffusionModelsforSelf-SupervisedLearning公和众和号:EDPJ(进Q交流群:922230617或加VX:CV_EDPJ进V交流群)目录0.摘要4.解构去噪扩散模型4.1.用于自监督学习的重新导向DDM4.2.解构分词器4.3.迈向经典去噪自动编码器5.分析和对比6.结论0.摘要在这项研究中,我们研究了去噪扩散模型
- 为自监督学习重构去噪扩散模型
tzc_fly
生成式AI学习人工智能
在这项研究中,作者检验了最初用于图像生成的去噪扩散模型(DDM)的表示学习能力。其理念是解构DDM,逐渐将其转化为经典的去噪自动编码器(DAE)。这一解构过程让大家能够探索现代DDM的各个组成部分如何影响自监督的表征。观察到,只有极少数现代组件对学习好的表征至关重要,而其他许多组件则不重要。研究最终得出了一种高度简化的方法,在很大程度上类似于经典的DAE。来自:DeconstructingDeno
- open3d k-means 聚类
云杂项
open3d持续更新kmeans聚类算法计算机视觉python机器学习
k-means聚类一、算法原理1、介绍2、算法步骤二、代码1、机器学习生成`kmeans`聚类2、点云学习生成聚类三、结果1、原点云2、机器学习生成`kmeans`聚类3、点云学习生成聚类四、相关链接一、算法原理1、介绍K-means聚类算法是一种无监督学习算法,主要用于数据聚类。该算法的主要目标是找到一个数据点的划分,使得每个数据点与其所在簇的质心(即该簇所有数据点的均值)之间的平方距离之和最小
- ChatGPT原理以及发展
菜鸟Cardll
深度学习chatgpt
ChatGPT模型,备受关注,不光是做人工智能、机器学习的人关注,而是大量的各行各业从业人员都来关注这个模型。ghat属于大规模预训练模型,有两个关键字,大规模和预训练,大规模:参数够多、模型够大预训练:数据集够多,训练时间够多所以单个人没有足够的算力,那就直接有现成的吧语言处理和图像处理在深度学习里都差不多原理基本相似,在监督学习中都是需要大量的标注数据和人工干预。gpt也是迭代发展出来的1、G
- 机器学习中的10种非线性降维技术对比总结
降维意味着我们在不丢失太多信息的情况下减少数据集中的特征数量,降维算法属于无监督学习的范畴,用未标记的数据训练算法。尽管降维方法种类繁多,但它们都可以归为两大类:线性和非线性。线性方法将数据从高维空间线性投影到低维空间(因此称为线性投影)。例子包括PCA和LDA。非线性方法提供了一种执行非线性降维(NLDR)的方法。我们经常使用NLDR来发现原始数据的非线性结构。当原始数据不可线性分离时,NLDR
- html页面js获取参数值
0624chenhong
html
1.js获取参数值js
function GetQueryString(name)
{
var reg = new RegExp("(^|&)"+ name +"=([^&]*)(&|$)");
var r = windo
- MongoDB 在多线程高并发下的问题
BigCat2013
mongodbDB高并发重复数据
最近项目用到 MongoDB , 主要是一些读取数据及改状态位的操作. 因为是结合了最近流行的 Storm进行大数据的分析处理,并将分析结果插入Vertica数据库,所以在多线程高并发的情境下, 会发现 Vertica 数据库中有部分重复的数据. 这到底是什么原因导致的呢?笔者开始也是一筹莫 展,重复去看 MongoDB 的 API , 终于有了新发现 :
com.mongodb.DB 这个类有
- c++ 用类模版实现链表(c++语言程序设计第四版示例代码)
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T>
class Node
{
private:
Node<T> * next;
public:
T data;
- 最近情况
麦田的设计者
感慨考试生活
在五月黄梅天的岁月里,一年两次的软考又要开始了。到目前为止,我已经考了多达三次的软考,最后的结果就是通过了初级考试(程序员)。人啊,就是不满足,考了初级就希望考中级,于是,这学期我就报考了中级,明天就要考试。感觉机会不大,期待奇迹发生吧。这个学期忙于练车,写项目,反正最后是一团糟。后天还要考试科目二。这个星期真的是很艰难的一周,希望能快点度过。
- linux系统中用pkill踢出在线登录用户
被触发
linux
由于linux服务器允许多用户登录,公司很多人知道密码,工作造成一定的障碍所以需要有时踢出指定的用户
1/#who 查出当前有那些终端登录(用 w 命令更详细)
# who
root pts/0 2010-10-28 09:36 (192
- 仿QQ聊天第二版
肆无忌惮_
qq
在第一版之上的改进内容:
第一版链接:
http://479001499.iteye.com/admin/blogs/2100893
用map存起来号码对应的聊天窗口对象,解决私聊的时候所有消息发到一个窗口的问题.
增加ViewInfo类,这个是信息预览的窗口,如果是自己的信息,则可以进行编辑.
信息修改后上传至服务器再告诉所有用户,自己的窗口
- java读取配置文件
知了ing
1,java读取.properties配置文件
InputStream in;
try {
in = test.class.getClassLoader().getResourceAsStream("config/ipnetOracle.properties");//配置文件的路径
Properties p = new Properties()
- __attribute__ 你知多少?
矮蛋蛋
C++gcc
原文地址:
http://www.cnblogs.com/astwish/p/3460618.html
GNU C 的一大特色就是__attribute__ 机制。__attribute__ 可以设置函数属性(Function Attribute )、变量属性(Variable Attribute )和类型属性(Type Attribute )。
__attribute__ 书写特征是:
- jsoup使用笔记
alleni123
java爬虫JSoup
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.7.3</version>
</dependency>
2014/08/28
今天遇到这种形式,
- JAVA中的集合 Collectio 和Map的简单使用及方法
百合不是茶
listmapset
List ,set ,map的使用方法和区别
java容器类类库的用途是保存对象,并将其分为两个概念:
Collection集合:一个独立的序列,这些序列都服从一条或多条规则;List必须按顺序保存元素 ,set不能重复元素;Queue按照排队规则来确定对象产生的顺序(通常与他们被插入的
- 杀LINUX的JOB进程
bijian1013
linuxunix
今天发现数据库一个JOB一直在执行,都执行了好几个小时还在执行,所以想办法给删除掉
系统环境:
ORACLE 10G
Linux操作系统
操作步骤如下:
第一步.查询出来那个job在运行,找个对应的SID字段
select * from dba_jobs_running--找到job对应的sid
&n
- Spring AOP详解
bijian1013
javaspringAOP
最近项目中遇到了以下几点需求,仔细思考之后,觉得采用AOP来解决。一方面是为了以更加灵活的方式来解决问题,另一方面是借此机会深入学习Spring AOP相关的内容。例如,以下需求不用AOP肯定也能解决,至于是否牵强附会,仁者见仁智者见智。
1.对部分函数的调用进行日志记录,用于观察特定问题在运行过程中的函数调用
- [Gson六]Gson类型适配器(TypeAdapter)
bit1129
Adapter
TypeAdapter的使用动机
Gson在序列化和反序列化时,默认情况下,是按照POJO类的字段属性名和JSON串键进行一一映射匹配,然后把JSON串的键对应的值转换成POJO相同字段对应的值,反之亦然,在这个过程中有一个JSON串Key对应的Value和对象之间如何转换(序列化/反序列化)的问题。
以Date为例,在序列化和反序列化时,Gson默认使用java.
- 【spark八十七】给定Driver Program, 如何判断哪些代码在Driver运行,哪些代码在Worker上执行
bit1129
driver
Driver Program是用户编写的提交给Spark集群执行的application,它包含两部分
作为驱动: Driver与Master、Worker协作完成application进程的启动、DAG划分、计算任务封装、计算任务分发到各个计算节点(Worker)、计算资源的分配等。
计算逻辑本身,当计算任务在Worker执行时,执行计算逻辑完成application的计算任务
- nginx 经验总结
ronin47
nginx 总结
深感nginx的强大,只学了皮毛,把学下的记录。
获取Header 信息,一般是以$http_XX(XX是小写)
获取body,通过接口,再展开,根据K取V
获取uri,以$arg_XX
&n
- 轩辕互动-1.求三个整数中第二大的数2.整型数组的平衡点
bylijinnan
数组
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
public class ExoWeb {
public static void main(String[] args) {
ExoWeb ew=new ExoWeb();
System.out.pri
- Netty源码学习-Java-NIO-Reactor
bylijinnan
java多线程netty
Netty里面采用了NIO-based Reactor Pattern
了解这个模式对学习Netty非常有帮助
参考以下两篇文章:
http://jeewanthad.blogspot.com/2013/02/reactor-pattern-explained-part-1.html
http://gee.cs.oswego.edu/dl/cpjslides/nio.pdf
- AOP通俗理解
cngolon
springAOP
1.我所知道的aop 初看aop,上来就是一大堆术语,而且还有个拉风的名字,面向切面编程,都说是OOP的一种有益补充等等。一下子让你不知所措,心想着:怪不得很多人都和 我说aop多难多难。当我看进去以后,我才发现:它就是一些java基础上的朴实无华的应用,包括ioc,包括许许多多这样的名词,都是万变不离其宗而 已。 2.为什么用aop&nb
- cursor variable 实例
ctrain
variable
create or replace procedure proc_test01
as
type emp_row is record(
empno emp.empno%type,
ename emp.ename%type,
job emp.job%type,
mgr emp.mgr%type,
hiberdate emp.hiredate%type,
sal emp.sal%t
- shell报bash: service: command not found解决方法
daizj
linuxshellservicejps
今天在执行一个脚本时,本来是想在脚本中启动hdfs和hive等程序,可以在执行到service hive-server start等启动服务的命令时会报错,最终解决方法记录一下:
脚本报错如下:
./olap_quick_intall.sh: line 57: service: command not found
./olap_quick_intall.sh: line 59
- 40个迹象表明你还是PHP菜鸟
dcj3sjt126com
设计模式PHP正则表达式oop
你是PHP菜鸟,如果你:1. 不会利用如phpDoc 这样的工具来恰当地注释你的代码2. 对优秀的集成开发环境如Zend Studio 或Eclipse PDT 视而不见3. 从未用过任何形式的版本控制系统,如Subclipse4. 不采用某种编码与命名标准 ,以及通用约定,不能在项目开发周期里贯彻落实5. 不使用统一开发方式6. 不转换(或)也不验证某些输入或SQL查询串(译注:参考PHP相关函
- Android逐帧动画的实现
dcj3sjt126com
android
一、代码实现:
private ImageView iv;
private AnimationDrawable ad;
@Override
protected void onCreate(Bundle savedInstanceState)
{
super.onCreate(savedInstanceState);
setContentView(R.layout
- java远程调用linux的命令或者脚本
eksliang
linuxganymed-ssh2
转载请出自出处:
http://eksliang.iteye.com/blog/2105862
Java通过SSH2协议执行远程Shell脚本(ganymed-ssh2-build210.jar)
使用步骤如下:
1.导包
官网下载:
http://www.ganymed.ethz.ch/ssh2/
ma
- adb端口被占用问题
gqdy365
adb
最近重新安装的电脑,配置了新环境,老是出现:
adb server is out of date. killing...
ADB server didn't ACK
* failed to start daemon *
百度了一下,说是端口被占用,我开个eclipse,然后打开cmd,就提示这个,很烦人。
一个比较彻底的解决办法就是修改
- ASP.NET使用FileUpload上传文件
hvt
.netC#hovertreeasp.netwebform
前台代码:
<asp:FileUpload ID="fuKeleyi" runat="server" />
<asp:Button ID="BtnUp" runat="server" onclick="BtnUp_Click" Text="上 传" />
- 代码之谜(四)- 浮点数(从惊讶到思考)
justjavac
浮点数精度代码之谜IEEE
在『代码之谜』系列的前几篇文章中,很多次出现了浮点数。 浮点数在很多编程语言中被称为简单数据类型,其实,浮点数比起那些复杂数据类型(比如字符串)来说, 一点都不简单。
单单是说明 IEEE浮点数 就可以写一本书了,我将用几篇博文来简单的说说我所理解的浮点数,算是抛砖引玉吧。 一次面试
记得多年前我招聘 Java 程序员时的一次关于浮点数、二分法、编码的面试, 多年以后,他已经称为了一名很出色的
- 数据结构随记_1
lx.asymmetric
数据结构笔记
第一章
1.数据结构包括数据的
逻辑结构、数据的物理/存储结构和数据的逻辑关系这三个方面的内容。 2.数据的存储结构可用四种基本的存储方法表示,它们分别是
顺序存储、链式存储 、索引存储 和 散列存储。 3.数据运算最常用的有五种,分别是
查找/检索、排序、插入、删除、修改。 4.算法主要有以下五个特性:
输入、输出、可行性、确定性和有穷性。 5.算法分析的
- linux的会话和进程组
网络接口
linux
会话: 一个或多个进程组。起于用户登录,终止于用户退出。此期间所有进程都属于这个会话期。会话首进程:调用setsid创建会话的进程1.规定组长进程不能调用setsid,因为调用setsid后,调用进程会成为新的进程组的组长进程.如何保证? 先调用fork,然后终止父进程,此时由于子进程的进程组ID为父进程的进程组ID,而子进程的ID是重新分配的,所以保证子进程不会是进程组长,从而子进程可以调用se
- 二维数组 元素的连续求解
1140566087
二维数组ACM
import java.util.HashMap;
public class Title {
public static void main(String[] args){
f();
}
// 二位数组的应用
//12、二维数组中,哪一行或哪一列的连续存放的0的个数最多,是几个0。注意,是“连续”。
public static void f(){
- 也谈什么时候Java比C++快
windshome
javaC++
刚打开iteye就看到这个标题“Java什么时候比C++快”,觉得很好笑。
你要比,就比同等水平的基础上的相比,笨蛋写得C代码和C++代码,去和高手写的Java代码比效率,有什么意义呢?
我是写密码算法的,深刻知道算法C和C++实现和Java实现之间的效率差,甚至也比对过C代码和汇编代码的效率差,计算机是个死的东西,再怎么优化,Java也就是和C