初七123
初七123

《强化学习导论》：On-policy Prediction with Approximation

这一章讨论on-policy下的价值函数近似

均方价值误差

u(s)是状态的分布函数，定义如下

《强化学习导论》：On-policy Prediction with Approximation_第1张图片

如何使误差变小？梯度下降

《强化学习导论》：On-policy Prediction with Approximation_第2张图片

如果我们不知道Gt，所以就有Semi-gradient TD(0)，可以看出这是个自举的算法

《强化学习导论》：On-policy Prediction with Approximation_第3张图片

对于线性模型

可以得到 Linear TD(0)的收敛点

《强化学习导论》：On-policy Prediction with Approximation_第4张图片

同时可以证明在收敛点其误差满足

效果测试

《强化学习导论》：On-policy Prediction with Approximation_第5张图片

同理可以扩展为n-step

《强化学习导论》：On-policy Prediction with Approximation_第6张图片

线性模型可以通过多种方法构造复杂特征

第一种是基于多项式

《强化学习导论》：On-policy Prediction with Approximation_第7张图片

第二种是基于傅里叶变换的，傅里叶变换把函数分解为多个不同频率的sin、cos函数，这里可以把特征向量分解为多个不同频率的cos函数

《强化学习导论》：On-policy Prediction with Approximation_第8张图片

其中ci向量的含义如下，0表示在该维度特征为常量

《强化学习导论》：On-policy Prediction with Approximation_第9张图片

同时每个特征x的学习速率计算方法如下

效果测试

《强化学习导论》：On-policy Prediction with Approximation_第10张图片

第三种方式是稀疏编码，考虑一个连续二维空间、线性函数
d在哪个圈里面代表该圈对应的w为1

《强化学习导论》：On-policy Prediction with Approximation_第11张图片

圈越大泛化能力越强，同理圈的形状也会影响泛化

《强化学习导论》：On-policy Prediction with Approximation_第12张图片

Tile Coding 是一种多维度的稀疏编码方式
编码方式如图所示

《强化学习导论》：On-policy Prediction with Approximation_第13张图片

Tile Coding的测试

《强化学习导论》：On-policy Prediction with Approximation_第14张图片

因为是二进制编码的，这种方法的计算效率很高
offset的选取方式会对泛化效果产生影响

《强化学习导论》：On-policy Prediction with Approximation_第15张图片

同时形状也不是确定的，会对泛化能力造成影响

《强化学习导论》：On-policy Prediction with Approximation_第16张图片

RBF也是一种特征处理方法
用径向基函数映射特征到高维空间

下面讨论非线性的函数近似

人工神经网络

《强化学习导论》：On-policy Prediction with Approximation_第17张图片

深度卷积神经网络

《强化学习导论》：On-policy Prediction with Approximation_第18张图片

训练深层神经网络常用的算法是反向传播算法

Least-Squares TD

在线性TD(0)中，收敛点为

我们可以不通过迭代来求出收敛参数，因此不用浪费训练样本

但是计算的复杂度很高，可以通过一些公式来优化

《强化学习导论》：On-policy Prediction with Approximation_第19张图片

Memory-based Function Approximation

基于记忆的函数近似在内存中保存一部分样本，然后预测的时候直接查找距离最近的样本，类似于KNN

Kernel-based Function Approximation

k(s, s') is the weight given to data about s′ in its influence on answering queries about s.

第一种核回归类似于Memory-based Function Approximation

《强化学习导论》：On-policy Prediction with Approximation_第20张图片

其中的核函数可以使用RBF

也可以用特征向量的内积

如果考虑对状态的兴趣，可以得到一个n-step的更新方法

你可能感兴趣的:(《强化学习导论》：On-policy Prediction with Approximation)

  • PyTorch 使用指南
    PyTorch是一个功能强大且灵活的Python开源机器学习库，以其动态计算图和直观的Pythonic接口而闻名。本指南将带您了解PyTorch的基础操作，包括张量创建、自动求导，以及如何构建、训练和优化神经网络模型。我们还将深入探讨其在图像分类（以CIFAR-10为例）和自然语言处理（以灾难推文分类为例）等特定领域的应用，并概述其在图像分割和强化学习等其他领域的应用。PyTorch使用指南1.P
  • 强化学习入门三（SARSA） 第六五签 算法模型算法人工智能
    SARSA算法详解SARSA是强化学习中另一种经典的时序差分（TD）学习算法，与Q-Learning同属无模型（model-free）算法，但在更新策略上有显著差异。SARSA的名称来源于其更新公式中涉及的五个元素：状态（State）、动作（Action）、奖励（Reward）、下一状态（NextState）、下一动作（NextAction），即(S,A,R,S’,A’)。SARSA与Q-Lear
  • CIRL：因果启发的表征学习框架——从域泛化到奖励分解的因果革命 大千AI助手 人工智能Python#OTHER学习深度学习人工智能机器学习表征学习因果推断域泛化
    CIRL（因果启发的表征学习）是由国内顶尖AI研究团队于CVPR2022提出的创新框架，最初用于解决域泛化（DomainGeneralization,DG）问题，其核心思想是通过结构因果模型（SCM）分离数据中的因果与非因果因素，构建鲁棒表征。后续研究（如GRD、Diaster算法）将其扩展至强化学习的奖励分解领域，通过因果充分性、稀疏性与正交性约束，解决延迟奖励与奖励黑客问题。原始论文发表于CV
  • 踏上人工智能之旅（一）-----机器学习之knn算法 Sunhen_Qiletian 人工智能机器学习算法python
    目录一、机器学习是什么（1）概述（2）三种类型1.监督学习（SupervisedLearning）：2.无监督学习（UnsupervisedLearning）：3.强化学习（ReinforcementLearning）：二、KNN算法的基本原理：1.距离度量：2.K值的选择：3.投票机制和投票：三、Python实现KNN算法1.导入必要的库和数据：2.提取特征和标签：3.导入KNN分类器并训练模型
  • 设计自己的小传输协议 导论与概念 charlie114514191 网络编程Qt深入研究笔记c++qt通信协议网络协议设计
    设计自己的小传输协议导论与概念1：聊一聊协议头设计早在《TCP/IP详解》中的第一句话中，我们就知道协议的含义是这样的：协议是通信双方共同遵守的一套规则，提供格式定义、语义解释等，使不同设备或软件能够正确交换信息。但是，就像我们的写邮件，需要有一定的格式，告知首发地址，收信人和送信人一样，我们的网络协议一样要有协议头，来告诉我们解析收发程序如何正确的收发包。网络协议常使用分层封装，每一层都在数据上
  • 基于强化学习的工业SCR脱硝系统控制算法设计与实现 pk_xz123456 算法python人工智能python深度学习数据挖掘
    基于强化学习的工业SCR脱硝系统控制算法设计与实现1.引言选择性催化还原(SCR)脱硝系统是火电厂等工业设施中用于降低氮氧化物(NOx)排放的关键环保设备。传统的PID控制方法在面对SCR系统非线性、大滞后等特性时往往表现不佳。本文将详细介绍如何利用强化学习技术设计智能控制器，实现SCR脱硝系统的优化控制。2.系统概述与问题分析2.1SCR脱硝系统工作原理SCR系统通过在催化剂作用下，向烟气中喷入
  • 对照研究概况 双鱼妞妞2020
    【中原焦点团队】高六李娟丽/分享1270天/2023.06.06周二/共1563场(累计583场/本周每天一点收获，期待积水成渊。读书：《焦点解决短期治疗导论》——第十一章，实证研究基础。焦点解决治疗的其他研究：对照研究概况。第一份对于焦点解决短期治疗进行对照研究的文献出版于2000年。研究者在2001年夏天检验了18篇正式发表的焦点解决短程短期治疗对照研究。文献筛选符合标准包括：使用焦点解决短期
  • 【无人机】基于强化学习的多无人机移动边缘计算与路径规划研究Matlab代码 Matlab科研工作室 无人机边缘计算matlab
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。个人主页：Matlab科研工作室个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理
  • OCCT Handle 学习导论 心瞳几何原语 学习OCCTOCCTQt
    基本设计思想这是一个侵入式智能指针（类似于boost::intrusive_ptr），引用计数器直接嵌入在被管理的对象中（Standard_Transient基类），而不是单独分配内存存储计数器。核心成员变量private:Standard_Transient*entity;//指向被管理对象的指针引用计数管理机制BeginScope()-增加引用计数voidBeginScope(){if(ent
  • AI人工智能领域深度学习的机器人控制技术 AI智能架构工坊 AI人工智能与大数据应用开发AI应用开发高级指南人工智能深度学习机器人ai
    AI人工智能领域深度学习的机器人控制技术：让机器人像人类一样“聪明”行动关键词：深度学习、机器人控制、强化学习、端到端控制、具身智能摘要：本文将带您走进“深度学习+机器人控制”的奇妙世界。我们会用“教机器人端咖啡”这样的生活案例，从核心概念讲到底层原理，再通过实战代码演示如何用深度学习让机器人完成复杂任务。无论您是技术小白还是开发者，都能轻松理解深度学习如何赋予机器人“思考”和“适应”能力，以及未
  • 2022-01-04 马原 一般路过的阿伟
    回顾导论马克思主义及马克思主义原理的基本内涵马克思主义是由马克思和恩格斯创立并由后继者不断发展的科学理论体系，是关于自然、社会和人类思维发展的一般规律的学说，是关于社会主义必将替代资本主义，最终实现共产主义的学说，是关于无产阶级解放、全人类解放，每个人的全面自由发展的学说，是指引人们创造美好生活的行动指南。基本组成：马克思主义哲学（理论基础）马克思主义政治经济学(主要内容及应用）科学社会主义（核心
  • 第十四章、完全合作关系设定下的多智能体强化学习（MAC-A2C） 跳跳糖炒酸奶 强化学习算法强化学习人工智能python算法
    0前言根据上一章的内容，已知完全合作关系下的多智能体利益一致有相同的目标，获得的奖励相同即Rt1=Rt2=Rt3R^1_t=R^2_t=R^3_tRt1=Rt2=Rt3。1完全合作关系设定下的策略学习要注意的点：状态S=[O1,O2,⋯ ,Om]S=[O^1,O^2,\cdots,O^m]S=[O1,O2,⋯,Om]，所有智能体的观测之和是状态。动作A=[A1,A2,⋯ ,Am]A=[A^1,A^
  • 时间复杂度分析-大O表示法 ꧁꫞ND꫞꧂ 算法与数据结构
    开篇词|从今天起，跨过“数据结构与算法”这道坎你好，我是王争，毕业于西安交通大学计算机专业。现在回想起来，本科毕业的时候，我的编程水平其实是很差的。直到读研究生的时候，一个师兄给了我一本《算法导论》，说你可以看看，对你的编程会很有帮助。没想到，从此我对算法的“迷恋”便一发不可收拾。之后，我如饥似渴地把图书馆里几乎所有数据结构和算法书籍都读了一遍。我常常边读边练。没多久，我就发现，写代码的时候，我会
  • 学习日记-人工智能导论1-绪论1 Harrison_Huuu 学习日记-人工智能导论学习人工智能
    目录1绪论1.1什么是人工智能1.1.1类人行为：图灵测试方法1.1.2类人思考：认知建模方法1.1.3理性思考：“思维法则”方法1.1.4理性行为：理性智能体方法1.1.5益机1.2人工智能的基础1.2.1哲学1.2.2数学1.2.3经济学1.2.4神经科学1.2.5心理学1.2.6计算机工程1.2.7控制理论与控制论1.2.8语言学1绪论智能（intelligence）人工智能（artific
  • 学习日记-人工智能导论2-绪论2 Harrison_Huuu 学习日记-人工智能导论学习人工智能
    目录1.绪论1.3人工智能的历史1.3.1人工智能的诞生（1943—1956）1.3.2早期热情高涨，期望无限（1952—1969）1.3.3一些现实（1966—1973）1.3.4专家系统（1969—1986）1.3.5神经网络的回归（1986—现在）1.3.6概率推理和机器学习（1987—现在）1.3.7大数据（2001—现在）1.3.8深度学习（2011—现在）1.4目前的先进技术1.5人工
  • 学习日记-人工智能导论3-智能体 Harrison_Huuu 学习日记-人工智能导论学习人工智能
    目录2智能体2.1智能体和环境2.2良好行为：理性的概念2.2.1性能度量2.2.2理性2.2.3全知，学习和自主2.3环境的本质2.3.1制定任务环境2.3.2任务环境的属性2.4智能体的结构2.4.1智能体程序2.4.2简单反射型智能体2.4.3基于模型的反射型智能体2.4.4基于目标的智能体2.4.5基于效用的智能体2.4.6学习型智能体2.4.7智能体程序的组件如何工作2智能体本章将使理性
  • 学习日记-人工智能导论4-通过搜索进行问题求解1 Harrison_Huuu 学习日记-人工智能导论学习人工智能算法
    目录3通过搜索问题进行问题求解3.1问题求解智能体3.1.1搜索问题和解3.1.2问题形式化3.2问题示例3.2.1标准化问题3.2.2真实世界问题3.3搜索算法3.3.1最佳优先搜索3.3.2搜索数据结构3.3.3冗余路径3.3.4问题求解性能评估3通过搜索问题进行问题求解当要采取的正确动作不是很明显时，智能体可能需要提前规划：考虑一个形成通往目标状态路径的动作序列。这样的智能体被称为问题求解智
  • Kimi-Researcher 技术实现深度解析 李昕壑 人工智能
    Kimi-Researcher是一款基于端到端自主强化学习技术构建的智能研究助手，其核心技术在于通过单一模型自主决策和执行复杂研究任务，无需预设工作流程。它具备轻量化的长时记忆机制和潜在的多模态处理能力，能够高效地进行并行搜索和灵活的工具调用，从而完成从信息搜集、分析到报告生成的全过程。1.Kimi-Researcher核心工作机制概述Kimi-Researcher作为一款专注于深度研究的Agen
  • PPO：强化学习中的近端策略优化——原理、演进与大规模应用实践 大千AI助手 人工智能Python#OTHER人工智能深度学习大模型算法PPO近端策略优化优化
    近端策略优化（ProximalPolicyOptimization，PPO）是由OpenAI团队于2017年提出的策略梯度强化学习算法，通过裁剪概率比目标函数约束策略更新幅度，解决了传统策略梯度方法训练不稳定、易发散的核心问题。该算法兼具信赖域策略优化（TRPO）的稳定性与一阶优化的简洁性，已成为深度强化学习（DRL）和大语言模型对齐（RLHF）的事实标准算法。本文由「大千AI助手」原创发布，专注
  • 【强化学习】01
    第一章：强化学习基础概念与核心要素的基石强化学习（ReinforcementLearning,RL）是一种机器学习范式，它关注智能体（Agent）如何在特定环境（Environment）中通过与环境的交互来学习如何做出决策，以最大化某种累积奖励。与监督学习和无监督学习不同，强化学习不依赖于预先标注好的数据集，而是通过“试错”的方式进行学习。1.1强化学习的独特学习范式在传统的机器学习领域，监督学习
  • 大模型就业方向
    有如下几个方向：基座模型训练工作内容：优化模型结构、数据比例，实现在各种任务上效果比较好的通用基座模型护城河：出了问题只有你能解决，给足情绪价值经验要求：必备：模型分布式框架（如deepspeed）、多机多卡训练、顶会的经验；阅读一系列LLM经典论文，例如Instruct-GPT、LORA等，从而对LLM有一个更深入、透彻的掌握。同任选：万卡集群的训练经验（包括预训练、sft、强化学习）、踩坑经验
  • 使用 LLaMA 3 8B 微调一个 Reward Model：从入门到实践 茫茫人海一粒沙 Lorallama
    本文将介绍如何基于Meta的LLaMA38B模型构建并微调一个RewardModel，它是构建RLHF（基于人类反馈的强化学习）系统中的关键一环。我们将使用HuggingFace的transformers、trl和peft等库，通过参数高效微调（LoRA）实现高质量RewardModel的训练。什么是RewardModel？RewardModel（RM）是RLHF流程中的评分器，它学习人类偏好：在
  • 20250704-基于强化学习在云计算环境中的虚拟机资源调度研究
    基于强化学习在云计算环境中的虚拟机资源调度研究随着云计算规模的持续扩大，数据中心虚拟机资源调度面临动态负载、异构资源适配及多目标优化等挑战。传统启发式算法在复杂场景下易陷入局部最优，而深度强化学习（DRL）凭借序贯决策能力为该问题提供了新路径。本研究以动态多目标组合优化理论为基础，结合CloudSimPy仿真框架与TensorFlow，构建“仿真-训练-验证”闭环调度系统，重点设计动态加权多目标奖
  • 008发展心理学导论与概述 一米的部落格
    2.1发展心理学导论与概述（上）苏彦捷老师那个年代在看《编辑部的故事》能把人毕生发展说明白。复学以后转变的适应，会出现问题，在隔离的情况下为了开学和复工做准备。小孩子出不了门，大人如何给孩子解释呢？说外面有病毒，孩子说我要和病毒玩。按主题语言、认知等的发展编辑；按照人生长的顺序编辑；每一个人都有共同的规律，揭示人类的共通的规律；把中国人的特点解释说明；每个人跟每一个人都不是很像。第一条线，人类具有
  • LLM指纹底层技术——人类反馈强化学习 9命怪猫 AI深度学习机器学习人工智能大模型ai算法
    以下简单讲一下“LLM指纹”体系中，负责精雕细琢模型“性格”与“价值观”的核心工艺——人类反馈强化学习(ReinforcementLearningfromHumanFeedback,RLHF)。预训练给模型注入了海量的知识（IQ），指令微调（SFT）教会了它基本的沟通技能（学会说话），RLHF对模型进行的一场深刻的“情商与价值观”教育。这个过程极大地塑造了模型的行为边界、风格偏好和安全意识，是形成
  • Python强化学习实战：从游戏AI到工业控制的完整指南 全息架构师 AI行业应用实战先锋Python实战项目大揭秘python游戏人工智能
    Python人工智能模型训练实战(六)：强化学习从入门到工业级应用核心价值前情提要：我们已经完成了监督学习和AutoML的完整流程。本期将探索人工智能的另一个重要领域——让机器通过试错自主学习的强化学习技术！本期亮点：4大核心强化学习算法完整实现从游戏AI到工业控制的实战案例生产环境部署与性能优化技巧分布式强化学习系统架构完整的可运维代码实现强化学习算法对比（表格呈现）算法类型适用场景优势实现模块
  • 强化学习在AI Agent资源调度中的应用 AI大模型应用实战 人工智能ai
    强化学习在AIAgent资源调度中的应用关键词：强化学习、AIAgent、资源调度、马尔可夫决策过程、策略梯度算法摘要：本文聚焦于强化学习在AIAgent资源调度中的应用。首先介绍了强化学习和AIAgent资源调度的背景知识，明确了文章的目的、范围和预期读者。接着详细阐述了核心概念及其联系，包括强化学习和AIAgent资源调度的原理和架构，并通过Mermaid流程图进行直观展示。深入讲解了核心算法
  • AI 驱动自动化运维平台架构与实现 大富大贵7 程序员知识储备1程序员知识储备2程序员知识储备3算法机器学习人工智能决策树大数据
    摘要：随着云计算、容器化和大规模分布式系统的普及，传统人工运维方法已难以满足现代IT环境中海量指标、日志和拓扑关系的实时分析与故障响应需求。AI驱动的自动化运维（AIOps）平台通过融合机器学习、深度学习、图分析以及强化学习等多学科技术，实现对海量运维数据的智能感知、预测、诊断和自动化修复。本文深入探讨AI驱动自动化运维平台的整体架构设计与核心技术实现，涵盖数据采集与预处理、AI引擎设计、自动化执
  • 【Python】Gym 库：于开发和比较强化学习（Reinforcement Learning, RL）算法 彬彬侠 Python基础pythonGym强化学习RLGymnasium
    Gym是Python中一个广泛使用的开源库，用于开发和比较强化学习（ReinforcementLearning,RL）算法。它最初由OpenAI开发，提供标准化的环境接口，允许开发者在各种任务（如游戏、机器人控制、模拟物理系统）中测试RL算法。Gym的设计简单且灵活，适合学术研究和工业应用。2022年，Gym被整合到Gymnasium（由FaramaFoundation维护）中，成为主流的强化学习
  • 聚焦基础研究突破，北电数智联合复旦大学等团队提出“AI安全”DDPA方法入选ICML CSDN资讯 人工智能安全数据要素大数据
    近日，由北电数智首席科学家窦德景教授牵头，联合复旦大学和美国奥本大学等科研团队共同研发，提出一种DDPA（DynamicDelayedPoisoningAttack）新型对抗性攻击方法，为机器学习领域的安全研究提供新视角与工具，相关论文已被国际机器学习大会（ICML2025）收录。ICML由国际机器学习学会（IMLS）主办，聚焦深度学习、强化学习、自然语言处理等机器学习前沿方向，是机器学习与人工智
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他