- 神奇的微积分
科学的N次方
人工智能人工智能ai
微积分在人工智能(AI)领域扮演着至关重要的角色,以下是其主要作用:优化算法:•梯度下降法:微积分中的导数被用来计算损失函数相对于模型参数的梯度,这是许多机器学习和深度学习优化算法的核心。梯度指出了函数值增加最快的方向,通过沿着负梯度方向更新权重,可以最小化损失函数并优化模型。•反向传播:在神经网络训练中,微积分的链式法则用于计算整个网络中每个参数对于最终损失函数的影响(偏导数),这一过程就是反向
- 深度学习——梯度消失、梯度爆炸
小羊头发长
深度学习机器学习人工智能
本文参考:深度学习之3——梯度爆炸与梯度消失梯度消失和梯度爆炸的根源:深度神经网络结构、反向传播算法目前优化神经网络的方法都是基于反向传播的思想,即根据损失函数计算的误差通过反向传播的方式,指导深度网络权值的更新。为什么神经网络优化用到梯度下降的优化方法?深度网络是由许多非线性层(带有激活函数)堆叠而成,每一层非线性层可以视为一个非线性函数f(x),因此整个深度网络可以视为一个复合的非线性多元函数
- 【机器学习】多元线性回归
Mount256
#机器学习机器学习线性回归人工智能
文章目录多元线性回归模型(multipleregressionmodel)损失/代价函数(costfunction)——均方误差(meansquarederror)批量梯度下降算法(batchgradientdescentalgorithm)特征工程(featureengineering)特征缩放(featurescaling)正则化线性回归(regularizationlinearregress
- 吴恩达机器学习全课程笔记第一篇
亿维数组
MachineLearning机器学习笔记人工智能
目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本(代价)函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始,争取能够在开学之前(2.25)把b站上的【吴恩达机器学习】教程过一遍,并把笔记记录于此,本笔记将会把此课程每一p的重点内容及其截屏记录于此,以供大家参考和本人日后复
- 吴恩达机器学习全课程笔记第二篇
亿维数组
MachineLearning机器学习笔记人工智能学习
目录前言P31-P33logistics(逻辑)回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇,第一篇笔记请见:吴恩达机器学习全课程笔记第一篇完整的课程链接如下:吴恩达机器学习教程(bilibili)推荐网站:scikit-learn中文社区吴恩达机器学习学习资料(gith
- 机器学习之梯度下降法直观理解
华农DrLai
算法机器学习人工智能数据挖掘深度学习
形象化举例,由上图所示,假如最开始,我们在一座大山上的某处位置,因为到处都是陌生的不知道下山的路,所以只能摸索着根据直觉,走一步算一步。在此过程中,每走到一个位置的时候,都会求解当前位置的梯度,沿着梯度的负方向,也就是当前最陡峭的位置向下走一步,然后继续求解当前位置梯度,向这一步所在位置沿着最陡峭最易下山的位置走一步。不断循环求梯度,就这样一步步地走下去,一直走到我们觉得已经到了山脚。当然这样走下
- 我们一起玩AI 5 —— 偏导数与梯度下降
ASRay明日丽科技
5秒导读,本文将讲述偏导数,梯度,方向导数,与线性回归权重向量θ的求法大家好,我是玩ai时长两年半的个人程序猿ASRay,喜欢读,写,编程,数学....板砖!要理解什么是偏导数,就必须先明白“鸡你太美”的奥义,这可不是瞎扯!因为偏导数指的是多元函数对某个自变量如y或x的导数,而鸡的眼睛长在侧边,当鸡看一个立体的函数,它只能看见一个面,所以鸡眼多元函数的导数正是偏导数!不过在开始偏导数前我们先回顾一
- 【面经——《广州敏视数码科技有限公司》——图像处理算法工程师-深度学习方向】
有情怀的机械男
面试offer面经
目录笔试HR面专业面——60多分钟主管面反问:笔试8道题——简答题+1道编程苹果、香蕉、梨、菠萝,彩色图像如何进行分类?一辆带车牌的汽车,图像亮度整体呈现偏亮状态,如何去提高图像的清晰度?并设计一个准确定位车牌位置的方案。训练集和测试集各5000张,进行目标检测,写出选择的模型以及设计方案?样本量不足怎么去提高检测的准确性?数据增强梯度下降法的优化算法有哪些,各有什么优缺点?损失函数有哪些?优缺点
- 机器学习中梯度下降法的缺点
华农DrLai
人工智能机器学习逻辑回归深度学习大数据
机器学习中的梯度下降法是一种寻找函数最小值的优化算法,广泛应用于训练各种模型,尤其是在深度学习中。尽管其应用广泛,但梯度下降法也存在一些不可忽视的缺点:1.局部最小值和鞍点局部最小值问题:对于非凸函数,梯度下降法可能会陷入局部最小值,而不是全局最小值。这意味着算法可能找到一个看似最优的点,但实际上在整个参数空间中存在更好的解。鞍点问题:在高维空间中,鞍点(梯度为零,但既非局部最小值也非局部最大值的
- Pytorch-Adam算法解析
肆十二
Pytorch语法pytorch算法人工智能Adam
关注B站可以观看更多实战教学视频:肆十二-的个人空间-肆十二-个人主页-哔哩哔哩视频(bilibili.com)Hi,兄弟们,这里是肆十二,今天我们来讨论一下深度学习中的Adam优化算法。Adam算法解析Adam算法是一种在深度学习中广泛使用的优化算法,它的名称来源于适应性矩估计(AdaptiveMomentEstimation)。Adam算法结合了两种扩展式的随机梯度下降法的优点,即适应性梯度算
- 深度学习从入门到不想放弃-7
周博洋K
深度学习人工智能
上一章的内容深度学习从入门到不想放弃-6(qq.com)今天讲的也算基础(这个系列后来我一寻思,全是基础),但是可能要着重说下,今天讲前向计算和反向传播,在哪儿它都永远是核心,不管面对什么模型前向计算:有的叫也叫正向传播,正向计算的,有的直接把前向的方法梯度下降当成前向计算的名字。熟悉我的读者也了解,我一般不太care概念叫什么名,不重要,大家自己喜欢叫什么都行,只要理解是干啥的就行我们先看一张老
- 深度学习之梯度下降算法
温柔了岁月.c
机器学习算法python深度学习梯度下降算法
梯度下降算法梯度下降算法数学公式结果梯度下降算法存在的问题随机梯度下降算法梯度下降算法数学公式这里案例是用梯度下降算法,来计算y=w*x先计算出梯度,再进行梯度的更新importnumpyasnpimportmatplotlib.pyplotaspltx_data=[1.0,2.0,3.0,4.0]y_data=[2.0,4.0,6.0,8.0]mse_list=[]w_list=[]w=1.0#
- 深度学习之反向传播算法(backward())
Tomorrowave
人工智能深度学习算法人工智能
文章目录概念算法的思路概念反向传播(英语:Backpropagation,缩写为BP)是“误差反向传播”的简称,是一种与最优化方法(如梯度下降法)结合使用的,用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法,用来更新权值以最小化损失函数。(误差的反向传播)算法的思路多层神经网络的教学过程反向传播算法为了说明这一点使用如下图所示处理具有两个输入和一
- GAN生成对抗性网络
Dirschs
深度学习GAN生成对抗网络人工智能神经网络
一、GAN原理出发点:机器学习中生成模型的问题无监督学习是机器学习和未来人工智能的突破点,生成模型是无监督学习的关键部分特点:不需要MCMC或者变分贝叶斯等复杂的手段,只需要在G和D中对应的多层感知机中运行反向传播或者梯度下降算法模型通常使用神经网络,其拟合能力最好G(Generator):用于捕获数据分布的生成模型(生成图像的网络);接收到随机的噪声z,通过噪声z生成图像。尽可能多地模拟、建模和
- 机器学习中为什么需要梯度下降
华农DrLai
机器学习人工智能大数据深度学习算法数据挖掘计算机视觉
在机器学习中,梯度下降是一种常用的优化算法,用于寻找损失函数的最小值。我们可以用一个简单的爬山场景来类比梯度下降的过程。假设你被困在山上,需要找到一条通往山下的路。由于你是第一次来到这座山,对地形不熟悉,你只能通过尝试和观察周围环境来找到下山的路。梯度下降就是这个过程中的“尝试和观察”方法。梯度下降的步骤如下:你站在山上的一个随机位置,并观察周围的地形。你发现某个方向的地势较低,说明这个方向可能是
- 【吴恩达·机器学习】第二章:单变量线性回归模型(代价函数、梯度下降、学习率、batch)
Yaoyao2024
机器学习线性回归学习
博主简介:努力学习的22级计算机科学与技术本科生一枚博主主页:@Yaoyao2024每日一言:勇敢的人,不是不落泪的人,而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写,主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合,从而加深自己对知识的理解,也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
- Pytorch-SGD算法解析
肆十二
Pytorch语法yoloSGD随机梯度下降
关注B站可以观看更多实战教学视频:肆十二-的个人空间-肆十二-个人主页-哔哩哔哩视频(bilibili.com)SGD,即随机梯度下降(StochasticGradientDescent),是机器学习中用于优化目标函数的迭代方法,特别是在处理大数据集和在线学习场景中。与传统的批量梯度下降(BatchGradientDescent)不同,SGD在每一步中仅使用一个样本来计算梯度并更新模型参数,这使得
- 如何使用pytorch自动求梯度
浩波的笔记
构建深度学习模型的基本流程就是:搭建计算图,求得损失函数,然后计算损失函数对模型参数的导数,再利用梯度下降法等方法来更新参数。搭建计算图的过程,称为“正向传播”,这个是需要我们自己动手的,因为我们需要设计我们模型的结构。由损失函数求导的过程,称为“反向传播”,求导是件辛苦事儿,所以自动求导基本上是各种深度学习框架的基本功能和最重要的功能之一,PyTorch也不例外。一、pytorch自动求导初步认
- 吴恩达机器学习—大规模机器学习
魏清宇
学习大数据集数据量多,模型效果肯定会比较好,但是大数据也有它自己的问题,计算复杂如果存在100000000个特征,计算量是相当大的,在进行梯度下降的时候,还要反复求损失函数的偏导数,这样一来计算量更大。那么有没有简单的方法来应对大量的数据呢?我们可以采取随机抽样,比如,抽取1000个样本进行模型的构建。那么如何决定抽取多少样本呢?可以通过学习曲线获得,随着数据量的增加,无论是偏差和误差,都会趋向于
- 线性回归原理与python实现
o0Orange
python线性回归算法
线性回归原理:在一堆散点中xiyi,拟合出一个函数使其离所有点最近目标函数:y=w1x+w0误差函数:MSE(均方误差)L(w1,w0)=Σ(yi-y)^2优化方法:梯度下降,autograd,反向传播,优化公式,进行更新公式更新:wt+1=wt-dL/dwt*δ乘积的意义:将梯度乘以学习率,得到的结果是参数更新的大小。如果梯度较大,乘以一个较小的学习率可以使参数更新的幅度减小,保持在一个合理的范
- 2019-10-04 学习极大似然估计与优化理论
小郑的学习笔记
主要推导了一个公式推导MLE与LSE.jpeg即用极大似然估计(MLE)的角度去解多元线性回归其结果与最小二乘(LSE)解的结果是一样的,这一点我觉得很神奇。可以看这个解释例子https://www.cnblogs.com/little-YTMM/p/5700226.html2。学习数值分析,学习了两种优化,无约束最优化和有约束最优化。无约束最优化主要有梯度下降法牛顿法梯度下降法在接近极值的时候会
- 《零基础实践深度学习》波士顿房价预测任务1.3.3.5 总结
软工菜鸡
《零基础实践深度学习》numpy深度学习人工智能大数据机器学习飞桨百度云
2.5模型保存Numpy提供了save接口,可直接将模型权重数组保存为.npy格式的文件。In[53]np.save('w.npy',net.w)np.save('b.npy',net.b)总结本节我们详细介绍了如何使用Numpy实现梯度下降算法,构建并训练了一个简单的线性模型实现波士顿房价预测,可以总结出,使用神经网络建模房价预测有三个要点:构建网络,初始化参数w和b,定义预测和损失函数的计算方
- 优化梯度下降算法
stoAir
算法机器学习人工智能深度学习神经网络
文章目录OptimizationproblemNormalizinginputsvanishing/explodinggradientsweightinitializegradientcheckNumericalapproximationgradcheckOptimizealgorithmmini-bachgradientmini-batchsizeexponentialweightedavera
- Week10
kidling_G
第10周十七、大规模机器学习(LargeScaleMachineLearning)17.1大型数据集的学习参考视频:17-1-LearningWithLargeDatasets(6min).mkv如果我们有一个低方差的模型,增加数据集的规模可以帮助你获得更好的结果。我们应该怎样应对一个有100万条记录的训练集?以线性回归模型为例,每一次梯度下降迭代,我们都需要计算训练集的误差的平方和,如果我们的学
- C语言经典算法之逻辑回归算法
JJJ69
C语言经典算法回归数据挖掘人工智能开发语言c语言数据结构算法
目录前言A.建议B.简介一代码实现二时空复杂度A.时间复杂度分析:B.空间复杂度分析:C.总结三优缺点A.优点B.缺点四现实中的应用前言A.建议1.学习算法最重要的是理解算法的每一步,而不是记住算法。2.建议读者学习算法的时候,自己手动一步一步地运行算法。B.简介在C语言中实现逻辑回归算法,我们需要构建一个模型来预测二元分类问题的概率,并使用梯度下降或其他优化方法找到最佳的模型参数。一代码实现以下
- 梯度下降法的神经网络容易收敛到局部最优,为什么应用广泛?
woshicver
神经网络算法机器学习人工智能深度学习
链接:https://www.zhihu.com/question/68109802编辑:深度学习与计算机视觉声明:仅做学术分享,侵删作者:夕小瑶https://www.zhihu.com/question/68109802/answer/263503269反对回答区中一部分称“模型收敛于鞍点”的回答。当然也有的大牛可以一针见血,那我就对这个问题多展开一下吧,让鲜血流的更猛烈一些。(害怕.jpg)
- 西瓜书-机器学习5.4 全局最小与局部极小
lestat_black
西瓜书机器学习
两种“最优”:“局部极小”(localminimum)和"全局最小"(globalminimum)对和,若存在使得多组不同参数值初始化多个神经网络使用“模拟退火”:以一定的概率接受比当前解更差的结果,有助于“跳出”局部极小使用随机梯度下降遗传算法(geneticalgorithms)[Goldberg,1989]也常用来训练神经网络以上用于跳出局部极小的技术大多是启发式,理论上商缺乏保障。Gold
- 机器学习入门之基础概念及线性回归
StarCoder_Yue
算法机器学习学习笔记机器学习线性回归正则化人工智能算法数学
任务目录什么是Machinelearning学习中心极限定理,学习正态分布,学习最大似然估计推导回归Lossfunction学习损失函数与凸函数之间的关系了解全局最优和局部最优学习导数,泰勒展开推导梯度下降公式写出梯度下降的代码学习L2-Norm,L1-Norm,L0-Norm推导正则化公式说明为什么用L1-Norm代替L0-Norm学习为什么只对w/Θ做限制,不对b做限制Question1:Wh
- [机器学习]全局最小与局部最小
3points
机器学习机器学习人工智能算法
机器学习中很多任务最终都会转化为优化任务,基于梯度的搜索是使用最广泛的参数寻优方法。梯度法:从某些初始解出发,迭代寻找最优参数值。每次迭代计算误差函数在当前点的梯度,然后根据梯度确定搜索方向:负梯度方向是函数值下降最快的方向,因此梯度下降法就是沿着负梯度方向搜索最优解。若误差函数在当前点梯度为0,则以达到局部最小,参数迭代将停止,显然若误差函数有多个局部最小我们很难保证他就是全局最小。策略:从多个
- 机器学习之局部最优和全局最优
华农DrLai
机器学习人工智能深度学习
(1)局部最优,就是在函数值空间的一个有限区域内寻找最小值;而全局最优,是在函数值空间整个区域寻找最小值问题。(2)函数局部最小点是它的函数值小于或等于附近点的点,但是有可能大于较远距离的点。(3)全局最小点是那种它的函数值小于或等于所有的可行点。面试:你能解释一下梯度下降法及其在寻找全局最优解时的局限性吗?梯度下降法通过迭代沿着目标函数的负梯度方向更新参数,以寻找最小值。局限性:它可能会陷入局部
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
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/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置