- 机器学习-XGBoost和SHAP解析数据
python机器学习ML
机器学习人工智能数据分析python
一、引言在机器学习领域，XGBoost表现出色，具有高效性、准确性、灵活性和良好的防过拟合能力。高效性使其能快速处理大规模复杂数据，降低训练时间成本。通过组合弱学习器提高准确性和泛化能力。其支持多种任务和自定义指标，参数调优选项丰富。内置正则化机制防止过拟合。同时，SHAP对模型解释起关键作用，能计算特征的SHAP值来明确特征对预测结果的贡献，帮助理解模型决策。二、数据准备和模型训练1.导入所需库
- 图书推荐-话少不墨迹《大模型技术30讲》
_abab
图书推荐语言模型
关于本书：大模型技术30讲减少过拟合的数据方法过拟合是模型过度拟合训练数据噪声的现象，导致测试性能下降增加高质量标注数据是减少过拟合最有效的方法数据增强通过生成现有数据的变体扩展数据集，提高模型泛化能力自监督预训练可有效利用未标注数据进行模型初始化模型相关正则化方法L2正则化和权重衰减通过添加权重惩罚项约束模型复杂度Dropout通过随机禁用神经元防止对特定特征的依赖早停法通过监控验证集性能终止训
- Python 中 scikit - learn 的 Lasso 回归
PythonAI编程架构实战家
Python人工智能与大数据Python编程之道python回归kotlinai
Python中scikit-learn的Lasso回归关键词：Lasso回归、线性模型、特征选择、正则化、scikit-learn、机器学习、Python摘要：本文深入探讨了Python中scikit-learn库的Lasso回归实现。Lasso(LeastAbsoluteShrinkageandSelectionOperator)是一种线性回归的变体，它通过L1正则化实现特征选择和模型简化。我们
- 机器学习数据预处理阶段为什么需要——归一化处理
参考：https://www.cnblogs.com/bjwu/p/8977141.html通常，在DataScience中，预处理数据有一个很关键的步骤就是数据的标准化。这里主要引用sklearn文档中的一些东西来说明，主要把各个标准化方法的应用场景以及优缺点总结概括，以来充当笔记。提升模型精度在机器学习算法的目标函数(例如SVM的RBF内核或线性模型的l1和l2正则化)，许多学习算法中目标函数
- 7.机器学习-十大算法之一拉索回归（Lasso）算法原理讲解
以山河作礼。
#机器学习算法机器学习算法回归
7.机器学习-十大算法之一拉索回归（Lasso）算法原理讲解一·摘要二·个人简介三·前言四·原理讲解五·算法流程六·代码实现6.1坐标下降法6.2最小角回归法七·第三方库实现7.1scikit-learn实现（坐标下降法）：7.2scikit-learn实现（最小角回归法）：一·摘要拉索回归（LassoRegression）是一种线性回归的正则化形式，它通过引入L1范数惩罚项来实现模型的稀疏性，从
- 基于探路者算法优化的正则化极限学习机(RELM)的分类问题求解
基于探路者算法优化的正则化极限学习机(RELM)的分类问题求解文章目录基于探路者算法优化的正则化极限学习机(RELM)的分类问题求解1.RELM原理2.分类问题求解3.基于探路者算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法：若NNN
- 【人工智能面经第五期：模型训练与优化核心面试深度问答】
码上有前
PytorchPython深度学习人工智能面试职场和发展
作者：“码上有前”文章简介：人工智能面经欢迎小伙伴们点赞、收藏⭐、留言模型训练与优化核心面试深度问答摘要围绕模型训练与优化的训练技巧（正则化、迁移学习）和数据工程（数据增强、标注质量）展开，通过20个关键问题，解析正则化协同策略、迁移学习适配场景、数据增强实践等核心要点，助力读者掌握人工智能与计算机视觉岗位面试中模型训练优化的知识体系，明晰技术原理与实际应用的关联。目录训练技巧-正则化策略相关问题
- 【深度学习第六期深度学习中的归一化与正则化技术：原理、实践与应用】
码上有前
Python深度学习Pytorch深度学习人工智能cnn
作者：“码上有前”文章简介：深度学习欢迎小伙伴们点赞、收藏⭐、留言深度学习中的归一化与正则化技术：原理、实践与应用摘要：本文深入探讨深度学习中批量归一化（BN）、层归一化（LN）、标准化以及正则化等关键技术。详细阐述它们的基本原理，包括如何调整数据分布、控制模型复杂度等；通过丰富的实例和对应代码，展示在不同网络架构中这些技术的具体实现方式，以及对模型训练和性能的影响；同时，对比分析各项技术的特点和
- 【机器学习笔记Ⅰ】13 正则化代价函数
正则化代价函数（RegularizedCostFunction）详解正则化代价函数是机器学习中用于防止模型过拟合的核心技术，通过在原始代价函数中添加惩罚项，约束模型参数的大小，从而提高泛化能力。以下是系统化的解析：1.为什么需要正则化？过拟合问题：当模型过于复杂（如高阶多项式回归、深度神经网络）时，可能完美拟合训练数据但泛化性能差。解决方案：在代价函数中增加对参数的惩罚，抑制不重要的特征权重。2.
- CHAIN（GAN的一种）训练自己的数据集
这张生成的图像能检测吗
优质GAN模型训练自己的数据集生成对抗网络人工智能神经网络深度学习pytorch算法
简介简介：作者针对数据有限场景下GANs训练中的判别器过拟合问题，提出了CHAIN（Lipschitz连续性约束归一化）方法。作者首先从理论角度分析了GAN泛化误差，发现减少判别器权重梯度范数对提升泛化能力至关重要。然后深入研究了批归一化（BN）在GAN判别器中应用困难的根本原因，通过理论分析证明BN的中心化和缩放步骤会导致梯度爆炸。基于这些发现，CHAIN设计了两个核心模块：用零均值正则化替代中
- 【AI大模型面试八股文】大模型训练中如何应对灾难性遗忘问题？
一叶千舟
AI大模型应用【八股文】人工智能深度学习
目录✅面试回答模板：一、什么是灾难性遗忘？举个通俗的例子：二、灾难性遗忘是怎么发生的？常见触发情境：三、我们为什么要关注灾难性遗忘？四、主流解决方案汇总✅1.固定部分参数（FeatureExtraction）✅2.正则化策略（Regularization）✅3.回放机制（Rehearsal/Replay）✅4.参数隔离（ParameterIsolation）✅5.使用提示学习（PromptLear
- 【Torch】nn.Dropout算法详解
油泼辣子多加
深度学习算法
1.定义nn.Dropout是PyTorch中用于防止神经网络过拟合的正则化层。其核心思想是在训练阶段随机“丢弃”（置零）部分神经元的输出，以减少网络对特定神经元的过度依赖；在推理阶段则保持所有神经元输出不变。2.输入与输出输入（Input）任意形状的浮点张量（如torch.float32、torch.float64等），常见于全连接层或卷积层的激活输出。输出（Output）与输入张量形状、dty
- 经典文生图的GAN模型-HDGAN介绍
这张生成的图像能检测吗
GAN系列生成对抗网络人工智能神经网络计算机视觉深度学习机器学习
简介简介：这篇论文提出了一种名为HDGAN(Hierarchically-nestedDiscriminatorsGAN)的新方法，用于解决文本到图像合成这一挑战性任务。该方法的主要创新点包括：分层嵌套对抗目标：在网络层次结构内部引入配套的分层嵌套对抗目标，正则化中层表示并辅助生成器训练单流生成器架构：提出可扩展的单流生成器架构，更好地适应联合鉴别器并将生成图像提升到高分辨率多目的对抗损失：采用多
- 【深度学习|学习笔记】如何在深度学习中使用 正则化技术 进行模型压缩、稀疏建模和迁移学习调优？
努力毕业的小土博^_^
机器学习基础算法优质笔记2深度学习学习笔记迁移学习人工智能机器学习
【深度学习|学习笔记】如何在深度学习中使用正则化技术进行模型压缩、稀疏建模和迁移学习调优？【深度学习|学习笔记】如何在深度学习中使用正则化技术进行模型压缩、稀疏建模和迁移学习调优？文章目录【深度学习|学习笔记】如何在深度学习中使用正则化技术进行模型压缩、稀疏建模和迁移学习调优？✅一、使用正则化进行模型压缩（ModelCompression）目标：方法：L1正则化促使权重稀疏化代码示例：后续压缩步骤
- 行为正则化与顺序策略优化结合的离线多智能体学习算法
离线多智能体强化学习（MARL）是一个新兴领域，目标是在从预先收集的数据集中学习最佳的多智能体策略。随着人工智能技术的发展，多智能体系统在诸如自动驾驶、智能家居、机器人协作以及智能调度决策等方面展现了巨大的应用潜力。但现有的离线MARL方法也面临很多挑战，仍存在不协调行为和分布外联合动作的问题。为了应对这些挑战，中山大学计算机学院、美团履约平台技术部开展了学术合作项目，并取得了一些的成果，希望分享
- 【深度学习|学习笔记】什么是正则化？如何理解正则化？L0、L1、L2正则化的起源、发展、原理、应用和对比详解，附代码。
努力毕业的小土博^_^
深度学习学习笔记深度学习学习笔记人工智能机器学习
【深度学习|学习笔记】什么是正则化？如何理解正则化？L0、L1、L2正则化的起源、发展、原理、应用和对比详解，附代码。【深度学习|学习笔记】什么是正则化？如何理解正则化？L0、L1、L2正则化的起源、发展、原理、应用和对比详解，附代码。文章目录【深度学习|学习笔记】什么是正则化？如何理解正则化？L0、L1、L2正则化的起源、发展、原理、应用和对比详解，附代码。前言一、什么是正则化？为什么需要它？✅
- 【机器学习实战】Datawhale夏令营2：深度学习回顾
城主_全栈开发
机器学习机器学习深度学习人工智能
#DataWhale夏令营#ai夏令营文章目录1.深度学习的定义1.1深度学习＆图神经网络1.2机器学习和深度学习的关系2.深度学习的训练流程2.1数学基础2.1.1梯度下降法基本原理数学表达步骤学习率α梯度下降的变体2.1.2神经网络与矩阵网络结构表示前向传播激活函数反向传播批处理卷积操作参数更新优化算法正则化初始化2.2激活函数Sigmoid函数:Tanh函数:ReLU函数(Rectified
- 对SPM12的认识（二）
对SPM12的认识（二）四、SegmentDataChannel体积（Volumes）偏差正则化（Biasregularisation）偏差的FWHM（BiasFWHM）保存偏差校正图像（SaveBiasCorrected）Tissues组织组织概率图（Tissueprobabilitymap）高斯数（Num.Gaussians）原始组织（NativeTissue）变形组织（WarpedTissu
- 机器学习数据预处理：L2正则化(岭回归）
数字化与智能化
人工智能机器学习机器学习L2正则化岭回归
一、L2正则化介绍L2正则化，也称为岭回归（RidgeRegression），是一种常用的正则化方法。它在线性回归模型中通过在损失函数中添加L2范数的平方来惩罚模型的复杂度，从而防止过拟合。在线性回归中，我们的目标是最小化损失函数，通常以最小化均方误差来衡量。而L2正则化通过在损失函数中添加模型参数的L2范数的平方来进行正则化。L2范数是指模型参数的平方和的开方。正则化惩罚的目标是使模型参数尽量接
- 基于Split Bregman算法的稀疏图像重建（附带Matlab代码）
代码创造者
算法matlab人工智能Matlab
基于SplitBregman算法的稀疏图像重建（附带Matlab代码）SplitBregman算法是一种用于稀疏图像重建的优化算法，它能够有效地恢复受损的图像并保持重要的细节。本文将详细介绍SplitBregman算法的原理，并提供Matlab代码实现。算法原理SplitBregman算法是一种迭代算法，用于求解具有L1正则化项的优化问题。在图像重建中，我们希望找到一个稀疏表示来恢复受损的图像。该
- 基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测
智能算法研学社（Jack旭）
#正则极限学习机(RELM)智能优化算法应用算法回归数据挖掘
基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测文章目录基于沙猫群算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于沙猫群算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法：若NNN个训练样
- 基于战争策略算法优化的正则化极限学习机(RELM)的回归预测
基于战争策略算法优化的正则化极限学习机(RELM)的回归预测文章目录基于战争策略算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于战争策略算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法：若NNN个
- 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
- 智能光学计算成像技术前沿体系解析
m0_75133639
光电光学成像光子学生物医学材料科学计算成像技术全息成像研究生
当前光学成像领域正经历以人工智能为驱动的范式变革。本知识体系涵盖以下核心模块：基础理论层从计算成像物理模型（含波前分析、图像传感器噪声建模）切入，建立光学-算法联合优化理论框架，重点解析正则化逆问题求解（如ADMM算法）与神经表示（NeuralRepresentations）等前沿数学工具。AI融合层深度剖析深度学习在成像中的革新应用：端到端光学设计：通过可微光学模型（衍射/折射/复杂透镜）实现硬
- AI模型的泛化性的第一性原理是什么？
mao_feng
人工智能
目录**一、泛化性的第一性原理：统计学习理论的核心****1.独立同分布假设（IID）是泛化的基础****2.泛化误差：理论本质的数学刻画****3.模型复杂度与样本量的权衡****二、实现泛化的核心机制：正则化与隐式约束****1.显式正则化：复杂度惩罚****2.隐式正则化：优化过程的泛化诱导****3.数据层面的泛化增强****三、深度学习的特殊性：过参数化与泛化的悖论****1.“双下降曲
- 基于哈里斯鹰算法优化的正则化极限学习机(RELM)的回归预测
智能算法研学社（Jack旭）
#正则极限学习机(RELM)智能优化算法应用算法回归数据挖掘
基于哈里斯鹰算法优化的正则化极限学习机(RELM)的回归预测文章目录基于哈里斯鹰算法优化的正则化极限学习机(RELM)的回归预测1.RELM原理2.预测问题求解3.基于哈里斯鹰算法优化的RELM4.实验结果5.Matlab代码1.RELM原理极限学习机(ELM)具有训练速度快、泛化性能好的优点。极限学习机的结构是一种典型的单隐层前馈神经网络(SLFN)。极限学习机的结构见图RELM算法：若NNN个
- 线性回归讲解L1和L2正则化
XiaoQiong.Zhang
Datamining人工智能机器学习数据挖掘
假设我们有一个线性回归问题：用房屋的面积（size）和房龄（age）两个特征来预测房价（price）。特征：size（面积，平方米），age（房龄，年）目标：price（价格，万元）1.没有正则化的普通线性回归（最容易过拟合）模型的公式是：预测价格=w1*size+w2*age+b其中w1和w2是我们要学习的权重（也叫系数），b是偏置项（也叫截距）。模型的损失函数通常是最小均方误差：MSE=(1/
- 机器学习中的正则化（Regularization）详解
DuHz
机器学习人工智能信息与通信概率论信号处理
机器学习中的正则化（Regularization）详解正则化的本质：为什么需要它？想象一下，你正在学习一门新的语言，如果你把遇到的每一个句子都完全背诵下来，你可能在重复那些句子时表现完美，但面对新的句子时却束手无策。这就是机器学习中"过拟合"的本质。正则化就像是告诉模型"不要记住每个细节，而要学会概括规律"的一种机制。从数学角度看，正则化通过在原始损失函数中添加一个惩罚项来实现这个目标。标准的正则
- Pytorch 之torch.nn进阶第1关：正则化
ad_m1n
educoder人工智能答案深度学习pytorch神经网络
有偿提供CS的人工智能/网络空间安全方向的大学生课程设计、算法设计、项目设计的思路及实现指导；竞赛PPT、项目申报书等撰写润色等。经过“Pytorch之torch.nn初探“实训的学习，想必同学们对torch.nn有了一个初步的认识。接下来，本实训将介绍更多内容帮助同学们运用神经网络的特性。任务描述本关任务：本关提供了一个Variable类型的变量input，要求利用BatchNorm1d创建一个
- 头歌之动手学人工智能-Pytorch 之torch.nn进阶
摸鱼界在逃劳模
人工智能pytorchpython
目录第1关：正则化任务描述编程要求测试说明精神的浩瀚，想象的活跃，心灵的勤奋，就是天才。——狄德罗开始你的任务吧，祝你成功！第2关：损失函数任务描述编程要求测试说明天才，就其本质而说，只不过是一种对事业、对工作过盛的热爱而已。——高尔基开始你的任务吧，祝你成功！第3关：距离函数任务描述编程要求测试说明有了精神的实验和观测作为研究的依据，想像力便成为自然科学理论的设计师。——廷德尔开始你的任务吧，祝
- java Illegal overloaded getter method with ambiguous type for propert的解决
zwllxs
javajdk
好久不来iteye,今天又来看看，哈哈,今天碰到在编码时，反射中会抛出
Illegal overloaded getter method with ambiguous type for propert这么个东东，从字面意思看，是反射在获取getter时迷惑了，然后回想起java在boolean值在生成getter时，分别有is和getter，也许我们的反射对象中就有is开头的方法迷惑了jdk，
- IT人应当知道的10个行业小内幕
beijingjava
工作互联网
10. 虽然IT业的薪酬比其他很多行业要好，但有公司因此视你为其“佣人”。
尽管IT人士的薪水没有互联网泡沫之前要好，但和其他行业人士比较，IT人的薪资还算好点。在接下的几十年中，科技在商业和社会发展中所占分量会一直增加，所以我们完全有理由相信，IT专业人才的需求量也不会减少。
然而，正因为IT人士的薪水普遍较高，所以有些公司认为给了你这么多钱，就把你看成是公司的“佣人”，拥有你的支配
- java 实现自定义链表
CrazyMizzz
java数据结构
1.链表结构
链表是链式的结构
2.链表的组成
链表是由头节点，中间节点和尾节点组成
节点是由两个部分组成：
1.数据域
2.引用域
3.链表的实现
&nbs
- web项目发布到服务器后图片过一会儿消失
麦田的设计者
struts2上传图片永久保存
作为一名学习了android和j2ee的程序员，我们必须要意识到，客服端和服务器端的交互是很有必要的，比如你用eclipse写了一个web工程，并且发布到了服务器（tomcat）上，这时你在webapps目录下看到了你发布的web工程，你可以打开电脑的浏览器输入http://localhost:8080/工程/路径访问里面的资源。但是，有时你会突然的发现之前用struts2上传的图片
- CodeIgniter框架Cart类 name 不能设置中文的解决方法
IT独行者
CodeIgniterCart框架
今天试用了一下CodeIgniter的Cart类时遇到了个小问题，发现当name的值为中文时，就写入不了session。在这里特别提醒一下。 在CI手册里也有说明，如下：
$data = array(
'id' => 'sku_123ABC',
'qty' => 1,
'
- linux回收站
_wy_
linux回收站
今天一不小心在ubuntu下把一个文件移动到了回收站，我并不想删，手误了。我急忙到Nautilus下的回收站中准备恢复它，但是里面居然什么都没有。 后来我发现这是由于我删文件的地方不在HOME所在的分区，而是在另一个独立的Linux分区下，这是我专门用于开发的分区。而我删除的东东在分区根目录下的.Trash-1000/file目录下，相关的删除信息（删除时间和文件所在
- jquery回到页面顶端
知了ing
htmljquerycss
html代码：
<h1 id="anchor">页面标题</h1>
<div id="container">页面内容</div>
<p><a href="#anchor" class="topLink">回到顶端</a><
- B树、B-树、B+树、B*树
矮蛋蛋
B树
原文地址：
http://www.cnblogs.com/oldhorse/archive/2009/11/16/1604009.html
B树
即二叉搜索树：
1.所有非叶子结点至多拥有两个儿子（Left和Right）；
&nb
- 数据库连接池
alafqq
数据库连接池
http://www.cnblogs.com/xdp-gacl/p/4002804.html
@Anthor:孤傲苍狼
数据库连接池
用MySQLv5版本的数据库驱动没有问题，使用MySQLv6和Oracle的数据库驱动时候报如下错误：
java.lang.ClassCastException: $Proxy0 cannot be cast to java.sql.Connec
- java泛型
百合不是茶
java泛型
泛型
在Java SE 1.5之前，没有泛型的情况的下，通过对类型Object的引用来实现参数的“任意化”，任意化的缺点就是要实行强制转换，这种强制转换可能会带来不安全的隐患
泛型的特点：消除强制转换 确保类型安全 向后兼容
简单泛型的定义：
泛型：就是在类中将其模糊化，在创建对象的时候再具体定义
class fan
- javascript闭包[两个小测试例子]
bijian1013
JavaScriptJavaScript
一.程序一
<script>
var name = "The Window";
var Object_a = {
name : "My Object",
getNameFunc : function(){
var that = this;
return function(){
- 探索JUnit4扩展：假设机制（Assumption）
bijian1013
javaAssumptionJUnit单元测试
一.假设机制（Assumption）概述 理想情况下，写测试用例的开发人员可以明确的知道所有导致他们所写的测试用例不通过的地方，但是有的时候，这些导致测试用例不通过的地方并不是很容易的被发现，可能隐藏得很深，从而导致开发人员在写测试用例时很难预测到这些因素，而且往往这些因素并不是开发人员当初设计测试用例时真正目的，
- 【Gson四】范型POJO的反序列化
bit1129
POJO
在下面这个例子中，POJO(Data类)是一个范型类，在Tests中，指定范型类为PieceData，POJO初始化完成后，通过
String str = new Gson().toJson(data);
得到范型化的POJO序列化得到的JSON串，然后将这个JSON串反序列化为POJO
import com.google.gson.Gson;
import java.
- 【Spark八十五】Spark Streaming分析结果落地到MySQL
bit1129
Stream
几点总结：
1. DStream.foreachRDD是一个Output Operation，类似于RDD的action，会触发Job的提交。DStream.foreachRDD是数据落地很常用的方法
2. 获取MySQL Connection的操作应该放在foreachRDD的参数（是一个RDD[T]=>Unit的函数类型)，这样，当foreachRDD方法在每个Worker上执行时，
- NGINX + LUA实现复杂的控制
ronin47
nginx lua
安装lua_nginx_module 模块
lua_nginx_module 可以一步步的安装，也可以直接用淘宝的OpenResty
Centos和debian的安装就简单了。。
这里说下freebsd的安装：
fetch http://www.lua.org/ftp/lua-5.1.4.tar.gz
tar zxvf lua-5.1.4.tar.gz
cd lua-5.1.4
ma
- java-递归判断数组是否升序
bylijinnan
java
public class IsAccendListRecursive {
/*递归判断数组是否升序
* if a Integer array is ascending,return true
* use recursion
*/
public static void main(String[] args){
IsAccendListRecursiv
- Netty源码学习-DefaultChannelPipeline2
bylijinnan
javanetty
Netty3的API
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/ChannelPipeline.html
里面提到ChannelPipeline的一个“pitfall”：
如果ChannelPipeline只有一个handler（假设为handlerA）且希望用另一handler（假设为handlerB）
来
- Java工具之JPS
chinrui
java
JPS使用
熟悉Linux的朋友们都知道，Linux下有一个常用的命令叫做ps（Process Status)，是用来查看Linux环境下进程信息的。同样的，在Java Virtual Machine里面也提供了类似的工具供广大Java开发人员使用，它就是jps（Java Process Status)，它可以用来
- window.print分页打印
ctrain
window
function init() {
var tt = document.getElementById("tt");
var childNodes = tt.childNodes[0].childNodes;
var level = 0;
for (var i = 0; i < childNodes.length; i++) {
- 安装hadoop时 执行jps命令Error occurred during initialization of VM
daizj
jdkhadoopjps
在安装hadoop时，执行JPS出现下面错误
[slave16]
[email protected]:/tmp/hsperfdata_hdfs# jps
Error occurred during initialization of VM
java.lang.Error: Properties init: Could not determine current working
- PHP开发大型项目的一点经验
dcj3sjt126com
PHP重构
一、变量 最好是把所有的变量存储在一个数组中，这样在程序的开发中可以带来很多的方便，特别是当程序很大的时候。变量的命名就当适合自己的习惯，不管是用拼音还是英语，至少应当有一定的意义，以便适合记忆。变量的命名尽量规范化，不要与PHP中的关键字相冲突。 二、函数 PHP自带了很多函数，这给我们程序的编写带来了很多的方便。当然，在大型程序中我们往往自己要定义许多个函数，几十
- android笔记之--向网络发送GET/POST请求参数
dcj3sjt126com
android
使用GET方法发送请求
private static boolean sendGETRequest (String path,
Map<String, String> params) throws Exception{
//发送地http://192.168.100.91:8080/videoServi
- linux复习笔记 之bash shell (3) 通配符
eksliang
linux 通配符linux通配符
转载请出自出处：
http://eksliang.iteye.com/blog/2104387
在bash的操作环境中有一个非常有用的功能，那就是通配符。
下面列出一些常用的通配符，如下表所示 符号 意义 * 万用字符，代表0个到无穷个任意字符 ? 万用字符，代表一定有一个任意字符 [] 代表一定有一个在中括号内的字符。例如：[abcd]代表一定有一个字符，可能是a、b、c
- Android关于短信加密
gqdy365
android
关于Android短信加密功能，我初步了解的如下（只在Android应用层试验）：
1、因为Android有短信收发接口，可以调用接口完成短信收发；
发送过程：APP（基于短信应用修改）接受用户输入号码、内容——>APP对短信内容加密——>调用短信发送方法Sm
- asp.net在网站根目录下创建文件夹
hvt
.netC#hovertreeasp.netWeb Forms
假设要在asp.net网站的根目录下建立文件夹hovertree,C#代码如下：
string m_keleyiFolderName = Server.MapPath("/hovertree");
if (Directory.Exists(m_keleyiFolderName))
{
//文件夹已经存在
return;
}
else
{
try
{
D
- 一个合格的程序员应该读过哪些书
justjavac
程序员书籍
编者按：2008年8月4日，StackOverflow 网友 Bert F 发帖提问：哪本最具影响力的书，是每个程序员都应该读的？
“如果能时光倒流，回到过去，作为一个开发人员，你可以告诉自己在职业生涯初期应该读一本， 你会选择哪本书呢？我希望这个书单列表内容丰富，可以涵盖很多东西。”
很多程序员响应，他们在推荐时也写下自己的评语。 以前就有国内网友介绍这个程序员书单，不过都是推荐数
- 单实例实践
跑龙套_az
单例
1、内部类
public class Singleton {
private static class SingletonHolder {
public static Singleton singleton = new Singleton();
}
public Singleton getRes
- PO VO BEAN 理解
q137681467
VODTOpo
PO：
全称是 persistant object持久对象 最形象的理解就是一个PO就是数据库中的一条记录。 好处是可以把一条记录作为一个对象处理，可以方便的转为其它对象。
BO：
全称是 business object:业务对象 主要作用是把业务逻辑封装为一个对象。这个对
- 战胜惰性，暗自努力
金笛子
努力
偶然看到一句很贴近生活的话：“别人都在你看不到的地方暗自努力，在你看得到的地方，他们也和你一样显得吊儿郎当，和你一样会抱怨，而只有你自己相信这些都是真的，最后也只有你一人继续不思进取。”很多句子总在不经意中就会戳中一部分人的软肋，我想我们每个人的周围总是有那么些表现得“吊儿郎当”的存在，是否你就真的相信他们如此不思进取，而开始放松了对自己的要求随波逐流呢？
我有个朋友是搞技术的，平时嘻嘻哈哈，以
- NDK/JNI二维数组多维数组传递
wenzongliang
二维数组jniNDK
多维数组和对象数组一样处理，例如二维数组里的每个元素还是一个数组 用jArray表示，直到数组变为一维的，且里面元素为基本类型，去获得一维数组指针。给大家提供个例子。已经测试通过。
Java_cn_wzl_FiveChessView_checkWin( JNIEnv* env,jobject thiz,jobjectArray qizidata)
{
jint i,j;
int s
