- 常见机器学习算法总结
婉妃
基本算法总结正面.jpeg图的左半部分列出了常用的机器学习算法与它们之间的演化关系,分为有监督学习,无监督学习,强化学习3大类。右半部分列出了典型算法的总结比较,包括算法的核心点如类型,预测函数,求解的目标函数,求解算法。理解和记忆这张图,对你系统化的掌握机器学习与深度学习会非常有帮助!基本公式反面.jpeg
- 机器学习算法总结
doverxu
回归算法线性回归算法:支持向量机&向前逐步回归&惩罚线性回归(岭回归/套索回归/ElasticNet/最小角度回归LARS/Glmnet)非线性回归算法二元决策树:分割点评价标准是基尼不纯性度量和信息增益自举集成(Bagging):从训练数据集获得一系列的自举样本,对每一个自举样本训练一个基学习器,将基学习器的均值作为结果。梯度提升算法:与Bagging和随机森林的不同之处在于它在减少方差的同时,
- 【深入探究人工智能】:常见机器学习算法总结
.小智
小智带你闲聊人工智能机器学习算法
文章目录1、前言1.1机器学习算法的两步骤1.2机器学习算法分类2、逻辑回归算法2.1逻辑函数2.2逻辑回归可以用于多类分类2.3逻辑回归中的系数3、线性回归算法3.1线性回归的假设3.2确定线性回归模型的拟合优度3.3线性回归中的异常值处理4、支持向量机(SVM)算法4.1优点4.2缺点小结博客主页:小智_x0___0x_欢迎关注:点赞收藏✍️留言系列专栏:小智带你闲聊代码仓库:小智的代码仓库1
- Lime算法总结--可解释性机器学习算法总结
南京比高IT
可解释性分析算法人工智能
一.引言前面我们进行了CAM、GRAD-CAM算法的介绍,本文我们继续介绍一种算法:Lime(LocalInterpretableModel-AgnosticExplanations)二.算法介绍Lime算法是基于局部代理模型来对单个样本进行解释。假设对于需要解释的黑盒模型,取关注的实例样本,在其附近进行扰动生成新的样本点,并得到黑盒模型的预测值,基于新的数据集训练可解释的模型来得到对黑盒模型良好
- 机器学习算法总结
Yngxiao123
机器学习
朴素贝叶斯:有以下几个地方需要注意:只能做分类1.如果给出的特征向量长度可能不同,这是需要归一化为通长度的向量(这里以文本分类为例),比如说是句子单词的话,则长度为整个词汇量的长度,对应位置是该单词出现的次数。2.计算公式如下:其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方法,而由朴素贝叶斯的前提假设可知,=,因此一般有两种,一种是在类别为ci的那些样本集中,找到wj出现次
- 机器学习算法总结
程序汪赵可乐
cvnlp算法机器学习人工智能
机器学习两个核心任务:任务一:如何优化训练数据—>主要用于解决欠拟合问题任务二:如何提升泛化性能—>主要用于解决过拟合问题KNN定义:给定一个训练集,对新输入的未知样本,通过计算与每个训练样本的距离,找到与该实例最邻近的K个实例,这K个实例大多属于某个类,该样本就属于某个类应用场景:分类/回归问题算法流程:计算已知类别数据集中的点与当前点之间的距离按照距离值进行排序选取最小的k个距离,并统计这k个
- 机器学习算法总结
正在思考中
机器学习机器学习
机器学习(MachineLearning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。严格的定义:机器学习是一门研究机器获取新知识和新技能,并识别现有知识的学问。这里所说的“机器”,指的就是计算机,电子计算机,中子计算机、光子计算机或神经计算
- 十大常用机器学习算法总结(持续完善)
二哥不像程序员
数据挖掘机器学习算法python机器学习人工智能新星计划
前言之前二哥连载了各类常用的机器学习算法的原理与具体推倒过程,本文我们对常用的十大机器学习算法进行总结。记得收藏+点赞+评论呦!目录前言一、线性回归二、K近邻算法(KNN)三、朴素贝叶斯(NB)四、逻辑回归(LR)五、支持向量机(SVM)六、决策树(DT)七、随机森林(RF)八、GBDT九、XGBoost十、K-Means一、线性回归思路:线性回归假设目标值与特征之间线性相关,即满足一个多元一次方
- 【机器学习算法总结】XGBoost
y430
KaggleMachinelearning
目录1.XGBoost2.CART树2.1优缺点2.2分裂依据2.2.1分类2.2.2回归2.3总结2.4参考3.算法原理3.1定义树的复杂度3.2打分函数计算示例3.3分裂结点3.3.1贪心法3.3.2近似算法3.3.3分布式加权直方图算法(WeightedQuantileSketch)4.损失函数(指定grad、hess)4.1参考5.缺失值6.其他优化6.1正则化6.2计算速度提升6.2.1
- 机器学习算法总结(六)——EM算法与高斯混合模型
weixin_30291791
人工智能
极大似然估计是利用已知的样本结果,去反推最有可能(最大概率)导致这样结果的参数值,也就是在给定的观测变量下去估计参数值。然而现实中可能存在这样的问题,除了观测变量之外,还存在着未知的隐变量,因为变量未知,因此无法直接通过最大似然估计直接求参数值。EM算法是一种迭代算法,用于含有隐变量的概率模型的极大似然估计,或者说是极大后验概率估计。1、经典的三硬币模型引入一个例子来说明隐变量存在的问题。假设有3
- 机器学习总结一:Bagging之决策树、随机森林原理与案例
想考个研
机器学习决策树随机森林
机器学习算法总结一、Bagging之决策树、随机森林原理与案例二、boosting之GBDT、XGBT原理推导与案例三、SVM原理推导与案例四、逻辑回归与反欺诈检测案例五、聚类之K-means一、Bagging之决策树、随机森林原理与案例1.决策树1.1简介决策树(DecisionTree)是一种非参数的有监督学习方法,它能够从一系列有特征和标签的数据种总结出决策规则,并利用树状图结构呈现这些规则
- 机器学习总结三:SVM原理推导与案例
想考个研
机器学习支持向量机算法
机器学习算法总结一、Bagging之决策树、随机森林原理与案例二、boosting之GBDT、XGBT原理推导与案例三、SVM原理推导与案例四、逻辑回归与反欺诈检测案例五、聚类之K-means三、SVM1.原理推导(硬间隔)1.1分类问题代数化**svm原理一句话概括:找出一个最优的直线(或超平面)去隔离不同类别样本数据,达到分类目的。**图1图2图1:找出一条直线将样本完美地划分成两类(注意这样
- 机器学习总结四:逻辑回归与反欺诈检测案例
想考个研
机器学习逻辑回归算法
机器学习算法总结一、Bagging之决策树、随机森林原理与案例二、boosting之GBDT、XGBT原理推导与案例三、SVM原理推导与案例四、逻辑回归与反欺诈检测案例五、聚类之K-means四、逻辑回归1、概述由线性回归变化而来的,应用于分类问题中的广义回归算法。组成:回归函数z=w1x1+w2x2+...+wnxn+b=[w1w2wnb]∗[x1x2⋮xn1]=wTXz=w_1x_1+w_2x
- 机器学习算法总结--朴素贝叶斯
spearhead_cai
机器学习算法总结机器学习算法朴素贝叶斯
这次需要总结的是朴素贝叶斯算法,参考文章:《统计学习方法》机器学习常见算法个人总结(面试用)朴素贝叶斯理论推导与三种常见模型朴素贝叶斯的三个常用模型:高斯、多项式、伯努利简介朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。贝叶斯定理是基于条件概率来计算的,条件概率是在已知事件B发生的前提下,求解事件A发生的概率,即P(A|B)=P(AB)P(B),而贝叶斯定理则可以通过P(A|B)来求解P
- 机器学习算法总结
ZQ_ZHU
MachineLearning秋招机器学习算法
转自:https://blog.csdn.net/weixin_40411446/article/details/81836322~~~~~·个人整理,如需转载,请说明并备注,不甚感激~~~~~~(这篇文章我很早发布在简书上,不用简书好多年了,哈哈哈,居然上了热搜,特复制在CSDN上供大家参考,为秋招攒点人品)suxuer简书原文地址BAT机器学习面试系列1.请简要介绍下SVM。SVM,全称是su
- 机器学习算法总结
#叫啥名字呢
机器学习机器学习算法
~~~~~·个人整理,如需转载,请说明并备注,不甚感激~~~~~~(这篇文章我很早发布在简书上,不用简书好多年了,哈哈哈,居然上了热搜,特复制在CSDN上供大家参考,为秋招攒点人品)suxuer简书原文地址BAT机器学习面试系列1.请简要介绍下SVM。SVM,全称是supportvectormachine,中文名叫支持向量机。SVM是一个面向数据的分类算法,它的目标是为确定一个分类超平面,从而将不
- 机器学习期末练习题
unseven
机器学习机器学习期末练习题
目录KNN决策树朴素贝叶斯SVMadaboost梯度下降法KmeansAprioriSVD重要的评估指标(注意F1score)机器学习算法总结过拟合和欠拟合产生的原因:解决欠拟合(高偏差)的方法解决过拟合(高方差)的方法:KNN决策树朴素贝叶斯SVMadaboost这个题的答案给的有问题,推荐看完这个解析41、AdaBoost算法原理的举例推演梯度下降法KmeansAprioriSVD重要的评估指
- 梯度提升决策树(GBDT)与XGBoost、LightGBM
weixin_ry5219775
决策树机器学习算法
20211224【机器学习算法总结】XGBoost_yyy430的博客-CSDN博客_xgboostxgboost参数默认:auto。XGBoost中使用的树构造算法。可选项:auto,exact,approx,hist,gpu_exact,gpu_hist。分布式和外部存储器版本仅支持tree_method=approx。auto:使用启发式方法选择最快的方法。(1)对于中小型数据集,将使用精确
- 支持向量机SVM
余生最年轻
机器学习
关键字:vector,support,machine,核函数,支持向量机由于自然语言分类总结:SVM是一个分类问题,在学习复杂的非线性方程时效果很好,是监督式学习(详见前面的微博:机器学习算法总结)。例子:from吴恩达的机器学习视频,肿瘤大小与是否患病的例子1.定义找到一条直线,使得直线可以划分两类,并且到两类的距离(就是图上的垂线长度)一样,这是一条最佳的直线。离直线最近的点叫vector,直
- 机器学习算法总结之聚类:K-means
kaiyuan_sjtu
ML算法总结
写在前面在前面学习的ML算法中,基本都是有监督学习类型,即存在样本标签。然而在机器学习的任务中,还存在另外一种训练样本的标签是未知的,即“无监督学习”。此类任务中研究最多、应用最广泛的是“聚类”(clustering),常见的无监督学习任务还有密度估计、异常检测等。本文将首先介绍聚类基本概念,然后具体地介绍几类细分的聚类算法。参考资料:K-Means聚类算法原理1.聚类简介聚类试图将数据集中的样本
- 机器学习算法总结知识点索引
光英的记忆
算法tensorflowNLP
百面机器学习算法总结索引(声明:以下所有内容及其链接内容来自于百面机器学习一书,仅供自己方便学习和复习,不做任何商业用途,所有链接内容继承本声明)第一节:特征归一化1.为什么需要对数值类型的特征做归一化?2.在对数据进行预处理时,应该怎样处理类别型特征?3.如何处理高纬度组合特征?什么是组合特征?4.5.有哪些文本表示模型?它们各有什么优缺点?6.Word2vec是如何工作的?它和LDA有什么区别
- 机器学习算法总结--决策树
spearhead_cai
机器学习算法
简介定义:分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点和有向边组成。结点有两种类型:内部结点和叶结点。内部结点表示一个特征或属性,叶结点表示一个类。决策树学习通常包括3个步骤:特征选择、决策树的生成和决策树的修剪。决策树学习本质上是从训练数据集中归纳出一组分类规则,也可以说是由训练数据集估计条件概率模型。它使用的损失函数通常是正则化的极大似然函数,其策略是以损失函数为目标函数的最
- 使用Python语言进行机器学习工作流的实例分析
冬之晓东
python机器学习数据处理数据挖掘
最近,在kaggle上找到一位大牛写的机器学习算法总结,感觉流程清晰,内容详实,因此翻译并分享下,由于作者不明原因将原文删除了,所以没法放上原文地址,文中主要以代码实践的方式展开各种算法,原理方面参考文中的地址连接(这是自己加上的),以便随时查阅~目录目录使用Python语言进行机器学习工作流的实例分析1.介绍2.机器学习工作流程3问题定义3.1问题特征3.2目标3.3变量4.输入输出5.安装工具
- 机器学习算法总结11:XGBoost
小颜学人工智能
机器学习
XGBoost(eXtremeGradientBoosting)是于2015年提出的GradientBoosting实现算法,在速度和精度较GBDT有显著提升。XGBoost以类似牛顿法的方式进行优化。任何机器学习问题都可以从目标函数出发,目标函数分为两部分:损失函数+正则化项,其中,损失函数用于描述模型拟合数据的程度,正则化项用于控制模型的复杂度。与GDBT一样,XGBoost采用加法模型,设基
- 机器学习算法总结12:LightGBM
小颜学人工智能
机器学习
LightGBM是一个梯度(GradientBoosting,GB)框架,可用于分类、回归、排序等机器学习任务。相比于XGBoost,LightGBM在不降低准确率的前提下,速度提升了10倍左右,占用内存下降了3倍左右。直方图算法(HistogramAlgorithm)的基本思想是将连续的特征离散化为k个离散特征,同时构造一个宽度为k的直方图,用于统计信息(含有k个bin)即将连续值映射到对应bi
- 机器学习算法总结9:k-means聚类算法
小颜学人工智能
机器学习
无监督学习:训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础。聚类是典型无监督学习任务,它试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个簇。距离度量:通过距离来定义相似度度量,距离越大,相似度越小。最常用的距离度量是闵可夫斯基距离,其中,当p=2时,称为欧氏距离;当p=1时,称为曼哈顿距离。详见我的博客:机器学
- 机器学习算法总结10:Bagging及随机森林
小颜学人工智能
机器学习
Bagging是并行式集成学习方法最著名的代表,可以用于分类任务,也可以用于回归任务,被誉为“代表集成学习技术水平的方法”。不同于Boosting方法对训练数据集赋予不同的权重训练基学习器,Bagging采用“重采样法”,将训练数据集进行采样,进而产生若干个不同的子集,再从每个数据子集中训练出一个基学习器,然后使用结合策略得到强学习器。为得到不同的采样集,使用自助采样法进行采样:给定包含m个样本的
- 机器学习算法总结6:线性回归与逻辑回归
小颜学人工智能
机器学习
线性回归(LinearRegression):线性回归是回归模型,y=f(x):表明自变量x和因变量y的关系。1.模型2.策略损失函数(平方损失函数):注:平方误差代价函数是解决回归问题最常用的代价函数。3.算法最小二乘法:注意:要求X是满秩的!逻辑回归(LogisticRegression):逻辑回归是统计学习中的经典分类方法,属于对数线性模型。1.模型逻辑回归实际上是处理二类分类问题的模型,输
- 基于scikit-learn的随机森林调参实战
kaiyuan_sjtu
ML算法总结
写在前面在之前一篇机器学习算法总结之Bagging与随机森林中对随机森林的原理进行了介绍。还是老套路,学习完理论知识需要实践来加深印象。在scikit-learn中,RF的分类类是RandomForestClassifier,回归类是RandomForestRegressor。当然RF的变种ExtraTrees也有,分类类ExtraTreesClassifier,回归类ExtraTreesRegr
- 【机器学习算法总结】GBDT
y430
MachinelearningKaggle
目录1、GBDT2、GBDT思想3、负梯度拟合4、损失函数4.1、分类4.2、回归5、GBDT回归算法6、GBDT分类算法6.1、二分类6.2、多分类7、正则化8、RF与GBDT之间的区别与联系9、优缺点优点缺点10、应用场景11、主要调参的参数12、sklearn.ensemble.GradientBoostingClassifier参数及方法说明参考1、GBDTGBDT(GradientBoo
- 辗转相处求最大公约数
沐刃青蛟
C++漏洞
无言面对”江东父老“了,接触编程一年了,今天发现还不会辗转相除法求最大公约数。惭愧惭愧!
为此,总结一下以方便日后忘了好查找。
1.输入要比较的两个数a,b
忽略:2.比较大小(因为后面要的是大的数对小的数做%操作)
3.辗转相除(用循环不停的取余,如a%b,直至b=0)
4.最后的a为两数的最大公约数
&
- F5负载均衡会话保持技术及原理技术白皮书
bijian1013
F5负载均衡
一.什么是会话保持? 在大多数电子商务的应用系统或者需要进行用户身份认证的在线系统中,一个客户与服务器经常经过好几次的交互过程才能完成一笔交易或者是一个请求的完成。由于这几次交互过程是密切相关的,服务器在进行这些交互过程的某一个交互步骤时,往往需要了解上一次交互过程的处理结果,或者上几步的交互过程结果,服务器进行下
- Object.equals方法:重载还是覆盖
Cwind
javagenericsoverrideoverload
本文译自StackOverflow上对此问题的讨论。
原问题链接
在阅读Joshua Bloch的《Effective Java(第二版)》第8条“覆盖equals时请遵守通用约定”时对如下论述有疑问:
“不要将equals声明中的Object对象替换为其他的类型。程序员编写出下面这样的equals方法并不鲜见,这会使程序员花上数个小时都搞不清它为什么不能正常工作:”
pu
- 初始线程
15700786134
暑假学习的第一课是讲线程,任务是是界面上的一条线运动起来。
既然是在界面上,那必定得先有一个界面,所以第一步就是,自己的类继承JAVA中的JFrame,在新建的类中写一个界面,代码如下:
public class ShapeFr
- Linux的tcpdump
被触发
tcpdump
用简单的话来定义tcpdump,就是:dump the traffic on a network,根据使用者的定义对网络上的数据包进行截获的包分析工具。 tcpdump可以将网络中传送的数据包的“头”完全截获下来提供分析。它支 持针对网络层、协议、主机、网络或端口的过滤,并提供and、or、not等逻辑语句来帮助你去掉无用的信息。
实用命令实例
默认启动
tcpdump
普通情况下,直
- 安卓程序listview优化后还是卡顿
肆无忌惮_
ListView
最近用eclipse开发一个安卓app,listview使用baseadapter,里面有一个ImageView和两个TextView。使用了Holder内部类进行优化了还是很卡顿。后来发现是图片资源的问题。把一张分辨率高的图片放在了drawable-mdpi文件夹下,当我在每个item中显示,他都要进行缩放,导致很卡顿。解决办法是把这个高分辨率图片放到drawable-xxhdpi下。
&nb
- 扩展easyUI tab控件,添加加载遮罩效果
知了ing
jquery
(function () {
$.extend($.fn.tabs.methods, {
//显示遮罩
loading: function (jq, msg) {
return jq.each(function () {
var panel = $(this).tabs(&
- gradle上传jar到nexus
矮蛋蛋
gradle
原文地址:
https://docs.gradle.org/current/userguide/maven_plugin.html
configurations {
deployerJars
}
dependencies {
deployerJars "org.apache.maven.wagon
- 千万条数据外网导入数据库的解决方案。
alleni123
sqlmysql
从某网上爬了数千万的数据,存在文本中。
然后要导入mysql数据库。
悲剧的是数据库和我存数据的服务器不在一个内网里面。。
ping了一下, 19ms的延迟。
于是下面的代码是没用的。
ps = con.prepareStatement(sql);
ps.setString(1, info.getYear())............;
ps.exec
- JAVA IO InputStreamReader和OutputStreamReader
百合不是茶
JAVA.io操作 字符流
这是第三篇关于java.io的文章了,从开始对io的不了解-->熟悉--->模糊,是这几天来对文件操作中最大的感受,本来自己认为的熟悉了的,刚刚在回想起前面学的好像又不是很清晰了,模糊对我现在或许是最好的鼓励 我会更加的去学 加油!:
JAVA的API提供了另外一种数据保存途径,使用字符流来保存的,字符流只能保存字符形式的流
字节流和字符的难点:a,怎么将读到的数据
- MO、MT解读
bijian1013
GSM
MO= Mobile originate,上行,即用户上发给SP的信息。MT= Mobile Terminate,下行,即SP端下发给用户的信息;
上行:mo提交短信到短信中心下行:mt短信中心向特定的用户转发短信,你的短信是这样的,你所提交的短信,投递的地址是短信中心。短信中心收到你的短信后,存储转发,转发的时候就会根据你填写的接收方号码寻找路由,下发。在彩信领域是一样的道理。下行业务:由SP
- 五个JavaScript基础问题
bijian1013
JavaScriptcallapplythisHoisting
下面是五个关于前端相关的基础问题,但却很能体现JavaScript的基本功底。
问题1:Scope作用范围
考虑下面的代码:
(function() {
var a = b = 5;
})();
console.log(b);
什么会被打印在控制台上?
回答:
上面的代码会打印 5。
&nbs
- 【Thrift二】Thrift Hello World
bit1129
Hello world
本篇,不考虑细节问题和为什么,先照葫芦画瓢写一个Thrift版本的Hello World,了解Thrift RPC服务开发的基本流程
1. 在Intellij中创建一个Maven模块,加入对Thrift的依赖,同时还要加上slf4j依赖,如果不加slf4j依赖,在后面启动Thrift Server时会报错
<dependency>
- 【Avro一】Avro入门
bit1129
入门
本文的目的主要是总结下基于Avro Schema代码生成,然后进行序列化和反序列化开发的基本流程。需要指出的是,Avro并不要求一定得根据Schema文件生成代码,这对于动态类型语言很有用。
1. 添加Maven依赖
<?xml version="1.0" encoding="UTF-8"?>
<proj
- 安装nginx+ngx_lua支持WAF防护功能
ronin47
需要的软件:LuaJIT-2.0.0.tar.gz nginx-1.4.4.tar.gz &nb
- java-5.查找最小的K个元素-使用最大堆
bylijinnan
java
import java.util.Arrays;
import java.util.Random;
public class MinKElement {
/**
* 5.最小的K个元素
* I would like to use MaxHeap.
* using QuickSort is also OK
*/
public static void
- TCP的TIME-WAIT
bylijinnan
socket
原文连接:
http://vincent.bernat.im/en/blog/2014-tcp-time-wait-state-linux.html
以下为对原文的阅读笔记
说明:
主动关闭的一方称为local end,被动关闭的一方称为remote end
本地IP、本地端口、远端IP、远端端口这一“四元组”称为quadruplet,也称为socket
1、TIME_WA
- jquery ajax 序列化表单
coder_xpf
Jquery ajax 序列化
checkbox 如果不设定值,默认选中值为on;设定值之后,选中则为设定的值
<input type="checkbox" name="favor" id="favor" checked="checked"/>
$("#favor&quo
- Apache集群乱码和最高并发控制
cuisuqiang
apachetomcat并发集群乱码
都知道如果使用Http访问,那么在Connector中增加URIEncoding即可,其实使用AJP时也一样,增加useBodyEncodingForURI和URIEncoding即可。
最大连接数也是一样的,增加maxThreads属性即可,如下,配置如下:
<Connector maxThreads="300" port="8019" prot
- websocket
dalan_123
websocket
一、低延迟的客户端-服务器 和 服务器-客户端的连接
很多时候所谓的http的请求、响应的模式,都是客户端加载一个网页,直到用户在进行下一次点击的时候,什么都不会发生。并且所有的http的通信都是客户端控制的,这时候就需要用户的互动或定期轮训的,以便从服务器端加载新的数据。
通常采用的技术比如推送和comet(使用http长连接、无需安装浏览器安装插件的两种方式:基于ajax的长
- 菜鸟分析网络执法官
dcj3sjt126com
网络
最近在论坛上看到很多贴子在讨论网络执法官的问题。菜鸟我正好知道这回事情.人道"人之患好为人师" 手里忍不住,就写点东西吧. 我也很忙.又没有MM,又没有MONEY....晕倒有点跑题.
OK,闲话少说,切如正题. 要了解网络执法官的原理. 就要先了解局域网的通信的原理.
前面我们看到了.在以太网上传输的都是具有以太网头的数据包. 
- Android相对布局属性全集
dcj3sjt126com
android
RelativeLayout布局android:layout_marginTop="25dip" //顶部距离android:gravity="left" //空间布局位置android:layout_marginLeft="15dip //距离左边距
// 相对于给定ID控件android:layout_above 将该控件的底部置于给定ID的
- Tomcat内存设置详解
eksliang
jvmtomcattomcat内存设置
Java内存溢出详解
一、常见的Java内存溢出有以下三种:
1. java.lang.OutOfMemoryError: Java heap space ----JVM Heap(堆)溢出JVM在启动的时候会自动设置JVM Heap的值,其初始空间(即-Xms)是物理内存的1/64,最大空间(-Xmx)不可超过物理内存。
可以利用JVM提
- Java6 JVM参数选项
greatwqs
javaHotSpotjvmjvm参数JVM Options
Java 6 JVM参数选项大全(中文版)
作者:Ken Wu
Email:
[email protected]
转载本文档请注明原文链接 http://kenwublog.com/docs/java6-jvm-options-chinese-edition.htm!
本文是基于最新的SUN官方文档Java SE 6 Hotspot VM Opt
- weblogic创建JMC
i5land
weblogicjms
进入 weblogic控制太
1.创建持久化存储
--Services--Persistant Stores--new--Create FileStores--name随便起--target默认--Directory写入在本机建立的文件夹的路径--ok
2.创建JMS服务器
--Services--Messaging--JMS Servers--new--name随便起--Pers
- 基于 DHT 网络的磁力链接和BT种子的搜索引擎架构
justjavac
DHT
上周开发了一个磁力链接和 BT 种子的搜索引擎 {Magnet & Torrent},本文简单介绍一下主要的系统功能和用到的技术。
系统包括几个独立的部分:
使用 Python 的 Scrapy 框架开发的网络爬虫,用来爬取磁力链接和种子;
使用 PHP CI 框架开发的简易网站;
搜索引擎目前直接使用的 MySQL,将来可以考虑使
- sql添加、删除表中的列
macroli
sql
添加没有默认值:alter table Test add BazaarType char(1)
有默认值的添加列:alter table Test add BazaarType char(1) default(0)
删除没有默认值的列:alter table Test drop COLUMN BazaarType
删除有默认值的列:先删除约束(默认值)alter table Test DRO
- PHP中二维数组的排序方法
abc123456789cba
排序二维数组PHP
<?php/*** @package BugFree* @version $Id: FunctionsMain.inc.php,v 1.32 2005/09/24 11:38:37 wwccss Exp $*** Sort an two-dimension array by some level
- hive优化之------控制hive任务中的map数和reduce数
superlxw1234
hivehive优化
一、 控制hive任务中的map数: 1. 通常情况下,作业会通过input的目录产生一个或者多个map任务。 主要的决定因素有: input的文件总个数,input的文件大小,集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到,该参数不能自定义修改);2. 
- Spring Boot 1.2.4 发布
wiselyman
spring boot
Spring Boot 1.2.4已于6.4日发布,repo.spring.io and Maven Central可以下载(推荐使用maven或者gradle构建下载)。
这是一个维护版本,包含了一些修复small number of fixes,建议所有的用户升级。
Spring Boot 1.3的第一个里程碑版本将在几天后发布,包含许多