程序猿小九九的博客

目录Join/Inner JoinJoin/Inner Join语法演示结果Left JoinLeft Join语法演示结果Right JoinRight Join语法 演示结果​Full Join Full Join语法总结WHERE和ON的区别演示where语句where语句执行过程on语句on语句执行过程SQL中JOIN相关子句是用于将两个或者多个表结合起来，进行相关关操作。下面是一些关于JOIN的的功能描述，后面会进行详细的分析对比总结。测试表分别为：city表school表 Join和Inner

CSRF意思是跨站请求伪造。就是通过伪造用户请求对服务器进行攻击，是一种对网站的恶意利用。简单的说，是攻击者通过一些技术手段欺骗用户的浏览器去访问一个自己以前认证过的站点并运行一些操作（如发邮件，甚至财产操作（如转账和购买商品）等）。早期的网站用户和服务器的通信，是使用cookie进行认证的。攻击者可以通过完全伪造用户的请求，因为请求中所有的用户验证信息都是存在于cookie中的。所以现在为抵御这一攻击，就是要让认证信息部分是无法被伪造，同时用户的关键信息(如密码等)是不能够被直接查看到的(一般是进行加密)

JavaScript是一门世界上最流行的脚本语言一个合格的后端人员，必须要精通JavaScriptECMAScript可以理解为JavaScript的一个标准最新版本已经到es6但是大部分浏览器还只停留在支持es5代码上开发环境~线上环境，版本不一致内部标签外部引入我的第一个JavaScript程序.htmlqj.js03、浏览器控制台使用04、数据类型快速浏览变量numberjs不区分小数和整数，number字符串‘abc’“abc”布尔值truefalse逻辑运算比较运算符这

HTMLHTML5HTML5的优势W3C标准常见IDEhtml基本机构、等成对的标签，分别叫开放标签，和闭合标签单独呈现的标签（空元素），如意为用/来关闭空元素03.网页基本标签标题标签段落标签换行标签水平线标签字体样式标签注释和特殊符号04.图像标签常见的图像格式05.超链接标签及应用文本超链接图像超链接超链接06.块元素和行内元素块元素无论内容多少，该元素独占一行(p、h1-h6、…)行内元素内容撑开宽度，左右都是行内元素的可以排在一行(a

html + css + javascript结构+ 表现 + 交互如何学习cascading style sheet(层叠级联样式表)css:表现（美化网页）字体，颜色，边距，高度，宽度，背景图片，网页定位，网页浮动。。。发展史：CSS1.0CSS2.0 DIV（块）+ CSS，HTML与CSS结构分离的思想，网页变得简单，SEOCSS2.1 浮动，定位CSS3.0 圆角，阴影，动画。。。浏览器兼容性~原生态的css的优势;css拓展：外部样式两种写法链接式html导入式@import ..

记录狂神的MySQL基础笔记

记录的是Vue相关笔记，插槽，VueX，VueRouter等

WebStorm常用快捷键（Mac版）

springboot前端传参参数名和后台接收对象属性名不一致的简易、快速处理办法

机器学习第二周笔记1.1单变量回归问题和模型表示1.2代价函数1.3梯度下降1.4梯度下降的线性回归2.1多变量线性回归2.2多变量梯度下降2.3梯度下降的特征缩放2.4梯度下降的学习率2.5正规方程2.6梯度下降与正规方程的比较1.1单变量回归问题和模型表示根据之前的数据预测出一个准确的输出值。比如更具已有的房价数据，预测出1250(平方英尺)的防止对应的房价是220K左右。‘上图既是一个监督学习算法的方式：h表示一个函数，输入值是房屋尺寸大小。h通过输入的x值来得出y值。y则对应房子价格

回归问题与模型表示，线性回归，代价函数，梯度下降，拟合过程。

机器学习第一周笔记 21/5/5机器学习定义1 机器学习 (Machine Learning): 一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。用下棋举例，其中：经验E ：就是程序上万次的自我下棋(训练)的经验，任务 T： 就是下棋。性能度量值 P：就是它在与一些新的对手比赛时，赢得比赛的概率。2.1监督学习 （Supervised Learning）：对于数据集中每一个样本都

神经网络基础及规则神经元模型激活函数神经网络模型分类1 .前馈型神经网络（FeedForward NN）2 .反馈型神经网络（FeedBack NN）学习规则1. 赫布学习规则2. 离散感知学习规则3. 连续感知器学习规则：δ规则神经元模型特点：多个输入，单个输出不同输入权重不同多输入累加整合阈值特性激活函数激活函数（Activation Function）：也叫连接函数、传递函数、变换函数或激励函数。用于模拟神经元输出与其激活状态之间的联系：输入达到某个阈值后达到激活状态，否则为

神经网络基础及规则神经元模型激活函数神经网络模型分类1 .前馈型神经网络（FeedForward NN）2 .反馈型神经网络（FeedBack NN）学习规则1. 赫布学习规则（Hebb学习规则）2. 离散感知学习规则3. 连续感知器学习规则：δ规则4. 最小均方学习规则（LMS规则）5. 相关学习规则6. 竞争学习&胜者为王7. 外星学习规则神经元模型特点：多个输入，单个输出不同输入权重不同多输入累加整合阈值特性激活函数激活函数（Activation Function）：

感知神经网络笔记1. 感知器2. 单层感知器：线性分类3. 线性与非线性4. 多层感知器1. 感知器感知器：用于线性可分模式分类的最简单的神经网络模型。其由一个具有可调树突权值和偏置的神经元组成。单层神经网络模型：本质是一个非线性前馈网络。同层内无互连，不同层间无反馈，由上层向下层传递。其输入输出均为离散值，神经元对输入加权求和后，由阈值函数决定其输出。感知器实际上是一个简单的单层神经网络模型，单节点感知器就是MP模型。学习过程：给定一个有输入输出实例的训练集，感知机（学习）一个函数

神经网络基础及规则1. 神经元模型2. 激活函数3. 神经网络模型分类前馈型神经网络（FeedForward NN）反馈型神经网络（FeedBack NN）4. 学习规则赫布学习规则（Hebb学习规则）离散感知学习规则连续感知器学习规则：δ规则最小均方学习规则（LMS规则）相关学习规则竞争学习&胜者为王外星学习规则1. 神经元模型特点：多个输入，单个输出不同输入权重不同多输入累加整合阈值特性2. 激活函数激活函数（Activation Function）：也叫连接函数、传递

1. 感知器2. 单层感知器：线性分类单层感知器的学习算法单层感知器的例子3. 线性与非线性4. 多层感知器多层感知器多层感知器实现异或运算不同隐藏层的MLP的分类能力如下图所示5. 自适应线性单元6. 多层自适应线性网络（MADALINE）7. 误差反向传播算法（BP算法）损失函数优化：梯度下降法BP网络训练步骤激活函数的特点误差曲面存在的问题标准BP算法存在的问题标准BP算法改进：增加动量项标准BP算法改进：自适应调节学习率标准BP算法改进：陡度因子1. 感知器感知器：用于线性可分模式分类的最简.

记录BeanUtils.copyProperties的用法，快速赋值。方便简洁高效！

extends在类的声明中，通过关键字extends来创建一个类的子类。(是继承父类，只要这个类不是声明为final或定义为abstract抽象类就能继承) extends是继承某个类，继承之后可以使用父类的方法，也可以重写父类的方法。 继承只能继承一个类implements一个类通过关键字implements声明自己使用一个或者多个接口 implements是实现多个接口，接口的方法一般为空，必须要重写才能使用。(即实现接口的所有方法) 实现多个接口的时候，用逗号分隔开即可...

java之常用类