个人网站买主机和域名,网站备案
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/74421109 1.买域名可以选择阿里云服务平台注册域名, 首先注册一个阿里云账号https://wanwang.aliyun.com/,在https://wanwang.aliyun.com/?utm_content=se_101041下方搜索框中查询你想要注册的域名是否已被注册,若没有则可点击购买,不同的后缀名价格不一,例如.ne
Android开发使用线程池处理异步任务
创建线程有两种方式:1、继承Thread类 2、实现Runnable接口 虽说这两种方式都可以创建出一个线程,不过它们之间还是有一点区别的,主要区别在于在多线程访问同一资源的情况下,用Runnable接口创建的线程可以处理同一资源,而用Thread类创建的线程则各自独立处理,各自拥有自己的资源。 所以大家在Java中大多数多线程程序都是通过实现Runnable来完成的: new Thread(new runnable(){ public void run(){ //执行的操作。。。。 } })
java中开辟新线程的两种方法以及区别
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/76299720 在java开发中经常会遇到线程问题,笔者之前也是技术小白,对线程这一直没有多大理解,这段时间找工作时遇到公司面试问这块的问题较多,故又搜索资料恶补了下,发现线程并不是那么难,只能说笔者技术太菜了。 1、什么叫线程? 线程是操作系统能够进行运算调度的最小单位,是进程的实际运作单位。进程就是通熟意义讲的任务。例如:你执行一
初学Python问题集锦
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/77542809 1、SyntaxError: Missing parentheses in call to 'print' 遇到此类问题主要是版本问题,python 2可以提供print x,而python3只能print(x) 2、模块导入的两种方式 1)eg: import math as myMath print(myMath.
Kotlin HelloWord
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/78830736 初次相识Kotlin便被她的简洁所吸引,于是开始跟着文档撸码,小的初级java自学kotlin,障碍无限,各位看官请不要见笑 1、首先当然还是HelloWorld了 package com.freefly.Day09
/**
* Created by beaverstech on 2017/12/18.
*/
c
JavaFx初探 fxml
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/78833295 1、Controler 与fxml联系起来 <GridPane fx:controller="sample.Controller"
xmlns:fx="http://javafx.com/fxml" alignment="center" hgap="10" vgap="10">
<L
常见的空指针及解决办法
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/79169415 1、变量没有初始化 JsonObject config=null;
config.put("jdbcUrl","jdbc:postgresql://* .*.*.*:5432/data");
config.put("maximumPoolSize",20);
config.put("username","*")
怎么在pycharm中自动生成时间、作者等信息
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/89497015 今天公司一个刚来的实习生在读项目代码时看到一些时间和作者信息,就问我怎么自动生成这些,我就截了张图给他,只需要在python script里添加 ##!/usr/bin/python3 # -*- coding: utf-8 -*- # @Time : ${DATE} ${TIME} # @Author : CFX #
Elasticsearch常用聚合查询语句
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/sinat_26781697/article/details/89709476 公司自从去年10月开始底层数据库全部转由Elasticsearch存储,记录了到一些日常通用语句: (1)逻辑与查询: GET apt.ioc.refer_data/_search { "query": { "bool": { "must": [ { "match": { "run_date":"2019-03-05"
Opencv直线拟合
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/70802079 C++: void fitLine( InputArray points, OutputArray line, int distType, doubleparam, double reps, double aeps ) points:存储点序列 line:2D情况下:Line的类型为4个浮点型的数组(vx, vy, v0, y0),
PCL库安装 和 VS2017环境变量配置
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/88422295 PCL(Point Cloud Library)有很多版本,很多博主只是简单给一个连接,但是软件会有更新的版本推出,所以教给大家怎样能够找到自己想要的版本。 对于刚刚接触PCL的人来说,在Windows下配置PCL并不是一件轻松的事情,我把自己经历的坑总结、分享出来,希望一起学习,共同进步。 PCL库: 寻找资源并下载PCL库:ht
监督学习——线性回归
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/88924553 目录 线性回归 绝对值技巧(只考虑了p的值,即与y轴的距离,q的值不在考虑范围) 平方技巧 梯度下降法 平均绝对值误差 平均平方误差 最小化误差函数 均方误差与总平方误差 小批量梯度下降法 批量梯度下降法与随机梯度下降法 小批次梯度下降法 绝对值误差VS平方误差 scikit-learn中的线性回归 线性回归练习 高维度 多元线性回
监督学习——感知器算法
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/88955962 目录 分类问题 线性界线 更高维度的界线 感知器 用感知器实现简单逻辑运算 感知器技巧——计算机如何“学习”分类 感知器算法 分类问题 神经网络是机器学习中的一个模型,可以用于两类问题的解答: 分类:把数据划分成不同的类别 回归:建立数据间的连续关系 什么是分类问题?分类(classification),即找一个函数判断输入数据所属
监督学习——朴素贝叶斯
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/88965352 目录 猜测人 已知与推断 贝叶斯定理 贝叶斯学习 朴素贝叶斯算法 构建垃圾邮件分类 朴素贝叶斯是一种概率算法,它基于条件概率这一概念,该算法有很多优势:易于实现,训练速度快。 猜测人 已知与推断 贝叶斯定理 敏感性:在金标准判断有病(阳性)人群中,检测出阳性的几率。真阳性。即,识别能力, 敏感性越高,漏诊概率越低。 特异性:在金标准
监督学习——支持向量机(Support Vector Machine--SVM)
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/89004950 目录 距离最小化 误差最小化 感知器算法 分类误差 边际误差 误差函数 边际误差计算 误差函数 C参数 多项式内核 RBF核函数 slearn中的支持向量机 超参数 距离最小化 离线最近的点到线的距离,然后这些最近的点中哪个离线距离更远,选择距离大的那个,简单来说,这是支持向量机工作原理。 误差最小化 用两种方法测量下面图片的模型:
监督学习——集成方法
版权声明:本文是原创文章,转载需注明出处。 https://blog.csdn.net/laboirousbee/article/details/89020133 目录 Bagging AdaBoost 数据权重 集合模型 slearn中的Adaboost 超参数 相关学习资源 Bagging 自助聚集(bootstrap aggregation )。将数据分成很多的子集,然后随机选取一些,用简单的模型去训练,再选择一些数据用另外一个简单的模型去训练……最后将所有的简单模型连接起来,连接的方式
今日推荐
周排行