Matlab科研辅导帮

【图像分类】基于宽度学习实现minist数据集图像分类matlab源码

简介

一、宽度学习的前世今生

宽度学习系统(BLS) 一词的提出源于澳门大学科技学院院长陈俊龙和其学生于2018年1月发表在IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS，VOL. 29, NO. 1 的一篇文章，题目叫《Broad Learning System: An Effective and Efficient Incremental Learning System Without the Need for Deep Architecture 》。文章的主旨十分明显，就是提出了一种可以和深度学习媲美的宽度学习框架。

为什么要提出宽度学习？众所周知，深度学习中最让人头疼之处在于其数量庞大的待优化参数，通常需要耗费大量的时间和机器资源来进行优化。

宽度学习的前身实际上是已经被人们研究了很久的随机向量函数连接网络 random vector functional-link neural network (RVFLNN) ，如图所示：\ \ 咋一看这网络结构没有什么奇特之处，其实也对，就是在单层前馈网络(SLFN)中增加了从输入层到输出层的直接连接。网络的第一层也叫输入层，第二层改名了，叫做增强层，第三层是输出层。具体来看，网络中有三种连接，分别是

(输入层 => 增强层)加权后有非线性变换
(增强层 => 输出层)只有线性变换
(输入层 => 输出层)只有线性变换

所以在RVFLNN中只有增强层 是真正意义上的神经网络单元，因为只有它带了激活函数，网络的其他部分均是线性的。下面我们将这个网络结构扭一扭：\ \ 当我们把增强层和输入层排成一行时，将它们视为一体，那网络就成了由 A(输入层+增强层)到 Y 的线性变换了！线性变换对应的权重矩阵 W 就是 输入层加增强层 到 输出层 之间的线性连接！！

这时你可能要问：那输入层到增强层之间的连接怎么处理/优化？我们的回答是：不管它！！！我们给这些连接随机初始化，固定不变！

如果我们固定输入层到增强层之间的权重，那么对整个网络的训练就是求出 A 到 Y 之间的变换 W，而 W 的确定非常简单：W=A−1YW = A^{-1}YW=A−1Y\ 输入 X 已知，就可以求出增强层 A；训练数据的标签已知，就知道了 Y。接下来的学习就是一步到位的事情了。

为什么可以这样做？\ 深度学习费了老劲把网络层数一加再加，就是为了增加模型的复杂度，能更好地逼近我们希望学习到的非线性函数，但是不是非线性层数越多越好呢？理论早就证明单层前馈网络(SLFN)已经可以作为函数近似器了，可见增加层数并不是必要的。RVFLNN也被证明可以用来逼近紧集上的任何连续函数，其非线性近似能力就体现在增强层的非线性激活函数上，只要增强层单元数量足够多，要多非线性有多非线性！

二、宽度学习系统(BLS)

\ 之前介绍的是RVFLNN，现在来看BLS，它对输入层做了一点改进，就是不直接用原始数据作为输入层，而是先对数据做了一些变换，相当于特征提取，将变化后的特征作为原RVFLNN的输入层，这样做的意义不是很大，只不过想告诉你：宽度学习可以利用别的模型提取到的特征来训练，即可以可别的机器学习算法组装。现在我们不把第一层叫做输入层，而是叫它特征层。

当给定了特征 Z，直接计算增强层 H，将特征层和增强层合并成 A=[Z|H]，竖线表示合并成一行。由于训练数据的标签 Y 已知，计算权重 W=A−1YW = A^{-1}YW=A−1Y 即可。实际计算时，使用岭回归 来求解权值矩阵，即通过下面的优化问题来解W(其中σ1=σ2=v=u=2\sigma_1=\sigma_2=v=u=2σ1=σ2=v=u=2)：\ \ 解得\ \ 以上过程是一步到位，即当数据固定，模型结构固定，可以直接找到最优的参数 W。

然而在大数据时代，数据固定是不可能的，数据会源源不断地来。模型固定也是不现实的，因为时不时需要调整数据的维数，比如增加新的特征。这样一来，就有了针对以上网络的增量学习算法。注意，宽度学习的核心在其增量学习算法，因为当数据量上亿时，相当于矩阵 Z 或 X 有上亿行，每次更新权重都对一个上一行的矩阵求伪逆是不现实的！

增量学习的核心就是，利用上一次的计算结果，和新加入的数据，只需少量计算就能得进而得到更新的权重。\ \ 例如：当我们发现初始设计的模型拟合能力不够，需要增加增强节点数量来减小损失函数。这时，我们给矩阵 A 增加一列 a，表示新增的增强节点，得到[A|a]，这时要计算新的权值矩阵，就需要求 [A∣a]−1[A|a]^{-1}[A∣a]−1，于是问题就转化成分块矩阵的广义逆问题，得到了[A∣a]−1[A|a]^{-1}[A∣a]−1，则更新的权重为 Wnew=[A∣a]−1YW_{new} = [A|a]^{-1}YWnew=[A∣a]−1Y，具体解形式如下，可以看到，Wn+1W_{n+1}Wn+1中用到了更新之前的权值矩阵WnW_{n}Wn，因而有效地减少了更新权重的计算量。\

源代码

``` %%%%%%%%%%%%%%%%%%%%%%%%This is the demo for the bls models including the %%%%%%%%%%%%%%%%%%%%%%%%proposed incremental learning algorithms. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%load the dataset MNIST dataset%%%%%%%%%%%%%%%%%%%% clear; warning off all; format compact; load mnist;

%%%%%%%%%%%%%%%the samples from the data are normalized and the lable data %%%%%%%%%%%%%%%trainy and testy are reset as NC matrices%%%%%%%%%%%%%% train_x = double(train_x/255); train_y = double(train_y); % test_x = double(train_x/255); % test_y = double(train_y); test_x = double(test_x/255); test_y = double(test_y); train_y=(train_y-1)2+1; testy=(testy-1)*2+1; assert(isfloat(trainx), 'trainx must be a float'); assert(all(trainx(:)>=0) && all(trainx(:)<=1), 'all data in trainx must be in [0:1]'); assert(isfloat(testx), 'testx must be a float'); assert(all(testx(:)>=0) && all(testx(:)<=1), 'all data in testx must be in [0:1]'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the one shot BLS demo'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning sytem with%%%%%% %%%%%%%%%%%%%%%%%%%%one shot structrue%%%%%%%%%%%%%%%%%%%%%%%% C = 2^-30; s = .8;%the l2 regularization parameter and the shrinkage scale of the enhancement nodes N11=10;%feature nodes per window N2=10;% number of windows of feature nodes N33=11000;% number of enhancement nodes epochs=10;% number of epochs trainerr=zeros(1,epochs);testerr=zeros(1,epochs); traintime=zeros(1,epochs);testtime=zeros(1,epochs); % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
for j=1:epochs
[TrainingAccuracy,TestingAccuracy,Trainingtime,Testingtime] = blstrain(trainx,trainy,testx,testy,s,C,N1,N2,N3);
trainerr(j)=TrainingAccuracy * 100; testerr(j)=TestingAccuracy * 100; traintime(j)=Trainingtime; testtime(j)=Testingtime; end save ( ['mnistresultoneshot' num2str(N3)], 'trainerr', 'testerr', 'traintime', 'testtime'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the one shot BLS demo with BP algorithm'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning system for one%%%%%% %%%%%%%%%%%%%%%%%%%%shot structrue with fine tuning under BP algorithm%%%%%%%%%%%%%%%%%%%%%%%% C = 2^-30; s = .8;%the l2 regularization parameter and the shrinkage scale of the enhancement nodes N11=10;%feature nodes per window N2=10;% number of windows of feature nodes N33=5000;% number of enhancement nodes epochs=1;% number of epochs trainerr=zeros(1,epochs);testerr=zeros(1,epochs); traintime=zeros(1,epochs);testtime=zeros(1,epochs); % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
for j=1:epochs
[TrainingAccuracy,TestingAccuracy,Trainingtime,Testingtime] = blstrainbp(trainx,trainy,testx,testy,s,C,N1,N2,N3);
trainerr(j)=TrainingAccuracy * 100; testerr(j)=TestingAccuracy * 100; traintime(j)=Trainingtime; testtime(j)=Testingtime; end save ( ['mnistresultbp' num2str(N3)], 'trainerr', 'testerr', 'traintime', 'test_time'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the BLS demo for increment of m enhancement nodes'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning system for%%%%%% %%%%%%%%%%%%%%%%%%%%increment of m enhancement nodes%%%%%%%%%%%%%%%%%%%%%%%% C = 2^-30; s = .8;%the l2 regularization parameter and the shrinkage scale of the enhancement nodes N11=10;%feature nodes per window N2=10;% number of windows of feature nodes N33=9000;% number of enhancement nodes m=500;%number of enhancement nodes in each incremental learning l=5;% steps of incremental learning epochs=1;% number of epochs % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
[trainerr,testerr,traintime,testtime,Testingtime,Trainingtime] = blstrainenhance(trainx,trainy,testx,testy,s,C,N1,N2,N3,epochs,m,l); save ( ['mnistresultenhance'], 'trainerr', 'testerr', 'traintime', 'testtime','Testingtime','Trainingtime'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the BLS demo for increment of m2+m3 enhancement nodes and m1 feature nodes'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning system for%%%%%% %%%%%%%%%%%%%%%%%%%%increment of m2+m3 enhancement nodes and m1 feature nodes %%%%%%%%%%%%%%%%%%%%%%%% C = 2^-30;%the regularization parameter for sparse regualarization s = .8;%the shrinkage parameter for enhancement nodes N11=10;%feature nodes per window N2=6;% number of windows of feature nodes N33=3000;% number of enhancement nodes epochs=1;% number of epochs m1=10;%number of feature nodes per increment step m2=750;%number of enhancement nodes related to the incremental feature nodes per increment step m3=1250;%number of enhancement nodes in each incremental learning l=5;% steps of incremental learning trainerrt=zeros(epochs,l);testerrt=zeros(epochs,l);traintimet=zeros(epochs,l);testtimet=zeros(epochs,l); Testingtimet=zeros(epochs,1);Trainingtimet=zeros(epochs,1); % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
for i=1:epochs
[trainerr,testerr,traintime,testtime,Testingtime,Trainingtime] = blstrainenhancefeature(trainx,trainy,testx,testy,s,C,N1,N2,N3,m1,m2,m3,l); trainerrt(i,:)=trainerr;testerrt(i,:)=testerr;traintimet(i,:)=traintime;testtimet(i,:)=testtime; Testingtimet(i)=Testingtime;Trainingtimet(i)=Trainingtime; end

save ( [ 'mnistresultenhancefeature'], 'trainerrt', 'testerrt', 'traintimet', 'testtimet','Testingtimet','Trainingtimet'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the BLS demo for increment of m input patterns'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning system for%%%%%% %%%%%%%%%%%%%%%%%%%% increment of m input patterns %%%%%%%%%%%%%%%%%%%%%%%% trainxf=trainx;trainyf=trainy; trainx=trainxf(1:10000,:);trainy=trainyf(1:10000,:); % the selected input patterns of int incremental learning C = 2^-30;%the regularization parameter for sparse regualarization s = .8;%the shrinkage parameter for enhancement nodes N11=10;%feature nodes per window N2=10;% number of windows of feature nodes N33=5000;% number of enhancement nodes epochs=1;% number of epochs m=10000;%number of added input patterns per increment step l=6;% steps of incremental learning trainerrt=zeros(epochs,l);testerrt=zeros(epochs,l);traintimet=zeros(epochs,l);testtimet=zeros(epochs,l); Testingtimet=zeros(epochs,1);Trainingtimet=zeros(epochs,1); % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
for i=1:epochs
[trainerr,testerr,traintime,testtime,Testingtime,Trainingtime] = blstraininput(trainx,trainy,trainxf,trainyf,testx,testy,s,C,N1,N2,N3,m,l); trainerrt(i,:)=trainerr;testerrt(i,:)=testerr;traintimet(i,:)=traintime;testtimet(i,:)=testtime; Testingtimet(i)=Testingtime;Trainingtimet(i)=Trainingtime; end save ( [ 'mnistresultinput'], 'trainerrt', 'testerrt', 'traintimet', 'testtimet','Testingtimet','Trainingtimet');

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% disp('Press any key to run the BLS demo for increment of m input patterns and m2 enhancement nodes'); pause

%%%%%%%%%%%%%%%%%%%%This is the model of broad learning system for%%%%%% %%%%%%%%%%%%%%%%%%%%the increment of m input patterns and m2 enhancement nodes %%%%%%%%%%%%%%%%%%%%%%%% % trainxf=trainx;trainyf=trainy; % trainx=trainxf(1:10000,:);trainy=trainyf(1:10000,:); % the selected input patterns of int incremental learning C = 2^-30;%the regularization parameter for sparse regualarization s = .8;%the shrinkage parameter for enhancement nodes N11=10;%feature nodes per window N2=10;% number of windows of feature nodes N33=3000;% number of enhancement nodes epochs=1;% number of epochs m=10000;%number of added input patterns per incremental step m2=1600; %number of added enhancement nodes per incremental step l=6;% steps of incremental learning trainerrt=zeros(epochs,l);testerrt=zeros(epochs,l);traintimet=zeros(epochs,l);testtimet=zeros(epochs,l); Testingtimet=zeros(epochs,1);Trainingtimet=zeros(epochs,1); % rand('state',67797325) % 12000 %%%%% The random seed recommended by the % reference HELM [10]. N1=N11; N3=N33;
for i=1:epochs
[trainerr,testerr,traintime,testtime,Testingtime,Trainingtime] = blstraininputenhance(trainx,trainy,trainxf,trainyf,testx,testy,s,C,N1,N2,N3,m,m2,l); trainerrt(i,:)=trainerr;testerrt(i,:)=testerr;traintimet(i,:)=traintime;testtimet(i,:)=testtime; Testingtimet(i)=Testingtime;Trainingtimet(i)=Trainingtime; end save ( [ 'mnistresultinputenhance'], 'trainerrt', 'testerrt', 'traintimet', 'testtimet','Testingtimet','Trainingtimet'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% ```

结果显示

```

BLSdemoMNIST Press any key to run the one shot BLS demo Feature nodes in window 1.000000: Max Val of Output 197.231923 Min Val -132.445934 Feature nodes in window 2.000000: Max Val of Output 162.050448 Min Val -259.157923 Feature nodes in window 3.000000: Max Val of Output 158.825012 Min Val -170.848908 Feature nodes in window 4.000000: Max Val of Output 183.610345 Min Val -176.640724 Feature nodes in window 5.000000: Max Val of Output 156.930629 Min Val -246.324992 Feature nodes in window 6.000000: Max Val of Output 205.564476 Min Val -224.889567 Feature nodes in window 7.000000: Max Val of Output 190.490079 Min Val -201.207669 Feature nodes in window 8.000000: Max Val of Output 222.445795 Min Val -212.138630 Feature nodes in window 9.000000: Max Val of Output 139.036012 Min Val -169.134295 Feature nodes in window 10.000000: Max Val of Output 142.961186 Min Val -160.903292 Enhancement nodes: Max Val of Output 3.420353 Min Val -0.244599 Training has been finished! The Total Training Time is : 102.494 seconds Training Accuracy is : 99.7367 % Testing has been finished! The Total Testing Time is : 5.7862 seconds Testing Accuracy is : 98.61 % Feature nodes in window 1.000000: Max Val of Output 193.033289 Min Val -151.255824 Feature nodes in window 2.000000: Max Val of Output 168.607872 Min Val -179.982576 Feature nodes in window 3.000000: Max Val of Output 151.063291 Min Val -229.175817 Feature nodes in window 4.000000: Max Val of Output 176.036863 Min Val -184.911995 Feature nodes in window 5.000000: Max Val of Output 206.601918 Min Val -158.703191 Feature nodes in window 6.000000: Max Val of Output 151.741127 Min Val -168.885708 Feature nodes in window 7.000000: Max Val of Output 170.957269 Min Val -207.027683 Feature nodes in window 8.000000: Max Val of Output 181.140414 Min Val -239.784371 Feature nodes in window 9.000000: Max Val of Output 150.326291 Min Val -199.228402 Feature nodes in window 10.000000: Max Val of Output 199.252684 Min Val -158.362546 Enhancement nodes: Max Val of Output 3.472201 Min Val -0.215642 Training has been finished! The Total Training Time is : 67.9411 seconds Training Accuracy is : 99.7367 % Testing has been finished! The Total Testing Time is : 7.4485 seconds Testing Accuracy is : 98.52 % Feature nodes in window 1.000000: Max Val of Output 209.865969 Min Val -182.405300 Feature nodes in window 2.000000: Max Val of Output 235.302850 Min Val -189.549668 Feature nodes in window 3.000000: Max Val of Output 187.654419 Min Val -151.607187 Feature nodes in window 4.000000: Max Val of Output 221.993407 Min Val -216.096033 Feature nodes in window 5.000000: Max Val of Output 155.948920 Min Val -204.342383 Feature nodes in window 6.000000: Max Val of Output 141.583633 Min Val -174.913595 Feature nodes in window 7.000000: Max Val of Output 163.356243 Min Val -188.587996 Feature nodes in window 8.000000: Max Val of Output 161.750612 Min Val -180.693640 Feature nodes in window 9.000000: Max Val of Output 165.778937 Min Val -181.464787 Feature nodes in window 10.000000: Max Val of Output 224.677511 Min Val -134.572391 Enhancement nodes: Max Val of Output 3.606442 Min Val -0.236093 Training has been finished! The Total Training Time is : 87.4557 seconds Training Accuracy is : 99.7283 % Testing has been finished! The Total Testing Time is : 10.3998 seconds Testing Accuracy is : 98.61 % Feature nodes in window 1.000000: Max Val of Output 224.958358 Min Val -170.193686 Feature nodes in window 2.000000: Max Val of Output 194.514557 Min Val -208.327173 Feature nodes in window 3.000000: Max Val of Output 221.825322 Min Val -149.311265 Feature nodes in window 4.000000: Max Val of Output 164.107288 Min Val -158.172390 Feature nodes in window 5.000000: Max Val of Output 175.199592 Min Val -205.682766 Feature nodes in window 6.000000: Max Val of Output 148.039458 Min Val -232.191557 Feature nodes in window 7.000000: Max Val of Output 180.215697 Min Val -164.596921 Feature nodes in window 8.000000: Max Val of Output 204.296698 Min Val -261.752318 Feature nodes in window 9.000000: Max Val of Output 148.888232 Min Val -175.420035 Feature nodes in window 10.000000: Max Val of Output 158.381113 Min Val -186.385498 Enhancement nodes: Max Val of Output 3.426611 Min Val -0.213306 Training has been finished! The Total Training Time is : 70.7262 seconds Training Accuracy is : 99.7417 % Testing has been finished! The Total Testing Time is : 7.8665 seconds Testing Accuracy is : 98.62 % Feature nodes in window 1.000000: Max Val of Output 187.042762 Min Val -151.085976 Feature nodes in window 2.000000: Max Val of Output 143.741841 Min Val -220.929141 Feature nodes in window 3.000000: Max Val of Output 169.951028 Min Val -212.490180 Feature nodes in window 4.000000: Max Val of Output 289.859616 Min Val -130.221157 Feature nodes in window 5.000000: Max Val of Output 175.216899 Min Val -161.939318 Feature nodes in window 6.000000: Max Val of Output 184.618817 Min Val -193.127798 Feature nodes in window 7.000000: Max Val of Output 244.702315 Min Val -134.325021 Feature nodes in window 8.000000: Max Val of Output 189.362845 Min Val -192.633648 Feature nodes in window 9.000000: Max Val of Output 279.149738 Min Val -139.633519 Feature nodes in window 10.000000: Max Val of Output 114.273544 Min Val -227.540166 Enhancement nodes: Max Val of Output 2.799741 Min Val -0.223121 Training has been finished! The Total Training Time is : 64.4458 seconds Training Accuracy is : 99.7233 % Testing has been finished! The Total Testing Time is : 3.1583 seconds Testing Accuracy is : 98.61 % Feature nodes in window 1.000000: Max Val of Output 197.550232 Min Val -144.378822 Feature nodes in window 2.000000: Max Val of Output 185.717489 Min Val -199.374493 Feature nodes in window 3.000000: Max Val of Output 147.551743 Min Val -186.059951 Feature nodes in window 4.000000: Max Val of Output 191.530521 Min Val -147.093382 Feature nodes in window 5.000000: Max Val of Output 138.906715 Min Val -167.454957 Feature nodes in window 6.000000: Max Val of Output 188.726521 Min Val -170.718024 Feature nodes in window 7.000000: Max Val of Output 164.679873 Min Val -191.313601 Feature nodes in window 8.000000: Max Val of Output 176.794643 Min Val -198.186120 Feature nodes in window 9.000000: Max Val of Output 212.549570 Min Val -151.211118 Feature nodes in window 10.000000: Max Val of Output 189.429728 Min Val -268.050392 Enhancement nodes: Max Val of Output 3.458946 Min Val -0.234552 Training has been finished! The Total Training Time is : 98.2127 seconds Training Accuracy is : 99.7083 % Testing has been finished! The Total Testing Time is : 4.0624 seconds Testing Accuracy is : 98.52 % Feature nodes in window 1.000000: Max Val of Output 169.947671 Min Val -230.259097 Feature nodes in window 2.000000: Max Val of Output 187.996530 Min Val -164.891535 Feature nodes in window 3.000000: Max Val of Output 174.947416 Min Val -247.660674 Feature nodes in window 4.000000: Max Val of Output 167.589510 Min Val -182.023083 Feature nodes in window 5.000000: Max Val of Output 165.654639 Min Val -180.222647 Feature nodes in window 6.000000: Max Val of Output 140.067802 Min Val -238.472102 Feature nodes in window 7.000000: Max Val of Output 150.675923 Min Val -163.925895 Feature nodes in window 8.000000: Max Val of Output 196.565904 Min Val -201.551648 Feature nodes in window 9.000000: Max Val of Output 160.964453 Min Val -202.823595 Feature nodes in window 10.000000: Max Val of Output 200.572165 Min Val -156.066579 Enhancement nodes: Max Val of Output 3.474922 Min Val -0.223896 Training has been finished! The Total Training Time is : 87.7135 seconds Training Accuracy is : 99.7417 % Testing has been finished! The Total Testing Time is : 2.732 seconds Testing Accuracy is : 98.64 % Feature nodes in window 1.000000: Max Val of Output 127.903963 Min Val -213.316681 Feature nodes in window 2.000000: Max Val of Output 155.038787 Min Val -180.186374 Feature nodes in window 3.000000: Max Val of Output 202.938832 Min Val -208.113174 Feature nodes in window 4.000000: Max Val of Output 158.992307 Min Val -172.330486 Feature nodes in window 5.000000: Max Val of Output 149.274163 Min Val -239.594803 Feature nodes in window 6.000000: Max Val of Output 254.333166 Min Val -151.058499 Feature nodes in window 7.000000: Max Val of Output 146.588936 Min Val -216.985141 Feature nodes in window 8.000000: Max Val of Output 142.499936 Min Val -233.436812 Feature nodes in window 9.000000: Max Val of Output 193.282726 Min Val -191.544201 Feature nodes in window 10.000000: Max Val of Output 141.050001 Min Val -182.792208 Enhancement nodes: Max Val of Output 3.542802 Min Val -0.234569 Training has been finished! The Total Training Time is : 72.4605 seconds Training Accuracy is : 99.745 % Testing has been finished! The Total Testing Time is : 3.1958 seconds Testing Accuracy is : 98.64 % Feature nodes in window 1.000000: Max Val of Output 218.772784 Min Val -208.236765 Feature nodes in window 2.000000: Max Val of Output 310.514595 Min Val -129.830654 Feature nodes in window 3.000000: Max Val of Output 241.129595 Min Val -172.617081 Feature nodes in window 4.000000: Max Val of Output 260.665208 Min Val -160.102947 Feature nodes in window 5.000000: Max Val of Output 155.496253 Min Val -205.477988 Feature nodes in window 6.000000: Max Val of Output 185.787754 Min Val -178.261461 Feature nodes in window 7.000000: Max Val of Output 261.771560 Min Val -156.336839 Feature nodes in window 8.000000: Max Val of Output 192.373735 Min Val -162.358270 Feature nodes in window 9.000000: Max Val of Output 229.965693 Min Val -156.619508 Feature nodes in window 10.000000: Max Val of Output 123.569253 Min Val -250.158478 Enhancement nodes: Max Val of Output 3.423224 Min Val -0.232924 Training has been finished! The Total Training Time is : 74.1174 seconds Training Accuracy is : 99.7467 % Testing has been finished! The Total Testing Time is : 7.2923 seconds Testing Accuracy is : 98.61 % Feature nodes in window 1.000000: Max Val of Output 217.388485 Min Val -152.120232 Feature nodes in window 2.000000: Max Val of Output 256.180746 Min Val -183.626129 Feature nodes in window 3.000000: Max Val of Output 157.092001 Min Val -181.354268 Feature nodes in window 4.000000: Max Val of Output 207.950323 Min Val -166.509437 Feature nodes in window 5.000000: Max Val of Output 155.502495 Min Val -247.480722 Feature nodes in window 6.000000: Max Val of Output 167.192962 Min Val -195.591846 Feature nodes in window 7.000000: Max Val of Output 127.299207 Min Val -244.663429 Feature nodes in window 8.000000: Max Val of Output 181.659436 Min Val -189.241315 Feature nodes in window 9.000000: Max Val of Output 151.453113 Min Val -212.202012 Feature nodes in window 10.000000: Max Val of Output 241.829813 Min Val -188.288168 Enhancement nodes: Max Val of Output 3.330709 Min Val -0.215613 Training has been finished! The Total Training Time is : 65.475 seconds Training Accuracy is : 99.7133 % Testing has been finished! The Total Testing Time is : 3.2262 seconds Testing Accuracy is : 98.47 % Press any key to run the one shot BLS demo with BP algorithm ```

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
Goolge earth studio 进阶4——路径修改与平滑陟彼高冈yu Google earth studio 进阶教程旅游
如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
121. 买卖股票的最佳时机薄荷糖的味道_fb40
给定一个数组，它的第i个元素是一支给定股票第i天的价格。如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例1:输入:[7,1,5,3,6,4]输出:5解释:在第2天（股票价格=1）的时候买入，在第5天（股票价格=6）的时候卖出，最大利润=6-1=5。注意利润不能是7-1=6,因为卖出价格需要大于买入价格。示例2:输入:
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
每日算法&面试题，大厂特训二十八天——第二十天（树）肥学 ⚡算法题⚡面试题每日精进 java 算法数据结构
目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
回溯算法-重新安排行程 chirou_ 算法数据结构图论 c++图搜索
leetcode332.重新安排行程这题我还没自己ac过，只能现在凭着刚学完的热乎劲把我对题解的理解记下来。本题我认为对数据结构的考察比较多，用什么数据结构去存数据，去读取数据，都是很重要的。classSolution{private:unordered_map>targets;boolbacktracking(intticketNum,vector&result){//1.确定参数和返回值//2
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
nosql数据库技术与应用知识点皆过客，揽星河 NoSQL nosql 数据库大数据数据分析数据结构非关系型数据库
Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
insert into select 主键自增_mybatis拦截器实现主键自动生成 weixin_39521651 insert into select 主键自增 mybatis delete返回值 mybatis insert返回主键 mybatis insert返回对象 mybatis plus insert返回主键 mybatis plus 插入生成id
前言前阵子和朋友聊天，他说他们项目有个需求，要实现主键自动生成，不想每次新增的时候，都手动设置主键。于是我就问他，那你们数据库表设置主键自动递增不就得了。他的回答是他们项目目前的id都是采用雪花算法来生成，因此为了项目稳定性，不会切换id的生成方式。朋友问我有没有什么实现思路，他们公司的orm框架是mybatis，我就建议他说，不然让你老大把mybatis切换成mybatis-plus。mybat
k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
Python实现简单的机器学习算法 master_chenchengg python python 办公效率 python开发 IT
Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习 K近邻
importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
数据结构 | 栈和队列 TT-Kun 数据结构与算法数据结构栈队列 C语言
文章目录栈和队列1.栈：后进先出（LIFO）的数据结构1.1概念与结构1.2栈的实现2.队列：先进先出（FIFO）的数据结构2.1概念与结构2.2队列的实现3.栈和队列算法题3.1有效的括号3.2用队列实现栈3.3用栈实现队列3.4设计循环队列结论栈和队列在计算机科学中，栈和队列是两种基本且重要的数据结构，它们在处理数据存储和访问顺序方面有着独特的规则和应用。本文将详细介绍栈和队列的概念、结构、实
[Python] 数据结构详解及代码 AIAdvocate 算法 python 数据结构链表
今日内容大纲介绍数据结构介绍列表链表1.数据结构和算法简介程序大白话翻译,程序=数据结构+算法数据结构指的是存储,组织数据的方式.算法指的是为了解决实际业务问题而思考思路和方法,就叫:算法.2.算法的5大特性介绍算法具有独立性算法是解决问题的思路和方式,最重要的是思维,而不是语言,其(算法)可以通过多种语言进行演绎.5大特性有输入,需要传入1或者多个参数有输出,需要返回1个或者多个结果有穷性,执行
Python算法L5：贪心算法小熊同学哦 Python算法算法 python 贪心算法
Python贪心算法简介目录Python贪心算法简介贪心算法的基本步骤贪心算法的适用场景经典贪心算法问题1.**零钱兑换问题**2.**区间调度问题**3.**背包问题**贪心算法的优缺点优点：缺点：结语贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前最优或最优解的算法。它的核心思想是，在保证每一步局部最优的情况下，希望通过贪心选择达到全局最优解。虽然贪心算法并不总能得到全
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
【RabbitMQ 项目】服务端：数据管理模块之绑定管理月夜星辉雪 rabbitmq 分布式
文章目录一.编写思路二.代码实践一.编写思路定义绑定信息类交换机名称队列名称绑定关键字：交换机的路由交换算法中会用到没有是否持久化的标志，因为绑定是否持久化取决于交换机和队列是否持久化，只有它们都持久化时绑定才需要持久化。绑定就好像一根绳子，两端连接着交换机和队列，当一方不存在，它就没有存在的必要了定义绑定持久化类构造函数：如果数据库文件不存在则创建，打开数据库，创建binding_table插入
非对称加密算法原理与应用2——RSA私钥加密文件私语茶馆云部署与开发架构及产品灵感记录 RSA2048 私钥加密
作者：私语茶馆1.相关章节（1）非对称加密算法原理与应用1——秘钥的生成-CSDN博客第一章节讲述的是创建秘钥对，并将公钥和私钥导出为文件格式存储。本章节继续讲如何利用私钥加密内容，包括从密钥库或文件中读取私钥，并用RSA算法加密文件和String。2.私钥加密的概述本文主要基于第一章节的RSA2048bit的非对称加密算法讲述如何利用私钥加密文件。这种加密后的文件，只能由该私钥对应的公钥来解密。
粒子群优化 (PSO) 在三维正弦波函数中的应用 subject625Ruben 机器学习人工智能 matlab 算法
在这篇博客中，我们将展示如何使用粒子群优化（PSO）算法求解三维正弦波函数，并通过增加正弦波扰动，使优化过程更加复杂和有趣。本文将介绍目标函数的定义、PSO参数设置以及算法执行的详细过程，并展示搜索空间中的动态过程和收敛曲线。1.目标函数定义我们使用的目标函数是一个三维正弦波函数，定义如下：objectiveFunc=@(x)sin(sqrt(x(1).^2+x(2).^2))+0.5*sin(5
人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt 人工智能
一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
非对称加密算法————RSA理论及详情 hu19930613
转自：https://www.kancloud.cn/kancloud/rsa_algorithm/48484一、一点历史1976年以前，所有的加密方法都是同一种模式：（1）甲方选择某一种加密规则，对信息进行加密；（2）乙方使用同一种规则，对信息进行解密。由于加密和解密使用同样规则（简称"密钥"），这被称为"对称加密算法"（Symmetric-keyalgorithm）。这种加密模式有一个最大弱点
ztree异步加载 3213213333332132 JavaScript Ajax json Web ztree
相信新手用ztree的时候,对异步加载会有些困惑，我开始的时候也是看了API花了些时间才搞定了异步加载，在这里分享给大家。我后台代码生成的是json格式的数据，数据大家按各自的需求生成，这里只给出前端的代码。设置setting，这里只关注async属性的配置 var setting = { //异步加载配置
thirft rpc 具体调用流程 BlueSkator 中间件 rpc thrift
Thrift调用过程中，Thrift客户端和服务器之间主要用到传输层类、协议层类和处理类三个主要的核心类，这三个类的相互协作共同完成rpc的整个调用过程。在调用过程中将按照以下顺序进行协同工作：（1）将客户端程序调用的函数名和参数传递给协议层（TProtocol），协议
异或运算推导, 交换数据 dcj3sjt126com PHP 异或 ^
/* * 5 0101 * 9 1010 * * 5 ^ 5 * 0101 * 0101 * ----- * 0000 * 得出第一个规律: 相同的数进行异或, 结果是0 * * 9 ^ 5 ^ 6 * 1010 * 0101 * ---- * 1111 * * 1111 * 0110 * ---- * 1001
事件源对象周华华 JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
MySql配置及相关命令 g21121 mysql
MySQL安装完毕后我们需要对它进行一些设置及性能优化，主要包括字符集设置，启动设置，连接优化，表优化，分区优化等等。一修改MySQL密码及用户
[简单]poi删除excel 2007超链接 53873039oycg Excel
采用解析sheet.xml方式删除超链接，缺点是要打开文件2次,代码如下: public void removeExcel2007AllHyperLink(String filePath) throws Exception { OPCPackage ocPkg = OPCPac
Struts2添加 open flash chart 云端月影
准备以下开源项目： 1. Struts 2.1.6 2. Open Flash Chart 2 Version 2 Lug Wyrm Charmer (28th, July 2009) 3. jofc2，这东西不知道是没做好还是什么意思，好像和ofc2不怎么匹配，最好下源码，有什么问题直接改。 4. log4j 用eclipse新建动态网站，取名OFC2Demo，将Struts2 l
spring包详解 aijuans spring
下载的spring包中文件及各种包众多，在项目中往往只有部分是我们必须的，如果不清楚什么时候需要什么包的话，看看下面就知道了。 aspectj目录下是在Spring框架下使用aspectj的源代码和测试程序文件。Aspectj是java最早的提供AOP的应用框架。 dist 目录下是Spring 的发布包，关于发布包下面会详细进行说明。 docs&nb
网站推广之seo概念 antonyup_2006 算法 Web 应用服务器搜索引擎 Google
持续开发一年多的b2c网站终于在08年10月23日上线了。作为开发人员的我在修改bug的同时，准备了解下网站的推广分析策略。所谓网站推广，目的在于让尽可能多的潜在用户了解并访问网站，通过网站获得有关产品和服务等信息，为最终形成购买决策提供支持。网站推广策略有很多，seo，email，adv
单例模式,sql注入,序列百合不是茶单例模式序列 sql注入预编译
序列在前面写过有关的博客,也有过总结,但是今天在做一个JDBC操作数据库的相关内容时需要使用序列创建一个自增长的字段居然不会了,所以将序列写在本篇的前面 1,序列是一个保存数据连续的增长的一种方式; 序列的创建; CREATE SEQUENCE seq_pro 2 INCREMENT BY 1 -- 每次加几个 3
Mockito单元测试实例 bijian1013 单元测试 mockito
Mockito单元测试实例： public class SettingServiceTest { private List<PersonDTO> personList = new ArrayList<PersonDTO>(); @InjectMocks private SettingPojoService settin
精通Oracle10编程SQL(9)使用游标 bijian1013 oracle 数据库 plsql
/* *使用游标 */ --显示游标 --在显式游标中使用FETCH...INTO语句 DECLARE CURSOR emp_cursor is select ename,sal from emp where deptno=1; v_ename emp.ename%TYPE; v_sal emp.sal%TYPE; begin ope
【Java语言】动态代理 bit1129 java语言
JDK接口动态代理 JDK自带的动态代理通过动态的根据接口生成字节码(实现接口的一个具体类)的方式，为接口的实现类提供代理。被代理的对象和代理对象通过InvocationHandler建立关联 package com.tom; import com.tom.model.User; import com.tom.service.IUserService;
Java通信之URL通信基础白糖_ java jdk webservice 网络协议 ITeye
java对网络通信以及提供了比较全面的jdk支持，java.net包能让程序员直接在程序中实现网络通信。在技术日新月异的现在，我们能通过很多方式实现数据通信，比如webservice、url通信、socket通信等等，今天简单介绍下URL通信。学习准备：建议首先学习java的IO基础知识 URL是统一资源定位器的简写，URL可以访问Internet和www，可以通过url
博弈Java讲义 - Java线程同步 (1) boyitech java 多线程同步锁
在并发编程中经常会碰到多个执行线程共享资源的问题。例如多个线程同时读写文件，共用数据库连接，全局的计数器等。如果不处理好多线程之间的同步问题很容易引起状态不一致或者其他的错误。同步不仅可以阻止一个线程看到对象处于不一致的状态，它还可以保证进入同步方法或者块的每个线程，都看到由同一锁保护的之前所有的修改结果。处理同步的关键就是要正确的识别临界条件（cri
java-给定字符串，删除开始和结尾处的空格，并将中间的多个连续的空格合并成一个。 bylijinnan java
public class DeleteExtraSpace { /** * 题目：给定字符串，删除开始和结尾处的空格，并将中间的多个连续的空格合并成一个。 * 方法1.用已有的String类的trim和replaceAll方法 * 方法2.全部用正则表达式，这个我不熟 * 方法3.“重新发明轮子”，从头遍历一次 */ public static v
An error has occurred.See the log file错误解决！ Kai_Ge MyEclipse
今天早上打开MyEclipse时，自动关闭！弹出An error has occurred.See the log file错误提示！很郁闷昨天启动和关闭还好着！！！打开几次依然报此错误，确定不是眼花了！打开日志文件！找到当日错误文件内容： --------------------------------------------------------------------------
[矿业与工业]修建一个空间矿床开采站要多少钱? comsci
地球上的钛金属矿藏已经接近枯竭........... 我们在冥王星的一颗卫星上面发现一些具有开采价值的矿床..... 那么,现在要编制一个预算,提交给财政部门..
解析Google Map Routes dai_lm google api
为了获得从A点到B点的路劲，经常会使用Google提供的API，例如 [url] http://maps.googleapis.com/maps/api/directions/json?origin=40.7144,-74.0060&destination=47.6063,-122.3204&sensor=false [/url] 从返回的结果上，大致可以了解应该怎么走，但
SQL还有多少“理所应当”？ datamachine sql
转贴存档，原帖地址：http://blog.chinaunix.net/uid-29242841-id-3968998.html、http://blog.chinaunix.net/uid-29242841-id-3971046.html！ ------------------------------------华丽的分割线--------------------------------
Yii使用Ajax验证时，如何设置某些字段不需要验证 dcj3sjt126com Ajax yii
经常像你注册页面,你可能非常希望只需要Ajax去验证用户名和Email,而不需要使用Ajax再去验证密码,默认如果你使用Yii 内置的ajax验证Form,例如: $form=$this->beginWidget('CActiveForm', array( 'id'=>'usuario-form',&
使用git同步网站代码 dcj3sjt126com crontab git
转自:http://ued.ctrip.com/blog/?p=3646?tn=gongxinjun.com 管理一网站，最开始使用的虚拟空间，采用提供商支持的ftp上传网站文件，后换用vps，vps可以自己搭建ftp的，但是懒得搞，直接使用scp传输文件到服务器，现在需要更新文件到服务器，使用scp真的很烦。发现本人就职的公司，采用的git+rsync的方式来管理、同步代码，遂
sql基本操作蕃薯耀 sql sql基本操作 sql常用操作
sql基本操作 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月1日 17:30:33 星期一 &
Spring4+Hibernate4+Atomikos3.3多数据源事务管理 hanqunfeng Hibernate4
Spring3+后不再对JTOM提供支持，所以可以改用Atomikos管理多数据源事务。Spring2.5+Hibernate3+JTOM参考：http://hanqunfeng.iteye.com/blog/1554251Atomikos官网网站：http://www.atomikos.com/ 一.pom.xml <dependency> <
jquery中两个值得注意的方法one()和trigger()方法 jackyrong trigger
在jquery中，有两个值得注意但容易忽视的方法，分别是one()方法和trigger()方法,这是从国内作者<<jquery权威指南》一书中看到不错的介绍 1） one方法 one方法的功能是让所选定的元素绑定一个仅触发一次的处理函数，格式为 one(type,${data},fn) &nb
拿工资不仅仅是让你写代码的 lampcy 工作面试咨询
这是我对团队每个新进员工说的第一件事情。这句话的意思是，我并不关心你是如何快速完成任务的，哪怕代码很差，只要它像救生艇通气门一样管用就行。这句话也是我最喜欢的座右铭之一。这个说法其实很合理：我们的工作是思考客户提出的问题，然后制定解决方案。思考第一，代码第二，公司请我们的最终目的不是写代码，而是想出解决方案。话粗理不粗。付你薪水不是让你来思考的，也不是让你来写代码的，你的目的是交付产品
架构师之对象操作----------对象的效率复制和判断是否全为空 nannan408 架构师
1.前言。如题。 2.代码。 (1)对象的复制，比spring的beanCopier在大并发下效率要高，利用net.sf.cglib.beans.BeanCopier Src src=new Src(); BeanCopier beanCopier = BeanCopier.create(Src.class, Des.class, false);
ajax 被缓存的解决方案 Rainbow702 JavaScript jquery Ajax cache 缓存
使用jquery的ajax来发送请求进行局部刷新画面，各位可能都做过。今天碰到一个奇怪的现象，就是，同一个ajax请求，在chrome中，不论发送多少次，都可以发送至服务器端，而不会被缓存。但是，换成在IE下的时候，发现，同一个ajax请求，会发生被缓存的情况，只有第一次才会被发送至服务器端，之后的不会再被发送。郁闷。解决方法如下： ① 直接使用 JQuery提供的 “cache”参数，
修改date.toLocaleString()的警告 tntxia String
我们在写程序的时候，经常要查看时间，所以我们经常会用到date.toLocaleString()，但是date.toLocaleString()是一个过时的API，代替的方法如下： package com.tntxia.htmlmaker.util; import java.text.SimpleDateFormat; import java.util.
项目完成后的小总结 xiaomiya js 总结项目
项目完成了，突然想做个总结但是有点无从下手了。做之前对于客户端给的接口很模式。然而定义好了格式要求就如此的愉快了。先说说项目主要实现的功能吧 1，按键精灵 2，获取行情数据 3，各种input输入条件判断 4，发送数据（有json格式和string格式） 5，获取预警条件列表和预警结果列表， 6，排序， 7，预警结果分页获取 8，导出文件（excel，text等） 9，修

【图像分类】基于宽度学习实现minist数据集图像分类matlab源码

简介

一、宽度学习的前世今生

二、宽度学习系统(BLS)

源代码

结果显示

你可能感兴趣的:(算法,神经网络,机器学习,人工智能,深度学习)