精华内容
下载资源
问答
  • 在document.all数组里面,元素不分层次按照其在文档中出现的先后顺序,平行地罗列的。所以可以用数字索引来引用到任何一个元素。但比较常用的用对象id来引用一个特定的对象,比如document.all["elemen
     document.all是IE 4.0及以上版本的专有属性,是一个表示当前文档的所有对象的娄组,不仅包括页面上可见的实体对象,还包括一些不可见的对象,比如html注释等等。在document.all数组里面,元素不分层次,是按照其在文档中出现的先后顺序,平行地罗列的。所以可以用数字索引来引用到任何一个元素。但比较常用的是用对象id来引用一个特定的对象,比如document.all["element"]这样。 

    document.layers是Netscape 4.x专有的属性,是一个代表所有由储如<div><layer>等定位了的元素的数组。通常也是用<div>或<layer>对象的id属性来引用的,但是这里面不包含除此以外的其它元素。

    其实这两个属性没什么可比性,大概你经常看到他们同时出时,这有一个历史原因。在第四代浏览器出现的时候,标准相当混乱,Netscape和微软分别推出了它们的Navigator 4.x和IE 4.0,这两个浏览器的巨大差异,也使开发者面临了一个使网页跨浏览器兼容的噩梦。而document.layer和document.all分别是两者一个最显著的标志,为了确定浏览者使用的什么浏览器,通常用是否存在document.layers和document.all来判断。
    新的统一的标准用document.getElementById等系列方法来引用DOM对象,而且Netscape 6.0以后放弃了layers特征,虽然IE继续保留了document.all,但这最终没有成为DOM标准的一部分。希望document.layers和document.all能够早日作古,让标准早日深入人心!
    展开全文
  • 这个体系结构明确地表达了层次结构,用上采样层和下采样在不同规模的连续块之间转换。这种设计的一个重要动机在这些领域中突出的多尺度结构极高的信号维。例如,一个典型的图像包含百万个像素,这些像素...

    在计算机视觉和音频处理等领域,最先进的模式识别系统几乎普遍基于多层层次特征提取器。这些模型是分阶段构建的:输入通过一系列连续的块进行处理,每个块以不同的分辨率操作。这个体系结构明确地表达了层次结构,用上采样层和下采样层在不同规模的连续块之间转换。这种设计的一个重要动机是在这些领域中突出的多尺度结构和极高的信号维数。例如,一个典型的图像包含数百万个像素,这些像素必须由模型进行一致的处理。

    诸如神经ODE(NODEs)和深均衡模型(DEQ)等隐式深层网络的最新进展例证了可微分建模的替代方法。这些结构用模型必须满足的解析条件替换显式的、深度叠放的层,并且能够在恒定的内存占用范围内模拟具有“无限”深度的模型。隐式建模的一个显著成就是其成功应用于自然语言处理中的大规模序列。

    但隐式深度学习与一般模式识别任务相关吗?其中一个明显的挑战是隐性网络去掉了灵活的“层次”和“阶段”。因此,尚不清楚他们是否可以适当地对多尺度结构进行建模,而多尺度结构在某些领域中对高分辨能力是至关重要的。这是激发我们工作的挑战,放弃层次和阶段的深层序列的隐式模型(implicit models),能否在具有丰富多尺度结构特征的领域(如计算机视觉)获得具有竞争力的精度?

    为了应对这一挑战,本文引入了一类新的隐式网络:多尺度深度均衡模型(MDEQ)。它受到 DEQs的启发,DEQs在序列建模中获得了很高的准确性。我们充分扩展了DEQ的构造,以引入多种信号分辨率的同时均衡建模。MDEQ通过在所有特征尺度上直接优化稳定表示,同时解决了多个分辨率流的平衡。与标准的显式深层网络不同,MDEQ不会连续处理不同的分辨率,而较高的分辨率会流入较低的分辨率,反之亦然。相反,不同的特征尺度在一个单一的“浅”模型中被并行处理,并驱动到平衡点。

    这种设计带来两个主要优点。首先,像基本的DEQ一样,我们的模型不需要通过显式层堆栈进行反向传播,并且在训练过程中具有O(1)内存占用量。这一点特别重要,因为模式识别系统会占用大量内存。其次,MDEQ修正了DEQ的一个缺点,在平衡状态下暴露了多个特征尺度,从而为辅助损失和复合训练程序提供自然的接口,如预训练(例如,在ImageNet上)和微调(例如,在分割或检测任务上)。多尺度建模使单个MDEQ能够同时训练在不同尺度上定义的多个损失,其平衡特征可以作为各种任务的“头”。

    我们通过对大规模图像分类和语义分割数据集进行广泛的实验来证明MDEQ的有效性。值得注意的是,这种浅层隐式模型的准确度水平可与最新的深层显式模型相提并论。在ImageNet分类中,MDEQ在参数计数相似情况下优于基准ResNet(例如ResNet-101),达到了77.5%的top-1精度。在Cityscapes语义分割上,用于ImageNet实验的MDEQs与最近的显式模型的性能相当,同时消耗的内存也少得多。我们最大的MDEQ在Cityscapes验证集上超过了80%mIoU,胜过强大的卷积网络,并且非常接近最优效果。到目前为止,这是迄今为止隐式深度学习的最大规模应用,对于直到最近才主要应用于“玩具”领域的一类模型而言,这是一个了不起的结果。

    1.1  隐式深度学习

    几乎所有现代深度学习方法都使用显式模型,该模型提供用于正向传播的显式计算图。反向传播在同一图形中按相反顺序进行。这种方法是深度学习流行的框架的核心,并且与“架构”的概念相关联。相反,隐式模型没有规定的计算图。他们假定模型必须满足一个特定的标准(例如,ODE流的端点,或方程的根)。重要的是,驱动模型满足这一标准的算法并没有规定。因此,隐式模型可以在其前向传播中利用黑匣子解算器,并享受独立于前向传递轨迹的后向解析传播。

    隐状态的隐式建模已经被深度学习社区探索了几十年。Pineda和Almeida研究了训练递归动态的隐式微分技术,也被称为递归反向传播(RBP)。网络设计的隐式方法最近引起了新的兴趣。例如,Neural ODE (NODEs)使用隐式ODE求解器对递归残差块进行建模,相当于采用无穷小步骤的连续ResNet。深度均衡模型(DEQ)使用黑盒寻根方法求解序列模型的不动点,等效于找到无限层网络的极限状态。隐式建模的其他实例包括优化层,可微物理引擎,逻辑结构学习和连续生成模型。

    我们的工作将深度均衡方法引入以丰富的多尺度结构特征的信号域中。我们开发了第一个单层隐式深度模型,该模型能够缩放到现实的视觉任务(例如,百万像素级图像),并在这些情况下获得竞争性结果。相比之下,由于数值的不稳定性,基于ODE的模型到目前为止仅应用于相对低维的信号。例如,Chen等将28×28 MNIST图像降采样为7×7,然后再将其提供给神经ODE。更广泛地讲,我们的工作可以看作是隐式模型的新视角,其中模型定义和优化多个数据流的同时标准,这些数据流可以有不同的维度。到目前为止,虽然DEQs和NODEs是在单个特征流上定义的,但是单个MDEQ可以针对不同的任务联合优化特征,比如图像分割和分类。

    1.2  计算机视觉中的多尺度建模

    计算机视觉是层次多尺度建模的典型应用领域。深度卷积网络已成为该领域的主导。计算机视觉问题可以从所需输出粒度的角度来看待:从低分辨率(如整个图像的标签)到高分辨率输出(如语义分割中为每个像素分配标签)。这些问题的最先进模型被明确构造为以不同分辨率运行的处理的连续阶段。例如,一个ResNet通常包括4-6个连续的阶段,每一个操作的分辨率是前一个的一半。DenseNet使用不同的连接模式在层之间传递信息,但共享总体结构:一系列阶段。其他设计会逐渐降低特征分辨率,然后逐步提高它。还可以按照明确编排的顺序重复进行下采样和上采样。

    多尺度建模一直是计算机视觉的中心主题。拉普拉斯金字塔是多尺度建模的一个有影响的早期例子。Farabet等人将多尺度处理与卷积网络相结合进行场景解析。并且已经在许多随后的架构中明确地解决了。

    我们的工作为隐式深度网络带来了多尺度建模。MDEQ本质上只有一个阶段,其中不同的分辨率并存。输入以最高分辨率注入,然后隐式传播到其他标度,这些标度由(黑匣子)求解器同时进行优化,以驱动它们满足联合平衡条件。就像DEQs一样,MDEQ能够代表“无限”的深度网络,而只需要恒定的内存成本。

    展开全文
  • 数据集展示了用户使用微博的基本情况,包括参与微博社区的层次,用户的年龄、性别、教育程度、月收入使用微博的时间,试分析这些变量对用户参与微博社区的层次什么样的影响?同时,对用户参与微博社区的层次作出...

    一、背景
    数据集展示了用户使用微博的基本情况,包括参与微博社区的层次,用户的年龄、性别、教育程度、月收入和使用微博的时间,试分析这些变量对用户参与微博社区的层次有什么样的影响?同时,对用户参与微博社区的层次作出预测。

    二、要求和代码

    #**************************变量关系问题*****************************************
    #1
    #利用R读取数据。注意:不要事先改动样本的数据内容。
    #na.strings = c("NA") 的意思是文件中的缺失数据都是用NA进行表示;在读取文本文件时,默认的分割符号为空格。
    data7 <- read.csv(file="F:/hxpRlanguage/homework7.csv",header=TRUE,sep=",",stringsAsFactors = F,na.strings=c("","NA"))
    
    #2
    #显示数据集的前10条记录。
    data7[1:10,]
    
    #3
    #对变量重新命名,一律用英文字母命名变量。
    cnames <- c("Number","Subtime","Level","Gender","Age","Education","Income","Useyear") 
    colnames(data7) <- cnames
    
    #4
    #显示重命名后数据集中变量的属性情况。
    str(data7)
    
    #5
    #删除有缺失值的记录。
    #nrow(data7) #353条数据
    #is.na(data7) #判断缺失数据
    sum(is.na(data7)) #统计缺失值个数
    data7 <- na.omit(data7) #删除有缺失值的记录 
    nrow(data7) #351条数据
    
    #6
    #删除收入小于等于0的记录。
    data7$Income <- as.numeric(data7$Income)
    which(is.na(data7$Income)) #展示警告为NA的数据位置,确实是View展示的序列号
    data7 <- na.omit(data7) #删掉异常值
    nrow(data7) #348条数据
    data7 <- data7[c(which(data7$Income>0)),]
    nrow(data7) #346条数据
    #View(data7)
    
    #7
    #删除年龄小于14岁或大于65岁的记录。
    data7 <- data7[-c(which(data7$Age<14|data7$Age>65)),]
    nrow(data7) #345条数据
    
    #8
    #利用R编写程序计算用户使用微博的时间(以年为单位)。计算规则是:用调查时的年份减去第一次使用微博的年份。不能用Excel处理数据。
    #从调查日期获取对应的年份和月份
    data7$Subtime <- as.character(data7$Subtime)
    survey.year <- rep(0,nrow(data7))
    survey.month <- rep(0,nrow(data7))
    for (i in 1:nrow(data7))
    {
    a <- data7$Subtime[i] #将调查日期赋给a
    survey.year[i] <- substr(a,1,4) #取调查日期取值的前4个字符,赋给survey.year
    survey.month[i] <- substr(a,6,6) #取调查日期取值的第6个字符,赋给survey.month
    }
    #将survey.year,survey.month,第一次使用微博的时间转换为整型变量
    survey.year <- as.integer(survey.year)
    survey.month <- as.integer(survey.month)
    data7$Useyear <- as.integer(data7$Useyear)
    #计算用户的微博使用时间
    data7$Usetime <- (survey.year-data7$Useyear)
    
    #9
    #删除微博使用时间小于0或大于5的记录。
    data7 <- data7[-c(which(data7$Usetime<0|data7$Usetime>5)),]
    nrow(data7) #307条数据
    
    #10
    #利用R编写程序对微博社区参与层次变量进行编码,不能用Excel处理数据。编码表见Word文件“数据编码要求”。
    data7$Level[data7$Level=="A. 主要是随意浏览微博上的信息"]<-"1"
    data7$Level[data7$Level=="B. 主要是发表原创微博、转发和评论他人微博,或者参与由其他人发起的讨论议题或活动"]<-"2"
    data7$Level[data7$Level=="C. 自己主动发起讨论议题或规划活动,吸引其他成员参与"]<-"3"
    
    #11
    #利用R编写程序对用户的性别变量进行编码,不能用Excel处理数据。编码表见Word文件“数据编码要求”。
    data7$Gender[data7$Gender=="A. 男"]<-"1"
    data7$Gender[data7$Gender=="B. 女"]<-"0"
    
    #12
    #利用R编写程序对用户的教育程度变量进行编码,不能用Excel处理数据。编码表见Word文件“数据编码要求”。
    data7$Education[data7$Education=="A. 初中及以下" | data7$Education=="B. 高中"]<-"1"
    data7$Education[data7$Education=="C. 专科" | data7$Education=="D. 大学本科"]<-"2"
    data7$Education[data7$Education=="E. 硕士及以上"]<-"3"
    
    #13
    #做参与层次与性别、教育程度的列联表分析并进行显著性检验。
    #转换为因子变量
    data7$fLevel <- as.factor(data7$Level)
    data7$fGender <- as.factor(data7$Gender)
    data7$fEducation <- as.factor(data7$Education)
    #参与层次和性别的列联表
    table1 <- xtabs(~fLevel+fGender,data=data7)
    chisq.test(table1)
    table1
    #参与层次和教育程度的列联表
    table2 <- xtabs(~fLevel+fEducation,data=data7)
    chisq.test(table2)
    table2
    
    #14
    #利用Probit定序回归模型拟合数据,分析参与层次与自变量(包括年龄、性别、教育程度、对数收入和微博使用时间)的关系。
    #解释参数的含义。
    library("MASS")
    probit0 <- polr(fLevel~1,data=data7,Hess=T,method="probit")
    data7$logIncome <- log(data7$Income)  #转对数收入
    probit1 <- polr(fLevel~Age+fGender+fEducation+logIncome+Usetime,data=data7,Hess=T,method="probit")
    anova(probit0,probit1) #对模型进行显著性检验,似然比统计量,整体上是否是显著的
    library(car)
    Anova(probit1,type="III") #对参数进行显著性检验
    summary(probit1) #显示参数估计情况
    tstats <- coef(probit1)/sqrt(diag(vcov(probit1))) #计算出模型probit1各个变量的p值
    p.probit1 <- 2*pt(abs(tstats),df=df.residual(probit1),lower.tail=FALSE)
    p.probit1
    
    #15
    #利用Logistic定序回归模型拟合数据,分析参与层次与自变量(包括年龄、性别、教育程度、对数收入和微博使用时间)的关系。解释参数的含义。
    logistic0 <- polr(fLevel~1,data=data7,method = "logistic",Hess = T)
    logistic1 <- polr(fLevel~Age+fGender+fEducation+logIncome+Usetime,data=data7,Hess=T,method="logistic")
    anova(logistic0,logistic1) #对模型进行显著性检验,整体上是否是显著的
    Anova(logistic1,type="III") #对参数进行显著性检验
    summary(logistic1) #显示参数估计情况
    tstats <- coef(logistic1)/sqrt(diag(vcov(logistic1))) #计算出模型logistic1各个变量的p值
    p.logistic1 <- 2*pt(abs(tstats),df=df.residual(logistic1),lower.tail=FALSE)
    p.logistic1
    
    #*****************************预测问题*****************************************
    #1
    #将数据集分为模型训练集和预测集两部分,随机抽取60条记录作为预测集。
    sub1 <- sample(nrow(data7),60,replace=F)  #随机抽取60条记录作为预测集
    data7m <- data7[-sub1,]  #训练集
    data7p <- data7[sub1,]   #预测集
    
    #2
    #利用Probit定序回归模型训练数据。
    probit3 <- polr(fLevel~Age+fGender+fEducation+logIncome+Usetime,data=data7m,Hess=T,method="probit")
    
    #3
    #分别以AIC和BIC标准选择最优的Probit定序回归模型。
    probit.aic <- step(probit3,trace=F)
    summary(probit.aic)
    probit.bic <- step(probit3,k=log(nrow(data7m)),trace=F)
    summary(probit.bic)
    
    #4
    #选择Probit定序回归模型预测数据,计算预测的正确率。
    p1 <- predict(probit.aic,data7p)
    p2 <- predict(probit.bic,data7p)
    a1 = table(data7p$fLevel,p1)
    a1
    a2 = table(data7p$fLevel,p2)
    a2
    precision1 = sum(diag(a1))/sum(a1)
    precision1
    precision2 = sum(diag(a2))/sum(a2)
    precision2
    
    #5
    #利用Logistic定序回归模型训练数据。
    logistic2 <- polr(fLevel~Age+fGender+fEducation+logIncome+Usetime,data=data7m,Hess=T,method="logistic")
    
    #6
    #分别以AIC和BIC标准选择最优的Logistic定序回归模型。
    logistic.aic <- step(logistic2,trace=F)
    summary(logistic.aic)
    logistic.bic <- step(logistic2,k=log(nrow(data7m)),trace=F)
    summary(logistic.bic)
    
    #7
    #选择Logistic定序回归模型预测数据,计算预测的正确率。
    p3 <- predict(logistic.aic,data7p)
    p4 <- predict(logistic.bic,data7p)
    a3 = table(data7p$fLevel,p3)
    a3
    a4 = table(data7p$fLevel,p4)
    a4
    precision3 = sum(diag(a3))/sum(a3)
    precision3
    precision4 = sum(diag(a4))/sum(a4)
    precision4
    
    #8
    #比较Probit定序回归与Logistic定序回归两个模型预测的效果。
    
    展开全文
  • 五、缩进程序层次关系的 比如我们判断一个结果为的时候要干什么 而干什么这个内容就要写在判断语句下而python 约定4个空格缩进 为一个层次关系我先写一个简单的语句 看不懂 没关系 理解这个层次关系就行这里...

    五、缩进

    • 程序是有层次关系的
    • 比如我们判断一个结果为是的时候要干什么 而干什么这个内容就要写在判断语句下
    • 而python 约定4个空格缩进 为一个层次关系
    • 我先写一个简单的语句 看不懂 没关系 理解这个层次关系就行
    b3011217b52feed9df30ce00f79eb4e3.png
    • 这里就是缩进层次的概念 第一句话就是判断语句 以后会学
    • 整段话的意思 如果1=1的话 就输出“答对了”
    • 明白缩进就行了

    六、标识符

    • 有时候我需要把一个数字和字符串保存起来 用一个名字指代 这就叫标识符
    0d79795b38931ee718cba5ac3d269fe4.png
    • 如上图,我们把字符串‘你好世界’ 用name来指代 那么输出就只需要输出name 就可以了 等于给这个字符串取了一个名字 他的内容就是 ‘你好世界’
    • 但是这个标识符有几个约定
    1. 只能使用字母、下划线和数字
    2. 只能以字母和下划线开头,但是不要随便使用下划线开头
    3. 不能是python的关键字 例如def、class
    4. 大小写区分
    5. 不允许使用中文
    • 其实总结起来就一句话
    • 命名使用字母、下划线、数字,最好以字母开头,大小写区分
    0cae3dcff22a141676bedc16a35ad8b5.png
    • 如上图,name_123就是用了分别用了字母、下划线、数字三种命名
    • 但是图中 你会发现一个问题 一个标识符的值是可以变化的
    • 一开始是你好世界 后来我修改成了‘你好世界123’ 这说明其中一个特性
    • 变量,就是值可以改变的标识符 以后我们会经常改变标识符的值 这里先提一下

    好了,今天的课程就到这里,谢谢大家!

    0978bd1be8f08fe9bdb46cda7bc07a13.png
    展开全文
  • 相似性是什么意思? 您应该从距离的角度来考虑它,就像我们使用k-nearest-neighbors算法一样。 两点越近,它们越相似。 在分层非分层聚类算法之间进行区分是很有用的: 在聚类分析中,聚集层次算法从n个聚类开始...
  • 2.26 一些结构声明中的这些冒号数字是什么意思? 60 2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 61 第3章 表达式 62 求值顺序 62 3.1 为什么这样的代码不行?a[i]= i++; 62 3.2 使用我...
  • 2.26 一些结构声明中的这些冒号数字是什么意思? 60 2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 61 第3章 表达式 62 求值顺序 62 3.1 为什么这样的代码不行?a[i]= i++; 62 3.2 使用我...
  • 软件设计规范

    2015-03-11 11:57:50
    第1层和第3论述的“软件”,而第2论述的“程序”。 软件程序的研究方法不同。程序研究方法完备的,而软件不完备。 程序开发应当体现软件特性。1)逻辑的过程,总体的过程子过程的观察校验程序。2...
  • 2.2.8 沃尔什哈尔变换的优点缺点各是什么? 69 2.2.9 什么是哈尔小波? 70 2.3 离散傅里叶变换 71 2.3.1 傅里叶变换的离散形式(DFT )是怎样的? 71 B2.6 离散傅里叶反变换是什么样的? 72 2.3.2 如何能...
  • 问题3-33:在有的文献中会见到runtjabber这两个名词,它们是什么意思? 问题3-34:当局域网刚刚问世时,总线形的以太网被认为可靠性比星形结构的网络好。但现在以太网又回到了星形结构,使用集线器作为交换结点。...
  • 问题4-27:在有的文献中会见到runtjabber这两个名词,它们是什么意思? 问题4-28:当局域网刚刚问世时,总线形的以太网被认为可靠性比星形结构的网络好。但现在以太网又回到了星形结构,使用集线器作为交换结点。...
  • 4.1.5 用过哪些Map类,都有什么区别,HashMap是线程安全的吗,并发下使用的Map是什么,他们内部原理分别是什么,比如存储方式,hashcode,扩容,默认容量等。 4.1.6 JAVA8的ConcurrentHashMap为什么放弃了分段锁,有...
  • 《你必须知道的495个C语言问题》

    热门讨论 2010-03-20 16:41:18
    2.26 一些结构声明中的这些冒号数字是什么意思? 31 2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 32 第3章 表达式 33 求值顺序 33 3.1 为什么这样的代码不行?a[i]= i++; 33 3.2 ...
  •  2.26 一些结构声明中的这些冒号数字是什么意思?  2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 第3章 表达式  求值顺序  3.1 为什么这样的代码不行?a[i]= i++;  3.2 使用我的编译器,...
  • 2.26 一些结构声明中的这些冒号数字是什么意思? 2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 第3章 表达式 求值顺序 3.1 为什么这样的代码不行?a[i]= i++; 3.2 使用我的编译器,下面的代码...
  • 2.26 一些结构声明中的这些冒号数字是什么意思? 2.27 为什么人们那么喜欢用显式的掩码位操作而不直接声明位域? 第3章 表达式 求值顺序 3.1 为什么这样的代码不行?a[i]= i++; 3.2 使用我的编译器,下面的代码...
  • 是什么意思? 答:while(1)相同。 5、do……whilewhile……do有什么区别? 答:前一个循环一遍再判断,后一个判断以后再循环 6、请写出下列代码的输出内容 #include main() { int a,b,c,d; a=10; b=a++; c=++a...
  • 我在读本书的时候,常常会恍然大悟地发出感慨:‘哦,原来别的书讲的这个意思啊’。……这你初学道路上的明灯。” ——Amazon.com读者评论 什么,还没有用过CSS?那你也太落伍啦。今天,CSS已经成为Web设计与...
  • 我在读本书的时候,常常会恍然大悟地发出感慨:‘哦,原来别的书讲的这个意思啊’。……这你初学道路上的明灯。” ——Amazon.com读者评论 什么,还没有用过CSS?那你也太落伍啦。今天,CSS已经成为Web设计与...
  • 23.ICMP是什么协议,处于哪一? 答:Internet控制报文协议,处于网络(IP) 24.触发器怎么工作的? 答:触发器主要是通过事件进行触发而被执行的,当对某一表进行诸如UPDATE、 INSERT 、 DELETE 这些操作时,...
  • 计算机网络第五版谢希仁答案

    千次下载 热门讨论 2010-03-29 22:51:59
    1-09 计算机网络中的主干网本地接入网的主要区别是什么? 答:主干网:提供远程覆盖\高速传输\路由器最优化通信 本地接入网:主要支持用户的访问本地,实现散户接入,速率低。 1-10 试在下列条件下比较电路交换...
  • 18、Spring 的依赖注入是什么意思? 给一个 Bean 的 message 属性, 字符串类型, 注入值为 "Hello" 的 XML 配置文件该怎么写? 125 19、Jdo是什么? 125 20、什么是spring的IOC AOP 126 21、STRUTS的工作流程! 126 22、...
  • 并利用具体的例子来全面介绍每个特性,不仅讨论了各个特性是什么,还说明了它是如何工作的,如何使用这个特性来开发软件,以及有关的常见陷阱。  本书面向所有oracle 数据库应用开发人员dba。 作译者 作者  ...
  • 27、GC是什么? 为什么要有GC?  GC是垃圾收集的意思(Gabage Collection),内存处理是编程人员容易出现问题的地方,忘记或者错误的内存回收会导致程序或系统的不稳定甚至崩溃,Java提供的GC功能可以自动监测对象...

空空如也

空空如也

1 2 3
收藏数 49
精华内容 19
关键字:

层数和层次是什么意思