BRUCE_WUANG
BRUCE_WUANG

# cs231n 深度学习与计算机视觉(资料汇总）--代码及说明 python3.x和python2.x的版本（每次更新完成的作业）

cs231n 深度学习与计算机视觉(资料汇总）–代码及说明 python3.x和python2.x的版本（每次更新完成的作业）

标签（空格分隔）： 神经网络

1. 知乎翻译笔记

2. 作业介绍tricks 重要

3. Youtube视频地址

4. 网易云中文字幕视频地址

5. cs231n每年的ppt链接地址

6. 2017视频英文地址

7. 斯坦福CS231n学习笔记:博客

8. cs231n 课程作业 Assignment 123—CSDN博客

1.python2.x版本

代码、课程

2.python3.x版本

这个是2017年斯坦福大学新补上的，哈哈，好爽！
官网链接 只看 2017 Spring个人GitHub

3.课程大纲

Spring 2017 Assignments

Assignment #1:

Image Classification，kNN, SVM, Softmax, Neural Network

  • 了解基本的图像分类流程和数据驱动的方法（训练/预测阶段）
  • 理解train / val / test splitting和使用验证数据进行超参数调整。
  • 培养熟练使用numpy 编写高效的矢量化代码
  • 实现并应用k-最近邻（kNN）分类器
  • 实现并应用多类支持向量机（SVM）分类器
  • 实施和应用Softmax分类器
  • 实现并应用一个双层神经网络分类器
  • 从使用比原始像素更高级的表示（例如颜色直方图，梯度直方图（HOG）功能）中获得对性能改进的基本了解，

> 看看具体如何执行：

Q1：k-最近邻分类器（20分）
IPython笔记本knn.ipynb将引导您完成kNN分类器。

Q2：培训一个支持向量机（25分）
IPython Notebook svm.ipynb将引导您实现SVM分类器。

Q3：实施Softmax分类器（20分）
IPython Notebook softmax.ipynb将引导您实施Softmax分类器。

Q4：双层神经网络（25分）
IPython Notebook two_layer_net.ipynb将引导您完成双层神经网络分类器的实现。

Q5：高级表示：图像特征（10分）
IPython Notebook features.ipynb将引导您完成这个练习，在这个练习中，您将检查使用更高级别表示而不是使用原始像素值所获得的改进。

Q6：酷炫的奖励：做一些额外的！（+10分）
实施，调查或分析本作业中的主题，并使用您开发的代码。例如，我们可以问一些其他有趣的问题吗？有什么有洞察力的可视化，你可以技巧？或者，也许你可以尝试一个旋转的损失函数？如果你尝试了一些很酷的东西，我们会给你10个额外的分数，并可能在演讲中显示你的结果。

Assignment #2:

Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets

  • 了解神经网络及其如何安排在分层体系结构中
  • 理解并能够实施（矢量化）反向传播
  • 实施用于优化神经网络的各种更新规则
  • 实施批量规范化和层规范化以训练深度网络
  • 实施Dropout以规范网络
  • 了解卷积神经网络的体系结构，并通过训练这些数据模型来练习
  • 获得TensorFlow或PyTorch等主要深度学习框架的经验

Q1：Fully-Connected Nets（20分）
IPython笔记本FullyConnectedNets.ipynb将向您介绍我们的模块化层设计，然后使用这些层来实现任意深度的完全连接网络。为了优化这些模型，你将实现几个流行的更新规则。

Q2：Batch Normalization（30分）
在IPython笔记本中，BatchNormalization.ipynb您将实现批量标准化，并使用它来训练深度完全连接的网络。

Q3：Dropout（10分）
IPython笔记本Dropout.ipynb将帮助您实现Dropout并探索其对模型泛化的影响。

Q4：Convolutional Nets（30分）
在IPython Notebook中，ConvolutionalNetworks.ipynb您将实现几个常用于卷积网络的新层。

Q5：CIFAR-10上的PyTorch / TensorFlow（10分）
对于最后一部分，您将使用TensorFlow或PyTorch两种流行和强大的深度学习框架。你只需要完成这两个笔记本中的一个。您不需要同时做这两件事，我们也不会授予那些参与者的额外功劳。

打开PyTorch.ipynb或者TensorFlow.ipynb，您将了解该框架的工作原理，最终在CIFAR-10上培训自己设计的卷积网络，以获得最佳性能。

注：PyTorch笔记本需要PyTorch版本0.4，该版本于4/24/2018发布。您可以按照以下说明使用conda或pip安装此版本的PyTorch：http://pytorch.org/

Assignment #3:

Image Captioning with Vanilla RNNs, Image Captioning with LSTMs, Network Visualization, Style Transfer, Generative Adversarial Networks

转载和疑问声明

如果你有什么疑问或者想要转载，没有允许是不能转载的哈
赞赏一下能不能转？哈哈，联系我啊，我告诉你呢 ~~
欢迎联系我哈，我会给大家慢慢解答啦~~~怎么联系我？ 笨啊~ ~~ 你留言也行

你关注微信公众号1.机器学习算法工程师：2.或者扫那个二维码，后台发送 “我要找朕”，联系我也行啦！

（爱心.gif） 么么哒 ~么么哒 ~么么哒
码字不易啊啊啊，如果你觉得本文有帮助，三毛也是爱！

我祝各位帅哥，和美女，你们永远十八岁，嗨嘿嘿~~~

你可能感兴趣的:(神经网络,神经网络)

  • 机器学习必备数学与编程指南：从入门到精通 a小胡哦 机器学习基础机器学习人工智能
    一、机器学习核心数学基础1.线性代数（神经网络的基础）必须掌握：矩阵运算（乘法、转置、逆）向量空间与线性变换特征值分解与奇异值分解(SVD)为什么重要：神经网络本质就是矩阵运算学习技巧：用NumPy实际操作矩阵运算2.概率与统计（模型评估的关键）核心概念：条件概率与贝叶斯定理概率分布（正态、泊松、伯努利）假设检验与p值应用场景：朴素贝叶斯、A/B测试3.微积分（优化算法的基础）重点掌握：导数与偏导
  • 神经形态计算如何突破冯·诺依曼架构限制？ AI算力网络与通信 AI人工智能与大数据技术AI算力网络与通信原理AI人工智能大数据架构架构ai
    神经形态计算如何突破冯·诺依曼架构限制？关键词：神经形态计算、冯·诺依曼架构、内存墙、存算一体、脉冲神经网络、类脑芯片、低功耗计算摘要：本文将从“冯·诺依曼架构的前世今生”讲起，用“图书馆管理员搬书”的生活案例类比其核心矛盾，再通过“人脑神经元工作模式”的比喻引入神经形态计算的核心原理。我们将一步步拆解冯·诺依曼架构的三大限制（内存墙、高功耗、非结构化数据处理弱），并对应解析神经形态计算的三大突破
  • 深入理解卷积神经网络（CNN）与循环神经网络（RNN） CodeJourney. cnnrnn人工智能
    在当今的人工智能领域，神经网络无疑是最为璀璨的明珠之一。而卷积神经网络（ConvolutionalNeuralNetworks，CNN）和循环神经网络（RecurrentNeuralNetworks，RNN）作为神经网络家族中的重要成员，各自有着独特的架构和强大的功能，广泛应用于众多领域。本文将深入探讨这两种神经网络的原理、特点以及应用场景，为对深度学习感兴趣的读者提供全面的知识讲解。一、卷积神经
  • 时序预测 | MATLAB实现贝叶斯优化CNN-GRU时间序列预测(股票价格预测) Matlab机器学习之心 matlabcnngru
    ✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页：Matlab科研工作室个人信条：格物致知，期刊达人。内容介绍股票价格预测一直是金融领域一个极具挑战性的课题。其内在的非线性、随机性和复杂性使得传统的预测方法难以取得令人满意的效果。近年来，深度学习技术，特别是卷积神经网络(CNN)和门控循环单元(GRU)的结合，为时
  • 时序预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元时间序列预测 Matlab算法改进和仿真定制工程师 matlabcnngru
    ✅作者简介：热爱数据处理、数学建模、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击：Matlab科研工作室个人信条：格物致知。内容介绍时间序列预测在各个领域都具有重要的应用价值，例如金融市场预测、气象预报、交通流量预测等。准确地预测未来趋势对于决策制定至关重要。近年来，深度学习技术在时间序列预测领域取得了显著进展，其中卷积神经网络(CNN)和门控循环单元(GRU)由于其强
  • 如何运用深度学习打造高效AI人工智能系统 AI智能探索者 AIAgent智能体开发实战人工智能深度学习ai
    如何运用深度学习打造高效AI人工智能系统关键词：深度学习、AI系统、神经网络、模型优化、实战开发摘要：本文将从深度学习的核心概念出发，结合生活实例和代码实战，系统讲解如何构建高效AI系统。我们会拆解数据准备、模型设计、训练优化、部署落地的全流程，揭秘“数据-模型-训练-推理”的协同机制，并通过具体案例演示从0到1开发AI系统的关键技巧，帮助开发者掌握打造高效AI系统的底层逻辑。背景介绍目的和范围在
  • 非欧空间计算加速：图神经网络与微分几何计算的GPU优化（流形数据的内存布局优化策略） 九章云极AladdinEdu 空间计算神经网络人工智能gpu算力算法java开发语言
    一、非欧空间计算的革命性意义与核心挑战在三维形状分析、社交网络建模、分子动力学模拟等领域，非欧几里得空间数据（流形数据）的处理正推动人工智能技术向更复杂的几何结构迈进。传统欧式空间优化方法在处理流形数据时面临根本性局限：黎曼度量导致距离计算失效、局部坐标系动态变化引发内存访问模式混乱、曲率变化影响并行计算效率。本文提出基于分块流形存储（BlockedManifoldStorage,BMS）与层次化
  • 基于AlexNet架构的卷积神经网络模型用于对胸部X光图像进行二分类（例如，诊断肺炎）
    1.肺炎正常的胸部X线片描绘了清晰的肺部，图像中没有任何异常混浊的区域。正常的胸部X线片1.1细菌性肺炎临床表现细菌性肺炎通常由细菌引起，如肺炎链球菌、流感嗜血杆菌、肺炎克雷伯菌等。患者可能出现高热、寒战、咳嗽、咳痰（痰液可能呈脓性）、胸痛、呼吸困难等症状。影像学特征局灶性肺叶实变细菌性肺炎在影像学上常表现为肺叶或肺段的局灶性实变，即某一区域的肺组织因炎症而失去气体交换功能，呈现为高密度影。胸腔积
  • 视觉Transformer还有哪些点可以研究？怎么应用？ 计算机视觉工坊 3D视觉从入门到精通学习算法开源
    0.这篇文章干了啥？今天笔者为大家推荐一篇最新的综述，详细总结了Transformer的网络架构、优化策略、发展方向，还会定期更新Github，研究注意力机制的小伙伴一定不要错过。注意机制有助于人类视觉系统有效地分析和理解复杂场景，它能够聚焦于图像的关键区域，同时忽略无关紧要的部分。受此概念启发，注意机制已经被引入到计算机视觉（CV）中，以动态地为图像中的不同区域分配权重。这使得神经网络能够专注于
  • 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
  • Python_day54Inception网络及其思考 且慢.589 Python_60python开发语言
    一、inception网络介绍今天我们介绍inception，也就是GoogleNet传统计算机视觉的发展史从上面的链接，可以看到其实inceptionnet是在resnet之前的，那为什么我今天才说呢？因为他要引出我们后面的特征融合和特征并行处理这些思想。Inception网络，也被称为GoogLeNet，是Google团队在2014年提出的经典卷积神经网络架构。它的核心设计理念是“并行的多尺度
  • Python爬虫【五十八章】Python数据清洗与分析全攻略：从Pandas到深度学习的异常检测进阶 程序员_CLUB Python入门到进阶python爬虫pandas
    目录背景与需求分析第一章：结构化数据清洗实战（Pandas核心技法）1.1数据去重策略矩阵1.2智能缺失值处理体系第二章：深度学习异常检测进阶2.1自动编码器异常检测（时序数据）2.2图神经网络异常检测（关系型数据）第三章：综合案例实战案例1：金融交易反欺诈系统案例2：工业传感器异常检测第四章：性能优化与工程实践4.1大数据处理加速技巧4.2模型部署方案第五章：方法论总结与展望5.1方法论框架5.
  • 基于深度学习的图像分类：使用ShuffleNet实现高效分类 Blossom.118 机器学习与人工智能深度学习分类人工智能机器学习数据挖掘python目标检测
    前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。ShuffleNet是一种轻量级的深度学习架构，专为移动和嵌入式设备设计，能够在保持较高分类精度的同时，显著减少计算量和模型大小。本文将详细介绍如何使用ShuffleNet实现高效的图像分类，从理论基础到代码实现，带你一步步掌
  • YOLOv5激活函数替换与模型变体实验实战教程 机 ＿ 长 YOLO极致优化实战YOLO深度学习算法
    YOLOv5激活函数替换与模型变体实验实战教程本教程面向已具备YOLOv5训练经验的开发者，系统讲解如何在YOLOv5中替换激活函数、构建模型变体，并结合本项目实际文件和命令，突出实用性和可操作性。内容涵盖激活函数原理、替换方法、配置文件讲解、训练实操、源码解读、实验对比与常见问题排查。完整代码见文末1.激活函数原理简介激活函数是深度神经网络中非线性建模的关键组件。常见激活函数包括：ReLU：简单
  • 基于白鲸算法优化的混合核极限学习机(HKELM)的回归预测 智能算法研学社（Jack旭） #混合核极限学习机HKELM智能优化算法应用算法回归
    基于白鲸算法优化的混合核极限学习机(HKELM)的回归预测文章目录基于白鲸算法优化的混合核极限学习机(HKELM)的回归预测1.HKELM原理2.预测问题求解3.基于白鲸算法优化的HKELM4.实验结果5.Matlab代码1.HKELM原理核极限学习机（KELM）是一种单隐含层前馈神经网络，通过引入核函数改善极限学习机（ELM）性能，其输出可表示为：f(x)=h(x)HU(ZC+HHU)−1U=[
  • 基于食肉植物算法优化的混合核极限学习机(HKELM)的回归预测 智能算法研学社（Jack旭） #混合核极限学习机HKELM智能优化算法应用算法回归数据挖掘
    基于食肉植物算法优化的混合核极限学习机(HKELM)的回归预测文章目录基于食肉植物算法优化的混合核极限学习机(HKELM)的回归预测1.HKELM原理2.预测问题求解3.基于食肉植物算法优化的HKELM4.实验结果5.Matlab代码1.HKELM原理核极限学习机（KELM）是一种单隐含层前馈神经网络，通过引入核函数改善极限学习机（ELM）性能，其输出可表示为：f(x)=h(x)HU(ZC+HHU
  • 基于蛇优化算法优化的混合核极限学习机(HKELM)的回归预测
    基于蛇优化算法优化的混合核极限学习机(HKELM)的回归预测文章目录基于蛇优化算法优化的混合核极限学习机(HKELM)的回归预测1.HKELM原理2.预测问题求解3.基于蛇优化算法优化的HKELM4.实验结果5.Matlab代码1.HKELM原理核极限学习机（KELM）是一种单隐含层前馈神经网络，通过引入核函数改善极限学习机（ELM）性能，其输出可表示为：f(x)=h(x)HU(ZC+HHU)−1
  • MATLAB实现基于GA-CNN-BiLSTM-Attention遗传算法（GA）优化卷积双向长短期记忆神经网络融合注意力机制进行多变量时序预测的详细项目实例（含模型描述及示例代码） nantangyuxi MATLAB含模型描述及示例代码神经网络matlabcnn支持向量机人工智能大数据深度学习
    目录MATLAB实现基于GA-CNN-BiLSTM-Attention遗传算法（GA）优化卷积双向长短期记忆神经网络融合注意力机制进行多变量时序预测的详细项目实例...2项目背景介绍...2项目目标与意义...31.提高多变量时序预测的准确性...32.弥补传统方法的局限性...33.提高模型训练效率...3
  • 神经网络和机器学习的一些基本概念 荼渔 机器学习神经网络
    记录一些基本概念，不涉及公式推导，因为数学不好，记了也没啥用，但是知道一些基本术语以及其中的关系，对神经网络训练有很大帮助。可能有些概念不会讲得很详细，但是当你有了这个概念，你就知道往这个方向去获取更详细的信息，不至于连往哪走都不知道。下面以多元线性回归模型为例1.模型模型训练过程就是利用已知的x和y,求解b的过程，b也称为权重。虽然没有那么简单，但是训练完成的模型本质上就是一组权重值，如[b1,
  • 多维时序 | Matlab实现GA-LSTM-Attention遗传算法优化长短期记忆神经网络融合注意力机制多变量时间序列预测 天天Matlab代码科研顾问 预测模型神经网络matlablstm
    ✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。往期回顾关注个人主页：Matlab科研工作室个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。内容介绍风力发电是一种清洁能源，越来越受到人们的关注和重视。然而，由于风力发电的不稳定性和不可控性，风电预测成为了一个至关重要的问题。为了更精准地预测风电发电量，许多研究者开始尝试利
  • GWO-CNN-BiLSTM-Attention多变量多步时间序列预测 | Matlab实现灰狼算法优化卷积双向长短期记忆融合注意力机制
    ✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页：Matlab科研工作室个人信条：格物致知，期刊达人。内容介绍摘要:时间序列预测在各个领域具有广泛的应用，而多变量多步时间序列预测由于其复杂性和挑战性，一直是研究热点。本文提出了一种基于灰狼算法(GreyWolfOptimizer,GWO)优化的卷积神经网络(Conv
  • 14、基于无人机与CNN技术的森林研究：原木识别与冠层空隙分析 Sunny 计算科学前沿：ICCSA2021精选无人机CNN原木识别
    基于无人机与CNN技术的森林研究：原木识别与冠层空隙分析基于CNN的原木识别研究近年来，基于单根原木追踪圆木的方法备受关注。此前的研究提出了一种基于原木端面图像的物理自由方法，借鉴了指纹和虹膜识别的技术，在使用真实分割数据时取得了不错的效果。但在实际应用中，需要一个完全自动化的系统。为了填补这一空白，研究采用了基于卷积神经网络（CNN）的分割方法与原木识别方法相结合的方式，并与传统原木识别方法在自
  • 讨论神经网络中的卷积与数学中的卷积有何不同 陶大明
    1.当提到神经网络中的卷积时，我们通常是指由多个并行卷积组成的运算。（因为单个核只能特区一种类型的特征，我们usually希望可以在多个位置提取多个特征）2.输入也不仅仅是实值的网格，而是由一系列观测数据的向量构成的网格。我们有的时候会希望跳出核中的一些位置来降低计算的开销（相应的代价是提取特征没有先前那么好了）我们就把这个过程看作对全卷积函数输出的下采样(downsampling).如果只是在输
  • AI人工智能加持，人脸识别精准度飙升 AI大模型应用工坊 人工智能ai
    AI人工智能加持，人脸识别精准度飙升：从模糊到清晰的技术革命关键词人脸识别、深度学习、神经网络、精准度优化、计算机视觉、特征提取、面部识别算法摘要想象一下，在一个拥挤的火车站，系统能在瞬间从数千人中准确识别出需要关注的个体；或者你的手机仅通过一瞥就能认出你，甚至在你戴着口罩时也能做到。这不是科幻电影的场景，而是当下AI驱动的人脸识别技术的真实能力。本文将深入探讨人工智能如何彻底改变人脸识别领域，从
  • 【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
  • 双塔模型（Two-Tower Model）推荐系统实践
    双塔模型双塔模型（Two-TowerModel）是一种常用的推荐系统或搜索排序模型架构，由两个独立的神经网络（即“双塔”）组成，分别处理用户和物品的特征，最后通过相似度计算（如点积、余弦相似度）得到匹配分数。Rust因其高性能和安全性，适合实现此类模型。双塔模型的定义双塔模型（Dual-TowerModel）是一种深度学习架构，由两个独立的神经网络塔（Tower）组成，分别处理不同的输入数据，最后
  • 零基础-动手学深度学习-6.5 汇聚层（pooling）池化层
    通常当我们处理图像时，我们希望逐渐降低隐藏表示的空间分辨率、聚集信息，这样随着我们在神经网络中层叠的上升，每个神经元对其敏感的感受野（输入）就越大。WHY？因为我们的机器学习任务通常会跟全局图像的问题有关（例如，“图像是否包含一只猫呢？”），所以我们最后一层的神经元应该对整个输入的全局敏感！此外，当检测较底层的特征时（例如6.2节中所讨论的边缘），我们通常希望这些特征保持某种程度上的平移不变性。例
  • 零基础-动手学深度学习-6.6 卷积神经网络（LeNet） 生医转码，四海为家 深度学习cnn人工智能
    通过之前几节，我们学习了构建一个完整卷积神经网络的所需组件。回想一下现在我们已经掌握了卷积层的处理方法，我们可以在图像中保留空间结构。同时，用卷积层代替全连接层的另一个好处是：模型更简洁、所需的参数更少。本节将介绍LeNet,它是最早发布的卷积神经网络之一，于80年代发明的为了识别手写数字，LeCun发表了第一篇通过反向传播成功训练卷积神经网络的研究！6.6.1.LeNet我这里改了一下28-32
  • 人工智能自然语言处理：Transformer 模型详解 大力出奇迹985 人工智能自然语言处理transformer
    一、Transformer模型的诞生背景在自然语言处理的漫长征程中，早期的传统模型，如循环神经网络（RNN）及其变体长短时记忆网络（LSTM），曾占据主导地位。RNN试图通过依次处理序列中的每个元素，来捕捉上下文信息。但它存在一个致命弱点，在处理长序列时，会面临梯度消失或梯度爆炸的问题，就像一个长途跋涉的旅人，随着路程的增加，逐渐忘记了出发时的目标和重要信息。LSTM虽然在一定程度上缓解了这个问题
  • 【创新无忧】蚁狮算法ALO优化广义神经网络GRNN数据回归预测【含Matlab源码 10433期】 Matlab武动乾坤 matlab
    Matlab武动乾坤博客之家博主简介：985研究生，Matlab领域科研开发者；座右铭：行百里者，半于九十。代码获取方式：CSDNMatlab武动乾坤—代码获取方式更多Matlab智能算法优化神经网络分类预测仿真内容点击①付费专栏智能算法优化神经网络分类预测⛳️关注CSDNMatlab武动乾坤，更多资源等你来！！⛄一、智能优化算法优化广义神经网络GRNN数据回归预测1智能优化算法优化广义回归神经网
  • jQuery 键盘事件keydown ,keypress ,keyup介绍 107x jsjquerykeydownkeypresskeyup
    本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍，有需要了解的朋友可参考。 一、首先需要知道的是： 1、keydown() keydown事件会在键盘按下时触发. 2、keyup()  代码如下 复制代码 $('input').keyup(funciton(){      
  • AngularJS中的Promise bijian1013 JavaScriptAngularJSPromise
    一.Promise         Promise是一个接口，它用来处理的对象具有这样的特点：在未来某一时刻（主要是异步调用）会从服务端返回或者被填充属性。其核心是，promise是一个带有then()函数的对象。         为了展示它的优点，下面来看一个例子，其中需要获取用户当前的配置文件： var cu
  • c++ 用数组实现栈类 CrazyMizzz 数据结构C++
    #include<iostream> #include<cassert> using namespace std; template<class T, int SIZE = 50> class Stack{ private: T list[SIZE];//数组存放栈的元素 int top;//栈顶位置 public: Stack(
  • java和c语言的雷同 麦田的设计者 java递归scaner
    软件启动时的初始化代码，加载用户信息2015年5月27号 从头学java二 1、语言的三种基本结构：顺序、选择、循环。废话不多说，需要指出一下几点：      a、return语句的功能除了作为函数返回值以外，还起到结束本函数的功能，return后的语句 不会再继续执行。      b、for循环相比于whi
  • LINUX环境并发服务器的三种实现模型 被触发 linux
    服务器设计技术有很多，按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。 1  循环服务器与并发服务器模型 在网络程序里面，一般来说都是许多客户对应一个服务器，为了处理客户的请求，对服务端的程序就提出了特殊的要求。 目前最常用的服务器模型有： ·循环服务器：服务器在同一时刻只能响应一个客户端的请求 ·并发服务器：服
  • Oracle数据库查询指令 肆无忌惮_ oracle数据库
    20140920   单表查询 -- 查询************************************************************************************************************ -- 使用scott用户登录   -- 查看emp表   desc emp  
  • ext右下角浮动窗口 知了ing JavaScriptext
    第一种 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/
  • 浅谈REDIS数据库的键值设计 矮蛋蛋 redis
    http://www.cnblogs.com/aidandan/ 原文地址：http://www.hoterran.info/redis_kv_design 丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样，DEV和DBA需要深度沟通，review每行sql语句，也不像memcached那样，不需要DBA的参与。redis的DBA需要熟悉数据结构，并能了解使用场景。
  • maven编译可执行jar包 alleni123 maven
    http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven <build> <plugins> <plugin> <artifactId>maven-asse
  • 人力资源在现代企业中的作用 百合不是茶 HR 企业管理
    //人力资源在在企业中的作用人力资源为什么会存在，人力资源究竟是干什么的 人力资源管理是对管理模式一次大的创新，人力资源兴起的原因有以下点： 工业时代的国际化竞争，现代市场的风险管控等等。所以人力资源 在现代经济竞争中的优势明显的存在，人力资源在集团类公司中存在着 明显的优势(鸿海集团)，有一次笔者亲自去体验过红海集团的招聘，只 知道人力资源是管理企业招聘的 当时我被招聘上了，当时给我们培训 的人
  • Linux自启动设置详解 bijian1013 linux
    linux有自己一套完整的启动体系，抓住了linux启动的脉络，linux的启动过程将不再神秘。 阅读之前建议先看一下附图。 本文中假设inittab中设置的init tree为： /etc/rc.d/rc0.d /etc/rc.d/rc1.d /etc/rc.d/rc2.d /etc/rc.d/rc3.d /etc/rc.d/rc4.d /etc/rc.d/rc5.d /etc
  • Spring Aop Schema实现 bijian1013 javaspringAOP
    本例使用的是Spring2.5 1.Aop配置文件spring-aop.xml <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmln
  • 【Gson七】Gson预定义类型适配器 bit1129 gson
    Gson提供了丰富的预定义类型适配器，在对象和JSON串之间进行序列化和反序列化时，指定对象和字符串之间的转换方式，   DateTypeAdapter   public final class DateTypeAdapter extends TypeAdapter<Date> { public static final TypeAdapterFacto
  • 【Spark八十八】Spark Streaming累加器操作（updateStateByKey) bit1129 update
    在实时计算的实际应用中，有时除了需要关心一个时间间隔内的数据，有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。 比如： 对Nginx的access.log实时监控请求404时，有时除了需要统计某个时间间隔内出现的次数，有时还需要统计一整天出现了多少次404，也就是说404监控横跨多个时间间隔。   Spark Streaming的解决方案是累加器，工作原理是，定义
  • linux系统下通过shell脚本快速找到哪个进程在写文件 ronin47
    一个文件正在被进程写 我想查看这个进程 文件一直在增大 找不到谁在写 使用lsof也没找到 这个问题挺有普遍性的，解决方法应该很多，这里我给大家提个比较直观的方法。 linux下每个文件都会在某个块设备上存放，当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。 幸运的是systemtap的安装包里带了inodewatch.stp，位
  • java-两种方法求第一个最长的可重复子串 bylijinnan java算法
    import java.util.Arrays; import java.util.Collections; import java.util.List; public class MaxPrefix { public static void main(String[] args) { String str="abbdabcdabcx";
  • Netty源码学习-ServerBootstrap启动及事件处理过程 bylijinnan javanetty
    Netty是采用了Reactor模式的多线程版本，建议先看下面这篇文章了解一下Reactor模式： http://bylijinnan.iteye.com/blog/1992325 Netty的启动及事件处理的流程，基本上是按照上面这篇文章来走的 文章里面提到的操作，每一步都能在Netty里面找到对应的代码 其中Reactor里面的Acceptor就对应Netty的ServerBo
  • servelt filter listener 的生命周期 cngolon filterlistenerservelt生命周期
    1. servlet    当第一次请求一个servlet资源时，servlet容器创建这个servlet实例，并调用他的 init(ServletConfig config)做一些初始化的工作，然后调用它的service方法处理请求。当第二次请求这个servlet资源时，servlet容器就不在创建实例，而是直接调用它的service方法处理请求，也就是说
  • jmpopups获取input元素值 ctrain JavaScript
    jmpopups 获取弹出层form表单 首先，我有一个div，里面包含了一个表单，默认是隐藏的，使用jmpopups时，会弹出这个隐藏的div，其实jmpopups是将我们的代码生成一份拷贝。 当我直接获取这个form表单中的文本框时，使用方法：$('#form input[name=test1]').val()；这样是获取不到的。 我们必须到jmpopups生成的代码中去查找这个值，$(
  • vi查找替换命令详解 daizj linux正则表达式替换查找vim
    一、查找 查找命令 /pattern<Enter> ：向下查找pattern匹配字符串 ?pattern<Enter>：向上查找pattern匹配字符串 使用了查找命令之后，使用如下两个键快速查找： n：按照同一方向继续查找 N：按照反方向查找 字符串匹配 pattern是需要匹配的字符串，例如： 1:  /abc<En
  • 对网站中的js,css文件进行打包 dcj3sjt126com PHP打包
    一，为什么要用smarty进行打包 apache中也有给js,css这样的静态文件进行打包压缩的模块，但是本文所说的不是以这种方式进行的打包，而是和smarty结合的方式来把网站中的js,css文件进行打包。 为什么要进行打包呢，主要目的是为了合理的管理自己的代码 。现在有好多网站，你查看一下网站的源码的话，你会发现网站的头部有大量的JS文件和CSS文件，网站的尾部也有可能有大量的J
  • php Yii: 出现undefined offset 或者 undefined index解决方案 dcj3sjt126com undefined
    在开发Yii 时，在程序中定义了如下方式：        if($this->menuoption[2] === 'test')，那么在运行程序时会报：undefined offset:2，这样的错误主要是由于php.ini 里的错误等级太高了，在windows下错误等级
  • linux 文件格式（1） sed工具 eksliang linuxlinux sed工具sed工具linux sed详解
    转载请出自出处： http://eksliang.iteye.com/blog/2106082 简介       sed 是一种在线编辑器，它一次处理一行内容。处理时，把当前处理的行存储在临时缓冲区中，称为“模式空间”（pattern space），接着用sed命令处理缓冲区中的内容，处理完成后，把缓冲区的内容送往屏幕。接着处理下一行，这样不断重复，直到文件末尾
  • Android应用程序获取系统权限 gqdy365 android
    引用 如何使Android应用程序获取系统权限         第一个方法简单点，不过需要在Android系统源码的环境下用make来编译：         1. 在应用程序的AndroidManifest.xml中的manifest节点
  • HoverTree开发日志之验证码 hvt .netC#asp.nethovertreewebform
    HoverTree是一个ASP.NET的开源CMS，目前包含文章系统，图库和留言板功能。代码完全开放，文章内容页生成了静态的HTM页面，留言板提供留言审核功能，文章可以发布HTML源代码，图片上传同时生成高品质缩略图。推出之后得到许多网友的支持，再此表示感谢！留言板不断收到许多有益留言，但同时也有不少广告，因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找，如果不是很多，就是特别多
  • JSON API：用 JSON 构建 API 的标准指南中文版 justjavac json
    译文地址：https://github.com/justjavac/json-api-zh_CN 如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式， 那么 JSON API 就是你的 anti-bikeshedding 武器。 通过遵循共同的约定，可以提高开发效率，利用更普遍的工具，可以是你更加专注于开发重点：你的程序。 基于 JSON API 的客户端还能够充分利用缓存，
  • 数据结构随记_2 lx.asymmetric 数据结构笔记
    第三章 栈与队列 一．简答题 1. 在一个循环队列中，队首指针指向队首元素的  前一个    位置。  2.在具有n个单元的循环队列中，队满时共有  n-1  个元素。  3. 向栈中压入元素的操作是先  移动栈顶指针&n
  • Linux下的监控工具dstat 网络接口 linux
    1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
  • C 语言初级入门--二维数组和指针 1140566087 二维数组c/c++指针
    /* 二维数组的定义和二维数组元素的引用 二维数组的定义： 当数组中的每个元素带有两个下标时，称这样的数组为二维数组； (逻辑上把数组看成一个具有行和列的表格或一个矩阵); 语法： 类型名 数组名[常量表达式1][常量表达式2] 二维数组的引用： 引用二维数组元素时必须带有两个下标，引用形式如下： 例如： int a[3][4];  引用：
  • 10点睛Spring4.1-Application Event wiselyman application
    10.1 Application Event Spring使用Application Event给bean之间的消息通讯提供了手段 应按照如下部分实现bean之间的消息通讯 继承ApplicationEvent类实现自己的事件 实现继承ApplicationListener接口实现监听事件 使用ApplicationContext发布消息
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他