欧文坐公交
欧文坐公交

正则化

L0范数：很难优化求解（NP难问题）

L1范数：是L0的最优凸近似，且具有特征自动选择和使得模型更具解释性的优点

L2范数：使得权重接近于0但是不等于0，且较均匀。一般认为参数值较小的模型较简单，能适应不同的数据集，一定程度上避免了过拟合。有利于处理条件数不好情况下矩阵求逆问题。不但可以防止过拟合，还可以让我们的优化求解变得稳定和快速。

正则化的本质
正则化的目的是限制参数过多或者过大，避免模型更加复杂。为了达到这一目的，最直观的方法就是限制w的个数，但这类问题属于NP-hard问题，求解非常困难。所以一般的做法是寻找更宽松的限定条件。如L2正则化就是对w的平方和做数值上界限定，即所有w的平方和不超过参数C。这时候我们的目标就转换为：最小化训练样本误差，但是要满足w平方和小于C的条件。

L2的限定区域是平滑的，与中心点等距，而L1的限定区域是包含凸点的，尖锐的，这些凸点更接近最优解位置，或者说和目标函数的接触机会远大于其他部分，就会造成最优值出现在坐标轴上，很多w为0

L2不带绝对值，求导计算方便

  • L1、L2范数的适用场景

L1范数是各参数的绝对值之和（稀疏规则算子），L2范数是各参数平方和的开方（权重衰减）。L1范数会去除掉一些没有信息的特征，把这些特征对应的权重变为0。但 L2范数会使的w 的每个元素都接近于0，但不会等于0。L2精度更好，L1的效果在处理稀疏矩阵数据的时候比较棒

  • L1正则化使得模型参数更具有稀疏性的原理是什么

解空间的不同造成的 ，如上图所示，L2正则项约束后的解空间是圆形，L1正则项约束后的解空间是多边形。多边形的解空间更容易在尖角处与等高线碰撞出稀疏解

你可能感兴趣的:(正则化)

  • XGBoost算法深度解析：从原理到实践 彩旗工作室 人工智能算法机器学习人工智能
    一、算法起源与核心思想XGBoost（eXtremeGradientBoosting）由陈天奇于2014年提出，是梯度提升决策树（GBDT）的优化版本。其核心思想通过迭代集成弱学习器（CART树）逐步修正预测误差，并引入正则化机制控制模型复杂度，防止过拟合。与GBDT相比，XGBoost在目标函数中融合了损失函数（衡量预测误差）和正则化项（约束树结构与叶子权重），形成结构风险最小化框架，从而提升泛
  • XGBoost常见面试题（五）——模型对比 月亮月亮要去太阳 机器学习经验分享
    XGBoost与GBDT的区别机器学习算法中GBDT和XGBOOST的区别有哪些？-知乎基分类器：传统GBDT以CART树作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。导数：传统GBDT在优化时只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。同时xgboo
  • L1与L2正则化：防止过拟合的双刃剑 XianxinMao 人工智能人工智能机器学习算法
    标题：L1与L2正则化：防止过拟合的双刃剑文章信息摘要：L1和L2正则化是防止机器学习模型过拟合的两种关键技术。L1正则化（Lasso）通过将不重要的特征权重归零来实现特征选择，适用于稀疏模型和高维数据集，但可能导致欠拟合。L2正则化（Ridge）则通过减少权重的大小来防止过拟合，适用于处理高度相关特征和噪声数据，提高模型稳定性。两者各有优势，选择哪种正则化技术取决于数据集特性和模型需求。有时，结
  • python正则化函数_一文秒懂python正则表达式常用函数 weixin_39809540 python正则化函数
    这篇文章主要介绍了python正则表达式常用函数及使用方法，本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下目录01Re概览02字符串查找/匹配03字符串替换/分割04总结导读：正则表达式是处理字符串类型的"核武器"，不仅速度快，而且功能强大。本文不过多展开正则表达式相关语法，仅简要介绍python中正则表达式常用函数及其使用方法，以作快速查询浏览。01Re
  • XGBoost系列文章（四）：参数调优与模型训练 什么都想学的阿超 原理概念#机器学习机器学习xgboost
    XGBoost系列文章（四）：参数调优与模型训练本文是XGBoost系列的第四篇，聚焦参数调优与模型训练实战，从参数分类到调优技巧，结合代码示例解析核心方法。内容涵盖学习率、正则化、采样策略、早停法等关键环节，帮助读者快速掌握工业级调参方案。1.XGBoost的三大类参数（通用参数、Booster参数、任务参数）分别是什么？XGBoost参数分为三大类，控制不同层面的行为：参数类型作用范围常用参数
  • 【Address Overfitting】解决过拟合的三种方法 HP-Succinum 机器学习机器学习数据分析
    目录1.收集更多数据实践方法：适用场景：优缺点：2.特征选择方法介绍：实践示例：适用场景：优缺点：3.正则化（Regularization）正则化类型：实践示例：适用场景：优缺点：总结与对比总结在机器学习中，过拟合（Overfitting）是模型训练过程中常见的问题。它指的是模型在训练集上表现优秀，但在测试集或新数据上表现较差，无法很好地泛化。过拟合通常源于模型过于复杂或数据不足。本文将详细介绍解
  • DynamicSparse-MobileNet (DSMNet) 用于低功耗图像分类 闲人编程 人工智能实战教程—论文创新点分类人工智能数据挖掘DSMNet动态稀疏熵感知自适应
    目录DynamicSparse-MobileNet(DSMNet)用于低功耗图像分类一、模型背景与动机二、模型创新点详细解析1.动态稀疏计算路径2.自适应通道缩放3.熵感知知识蒸馏三、数据集与预处理四、网络结构详解1.输入层与熵估计模块2.动态稀疏卷积块3.熵感知分类头五、模型优化策略1.优化器设计——Prodigy优化器2.动态计算损失3.损失函数设计4.正则化技术5.防止过拟合六、网络结构图与
  • Angular Superresolution of Real Aperture Radar for Target Scale Measurement 论文阅读 青铜锁00 论文阅读Radar论文阅读
    AngularSuperresolutionofRealApertureRadarforTargetScaleMeasurement1.研究目标与实际意义1.1研究目标1.2实际意义2.创新方法与模型设计2.1广义混合正则化（GHR）框架核心公式与传统方法对比2.2自适应迭代重加权（AIR）求解器算法设计复杂度分析3.实验设计与结果验证3.1仿真实验实验设置关键结果3.2实际数据验证4.未来研究方
  • Angular Superresolution of Real Aperture Radar Using Online Detect-Before-Reconstruct Framework 论文阅读 青铜锁00 论文阅读Radar论文阅读
    AngularSuperresolutionofRealApertureRadarUsingOnlineDetect-Before-ReconstructFramework1.论文的研究目标与实际问题意义1.1研究目标1.2实际问题与产业意义2.论文的创新方法、模型与公式分析（重点）2.1核心创新点2.2关键公式与模型2.2.1信号模型2.2.2稀疏正则化优化问题2.2.3坐标循环最小化2.2.4
  • A Bayesian Angular Superresolution Method With Lognormal Constraint for Sea-Surface Target 论文阅读 青铜锁00 论文阅读Radar论文阅读
    目录1.研究背景与问题2.方法创新3.关键优势4.实验验证5.与传统方法对比6.结论与意义1.研究背景与问题核心挑战：实孔径雷达受限于天线孔径尺寸，导致角分辨率不足，影响海面目标（如船舶）的精细化探测。传统方法局限性：谱估计方法（如MUSIC、IAA）：依赖多快拍数据，机械扫描雷达难以满足。正则化方法（如TSVD、l1/l2约束）：假设噪声服从高斯分布，未考虑海杂波的非高斯特性（如Rayleigh
  • （脑肿瘤分割笔记：五十二）RFNet: Region-aware Fusion Network for Incomplete Multi-modalBrain Tumor Segmentation 不想敲代码的小杨 脑肿瘤分割论文笔记计算机视觉人工智能
    目录摘要：Introduction方法3.1任务定义3.2模型结构3.3RFM模块概率图学习区域感知多模态融合3.4分割正则化器3.5整体损失函数总结摘要：在现有的脑肿瘤分割方法中，常常会出现缺少某些模态图像的问题，从而导致分割网络的性能下降--遇到的问题在本文中提出了一个区域感知融合网络（RFNet），它能够自适应和有效利用多模态的数据进行组合进行肿瘤分割，考虑到不同模态对不同的脑肿瘤区域的敏感
  • 深度学习进阶：构建多层神经网络 孤寂大仙v 深度学习神经网络人工智能
    在上一篇文章中，我们从零开始构建了一个简单的两层神经网络，并通过异或问题（XOR）展示了神经网络的强大能力。今天，我们将进一步深入，构建一个更复杂的多层神经网络，并引入更多高级概念，如多隐藏层、激活函数选择、正则化等。我们还会使用更复杂的分类任务来训练模型，并评估其性能。1.多层神经网络的结构在实际应用中，深度学习模型通常包含多个隐藏层，这种结构被称为深度神经网络（DNN）。多层神经网络能够学习更
  • 机器学习中的过拟合、欠拟合与正则化 喜-喜 人工智能机器学习人工智能
      在机器学习的世界里，过拟合与欠拟合是模型训练过程中常常会遇到的两大问题，而正则化则是应对过拟合的重要手段。理解它们对于构建高性能的机器学习模型至关重要。一、过拟合与欠拟合（一）过拟合  定义：过拟合指的是模型在训练数据上表现得非常好，几乎能完美地拟合训练数据中的每一个细节，但在测试数据或新数据上却表现很差，泛化能力极低。简单来说，就是模型过度学习了训练数据中的噪声和细节，而忽略了数据背后的真实
  • 第十三站：卷积神经网络（CNN）的优化 武狐肆骸 机器学习cnn人工智能神经网络
    前言：在上一期我们构建了基本的卷积神经网络之后，接下来我们将学习一些提升网络性能的技巧和方法。这些优化技术包括数据增强、网络架构的改进、正则化技术。1.数据增强（DataAugmentation）数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换，可以生成更多的训练样本，帮助模型避免过拟合。常见的数据增强方法：旋转（Rotation）：随机旋转图像，增强模型对旋转变换
  • 正则化技术和模型融合等方法提高模型的泛化能力 小赖同学啊 人工智能人工智能
    在机器学习和深度学习中，提高模型的泛化能力至关重要，正则化技术和模型融合是两种有效的手段，以下将详细介绍它们的原理、常见方法及代码示例。正则化技术原理正则化是通过在损失函数中添加一个正则化项，来限制模型的复杂度，防止模型过拟合训练数据，从而提高模型在未见过数据上的泛化能力。正则化项通常与模型的参数相关，通过惩罚过大的参数值，使模型更加平滑和简单。常见方法L1正则化（Lasso正则化）原理：在损失函
  • CPD（Coherent Point Drift）非刚性点云配准算法 点云SLAM 点云数据处理技术算法概率论机器学习非刚性配准CPD配准算法EM算法非刚性拼接
    CPD（CoherentPointDrift）非刚性点云配准算法详解一、算法概述CPD（CoherentPointDrift）是一种基于概率模型的非刚性点云配准方法，由AndriyMyronenko等人在2009年提出。它通过将点云配准问题转化为概率密度估计问题，结合高斯混合模型（GMM）与正则化形变场，能够有效处理复杂形变（如人体运动、器官形变）的点云对齐任务。核心特点：非刚性对齐：支持大范围、
  • 解读 DeepSeek 关键 RL 算法 GRPO 进一步有进一步的欢喜 LLM算法DeepSeekGRPO
    DeepSeekGRPO：面向超大规模RLHF的梯度正则化策略优化算法引言在当下人工智能蓬勃发展的浪潮里，DeepSeek无疑是一颗耀眼的明星，频繁出现在各类科技前沿讨论中，热度持续攀升。从惊艳的模型表现，到不断拓展的应用场景，DeepSeek正以强劲之势重塑着行业格局。大家不难发现，无论是复杂的自然语言处理任务，还是充满挑战的智能推理难题，DeepSeek都能展现出卓越的性能。而这斐然成绩的背后
  • 机器学习笔记——特征工程 好评笔记 补档机器学习笔记人工智能AIGC深度学习计算机视觉面试八股
    大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本笔记介绍机器学习中常见的特征工程方法、正则化方法和简要介绍强化学习。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集文章目录热门专栏机器学习深度学习特征工程（FzeatureEngineering）1.特征提取（FeatureExtraction）手工特征提取（ManualFeatureExtraction）：自
  • 【漫话机器学习系列】101.特征选择法之Lasso（Lasso For Feature Selection） IT古董 漫话机器学习系列专辑机器学习人工智能
    Lasso特征选择法详解1.Lasso回归简介Lasso（LeastAbsoluteShrinkageandSelectionOperator，最小绝对收缩和选择算子）是一种基于L1范数正则化的线性回归方法。它不仅能够提高模型的泛化能力，还可以自动进行特征选择，即将一些不重要的特征的系数收缩到0，从而减少模型的复杂度。2.Lasso回归的数学公式Lasso回归的目标函数如下：其中：是输入数据，w是
  • 深度学习之图像回归（二） zhengyawen666 深度学习回归数据挖掘人工智能
    前言这篇文章主要是在图像回归（一）的基础上对该项目进行的优化。（一）主要是帮助迅速入门理清一个深度学习项目的逻辑这篇文章则主要注重在此基础上对于数据预处理和模型训练进行优化前者会通过涉及PCA主成分分析特征选择后者通过正则化数据预处理数据预处理的原因思路链未经过处理的原始数据存在一些问题->对数据进行处理（涉及多种方法）->提升模型性能数据可能存在的问题冗余信息：数据中可能存在重复的特征或高度相关
  • AIGC训练效率与模型优化的深入探讨 DARLING Zero two♡ 话题AIGC
    文章目录1.AIGC概述2.AIGC模型训练效率的重要性3.模型优化的概念与目标4.模型优化策略4.1学习率调节4.2模型架构选择4.3数据预处理与增强4.4正则化技术4.5量化与剪枝5.代码示例6.结论人工智能领域的发展，人工智能生成内容（AIGC）越来越受关注。AIGC能够通过学习大量数据生成高质量内容，但训练效率和模型优化仍然是关键的研究方向。本博客将深入探AIGC的训练效率，与模型优化的相
  • 嵌入式人工智能应用-第四章 逻辑回归 8 数贾电子科技 嵌入式人工智能应用人工智能逻辑回归算法
    逻辑回归1逻辑回归介绍1.1背景介绍1.2原理1.2.1预测函数1.2.2判定边界1.2.3损失函数1,2,4梯度下降函数1.2.5分类拓展1.2.6正则化2实验代码3实验结果说明1逻辑回归介绍1.1背景介绍逻辑回归的过程可以概括为：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。Logistic回归虽然名字里带“回归”，但是
  • 机器学习的模型类型（Model Types） 路野yue 人工智能机器学习
    1.传统机器学习模型线性模型（LinearModels）：线性回归（LinearRegression）：用于回归任务，拟合线性关系。逻辑回归（LogisticRegression）：用于分类任务，输出概率值。岭回归（RidgeRegression）和Lasso回归（LassoRegression）：带正则化的线性回归。树模型（Tree-basedModels）：决策树（DecisionTree）：
  • 深度学习归一化与正则化 鱼儿也有烦恼 深度学习深度学习
    文章目录深度学习归一化与正则化1.归一化(Normalization)2.正则化(Regularization)深度学习归一化与正则化1.归一化(Normalization)定义：归一化是指通过某种算法将输入数据或神经网络层的激活值处理后限制在我们需要的特定范围内。它的目的是为了方便后续的数据处理，并加快程序的收敛速度。归一化的主要作用是统一样本的统计分布。在0到1之间的归一化代表的是概率分布，而
  • 机器学习—逻辑回归 60岁的程序猿 1024程序员节机器学习逻辑回归人工智能算法
    本内容是博主自学机器学习总结的。由于博主水平有限，内容可能有些许错误。如有错误，请发在评论区。目录1、基础概念1.1、什么是逻辑回归1.2、逻辑回归与线性回归的区别1.3应用场景2、逻辑回归模型2.1、模型定义2.2、Sigmoid函数2.3、决策边界2.4、概率解释3、模型训练3.1、损失函数3.2、梯度下降法3.3、牛顿法3.4、拟牛顿法3.4、正则化3.5、总结4、多分类问题4.1、一对多（
  • 深度学习探索-基础篇-正则化篇 神仙盼盼 深度学习入门篇深度学习人工智能
    文章目录一、正则化介绍1.1正则化的简介1.2正则化的方法介绍1.3正则化的用途二、正则化的详细介绍2.1L1正则化2.2L2正则化2.2.1L2正则化的工作原理2.2.2如何在训练中应用L2正则化2.2.3L2正则化的效果2.3WeightDecay2.4Dropout一、正则化介绍1.1正则化的简介在深度学习领域中，正则化是一种用于防止过拟合的技术。过拟合是指模型在训练数据上表现良好，但在未见
  • 机器学习杂记 被自己蠢哭了 深度学习机器学习
    过拟合处理方法：早停正则化dropout数据增广避免局部极小值方法：以不同的初始值来训练网络，最终选取最小的。使用模拟退火技术。模拟退火在每一步都以一定的概率接受比当前解更差的结果，从而有助于跳出局部极小。在每一步迭代过程中，接受次优解的概率要随着时间的推移而逐渐降低，从而保证算法稳定。使用随机梯度下降。与标准梯度下降精确计算梯度不同，随机梯度下降算法在计算梯度时加入了随机因素。于是，即使陷入局部
  • A new method for forward-looking scanning radar imaging based on L1/2 regularization 论文阅读 yangqoor 论文阅读
    Anewmethodforforward-lookingscanningradarimagingbasedonL1/2regularization论文阅读内容概述关键创新点1.论文的研究目标研究目标2.新方法的特点与优势传统方法局限L1/2L_{1/2}L1/2正则化的创新优势对比3.实验设计与结果分析实验设置关键结果数据支持可借鉴的创新点与学习建议核心创新点推荐学习路径内容概述该论文提出了一种基
  • CVPR2023 Highlight | ECON：最新单图穿衣人三维重建SOTA算法 3Ｄ视觉工坊 3D视觉从入门到精通算法SLAM自动驾驶3D视觉
    作者：宁了个宁|来源：计算机视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」可获取论文pdf。添加微信：dddvisiona，备注：三维重建，拉你入群。文末附行业细分群。图1所示。从彩色图像进行人体数字化。ECON结合了自由形式隐式表示的最佳方面，以及明确的拟人化正则化，以推断高保真度的3D人类，即使是宽松的衣服或具有挑战性的姿势。0.笔者个人体会这篇文章讨论了单图像的穿着人类重建问题。隐式方
  • 正则化（Regularization）和正则表达式（Regular Expression）区别 Dontla 正则表达式
    文章目录1.**正则化（Regularization）**2.**正则表达式（RegularExpression）**关键区别为什么名字相近？正则化（Regularization）和正则表达式（RegularExpression）不是同一个概念，它们是两个完全不同的术语，应用于不同的领域。1.正则化（Regularization）领域：机器学习/统计学。定义：正则化是一种用于防止模型过拟合（Ove
  • mongodb3.03开启认证 21jhf mongodb
    下载了最新mongodb3.03版本，当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题，现总结如下： （百度上搜到的基本都是老版本的，看到db.addUser的就是，请忽略） Windows下我做了一个bat文件，用来启动mongodb，命令行如下： mongod --dbpath db\data --port 27017 --directoryperdb --logp
  • 【Spark103】Task not serializable bit1129 Serializable
    Task not serializable是Spark开发过程最令人头疼的问题之一，这里记录下出现这个问题的两个实例，一个是自己遇到的，另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在，至少目前阶段碰到此类问题，没有什么章法 1.   package spark.exampl
  • 你所熟知的 LRU(最近最少使用) dalan_123 java
    关于LRU这个名词在很多地方或听说，或使用，接下来看下lru缓存回收的实现 1、大体的想法     a、查询出最近最晚使用的项     b、给最近的使用的项做标记 通过使用链表就可以完成这两个操作，关于最近最少使用的项只需要返回链表的尾部；标记最近使用的项，只需要将该项移除并放置到头部，那么难点就出现 你如何能够快速在链表定位对应的该项？ 这时候多
  • Javascript 跨域 周凡杨 JavaScriptjsonp跨域cross-domain
                                       
  • linux下安装apache服务器 g21121 apache
    安装apache 下载windows版本apache，下载地址：http://httpd.apache.org/download.cgi   1.windows下安装apache Windows下安装apache比较简单，注意选择路径和端口即可，这里就不再赘述了。 2.linux下安装apache： 下载之后上传到linux的相关目录，这里指定为/home/apach
  • FineReport的JS编辑框和URL地址栏语法简介 老A不折腾 finereportweb报表报表软件语法总结
      JS编辑框： 1.FineReport的js。 作为一款BS产品，browser端的JavaScript是必不可少的。 FineReport中的js是已经调用了finereport.js的。 大家知道，预览报表时，报表servlet会将cpt模板转为html，在这个html的head头部中会引入FineReport的js，这个finereport.js中包含了许多内置的fun
  • 根据STATUS信息对MySQL进行优化 墙头上一根草 status
    mysql  查看当前正在执行的操作，即正在执行的sql语句的方法为:      show processlist 命令   mysql> show global status;可以列出MySQL服务器运行各种状态值，我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
  • 我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名 aijuans Spring 3
    本文介绍如何给Spring的Bean配置文件的Bean定义别名？ 原始的 <bean id="business" class="onlyfun.caterpillar.device.Business"> <property name="writer"> <ref b
  • 高性能mysql 之 性能剖析 annan211 性能mysqlmysql 性能剖析剖析
    1 定义性能优化 mysql服务器性能，此处定义为 响应时间。 在解释性能优化之前，先来消除一个误解，很多人认为，性能优化就是降低cpu的利用率或者减少对资源的使用。 这是一个陷阱。 资源时用来消耗并用来工作的，所以有时候消耗更多的资源能够加快查询速度，保持cpu忙绿，这是必要的。很多时候发现 编译进了新版本的InnoDB之后，cpu利用率上升的很厉害，这并不
  • 主外键和索引唯一性约束 百合不是茶 索引唯一性约束主外键约束联机删除
    目标;第一步;创建两张表 用户表和文章表         第二步;发表文章       1,建表; ---用户表 BlogUsers --userID唯一的 --userName --pwd --sex create
  • 线程的调度 bijian1013 java多线程thread线程的调度java多线程
    1.       Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。   2.       多数线程的调度是抢占式的（即我想中断程序运行就中断，不需要和将被中断的程序协商） a) 
  • 查看日志常用命令 bijian1013 linux命令unix
    一.日志查找方法，可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log   二.查看日志常用命令1.grep '关键字' error.log：在error.log中搜索'关键字'2.grep -C10 '关键字' error.log：显示关键字前后10行记录3.grep '关键字' error.l
  • 【持久化框架MyBatis3一】MyBatis版HelloWorld bit1129 helloworld
    MyBatis这个系列的文章，主要参考《Java Persistence with MyBatis 3》。   样例数据 本文以MySQL数据库为例，建立一个STUDENTS表，插入两条数据，然后进行单表的增删改查     CREATE TABLE STUDENTS ( stud_id int(11) NOT NULL AUTO_INCREMENT,
  • 【Hadoop十五】Hadoop Counter bit1129 hadoop
       1. 只有Map任务的Map Reduce Job File System Counters FILE: Number of bytes read=3629530 FILE: Number of bytes written=98312 FILE: Number of read operations=0 FILE: Number of lar
  • 解决Tomcat数据连接池无法释放 ronin47 tomcat 连接池　优化
    近段时间，公司的检测中心报表系统(SMC)的开发人员时不时找到我，说用户老是出现无法登录的情况。前些日子因为手头上 有Jboss集群的测试工作，发现用户不能登录时，都是在Tomcat中将这个项目Reload一下就好了，不过只是治标而已，因为大概几个小时之后又会 再次出现无法登录的情况。 今天上午，开发人员小毛又找到我，要我协助将这个问题根治一下，拖太久用户难保不投诉。 简单分析了一
  • java-75-二叉树两结点的最低共同父结点 bylijinnan java
    import java.util.LinkedList; import java.util.List; import ljn.help.*; public class BTreeLowestParentOfTwoNodes { public static void main(String[] args) { /* * node data is stored in
  • 行业垂直搜索引擎网页抓取项目 carlwu LuceneNutchHeritrixSolr
    公司有一个搜索引擎项目，希望各路高人有空来帮忙指导，谢谢！ 这是详细需求： （1） 通过提供的网站地址(大概100-200个网站)，网页抓取程序能不断抓取网页和其它类型的文件（如Excel、PDF、Word、ppt及zip类型），并且程序能够根据事先提供的规则，过滤掉不相干的下载内容。 （2） 程序能够搜索这些抓取的内容，并能对这些抓取文件按照油田名进行分类，然后放到服务器不同的目录中。
  • [通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费 comsci 资源
          降低通讯服务资费，就意味着有更多的用户进入，就意味着通讯服务提供商要接待和服务更多的用户，在总体运维成本没有由于技术升级而大幅下降的情况下，这种降低资费的行为将导致每个用户的平均带宽不断下降，而享受到的服务质量也在下降，这对用户和服务商都是不利的。。。。。。。。     &nbs
  • Java时区转换及时间格式 Cwind java
    本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用，以及不同时区时间相互转化的方法和原理。   问题描述： 向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如，服务器位于东八区（北京时间，GMT+8:00），而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
  • readonly,只读，不可用 dashuaifu jsjspdisablereadOnlyreadOnly
    readOnly 和 readonly 不同，在做js开发时一定要注意函数大小写和jsp黄线的警告！！！我就经历过这么一件事： 使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能，有的就不行，而且函数readOnly有黄线警告！！！就这样被折磨了不短时间！！！（期间使用过disable函数，但是发现disable函数之后后台接收不到前台的的数据！！！）  
  • LABjs、RequireJS、SeaJS 介绍 dcj3sjt126com jsWeb
    LABjs 的核心是 LAB（Loading and Blocking）：Loading 指异步并行加载，Blocking 是指同步等待执行。LABjs 通过优雅的语法（script 和 wait）实现了这两大特性，核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器，倡导的是一种模块化开发理念，核心价值是让 JavaScript 的模块化开发变得更
  • [应用结构]入口脚本 dcj3sjt126com PHPyii2
    入口脚本 入口脚本是应用启动流程中的第一环，一个应用（不管是网页应用还是控制台应用）只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。 Web 应用的入口脚本必须放在终端用户能够访问的目录下，通常命名为 index.php，也可以使用 Web 服务器能定位到的其他名称。 控制台应用的入口脚本一般在应用根目录下命名为 yii（后缀为.php），该文
  • haoop shell命令 eksliang hadoophadoop shell
    cat chgrp chmod chown copyFromLocal copyToLocal cp du dus expunge get getmerge ls lsr mkdir movefromLocal mv put rm rmr setrep stat tail test text
  • MultiStateView不同的状态下显示不同的界面 gundumw100 android
    只要将指定的view放在该控件里面，可以该view在不同的状态下显示不同的界面，这对ListView很有用，比如加载界面，空白界面，错误界面。而且这些见面由你指定布局，非常灵活。 PS：ListView虽然可以设置一个EmptyView，但使用起来不方便，不灵活，有点累赘。 <com.kennyc.view.MultiStateView xmlns:android=&qu
  • jQuery实现页面内锚点平滑跳转 ini JavaScripthtmljqueryhtml5css
    平时我们做导航滚动到内容都是通过锚点来做，刷的一下就直接跳到内容了，没有一丝的滚动效果，而且 url 链接最后会有“小尾巴”，就像#keleyi，今天我就介绍一款 jquery 做的滚动的特效，既可以设置滚动速度，又可以在 url 链接上没有“小尾巴”。   效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码： &
  • kafka offset迁移 kane_xie kafka
    在早前的kafka版本中（0.8.0），offset是被存储在zookeeper中的。   到当前版本（0.8.2）为止，kafka同时支持offset存储在zookeeper和offset manager（broker）中。   从官方的说明来看，未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话，可以考虑在合适
  • android > 搭建 cordova 环境 mft8899 android
      1 , 安装 node.js        http://nodejs.org      node -v   查看版本   2, 安装 npm   可以先从  https://github.com/isaacs/npm/tags  下载 源码 解压到
  • java封装的比较器，比较是否全相同，获取不同字段名字 qifeifei
     非常实用的java比较器，贴上代码： import java.util.HashSet; import java.util.List; import java.util.Set; import net.sf.json.JSONArray; import net.sf.json.JSONObject; import net.sf.json.JsonConfig; i
  • 记录一些函数用法 .Aky. 位运算PHP数据库函数IP
    高手们照旧忽略。 想弄个全天朝IP段数据库，找了个今天最新更新的国内所有运营商IP段，copy到文件，用文件函数，字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件，直接用phpmyadmin导入.csv文件的形式导入。（生命在于折腾，也许你们觉得我傻X，直接下载人家弄好的导入不就可以，做自己的菜鸟，让别人去说吧） 当然用到了ip2long()函数把字符串转为整型数
  • sublime text 3 rust wudixiaotie Sublime Text
    1.sublime text 3 => install package => Rust 2.cd ~/.config/sublime-text-3/Packages 3.mkdir rust 4.git clone https://github.com/sp0/rust-style 5.cd rust-style 6.cargo build --release 7.ctrl
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他