俞王大人
俞王大人

Bias

案例三：下图是601108财通证券

的日线图，在上市暴涨见顶之后一路下

滑，在2018年2月9日期BIAS指标创

下上市以来的最低点，BIAS6为-5.45，

BIAS12为-14.84，BIAS24为-19.98，之

后股价继续走熊，在10月18日BIAS指 标跌破历史最低点，当天BIAS6

为-6.05，BIAS12为-16.47，BIAS24

为-23.20，此时表明做空能量已经穷尽

到了极点，物极必反，是介入的最佳时

机，应该果断介入，该股仅仅三天就反

弹了16%。使及时买入的投资者大喜过

望。 ，此时最好 配合成交量的放大，采用金字塔式逐渐 加仓的方法比较稳妥，在股价反弹至10日均线处就要考虑止盈出局。


八、破前低三天买入

当股价反弹后继续向下调整，击破

最近的明显低点三天后第四天股价会

产生反弹，这时就是介入抢反弹的良

机。

在次日如果跌破大 阳线的二分之一就要坚决止损出局。

你可能感兴趣的:(Bias)

  • 【机器学习】机器学习工程实战-第3章 数据收集和准备 腊肉芥末果 机器学习工程实战机器学习人工智能
    上一章：第2章项目开始前文章目录3.1关于数据的问题3.1.1数据是否可获得3.1.2数据是否相当大3.1.3数据是否可用3.1.4数据是否可理解3.1.5数据是否可靠3.2数据的常见问题3.2.1高成本3.2.2质量差3.2.3噪声（noise）3.2.4偏差（bias）3.2.5预测能力低（lowpredictivepower）3.2.6过时的样本3.2.7离群值3.2.8数据泄露/目标泄漏3
  • 基于python的ansys_基于python的感知机 weixin_39687990 基于python的ansys
    一、1、感知机可以描述为一个线性方程，用python的伪代码可表示为：sum(weight_i*x_i)+bias->activation#activation表示激活函数，x_i和weight_i是分别为与当前神经元连接的其它神经元的输入以及连接的权重。bias表示当前神经元的输出阀值(或称偏置)。箭头(->)左边的数据，就是激活函数的输入2、定义激活函数f:deffunc_activator(
  • 神经网络模型压缩&实例教程—非结构化剪枝 程序先锋 《python深度学习》笔记神经网络剪枝深度学习
    目录1.导包&定义一个简单的网络2.获取网络需要剪枝的模块3.模块剪枝（核心）3.1随机剪枝weight3.2L1范数剪枝bias4.总结最先进的深度学习技术依赖于难以部署的过度参数化模型。相反，已知生物神经网络使用高效的稀疏连接。为了在不牺牲准确性的情况下减少内存、电池和硬件消耗，通过减少模型中的参数数量来确定压缩模型的最佳技术是很重要的。这反过来又允许您在设备上部署轻量级模型，并通过设备上的私
  • 【手撕算法系列】多头自注意力机制MHSA Nastu_Ho-小何同学 python深度学习机器学习
    importtorch.nnasnnclassAttention(nn.Module):def__init__(self,dim,num_heads=8,qkv_bias=False,qk_scale=None,attn_drop=0.,proj_drop=0.,num_classes=20):super().__init__()self.num_classes=num_classesself.n
  • 卷积神经网络（笔记01） 天行者@ cnn人工智能深度学习
    视觉处理三大任务：分类、目标检测、图像分割CNN网络主要有三部分构成：卷积层（ConvolutionalLayer）、池化层（PoolingLayer）和激活函数一、解释卷积层中的偏置项是什么，并讨论在神经网络中引入偏置项的好处。在卷积神经网络（CNN）的卷积层里，卷积操作本质上是输入数据与卷积核（滤波器）进行逐元素相乘再求和的过程。偏置项（Bias）是一个额外的可学习参数，对于每个卷积核而言，都
  • 深度学习：偏差和方差 壹十壹 深度学习深度学习人工智能python机器学习
    偏差（Bias）偏差衡量了模型预测值的平均值与真实值之间的差距。换句话说，偏差描述了模型预测的准确度。一个高偏差的模型容易出现欠拟合，即模型无法捕捉数据中的真实关系，因为它对数据的特征做出了错误的假设。特征：高偏差的模型通常是过于简单的模型，无法对数据中的复杂关系进行准确建模。高偏差模型的训练误差和测试误差可能都较高。解决方法：增加模型复杂度：例如增加多项式的阶数、增加神经网络的层数等。使用更多的
  • LCD抗干扰驱动防静电液晶屏驱动VK2C21抗噪液晶驱动芯片 后端
    VK2C21是一个点阵式存储映射的LCD驱动器，可支持最大80点（20SEGx4COM）或者最大128点（16SEGx8COM）的LCD屏。单片机可通过I2C接口配置显示参数和读写显示数据，也可通过指令进入省电模式。其高抗干扰，低功耗的特性适用于水电气表以及工控仪表类产品。L76+348特点：•工作电压2.4-5.5V•内置32kHzRC振荡器•偏置电压（BIAS）可配置为1/3、1/4•COM周
  • 合泰Holtek LCD驱动芯片选型全攻略：从原理到落地的工程师视角 holtek合泰芯片选型及支持 电子知识笔记笔记单片机嵌入式硬件mcu硬件工程大数据
    一、LCD驱动芯片：显示系统的“神经中枢”LCD驱动芯片是连接主控MCU与液晶屏的核心器件，负责将数字信号转化为液晶分子偏转所需的模拟电压，同时协调时序与刷新逻辑。其核心功能包括：信号转换：将主控的SPI/I²C指令转换为行列驱动信号，控制每个像素的透光率；电压管理：通过调节偏置电压（BIAS）和占空比（DUTY），优化对比度与功耗；资源优化：减少主控IO占用（传统直驱方案需数百个IO，驱动芯片仅
  • LCD抗干扰驱动防静电液晶屏驱动VK2C21抗噪液晶驱动芯片 后端
    VK2C21是一个点阵式存储映射的LCD驱动器，可支持最大80点（20SEGx4COM）或者最大128点（16SEGx8COM）的LCD屏。单片机可通过I2C接口配置显示参数和读写显示数据，也可通过指令进入省电模式。其高抗干扰，低功耗的特性适用于水电气表以及工控仪表类产品。L63+348特点：•工作电压2.4-5.5V•内置32kHzRC振荡器•偏置电压（BIAS）可配置为1/3、1/4•COM周
  • 强化学习关键技术：重要性采样深度剖析 进一步有进一步的欢喜 强化学习概率论机器学习人工智能重要性采样
    目录一、引言二、重要性采样基本原理（一）什么是重要性采样（二）重要性采样在强化学习中的作用三、判断采样好坏的方法（一）偏差（Bias）（二）方差（Variance）（三）有效样本数量（EffectiveSampleSize）（四）与真实值对比（如果已知）四、重要性采样公式推导五、代码示例六、案例分析（一）机器人路径规划（二）游戏AI七、总结一、引言强化学习旨在让智能体在与环境的交互中学习到最优策略
  • 数据挖掘常用算法优缺点分析 天波烟客00 数据挖掘数据挖掘机器学习
    领取机器学习视频教程：http://www.admin444.com/P-c8129a48常用的机器学习、数据挖掘方法有分类，回归，聚类，推荐，图像识别等。在实际应用中，一般都是采用启发式学习方式来实验。偏差&方差偏差：描述的是预测值（估计值）的期望与真实值之间的差距，偏差越大，越偏离真实数据。偏差bias其实是模型太简单而带来的估计不准确的部分---欠拟合方差：描述的是预测值的变化范围、离散程度
  • Causal Inference for Leveraging Image-TextMatching Bias in Multi-Modal Fake NewsDetection 樱花的浪漫 因果推断人工智能计算机视觉语言模型学习机器学习算法
    https://ieeexplore.ieee.org/document/9996587https://ieeexplore.ieee.org/document/99965871.概述社交媒体的快速发展为虚假新闻的产生和传播提供了便捷渠道，并带来了诸多不良后果。为了减轻虚假新闻的负面影响，自动化的虚假新闻检测变得尤为重要。随着多媒体技术的发展，社交媒体上的新闻不仅限于文本内容，还逐步转变为包含图像
  • GEE 训练教程——哨兵2号、Landsat-8以及DEM影像的可视化展示 此星光明 GEE教程训练人工智能geejavascriptLandsatsentineldem可视化
    目录简介1.哨兵2号（Sentinel-2）2.Landsat-83.CGIAR/SRTM90_V4函数visualize(bands,gain,bias,min,max,gamma,opacity,palette,forceRgbOutput)Arguments:Returns:Imageexpression(expression,map)Arguments:Returns:Imageee.Te
  • 神经网络常见操作（卷积）输入输出 被放养的研究生 计算机视觉神经网络深度学习机器学习
    卷积dim=d的tensor可以进行torch.nn.Convnd(in_channels,out_channels),其中n=d-1,d-2对于torch.nn.Convnd(in_channels,out_channels)，改变的是tensor的倒数n+1维的大小全连接使用torch.nn.Linear(in_features,out_features,bias)实现Y=XWT+b,其中X的
  • 从0开始深度学习（4）——线性回归概念 青石横刀策马 从头学机器学习深度学习神经网络人工智能
    1线性回归回归（regression）指能为一个或多个自变量与因变量之间的关系进行建模。1.1线性模型线性假设是指目标可以表示为特征的加权和，以房价和面积、房龄为例，可以有下面的式子：w称为权重（weight）b称为偏置（bias）、偏移量（offset）或截距（intercept）给定一个数据集，我们的目标是寻找模型的权重和偏置，使得根据模型做出的预测大体符合数据里的真实价格。1.2损失函数在我
  • Keras深度学习库的常用函数与参数详解及实例 零 度° pythonpythonkeras
    Keras是一个高级的神经网络API，它能够以TensorFlow、CNTK或Theano作为后端运行，以支持快速的实验和模型构建。Keras以其用户友好、模块化、可扩展性而受到广泛欢迎，适用于从深度学习新手到经验丰富的研究人员。常用函数及其参数Dense()全连接层，用于构建神经网络中的线性部分。units:层中的神经元数量。activation:激活函数，默认为’relu’。use_bias:
  • 深度学习之pytorch实现线性回归 温柔了岁月.c 机器学习深度学习pytorch线性回归
    度学习之pytorch实现线性回归pytorch用到的函数torch.nn.Linearn()函数torch.nn.MSELoss()函数torch.optim.SGD()代码实现结果分析pytorch用到的函数torch.nn.Linearn()函数torch.nn.Linear(in_features,#输入的神经元个数out_features,#输出神经元个数bias=True#是否包含偏置
  • LSTM参数详解 实名吃香菜 深度学习lstm人工智能rnn
    LSTM（长短期记忆网络）是一种特殊类型的循环神经网络（RNN），主要用于处理和预测序列数据的重要模型。以下是LSTM的主要参数及其含义（前两个参数必填）：input_size:输入特征的维度，即每个时间步输入张量的大小。hidden_size:隐藏层的特征数量。它定义了LSTM单元输出的特征的维度。num_layers:LSTM堆叠的层数。多层LSTM可以增加模型的复杂度和能力。bias:如果为
  • 方差与偏差 井底蛙蛙呱呱呱
    "偏差方差分解"(bias-variancedecomposition)是解释学习算法泛化性能的一种重要工具.偏差方差分解试图对学习算法的期望泛化错误率进行拆解.我们知道，算法在不同训练集上学得的结果很可能不同，即便这些训练集是来自同一个分布.对测试样本队令yD为m在数据集中的标记，y为x的真实标记(注：理论上y=yD,当有噪声时，会出现y!=yD,即错误的标注)，f(x;D)为训练集D上学得模型
  • bioinfo100-第9题-FastQC报告中的duplicate RachaelRiggs
    duplicate问题zhn去除duplicate可以这样理解：去除“假重复”（人为造成的重复序列方面的bias)保留“真重复”（天然存在的重复序列）。第9题读懂FastQC报告中的duplicate问题本周我们预计会把前10个问题提出来，结束我们的测序原理与FastQC部分。今天我们来详细聊聊duplicate问题。duplicate的产生主要是因为Illumina建库的过程中，一般会需要使用P
  • 机器学习-集成学习（模型融合）方法概述 毛飞龙 机器学习集成学习模型融合
    概述模型融合方法广泛应用于机器学习中，其原因在于，将多个学习器进行融合预测，能够取得比单个学习器更好的效果，实现“三个臭皮匠，顶一个诸葛亮”，其原因在于通过模型融合，能够降低预测的偏差和方差。本文对模型融合中常见的三种方法进行一个简要介绍：包括Bagging、Boosting、Stacking。偏差（Bias）与方差（Variance）假设对数据集中一个样本进行n次预测，偏差是预测期望值与样本值的
  • On the Spectral Bias of Neural Networks论文阅读 瞻邈 机器学习人工智能深度学习自动驾驶
    1.摘要众所周知，过度参数化的深度神经网络(DNNs)是一种表达能力极强的函数，它甚至可以以100%的训练精度记忆随机数据。这就提出了一个问题，为什么他们不能轻易地对真实数据进行拟合呢。为了回答这个问题，研究人员使用傅里叶分析来研究深层网络。他们证明了具有有限权值(或训练有限步长)的深度网络天生偏向于表示输入空间上的平滑函数。具体地说，深度ReLU网络函数的特定频率分量(k)的衰减速度至少与O(k
  • 循环神经网络（RNN）简介与应用 kadog ByGPTrnn人工智能深度学习
    循环神经网络（RNN）简介与应用一、RNN基本概念二、RNN原理解析2.1RNN网络结构RNN网络主要组件输入层(Input)，隐藏层(HiddenState)，输出层(Output)循环单元(RecurrentUnit)权重参数(Weights)和偏置项(Bias)RNN的数据流向时间步展开(UnrollinginTime)隐藏状态传递(HiddenStatePropagation)输出计算(O
  • 如何改进YOLOv5主干网络 风筝超冷 YOLO
    D:\yolov5-master\models目录下新建mobilevit.py文件夹代码内容：importtorchimporttorch.nnasnnfromeinopsimportrearrangedefconv_1x1_bn(inp,oup):returnnn.Sequential(nn.Conv2d(inp,oup,1,1,0,bias=False),nn.BatchNorm2d(oup
  • 代码+视频，PM3包进行3组倾向评分匹配并绘制smd图 天桥下的卖艺者 R语言代码+视频系列我写的R包r语言
    什么是倾向性评分匹配？倾向评分匹配（PropensityScoreMatching，简称PSM）是一种统计学方法，用于处理观察研究（ObservationalStudy）的数据，在SCI文章中应用非常广泛。在观察研究中，由于种种原因，数据偏差（bias）和混杂变量（confoundingvariable）较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的
  • imu_utils安装及标定教程 极客范儿 传感器标定IMUimu标定imu_utilscode_utils
    本文使用香港科技大学的imu_utils方差工具标定，首先将INDEMIND双目惯性模组静止放置三个小时。然后采集IMU数据，生成Allan方差数据，由图分析得到加速度和角速度的高斯白噪声和随机游走Bias误差。系统配置系统版本ubuntu18.04OpenCV3.4.13Eigen3.2.10Pangolin0.5一、安装ceresCeres官方地址二、创建ROS工作空间1、新建ROS工作空间m
  • 【从零开始学习YOLOv3】5. 网络模型的构建 pprpp
    前言：之前几篇讲了cfg文件的理解、数据集的构建、数据加载机制和超参数进化机制，本文将讲解YOLOv3如何从cfg文件构造模型。本文涉及到一个比较有用的部分就是bias的设置，可以提升mAP、F1、P、R等指标，还能让训练过程更加平滑。1.cfg文件在YOLOv3中，修改网络结构很容易，只需要修改cfg文件即可。目前，cfg文件支持convolutional,maxpool,unsample,ro
  • 统计学习 复习（知识点+习题） 玛卡巴卡_qin 课程学习
    复习资料：https://github.com/RuijieZhu94/StatisticalLearning_USTC第一章线性回归1.Fromonetotwo最小二乘课后题有偏/无偏估计加权最小二乘2.Regularization线性回归（二维情况）求解有约束优化问题正则化最小加权二乘不确定答案形式3.BasicFunction核函数岭回归有个关于核函数的推导，但应该不会考4.Bias-var
  • Bias 和 Variance 理解 phusFuNs
    一篇很不错的讲解Bias和Variance的文章：http://scott.fortmann-roe.com/docs/BiasVariance.html从三个角度去定义Bias和Variance概念上ErrorduetoBias：表示我们的模型预测的期望值（或者叫平均值）与模型想要努力接近真实值的difference。注意一点，这里的期望值是指，你可以通过多个数据集（随机性）来训练多个模型（参数
  • 类参数和实例参数 代码猪猪傻瓜coding python深度学习机器学习
    classConv2D(nn.Module):def__init__(self,kernel_size):super().__init__()self.weight=nn.Parameter(torch.rand(kernel_size))self.bias=nn.Parameter(torch.zeros(1))逐行解释给定的代码：（区分子类和类参数）1.`classConv2D(nn.Modu
  • 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
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他