- 吴恩达 机器学习cs229-学习笔记-更新中
是娜个二叉树!
机器学习学习笔记
吴恩达机器学习cs22901基础概念语言:Matlab/python监督学习定义:获取一组数据集拟合数据从X到Y的映射回归问题:预测的Y是连续的,Y是实数分类问题:分类指的是Y取离散值,输出是离散的两组,正示例和负示例,把所有样本推到这条直线上,用0,1,标识逻辑回归算法,拟合直线区分正,负示例处理相对大量特征的回归算法或者分类算法支持向量机算法:它使用的不是1,2,3,10个输入特征,而是使用无
- 【机器学习【9】】评估算法:数据集划分与算法泛化能力评估
roman_日积跬步-终至千里
#机器学习机器学习
文章目录一、数据集划分:训练集与评估集二、K折交叉验证:提升评估可靠性1.基本原理1.1.K折交叉验证基本原理1.2.逻辑回归算法与L22.基于K折交叉验证L2算法三、弃一交叉验证(Leave-One-Out)1、基本原理2、代码实现四、ShuffleSplit交叉验证1、基本原理2、为什么能降低方差3、代码测试五、选择建议在机器学习中,评估算法的核心目标是衡量模型在“未知数据”上的表现,而不是仅
- Python day15
@浙大疏锦行Pythonday15.内容:复习日本周主要的内容是一些常见的机器学习流程以及其中的部分内容标签编码以及连续特征的处理:归一化和正态化等。图像的绘制:热力图、Shap图等的绘制超参数优化算法:网格搜索、贝叶斯以及启发式算法模拟退火、遗传算法等不平衡数据集的处理:过采样以及欠采样。
- 机器学习知识点复习 上(保研、复试、面试)百面机器学习笔记
机器学习知识点复习上一、特征工程1.为什么需要对数值类型的特征做归一化?2.文本表示模型3.图像数据不足的处理方法二、模型评估1.常见的评估指标2.ROC曲线3.为什么在一些场景中要使用余弦相似度而不是欧氏距离?4.过拟合和欠拟合三、经典算法1.支持向量机SVM2.逻辑回归3.决策树四、降维1.主成分分析(PrinalComponentsAnalysis,PCA)降维中最经典的方法2.线性判别分析
- Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比(逻辑回归 vs 决策树)
蓝婷儿
pythonpython数据分析逻辑回归
✅今日目标回顾整个本周数据分析&建模流程学会训练第二种模型:决策树(DecisionTree)掌握多模型对比评估的方法与实践输出综合对比报告:准确率、精确率、召回率、F1等指标为后续模型调优与扩展打下基础一、本周流程快速回顾步骤内容第1天高级数据操作(索引、透视、变形)第2天缺失值和异常值处理第3天多表合并与连接第4天特征工程(编码、归一化、时间)第5天数据集拆分(训练集/测试集)第6天逻辑回归模
- 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
- 【数据分析】Python实现线性回归和多元线性回归(全代码)
干了这一碗BUG
线性回归回归算法
老规矩,涉及到的数学原理,想深入了解的可以自行查阅相关资料,这里直接上干货用Python实现。目录逻辑回归中涉及的术语线性回归Python实现多元线性回归Python实现逻辑回归中涉及的术语以下是逻辑回归中一些常见的术语:自变量:应用于因变量预测的输入特征或预测因子。因变量:逻辑回归模型中的目标变量,即我们试图预测的变量。逻辑函数:用于表示自变量和因变量之间关系的公式。逻辑函数将输入变量转换为0到
- 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?
- 蚁群算法及蚂蚁系统的原理(js实现版)
de_fault_
js算法算法javascript图论启发式算法
蚁群算法及蚂蚁系统的原理(js实现版)蚁群算法旅行商问题蚁群系统代码实现蚁群算法蚁群算法是著名的启发式算法,常用于解决最短路径问题蚁群算法的来源蚁群算法来源于对蚂蚁寻找食物行为的观察,蚂蚁个体并不存在太高的智慧,但蚁群整体却可以通过信息素来找到通往食物的最短路径蚁群算法的原理假设从a点到b点存在2条路径,而第一条路径l短,第二条路径m长。刚开始时走l和m是随机的,但是由于l更短,所以重复频率也就更
- [读论文] Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview
SP FA
#EDA+AI机器学习人工智能
Abstract在现代芯片设计流程中,放置和布线是两个不可或缺且具有挑战性的NP-hard问题。与使用启发式算法或专家精心设计的算法的传统求解器相比,机器学习凭借其数据驱动的性质显示出了广阔的前景,它可以减少对知识和先验的依赖,并且通过其先进的计算范式具有更大的可扩展性(例如GPU加速的深度网络)。本调查首先介绍了基本的布局(Placement)和布线(Routing),并简要介绍了经典的无学习解
- 逻辑回归详解:从原理到实践
在机器学习的广阔领域中,逻辑回归(LogisticRegression)虽名为“回归”,实则是一种用于解决二分类(0或1)问题的有监督学习算法。它凭借简单易懂的原理、高效的计算性能以及出色的解释性,在数据科学、医学诊断、金融风控等诸多领域中得到了广泛应用。接下来,我们将从多个维度深入剖析逻辑回归,带你揭开它的神秘面纱。一、逻辑回归的基本概念在回归分析中,线性回归是通过构建线性方程来预测连续值,例如
- Python机器学习实战——逻辑回归(附完整代码和结果)
小白熊XBX
机器学习机器学习python逻辑回归
Python机器学习实战——逻辑回归(附完整代码和结果)关于作者作者:小白熊作者简介:精通c#、Halcon、Python、Matlab,擅长机器视觉、机器学习、深度学习、数字图像处理、工业检测识别定位、用户界面设计、目标检测、图像分类、姿态识别、人脸识别、语义分割、路径规划、智能优化算法、大数据分析、各类算法融合创新等等。联系邮箱:
[email protected]科研辅导、知识付费答疑、个性化定制
- 【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
- 用sklearn库中的算法对数据集进行训练和auc评估(个人学习笔记)
ZD困困困
python机器学习
本文为个人学习笔记,仅供学习参考,欢迎讨论,要是有哪里写的不对或有疑问的欢迎讨论。题目:运用已给数据集进行模型训练,使用逻辑回归、决策树、随机森林和AdaBoost几个算法进行训练,并打印各个算法训练后的auc评价指标。文章目录1.导入数据集①read_csv():读取数据并以某字符分隔。②merge():合并③drop():删除行或列④tolist():将数组或矩阵转换为列表⑤train_tes
- 机器学习在智能金融风险评估中的应用:信用评分与欺诈检测
Blossom.118
机器学习与人工智能机器人机器学习人工智能python深度学习sklearn计算机视觉
在金融行业,风险评估是确保金融机构稳健运营的关键环节。随着大数据和机器学习技术的快速发展,金融机构开始探索如何利用机器学习算法来提高风险评估的准确性和效率。本文将探讨机器学习在智能金融风险评估中的应用,特别是信用评分和欺诈检测方面的最新进展,并分析其带来的机遇和挑战。一、智能金融风险评估中的信用评分(一)传统信用评分方法的局限性传统的信用评分主要依赖于人工规则和简单的统计模型,如逻辑回归。这些方法
- python学智能算法(十六)|机器学习支持向量机简单示例
西猫雷婶
python学习笔记人工智能机器学习机器学习python支持向量机人工智能深度学习
【1】引言前序学习了逻辑回归等算法,相关文章链接包括且不限于:python学智能算法(十)|机器学习逻辑回归(Logistic回归)_逻辑回归算法python-CSDN博客python学智能算法(十一)|机器学习逻辑回归深入(Logistic回归)_np.random.logistic()-CSDN博客今天在此基础上更进一步,学习支持向量机,为实现较好地理解,先解读一个简单算例。【2】代码解读【2
- 机器学习-- 聚类
SunsPlanter
机器学习机器学习聚类人工智能
什么是聚类?Clustering可以简单地说,对有标注的数据分类,就是逻辑回归(属于有监督分类),对无标注的数据分类,就是聚类(属于无监督分类)聚类是一种无监督学习技术,其目标是根据样本之间的相似性将未标记的数据分组。比如,在一个假设的患者研究中,研究人员正在评估一项新的治疗方案。在试验期间,患者每周会报告自身症状的频率以及严重程度。研究人员可以使用聚类分析将对治疗反应相似的患者归为同一类。图1展
- 常见机器学习算法与应用场景
计算机软件程序设计
知识科普机器学习算法人工智能
当然可以。下面是对常见机器学习算法的全面详细阐述,包括每种算法的基本原理、特点以及典型应用场景。1.监督学习(SupervisedLearning)1.1线性回归(LinearRegression)原理:通过拟合一条直线来表示输入和输出之间的关系,适用于预测连续值输出。特点:简单易懂,计算速度快,但只能捕捉线性关系。应用场景:房价预测股票价格预测销售额预测1.2逻辑回归(LogisticRegre
- 人工智能大模型原理与应用实战:大模型在金融风控中的应用
AI天才研究院
LLM大模型落地实战指南大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
文章目录人工智能大模型原理与应用实战:大模型在金融风控中的应用01.背景介绍1.1金融风控的挑战1.2大模型的优势2.核心概念与联系2.1大模型在金融风控中的应用场景2.2大模型与传统风控技术的结合3.核心算法原理具体操作步骤3.1基于大模型的欺诈检测3.2基于大模型的信用评估4.数学模型和公式详细讲解举例说明4.1逻辑回归模型4.2XGBoost模型5.项目实践:代码实例和详细解释说明5.1基于
- 用Tensorflow进行线性回归和逻辑回归(十)
lishaoan77
tensorflow线性回归tensorboard可视化
用TensorBoard可视化线性回归模型TensorBoard是一种可视化工具,用于了解、调试和优化模型训练过程。它使用在执行程序时编写的摘要事件。上面定义的模型使用tf.summary.FileWriter来写日志到日志目录/tmp/lr-train.我们可以用命令调用日志目录的TensorBoard,见Example3-13(TensorBoard已黙认安装与TensorFlow一起).Ex
- 基于CTDE MAPPO的无线通信资源分配强化学习实现
pk_xz123456
仿真模型深度学习算法lstm人工智能rnn深度学习开发语言
基于CTDEMAPPO的无线通信资源分配强化学习实现摘要本文提出了一种基于集中训练分散执行(CTDE)框架的多智能体近端策略优化(MAPPO)方法,用于解决无线通信网络中的资源分配问题。我们设计了一个多基站协作环境,其中每个基站作为独立智能体,通过分布式决策实现网络吞吐量最大化。实验结果表明,MAPPO算法在频谱效率和用户公平性方面显著优于传统启发式算法。1.引言1.1研究背景随着5G/6G通信技
- Python 逻辑回归:开启分类问题的智慧之门
海燕李
python逻辑回归开发语言scikit-learn
一、逻辑回归的魅力之源在机器学习的璀璨星空中,逻辑回归宛如一颗耀眼的明星,照亮了分类问题的求解之路。它之所以备受青睐,是因为其独特的理论架构和广泛的适用性。逻辑回归虽名为“回归”,但本质上是一种用于分类的强大算法。它巧妙地将线性关系与分类任务相结合,通过构建一个概率模型,来预测样本属于某个类别的可能性。这种对概率的估计能力,使得它在众多领域中脱颖而出。例如,在医疗诊断中,可预测患者是否患有某种疾病
- 机器学习算法-逻辑回归模型在交通领域的应用
是一个Bug
机器学习算法逻辑回归
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档逻辑回归模型在交通领域的应用:车流数量和平均速度之间的关系前言结果分析代码分析逻辑回归可视化:交通拥堵预测的动态建模过程一、交通数据生成与预处理二、逻辑回归核心算法实现三、动态可视化:决策边界的演变过程四、特征标准化与模型评估五、实验结果与模型解读六、拓展思考:逻辑回归的局限性结语:从代码到交通智能前言紧接上文的逻辑回归原理分析讲一讲
- [KO机器学习] Day2 特征工程:数据预处理:序号编码、独热编码、二进制编码
码农男孩
机器学习机器学习人工智能计算机视觉算法支持向量机
场景描述类别型特征(categoricalfeature)主要是指性别(男女)、血型(A,B,AB,O)等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,除了决策树等少数模型能直接处理字符串形式的输入,对于逻辑回归、支持向量机等模型来说,类别型特征必须经过处理转换成数值型特征才能正确工作。在对数据进行预处理时,应该怎么样处理类别型特征?难度:★☆☆☆☆①序号编码OrdinalEnco
- 【人工智能-练习】三个案例搞明白机器学习中的三大任务:分类、回归、聚类
若北辰
人工智能分类回归
文章目录一、分类任务结果代码解释导入必要的库配置字体生成模拟数据集拆分数据集数据标准化逻辑回归分类器预测并计算准确率绘制分类效果定义决策边界绘制函数绘制训练集和测试集的分类效果二、回归结果代码解释1.导入库2.设置Matplotlib的字体3.生成模拟数据集4.将数据集划分为训练集和测试集5.数据标准化6.定义线性回归模型7.预测8.计算均方误差(MSE)9.绘制回归预测效果图训练集上的预测效果测
- 用Tensorflow进行线性回归和逻辑回归(一)
lishaoan77
tensorflowtensorflow线性回归逻辑回归
这一章告诉你如何用TensorFlow构建简单的机器学习系统。第一部分回顾构建机器学习系统的基础特别是讲函数,连续性,可微性。接着我们介绍损失函数,然后讨论机器学习归根于找到复杂的损失函数最小化的点的能力。我们然后讲梯度下降,解释它如何使损失最小。然后简单的讨论自动微分的算法思想。第二节侧重于介绍基于这些数学思想的TensorFlow概念。包括placeholders,scopes,optimiz
- 嵌入式学习-暑假学习总规划-day6
此文章为本人暑期学习计划,目标是在暑假学习吴恩达的机器学习,pytorch的使用,yolov8的使用,STM32的开发。在八月底九月初的总目标是在单片机上部署一个关于计算机视觉的轻量化AI。时间段学习任务目标成果6月17日-6月30日吴恩达监督学习课程含线性回归、逻辑回归、神经网络基础完成课程视频+习题,理解训练流程、损失函数、过拟合、正则化7月1日-7月10日PyTorch框架入门学习张量、自动
- 基于Tensorflow的线性回归
用Tensorflow求逆矩阵用Tensorflow实现矩阵分解用Tensorflow实现线性回归理解线性回归中的损失函数用Tensorflow实现戴明回归(DemingRegression)用Tensorflow实现Lasson回归和岭回归(RidgeRegression)用Tensorflow实现弹性网络回归(ElasticNetRegression)用Tensorflow实现逻辑回归文章目录
- MATLAB 优化类算法的改进方向探索及仿真对比分析
鱼弦
人工智能时代算法matlab人工智能
MATLAB优化类算法的改进方向探索及仿真对比分析一、概述优化算法是解决复杂问题的有效工具,在工程设计、机器学习、数据分析等领域有着广泛应用。本文将探讨MATLAB中优化类算法的改进方向,并进行仿真对比分析,包括遗传算法、粒子群算法、模拟退火算法等。二、优化算法简介1.遗传算法(GA)原理:模拟生物进化过程,通过选择、交叉、变异等操作寻找最优解。优点:全局搜索能力强:能够跳出局部最优解。并行计算能
- Python机器学习小项目实战:随机森林算法实现信用卡欺诈检测
码上研习
Python机器学习小项目实战机器学习算法python
1.引言在之前的机器学习之旅中,我们已经探索了许多强大的算法,例如逻辑回归、支持向量机、决策树等等。每种算法都有其独特的优势和适用场景,但它们也存在一些共同的局限性。单个模型往往难以完美地捕捉复杂的数据模式,容易受到过拟合或欠拟合的影响,并且在面对噪声数据时显得脆弱。想象一下,你正在尝试预测股票价格的涨跌。你可以使用逻辑回归,但是逻辑回归假设特征之间是线性相关的,这可能无法捕捉股票市场中的复杂非线
- 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