自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(26)
  • 收藏
  • 关注

原创 idea eval reset插件安装教程

安装教程:连接不上https://plugins.zhile.io仓库解决方法:

2024-03-11 22:43:56 540

原创 nvm配置淘宝镜像源

找到nvm安装路径 -> 找到 settings.txt 文件 -> 配置下载源。

2024-03-07 15:22:25 1047

原创 数据库死锁

产生死锁的条件:互斥:一个资源每次只能被一个进程使用请求与保持:一个进程因请求资源而阻塞时,对已获得的资源保持不放不剥夺:进程已获得的资源,在未使用完之前,不能强行剥夺循环等待:若干进程之间形成一种头尾相接的循环等待资源关系这四个条件都是产生死锁的必要条件。只要上述条件之一不满足,就不会发生死锁例子1. 事务之间对资源访问顺序的交替事务A锁住了记录1并等待记录2,事务B锁住了记录2并等待记录1,这样两个事务就发生了死锁。解决:尽量按照相同顺序来锁定资源2. 并发修改同一记录事务A想执

2020-10-11 19:49:57 240

原创 B树和B+树

2-3树2-3树是一种多路查找树:2和3的意思就是2-3树包含两种结点2结点包含一个元素和两个孩子(或者没有孩子)左子树包含结点的元素值小于该结点的元素值,右子树包含的结点的元素值大于该结点的元素值2结点要不两个孩子,要不就没有孩子,不允许有一个孩子3结点包含一大一小两个元素和三个孩子(或者没有孩子)。(两个元素按大小顺序排列好)左子树包含的结点的元素值小于该结点较小的元素值;右子树包含的结点的元素值大于该结点较大的元素值;中间子树包含的结点的元素值介于这两个元素值之间。3结点要

2020-10-10 11:07:49 428

原创 Mysql的隔离级别以及产生的问题

并发导致的事务问题更新丢失:和别的事务读到相同的数据,各自对数据进行操作,自己写的被覆盖了比如:事务A和事务B同时对同一数据操作,由于事务A先提交,事务A做的改变被事务B覆盖了脏读:一个事务读取了另一个事务还没有提交的数据比如:事务A读取了事务B更新但未提交的数据后,事务B进行了回滚操作,那么事务A读取到的是脏数据。不可重复读:同一个事务中,多次读出的同一条数据是不一样的。比如:事务A多次读取同一数据,事务B在事务A多次读取的过程中,对该数据进行了更新和提交,导致事务A多次读取的数据不一样。幻

2020-10-09 21:08:48 383

原创 Centos配置yum源

yum源的默认仓库文件夹是/etc/yum.repos.d/,只有在这个目录第一层的*.repo结尾的文件,才会被yum读取1. 下载wget命令yum install wget -y # wget命令就是在线下载一个url的静态资源2. 备份旧的yum仓库源cd /etc/yum.repos.d/mkdir repobakmv *.repo repobak # 备份repo文件3. 下载阿里的yum源仓库# wget -O是大写的字母Owget -O /etc/yum

2020-10-08 00:31:18 67

原创 linux vi寻找“{“对应的“}“

将光标停在 “{” 上,然后按%,即可定位到对应的 “}”;反之亦然。

2020-10-07 15:01:42 122

原创 Django查询相关函数

filter方法示例: ****条件格式: **    模型类属性名__条件名=值- 判等条件名:exact。例:查询编号为1的图书。BookInfo. objects. get(id=1)BookInfo. objects.get(id__exact=1)- 模糊查询例**:查询书名包含’传’的图书:containsBookInfo.objects.filter(btitle__contains=‘传’)例:查询书名以’部’结尾的图书endswith 开头:sta

2020-10-06 16:25:51 220 1

原创 (django1.11.7)将数据从SQLite3迁移转换到MySQL

因为要部署项目,所以把数据库从SQLite迁移到MySQL> 前提是系统已经装好mysql1、SQLite导出数据导出之前,settings.py的数据库配置是sqlite3:DATABASES = { 'default': { 'ENGINE': 'django.db.backends.sqlite3', 'NAME':os.path.join(BASE_DIR,'db.sqlite3'), } }然后在pycharm的c

2020-10-06 00:41:50 205

原创 UDP、TCP

UDPUDP不提供复杂的控制机制,利用IP提供面向无连接的通信服务。当收到应用程序发来的数据时,立刻按照原样发送到网络上。UDP无法进行流量控制等避免网络拥塞的行为;传输过程中出现丢包,UDP也不负责重发;当包的顺序乱掉时,也没有纠正的功能。由于UDP面向无连接,他可以随时发送数据。UDP的处理简单高效,所以常用语视频、音频的即时通信(微信电话、视频、直播),广播通信等。优点快,比TCP安全UDP没有TCP的握手,确认窗口,重传,拥塞机制。UDP是一个无状态的传输机制,所以在传输数据时非常快。U

2020-09-30 00:22:49 96

原创 OSI七层模型

应用层应用层直接向用户提供服务,完成用户希望在网络上完成的各种工作。主要功能如下:用户接口:应用层是用户与网络、应用程序与网络间的直接接口,使得用户能够与网络进行交互式联系。实现服务:应用程序能够完成用户请求的服务表示层具有相同功能的不同软件可能导致对数据的表现形式不同,但是让所有用户都只用同一款软件是不可能的,所以需要利用表示层,将数据从某个特定的格式转换为”网络通用的标准数据格式“后再发出去。接收端主机收到数据后将这些网络标准格式的数据转换为本机特定的格式。表示层的作用就在于,数据被转换

2020-09-30 00:16:48 234

原创 进程与线程

进程进程是一个在内存中运行的应用程序。每个进程都有自己独立的内存空间。一个运行的exe就是一个进程线程线程是进程中的一个执行单元。一个进程至少有一个线程,也可以运行多个线程,多个线程之间共享数据。与进程不同的是同类的多个线程共享进程的堆和方法区资源,但每个线程有自己的程序计数器、虚拟机栈和本地方法栈。堆和方法区:堆是进程中最大的一块内存,主要用于存放新创建的对象(所有对象都在这里分配内存);方法区主要用于存放已被加载的类信息、常量、静态变量等。程序计数器的作用:字节码解释器通过改变程序计

2020-08-24 01:10:33 98

原创 python list、tuple、dict、set的实现

list列表是一个长度可变的连续数组,从细节上看,python中的列表是由对其他对象的引用组成的连续数组。指向这个数组的指针及其长度被保存在一个列表头结构中。这意味着,每次删除或添加一个元素时,由引用组成的数组需要重新分配。在普通链表上复杂度低的操作,对于 python的list来说复杂度会更高。操作复杂度复制O(n)在尾部添加元素O(1)在指定位置插入元素O(n)获取元素O(1)修改元素O(1)删除元素O(n)遍历O(n)获取

2020-08-14 13:03:34 155

转载 三次握手、四次挥手

三次握手三次握手(Three-way Handshake)的目的是连接服务器端口,建立TCP连接,并同步连接双方的序列号和确认号,同时交换TCP窗口大小信息。在socket编程中,客户端执行connect()时触发3次握手①客户端发送一个SYN标记位为1的TCP报文,表示“请求建立新连接“,还包含客户端打算连接的服务器的端口,以及初始序号Seq=X;随后客户端进入SYN-SENT阶段。②服务器端收到来自客户端的TCP报文后,结束LISTEN阶段。服务器端返回一段TCP报文,其中SYN和ACK标记为

2020-08-13 18:08:36 409

原创 http请求头内容、状态码

请求头内容说明示例Accept可接受的相应内容类型Accept:/Accept-Charset可接受的字符集Accept-Charset:utf-8Accept-Encoding可接受的响应内容Accept-Encodingg: zip, deflate, brAccept-Language可接受的响应内容的语言种类Accept-Language:zh-CNCache-Control用来指定当前的请求/回复中,是否使用缓存机制Cache-C

2020-08-12 22:34:48 103

原创 TCP 流量控制和拥塞控制

TCP 流量控制和拥塞控制流量控制假如TCP以一个MSS为单位,每发一个段进行一次确认应答的处理,包的往返时间越长,通信性能就越低。因此,TCP引入窗口的概念。确认应答不再是以每个分段,而是以更大的单位进行确认。窗口大小是发送端无需等待确认应答而可以继续发送数据的最大值,由接收端向发送端通知窗口大小。在传输数据过程中,可能会出现丢包,所以发送端需要设置缓存保留这些数据,直到收到他们的确认应答。收到确认应答后,将窗口滑动到确认应答的序列号位置,这就是滑动窗口控制当接收端收到自己应该接收的序列号以

2020-08-11 15:02:58 136

转载 python list实现原理

数据如何在内存中存储?在32位的计算机上,1个字节有8位,内存寻址最小的单位是字节。假设我们有一个int类型的值,他的内存地址从0x01开始,int类型占据4个字节,则其结束于0x13。那么数据类型有什么意义呢它确定了特定类型的数据需要申请多大的内存地址来存储,并且决定取到的二进制数该如何解释。地址存储的只有二进制数,但是对于数字和字符,同一个二进制数代表的意义是不同的。同类型的数据在内存中是如何连续存储的?假设将一个含有4个数字的集合(数学意义上的集合,下同)连续地存储在一起,在内存里的表现就

2020-08-10 01:28:53 1430 1

原创 数组和链表的区别

数组和链表是两种基本的数据结构,他们在内存存储上的表现不一样。数组在内存中,数组是一块连续的区域,且存储着相同类型的数据。由于这两个特点,数组具有随机访问的特性。数组需要预留一块连续的内存空间,可能造成浪费。比如预订了10个连续的座位,但是来的人不够10个,那么剩下的位置就浪费了。如果来了11个人,则要么把第11个位置的人移走,要么重新找一个11连坐的座位。插入和删除的效率低。插入数据时,这个位置后面的数据在内存中都要向后移;删除数据时,这个位置后面的数据都要向前移。随机读取数据的效率高。因为数组

2020-08-10 01:12:12 821

原创 吴恩达机器学习笔记(七)

7.1 过拟合问题(The problem of overfitting)变量个数不同的情况下,拟合的程度不同。过度拟合问题将会在变量过多的时候出现。过拟合的时候代价函数值会非常接近0甚至为0。第三张图是过拟合状态,这个曲线千方百计地拟合训练集,导致他无法泛化到新样本中。提问:为什么这三条曲线拟合程度不一样?答:与高阶特征有关。特征的次越高,拟合程度越高。泛化:一个假设模型应用到新样本的能力每一个变量看上去都与房价有关,但是当特征变量过多而训练数据过少时,就会出现过拟合问题。提问:数理

2020-08-10 01:00:43 162

原创 吴恩达机器学习笔记(六)

6.1 分类(Classification)将线性回归用于分类问题不是一个好主意。红线为增加最右的样本前的拟合,蓝线为增加最右的样本后的拟合。假设阈值为0.5,hθ(x)≥0.5h_\theta(x)\ge0.5hθ​(x)≥0.5的情况下(竖线右边)是患有肿瘤,hθ(x)≤0.5h_\theta(x)\le0.5hθ​(x)≤0.5的情况下(竖线左边)是没有肿瘤。可以发现,红线很好地拟合样本数据,但是在增加一个样本后,蓝线不能很好地拟合数据。线性回归模型对噪音十分敏感线性回归还会出现hθ(x)

2020-08-09 21:53:35 293

原创 吴恩达机器学习笔记(四)

4.1 多功能注意:n 代表特征的数量x(i)x^{(i)}x(i)代表第i个训练样本的特征向量xj(i)x^{(i)}_jxj(i)​代表第i个训练样本中第j个特征的值用θ\thetaθ的转置矩阵与训练集样本值的矩阵相乘,在训练集中加多一行样本x0x_0x0​,其中值都为1,与θ0\theta_0θ0​相乘4.2 多元梯度下降下图中J(θ)J(\theta)J(θ)中的θ\t...

2020-03-31 12:19:34 148

原创 归一化、标准化、正则化

归一化、标准化、正则化归一化/标准化定义1. 归一化就是将训练集中某一列数值特征(假设是第i列)的值缩放到0和1之间。方法如下所示:   xi−min(xi)max(xi)−min(xi)\frac{x_i - min(x_i)}{max(x_i) - min(x_i)}max(xi​)−min(xi​)xi​−min(xi​)​2. 标准化就是将训练集中某一列特征值(假设是第i列)缩...

2020-03-19 15:40:05 1844

原创 标准化

标准化标准化定义将数据变换为均值为0,标准差为1的分布,分布并非一定是正态的。分布正态是由于数据本身就是正态的。方法如下:value∗=value−μσvalue^* = \frac{value - \mu}{\sigma}value∗=σvalue−μ​还有一种处理叫做中心化,也叫零均值处理,就是将每个原始数据减去这些数据的均值。很多博客甚至书中说,Standardizatio...

2020-03-19 15:34:44 308

原创 归一化方法

归一化方法(Normalization Method)什么是归一化方法通过某种算法,把需要的数据经过处理后限制在一定范围内(–来自百度百科)为什么要进行归一化?归一化/标准化实质是一种线性变换,线性变换有很多良好的性质,这些性质决定了对数据改变后不会造成“失效,反而能提高数据的表现,这些性质是归一化/标准化的前提。比如有一个很重要的性质:线性变换不会改变原始数据的数值排序。(1)某些模型...

2020-03-19 15:27:42 2313

原创 吴恩达机器学习笔记(三)

3.1 矩阵和向量Matrix/矩阵:Rectangle array of numbers,由数字组成的矩形阵列。Vector/向量:An n x 1 matrix,只有一列的矩阵。一般大写字母代表矩阵,小写字母代表向量3.2 加法和标量乘法比较简单,就不做笔记了3.3 矩阵向量乘法小技巧使用矩阵向量相乘的方法来计算函数hθ(x)h_\theta(x)hθ​(x)的值(参考作业...

2020-03-19 11:40:49 75

原创 吴恩达机器学习笔记(二)

2.1 模型描述例子:预测住房价格  红色叉叉是来自数据集描绘的点这是一个监督学习算法的例子,因为每一个例子都有一个“正确”的答案,我们知道卖出的房子的大小和与之对应的价格。这也是一个回归的例子,回归是指我们预测一个具体的数值输出。注意*:训练样本的数量:m = Number of training examples   输入变量/特征:x’s = “input” variabl...

2020-03-19 11:31:40 272

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除