Claroja
Claroja

卷积含义

#1.卷积含义以及边缘检测应用
##1.1
"*"是卷积的意思（convolution）
3x3的过滤器filter（核kernel）对6x6的矩阵进行卷积，可以形成4x4的矩阵，因为它横向可以移动4次，纵向可以移动4次。
每一步卷积是对应位置相乘并相加。
卷积含义_第1张图片

横向第一次卷积

卷积含义_第2张图片

横向第二次卷积

卷积含义_第3张图片

纵向第一次横向第一次卷积

卷积含义_第4张图片

纵向第4次横向第4次卷积

##1.2边缘检测实例
垂直边缘检测的结果如图
卷积含义_第5张图片

垂直边缘检测的结果 边缘检测可辨识颜色的变化 ![这里写图片描述](https://img-blog.csdn.net/20180903161654109?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
边缘检测可辨识颜色的变化

还可以进行水平边缘检测
卷积含义_第6张图片

水平边缘检测 可通过学习找到最合适的边缘检测filter ![这里写图片描述](https://img-blog.csdn.net/20180903161847186?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
学习出最优边缘检测filter

#2.padding
##2.1 pading的原理
由于原始矩阵边缘元素在卷积过程中只被用到一次，会造成信息的丢失，所以我们可以给原始矩阵加一个padding。
卷积含义_第7张图片

增加padding ##2.2padding添加的原则 使得输出的矩阵和原始矩阵一样大小 ![这里写图片描述](https://img-blog.csdn.net/20180903162113302?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
增加padding的原则

#3.步长stride
步长是设置filter移动的间距
卷积含义_第8张图片
总结步长的间距来计算总共filter多少个子矩阵，既最后输出多少的矩阵
卷积含义_第9张图片

你可能感兴趣的:(人工神经网络)

  • 【人工智能之深度学习】1. 深度学习基石：神经元模型与感知机的数学本质（附代码实现与收敛性证明） AI_DL_CODE 人工智能之深度学习人工智能深度学习神经元模型感知机赫布法则深度学习基础线性可分
    摘要：作为深度学习的基础单元，神经元模型与感知机承载着从生物智能到人工神经网络的桥梁作用。本文从生物神经元的工作机制出发，系统剖析数学建模过程：详解赫布法则的权重更新原理（Δwi=η·xi·y），推导McCulloch-Pitts神经元模型的数学表达（y=Θ(∑wixi−b)），重点证明感知机在linear可分情况下的收敛性——通过Novikoff定理严格推导迭代次数上界，揭示间隔γ对收敛速度的影
  • 人工神经网络的拓扑结构,神经网络的神经元结构 快乐的小蓝猫 神经网络深度学习人工智能rnn
    bp神经网络BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经
  • 开源人工神经网络库（OpenANN） deepdata_cn 人工智能神经网络
    OpenANN（OpenANN，OpenArtificialNeuralNetworkLibrary）是一个开源的人工神经网络库，基于C++编写，依赖Eigen3库进行高效的矩阵运算，使用CMake进行项目构建，支持多种神经网络架构，包括前馈神经网络、卷积神经网络和循环神经网络等，适用于图像识别、自然语言处理、时间序列预测等多种场景。提供数据预处理、模型保存和加载、超参数优化等功能。支持GPU加速
  • 目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究（续） 林聪木 目标检测YOLO深度学习
    目录基于双蓝图卷积的轻量化自动驾驶目标检测算法5.1引言5.2DarkNet53网络冗余性分析5.3双蓝图卷积网络5.4实验结果及分析基于深度学习的自动驾驶目标检测算法研究与应用传统的目标检测算法目标检测基线算法性能对比与选择相关理论和算法基础2.1引言2.2人工神经网络2.3FCOS目标检测算法2.4复杂交通场景下的目标检测难点与FCOS改进方案基于FCOS的目标检测算法改进3.1引言3.2Re
  • 重生学AI第十五集：学习非线性激活函数
    背景知识激活是什么意思？“激活”一词来源于生物学神经系统，在人的大脑中，存在着大量的神经元。每个神经元在接收到足够强的刺激时，会被激活，产生电信号并传递给其他神经元。这些电信号在神经网络中层层流动，最终形成了大脑对外界信息的反应。神经元就等同于人工神经网络中的基本计算单元，每一个网络层都包含着许多这样的神经元，激活函数就是为了能够判断输入是否达到“激活”标准，达到激活标准，则会影响后续计算，反之，
  • 蒙特卡罗方法与深度学习的关系 AGI大模型与大数据研究院 AI大模型应用开发实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    蒙特卡罗方法与深度学习的关系作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来蒙特卡罗方法和深度学习都是近年来在计算科学和人工智能领域取得重大突破的技术。蒙特卡罗方法是一种基于随机抽样的数值计算方法，广泛应用于物理、工程、金融等领域。深度学习则是一种基于人工神经网络的学习方法，在图像识别、语音识别、自然语言处理等领域取得了显
  • KANN 是一个独立的轻量级 C 语言库，用于构建和训练中小型人工神经网络，例如多层感知器、卷积神经网络和递归神经网络（包括 LSTM 和 GRU）。它实现了基于图的逆模自动微分，并允许构建具有递归等
    一、软件介绍文末提供程序和源码下载KANN是一个独立的轻量级C语言库，用于构建和训练中小型人工神经网络，例如多层感知器、卷积神经网络和递归神经网络（包括LSTM和GRU）。它实现了基于图的逆模自动微分，并允许构建具有递归、共享权重和多个输入/输出/成本的拓扑复杂神经网络。与TensorFlow等主流深度学习框架相比，KANN的可扩展性较低，但它的灵活性接近，代码库要小得多，并且仅依赖于标准C库。与
  • AI人工智能 神经网络 马里亚纳海沟网 人工智能神经网络深度学习笔记运维全文检索搜索引擎
    **AI人工智能神经网络概述**神经网络是并行计算设备，它们试图构建大脑的计算机模型。背后的主要目标是开发一个系统来执行各种计算任务比传统系统更快。这些任务包括模式识别和分类，近似，优化和数据聚类什么是人工神经网络(ANN)人工神经网络(ANN)是一个高效的计算系统，其核心主题是借用生物神经网络的类比。人工神经网络也被称为人工神经系统，并行分布式处理系统和连接系统。ANN获取了大量以某种模式相互连
  • CIANNA由天体物理学家提供/为天体物理学家提供的卷积交互式人工神经网络 struggle2025 神经网络
    一、软件介绍文末提供程序和源码下载CIANNA是一个通用的深度学习框架，主要用于天文数据分析。根据天体物理问题解决的相关性添加功能和优化。CIANNA可用于为各种任务构建和训练大型神经网络模型，并提供高级Python接口（类似于keras、pytorch等）。CIANNA的特点之一是它定制实施了受YOLO启发的对象探测器，用于2D或3D射电天文数据产品中的星系探测。该框架通过低级CUDA编程完全实
  • 人工神经网络：架构原理与技术解析 weixin_47233946 架构
    ##引言在深度学习和人工智能领域，人工神经网络（ArtificialNeuralNetwork,ANN）作为模拟人脑认知机制的核心技术，已在图像识别、自然语言处理和强化学习等领域实现了革命性突破。从AlphaGo击败人类顶尖棋手到ChatGPT的对话生成能力，ANN的进化持续推动技术边界的扩展。本文将深入剖析人工神经网络的核心原理、技术实现与发展趋势。##一、基础概念与数学模型###1.1生物启发
  • 人工神经网络：单层神经网络(感知器)
    一、神经网络介绍1、生物学起源与基本概念(1)生物神经网络启发人类大脑由约860亿个神经元组成，这些神经元通过突触相互连接，形成复杂网络。当外界刺激传入时，神经元会传递电信号并释放化学物质（神经递质），从而实现信息处理。人工神经网络正是模仿这一机制，通过数学模型构建“人工神经元”和“连接权重”。(2)人工神经网络的定义：由大量人工神经元（节点）相互连接构成的计算系统，通过调整节点间的连接权重来学习
  • 深度学习——激活函数 笨小古 深度强化学习深度学习人工智能
    深度学习——激活函数激活函数是人工是人工神经网络中一个关键的组成部分，它被设计用来引入非线性特性到神经网络模型中，使神经网络能够学习和逼近复杂的非线性映射关系。1.引入非线性能力没有激活函数的神经网络本质上只是线性变换的叠加，无论多少层也只能表示线性函数，能力有限。激活函数使网络可以逼近任意复杂函数（依据万能逼近定理）2.控制信息流动某些激活函数可以抑制部分神经元的输出（如ReLU），是模型更稀疏
  • 第1天：认识RNN及RNN初步实验（预测下一个数字） deflag 人工智能学习rnn人工智能深度学习
    RNN（循环神经网络）是一种专门设计用来处理序列数据的人工神经网络。它的核心思想是能够“记住”之前处理过的信息，并将其用于当前的计算，这使得它非常适合处理具有时间顺序或上下文依赖关系的数据。核心概念：循环连接RNN与普通的前馈神经网络（如多层感知机）最根本的区别在于它引入了循环连接：输入序列：RNN接收一个序列作为输入，例如：一个句子（单词序列）一段语音（音频帧序列）股票价格（时间点上的价格序列）
  • 动手学深度学习笔记1 a3040218 深度学习深度学习笔记人工智能
    介绍定义：深度学习是一类基于人工神经网络的机器学习技术，通过构建具有多个层次的神经网络模型，让计算机自动从大量数据中学习特征和模式。它模拟人类大脑的神经元结构，通过大量神经元之间的相互连接和信息传递，实现对复杂数据的学习和理解。Tips:与传统机器学习的区别：传统机器学习通常需要人工手动设计特征，这依赖于领域专家的经验和知识，且设计的特征往往具有局限性。而深度学习能够自动从数据中学习到复杂的特征表
  • AI 绘画工具原理揭秘：从文字到图像的魔法 JXY_AI 人工智能ai绘画
    在当今数字化时代，AI绘画工具以其神奇的魔力，让人们只需输入简单的文字描述，就能瞬间生成精美的图像。这种从文字到图像的奇妙转换，仿佛为我们开启了一扇通往魔法世界的大门，极大地激发了创作者的灵感，降低了创作门槛，使艺术创作变得更加触手可及。今天，就让我们一同深入探索AI绘画工具背后的技术原理，揭开这层神秘的面纱。AI绘画的技术基石深度学习与神经网络AI绘画的核心技术之一是深度学习，它基于人工神经网络
  • 基于simulink的神经网络控制策略的三相逆变器仿真 amy_mhd 神经网络人工智能深度学习
    目录一、准备工作二、步骤详解1.启动Simulink并创建新模型2.构建三相逆变器基础模型3.设计神经网络控制器数据准备与预处理创建并训练神经网络4.集成神经网络控制器到Simulink模型5.增加示波器观察输出6.配置仿真参数7.运行仿真并分析结果示例代码片段神经网络控制（NeuralNetworkControl）是一种基于人工神经网络的智能控制方法，它能够通过学习系统的行为来实现对复杂非线性系
  • 【深度学习】6. 卷积神经网络，CNN反向传播，感受野，池化变种,局部连接机制，可视化实例 pen-ai 深度学习机器学习深度学习cnn人工智能
    卷积神经网络（ConvolutionalNeuralNetworks）一、卷积神经网络的历史发展Neocognitron（1980）由KunihikoFukushima提出，Neocognitron是最早模拟人类视觉皮层结构的人工神经网络架构。它具备层级结构与局部连接机制，可以实现位置不变性的图像识别，是现代CNN的雏形。LeNet-5（1998）YannLeCun等人提出了LeNet-5，这是第
  • 一文搞懂神经网络：从原理到 Python 实战 -Student 神经网络python人工智能卷积神经网络机器学习深度学习大数据
    一、神经网络的定义与分类1.1神经网络的基本概念人工神经网络（ArtificialNeuralNetwork，ANN）的设计灵感源于生物大脑中神经元的工作机制。在生物神经系统中，神经元是基本的信息处理单元，它通过树突接收来自其他神经元的信号，这些信号在细胞体中进行整合，当整合后的信号强度超过一定阈值时，神经元就会被激活，并通过轴突将信号传递给其他神经元。神经元之间通过突触相连，突触的强度决定了信号
  • 简单神经网络（ANN）实现：从零开始构建第一个模型 赵青临的辉 深入人工智能：从基础到实战神经网络人工智能深度学习
    本文将手把手带你用Python+Numpy实现一个最基础的人工神经网络（ArtificialNeuralNetwork,ANN）。不依赖任何深度学习框架，适合入门理解神经网络的本质。一、项目目标构建一个三层神经网络（输入层、隐藏层、输出层），用于解决一个简单的二分类任务，例如根据两个输入特征判断输出是0还是1。二、基本结构说明我们将构建如下结构的神经网络：复制编辑输入层（2个神经元）→隐藏层（4个
  • 一文解析13大神经网络算法模型架构 攻城狮7号 AI前沿技术要闻深度学习神经网络人工智能机器学习
    目录一、引言：神经网络的演进脉络二、基础架构：深度学习的基石2.1人工神经网络（ANN）2.2深度神经网络（DNN）三、专项任务架构：领域定制化突破3.1卷积神经网络（CNN）3.2循环神经网络（RNN）3.3图神经网络（GNN）四、生成模型：从数据到创造4.1生成对抗网络（GAN）4.2变分自编码器（VAE）4.3扩散模型（DiffusionModels）五、现代架构：大模型的核心引擎5.1Tr
  • 深入解析BP神经网络：从理论到实践 语文乌托邦
    本文还有配套的精品资源，点击获取简介：BP神经网络是一种通过反向传播算法实现权重更新的人工神经网络模型，广泛应用于多种任务。本文献深入探讨了BP神经网络的结构、前向传播、激活函数、误差函数、反向传播算法、梯度下降、学习率、权重初始化、过拟合与正则化、早停策略、批量与随机梯度下降、学习率衰减、动量法与Adam优化器，以及训练集、验证集与测试集等关键概念。通过这些基础知识，读者将能够理解并应用BP神经
  • 神经网络的概念和基本用法 大数据技术派 概率论与数理统计神经网络人工智能深度学习
    什么是人工神经网络，我的理解就是：举个不太恰当的例子，当你训练你的狗时，第一次给它一个橘子，跟它说这是橘子；下一次再给它橘子，看它还认不认识，如果不认识，继续告诉他，直到狗可以认出橘子为止。那么下次你就可以给它拿一个香蕉，问它这是不是橘子，如果它说不是，说明它已经被训练的差不多了。我们来看一下官方定义：神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函
  • python画sigmoid函数_基于Python的sigmoid函数FPGA实现 weixin_39624360
    基于Python的sigmoid函数FPGA实现刘毅飞【摘要】sigmoid函数是人工神经网络中通常采用的传递函数，采用基于Python的软硬件协同设计方法，在FPGA上实现了定点sigmoid函数。实验结果表明采用基于Python的软硬件协同设计方法，可以利用Python上大量的包和模块从而大幅度提高系统设计、仿真和校验的效率，并且能将软件算法快速有效地转换为硬件实现，在整个软硬件设计过程中仅采
  • 基于全连接神经网络的minist数据集分类 ʚɞ 短腿欧尼 神经网络人工智能全连接神经网络minist数据集
    1.构建全连接神经网络全连接神经网络介绍：全连接神经网络（FullyConnectedNeuralNetwork，FCNN）是一种经典的人工神经网络结构，它将每个神经元与前一层的所有神经元相连，形成一个密集的网络。FCNN广泛应用于各种机器学习任务，例如图像分类、语音识别和自然语言处理等。结构包含：输入层：接收输入数据，例如图像像素值、文本向量等。隐藏层：由多个神经元组成，每个神经元都与前一层的所
  • 多层感知机神经网络与损失函数 笔记 无敌的六边形狗勾战士 神经网络笔记人工智能
    1.算法背景使用算法模拟人脑进行智能运算的结构与模型被称为神经网络。人工神经网络简称神经网络，是一种模拟生物神经网络的算法结构与模型。人工神经元主要使用函数来模拟神经元对信息的处理过程。在神经网络中，神经元不是单个出现的，一个神经元的输入可以来源于外界，也可以来源于上一个神经元。2.算法原理2.1神经元神经网络的基本的单位是神经元，每个神经元都有输入并产生单个输出。这个输出可以发射到多个其他的神经
  • 深度学习应用 胡萝卜不甜 机器学习深度学习人工智能机器学习
    1.深度学习概述1.1定义与发展深度学习是机器学习的一个子领域，它基于人工神经网络的学习算法，通过模拟人脑的神经网络结构来处理数据和创建模式。深度学习的发展可以追溯到20世纪40年代，但直到21世纪初，随着计算能力的提升和大数据的可用性，深度学习才开始取得显著的进展。定义：深度学习模型由多层的神经网络构成，每一层都包含多个神经元，这些神经元能够学习数据的复杂特征。深度学习模型能够自动从原始数据中提
  • 诺奖现场采访2024物理学得主Hinton：当前AI革命堪比工业革命，且将在智力上全面超越人类 AIBigModel 人工智能
    当地时间昨天，2024年10月8日，瑞典皇家科学院宣布将本年度诺贝尔物理学奖授予两位被誉为'AI教父'的科学家：约翰·J·霍普菲尔德（JohnJ.Hopfield）和杰弗里·E·辛顿（GeoffreyE.Hinton）。该奖项旨在表彰他们在使用人工神经网络进行机器学习方面的基础性发现和发明。在现场，发言人通过手机连线采访了杰弗里·辛顿教授。辛顿教授对人工智能的未来发展前景表示乐观，他指出：'人工智
  • 大模型训练、多模态数据处理与融合 百度_开发者中心 人工智能大模型自然语言处理
    人工智能（AI）领域近年来取得了显著的进步，其中大模型训练和多模态数据处理技术发挥了至关重要的作用。大模型是指具有巨大参数量和计算能力的人工神经网络模型，而多模态数据处理则是指在一个系统或模型中同时处理多种类型的数据，如文本、图像、音频等。一、大模型训练随着硬件和算法的进步，如GPT（GenerativePre-trainedTransformer）系列模型和BERT（BidirectionalE
  • 深度学习3——神经网络与反向传播 DUTBenjamin 深度学习深度学习神经网络人工智能
    一、多层感知机1.1单层感知机1943年，麦卡洛克和皮兹提出MCP模型，开启了人工神经网络的大门。该模型模拟人的神经元反应过程，对输入信号进行线性加权、求和后，再通过非线性激活（阈值法）输出。其数学表达式为：y=f(∑i=1nwixi+b)y=f\left(\sum_{i=1}^{n}w_{i}x_{i}+b\right)y=f(i=1∑nwixi+b)其中，xix_ixi是输入信号，wiw_iw
  • 多层感知机（MLP）——深度学习 搬砖的阿wei 人工智能算法机器学习python深度学习计算机视觉
    1.感知机1.1什么是感知机感知机是一种最简单的人工神经网络模型，它模拟了生物神经元的工作原理，基本结构是单个神经元，接收多个输入信号，将每个输入乘以对应的权重，求和后加上偏置，再经过一个激活函数处理输出结果。数学模型可以表示为：，其中是输入值，是权重，是偏置,是激活函数，常见的激活函数如修正线性单元（Rectifiedlinearunit，ReLU）。1.2感知机的局限性感知机只能处理线性可分的
  • Java常用排序算法/程序员必须掌握的8大排序算法 cugfy java
    分类： 1）插入排序（直接插入排序、希尔排序） 2）交换排序（冒泡排序、快速排序） 3）选择排序（直接选择排序、堆排序） 4）归并排序 5）分配排序（基数排序） 所需辅助空间最多：归并排序 所需辅助空间最少：堆排序 平均速度最快：快速排序 不稳定：快速排序，希尔排序，堆排序。 先来看看8种排序之间的关系：   1.直接插入排序 （1
  • 【Spark102】Spark存储模块BlockManager剖析 bit1129 manager
    Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
  • linux 查看端口被占用情况详解 daizj linux端口占用netstatlsof
    经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序   1、lsof -i:port port为端口号   [root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080 COMMAND   PID USER   FD   TY
  • Hosts文件使用 周凡杨 hostslocahost
         一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
  • java excel工具 g21121 Java excel
    直接上代码，一看就懂，利用的是jxl： import java.io.File; import java.io.IOException; import jxl.Cell; import jxl.Sheet; import jxl.Workbook; import jxl.read.biff.BiffException; import jxl.write.Label; import
  • web报表工具finereport常用函数的用法总结（数组函数） 老A不折腾 finereportweb报表函数总结
    ADD2ARRAY ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。 示例： ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7]. ADDARRAY([3,4, 1, 5, 7], "测试&q
  • 游戏服务器网络带宽负载计算 墙头上一根草 服务器
    家庭所安装的4M，8M宽带。其中M是指，Mbits/S 其中要提前说明的是： 8bits = 1Byte 即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。 8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。 我是在计算我们网络流量时想到的
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans Spring 3 系列
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • 高性能mysql 之 选择存储引擎(一) annan211 mysqlInnoDBMySQL引擎存储引擎
    1 没有特殊情况，应尽可能使用InnoDB存储引擎。   原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她   被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃   恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
  • UDP网络编程 百合不是茶 UDP编程局域网组播
      UDP是基于无连接的,不可靠的传输   与TCP/IP相反       UDP实现私聊,发送方式客户端,接受方式服务器 package netUDP_sc; import java.net.DatagramPacket; import java.net.DatagramSocket; import java.net.Ine
  • JQuery对象的val()方法执行结果分析 bijian1013 JavaScriptjsjquery
            JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。        
  • http请求测试实例（采用json-lib解析） bijian1013 jsonhttp
            由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。 package com; import java.util.HashMap; import java.util.Map; import
  • 【RPC框架Hessian四】Hessian与Spring集成 bit1129 hessian
    在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。   定义模型、接口和服务器端代码 |---Model    &nb
  • 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析 bit1129 Mahout
    1.Mahout环境搭建  1.下载Mahout http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz    2.解压Mahout  3. 配置环境变量 vim /etc/profile export HADOOP_HOME=/home
  • nginx负载tomcat遇非80时的转发问题 ronin47
    　　nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port        详细如下： 　　 该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的： ? 1 2 3 4 5
  • java-17-在一个字符串中找到第一个只出现一次的字符 bylijinnan java
    public class FirstShowOnlyOnceElement { /**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b * 1.int[] count:count[i]表示i对应字符出现的次数 * 2.将26个英文字母映射：a-z <--> 0-25 * 3.假设全部字母都是小写 */ pu
  • mongoDB 复制集 开窍的石头 mongodb
    mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题             mo
  • [宇宙与天文]宇宙时代的经济学 comsci 经济
        宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。      在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源      以目前地球上国家的经济发展水平来讲，
  • Git忽略文件 Cwind git
         有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。 ==== ==== ==== 一些牢骚
  • MySQL连接数据库的必须配置 dashuaifu mysql连接数据库配置
    MySQL连接数据库的必须配置   1.driverClass：com.mysql.jdbc.Driver   2.jdbcUrl：jdbc:mysql://localhost:3306/dbname   3.user：username   4.password：password   其中1是驱动名；2是url，这里的‘dbna
  • 一生要养成的60个习惯 dcj3sjt126com 习惯
    一生要养成的60个习惯 第1篇 让你更受大家欢迎的习惯 1 守时，不准时赴约,让别人等,会失去很多机会。 如何做到： ①该起床时就起床， ②养成任何事情都提前15分钟的习惯。 ③带本可以随时阅读的书，如果早了就拿出来读读。 ④有条理，生活没条理最容易耽误时间。 ⑤提前计划：将重要和不重要的事情岔开。 ⑥今天就准备好明天要穿的衣服。 ⑦按时睡觉，这会让按时起床更容易。 2 注重
  • [介绍]Yii 是什么 dcj3sjt126com PHPyii2
    Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。 Yii 最适合做什么？ Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
  • Linux SSH常用总结 eksliang linux sshSSHD
    转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机   格式： ssh name@remoteserver 例如： ssh [email protected]   二、连接到远程主机指定的端口   格式： ssh name@remoteserver -p 22 例如： ssh i
  • 快速上传头像到服务端工具类FaceUtil gundumw100 android
    快速迭代用 import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOExceptio
  • jQuery入门之怎么使用 ini JavaScripthtmljqueryWebcss
    jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？   首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
  • 带filter的hbase查询优化 kane_xie 查询优化hbaseRandomRowFilter
    问题描述 hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。   问题原因 直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
  • java设计模式-单例模式 men4661273 java单例枚举反射IOC
             单例模式1，饿汉模式 //饿汉式单例类.在类初始化时，已经自行实例化 public class Singleton1 { //私有的默认构造函数 private Singleton1() {} //已经自行实例化 private static final Singleton1 singl
  • mongodb 查询某一天所有信息的3种方法，根据日期查询 qiaolevip 每天进步一点点学习永无止境mongodb纵观千象
    // mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。 // 第一种方式： coll.aggregate([ {$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}}, {$match:{sendDate: '2015-
  • 二维数组转换成JSON tangqi609567707 java二维数组json
    原文出处：http://blog.csdn.net/springsen/article/details/7833596 public class Demo {     public static void main(String[] args) {        String[][] blogL
  • erlang supervisor wudixiaotie erlang
    定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他