选西瓜专业户
选西瓜专业户

吴恩达coursera机器学习个人向笔记——9章神经网络学习

文章目录

  • 课时62非线性假设09:36
  • 课时63神经元与大脑07:47
  • 课时64模型展示Ⅰ12:01
  • 课时65模型展示Ⅱ11:46
  • 课时68例子与直觉理解Ⅰ07:15
  • 课时70例子与直觉理解Ⅱ10:20
  • 课时71多元分类03:51

课时62非线性假设09:36

吴恩达coursera机器学习个人向笔记——9章神经网络学习_第1张图片
对图1那样的作分类，
逻辑斯蒂回归中，只要g(θ转X)中的(高次)项足够多，就一定能找出边界
但这是2个特征的情况
如果有100个特征，二次交叉项会将近5000个
如果只考虑平方不考虑交叉，只能得到椭圆之类的边界，是不可能得到弯弯曲曲的边界的
所以必须要引入交叉项
问题就来了
特征个数的增加会导致项数（特征空间）的急剧增大
所以，特征多的时候用逻辑斯蒂回归建立非线性分离器不好用
→要用神经网络

课时63神经元与大脑07:47

把任何传感器接入大脑中，大脑的学习算法就能找出学习数据的方法。
只要一个算法，不用很多个→神经网络

课时64模型展示Ⅰ12:01

吴恩达coursera机器学习个人向笔记——9章神经网络学习_第2张图片
θ 上标( j )表示第j层，下标 i k 表示第j+1层的神经元中的第i个，k是第j层神经元的第k个前面的参数
假设第 j 层神经 有S_j个神经元
第j+1层神经 有S_(j+1)个神经元
则计算第j+1层时 用到的θ^(j) 就是S_(j+1) × （S_j +1）矩阵

也就是 计算本层(j+1层)某一个神经元输出值时，前一层神经元要乘的参数矩阵（然后还要激活才得到这一层的一个神经元的输出）
❤θ(j) 是 本层神经元数×（前一层神经元数+1）矩阵

课时65模型展示Ⅱ11:46

吴恩达coursera机器学习个人向笔记——9章神经网络学习_第3张图片

矩阵表示：a是列向量
a(j+1)=g[ θ(j) a(j)]，j=1到n

从输入层到隐藏层到输出层的过程叫 前向传播
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第4张图片

最后一层神经网络像逻辑回归
h=g(θ转置x)实际上原理是一样的。

所以在多层神经网络里每层没有用原始的x作逻辑回归，而是用前一次的a。

逻辑回归里如果我们把x1 x2 x3改成x1x2 x1x3之类的可能得到更好的效果，也就是输入值(特征)对最后的结果是有影响的

那么多层神经网络可以理解为，每层产生多个新的特征，然后下一层用新的特征多次逻辑回归，产生更新的复杂特征项到下一层。。。

课时68例子与直觉理解Ⅰ07:15

神经网络如何计算复杂非线性函数的输入？
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第5张图片
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第6张图片例子展示了神经网络中1个神经元（通过不同的θ值）实现了 逻辑函数的功能
以上是且 和 或 运算的例子（逻辑运算）

课时70例子与直觉理解Ⅱ10:20

神经网络如何计算复杂非线性函数的输入？吴恩达coursera机器学习个人向笔记——9章神经网络学习_第7张图片
否运算：在x1前面乘以一个绝对值比较大的负数
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第8张图片
XNOR指的是 x1=x2时则取1，x1≠x2时则取0
我们通过① and 运算 [只有x1=x2=1才输出1]
②（非x1）且(非x2) 运算 [这个只有x1=x2=0才输出1]
把①②两者 或 起来，就能实现XNOR运算

这个例子展示了神经网络是如何实现复杂非线性的。
每层都是简单的函数
最后得到的是复杂的函数
(计算到后面结果越来越复杂)
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第9张图片
邮政码识手写识别的例子，你可能不明白每一层在干什么，但是结果是对的

课时71多元分类03:51

手写识别的例子就是多分类问题
0到9一共10类
现在以识别行人，汽车，摩托，巴士为例子
吴恩达coursera机器学习个人向笔记——9章神经网络学习_第10张图片最后一层是4个神经元
输出表示方法是一个4维向量，而不是1,2，3,4
训练集有多个 (x,y)的样本
x表示输入的是人/车/摩托/巴士的图
y是4维向量
我们想办法找到方法h
使得h(x)≈y

你可能感兴趣的:(吴恩达机器学习,吴恩达机器学习)

  • 2025年大模型学习新攻略！掌握未来AI的关键技能 AI大模型-大飞 人工智能产品经理程序员AgentAI大模型大模型教程
    1.公开课（视频）：李宏毅机器学习斯坦福CS336：从零开始构建语言模型卡内基梅隆大学【多模态机器学习】RAGFromScratchHuggingFaceNLP课程2.机器学习和编程基础：pytorch官方中文教程[中英字幕]吴恩达机器学习李宏毅机器学习3.Attention机制：论文:《AttentionIsAllYouNeed》Transformer论文逐段精读【论文精读】-跟李沐学AIzhi
  • 吴恩达机器学习笔记（1）—引言 大饼酥 人工智能机器学习人工智能吴恩达
    目录一、欢迎二、机器学习是什么三、监督学习四、无监督学习一、欢迎机器学习是当前信息技术领域中最令人兴奋的方向之一。在这门课程中，你不仅会学习机器学习的前沿知识，还将亲手实现相关算法，从而深入理解其内部机理。事实上，机器学习已广泛渗透进我们的日常生活。例如，每次你使用Google、Bing进行搜索，或用Facebook、Apple的图像识别功能识别朋友，甚至邮箱中的垃圾邮件过滤器，背后都离不开机器学
  • 吴恩达机器学习入门笔记（Week 1） 冒冒喵 吴恩达机器学习入门机器学习笔记人工智能
    吴恩达机器学习Week1学习资源及工具机器学习分类专业术语（Terminology）线性回归模型(Linearregression)代价函数（costfunction）学习资源及工具1、课程资源：B站大学2、相关工具：Jupter&Github3、书籍资源：神经网络与深度学习（MichaelNielsen）、机器学习（周志华）、统计学习方法（李航）…机器学习分类1、监督学习（supervisedl
  • 自然语言处理 (NLP) 学习路线 我喝AD钙 我的学习笔记自然语言处理学习人工智能
    自然语言处理学习路线1.基础准备（可参考mooc学习）2.学习基础NLP技术（可参考mooc学习）3.经典机器学习算法在NLP中的应用（可参考吴恩达机器学习课程）4.深度学习基础（基础参考吴恩达、工具看TF、Keras官网手册）5.深度学习在NLP中的应用（arxiv论文原文和解析博客，实战参考gitee/github）6.现代NLP模型（arxiv论文原文和解析博客，实战参考gitee/gith
  • 吴恩达机器学习笔记：特征与多项式回归 ちゆきー 机器学习笔记回归
    1.特征和多项式回归如房价预测问题，ℎθ(x)=θ0+θ1×frontage+θ2×deptℎx1=frontage（临街宽度），x2=deptℎ（纵向深度），x=frontage∗deptℎ=area（面积），则：hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x线性回归并不适用于所有数据，有时我们需要曲线来适应我们的数据，比如一个二次方
  • 吴恩达机器学习笔记：多维梯度下降实践 ちゆきー 机器学习笔记计算机视觉
    1.特征放缩在我们面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。以房价问题为例，假设我们使用两个特征，房屋的尺寸和房间的数量，尺寸的值为0-2000平方英尺，而房间数量的值则是0-5，以两个参数分别为横纵坐标，绘制代价函数的等高线图能看出图像会显得很扁，梯度下降算法需要非常多次的迭代才能收敛。解决的方法是尝试将所有特征的尺度都尽量缩放到-1到1之间。如
  • 吴恩达机器学习笔记：监督学习 ちゆきー 机器学习笔记学习
    1.回归我们用一个例子介绍什么是监督学习把正式的定义放在后面介绍。假如说你想预测房价。前阵子，一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来，看起来是这个样子：横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千美元。那基于这组数据，假如你有一个朋友，他有一套750平方英尺房子，现在他希望把房子卖掉，他想知道这房子能卖多少钱。我们应用学习算法，可以在这组数据中画一条
  • 一文详细梳理！大模型从理论到实战落地必备干货！零基础入门到精通，收藏这一篇就够了 网络安全大白 科技网络安全程序员安全网络安全系统安全
    在人工智能的浩瀚星辰中，大模型犹如璀璨的北极星，引领着技术的前沿方向。它们不仅代表了深度学习领域的最新突破，更成为了推动各行各业智能化转型的关键力量。本文笔者总结了大模型从理论研究到实战落地所需具备的所有知识干货，与大家分享~基础知识数学深入浅出动态可视化数学之美(几何、微积分、概率论、线性代数等)：https://space.bilibili.com/88461692/机器学习吴恩达机器学习入门
  • 吴恩达机器学习笔记复盘（二）监督学习和无监督学习 wgc2k 机器学习机器学习笔记学习
    监督学习经济价值以及定义监督学习是机器学习中创造了99%经济价值的类型，它是学习输入到输出映射的算法，关键在于给学习算法提供包含正确答案（即给定输入X的正确标签Y）的学习例子。生活中的例子邮件分类，输入是电子邮件，输出是判断邮件是否为垃圾邮件。语音识别，输入音频剪辑，输出文本记录。机器翻译，输入一种语言文本，输出其他语言的相应翻译。在线广告，输入广告和用户信息，预测用户是否点击广告，为公司带来大量
  • 计算机视觉CV学习路线 我喝AD钙 我的学习笔记计算机视觉学习人工智能
    计算机视觉CV学习路线1.基础准备（可参考mooc学习）2.计算机视觉基础知识（可参考mooc学习、计算机图形学）3.经典计算机视觉算法（可参考吴恩达机器学习课程、国内外计算机图形学课程）4.深度学习基础（参考吴恩达和TF、Keras官网手册）5.深度学习在计算机视觉中的应用（李飞飞课程、arxiv论文原文和解析博客，实战参考gitee/github）6.现代计算机视觉技术（arxiv论文原文和解
  • 七.正则化 愿风去了
    吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net/b876144622/article/details/81276818虽然在线性回归中加入基函数会使模型更加灵活，但是很容易引起数据的过拟合。例如将数据投影到30维的基函数上，模
  • 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
  • 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
  • 吴恩达机器学习—正则化 魏清宇
    过拟合问题欠拟合与过拟合当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。如何解决过拟合问题特征变量过多造成过拟合绘制假设模型图像，但当特征变量变多时，绘制很困难。当变量过多而训练数据较少时，容易出现过拟合。过拟合的解决办法解决过拟合问题，通常有两种方法：一种是减少特征的数量，可以通过人工
  • 吴恩达机器学习—推荐系统 魏清宇
    问题规划引例—电影推荐假设已有的数据如上所示，洋红色线内的数据表示缺失数据，那么我们如何根据已有的评分数据来预测这些缺失的数据呢？基于特征的推荐算法基于内容的推荐系统已知数据如上，有四个人对于不同电影的评分，我们还有分别表示电影包含浪漫成分和动作片成分的多少。那么每一个电影都可以用一个向量来表示，如第一个电影可以表示为,其中第一个元素为常数。那么对于每一个用户j，我们可以用一个学习算法学习参数，然
  • 【吴恩达机器学习】第八周—聚类降维Kmeans算法 Sunflow007
    31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习，在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的：1.png在这里我们有一系列点，却没有标签
  • 吴恩达机器学习笔记（2） python小白22
    一.逻辑回归1.什么是逻辑回归？逻辑回归是一种预测变量为离散值0或1情况下的分类问题，在逻辑回归中，假设函数。2.模型描述在假设函数中，，为实数，为Sigmoid函数，也叫Logistic函数。模型解释：，即就是对一个输入，的概率估计。损失函数的理解：所谓最大似然估计，就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据，也就是该套参数拟合出观测数据的概率最大，而损失函数的要求是预测结果
  • 【Andrew Ng机器学习】单变量线性回归-模型描述 jenye_
    课程：吴恩达机器学习一个监督学习的例子——房价预测使用的是一组俄勒冈州波特兰市的城市住房价格的数据。根据不同的尺寸的房间对应的不同售价，组成的数据集来画图。你有一个朋友想要卖房子，假设房子的大小是1250平方英尺，那么这套房可以卖多少钱？此时就可以进行模型拟合。根据这个模型，那么你可以告诉他这套房或许可以卖到220k。监督学习：每一个例子都有“正确的答案”，也就是说我们知道了数据集中卖出的房子的实
  • ML：2-2-3 多分类问题multicalss skylar0 分类机器学习人工智能
    文章目录1.多分类问题的定义2.softmax3.神经网络的softmax输出【吴恩达机器学习65-67】1.多分类问题的定义classification问题可能的output大于2种。multiclass的预测图像可能是右侧这样的。2.softmaxsoftmaxregression算法是logisticregression的泛化（通用化）。【binaryclassification---->m
  • Coursera吴恩达机器学习课程笔记——神经网络: 学习（Neural Networks: Learning） yanglamei1962 机器学习笔记神经网络
    9神经网络:学习（NeuralNetworks:Learning）9.1代价函数（CostFunction）神经网络的分类问题有两种：二元分类问题（0/1分类）只有一个输出单元（K=1K=1K=1）多元（KKK）分类问题输出单元不止一个（K>1K\gt1K>1）神经网络的代价函数公式：hΘ(x)=a(L)=g(Θ(L−1)a(L−1))=g(z(L))h_\Theta(x)=a^{(L)}=g(\
  • 吴恩达机器学习笔记十二 Sigmoid激活函数的替代方案 激活函数的选择 为什么要使用激活函数 爱学习的小仙女！ 机器学习机器学习人工智能
    在需求预测案例中，awareness这个输入可能不是二元(binary)的，或许是一点(alittlebit)、有些(somewhat)或完全(extremely)，此时相比将awareness规定为0、1，不如考虑概率，认为它是一个0-1之间的数。激活函数可以采用ReLU函数(rectifiedlinearunit)三个常用的激活函数使用线性激活函数也可以看作是没有激活函数。激活函数的选择输出层
  • 吴恩达机器学习笔记十 神经网络 TensorFlow 人工智能 爱学习的小仙女！ 机器学习神经网络人工智能深度学习
    神经网络：说几层的时候是指隐藏层及输出层，不包含输入层。例如下图是一个四层神经网络。前向传播(forwardpropagation)越靠近输出层，该层的神经元数量越少TensorFlow（张量流）实现神经网络的搭建sequential（）把两层顺序连接起来；如果有新的x，用predict()人工智能
  • 吴恩达机器学习- 正则化 YANWeichuan
    过拟合和欠拟合定义和形态解决方法减少特征值数量正则化正则化惩罚θ系数线性回归正则化逻辑回归正则化
  • 最强机器学习入门博客（吴恩达机器学习课程总结） PengHao666999 机器学习人工智能
    机器学习的概述诞生现实生活许多领域的问题不能通过显式编程实现，比如制造自动驾驶汽车、智能工厂、规模农业、计算机视觉等等，一种好的实现方式是通过学习算法让计算机自己学习如何做。现在现在是学习机器学习最好的时机，因为机器学习在未来能产生巨大的价值未来机器学习在软件领域方面取得了巨大的价值，比如智能推荐，网络搜索，图像识别等机器学习在许多其他的领域仍有巨大的价值，比如未来在自动驾驶汽车，工厂，农业，医疗
  • 在学习吴恩达机器学习课程中遇到的一些问题 ttyykx 学习机器学习jupyter
    C1_W1_Lab04_Cost_function_Soln中遇到的一些问题1、importnumpyasnp%matplotlibnotebookimportmatplotlib.pyplotaspltfromlab_utils_uniimportplt_intuition,plt_stationary,plt_update_onclick,soup_bowlplt.style.use('./d
  • 吴恩达机器学习Coursera-week11 geekpy
    PhotoOCR在此章的课程中，Andrew主要是想通过OCR问题的解决来阐释在实际项目中我们应该如何定义问题，并将一个大问题分解为多个小问题，并通过pipeline的方式将对这些小问题的解决方案串联起来，从而解决这个大问题。我认为这是解决实际问题的一个经典的方法论，有助于我们在实际工作和生活中更好地思考问题，分解问题，并最终解决问题。ProblemDescriptionandPipeline此小
  • 吴恩达机器学习介绍第一章介绍 清☆茶 机器学习人工智能
    1.机器学习的概念在进行特定编程的情况下，给予计算机学习的能力。机器学习是一种人工智能的分支，它关注如何通过计算机算法和模型来使计算机系统从数据中学习和改进。机器学习的目标是让计算机系统能够自动分析和理解数据，并根据数据的模式和规律做出预测和决策，而无需明确的编程指令。机器学习可以分为监督学习、无监督学习和强化学习三种类型。在监督学习中，计算机系统通过使用带有标签的训练数据来学习模式和规律，然后根
  • 【Andrew Ng机器学习】单变量线性回归-梯度下降 jenye_
    课程：吴恩达机器学习此篇我们将学习梯度下降算法，我们之前已经定义了代价函数J，梯度下降法可以将代价函数J最小化。梯度下降是很常用的算法，他不仅被用在线性回归上，还被广泛应用与机器学习的众多领域。之后，我们也会用到梯度下降法最小化其他函数，而不仅仅是最小化线性回归的额代价函数J。我们的问题我们有一个代价函数J(\theta_0|theta_1$)，可能是线性回归的代价函数，也可能是其他需要最小化的函
  • 第八章 正则化 tomas家的小拨浪鼓
    该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。本章含盖8.1过拟合问题8.2代价函数8.3线性回归的正则化8.4Logistic回归的正则化8.1过拟合问题在将线性回归和logistic回归应用到某些机器学习应用中时，会出现过度拟合问题，导致它们表现欠佳。正则化能够改善或者减少过度拟合问题。什么是
  • 面向对象面向过程 3213213333332132 java
    面向对象：把要完成的一件事，通过对象间的协作实现。 面向过程：把要完成的一件事，通过循序依次调用各个模块实现。 我把大象装进冰箱这件事为例，用面向对象和面向过程实现，都是用java代码完成。 1、面向对象 package bigDemo.ObjectOriented; /** * 大象类 * * @Description * @author FuJian
  • Java Hotspot: Remove the Permanent Generation bookjovi HotSpot
      openjdk上关于hotspot将移除永久带的描述非常详细，http://openjdk.java.net/jeps/122   JEP 122: Remove the Permanent Generation Author Jon Masamitsu Organization Oracle Created 2010/8/15 Updated 2011/
  • 正则表达式向前查找向后查找,环绕或零宽断言 dcj3sjt126com 正则表达式
    向前查找和向后查找 1. 向前查找：根据要匹配的字符序列后面存在一个特定的字符序列(肯定式向前查找)或不存在一个特定的序列(否定式向前查找)来决定是否匹配。.NET将向前查找称之为零宽度向前查找断言。     对于向前查找，出现在指定项之后的字符序列不会被正则表达式引擎返回。 2. 向后查找：一个要匹配的字符序列前面有或者没有指定的
  • BaseDao 171815164 seda
    import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; import java.sql.PreparedStatement; import java.sql.ResultSet; public class BaseDao { public Conn
  • Ant标签详解--Java命令 g21121 Java命令
            这一篇主要介绍与java相关标签的使用         终于开始重头戏了，Java部分是我们关注的重点也是项目中用处最多的部分。           1
  • [简单]代码片段_电梯数字排列 53873039oycg 代码
           今天看电梯数字排列是9 18 26这样呈倒N排列的,写了个类似的打印例子，如下:       import java.util.Arrays; public class 电梯数字排列_S3_Test { public static void main(S
  • Hessian原理 云端月影 hessian原理
    Hessian 原理分析 一．      远程通讯协议的基本原理 网络通信需要做的就是将流从一台计算机传输到另外一台计算机，基于传输协议和网络 IO 来实现，其中传输协议比较出名的有 http 、 tcp 、 udp 等等， http 、 tcp 、 udp 都是在基于 Socket 概念上为某类应用场景而扩展出的传输协
  • 区分Activity的四种加载模式----以及Intent的setFlags aijuans android
      在多Activity开发中，有可能是自己应用之间的Activity跳转，或者夹带其他应用的可复用Activity。可能会希望跳转到原来某个Activity实例，而不是产生大量重复的Activity。 这需要为Activity配置特定的加载模式，而不是使用默认的加载模式。 加载模式分类及在哪里配置 Activity有四种加载模式： standard singleTop
  • hibernate几个核心API及其查询分析 antonyup_2006 html.netHibernatexml配置管理
    (一)  org.hibernate.cfg.Configuration类         读取配置文件并创建唯一的SessionFactory对象.(一般,程序初始化hibernate时创建.)         Configuration co
  • PL/SQL的流程控制 百合不是茶 oraclePL/SQL编程循环控制
    PL/SQL也是一门高级语言,所以流程控制是必须要有的,oracle数据库的pl/sql比sqlserver数据库要难,很多pl/sql中有的sqlserver里面没有   流程控制; 分支语句 if 条件 then 结果 else 结果 end if ; 条件语句 case when 条件 then 结果; 循环语句 loop
  • 强大的Mockito测试框架 bijian1013 mockito单元测试
    一.自动生成Mock类        在需要Mock的属性上标记@Mock注解，然后@RunWith中配置Mockito的TestRunner或者在setUp()方法中显示调用MockitoAnnotations.initMocks(this);生成Mock类即可。二.自动注入Mock类到被测试类  &nbs
  • 精通Oracle10编程SQL(11)开发子程序 bijian1013 oracle数据库plsql
    /* *开发子程序 */ --子程序目是指被命名的PL/SQL块，这种块可以带有参数，可以在不同应用程序中多次调用 --PL/SQL有两种类型的子程序：过程和函数 --开发过程 --建立过程：不带任何参数 CREATE OR REPLACE PROCEDURE out_time IS BEGIN DBMS_OUTPUT.put_line(systimestamp); E
  • 【EhCache一】EhCache版Hello World bit1129 Hello world
    本篇是EhCache系列的第一篇，总体介绍使用EhCache缓存进行CRUD的API的基本使用，更细节的内容包括EhCache源代码和设计、实现原理在接下来的文章中进行介绍   环境准备 1.新建Maven项目   2.添加EhCache的Maven依赖 <dependency> <groupId>ne
  • 学习EJB3基础知识笔记 白糖_ beanHibernatejbosswebserviceejb
    最近项目进入系统测试阶段，全赖袁大虾领导有力，保持一周零bug记录，这也让自己腾出不少时间补充知识。花了两天时间把“传智播客EJB3.0”看完了，EJB基本的知识也有些了解，在这记录下EJB的部分知识，以供自己以后复习使用。   EJB是sun的服务器端组件模型，最大的用处是部署分布式应用程序。EJB (Enterprise JavaBean)是J2EE的一部分，定义了一个用于开发基
  • angular.bootstrap boyitech AngularJSAngularJS APIangular中文api
    angular.bootstrap 描述：     手动初始化angular。     这个函数会自动检测创建的module有没有被加载多次，如果有则会在浏览器的控制台打出警告日志，并且不会再次加载。这样可以避免在程序运行过程中许多奇怪的问题发生。   使用方法：     angular .
  • java-谷歌面试题-给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数 bylijinnan java
    public class SearchInShiftedArray { /** * 题目：给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数。 * 请在这个特殊数组中找出给定的整数。 * 解答： * 其实就是“旋转数组”。旋转数组的最小元素见http://bylijinnan.iteye.com/bl
  • 天使还是魔鬼？都是我们制造 ducklsl 生活教育情感
    ----------------------------剧透请原谅，有兴趣的朋友可以自己看看电影，互相讨论哦！！！     从厦门回来的动车上，无意中瞟到了书中推荐的几部关于儿童的电影。当然，这几部电影可能会另大家失望，并不是类似小鬼当家的电影，而是关于“坏小孩”的电影！     自己挑了两部先看了看，但是发现看完之后，心里久久不能平
  • [机器智能与生物]研究生物智能的问题 comsci 生物
          我想,人的神经网络和苍蝇的神经网络,并没有本质的区别...就是大规模拓扑系统和中小规模拓扑分析的区别....       但是,如果去研究活体人类的神经网络和脑系统,可能会受到一些法律和道德方面的限制,而且研究结果也不一定可靠,那么希望从事生物神经网络研究的朋友,不如把
  • 获取Android Device的信息 dai_lm android
    String phoneInfo = "PRODUCT: " + android.os.Build.PRODUCT; phoneInfo += ", CPU_ABI: " + android.os.Build.CPU_ABI; phoneInfo += ", TAGS: " + android.os.Build.TAGS; ph
  • 最佳字符串匹配算法（Damerau-Levenshtein距离算法）的Java实现 datamachine java算法字符串匹配
    原文：http://www.javacodegeeks.com/2013/11/java-implementation-of-optimal-string-alignment.html------------------------------------------------------------------------------------------------------------
  • 小学5年级英语单词背诵第一课 dcj3sjt126com englishword
    long 长的 show 给...看，出示 mouth 口，嘴 write 写   use 用，使用 take 拿，带来 hand 手 clever 聪明的   often 经常 wash 洗 slow 慢的 house 房子   water 水 clean 清洁的 supper 晚餐 out 在外   face 脸，
  • macvim的使用实战 dcj3sjt126com macvim
    macvim用的是mac里面的vim, 只不过是一个GUI的APP, 相当于一个壳   1. 下载macvim https://code.google.com/p/macvim/   2. 了解macvim :h               vim的使用帮助信息 :h macvim  
  • java二分法查找 蕃薯耀 java二分法查找二分法java二分法
    java二分法查找 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月23日 11:40:03 星期二 http:/
  • Spring Cache注解+Memcached hanqunfeng springmemcached
    Spring3.1 Cache注解  依赖jar包： <!-- simple-spring-memcached --> <dependency> <groupId>com.google.code.simple-spring-memcached</groupId> <artifactId>simple-s
  • apache commons io包快速入门 jackyrong apache commons
    原文参考 http://www.javacodegeeks.com/2014/10/apache-commons-io-tutorial.html   Apache Commons IO 包绝对是好东西，地址在http://commons.apache.org/proper/commons-io/，下面用例子分别介绍：   1）  工具类   2
  • 如何学习编程 lampcy java编程C++c
    首先,我想说一下学习思想.学编程其实跟网络游戏有着类似的效果.开始的时候,你会对那些代码,函数等产生很大的兴趣,尤其是刚接触编程的人,刚学习第一种语言的人.可是,当你一步步深入的时候,你会发现你没有了以前那种斗志.就好象你在玩韩国泡菜网游似的,玩到一定程度,每天就是练级练级,完全是一个想冲到高级别的意志力在支持着你.而学编程就更难了,学了两个月后,总是觉得你好象全都学会了,却又什么都做不了,又没有
  • 架构师之spring-----spring3.0新特性的bean加载控制@DependsOn和@Lazy nannan408 Spring3
    1.前言。    如题。 2.描述。    @DependsOn用于强制初始化其他Bean。可以修饰Bean类或方法，使用该Annotation时可以指定一个字符串数组作为参数，每个数组元素对应于一个强制初始化的Bean。 @DependsOn({"steelAxe","abc"}) @Comp
  • Spring4+quartz2的配置和代码方式调度 Everyday都不同 代码配置spring4quartz2.x定时任务
    前言：这些天简直被quartz虐哭。。因为quartz 2.x版本相比quartz1.x版本的API改动太多，所以，只好自己去查阅底层API……   quartz定时任务必须搞清楚几个概念： JobDetail——处理类 Trigger——触发器，指定触发时间，必须要有JobDetail属性，即触发对象 Scheduler——调度器，组织处理类和触发器，配置方式一般只需指定触发
  • Hibernate入门 tntxia Hibernate
      前言   使用面向对象的语言和关系型的数据库，开发起来很繁琐，费时。由于现在流行的数据库都不面向对象。Hibernate 是一个Java的ORM（Object/Relational Mapping）解决方案。   Hibernte不仅关心把Java对象对应到数据库的表中，而且提供了请求和检索的方法。简化了手工进行JDBC操作的流程。   如
  • Math类 xiaoxing598 Math
    一、Java中的数字（Math）类是final类，不可继承。 1、常数 PI：double圆周率 E：double自然对数 2、截取（注意方法的返回类型） double ceil(double d) 返回不小于d的最小整数 double floor(double d) 返回不大于d的整最大数 int round(float f) 返回四舍五入后的整数 long round
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他