mysql实现跨服务器查询数据
在日常的开发中经常进行跨数据库进行查询数据。 同服务器下跨数据库进行查询在表前加上数据库名就可以查询到数据。 mysql跨服务器进行查询提供了FEDERATED引擎进行映射表，然后进行查询。 mysql数据库federated引擎是关闭的，首先需要先启用该引擎。mysql执行show engines命令查看引擎状态。 show engines;
FEDERATED引擎是未启用的。 启用FEDERATED引擎 Windows下找到my.ini修改mysql配置。该文件是隐藏在ProgramDa
fastjson获取Json字符串中数据
通过接口请求到Json字符串response 获取Json字符串rows中数据 JSONObject jsonObject = JSONObject.parseObject(response);
JSONArray jsonArray = (JSONArray) ((JSONObject) jsonObject.get("content")).get("rows");
List<Map<String, Object>> result = JSONArray.parseObject(jsonA
java stream 分组统计
文章来源：https://gitee.com/wustrive/codes/l1typxfn79adhs0czmwb313 public void testStreamGroupBy() {
List<Map<String, Object>> items = Lists.newArrayList();
Map<String, Object> map = Maps.newHashMap();
map.put("daily", "2018-01-10
stream sorted进行降序排序
根据value值的大小进行降序排序，并进行截取。 public static void main(String[] args) {
List<Map<String, Object>> list = Lists.newArrayList();
Map<String, Object> map = Maps.newHashMap();
map.put("id", 1);
map.put("value", 20);
java stream 根据key去重求和
根据key去重并将key相同的value值相加 先将多个map放一个list中 result原始数据： [{"town":7,"district":6,"village":23}, {"town":7,"district":6,"village":23}, {"town":7,"district":6,"village":23}, {"town":7,"district":6,"village":23}]
java 1.8之前版本使用多重遍历，遍历处理如下： /**
* 处
JS判断字段是否包含重复元素
publish_area字段中包含多个areaId，保存时需要判断字段中areaId是否重复 js检查数组元素是否重复 //检查数组元素是否有重复
function arrRepeat(arr) {
var arrStr = JSON.stringify(arr);
for (var i = 0; i < arr.length; i++) {
if (arr[i] === '') {
continu
Mysql将多条数据的某个字段合并
sql语句将多条数据的某个字段的多条数据合并为一个字段 场景：简历标签表中一条简历有多个标签，将简历的多条标签合并为一个字段 使用sql的GROUP_CONCAT() 实现合并 SELECT GROUP_CONCAT(tag_code) AS tag_code,fk_resume_id FROM resume_tag GROUP BY fk_resume_id
SpringBoot通过AOP保存操作日志
项目中的一些重要操作需要记录操作日志，以便于以后操作出问题进行追踪是谁操作引起的。 pom.xml引入AOP依赖 <dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!-- aop -->
<dependency>
<groupId>org.springframework.boot
机器学习金典算法（二）--梯度下降法（2）
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/82289008 机器学习金典算法（二）–梯度下降法 本人上篇博文梯度下降法（1）解释了梯度下降法在机器学习中位置及思想，本文将继续讨论梯度下降法，梯度下降法存在的问题及改进思路，以及现有的几种流行的变种梯度下降法。 目录 1 普通梯度下降法 3 随机梯度下降法 4 标准梯度下降存在的问题 4.1 容易在最优值附近震荡 4.2 局部极小值 4.3 参数调整缓慢
机器学习经典算法（三）--指数加权平均
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/82352602 机器学习经典算法（三）–指数加权平均 指数加权平均（Exponentially Weighted Averages）是一些改进梯度下降法重要理论，如上篇博文梯度下降法（2）提到的动量梯度下降法，RMSprop、Adam等都用到了指数加权平均。也叫指数加权移动平均（Exponentially Weighted Moving Averages）；那
3D人脸重建：《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/82383518 《Joint 3D Face Reconstruction and Dense Alignment with Position Map Regression Network》 目录 0 前言 1 概述 2 相关工作 2.1 3D 人脸重建 2.2 人脸对齐 3 详细思路 3.1 3D Face Representation 3.2 Networ
3D人脸重建--学习笔记
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/82623328 本文旨在学习总结2D到3D人脸重建相关问题，个人水平有限，本人也是刚开始调研3D人脸重建，不足之处望大神指点改进。 目录 1 什么是3D人脸重建？ 2 重建方法分类 3 通用模型3D人脸重建 4 3D变形模型3D人脸重建 4.1 初版3DMM 4.2 表情3DMM 4.3 人脸重建 4.4 LSFM-3DMM 4.5 Nonlinear-3DM
2D/3D 手势关键点：《Hand Keypoint Detection in Single Images using Multiview Bootstrapping》
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/83754116 《Hand Keypoint Detection in Single Images using Multiview Bootstrapping》 作者：Tomas Simon， Hanbyul Joo， Iain Matthews， Yaser Sheikh 机构：Carnegie Mellon University 论文：PDF 实现
Ubuntu16+CUDA8+Caffe+Tensorflow+Pytorch+cuDNN6+Matlab2015b+Opencv3(一篇就够)
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/84579954 本文旨在总结深度学习基础环境搭建中，一些基础工具软件包安装。因为在工作过程中，搭建环境不是天天遇到，但总是偶尔遇到，工具包安装不可谓不重要；由于每次搭建基础环境都要去找多个的博客，挺麻烦的，所以总结于此，方便自己也方便他人。 本文将总结适应于Tensorflow，Pytorch，Caffe等深度学习框架通用基础环境搭建。 文章目录 1 登陆
fatal error: opencv2/contrib/contrib.hpp' file not found
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/84661726 问题分析 1 问题 在建立好基于opencv3的深度学习Caffe环境后，运行一些特殊的基于opencv2的caffe_demo编译时出现： fatal error: opencv2/contrib/contrib.hpp: 没有那个文件或目录 如下图 2 分析 首先不要怀疑opencv3安装出了问题，个人找了些博客，得出结论：
solver_factory.hpp:76] Check failed: registry.count(type) == 1 (0 vs. 1) Unknown solver type: SGD
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/84847789 问题描述 本人遇到这个问题的环境： Ubuntu16 CUDA8 Caffe Matlab2015b 具体环境安装可见个人博客 在编译matlab版本caffe时遇到 安装正常，编译caffe正常，编译matcaffe正常，测试matcaffe也正常，但在用matcaffe训练模型时出现 : You set your caffe
Ubuntu16下Matlab2017b安装及matcaffe使用问题记录
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/85680067 本人之前常用matlab2015b来跑caffe，但其在inference网络时，常常出现几个问题： 1） gpuDevice(1)函数时间太长，约么5分钟左右，急性子人实在受不了 2）非第一次inference，不用 gpuDevice函数，又常常出现找不到gpu环境错误（具体错误，忘记截图了），需要重启matlab+gpuDevice
2D多人关键点--《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/85695623 《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》 来源：CMU，OpenPose开源多人姿态模型 源码：https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation 本文虽然是2016年的
Caffe层系列：Slice Layer
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/86150930 Slice Layer 的作用是将bottom按照需要切分成多个tops，一般特点是：一个输入多个输出 首先我们先看一下 SliceParameter message SliceParameter {
// The axis along which to slice -- may be negative to index from the
Caffe层系列：Eltwise Layer
版权声明：未经博主允许，不得转载！ https://blog.csdn.net/u011681952/article/details/86151648 Eltwise Layer是对多个bottom进行操作计算并将结果赋值给top，一般特点：多个输入一个输出，多个输入维度要求一致 首先看下Eltwise层的参数： message EltwiseParameter {
enum EltwiseOp {
PROD = 0; //点乘
SUM = 1;
今日推荐
周排行