- 深度学习 最简单的神经网络 线性回归网络
用最简单的线性模型讲清神经网络训练全流程，让你5分钟看懂AI是怎么学会预测的1真实神经元结构真实神经元包括：树突接收其他神经元传来的电信号（输入）。细胞核负责整合输入信号并产生动作电位。轴突传导动作电位到下一个神经元。突触释放神经递质，将信号传递给下一个神经元的树突。2线性回归神经网络原理（与神经元对比）假设输入是x_1,x_2,x_3x\_1,x\_2,x\_3x_1,x_2,x_3，权重是w_
- 机器学习20-线性网络思考
坐吃山猪
机器学习机器学习人工智能线性网络
机器学习20-线性网络思考针对线性网络的基础问题，使用基础示例进行解释1-核心知识点1-线性模型家族的线性回归和逻辑回归分别是什么，线性模型家族还有没有其他的模型线性模型家族是一系列基于线性假设的统计模型，它们假设因变量和自变量之间存在线性关系。线性模型家族中的两个最常见模型是线性回归和逻辑回归。线性回归（LinearRegression）:线性回归是一种用于预测连续因变量的模型。它假设因变量yy
- LL面试题11
三月七꧁ ꧂
破题·大模型面试语言模型gpt人工智能自然语言处理promptllama
物流算法实习面试题7道GLM是什么？ GLM(GeneralizedLinearModel)是一种六义线性模型，用于建立变量之间的关系。它将线性回归模型推广到更广泛的数据分布，可以处理非正态分布的响应变量，如二项分布（逻辑回归）、泊松分布和伽玛分布等。GLM结合线性模型和非线性函数，通过最大似然估计或广义最小二乘估计来拟合模型参数。SVM的原理？怎么找到最优的线性分类器？支持向量是什么？
- 【机器学习】什么是逻辑回归？从入门到精通：掌握逻辑回归与二分类问题的解决之道
宸码
模式识别机器学习机器学习python逻辑回归分类人工智能算法
从入门到精通：掌握逻辑回归与二分类问题的解决之道引言1.1逻辑回归简介1.2逻辑回归的应用场景逻辑回归基本原理2.1逻辑回归概述逻辑回归的基本思想预测类别的概率2.2线性模型与Sigmoid函数线性模型Sigmoid函数Sigmoid函数的性质为什么选择Sigmoid函数2.3逻辑回归的输出：概率值分类决策代价函数与优化数学基础3.1逻辑回归的假设与目标假设目标3.2对数似然函数概率模型对数似然函
- 深度学习中常见激活函数总结
向左转, 向右走ˉ
深度学习人工智能pytorchpython
以下是一份深度学习激活函数的系统总结，涵盖定义、类型、作用、应用及选择影响，便于你快速掌握核心知识：一、激活函数的定义在神经网络中，激活函数（ActivationFunction）是神经元计算输出的非线性变换函数，作用于加权输入和偏置之和：输出=f(加权和+偏置)核心价值：引入非线性，使神经网络能够拟合任意复杂函数（无激活函数的深度网络等价于单层线性模型）。二、常见激活函数类型1.线性函数（Lin
- 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
- 30天pytorch从入门到熟练（day1）
一、总体工作思路本项目采用“从零构建”的策略，系统性地开展了深度学习模型的开发与优化工作。其目标在于通过全流程自研方式，深入理解模型构建、训练优化、推理部署的关键技术环节。整体路径分为以下核心阶段：模型初步构建：以最简单的线性模型y=Ax+B为起点，快速搭建数据流通路；数据生成机制设计：构建基于正态分布的可控数据生成器，逐步增加数据复杂度；模型复杂度提升：在逐步提高神经网络深度与宽度的同时，引入残
- 最小二乘法的理论推导
士兵突击许三多
最小二乘法最小二乘法
最小二乘法的理论推导最小二乘法是一种通过最小化误差平方和来估计模型参数的方法。下面我将详细推导线性最小二乘法的理论过程，并给出相应的LaTeX公式。问题描述给定一组观测数据点(xi,yi),i=1,2,...,n(x_i,y_i),i=1,2,...,n(xi,yi),i=1,2,...,n，我们希望找到线性模型：y=ax+by=ax+by=ax+b使得模型预测值与实际观测值之间的误差平方和最小。
- 为什么Sigmoind适用于输出层而不是输入层隐藏层
AI扶我青云志
人工智能
Sigmoid函数在神经网络中的适用性与其数学特性、计算效率及梯度行为密切相关。它更适用于输出层而非隐藏层或输入层，主要基于以下原因：一、Sigmoid的核心特性输出范围压缩Sigmoid函数将任意实数映射到(0,1)区间（公式：）。这种特性使其天然适合表示概率，例如二分类问题中输出“属于正类的概率”。非线性与平滑性作为连续可微的S型曲线，Sigmoid提供非线性转换能力，避免网络退化为线性模型。
- python打卡第52天
知识点回顾：随机种子内参的初始化神经网络调参指南参数的分类调参的顺序各部分参数的调整心得##随机种子importtorchimporttorch.nnasnn#定义简单的线性模型（无隐藏层）#输入2个纬度的数据，得到1个纬度的输出classSimpleNet(nn.Module):def__init__(self):super(SimpleNet,self).__init__()#线性层：2个输入
- 神经元激活函数在神经网络里起着关键作用
MYH516
神经网络人工智能深度学习
神经元激活函数在神经网络里起着关键作用，它能为网络赋予非线性能力，让网络可以学习复杂的函数映射关系。下面从多个方面详细剖析激活函数的作用和意义：1.核心作用：引入非线性因素线性模型的局限性：假设一个简单的神经元没有激活函数，其输出为\(y=w_1x_1+w_2x_2+b\)，这本质上是一个线性函数。即便构建多层这样的线性神经元网络，最终的输出依然是输入的线性组合，就像\(y=w_1'x_1+w_2
- 手把手教你学Simulink--多传感器融合与高级滤波场景（50.2）：基于卡尔曼滤波(EKF)在非线性系统状态估计中的应用仿真
小蘑菇二号
手把手教你学MATLAB专栏手把手教你学Simulinksimulink
目录一、准备工作二、步骤详解第一步：创建Simulink模型第二步：定义非线性系统模型第三步：设计扩展卡尔曼滤波器（EKF）第四步：实现EKF控制器第五步：整合控制系统第六步：设置参考姿态或轨迹第七步：运行仿真并分析结果注意事项结论扩展卡尔曼滤波（ExtendedKalmanFilter,EKF）是处理非线性系统状态估计的一种常用方法。EKF通过线性化非线性模型来近似标准的卡尔曼滤波过程，从而实现
- Python 在金融中的应用- Part 1
Morpheon
python金融人工智能
早在2018年，我开始对资本市场产生兴趣。理解资本市场的基本理论对财富积累至关重要。我开始阅读所有经典著作，如《聪明的投资者》和《证券分析》。在这一系列文章中，我想与读者分享在Python编程语言背景下理解金融理论的旅程。在文章的第一大部分，我们将专注于金融模型的线性方面，资本资产定价模型（CAPM）、套利定价理论（APT）和线性优化。后续章节将涵盖非线性模型。线性是现实世界的简化版本。它在概念上
- Spark MLlib模型—决策树系列算法
猫猫姐
Spark实战算法spark-ml决策树
文章目录SparkMLlib模型—决策树系列算法决策树系列算法随机森林（RandomForest）GBDT(Gradient-boostedDecisionTrees)总结SparkMLlib模型—决策树系列算法前面我们重点介绍了机器学习中的特征工程，以及SparkMLlib框架支持的特征处理函数。基于线性回归模型，我们对比了不同特征处理方法下的模型效果。一般来说，线性模型的模型容量比较有限，它仅
- MATLAB怎么用命令找模块,MATLAB simulink命令集
神康不是狗
MATLAB怎么用命令找模块
simulink命令集(转载)仿真命令：sim---仿真运行一个simulink模块sldebug---调试一个simulink模块simset---设置仿真参数simget---获取仿真参数线性化和整理命令：linmod---从连续时间系统中获取线性模型(状态方程)linmod2---也是获取线性模型，采用高级方法dinmod---从离散时间系统中获取线性模型trim---为一个仿真系统寻找稳定
- matlab simulink 黑屏,Simulink中的常见问题.doc
MC猪颈肉
matlabsimulink黑屏
Simulink中的常见问题Simulink中的常见问题仿真命令：?sim---仿真运行一个simulink模块?sldebug---调试一个simulink模块?simset---设置仿真参数?simget---获取仿真参数?线性化和整理命令：?linmod---从连续时间系统中获取线性模型(状态方程)?linmod2---也是获取线性模型，采用高级方法?dinmod---从离散时间系统中获取线
- 2篇7章3节：广义加性回归模型的可视化和模型的诊断
R科学与人工智能
用R探索医药数据科学回归数据挖掘人工智能r语言算法开发语言大数据
在现代统计建模与数据科学中，非线性建模方法逐渐取代了传统线性模型在许多实际问题中的地位。广义加性模型（GeneralizedAdditiveModel,GAM）作为一种灵活、解释性强的非线性回归方法，越来越受到研究人员的青睐。本文将通过一个完整的建模流程，结合R语言中mgcv包的使用，系统介绍如何使用模拟数据进行GAM建模、结果可视化与模型诊断，并介绍一种分阶段建模的技巧以提高建模灵活性。一、广义
- 极大似然估计与机器学习
xsddys
机器学习人工智能
复习概统的时候突然发现好像极大似然估计MLE与机器学习的数据驱动非常相似，都是采样样本然后估计模型参数。貌似，后知后觉的才意识到极大似然估计就是机器学习有效的数学保证下面以拟合线性分布的最小二乘与分类问题为例推到以下如何从似然函数推导出MSE损失与交叉熵损失一、线性回归的最小二乘法1.概率模型设定假设数据由线性模型生成，且观测噪声服从正态分布：y=wTx+ϵ,ϵ∼N(0,σ2)y=\mathbf{
- 广义线性模型——Logistic回归模型（1）
吹哨子的喇叭花
r语言数据分析
广义线性模型（GLM）是线性模型的扩展，它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为：其中g(μY)是条件均值的函数（称为连接函数）。另外，你可放松Y为正态分布的假设，改为Y服从指数分布族中的一种分布即可。设定好连接函数和概率分布后，便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下，线性模型就可以通过一系列连续型或类别型预测变量来预测
- 02_线性模型(回归线性模型)
白杆杆红伞伞
machinelearning回归数据挖掘人工智能
描述线性模型是在实践中广泛使用的一类模型，线性模型利用输入特征的线性函数（linearfunction）进行预测。用于回归的线性模型对于回归问题，线性模型预测的一般公式如下：$\widehaty=w[0]*x[0]+w[1]*x[1]+…+w[p]*x[p]+b$这里x[0]到x[p]表示单个数据点的特征（本例中特征个数为p+1），w和b是学习模型的参数，$\widehaty$是模型的预测结果。对
- 西瓜书【机器学习（周志华）】目录
随机森林404
机器学习机器学习
第一部分：基础概念机器学习概述1.1人工智能与机器学习1.2机器学习分类1.3机器学习应用1.4机器学习常用术语解释模型的评估与选择2.1经验误差与过拟合2.2评估方法2.3性能度量2.4偏差与方差第二部分：核心算法线性模型3.1什么是回归3.2一元线性回归3.3多元线性回归3.4对数几率回归3.5线性判别分析（LDA）3.6多分类学习3.7类别不平衡问题决策树4.1决策树概述4.2ID3算法4.
- 前馈神经网络回归(ANN Regression)从原理到实战
梁下轻语的秋缘
Python学习人工智能算法神经网络回归人工智能
前馈神经网络回归(ANNRegression)从原理到实战一、回归问题与前馈神经网络的适配性分析在机器学习领域，回归任务旨在建立输入特征与连续型输出变量之间的映射关系。前馈神经网络（FeedforwardNeuralNetwork）作为最基础的神经网络架构，通过多层非线性变换，能够有效捕捉复杂的非线性映射关系，尤其适合处理传统线性模型难以建模的高维、非线性回归问题。1.1回归任务核心特征输出空间连
- 模型部署 - onnx 的导出和分析 - PyTorch 导出 ONNX - 学习记录
Nice_cool.
Onnx与TensorRTpytorch学习人工智能
onnx的导出和分析一、PyTorch导出ONNX的方法1.1、一个简单的例子--将线性模型转成onnx1.2、导出多个输出头的模型1.3、导出含有动态维度的模型二、pytorch导出onnx不成功的时候如何解决2.1、修改opset的版本2.2、替换pytorch中的算子组合2.3、在pytorch登记（注册）onnx中某些算子案例一：2.3.1、注册方法一2.3.2、注册方法二案例二：2.4、
- 数据挖掘技术与应用实验报告（三） —— 应用非线性模型进行客运量预测的实例
小李独爱秋
数据挖掘技术与应用数据挖掘可视化非线性预测模型python
一、实验目的掌握非线性回归模型的基本原理及其在客运量预测中的应用方法，理解非线性模型相较于线性模型的优势与适用场景。通过某省1987—2006年客运量相关数据，分析公路客运量与社会总客运量的变化趋势，探究时间序列中隐含的非线性关系。培养数据建模能力，包括数据预处理、模型参数估计、模型检验及预测分析，为交通规划提供理论支持。二、实验内容根据某省交通统计汇编材料得到下表中所列数据,包括某省1987-2
- 线性回归算法介绍和代码例程
WangLanguager
算法数学算法线性回归机器学习
线性回归算法介绍：线性回归是一种用于建立输入变量与连续输出变量之间线性关系的机器学习算法。其基本思想是通过最小化实际观测值（y）和模型预测值（y_hat）之间的残差平方和来拟合最佳的线性模型。线性回归模型的数学表达式如下：复制代码y=b0+b1*x1+b2*x2+...+bn*xn其中，y是预测值，b0是截距，b1,b2,...,bn是特征的系数，x1,x2,...,xn是输入特征。线性回归适用于
- 神经网络：节点、隐藏层与非线性学习
未来创世纪
机器学习神经网络学习网络
神经网络：节点、隐藏层与非线性学习摘要：神经网络是机器学习领域中一种强大的工具，能够通过复杂的结构学习数据中的非线性关系。本文从基础的线性模型出发，逐步深入探讨神经网络中节点和隐藏层的作用，以及它们如何帮助模型捕捉复杂的模式。通过实例分析和练习，我们将揭示隐藏层在非线性学习中的关键作用，并讨论激活函数在打破线性限制中的重要性。本文旨在为读者提供一个清晰的神经网络学习路径，帮助读者更好地理解和应用这
- pytorch入门案例（来自B站up主刘二大人视频）
侃山
pythonpytorchpytorch人工智能python
1简介选择IDE为pycharm，文中y_hat表示预测值案例如下:已知x=1时，y为2；x=2时，y为4；x=3时，y为6，现利用线性模型（不含偏置量，仅包含斜率参数，即y_hat=w*x）预测x=4时y的值2代码讲解2.1代码总览importtorchx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]w=torch.tensor([1.0])w.requires_
- 李沐08线性回归和基础算法优化——自学笔记
Rrrrrr900
算法线性回归笔记pytorch深度学习机器学习python
线性回归简化模型输入、权重、偏差、输出给定n维输入：x=[x1,x2,…,xn]^T线性模型有一个n维权重和一个标量偏差：w=[w1,w2,…,wn]^T,b输出是输入的加权和：y=w1x1+w2x2+…+wnxn+b向量版：y=+b平方损失：比较真实值和预估值假设y是真实值，y^是估计值l(y,y)=0.5*(y-y)^2训练数据:收集一些数据点来决定参数值（权重和偏差，过去的值）训练数据通常越
- torch.nn中的非线性激活使用
小白的高手之路
Pytorch实战pytorchpython人工智能深度学习cnn神经网络机器学习
1、神经网络中的非线性激活 在神经网络中，**非线性激活函数（Non-linearActivationFunctions）**是引入非线性变换的关键组件，使神经网络能够学习并建模复杂的非线性关系。如果没有激活函数，无论神经网络有多少层，其整体表现仍等同于一个线性模型（如逻辑回归），无法解决非线性问题（如图像分类、自然语言处理等）。为什么需要非线性激活？打破线性限制：线性变换的叠加仍然是线性的（如
- 机器学习笔记：python中使用sklearn的linear_model回归预测
代码先觉
pythonpythonsklearn
fromsklearnimportlinear_model#LinearRegression拟合一个带有系数w=(w_1,...,w_p)的线性模型，#使得数据集实际观测数据和预测数据（估计值）之间的残差平方和最小。reg=linear_model.LinearRegression()reg.fit([[0,0],[1,2],[2,4]],[0,1,2])print(reg.coef_)print
- Spring中@Value注解，需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值，简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上，configsvr上边放的是metar信息，指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard（片）信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好，引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中，ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知：凡是安装360、豌豆荚、腾讯管家的全部卸载，然后再尝试。
一直没搞明白这个问题咋出现的，但今天看到一个方法，搞定了！原来是豌豆荚占用了 5037 端口导致。
参见原文章：一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲，首先将Windows任务进程中的豌豆荚干掉，如果还是不行，再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制，1.如果绘制点正处于相邻像素交叉线，绘制x像素的线宽，则从交叉线分别向前向后绘制x/2个像素，如果x/2是整数，则刚好填满x个像素，如果是小数，则先把整数格填满，再去绘制剩下的小数部分，绘制时，是将小数部分的颜色用来除以一个像素的宽度，颜色会变淡。所以要用整数坐标来画的话（即绘制点正处于相邻像素交叉线时），线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关，而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式；2、对于单个字符：ISO-8859-1单字节编码，GBK双字节编码，UTF-8三字节编码；因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节，而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式（通俗易懂）
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式，才能设计出高效率、优雅的数据库，否则可能会设计出错误的数据库.
目前，主要有六种范式：第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式，简称1NF。在第一范式基础上进一步满足一些要求的为第二范式，简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要，很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点，那了解一点，既不系统，也容易半途而废。好比学武功，最好的办法是有一本武功秘籍。研究明白，则犹如打通任督二脉。
系统学习工作流，很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月，基本上可以解决大部分流程问题。整理一下学习思路，有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样，但是group by应用范围更广泛些，如分组汇总或者从聚合函数里筛选数据等。
譬如：统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode （命令行模式）
按 esc 键
再按 shift + 冒号
注：以下命令中 带 $ 【在命令行模式下进行】，不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义？
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作，是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载，java的类加载器也有类似于继承的关系，引导类是最顶层的加载器，它是所有类的根加载器，它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时，通常会代理给父类加载器，若已经是根加载器了，就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意，getInstance如果在多线程环境中调用，需要加上synchronized，否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发，由于急着用，我先发布一个版本，由于第一次发布iOS应用，期间出了不少问题，记录于此。
1、使用Application Loader 发布时报错：Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样，不一样在哪里呢？ 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多，仅仅是在有限的了解程度上面提出这样的看法)，从而避免在流程引擎中处理这些复杂的图的问题，而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性，这样一来，在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象，用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象，概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义，只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章，主要是对自己前段时间学习的总结，由于水平有限，性能测试领域很深，本人理解的也比较浅，欢迎各位大咖批评指正。
主要内容包括：
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术，掌握并发/异步工具使用，熟悉spring、ibatis框架；
掌握数据库技术，表设计和索引优化，分库分表/读写分离；
了解缓存技术，熟练使用如Redis/Memcached等主流技术；
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax（中）
onestopweb
Ajax
index.html
<!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/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是，在JDBC出现了许多年后的今天，这个错误依然出现在博客、论坛和邮件列表中，即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个： 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日，世纪互联与（Foxcon）签约成立合资公司，有感。
全球电子制造业巨头（全球500强企业）与世纪互联共同看好IDC、云计算等业务在中国的增长空间，双方迅速果断出手，在资本层面上达成合作，此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任，另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知，精于电子产品制造（世界第一），对于世纪互联而言，能够与结盟
