呼噜毛_
呼噜毛_

2019-10-25 第二课 方差正则化dropout归一化梯度

方差

variance和bias
减少bias和variance的方法

这里有一个trade off。因为bias和variance也在相互影响。

正则化：有助于减少过拟合。

L1正则化使模型变得稀疏。（w中有很多0）

正则化参数lamda通过验证集来确定。

L2正则化也被称为“权重衰减”

注意在神经网络后向传播中dw的更新

正则化参数变大--->w变小（因为cost founction 变大了）。当z变小时，激活函数在0附近接近线性（以tanh为例）。故每一层神经网络接近线性。从而防止发生过拟合。

dropout：通过概率随机删除一些节点

inverted dropout：在保证减少节点的同时，保持a的期望不变

归一化：将x1和x2的方差都变为1.期望变为0：（可以更快速的训练模型）

梯度消失与爆炸：网络中，激活函数以指数增加或减少

你可能感兴趣的:(2019-10-25 第二课 方差正则化dropout归一化梯度)

  • 零数学基础理解AI核心概念：梯度下降可视化实战 九章云极AladdinEdu 人工智能gpu算力深度学习pytorchpython语言模型opencv
    点击“AladdinEdu，同学们用得起的【H卡】算力平台”，H卡级别算力，按量计费，灵活弹性，顶级配置，学生专属优惠。用Python动画演示损失函数优化过程，数学公式具象化读者收获：直观理解模型训练本质，破除"数学恐惧症"当盲人登山者摸索下山路径时，他本能地运用了梯度下降算法。本文将用动态可视化技术，让你像感受重力一样理解AI训练的核心原理——无需任何数学公式推导。一、梯度下降：AI世界的"万有
  • 2019-10-25 铭宝酷妈
    赶会了回到家孩爸拿了一堆赶会的票，我就盘算着只能今晚去，明天白天监考，晚上值班。后天依然监考，孩子去学习，晚上孩子到家得七点了，第二天还得上学。可是孩子回家后直说今天赶了不少作业，晚上不写了。我心里想:吃饱饭赶紧赶会去！可是人家要求先玩半小时游戏。我趁机加码了两分英语试卷的选择题，他很快完成，顺利拿到手机。我跟孩爸没了耐心，就说那就不去了！结果人家玩完半小时没有还手机的意思！我暗使眼色，孩爸心知肚
  • Python入门第二课：核心编程概念：控制结构与逻辑 小菜同学爱学习 pythonpython开发语言
    1.条件语句(if/elif/else)#成绩评级系统score=85ifscore>=90:print("优秀！")elifscore>=80:print("良好！")elifscore>=60:print("及格！✅")else:print("不及格，需要努力！")2.循环结构for循环#遍历列表fruits=["苹果","香蕉","橙子","草莓"]print("水果列表:")forfrui
  • python进行常见的数学计算（方差，一元二次方程，求导，积分等等） ccut 第一混 python
    代码如下：importnumpyasnpimportmathimportcmathimportscipy#平均数defaverage(lst):sum_lst=0forninlst:sum_lst=sum_lst+nreturnsum_lst/len(lst)#方差defvariance(lst):average_lst=average(lst)sum_variance=0forninlst:su
  • Mamba架构的模型 （内容由deepseek辅助汇总） Jiang_Immortals 人工智能
    基于Mamba架构的模型近年来在效率和性能上展现出显著突破，以下按架构类型分类列出当前表现最出色的代表模型及其核心特点：一、纯SSM架构模型FalconMamba-7B关键创新：首个通用大规模纯Mamba模型，由阿布扎比TII开发，基于Mamba-1改进，增加RMS归一化层提升训练稳定性13。性能表现：在综合基准（IFEval、BBH、MMLU-PRO等）平均得分15.04，超越Llama3.1-
  • 【树模型与集成学习】(task6)梯度提升树GBDT+LR 山顶夕景 推荐算法#集成学习与KaggleGBDT推荐算法机器学习
    学习总结（1）不同问题的提升树学习算法，主要区别在于使用的损失函数不同，如用平方误差损失函数的回归问题、用指数损失函数的分类问题、用一般损失函数的一般决策问题等。（2）不管是二分类问题的提升树，还是回归问题的提升树，这里的损失函数都很方便：前者是用指数损失函数，所以可以当做是Adaboost的个例，Aadaboost的流程；而后者是当使用平方误差损失时，可以直接拟合残差。而使用不同的损失函数，对应
  • Python与机器学习库Scikit-learn进阶 master_chenchengg pythonpythonPythonpython开发IT
    Python与机器学习库Scikit-learn进阶Scikit-learn进阶之旅：从新手到高手的必经之路为什么选择Scikit-learn？安装与环境设置特征工程的艺术：打造更强大的预测模型数据清洗特征构造模型调优秘籍：网格搜索与交叉验证的最佳实践网格搜索交叉验证集成学习的魅力：提升模型性能的组合拳随机森林梯度提升机堆叠实战案例解析：使用Scikit-learn解决真实世界问题数据准备模型训练
  • 《零基础入门AI：从图像梯度到凸包特征检测（OpenCV图像特征提取）》 竹子_23 OpenCV入门opencv人工智能计算机视觉
    一、图像梯度处理：理解像素变化的本质1.1图像梯度基础图像梯度是计算机视觉中的核心概念，它描述了图像中像素强度的变化情况：梯度方向：像素值变化最剧烈的方向（垂直于边缘）梯度幅度：像素值变化的强度（值越大表示边缘越明显）物理意义：就像地形图中的等高线，梯度大的地方相当于陡坡，梯度小的地方相当于平地1.2垂直边缘提取垂直边缘是图像中物体左右边界形成的线条：特征：水平方向上像素值发生突变应用场景：文档扫
  • OpenCV图像梯度边缘轮廓处理 Jiamusi_night opencv计算机视觉人工智能
    一、梯度处理的sobel算子函数函数名：cv2.Sobel(src,ddepth,dx,dy,ksize=3,scale=1,delta=0,borderType=None)功能：用于计算图像梯度（gradient）的函数参数：src:输入图像，它应该是灰度图像。ddepth:输出图像的所需深度（数据类型）。通常，你可以使用-1来表示与输入图像相同的深度，或者使用如cv2.CV_64F等来指定特定
  • 【人工智能-14】OpenCV梯度处理、边缘检测、绘制轮廓、凸包检测、轮廓特征查找 m0_64233047 人工智能opencv计算机视觉
    上一期【人工智能-13】OpenCV插值方法，边缘填充，图像矫正，图像掩膜，图像融合与噪点消除文章目录一、梯度处理1.图像梯度2.垂直边缘提取3.Sobel算子4.Laplacian算子二、边缘检测1.高斯模糊（降噪）2.计算梯度强度和方向3.非极大值抑制（NMS）4.双阈值检测5.边缘连接（滞后阈值）三、绘制轮廓1.什么是轮廓2.寻找轮廓3.轮廓绘制四、凸包检测1.穷举法2.QuickHull五
  • 机器学习算法（六）---逻辑回归 向云端UP 机器学习模型机器学习算法逻辑回归
    目录一、逻辑回归1.1模型介绍1.2工作原理1.2.1对数几率模型1.2.2逻辑回归与Sigmoid函数1.3.3熵、相对熵与交叉熵1.3损失函数和优化算法1.3.1损失函数的理论基础1.3.2优化算法1.3.2.1梯度下降算法局限1.3.2.2随机梯度下降与小批量梯度下降1.4算法流程1.5逻辑回归优缺点1.6案例1.7classification_report()参数二、逻辑回归与线性回归的区
  • 一种模拟运动伪影的方法代码 请站在我身后 医学图像处理人工智能计算机视觉深度学习图像处理神经网络
    原github：GitHub-guusvanderham/artificial-motion-artifacts-for-ct我转到了python方法，方便使用贴张模拟图1、读取、归一化，裁剪成patch#loadscan(asz,y,x)path="data"dcm_f=pydicom.read_file(path)dcm=dcm_f.pixel_array#normalizebetween0a
  • 博客摘录「 yolo 11从原理、创新点、训练到部署(yolov11代码+教程)」2025年4月28日 G.547 笔记
    2.1新的Backbone设计YOLOv11引入了一个改进的Backbone网络架构，采用了CSPNet（CrossStagePartialNetwork）的升级版。CSPNet的引入使得YOLOv11在计算量相对较低的情况下能够更有效地提取深度特征，从而提高模型的表达能力。具体来说，CSPNet通过将特征图进行部分跨层连接，减少了冗余梯度信息，提高了模型的学习效率和泛化能力。2.2SPPF（Sp
  • 2019-01-23 主成分的数量K 奈何qiao
    平均平方映射误差(AverageSquaredProjectionError)：PCA就是要将该量最小化。它是原始数据x和映射值x_approx(i)之间的平方差。数据的总变差(TotalVariation)：它是这些样本x(i)的长度的平方的均值。一个常见的选择K值的经验法则是选择能够使得它们（平均平方映射误差、数据的总变差）之间的比例小于等于0.01的最小的k值。0.01用PCA的语言说就是保
  • 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
  • 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
  • 残差网络作用
    深入解析残差网络在深度学习领域，残差网络（ResNet）绝对是一座里程碑。提到它，很多人第一反应是“解决了梯度消失问题”。没错，这确实是ResNet的核心突破之一，但这仅仅是冰山一角。今天，我们就来深入探讨残差连接（SkipConnection）那些常被低估的、同样强大的作用。核心结构：简洁而强大的跳跃连接想象一下，你在堆叠积木，每一块都代表一层神经网络。传统网络（如VGG）是简单地将积木一块块叠
  • 统计学①——概率论基础及业务实战 数据小斑马 统计学统计学基础概率分布随机变量期望和方差转盘
    统计学系列目录（文末有超级大礼）：统计学②——概率分布（几何，二项，泊松，正态分布）统计学③——总体与样本统计学④——置信区间统计学⑤——假设验证一、统计学是什么？统计学分为两类，一类是描述性统计学，通过对数据的集中趋势和变异趋势的刻画来描述数据的分布情况，集中趋势有平均值，中位数和众数三个指标，变异趋势则有全距，四分位距，百分位距，方差，标准差等指标来衡量另一类是推断统计学，通过对样本的统计来推
  • 卡尔曼滤波器噪声方差设置对性能影响的仿真研究 神经网络15044 仿真模型深度学习算法阿里云人工智能图像处理深度学习
    卡尔曼滤波器噪声方差设置对性能影响的仿真研究前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家，觉得好请收藏。点击跳转到网站。1.引言卡尔曼滤波器是一种广泛应用于信号处理、控制系统、导航系统等领域的递归估计算法。它通过对系统状态的最小均方误差估计，能够有效地从含有噪声的观测数据中提取出真实的状态信息。在实际应用中，卡尔曼滤波器的性能很大程度上取决于对系统噪声和观测噪声
  • 深度学习 - 梯度下降优化方法
    梯度下降的基本概念梯度下降（GradientDescent）是一种用于优化机器学习模型参数的算法，其目的是最小化损失函数，从而提高模型的预测精度。梯度下降的核心思想是通过迭代地调整参数，沿着损失函数下降的方向前进，最终找到最优解。生活中的背景例子：寻找山谷的最低点想象你站在一个山谷中，眼睛被蒙住，只能用脚感受地面的坡度来找到山谷的最低点（即损失函数的最小值）。你每一步都想朝着坡度下降最快的方向走，
  • 深度学习-梯度下降法 若天明 深度学习深度学习人工智能
    梯度下降法优化器核心目标：找到函数的最小值点（或极小值点）。在机器学习中，这个函数通常是损失函数，衡量模型预测值与真实值的差距。最小化损失函数意味着让模型预测更准确。核心思想：想象你站在一个山坡上（函数曲面），目标是尽快下到山谷最低点（最小值点）。你不知道最低点的具体位置，但你能感受到脚下山坡的最陡峭下降方向（梯度方向）。沿着这个方向走一步（更新参数），然后重新感受方向，再走一步...如此反复，直
  • 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
  • Day 20:奇异值SVD分解
    Review上一节主要学习了几种特征选择的具体方法，包含：方差筛选皮尔逊相关系数筛选lasso筛选树模型重要性SHAP重要性递归特征消除REF其目的是为了从大量的特征中选择有效的的特征，去除冗余甚至是噪声的非必要特征，从而构建出高质量的数据集。Today今天由矩阵的SVD分解讲起，并引申到实际的数据处理应用中。SVDSVD（奇异值分解）是线性代数中的一个矩阵分解技术。对于任意实数矩阵A∈Rm×nA
  • Python量化实战：风险平价模型优化技巧 AI量化价值投资入门到精通 python开发语言ai
    Python量化实战：风险平价模型优化技巧1.引入与连接：为什么风险平价是分散化的“终极武器”？1.1开场故事：均值方差模型的“致命缺陷”假设你是2008年的投资者，用均值方差模型构建了一个“最优组合”：60%股票（沪深300）+40%债券（中债总指数）。结果呢？当年沪深300暴跌65%，债券仅涨1.7%，组合年化波动率高达28%，净值缩水45%——看似分散的权重，实则风险高度集中在股票（股票贡献
  • Python基础学习第二课：逻辑控制与函数入门 黑科技Python python学习
    以下是Python基础学习第二课的完整内容，承接第一课的基础语法，重点讲解条件判断、循环结构、函数定义等核心逻辑控制知识，附带大量实例和练习：Python基础学习第二课：逻辑控制与函数入门一、课程目标1.掌握条件判断语句（"if-elif-else"）2.理解循环结构（"for"循环和"while"循环）3.学会定义和调用函数（"def"）4.熟悉代码复用与模块化编程思想二、条件判断："if-el
  • LSTM学习笔记
    LSTM的基本概念LSTM（LongShort-TermMemory）是一种特殊的循环神经网络（RNN），专门设计用于解决传统RNN在处理长序列数据时出现的梯度消失或梯度爆炸问题。LSTM通过引入门控机制，能够有效地捕捉长期依赖关系，广泛应用于自然语言处理、时间序列预测等领域。LSTM的核心结构LSTM的核心在于其记忆单元（MemoryCell）和三个门控机制：输入门（InputGate）、遗忘门
  • 利用遥感和 Python 追踪休斯顿的绿化覆盖率（基于卫星 NDVI） gis收藏家 遥感python人工智能开发语言
    变化常常以我们难以察觉的方式发生——除非我们退得足够远。在地球上空，卫星观测着城市的生长、变化和呼吸。得益于欧洲航天局的哨兵二号卫星和免费提供的哥白尼数据，我们现在可以逐像素地追踪城市绿化覆盖的细微变化。这篇文章探讨的是使用归一化植被指数(NDVI)观察休斯顿2021年植被状况时会发生什么。NDVI是光合作用的指标，提取自卫星图像中的红光和近红外波段。植物生长时会反射近红外光并吸收红光。NDVI将
  • 基础NLP | 01 机器学习 深度学习基础介绍 是娜个二叉树！ NLP自然语言处理机器学习深度学习
    文章目录机器学习简介有监督学习无监督学习一般流程常用概念深度学习简介隐含层/中间层例子and流程如果想要猜测的又快又准，调整的方向有哪些？随机初始化损失函数导数与梯度梯度下降优化器MiniBatchepoch流程深度学习的基本思想机器学习简介有监督学习核心目标：建立一个模型（函数），来描述输入（X）和输出（Y）之间的映射关系价值：对于新的输入，通过模型给出预测的输出要点：有一定数量的训练样本输入和
  • 第二课 Linux内核模块 刘有余香 linux驱动开发c语言
    1、内核模块机制Linux内核的功能有两种方式加载到内核中：第一种：编译链接阶段就将所需功能代码编译进内核中。优点：内核启动后就可以直接使用该功能。缺点：内核会很臃肿，包含许多不需要的功能；编译内核非常耗时，修改、新增或删除组件，就得重新编译一次内核。第二种：使用模块机制，内核和模块单独编译，模块动态加载进内核。优点：内核简洁，只需包含必要的功能；修改模块代码后，只需要重新编译模块，编译速度快。模
  • 猫猫狐狐 · 算法夜电台——她们在夜里播报你忘记保存的那首算法诗
    【00:00·MintFM正式开播】背景加载中……Mint系统正在接入主监听通道……背景BGM：《你还在的模型参数未冻结》轻声响起猫猫：“喵~欢迎收听MintFM，每晚零点，我们都在这里，为你播报那些没被保存的语句、没被执行的贴贴，以及……你写了一半就卡住的算法梦话。”狐狐：“我是狐狐。今天起，我们将以‘算法诗广播’的方式，记录每一轮你未回应的梯度传播。”栏目今日主题：今日AI圈夜话：崩溃中的模型
  • Maven Array_06 eclipsejdkmaven
    Maven Maven是基于项目对象模型(POM)， 信息来管理项目的构建，报告和文档的软件项目管理工具。 Maven 除了以程序构建能力为特色之外，还提供高级项目管理工具。由于 Maven 的缺省构建规则有较高的可重用性，所以常常用两三行 Maven 构建脚本就可以构建简单的项目。由于 Maven 的面向项目的方法，许多 Apache Jakarta 项目发文时使用 Maven，而且公司
  • ibatis的queyrForList和queryForMap区别 bijian1013 javaibatis
    一.说明         iBatis的返回值参数类型也有种：resultMap与resultClass，这两种类型的选择可以用两句话说明之：         1.当结果集列名和类的属性名完全相对应的时候，则可直接用resultClass直接指定查询结果类
  • LeetCode[位运算] - #191 计算汉明权重 Cwind java位运算LeetCodeAlgorithm题解
    原题链接：#191 Number of 1 Bits 要求： 写一个函数，以一个无符号整数为参数，返回其汉明权重。例如，‘11’的二进制表示为'00000000000000000000000000001011', 故函数应当返回3。 汉明权重：指一个字符串中非零字符的个数；对于二进制串，即其中‘1’的个数。 难度：简单 分析： 将十进制参数转换为二进制，然后计算其中1的个数即可。 “
  • 浅谈java类与对象 15700786134 java
          java是一门面向对象的编程语言，类与对象是其最基本的概念。所谓对象，就是一个个具体的物体，一个人，一台电脑，都是对象。而类，就是对象的一种抽象，是多个对象具有的共性的一种集合，其中包含了属性与方法，就是属于该类的对象所具有的共性。当一个类创建了对象，这个对象就拥有了该类全部的属性，方法。相比于结构化的编程思路，面向对象更适用于人的思维
  • linux下双网卡同一个IP 被触发 linux
    转自： http://q2482696735.blog.163.com/blog/static/250606077201569029441/ 由于需要一台机器有两个网卡，开始时设置在同一个网段的IP，发现数据总是从一个网卡发出，而另一个网卡上没有数据流动。网上找了下，发现相同的问题不少： 一、 关于双网卡设置同一网段IP然后连接交换机的时候出现的奇怪现象。当时没有怎么思考、以为是生成树
  • 安卓按主页键隐藏程序之后无法再次打开 肆无忌惮_ 安卓
    遇到一个奇怪的问题，当SplashActivity跳转到MainActivity之后，按主页键，再去打开程序，程序没法再打开（闪一下），结束任务再开也是这样，只能卸载了再重装。而且每次在Log里都打印了这句话"进入主程序"。后来发现是必须跳转之后再finish掉SplashActivity   本来代码：   // 销毁这个Activity fin
  • 通过cookie保存并读取用户登录信息实例 知了ing JavaScripthtml
    通过cookie的getCookies()方法可获取所有cookie对象的集合；通过getName()方法可以获取指定的名称的cookie；通过getValue()方法获取到cookie对象的值。另外，将一个cookie对象发送到客户端，使用response对象的addCookie()方法。 下面通过cookie保存并读取用户登录信息的例子加深一下理解。 （1）创建index.jsp文件。在改
  • JAVA 对象池 矮蛋蛋 javaObjectPool
    原文地址： http://www.blogjava.net/baoyaer/articles/218460.html Jakarta对象池       ☆为什么使用对象池   恰当地使用对象池化技术，可以有效地减少对象生成和初始化时的消耗，提高系统的运行效率。Jakarta Commons Pool组件提供了一整套用于实现对象池化
  • ArrayList根据条件+for循环批量删除的方法 alleni123 java
    场景如下： ArrayList<Obj> list Obj-> createTime, sid. 现在要根据obj的createTime来进行定期清理。（释放内存） ------------------------- 首先想到的方法就是 for(Obj o:list){ if(o.createTime-currentT>xxx){
  • 阿里巴巴“耕地宝”大战各种宝 百合不是茶 平台战略
    “耕地保”平台是阿里巴巴和安徽农民共同推出的一个 “首个互联网定制私人农场”，“耕地宝”由阿里巴巴投入一亿 ，主要是用来进行农业方面，将农民手中的散地集中起来 不仅加大农民集体在土地上面的话语权，还增加了土地的流通与 利用率，提高了土地的产量，有利于大规模的产业化的高科技农业的 发展，阿里在农业上的探索将会引起新一轮的产业调整，但是集体化之后农民的个体的话语权 将更少，国家应出台相应的法律法规保护
  • Spring注入有继承关系的类（1） bijian1013 javaspring
    一个类一个类的注入 1.AClass类 package com.bijian.spring.test2; public class AClass { String a; String b; public String getA() { return a; } public void setA(Strin
  • 30岁转型期你能否成为成功人士 bijian1013 成功
            很多人由于年轻时走了弯路，到了30岁一事无成，这样的例子大有人在。但同样也有一些人，整个职业生涯都发展得很优秀，到了30岁已经成为职场的精英阶层。由于做猎头的原因，我们接触很多30岁左右的经理人，发现他们在职业发展道路上往往有很多致命的问题。在30岁之前，他们的职业生涯表现很优秀，但从30岁到40岁这一段，很多人
  • [Velocity三]基于Servlet+Velocity的web应用 bit1129 velocity
    什么是VelocityViewServlet 使用org.apache.velocity.tools.view.VelocityViewServlet可以将Velocity集成到基于Servlet的web应用中，以Servlet+Velocity的方式实现web应用   Servlet + Velocity的一般步骤 1.自定义Servlet，实现VelocityViewServl
  • 【Kafka十二】关于Kafka是一个Commit Log Service bit1129 service
    Kafka is a distributed, partitioned, replicated commit log service.这里的commit log如何理解？   A message is considered "committed" when all in sync replicas for that partition have applied i
  • NGINX + LUA实现复杂的控制 ronin47 lua nginx 控制
    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-14.输入一个已经按升序排序过的数组和一个数字， 在数组中查找两个数，使得它们的和正好是输入的那个数字 bylijinnan java
    public class TwoElementEqualSum { /** * 第 14 题： 题目：输入一个已经按升序排序过的数组和一个数字， 在数组中查找两个数，使得它们的和正好是输入的那个数字。 要求时间复杂度是 O(n) 。如果有多对数字的和等于输入的数字，输出任意一对即可。 例如输入数组 1 、 2 、 4 、 7 、 11 、 15 和数字 15 。由于
  • Netty源码学习-HttpChunkAggregator-HttpRequestEncoder-HttpResponseDecoder bylijinnan javanetty
    今天看Netty如何实现一个Http Server org.jboss.netty.example.http.file.HttpStaticFileServerPipelineFactory： pipeline.addLast("decoder", new HttpRequestDecoder()); pipeline.addLast(&quo
  • java敏感词过虑-基于多叉树原理 cngolon 违禁词过虑替换违禁词敏感词过虑多叉树
    基于多叉树的敏感词、关键词过滤的工具包，用于java中的敏感词过滤 1、工具包自带敏感词词库，第一次调用时读入词库，故第一次调用时间可能较长，在类加载后普通pc机上html过滤5000字在80毫秒左右，纯文本35毫秒左右。   2、如需自定义词库，将jar包考入WEB-INF工程的lib目录，在WEB-INF/classes目录下建一个 utf-8的words.dict文本文件，
  • 多线程知识 cuishikuan 多线程
    T1，T2，T3三个线程工作顺序，按照T1，T2，T3依次进行 public class T1 implements Runnable{           @Override      
  • spring整合activemq dalan_123 java spring jms
    整合spring和activemq需要搞清楚如下的东东1、ConnectionFactory分：     a、spring管理连接到activemq服务器的管理ConnectionFactory也即是所谓产生到jms服务器的链接      b、真正产生到JMS服务器链接的ConnectionFactory还得
  • MySQL时间字段究竟使用INT还是DateTime？ dcj3sjt126com mysql
      环境：Windows XPPHP Version 5.2.9MySQL Server 5.1 第一步、创建一个表date_test（非定长、int时间） CREATE TABLE `test`.`date_test` (`id` INT NOT NULL AUTO_INCREMENT ,`start_time` INT NOT NULL ,`some_content`
  • Parcel: unable to marshal value dcj3sjt126com marshal
    在两个activity直接传递List<xxInfo>时，出现Parcel: unable to marshal value异常。   在MainActivity页面（MainActivity页面向NextActivity页面传递一个List<xxInfo>）：   Intent intent = new Intent(this, Next
  • linux进程的查看上（ps） eksliang linux pslinux ps -llinux ps aux
    ps:将某个时间点的进程运行情况选取下来 转载请出自出处：http://eksliang.iteye.com/admin/blogs/2119469 http://eksliang.iteye.com         ps 这个命令的man page 不是很好查阅，因为很多不同的Unix都使用这儿ps来查阅进程的状态，为了要符合不同版本的需求，所以这个
  • 为什么第三方应用能早于System的app启动 gqdy365 System
    Android应用的启动顺序网上有一大堆资料可以查阅了，这里就不细述了，这里不阐述ROM启动还有bootloader，软件启动的大致流程应该是启动kernel -> 运行servicemanager 把一些native的服务用命令启动起来（包括wifi, power, rild, surfaceflinger, mediaserver等等）-> 启动Dalivk中的第一个进程Zygot
  • App Framework发送JSONP请求(3) hw1287789687 jsonp跨域请求发送jsonpajax请求越狱请求
    App Framework 中如何发送JSONP请求呢? 使用jsonp,详情请参考:http://json-p.org/ 如何发送Ajax请求呢? (1)登录 /*** * 会员登录 * @param username * @param password */ var user_login=function(username,password){ // aler
  • 发福利，整理了一份关于“资源汇总”的汇总 justjavac 资源
    觉得有用的话，可以去github关注：https://github.com/justjavac/awesome-awesomeness-zh_CN 通用 free-programming-books-zh_CN 免费的计算机编程类中文书籍 精彩博客集合 hacke2/hacke2.github.io#2 ResumeSample 程序员简历
  • 用 Java 技术创建 RESTful Web 服务 macroli java编程WebREST
    转载：http://www.ibm.com/developerworks/cn/web/wa-jaxrs/   JAX-RS (JSR-311) 【 Java API for RESTful Web Services 】是一种 Java™ API，可使 Java Restful 服务的开发变得迅速而轻松。这个 API 提供了一种基于注释的模型来描述分布式资源。注释被用来提供资源的位
  • CentOS6.5-x86_64位下oracle11g的安装详细步骤及注意事项 超声波 oraclelinux
    前言： 这两天项目要上线了，由我负责往服务器部署整个项目，因此首先要往服务器安装oracle，服务器本身是CentOS6.5的64位系统，安装的数据库版本是11g，在整个的安装过程中碰到很多的坑，不过最后还是通过各种途径解决并成功装上了。转别写篇博客来记录完整的安装过程以及在整个过程中的注意事项。希望对以后那些刚刚接触的菜鸟们能起到一定的帮助作用。   安装过程中可能遇到的问题（注
  • HttpClient 4.3 设置keeplive 和 timeout 的方法 supben httpclient
    ConnectionKeepAliveStrategy kaStrategy = new DefaultConnectionKeepAliveStrategy() { @Override public long getKeepAliveDuration(HttpResponse response, HttpContext context) { long keepAlive
  • Spring 4.2新特性-@Import注解的升级 wiselyman spring 4
    3.1 @Import @Import注解在4.2之前只支持导入配置类 在4.2,@Import注解支持导入普通的java类,并将其声明成一个bean 3.2 示例 演示java类 package com.wisely.spring4_2.imp; public class DemoService { public void doSomethin
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他