- Tensorflow 实现 Word2Vec
王小鸟_wpcool
今天学习了一下《Tensorflow实战》这本书中第7章内容,利用tensorflow实现word2vec。其实书中内容就是Tensorflow教程中的例子,现在挣钱真容易。附链接https://github.com/tensorflow/tensorflow/blob/r0.12/tensorflow/examples/tutorials/word2vec/word2vec_basic.py代码
- 深度学习的发展历程
SnowScholar
深度学习机器学习深度学习神经网络发展历程
参考书籍《Tensorflow实战Google深度学习框架》郑泽宇等要想学习深度学习这门技术,那么有必要对其发展作一定程度的了解。深度学习其实不是一门新技术,目前大家熟悉的“深度学习”基本上是深度神经网络的一个代名词,神经网络技术可追溯到1943年。深度学习之所以被人们认为是新技术,那是因为它在21世纪初并不流行。神经网络的发展不是一番风顺,它的发展经历了三个起落,也可分为三个阶段。第一阶段:受到
- Tensorflow实战深度学习笔记一
独立开发者Lau
人类直观能力----人工智能(自然语言理解、图像识别、语音识别等)。经验----机器学习。训练----特征相关度。特征提取深度学习---自动地将简单的特征组合成更加复杂的特征,并使用这些复杂特征解决问题。深度学习--------不等于模仿人类大脑。
- 4.3 TensorFlow实战三(3):MNIST手写数字识别问题-多层神经网络模型
大白猿学习笔记
一、多层神经网络解决MNIST问题1.构建多层神经网络模型在4.2节我们使用了单层神经网络来解决MNIST手写数字识别问题,提高了识别性能。很容易想到,能否增加隐藏层数量来进一步提高模型预测的的准确率。这一节我们尝试构建两层神经网络模型。代码方面,只需要修改隐藏层构建到输出层构建的一部分即可#构建多隐藏层(2层)H1_NN=256#第1隐藏层神经元的数量w1=tf.Variable(tf.rand
- TensorFlow实战教程(三十五)-VS Code配置Python编程和Keras环境及手写数字识别(基础篇)
张志翔的博客
TensorFlow实战教程pythontensorflowkeras
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章利用Keras构建无监督学习Autoencoder模型并实现聚类分析。这篇文章将介绍基础知识,因为很多读者咨询我如何用VSCode配置Keras深度学习环境,并对比常用的深度学习框架,最后普及手写数字识别案例。基础性文章,希望对您有所帮助一.VSCode安装Python在介绍代码之前,先讲解Python常用的开发
- TensorFlow实战教程(二十五)-基于BiLSTM-CRF的医学命名实体识别研究(下)模型构建
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
这篇文章写得很冗余,但是我相信你如果真的看完,并且按照我的代码和逻辑进行分析,对您以后的数据预处理和命名实体识别都有帮助,只有真正对这些复杂的文本进行NLP处理后,您才能适应更多的真实环境,坚持!毕竟我写的时候也看了20多小时的视频,又写了20多个小时,别抱怨,加油~上一篇文章处理后的数据格式如下图所示,将一个个句子处理成了包含六元组的CSV文件,这篇文章将介绍BiLSTM-CRF模型搭建及训练、
- TensorFlow实战教程(十九)-Keras搭建循环神经网络分类案例及RNN原理详解
张志翔的博客
TensorFlow实战教程tensorflowkerasrnn
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章分享了卷积神经网络CNN原理,并通过Keras编写CNN实现了MNIST分类学习案例。这篇文章将详细讲解循环神经网络RNN的原理知识,并采用Keras实现手写数字识别的RNN分类案例及可视化呈现。基础性文章,希望对您有所帮助!一.循环神经网络在编写代码之前,我们需要介绍什么是RNN,RNN是怎样运行的以及RNN的
- TensorFlow实战教程(二十四)-基于BiLSTM-CRF的医学命名实体识别研究(上)数据预处理
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
这篇文章写得很冗余,但是我相信你如果真的看完,并且按照我的代码和逻辑进行分析,对您以后的数据预处理和命名实体识别都有帮助,只有真正对这些复杂的文本进行NLP处理后,您才能适应更多的真实环境,坚持!毕竟我写的时候也看了20多小时的视频,又写了20多个小时,别抱怨,加油~一.什么是命名实体识别实体是知识图谱最重要的组成,命名实体识别(NamedEntityRecognition,NER)对于知识图谱构
- TensorFlow实战教程(二十八)-Keras实现BiLSTM微博情感分类和LDA主题挖掘分析
张志翔的博客
TensorFlow实战教程tensorflowkeras分类
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章通过Keras深度学习构建CNN模型识别阿拉伯手写文字图像,一篇非常经典的图像分类文字。这篇文章将结合文本挖掘介绍微博情感分类知识,包括数据预处理、机器学习和深度学习的情感分类,后续结合LDA进行主题挖掘。基础性文章,希望对您有所帮助!一.BiLSTM模型LSTM的全称是LongShort-TermMemory,
- TensorFlow实战教程(一)-TensorFlow环境部署
张志翔的博客
TensorFlow实战教程tensorflow人工智能python
从本篇文章开始,作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念,同时讲解TensorFlow2.0的安装过程及基础用法,主要结合作者之前的博客和"莫烦大神"的视频介绍,后面随着深入会讲解具体的项目及应用。基础性文章,希望对您有所帮助,如果文章中存在错误或不足之处,还请海涵~同时自己也是人工智能的菜鸟,希望大家能与我在这一笔一划的博客中成长起来。
- TensorFlow实战教程(十七)-Keras搭建分类神经网络及MNIST数字图像案例分析
张志翔的博客
TensorFlow实战教程tensorflowkeras分类
从本专栏开始,作者正式研究Python深度学习、神经网络及人工智能相关知识。前一篇文章详细讲解了Keras环境搭建、入门基础及回归神经网络案例。本篇文章将通过Keras实现分类学习,以MNIST数字图片为例进行讲解。基础性文章,希望对您有所帮助!一.什么是分类学习1.Classification我们之前文章解决的都是回归问题,它预测的是一个连续分布的值,例如房屋的价格、汽车的速度、Pizza的价格
- [TensorFlow 学习笔记-03]TensorFlow简介
caicaiatnbu
TensorFlow学习笔记深度学习TensorFlow
[版权说明]TensorFlow学习笔记参考:李嘉璇著TensorFlow技术解析与实战黄文坚唐源著TensorFlow实战郑泽宇顾思宇著TensorFlow实战Google深度学习框架乐毅王斌著深度学习-Caffe之经典模型详解与实战TensorFlow中文社区http://www.tensorfly.cn/极客学院著TensorFlow官方文档中文版TensorFlow官方文档英文版以及各位大
- 免费教材丨第55期:Python机器学习实践指南、Tensorflow 实战Google深度学习框架
人工智能爱好者俱乐部
小编说时间过的好快啊,小伙伴们是不是都快进入寒假啦?但是学习可不要落下哦!本期教材本期为大家发放的教材为:《Python机器学习实践指南》、《Tensorflow实战Google深度学习框架》两本书,大家可以根据自己的需要阅读哦!《Python机器学习实践指南》内容简介机器学习是近年来渐趋热门的一个领域,同时Python语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Py
- Tensorflow入门(七)——CNN经典模型:LeNet
陈陈陈Chann
#Tensorflow卷积神经网络tensorflow深度学习机器学习
上一节《Tensorflow入门(六)——初识卷积神经网络(CNN)》实战篇《Tensorflow实战(二)——MNIST(CNN实现)》原文链接:https://my.oschina.net/u/876354/blog/1632862本文在原文基础上进行细微的修改和完善。文章目录1.CNN的三个特点1.1局部感知1.2参数(权值)共享1.3池化2.LeNet52.1C1层(卷积层):6@28×2
- 深度之眼-机器学习总结
任嘉平生愿
为期三个月的西瓜书机器学习训练营结束,昨天听完了毕业典礼。我做了如下总结:校长讲话:定目标短时间自己的小团队闭环开环闭环----学习小部分就应用时间和努力的堆积打比赛应用人工智能的课题和方向资料tensorflow实战google深度学习框架和强者学习才会遇强则强博士讲话:1.坚持写博客2.github3.多练习4.英文原版的文章高级课程你目前的弱点是什么5.多读论文
- 机器学习(19)---神经网络详解
冒冒菜菜
机器学习从0到1机器学习人工智能神经网络笔记
神经网络一、神经网络概述1.1神经元模型1.2激活函数二、感知机2.1概述2.2实现逻辑运算2.3多层感知机三、神经网络3.1工作原理3.2前向传播3.3Tensorflow实战演示3.3.1导入数据集查看3.3.2数据预处理3.3.3建立模型3.3.4评估模型四、反向传播五、例题5.1题15.2题2一、神经网络概述1.1神经元模型 1.这里采用最广泛一种定义:神经网络是由适应性的简单单元组成的广
- TensorFlow实战(五)Deep Dream(计算机生成梦幻图像)——理解深度神经网络结构及应用
young974
一、疑问卷积层究竟学到了什么内容?同一卷积层中不同通道学习到的内容有什么区别?浅层的卷积和深层的卷积学习到的内容有什么区别?二、DeepDream技术原理DeepDream生成梦幻图像1.利用CNN进行图像分类:CNN的图像分类2.DeepDream使用梯度上升的方法可视化网络每一层的特征,即用一张噪声图像输入网络,反向更新的时候不更新网络权重,而是更新初始图像的像素值,(这里卷积神经网络是固定的
- 机器学习实战:Python基于NN神经网络进行分类(十一)
Bioinfo Guy
机器学习Python机器学习python神经网络
文章目录1前言1.1神经网络的介绍1.2神经网络的应用2.Tensorflow实战演示2.1导入函数2.2导入数据2.3数据预处理2.4建立神经网络2.5训练模型2.6评估模型2.7预测3.讨论1前言神经网络(Neuralnetwork,NN)机器学习是一种基于人工神经网络的机器学习方法,它模拟了人类神经系统的工作原理。神经网络是由多个人工神经元组成的网络结构,每个神经元都接收输入信号、进行计算并
- 【Manning2022新书】TensorFlow实战
数据派THU
神经网络机器学习人工智能深度学习java
来源:专知本文为书籍介绍,建议阅读5分钟TensorFlowinAction教你使用TensorFlow2构建、训练和部署深度学习模型。TensorFlowinAction教你使用TensorFlow2构建、训练和部署深度学习模型。在本实用教程中,您将在创建可用于生产的应用(如法语-英语翻译程序和可以编写小说的神经网络)时,亲自构建可重用的技能。您将欣赏从DL基础知识到NLP、图像处理和MLOps
- 深度学习02-神经网络(MLP多层感知器)
liaomin416100569
深度学习神经网络人工智能
文章目录神经网络简介学习路径分类多层感知器(MLP)神经网络认识两层神经网络输入层从输入层到隐藏层从隐藏层到输出层激活层输出的正规化如何衡量输出的好坏反向传播与参数优化过拟合BP算法推导定义算法讲解前向传播反向传播具体实例tensorflow实战加载数据集数据预处理one-host编码keras.utils.to_categorical()构造多层感知器模型tf.keras.Sequentialk
- TensorFlow实战--使用神经网络来实现对鸢尾花数据集的分类
C君莫笑
人生苦短-我用Pythontensorflowpython机器学习
利用单层神经网络实现对鸢尾花数据集的分类使用没有隐含层的单层前馈型神经网络来实现对鸢尾花的分类importpandasaspdimportnumpyasnpimporttensorflowastftf.enable_eager_execution()#关键importmatplotlib.pyplotaspltplt.rcParams['font.sans-serif']="SimHei"plt.
- 线性回归详解及Tensorflow实战
lmn_
AI人工智能AI线性回归算法
0x01线性回归概述线性回归()是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法其表达形式为y=w'x+e,e为误差服从均值为0的正态分布线性回归可能是统计学和机器学习中最著名和最容易理解的算法之一在统计学中,线性回归是一种对标量响应和一个或多个解释变量(也称为因变量和自变量)之间的关系进行建模的线性方法一个解释变量的情况称为简单线性回归(simplelin
- 机器学习笔记(十三):TensorFlow实战五(经典卷积神经网络: LeNet -5 )
LiAnG小炜
机器学习笔记
1-引言之前我们介绍了一下卷积神经网络的基本结构——卷积层和池化层。通过这两个结构我们可以任意的构建各种各样的卷积神经网络模型,不同结构的网络模型也有不同的效果。但是怎样的神经网络模型具有比较好的效果呢?下图展示了CNN的发展历程。经过人们不断的尝试,诞生了许多有有着里程碑式意义的CNN模型。因此我们接下来会学习这些非常经典的卷积神经网络LeNet-5AlexNetVGGInceptionResN
- Tensorflow-图像处理视频课程-唐宇迪-专题视频课程
迪哥有点愁了
视频教程图像处理深度学习tensorflow机器学习人工智能
Tensorflow-图像处理视频课程—491人已学习课程介绍课程以Tensorflow作为核心武器,基于图像处理热点话题进行案例实战。选择当下热门模型,使用真实数据集进行实战演示,通俗讲解整个算法模型并使用tensorflow进行实战,详解其中的原理与代码实现。课程收益掌握如何使用Tensorflow进行图像处理并使用tensorflow实战。讲师介绍唐宇迪更多讲师课程计算机博士,专注于机器学习
- 深度学习之TensorFlow实战2
Mr Robot
深度学习TensorFlow人工智能人工智能深度学习tensorflowpython
TensorFlow基本概念图(Graph):图描述了计算的过程,TensorFlow使用图来表示计算任务。张量(Tensor):TensorFlow使用tensor表示数据。每个Tensor是一个类型化的多维数组。操作(op):图中的节点被称为op(opearation的缩写),一个op获得0个或多个Tensor,执行计算,产生0个或多个Tensor。会话(Session):图必须在称之为“会话
- Day1 #100DaysofMLCoding#
MWhite
2018-8-6个人前置条件:已经将《统计学习方法》《机器学习实战》一刷80%西瓜书一刷50%,tensorflow实战一刷70%kaggle上参与过titanic(Top6%)和数字识别(Top12%)比较了解pandas,numpy,matplotlib,seaborn,tensorflow,sklearn今日计划复习数学模型基础看深度学习博客——太长了悠闲时看视觉CV博客一colah个人博客
- TensorFlow实战(四)MNIST手写数字识别进阶——单、多隐层全连接网络
young974
上节手写数字识别入门用的是单个神经元来处理分类问题,准确率达0.8619。这一节做一些改进,以单隐含层全连接网络为例,可使准确率达0.9744。后进一步调整隐含层数测试发现,加入不同层数隐含层达到的准确率,3层>单层>2层。说明神经网络的层数未必越多越好。单个神经元模型全连接单隐藏层神经网络导入数据集importtensorflowastfimporttensorflow.examples.tut
- TensorFlow实战:LSTM的结构与cell中的参数
星之所望
python
一些参数训练的话一般一批一批训练,即让batch_size个句子同时训练;每个句子的单词个数为num_steps,由于句子长度就是时间长度,因此用num_steps代表句子长度。在NLP问题中,我们用词向量表示一个单词(一个数基本不能表示一个词,大家应该都知道的吧,可以去了解下词向量),我们设定词向量的长度为wordvec_size。LSTM结构中是一个神经网络,即下图的结构就是一个LSTM单元,
- 图像风格快速迁移tensorflow实战
sk千空
一个代码篮子1024程序员节tensorflowpython机器学习深度学习
引言需要解决的问题是:利用tensorflow的快速风格迁移功能,把一张qq的logo图片转换成《星空》油画的风格,并打印输出。如图所示,最右边图像是输入结果,左边两图是输入:一、操作步骤通过两天的学习,修了许多bug,踩了不少坑,终于把实验做成了。现在试着阐述相关的原理和具体操作步骤。这里我把整个实验过程分为4大部分,每个部分都会给出详细的操作步骤。A.软件的安装和配置B.风格迁移代码的理解和操
- 机器学习笔记(十二):TensorFlow实战四(图像识别与卷积神经网络)
LiAnG小炜
机器学习笔记深度学习图像识别卷积神经网络人工智能
1-卷积神经网络常用结构1.1-卷积层我们先来介绍卷积层的结构以及其前向传播的算法。一个卷积层模块,包含以下几个子模块:使用0扩充边界(padding)卷积窗口过滤器(filter)前向卷积反向卷积(可选)1.1.2-边界填充边界填充将会在图像边界周围添加值为0的像素点,如下图所示:使用0填充边界有以下好处:卷积了上一层之后的CONV层,没有缩小高度和宽度,这对建立更深的网络非常重要,否则在更深层
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
 
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
 
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
jinnianshilongnian
spring 4.1
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
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不