- 用Tensorflow进行线性回归和逻辑回归(十)
lishaoan77
tensorflow线性回归tensorboard可视化
用TensorBoard可视化线性回归模型TensorBoard是一种可视化工具,用于了解、调试和优化模型训练过程。它使用在执行程序时编写的摘要事件。上面定义的模型使用tf.summary.FileWriter来写日志到日志目录/tmp/lr-train.我们可以用命令调用日志目录的TensorBoard,见Example3-13(TensorBoard已黙认安装与TensorFlow一起).Ex
- 【k近邻】 K-Nearest Neighbors算法原理及流程
F_D_Z
机器学习方法数理算法学习机器学习k近邻算法k-近邻算法
【k近邻】K-NearestNeighbors算法原理及流程【k近邻】K-NearestNeighbors算法距离度量选择与数据维度归一化【k近邻】K-NearestNeighbors算法k值的选择【k近邻】Kd树的构造与最近邻搜索算法【k近邻】Kd树构造与最近邻搜索示例k近邻算法(K-NearestNeighbors,简称KNN)是一种常用的监督学习算法,可以用于分类和回归问题。在OpenCV中
- 深入详解:决策树算法的概念、原理、实现与应用场景
猿享天开
算法决策树机器学习
深入详解:决策树算法的概念、原理、实现与应用场景决策树(DecisionTree)是机器学习中一种直观且广泛应用的监督学习算法,适用于分类和回归任务。其树形结构易于理解,特别适合初学者。本文将从概念、原理、实现到应用场景,全面讲解决策树,并通过流程图和可视化示例增强理解,通俗易懂,帮助小白快速掌握决策树算法相关知识。1.决策树的概念1.1什么是决策树?决策树通过一系列条件判断(决策节点)将输入数据
- 阅读笔记(2) 单层网络:回归
a2507283885
笔记
阅读笔记(2)单层网络:回归该笔记是DataWhale组队学习计划(共度AI新圣经:深度学习基础与概念)的Task02以下内容为个人理解,可能存在不准确或疏漏之处,请以教材为主。1.从泛函视角来看线性回归还记得线性代数里学过的“基”这个概念吗?一组基向量是一组线性无关的向量,它们通过线性组合可以张成一个向量空间。也就是说,这个空间里的任意一个向量,都可以表示成这组基的线性组合。函数其实也可以看作是
- MATLAB实现WOA-BP鲸鱼优化算法优化BP神经网络多输入单输出回归预测(含模型描述及示例代码)
nantangyuxi
MATLAB含模型描述及示例代码算法matlab神经网络大数据人工智能深度学习机器学习
目录MATLAB实现WOA-BP鲸鱼优化算法优化BP神经网络多输入单输出回归预测(多指标,多图)1项目背景介绍...1项目目标与意义...2项目挑战...3项目特点与创新...5<
- 深度学习详解:通过案例了解机器学习基础
beist
深度学习机器学习人工智能
引言机器学习(MachineLearning,ML)和深度学习(DeepLearning,DL)是现代人工智能领域中的两个重要概念。通过让机器具备学习的能力,机器可以从数据中自动找到函数,并应用于各种任务,如语音识别、图像识别和游戏对战等。在这篇笔记中,我们将通过一个简单的案例,逐步了解机器学习的基础知识。1.1机器学习案例学习1.1.1回归问题与分类问题在机器学习中,根据所要解决的问题类型,任务
- 前端替换打包后文件中的内容方案(可用于渗透测试后将问题版本号清空临时解决方案)
Anarkh_Lee
前端nodevue前端vuenode.js
1.问题背景在前端项目安全扫描过程中,经常遇到第三方依赖库版本安全风险提示。然而,直接升级依赖库可能导致以下问题:升级成本高,需要全面回归测试可能引入新的兼容性问题项目稳定性风险增加开发周期延长本文介绍一种在构建过程中优化版本信息的技术方案,适用于紧急情况下的临时处理方案。2.实现思路该方案主要通过以下步骤实现:识别构建后文件中包含的第三方库版本信息创建构建后处理脚本,去除特定版本号信息集成到现有
- (线性代数最小二乘问题)Normal Equation(正规方程)
音程
数学线性代数机器学习人工智能
NormalEquation(正规方程)是线性代数中的一个重要概念,主要用于解决最小二乘问题(LeastSquaresProblem)。它通过直接求解一个线性方程组,找到线性回归模型的最优参数(如权重或系数)。以下是详细介绍:1.定义与数学表达式给定一个超定方程组(方程数量多于未知数):Ax=bA\mathbf{x}=\mathbf{b}Ax=b其中:A∈Rm×nA\in\mathbb{R}^{m
- 【机器学习第二期(Python)】优化梯度提升决策树 XGBoost
WW、forever
深度学习原理及代码实现机器学习python决策树
优化梯度提升决策树XGBoost一、XGBoost简介二、原理详解2.1基础思想:改进版GBDT2.2目标函数2.3二阶泰勒展开优化2.4树结构优化三、XGBoost实现步骤(Python)可调参数推荐完整案例代码(回归任务+可视化)参考梯度提升决策树GBDT的原理及Python代码实现可参考另一博客-【机器学习第一期(Python)】梯度提升决策树GBDT。XGBoost(ExtremeGrad
- AI人工智能领域回归:实现技术与服务的深度融合
AI学长带你学AI
人工智能回归数据挖掘ai
AI人工智能领域回归:实现技术与服务的深度融合关键词:AI人工智能、技术与服务融合、回归、实现路径、应用场景摘要:本文聚焦于AI人工智能领域中技术与服务深度融合的回归趋势。首先介绍了这一趋势的背景,包括目的、预期读者和文档结构。接着阐述了相关核心概念及联系,通过流程图清晰展示。详细讲解了核心算法原理并给出Python代码示例,还介绍了相关数学模型和公式。通过项目实战,从开发环境搭建到代码实现与解读
- Boosting:从理论到实践——集成学习中的偏差征服者
大千AI助手
人工智能Python#OTHER集成学习boosting机器学习tree人工智能ML
核心定位:一种通过串行训练弱学习器、自适应调整数据权重,将多个弱模型组合成强模型的集成学习框架,专注于降低预测偏差。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!一、Boosting的本质目标:将一系列弱学习器(仅比随机猜测略好,如浅层决策树)组合成强学习器核心思想:错误驱动学习:后续模型重点修正
- C4.5算法深度解析:决策树进化的里程碑
大千AI助手
算法决策树机器学习C4.5Python人工智能AI
C4.5是机器学习史上最经典的算法之一,由ID3之父RossQuinlan在1993年提出。作为ID3的革命性升级,它不仅解决了前代的核心缺陷,更开创了连续特征处理和剪枝技术的先河,成为现代决策树的奠基之作。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!往期文章推荐:20.用Mermaid代码画E
- GBDT:梯度提升决策树——集成学习中的预测利器
大千AI助手
人工智能Python#OTHER决策树集成学习算法GBDT梯度提升人工智能机器学习
核心定位:一种通过串行集成弱学习器(决策树)、以梯度下降方式逐步逼近目标函数的机器学习算法,在结构化数据预测任务中表现出色。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!一、GBDT是什么?全称:GradientBoostingDecisionTree(梯度提升决策树)本质:Boosting集成学
- Python 逻辑回归:开启分类问题的智慧之门
海燕李
python逻辑回归开发语言scikit-learn
一、逻辑回归的魅力之源在机器学习的璀璨星空中,逻辑回归宛如一颗耀眼的明星,照亮了分类问题的求解之路。它之所以备受青睐,是因为其独特的理论架构和广泛的适用性。逻辑回归虽名为“回归”,但本质上是一种用于分类的强大算法。它巧妙地将线性关系与分类任务相结合,通过构建一个概率模型,来预测样本属于某个类别的可能性。这种对概率的估计能力,使得它在众多领域中脱颖而出。例如,在医疗诊断中,可预测患者是否患有某种疾病
- 机器学习算法-逻辑回归模型在交通领域的应用
是一个Bug
机器学习算法逻辑回归
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档逻辑回归模型在交通领域的应用:车流数量和平均速度之间的关系前言结果分析代码分析逻辑回归可视化:交通拥堵预测的动态建模过程一、交通数据生成与预处理二、逻辑回归核心算法实现三、动态可视化:决策边界的演变过程四、特征标准化与模型评估五、实验结果与模型解读六、拓展思考:逻辑回归的局限性结语:从代码到交通智能前言紧接上文的逻辑回归原理分析讲一讲
- 机器学习之常用的回归预测模型
曼城周杰伦
机器学习机器学习回归人工智能算法
本文全面整理了各种回归预测模型,旨在帮助读者更好地学习回归预测模型。转载自:https://mp.weixin.qq.com/s/7m2waIASOEg90NONgRpQFQ一.线性模型线性回归是一种线性模型,通过特征的线性组合来预测连续值标签。线性回归通过拟合系数(可选择是否设置截距)的线性模型,以最小化真实值和预测值之间的残差平方和。scikit-learnlinear_models:http
- GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!
机器学习之心
可解释机器学习GRU门控循环单元回归SHAP分析
GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!目录GRU门控循环单元回归+SHAP分析,Matlab代码实现,通过SHAP方法量化特征贡献,构建可解释的回归模型,引入SHAP方法打破黑箱限制,提供全局及局部双重解释视角,作者:机器学习之心!效果一览基本介绍
- 什么是回归模型,什么是自回归模型?
杰瑞学AI
ComputerknowledgeAI/AGINLP/LLMs回归数据挖掘人工智能
在统计学和机器学习中,回归模型和自回归模型都是用来预测或建模变量之间关系的工具,但它们在数据类型和变量依赖关系上有着关键的区别。回归模型(RegressionModel)回归模型是一种统计方法,用于建立一个或多个自变量(independentvariables)与一个因变量(dependentvariable)之间的关系。它的主要目标是预测因变量的值,或者理解自变量如何影响因变量。核心思想:假设因
- [KO机器学习] Day2 特征工程:数据预处理:序号编码、独热编码、二进制编码
码农男孩
机器学习机器学习人工智能计算机视觉算法支持向量机
场景描述类别型特征(categoricalfeature)主要是指性别(男女)、血型(A,B,AB,O)等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,除了决策树等少数模型能直接处理字符串形式的输入,对于逻辑回归、支持向量机等模型来说,类别型特征必须经过处理转换成数值型特征才能正确工作。在对数据进行预处理时,应该怎么样处理类别型特征?难度:★☆☆☆☆①序号编码OrdinalEnco
- (二十一)YOLO 全解析:从实时目标检测到多任务视觉智能
只有左边一个小酒窝
深度学习YOLO目标检测人工智能深度学习计算机视觉
1YOLO的发展脉络与技术定位1.1发展脉络YOLOv1(2015年):将目标检测重新定义为单一回归问题,把输入图像划分为S×S网格,每个网格单元负责预测固定数量的边界框及对应的类别概率,直接从像素回归预测物体的边界框坐标和类别概率。但存在小目标检测能力弱、定位精度不足等局限。YOLOv2(2016年):引入批量归一化、锚框、维度集群等技术,还提出了高分辨率分类器、直接位置预测、细粒度特征融合、多
- 机器学习数据预处理:L2正则化(岭回归)
数字化与智能化
人工智能机器学习机器学习L2正则化岭回归
一、L2正则化介绍L2正则化,也称为岭回归(RidgeRegression),是一种常用的正则化方法。它在线性回归模型中通过在损失函数中添加L2范数的平方来惩罚模型的复杂度,从而防止过拟合。在线性回归中,我们的目标是最小化损失函数,通常以最小化均方误差来衡量。而L2正则化通过在损失函数中添加模型参数的L2范数的平方来进行正则化。L2范数是指模型参数的平方和的开方。正则化惩罚的目标是使模型参数尽量接
- DeepSeek这一波喧嚣过后回归于技术的冷静思考与深度求索
吕小明么
agi人工智能AIGC算法神经网络
历经甲辰年末再到乙巳年初,由于DeepSeekV3/R1-zero/R1等模型的“出圈”似乎又让我们这些在AI领域不断“深度求索”的AIer小伙伴们过上了一个看似不那么平静的“年”,这种“年味儿”的感觉不亚于甚至更甚于去年甲辰年横空出世的“Sora”。然而不同的是,上次是来自国外带给我们视觉领域下的“diffusion“冲击,而这次则是国内所刮起的这股东方“求索”与“开放”精神。然而,在经历了大
- 无监督学习概览
MzKyle
人工智能人工智能无监督学习机器学习
一、无监督学习的本质与定位定义:无监督学习是机器学习的三大范式之一(另外两种为监督学习和强化学习),其核心特点是处理未标注数据,通过算法自动发现数据中的隐藏结构、模式或内在规律。与监督学习依赖"输入-输出"对不同,无监督学习仅以原始数据作为输入,目标是揭示数据的内在组织方式。与其他学习范式的区别:监督学习:依赖标签(如分类、回归任务),学习从输入到输出的映射关系强化学习:通过与环境交互获得奖励信号
- 【人工智能-练习】三个案例搞明白机器学习中的三大任务:分类、回归、聚类
若北辰
人工智能分类回归
文章目录一、分类任务结果代码解释导入必要的库配置字体生成模拟数据集拆分数据集数据标准化逻辑回归分类器预测并计算准确率绘制分类效果定义决策边界绘制函数绘制训练集和测试集的分类效果二、回归结果代码解释1.导入库2.设置Matplotlib的字体3.生成模拟数据集4.将数据集划分为训练集和测试集5.数据标准化6.定义线性回归模型7.预测8.计算均方误差(MSE)9.绘制回归预测效果图训练集上的预测效果测
- 基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测
智能算法研学社(Jack旭)
#正则极限学习机(RELM)智能优化算法应用算法回归数据挖掘
基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测文章目录基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于沙猫群算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法:若NNN个训练样
- 基于战争策略算法优化的正则化极限学习机(RELM)的回归预测
基于战争策略算法优化的正则化极限学习机(RELM)的回归预测文章目录基于战争策略算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于战争策略算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法:若NNN个
- LLaDA:用扩散模型改变语言生成的范式
Jay Kay
论文阅读自然语言处理人工智能机器学习
引言近年来,大型语言模型(LLMs)取得了显著进展,展现了诸如上下文学习、指令遵循、推理和多轮对话等能力。然而,这些模型大多基于自回归模型(ARMs),通过逐词预测生成文本,存在计算效率低、难以处理逆向推理任务等问题。最近,中国人民大学高瓴人工智能学院李崇轩、文继荣教授团队和蚂蚁集团联合推出了LLaDA(LargeLanguageDiffusionwithmAsking),这是一种基于扩散模型的语
- 软件测试面试题-自测
愿尽
软件测试功能测试
一、测试流程1.项目测试流程你是怎么开展的?①首先,需求分析阶段,分析需求点,需求确定以后进入测试计划阶段,参考需求规格说明书进行测试计划编写②接着,进入测试设计阶段,依据需求文档及原型图编写测试用例,并进行用例评审③进入测试执行阶段,需要搭建测试环境,执行冒烟测试之后进入正式测试,并且将测试缺陷进行提交及跟踪,经过多轮回归测试,直到测试版本结束④最后,进入测试评估阶段,对软件版本质量进行评估,输
- 用Tensorflow进行线性回归和逻辑回归(一)
lishaoan77
tensorflowtensorflow线性回归逻辑回归
这一章告诉你如何用TensorFlow构建简单的机器学习系统。第一部分回顾构建机器学习系统的基础特别是讲函数,连续性,可微性。接着我们介绍损失函数,然后讨论机器学习归根于找到复杂的损失函数最小化的点的能力。我们然后讲梯度下降,解释它如何使损失最小。然后简单的讨论自动微分的算法思想。第二节侧重于介绍基于这些数学思想的TensorFlow概念。包括placeholders,scopes,optimiz
- 【动手学深度学习】4.2~4.3 多层感知机的实现
XiaoJ1234567
《动手学深度学习》深度学习人工智能MLP多层感知机
目录4.2.多层感知机的从零开始实现1)初始化模型参数2)激活函数3)模型4)损失函数5)训练4.3.多层感知机的简洁实现1)模型2)小结.4.2.多层感知机的从零开始实现现在让我们实现一个多层感知机。为了与之前softmax回归获得的结果进行比较,我们将继续使用Fashion-MNIST图像分类数据集。importtorchfromtorchimportnnfromd2limporttorcha
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite