- 易 AI - 使用 TensorFlow 2 Keras 实现 AlexNet CNN 架构
CatchZeng
原文:https://makeoptim.com/deep-learning/yiai-alexnet-implementation前言网络结构实现SequentialSubclassingDemo小结参考前言上一篇笔者使用如何阅读深度学习论文的方法阅读了AlexNet。为了加深理解,本文带大家使用TensorFlow2Keras实现AlexNetCNN架构。网络结构image从上一篇可以得到Al
- 论文学习记录之Deep-learning seismic full-waveform inversion for realistic structuralmodels
摘星星的屋顶
论文深度学习人工智能
一、ABSTRACT—摘要标题:Deep-learningseismicfull-waveforminversionforrealisticstructuralmodels(用于真实结构模型的深度学习地震全波形反演)作者:BinLiu1,SenlinYang2,YuxiaoRen2,XinjiXu3,PengJiang2,andYangkangChen4(和SeisInvNet有共同作者,应该是同
- 论文学习记录之SeisInvNet(Deep-Learning Inversion of Seismic Data)
摘星星的屋顶
论文人工智能
目录1INTRODUCTION—介绍2RELATEDWORKS—相关作品3METHODOLOGYANDIMPLEMENTATION—方法和执行3.1方法3.2执行4EXPERIMENTS—实验4.1数据集准备4.2实验设置4.3基线模型4.4定向比较4.5定量比较4.6机理研究5CONCLUSION—结论1INTRODUCTION—介绍地震勘探是根据地震波在大地中的传播规律来确定地下地层结构的一种
- 易 AI - 机器学习计算机视觉基础
CatchZeng
原文:http://makeoptim.com/deep-learning/yiai-cv计算机视觉表达黑白图灰度图彩色图操作卷积均值滤波归一化统一量纲加速模型训练梯度下降GPU浮点运算小结参考链接上一篇讲解了机器学习数据集的概念以及如何收集图片数据集。收集到的数据是被训练的对象,那么怎么表示这些数据呢?数据又需要被怎么操作呢?本文为大家讲解计算机视觉基础,帮助大家在后面的课程中更好地理解和训练模
- 【Pytorch】Transposed Convolution
bryant_meng
pytorch人工智能python反卷积逆卷积
文章目录1卷积2反/逆卷积3MaxUnpool/ConvTranspose4encoder-decoder5可视化学习参考来自:详解逆卷积操作–Up-samplingwithTransposedConvolutionPyTorch使用记录https://github.com/naokishibuya/deep-learning/blob/master/python/transposed_convo
- 2-EagleC: A deep-learning framework for detecting a full range of structural variations from bulk...
怎么不是呐
Hi-C技术:检测人类基因组结构变异(SVs)的一种有前景的方法。目前严重缺乏能够使用Hi-C数据进行全范围SV检测的算法,只能以低于最佳的分辨率识别染色体间易位和远程染色体内SVs(>1mb)。本文开发了一个深度学习模型,结合了深度学习和集成学习策略的框架,以高分辨率预测全范围的SVs——EagleC在癌症基因组中认识了许多先前未知的融合事件,也发掘了已知致癌基因的新型调控机制,这些发现为癌症分
- 用数据玩点花样!如何构建skim-gram模型来训练和可视化词向量
机器之心V
php人工智能
本文介绍了如何在TensorFlow中实现skim-gram模型,并用TensorBoard进行可视化。GitHub地址:https://github.com/priya-dwivedi/Deep-Learning/blob/master/word2vec_skipgram/Skip-Grams-Solution.ipynb本教程将展示如何在TensorFlow中实现skim-gram模型,以便为
- Deep-learning
斗战胜佛oh
图卷积网络在药物研发中的应用综述尽管深度学习在很多领域在过去的几年取得了一定的成功,但是在分子信息和药物发现领域成功的应用依然有限。适用于深层架构的结构化数据方面的最新进展为药物研究开辟了新的范例。该篇从四个角度阐述了图神经网络在药物发现和分子信息领域的应用。1)分子属性和活性预测;2)相互作用预测;3)合成预测;4)从头药物设计。最后总结了药物相关问题的代表性应用。讨论将图卷积网络应用于药物发现
- 用BERT进行机器阅读理解
javastart
自然语言
这里可以找到带有代码的Github存储库:https://github.com/edwardcqian/bert_QA。本文将讨论如何设置此项功能.机器(阅读)理解是NLP的领域,我们使用非结构化文本教机器理解和回答问题。https://www.coursera.org/specializations/deep-learning?ranMID=40328&ranEAID=J2RDoRlzkk&ra
- 停车场车位检测思路梳理
杂七杂八的
输入列表图像,在工具台中输出图像defshow_images(self,images,cmap=None):输入的是某一张图片和给图片的name,make_write表示是否需要yyyyafafaffadfsfgf10.fhttps://github.com/priya-dwivedi/Deep-Learning/tree/master/parking_spots_detector/train_d
- AI - Ubuntu 机器学习环境 (TensorFlow GPU, JupyterLab, VSCode)
CatchZeng
原文:https://makeoptim.com/deep-learning/tensorflow-gpu-on-ubuntu介绍所需软件安装前GCCNVIDIApackagerepositoriesNVIDIAmachinelearningNVIDIAGPUdriverCUDAToolKitandcuDNNTensorRTMiniconda虚拟环境安装TensorFlow安装JupyterLab
- deep-learning(1) - 随手记录的知识点
Laniakea_01d0
业界通常认为第一层是隐藏层的第一层AI会遇上工程类问题Padding补零操作,可以保证卷积核在每块区域都进行卷积,迭代次数越多,更有效果,提取特征更好生成器和迭代器,存在的意义,一般我们需要对一个数组进行操作的时候,我们要遍历出来操作,比如一亿个参数,我们不可能一次性全部取出来,一个一个的去取,这就是生成器存在的意义。Dataloader加载数据到内存Next(iter(a))转换成0,1转换成正
- 易 AI - AlexNet 论文深度讲解
CatchZeng
原文:https://makeoptim.com/deep-learning/yiai-paper-alexnet论文地址阅读方式ImageNetClassificationwithDeepConvolutionalNeuralNetworks使用深度卷积神经网络的ImageNet分类Abstract摘要1Introduction1简介2TheDataset2数据集3TheArchitecture
- AI - Mac M1 机器学习环境 (TensorFlow, JupyterLab, VSCode)
CatchZeng
原文https://makeoptim.com/deep-learning/mac-m1-tensorflowXcodeCommandLineToolsHomebrewMiniforge下载AppleTensorFlow创建虚拟环境安装必须的包安装特殊版本的pip和其他包安装Apple提供的包(numpy,grpcio,h5py)安装额外的包安装TensorFlow测试JupyterLabVSCo
- 易 AI - 机器学习卷积神经网络(CNN)
CatchZeng
原文:http://makeoptim.com/deep-learning/yiai-cnn卷积神经网络结构输入层隐藏层输出层TensorFlow中定义卷积神经网络模型宏观理解卷积神经网络全连接采样卷积小结上一篇介绍了如何在TensorFlow中加载数据集。从本文开始将以王者荣耀为例,介绍卷积神经网络(CNN)。由于涉及的内容较多,本文主要先介绍以下内容:卷积神经网络结构TensorFlow中定义
- 易 AI - 使用 TensorFlow Object Detection API 训练自定义目标检测模型
CatchZeng
原文:https://makeoptim.com/deep-learning/yiai-object-detection前言目标检测位置发展史传统方法(候选区域+手工特征提取+分类器)RegionProposal+CNN(Two-stage)端到端(One-stage)TensorFlowObjectDetectionAPI安装依赖项安装API工程创建数据集图片标注创建TFRecord模型训练下载
- AI - Mac 机器学习环境 (TensorFlow, JupyterLab, VSCode)
CatchZeng
原文:https://makeoptim.com/deep-learning/mac-tensorflowCondaAnacondaMiniconda创建虚拟环境安装tensorflow检查安装JupyterLab启动安装其他依赖JupyterLab运行tensorflow安装VSCodeVSCode运行tensorflow小结延伸阅读在MacM1机器学习环境讲述了如何在M1芯片的Mac搭建机器学
- NLP(新闻文本分类)——数据读取与数据分析
浩波的笔记
NLP机器学习pythonnlp
初始数据importpandasaspddf_train=pd.read_csv('E:/python-project/deep-learning/datawhale/nlp/news-data/train_set.csv/train_set.csv',sep='\t')df_test=pd.read_csv('E:/python-project/deep-learning/datawhale/n
- AI - Apple Silicon Mac M1 原生支持 TensorFlow 2.6 GPU 加速(tensorflow-metal PluggableDevice)
CatchZeng
原文:http://makeoptim.com/deep-learning/tensorflow-metal前言系统要求当前不支持XcodeCommandLineToolsHomebrewMiniforge创建虚拟环境安装Tensorflowdependencies首次安装升级安装安装Tensorflow安装metalplugin安装必须的包测试JupyterLabVSCode延伸阅读参考前言几天
- 易 AI - ResNet 论文深度讲解
CatchZeng
原文:https://makeoptim.com/deep-learning/yiai-paper-resnet论文地址阅读方式DeepResidualLearningforImageRecognition图像识别的深度残差学习Abstract摘要1Introduction1简介2RelatedWork2相关工作3.DeepResidualLearning3.深度残差学习3.1.ResidualL
- Windows安装PyTorch-CPU
Ann剑
安装PyTorchpytorchwindowspython
看了好多大佬的教程,终于给自己老旧电脑成功安装了PyTorch本电脑安装的软件PyTorch=1.12.1anaconda版本为conda4.8.2(anaconda自行安装)开始前以管理员方式运行anacondaprompt一、安装PyTorch一、安装PyTorch(1)创建环境为deep-learning,也可以为PyTorch(就是一个名字)。指定Python版本condacreate-n
- transformer(Bert)的多头注意力对每一个head进行降维的分析
想赚钱的雷大
背景:在用keras的multiattention模块做实验的时候,发现学习参数随着头数的增多而增多,与transformer中的实现不太一致结果:本着想了解透彻的思路去网上搜索了一番,第一篇我就觉得整理的不错,附上链接:http://www.sniper97.cn/index.php/note/deep-learning/note-deep-learning/4002/总结一下:一言蔽之的话,大
- nvidia 3060 + cuda + cudnn + tf
代码&诗
tensorflowpython深度学习
参考:https://eipi10.cn/deep-learning/2019/11/28/centos_cuda_cudnn/1.环境版本:CentOSLinuxrelease7.8.2003(Core)Tensorflow-gpu2.5nvidia3060cuda11.2.2cudnn-11.32.环境检查:lscpi|grep-invidia#要有nvidia设备3.首先安装nvidia-3
- identifier “THCudaCheck“ is undefined 的解决方法
莫说相公痴
MachineLearningPythonPytorch深度学习pytorch人工智能
THCudaCheck在pytorch1.11.0版本被移除了,可以看文档https://www.exxactcorp.com/blog/Deep-Learning/pytorch-1-11-0-now-available解决方法是将THCudaCheck替换成C10_CUDA_CHECK
- 交通事故预测—《Traffic Accident’s Severity Prediction: A Deep-Learning Approach-Based CNN Network》
永恒的记忆2019
科研论文python机器学习人工智能
一、文章信息《TrafficAccident’sSeverityPrediction:ADeep-LearningApproach-BasedCNNNetwork》,2019年Access上的一篇文章。二、摘要基于交通事故特征的权重,提出了基于特征矩阵的灰色图像(FM2GI)算法,将交通事故数据的单一特征关系转换为包含并行组合关系的灰色图像作为模型的输入变量,网络模型是基于CNN。(也就是说这篇文
- 通过 MQTT 检测对象和传输图像
woshicver
pythonopencvvnccvopengl
在本文中,我们将学习如何使用open-cv和YOLO对象检测器每五秒捕获/保存和检测图像中的对象。然后我们将图像转换为字节数组并通过MQTT发布,这将在另一个远程设备上接收并保存为JPG。我们将使用YoloV3算法和一个免费的MQTT代理YoloV3算法:https://viso.ai/deep-learning/yolov3-overview/#:~:text=What's%20Next%3F-
- DNN(Deep-Learning Neural Network)
sherlock31415931
ML神经网络深度学习人工智能tensorflownumpy
DNN(Deep-LearningNeuralNetwork)接下来介绍比较常见的全连接层网络(fully-connectedfeedfowardneruralnetwork)名词解释首先介绍一下神经网络的基本架构,以一个神经元为例输入是一个向量,权重(weights)也是一个矩阵把两个矩阵进行相乘,最后加上偏差(bias),即w1*x1+w2*x2+b神经元里面会有一个激活函数(activati
- AlexNet详解
tt丫
深度学习人工智能深度学习神经网络AlexNet
入门小菜鸟,希望像做笔记记录自己学的东西,也希望能帮助到同样入门的人,更希望大佬们帮忙纠错啦~侵权立删。✨完整代码在我的github上,有需要的朋友可以康康✨GitHub-tt-s-t/Deep-Learning:Storesomeofyourownin-depthlearningcode,whichiscurrentlyintheupdatestage.Thecontentcovers:each
- 论文解读:ProteinBERT: a universal deep-learning model of protein sequence and function
wangpan007
生信论文神经网络python编程深度学习神经网络python
目录1.研究背景2.研究数据2.1预训练的蛋白质数据集2.2蛋白质基准数据集3.研究方法3.1序列和标注编码3.2蛋白质序列和注释的自我监督预训练3.3对蛋白质基准进行监督微调3.4深度学习框架4.结果4.1预训练可以改善蛋白质模型4.2ProteinBERT在不同的蛋白质基准上达到了近乎最先进的结果4.4全局注意力机制的理解5.结论作者单位:耶路撒冷希伯来大学发表期刊:《Bioinformati
- 【U-Net2015】U-Net: Convolutional Networks for Biomedical Image Segmentation mage Segmentation
不会声调的博er
深度学习caffe计算机视觉
U-Net:ConvolutionalNetworksforBiomedicalmageSegmentation生物医学图像语义分割的卷积神经网络arXiv:1505.04597v1[cs.CV]18May2015文章地址:https://arxiv.org/abs/1505.04597代码地址:https://github.com/Jack-Cherish/Deep-Learning/tree/
- apache 安装linux windows
墙头上一根草
apacheinuxwindows
linux安装Apache 有两种方式一种是手动安装通过二进制的文件进行安装,另外一种就是通过yum 安装,此中安装方式,需要物理机联网。以下分别介绍两种的安装方式
通过二进制文件安装Apache需要的软件有apr,apr-util,pcre
1,安装 apr 下载地址:htt
- fill_parent、wrap_content和match_parent的区别
Cb123456
match_parentfill_parent
fill_parent、wrap_content和match_parent的区别:
1)fill_parent
设置一个构件的布局为fill_parent将强制性地使构件扩展,以填充布局单元内尽可能多的空间。这跟Windows控件的dockstyle属性大体一致。设置一个顶部布局或控件为fill_parent将强制性让它布满整个屏幕。
2) wrap_conte
- 网页自适应设计
天子之骄
htmlcss响应式设计页面自适应
网页自适应设计
网页对浏览器窗口的自适应支持变得越来越重要了。自适应响应设计更是异常火爆。再加上移动端的崛起,更是如日中天。以前为了适应不同屏幕分布率和浏览器窗口的扩大和缩小,需要设计几套css样式,用js脚本判断窗口大小,选择加载。结构臃肿,加载负担较大。现笔者经过一定时间的学习,有所心得,故分享于此,加强交流,共同进步。同时希望对大家有所
- [sql server] 分组取最大最小常用sql
一炮送你回车库
SQL Server
--分组取最大最小常用sql--测试环境if OBJECT_ID('tb') is not null drop table tb;gocreate table tb( col1 int, col2 int, Fcount int)insert into tbselect 11,20,1 union allselect 11,22,1 union allselect 1
- ImageIO写图片输出到硬盘
3213213333332132
javaimage
package awt;
import java.awt.Color;
import java.awt.Font;
import java.awt.Graphics;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imagei
- 自己的String动态数组
宝剑锋梅花香
java动态数组数组
数组还是好说,学过一两门编程语言的就知道,需要注意的是数组声明时需要把大小给它定下来,比如声明一个字符串类型的数组:String str[]=new String[10]; 但是问题就来了,每次都是大小确定的数组,我需要数组大小不固定随时变化怎么办呢? 动态数组就这样应运而生,龙哥给我们讲的是自己用代码写动态数组,并非用的ArrayList 看看字符
- pinyin4j工具类
darkranger
.net
pinyin4j工具类Java工具类 2010-04-24 00:47:00 阅读69 评论0 字号:大中小
引入pinyin4j-2.5.0.jar包:
pinyin4j是一个功能强悍的汉语拼音工具包,主要是从汉语获取各种格式和需求的拼音,功能强悍,下面看看如何使用pinyin4j。
本人以前用AscII编码提取工具,效果不理想,现在用pinyin4j简单实现了一个。功能还不是很完美,
- StarUML学习笔记----基本概念
aijuans
UML建模
介绍StarUML的基本概念,这些都是有效运用StarUML?所需要的。包括对模型、视图、图、项目、单元、方法、框架、模型块及其差异以及UML轮廓。
模型、视与图(Model, View and Diagram)
&
- Activiti最终总结
avords
Activiti id 工作流
1、流程定义ID:ProcessDefinitionId,当定义一个流程就会产生。
2、流程实例ID:ProcessInstanceId,当开始一个具体的流程时就会产生,也就是不同的流程实例ID可能有相同的流程定义ID。
3、TaskId,每一个userTask都会有一个Id这个是存在于流程实例上的。
4、TaskDefinitionKey和(ActivityImpl activityId
- 从省市区多重级联想到的,react和jquery的差别
bee1314
jqueryUIreact
在我们的前端项目里经常会用到级联的select,比如省市区这样。通常这种级联大多是动态的。比如先加载了省,点击省加载市,点击市加载区。然后数据通常ajax返回。如果没有数据则说明到了叶子节点。 针对这种场景,如果我们使用jquery来实现,要考虑很多的问题,数据部分,以及大量的dom操作。比如这个页面上显示了某个区,这时候我切换省,要把市重新初始化数据,然后区域的部分要从页面
- Eclipse快捷键大全
bijian1013
javaeclipse快捷键
Ctrl+1 快速修复(最经典的快捷键,就不用多说了)Ctrl+D: 删除当前行 Ctrl+Alt+↓ 复制当前行到下一行(复制增加)Ctrl+Alt+↑ 复制当前行到上一行(复制增加)Alt+↓ 当前行和下面一行交互位置(特别实用,可以省去先剪切,再粘贴了)Alt+↑ 当前行和上面一行交互位置(同上)Alt+← 前一个编辑的页面Alt+→ 下一个编辑的页面(当然是针对上面那条来说了)Alt+En
- js 笔记 函数
征客丶
JavaScript
一、函数的使用
1.1、定义函数变量
var vName = funcation(params){
}
1.2、函数的调用
函数变量的调用: vName(params);
函数定义时自发调用:(function(params){})(params);
1.3、函数中变量赋值
var a = 'a';
var ff
- 【Scala四】分析Spark源代码总结的Scala语法二
bit1129
scala
1. Some操作
在下面的代码中,使用了Some操作:if (self.partitioner == Some(partitioner)),那么Some(partitioner)表示什么含义?首先partitioner是方法combineByKey传入的变量,
Some的文档说明:
/** Class `Some[A]` represents existin
- java 匿名内部类
BlueSkator
java匿名内部类
组合优先于继承
Java的匿名类,就是提供了一个快捷方便的手段,令继承关系可以方便地变成组合关系
继承只有一个时候才能用,当你要求子类的实例可以替代父类实例的位置时才可以用继承。
在Java中内部类主要分为成员内部类、局部内部类、匿名内部类、静态内部类。
内部类不是很好理解,但说白了其实也就是一个类中还包含着另外一个类如同一个人是由大脑、肢体、器官等身体结果组成,而内部类相
- 盗版win装在MAC有害发热,苹果的东西不值得买,win应该不用
ljy325
游戏applewindowsXPOS
Mac mini 型号: MC270CH-A RMB:5,688
Apple 对windows的产品支持不好,有以下问题:
1.装完了xp,发现机身很热虽然没有运行任何程序!貌似显卡跑游戏发热一样,按照那样的发热量,那部机子损耗很大,使用寿命受到严重的影响!
2.反观安装了Mac os的展示机,发热量很小,运行了1天温度也没有那么高
&nbs
- 读《研磨设计模式》-代码笔记-生成器模式-Builder
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/
/**
* 生成器模式的意图在于将一个复杂的构建与其表示相分离,使得同样的构建过程可以创建不同的表示(GoF)
* 个人理解:
* 构建一个复杂的对象,对于创建者(Builder)来说,一是要有数据来源(rawData),二是要返回构
- JIRA与SVN插件安装
chenyu19891124
SVNjira
JIRA安装好后提交代码并要显示在JIRA上,这得需要用SVN的插件才能看见开发人员提交的代码。
1.下载svn与jira插件安装包,解压后在安装包(atlassian-jira-subversion-plugin-0.10.1)
2.解压出来的包里下的lib文件夹下的jar拷贝到(C:\Program Files\Atlassian\JIRA 4.3.4\atlassian-jira\WEB
- 常用数学思想方法
comsci
工作
对于搞工程和技术的朋友来讲,在工作中常常遇到一些实际问题,而采用常规的思维方式无法很好的解决这些问题,那么这个时候我们就需要用数学语言和数学工具,而使用数学工具的前提却是用数学思想的方法来描述问题。。下面转帖几种常用的数学思想方法,仅供学习和参考
函数思想
把某一数学问题用函数表示出来,并且利用函数探究这个问题的一般规律。这是最基本、最常用的数学方法
- pl/sql集合类型
daizj
oracle集合typepl/sql
--集合类型
/*
单行单列的数据,使用标量变量
单行多列数据,使用记录
单列多行数据,使用集合(。。。)
*集合:类似于数组也就是。pl/sql集合类型包括索引表(pl/sql table)、嵌套表(Nested Table)、变长数组(VARRAY)等
*/
/*
--集合方法
&n
- [Ofbiz]ofbiz初用
dinguangx
电商ofbiz
从github下载最新的ofbiz(截止2015-7-13),从源码进行ofbiz的试用
1. 加载测试库
ofbiz内置derby,通过下面的命令初始化测试库
./ant load-demo (与load-seed有一些区别)
2. 启动内置tomcat
./ant start
或
./startofbiz.sh
或
java -jar ofbiz.jar
&
- 结构体中最后一个元素是长度为0的数组
dcj3sjt126com
cgcc
在Linux源代码中,有很多的结构体最后都定义了一个元素个数为0个的数组,如/usr/include/linux/if_pppox.h中有这样一个结构体: struct pppoe_tag { __u16 tag_type; __u16 tag_len; &n
- Linux cp 实现强行覆盖
dcj3sjt126com
linux
发现在Fedora 10 /ubutun 里面用cp -fr src dest,即使加了-f也是不能强行覆盖的,这时怎么回事的呢?一两个文件还好说,就输几个yes吧,但是要是n多文件怎么办,那还不输死人呢?下面提供三种解决办法。 方法一
我们输入alias命令,看看系统给cp起了一个什么别名。
[root@localhost ~]# aliasalias cp=’cp -i’a
- Memcached(一)、HelloWorld
frank1234
memcached
一、简介
高性能的架构离不开缓存,分布式缓存中的佼佼者当属memcached,它通过客户端将不同的key hash到不同的memcached服务器中,而获取的时候也到相同的服务器中获取,由于不需要做集群同步,也就省去了集群间同步的开销和延迟,所以它相对于ehcache等缓存来说能更好的支持分布式应用,具有更强的横向伸缩能力。
二、客户端
选择一个memcached客户端,我这里用的是memc
- Search in Rotated Sorted Array II
hcx2013
search
Follow up for "Search in Rotated Sorted Array":What if duplicates are allowed?
Would this affect the run-time complexity? How and why?
Write a function to determine if a given ta
- Spring4新特性——更好的Java泛型操作API
jinnianshilongnian
spring4generic type
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JDK
liuxingguome
centos
1、行卸载原来的:
[root@localhost opt]# rpm -qa | grep java
tzdata-java-2014g-1.el6.noarch
java-1.7.0-openjdk-1.7.0.65-2.5.1.2.el6_5.x86_64
java-1.6.0-openjdk-1.6.0.0-11.1.13.4.el6.x86_64
[root@localhost
- 二分搜索专题2-在有序二维数组中搜索一个元素
OpenMind
二维数组算法二分搜索
1,设二维数组p的每行每列都按照下标递增的顺序递增。
用数学语言描述如下:p满足
(1),对任意的x1,x2,y,如果x1<x2,则p(x1,y)<p(x2,y);
(2),对任意的x,y1,y2, 如果y1<y2,则p(x,y1)<p(x,y2);
2,问题:
给定满足1的数组p和一个整数k,求是否存在x0,y0使得p(x0,y0)=k?
3,算法分析:
(
- java 随机数 Math与Random
SaraWon
javaMathRandom
今天需要在程序中产生随机数,知道有两种方法可以使用,但是使用Math和Random的区别还不是特别清楚,看到一篇文章是关于的,觉得写的还挺不错的,原文地址是
http://www.oschina.net/question/157182_45274?sort=default&p=1#answers
产生1到10之间的随机数的两种实现方式:
//Math
Math.roun
- oracle创建表空间
tugn
oracle
create temporary tablespace TXSJ_TEMP
tempfile 'E:\Oracle\oradata\TXSJ_TEMP.dbf'
size 32m
autoextend on
next 32m maxsize 2048m
extent m
- 使用Java8实现自己的个性化搜索引擎
yangshangchuan
javasuperword搜索引擎java8全文检索
需要对249本软件著作实现句子级别全文检索,这些著作均为PDF文件,不使用现有的框架如lucene,自己实现的方法如下:
1、从PDF文件中提取文本,这里的重点是如何最大可能地还原文本。提取之后的文本,一个句子一行保存为文本文件。
2、将所有文本文件合并为一个单一的文本文件,这样,每一个句子就有一个唯一行号。
3、对每一行文本进行分词,建立倒排表,倒排表的格式为:词=包含该词的总行数N=行号