精华内容
下载资源
问答
  • 文章目录Spring 典型,非典型循环依赖问题及其解决方法1、设计原则2、典型循环依赖3、到底什么是依赖4、强依赖5、弱依赖6、依赖调解7、Spring 是如何把构造函数进行解耦的 - Spring的依赖注入模型8、非典型的循环...

    Spring 典型,非典型循环依赖问题及其解决方法


    1、设计原则

    在设计时,我们应该尽量避免出现循环依赖的情况,应该把循环依赖的公共部分进行分层,抽取公共部分,然后依赖公共部分

    2、典型循环依赖

    但是由于某些业务之间的相互调用太多,总会有一些漏网之鱼出现了循环依赖,但是当你使用 @Autowired进行依赖注入时,程序是可以正常运行的。 当使用构造函数进行依赖注入时,则是不可以正常运行的,因为无法创建bean

    3、到底什么是依赖

    依赖,说的简单点,就是A 要用到B 的方法去执行逻辑,但是A 在何时需要用到B ,决定了这种依赖关系是强依赖还是弱依赖

    4、强依赖

    就是A 的产出就必须要有B的参与,没有B ,A就没法被生产出来,打个比方,就是没你不行

    构造函数注入是强依赖,Spirng 没法把对象new 出来,所以基于构造函数的循环依赖会导致无法创建bean

    5、弱依赖

    就是A 的产出需要有B的参与,没有B,A也能被生产出来,打个比方,没你也可以,有你是锦上添花

    @Autowired字段注入就是弱依赖,Spirng 可以把对象new 出来,所以项目可以正常启动

    那能不能正常执行呢? 可以, 按道理是不可以正常执行的,为什么现在可以呢,因为对你的循环依赖进行了调解

    6、依赖调解

    什么是依赖调解,依赖调解,就是解决循环依赖这个问题的,他是DI 实现的依赖调解

    7、Spring 是如何把构造函数进行解耦的 - Spring的依赖注入模型

    1、调用构造函数、解析强依赖(一般是无参构造),并创建类实例

    2、根据Field/GetterSetter中的依赖注入相关注解、解析弱依赖,并填充所有需要注入的类

    3、调用生命周期中的初始化方法(例如@PostConstruct注解或InitializingBeanafterPropertiesSet方法),执行实际的初始化业务逻辑

    这样,构造函数的功能就由原来的三个弱化为了一个,只负责类的构造。并将类的配置交由DI,将类的初始化逻辑交给生命周期。

    这样,就把基于构造函数的注入工作不会影响Bean 的创建工作,调解了强依赖导致的无法调解的问题

    8、非典型的循环依赖场景

    按照上面的理解,好像如果出现循环依赖,只要把构造函数改为@Autowired字段注入就可以了

    但是,其实构建bean的顺序也可能会导致是用 @Autowired字段注入 也无法调解的循环依赖

    配置类中如果出现了循环依赖,则可能会出现这个情况,无法调解

    因为配置类必须先加载自己的全部配置后,也就是先解决配置类自己的全部依赖,才会加载他自己定义的Bean

    这个时候,这里就是强依赖了,这也是为什么配置类建议使用构造函数注入的原因,他可以在设计上杜绝无法调解的循环依赖问题,因为实质上,在配置类里面定义的Bean 是强依赖于暴露他的配置类的

    展开全文
  • 典型相关分析

    千次阅读 2019-06-11 14:27:12
    典型相关分析函数:[a,b,r,u,v,stats] = cononcorr(x,y): param:  x:原始变量x矩阵,每列一个自变量指标,第i列是 xi 的样本值  y:原始变量y矩阵,每列一个因变量指标,第j列是 yj 的样本值 return:  a:...

    典型相关分析函数:[a,b,r,u,v,stats] = cononcorr(x,y):

    param:

      x:原始变量x矩阵,每列一个自变量指标,第i列是 xi 的样本值

      y:原始变量y矩阵,每列一个因变量指标,第j列是 yj 的样本值

    return:

      a:自变量x的典型相关变量系数矩阵,每列是一组系数。

            列数为典型相关变量数

      b:因变量y的典型相关变量系数矩阵,每列是一个系数

      r: 典型相关系数。即第一对<u1,v1>之间的相关系数、第二对<u2,v2>之间的相关系数…

      u:对于X的典型相关变量的值

      v:对于Y的典型相关变量的值

      stats:假设检验的值<详细用一下就知道了>

     

    主成分分析(PCA)是把原始有相关性变量,线性组合出无关的变量(投影),以利用主成分变量进行更加有效的分析。
    而典型相关分析(CCA)的思想是:

    分析自变量组 X = [x1,x2,x3…xp],因变量组 Y = [y1,y2,y3…yq] 之间的相关性。(注意这里X的每一个自变量x1是个列向量,代表有多个观测值)。

    如果采用传统的相关分析,只要求X的每一个变量与Y的每一个变量的相关系数,从而组成相关系数矩阵 R = [rij]p*q ,rij表示第i个自变量xi与第j个因变量yj之间的相关系数。

    然而,这是有缺陷的:只粗暴的考虑了X与Y的关系,却忽略了X自变量之间也可能有相关关系,Y因变量之间亦如此。

    解决的方法类似于主成分分析,我们可以把X提取出主成分,Y也提取出主成分,从而X、Y内部线性不相关了,这样利用主成分研究X与Y之间相关性就解决了上述缺点。


    1. 典型相关分析

    典型相关分析:

    假设

    自变量组:X = [x1,x2,x3…xp]

    因变量组:Y = [y1,y2,y3…yq]

    注意,xi与yj都是相同维度的列向量。

    要求

    分析X与Y之间的相关性

     

    2 直观描述

    首先在X中找出线性组合u1, 在Y中找出线性组合v1,使得 r(u1,v1)达到最大。

    其次,在X中找第二个线性组合u2,Y中找第二个线性组合v2,要求使得u2与u1线性不相关,v2与v1线性不相关,并且: r(u2,v2)达到次大。

    继续。直到两组变量之间的相关性被提取完毕。

    假设检验:

    大体的意思:先进行假设,原假设‘不能进行典型相关分析’,然后检验,一直到所有的(U,V)对才可以结束,检验的方法:似然比统计量。

    展开全文
  • IPsec ACL匹配的典型错误日志

    千次阅读 2009-05-15 10:26:00
    IPSec ACL就是我们通常说的VPN感兴趣流量。...典型的报错为“QM FSM error”,可以在PIX/ASA上运行“debug crypto isakmp” 来查看。 May 15 09:17:11 [IKEv1]: Group = X.X.X.X, IP = X.X.X.X, QM FSM error (P2
          IPSec ACL就是我们通常说的VPN感兴趣流量。在实际的工作当中,由于这个ACL配置不当而造成的问题是很常见的。典型的报错为“QM FSM error”,可以在PIX/ASA上运行“debug crypto isakmp” 来查看。

    May 15 09:17:11 [IKEv1]: Group = X.X.X.X, IP = X.X.X.X, QM FSM error (P2 struct &0x41f7f80, mess id 0x4d3d6016)!
    May 15 09:17:11 [IKEv1]: Group = X.X.X.X, IP = X.X.X.X, construct_ipsec_delete(): No SPI to identify Phase 2 SA!
    May 15 09:17:11 [IKEv1]: Group = X.X.X.X, IP = X.X.X.X, Removing peer from correlator table failed, no match!

          Cisco网站对于这个错误日志的解释:

          这篇文章详细讲解了整个IKE, IPsec的工作过程:http://jackiechen.blog.51cto.com/196075/158222

    本文出自 “面朝大海,春暖花开” 博客,谢绝转载!

    展开全文
  • 典型推荐算法总结

    万次阅读 多人点赞 2018-11-23 21:05:42
    推荐算法种类很多,但是目前应用最广泛的应该是协同过滤类别的推荐算法,本文就对协同过滤类别的推荐算法做一个概括总结,后续也会对一些典型的协同过滤推荐算法做原理总结。 1. 推荐算法概述  推荐算法是非常...

    推荐算法具有非常多的应用场景和商业价值,因此对推荐算法值得好好研究。推荐算法种类很多,但是目前应用最广泛的应该是协同过滤类别的推荐算法,本文就对协同过滤类别的推荐算法做一个概括总结,后续也会对一些典型的协同过滤推荐算法做原理总结。

    1. 推荐算法概述

        推荐算法是非常古老的,在机器学习还没有兴起的时候就有需求和应用了。概括来说,可以分为以下5种:

        1)基于内容的推荐:这一类一般依赖于自然语言处理NLP的一些知识,通过挖掘文本的TF-IDF特征向量,来得到用户的偏好,进而做推荐。这类推荐算法可以找到用户独特的小众喜好,而且还有较好的解释性。这一类由于需要NLP的基础,本文就不多讲,在后面专门讲NLP的时候再讨论。

        2)协调过滤推荐:本文后面要专门讲的内容。协调过滤是推荐算法中目前最主流的种类,花样繁多,在工业界已经有了很多广泛的应用。它的优点是不需要太多特定领域的知识,可以通过基于统计的机器学习算法来得到较好的推荐效果。最大的优点是工程上容易实现,可以方便应用到产品中。目前绝大多数实际应用的推荐算法都是协同过滤推荐算法。

        3)混合推荐:这个类似我们机器学习中的集成学习,博才众长,通过多个推荐算法的结合,得到一个更好的推荐算法,起到三个臭皮匠顶一个诸葛亮的作用。比如通过建立多个推荐算法的模型,最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐算法差,但是使用混合推荐,算法复杂度就提高了,在实际应用中有使用,但是并没有单一的协调过滤推荐算法,比如逻辑回归之类的二分类推荐算法广泛。

        4)基于规则的推荐:这类算法常见的比如基于最多用户点击,最多用户浏览等,属于大众型的推荐方法,在目前的大数据时代并不主流。

        5)基于人口统计信息的推荐:这一类是最简单的推荐算法了,它只是简单的根据系统用户的基本信息发现用户的相关程度,然后进行推荐,目前在大型系统中已经较少使用。

    2. 协同过滤推荐概述

        协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型,包括在线的协同和离线的过滤两部分。所谓在线协同,就是通过在线数据找到用户可能喜欢的物品,而离线过滤,则是过滤掉一些不值得推荐的数据,比比如推荐值评分低的数据,或者虽然推荐值高但是用户已经购买的数据。

        协同过滤的模型一般为m个物品,m个用户的数据,只有部分用户和部分数据之间是有评分数据的,其它部分评分是空白,此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系,找到最高评分的物品推荐给用户。

        一般来说,协同过滤推荐分为三种类型。第一种是基于用户(user-based)的协同过滤,第二种是基于项目(item-based)的协同过滤,第三种是基于模型(model based)的协同过滤

        基于用户(user-based)的协同过滤主要考虑的是用户和用户之间的相似度,只要找出相似用户喜欢的物品,并预测目标用户对对应物品的评分,就可以找到评分最高的若干个物品推荐给用户。而基于项目(item-based)的协同过滤和基于用户的协同过滤类似,只不过这时我们转向找到物品和物品之间的相似度,只有找到了目标用户对某些物品的评分,那么我们就可以对相似度高的类似物品进行预测,将评分最高的若干个相似物品推荐给用户。比如你在网上买了一本机器学习相关的书,网站马上会推荐一堆机器学习,大数据相关的书给你,这里就明显用到了基于项目的协同过滤思想。

        我们可以简单比较下基于用户的协同过滤和基于项目的协同过滤:基于用户的协同过滤需要在线找用户和用户之间的相似度关系,计算复杂度肯定会比基于基于项目的协同过滤高。但是可以帮助用户找到新类别的有惊喜的物品。而基于项目的协同过滤,由于考虑的物品的相似性一段时间不会改变,因此可以很容易的离线计算,准确度一般也可以接受,但是推荐的多样性来说,就很难带给用户惊喜了。一般对于小型的推荐系统来说,基于项目的协同过滤肯定是主流。但是如果是大型的推荐系统来说,则可以考虑基于用户的协同过滤,当然更加可以考虑我们的第三种类型,基于模型的协同过滤。

        基于模型(model based)的协同过滤是目前最主流的协同过滤类型了,我们的一大堆机器学习算法也可以在这里找到用武之地。下面我们就重点介绍基于模型的协同过滤。

    3. 基于模型的协同过滤

        基于模型的协同过滤作为目前最主流的协同过滤类型,其相关算法可以写一本书了,当然我们这里主要是对其思想做有一个归类概括。我们的问题是这样的m个物品,m个用户的数据,只有部分用户和部分数据之间是有评分数据的,其它部分评分是空白,此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系,找到最高评分的物品推荐给用户。

        对于这个问题,用机器学习的思想来建模解决,主流的方法可以分为:用关联算法,聚类算法,分类算法,回归算法,矩阵分解,神经网络,图模型以及隐语义模型来解决。下面我们分别加以介绍。

    3.1 用关联算法做协同过滤

        一般我们可以找出用户购买的所有物品数据里频繁出现的项集活序列,来做频繁集挖掘,找到满足支持度阈值的关联物品的频繁N项集或者序列。如果用户购买了频繁N项集或者序列里的部分物品,那么我们可以将频繁项集或序列里的其他物品按一定的评分准则推荐给用户,这个评分准则可以包括支持度,置信度和提升度等。

        常用的关联推荐算法有Apriori,FP Tree和PrefixSpan。如果大家不熟悉这些算法,可以参考我的另外几篇文章:

        Apriori算法原理总结

        FP Tree算法原理总结

        PrefixSpan算法原理总结 

    3.2 用聚类算法做协同过滤

        用聚类算法做协同过滤就和前面的基于用户或者项目的协同过滤有些类似了。我们可以按照用户或者按照物品基于一定的距离度量来进行聚类。如果基于用户聚类,则可以将用户按照一定距离度量方式分成不同的目标人群,将同样目标人群评分高的物品推荐给目标用户。基于物品聚类的话,则是将用户评分高物品的相似同类物品推荐给用户。

        常用的聚类推荐算法有K-Means, BIRCH, DBSCAN和谱聚类,如果大家不熟悉这些算法,可以参考我的另外几篇文章:

        K-Means聚类算法原理

        BIRCH聚类算法原理

        DBSCAN密度聚类算法

        谱聚类(spectral clustering)原理总结

    3.3 用分类算法做协同过滤

        如果我们根据用户评分的高低,将分数分成几段的话,则这个问题变成分类问题。比如最直接的,设置一份评分阈值,评分高于阈值的就是推荐,评分低于阈值就是不推荐,我们将问题变成了一个二分类问题。虽然分类问题的算法多如牛毛,但是目前使用最广泛的是逻辑回归。为啥是逻辑回归而不是看起来更加高大上的比如支持向量机呢?因为逻辑回归的解释性比较强,每个物品是否推荐我们都有一个明确的概率放在这,同时可以对数据的特征做工程化,得到调优的目的。目前逻辑回归做协同过滤在BAT等大厂已经非常成熟了。

        常见的分类推荐算法有逻辑回归和朴素贝叶斯,两者的特点是解释性很强。如果大家不熟悉这些算法,可以参考我的另外几篇文章:

        逻辑回归原理小结

        朴素贝叶斯算法原理小结

    3.4 用回归算法做协同过滤

        用回归算法做协同过滤比分类算法看起来更加的自然。我们的评分可以是一个连续的值而不是离散的值,通过回归模型我们可以得到目标用户对某商品的预测打分。

        常用的回归推荐算法有Ridge回归,回归树和支持向量回归。如果大家不熟悉这些算法,可以参考我的另外几篇文章:

        线性回归原理小结

        决策树算法原理(下)

        支持向量机原理(五)线性支持回归

    3.5 用矩阵分解做协同过滤

        用矩阵分解做协同过滤是目前使用也很广泛的一种方法。由于传统的奇异值分解SVD要求矩阵不能有缺失数据,必须是稠密的,而我们的用户物品评分矩阵是一个很典型的稀疏矩阵,直接使用传统的SVD到协同过滤是比较复杂的。

        目前主流的矩阵分解推荐算法主要是SVD的一些变种,比如FunkSVD,BiasSVD和SVD++。这些算法和传统SVD的最大区别是不再要求将矩阵分解为UΣVTUΣVT的形式,而变是两个低秩矩阵PTQPTQ的乘积形式。对于矩阵分解的推荐算法,后续我会专门开篇来讲。

    3.6 用神经网络做协同过滤

        用神经网络乃至深度学习做协同过滤应该是以后的一个趋势。目前比较主流的用两层神经网络来做推荐算法的是限制玻尔兹曼机(RBM)。在目前的Netflix算法比赛中, RBM算法的表现很牛。当然如果用深层的神经网络来做协同过滤应该会更好,大厂商用深度学习的方法来做协同过滤应该是将来的一个趋势。后续我会专门开篇来讲讲RBM。

    3.7  用图模型做协同过滤

        用图模型做协同过滤,则将用户之间的相似度放到了一个图模型里面去考虑,常用的算法是SimRank系列算法和马尔科夫模型算法。对于SimRank系列算法,它的基本思想是被相似对象引用的两个对象也具有相似性。算法思想有点类似于大名鼎鼎的PageRank。而马尔科夫模型算法当然是基于马尔科夫链了,它的基本思想是基于传导性来找出普通距离度量算法难以找出的相似性。后续我会专门开篇来讲讲SimRank系列算法。 

    3.8 用隐语义模型做协同过滤

        隐语义模型主要是基于NLP的,涉及到对用户行为的语义分析来做评分推荐,主要方法有隐性语义分析LSA和隐含狄利克雷分布LDA,这些等讲NLP的再专门讲。

    4. 协同过滤的一些新方向

        当然推荐算法的变革也在进行中,就算是最火爆的基于逻辑回归推荐算法也在面临被取代。哪些算法可能取代逻辑回归之类的传统协同过滤呢?下面是我的理解:

        a) 基于集成学习的方法和混合推荐:这个和混合推荐也靠在一起了。由于集成学习的成熟,在推荐算法上也有较好的表现。一个可能取代逻辑回归的算法是GBDT。目前GBDT在很多算法比赛都有好的表现,而有工业级的并行化实现类库。

        b)基于矩阵分解的方法:矩阵分解,由于方法简单,一直受到青睐。目前开始渐渐流行的矩阵分解方法有分解机(Factorization Machine)和张量分解(Tensor Factorization)。

        c) 基于深度学习的方法:目前两层的神经网络RBM都已经有非常好的推荐算法效果,而随着深度学习和多层神经网络的兴起,以后可能推荐算法就是深度学习的天下了?目前看最火爆的是基于CNN和RNN的推荐算法。

    5. 协同过滤总结 

        协同过滤作为一种经典的推荐算法种类,在工业界应用广泛,它的优点很多,模型通用性强,不需要太多对应数据领域的专业知识,工程实现简单,效果也不错。这些都是它流行的原因。

        当然,协同过滤也有些难以避免的难题,比如令人头疼的“冷启动”问题,我们没有新用户任何数据的时候,无法较好的为新用户推荐物品。同时也没有考虑情景的差异,比如根据用户所在的场景和用户当前的情绪。当然,也无法得到一些小众的独特喜好,这块是基于内容的推荐比较擅长的。   

        

        以上就是协同过滤推荐算法的一个总结,希望可以帮大家对推荐算法有一个更深的认识,并预祝大家新年快乐!

    (欢迎转载,转载请注明出处。欢迎沟通交流: liujianping-ok@163.com) 

    展开全文
  • python 典型变量分析

    千次阅读 2018-04-18 11:17:01
    典型相关分析的基本思想是首先在每组变量中找出变量的线性组合,使其具有最大相关性,然后再在每组变量中找出第二对线性组合,使其分别与第一对线性组合相关,而第二对本身具有最大的相关性,如此继续下去,直到...
  • 深度学习几种典型架构

    千次阅读 2018-12-20 09:25:45
    深度学习几种典型架构   http://blog.sina.com.cn/s/blog_cfa68e330102zfaf.html 介绍几种典型的深度学习架构。 卷积神经网络(CNN) 卷积神经网络由LeCun提出。在Kaggle竞赛中取得了巨大成功。 典型的卷积网络...
  • 设计模式 | 适配器模式及典型应用

    万次阅读 多人点赞 2018-09-20 01:37:29
    适配器模式(Adapter Pattern):将一个接口转换成客户希望的另一个接口,使接口兼容的那些类可以一起工作,其别名为包装器(Wrapper)。适配器模式既可以作为类结构型模式,也可以作为对象结构型模式。 在适配器模式...
  • SpringBoot整合RabbitMQ之 典型应用场景实战一

    万次阅读 多人点赞 2018-10-09 15:08:04
    特别是在一些典型的应用场景以及业务模块中具有重要的作用,比如业务服务模块解耦、异步通信、高并发限流、超时业务、数据延迟处理等。 其中课程的学习链接地址:https://edu.csdn.net/course/detail/9314 ...
  • 典型的CNN架构

    千次阅读 2019-06-12 10:05:43
    典型的CNN架构:图像先进行多层卷积层(每个卷积层后一个接relu层和一个池化层)处理后输入给全连接神经网络层和relu层最后是输出层Softmax层输出预测的类概率,卷积层的卷积核过大会增加权重值的计算量卷积后的结果...
  • ZooKeeper典型应用场景

    万次阅读 2017-09-27 17:51:27
    值得注意的是,ZK并非天生就是为这些应用场景设计的,都是后来众多开发者根据其框架的特性,利用其提供的一系列API接口(或者称为原语集),摸索出来的典型使用方法。因此,也非常欢迎读者分享你在ZK使用上的...
  • R语言典型相关分析

    万次阅读 多人点赞 2017-02-27 16:40:46
    部分参考薛毅的《统计建模与R软件》和《R语言实战》1 关键点:典型相关分析典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法,它能够有效地揭示两组随机变量之间的相互(线性依赖)关系例如 研究生...
  • 设计模式 | 组合模式及典型应用

    千次阅读 多人点赞 2018-10-05 17:36:55
    源码分析组合模式的典型应用 java.awt中的组合模式 Java集合中的组合模式 Mybatis SqlNode中的组合模式 更多内容可访问我的个人博客:http://laijianfeng.org 推荐阅读 设计模式 | 简单工厂模式及典型应用 设计...
  • 云端应用典型应用场景

    千次阅读 2016-10-24 16:55:59
    云端应用典型应用场景 Azure能够根据业务变化,快速搭建业务所需的IT系统以支撑相应业务流程 1.提供虚拟机服务,取代购买本地物理服务器 2.快速搭建网站:静态、动态网站,视频网站,社交网站,电子商务网站 3.数据...
  • wget的几种典型用法(介绍典型的)

    千次阅读 2011-08-18 18:41:11
    wget的几种典型用法(介绍典型的) Wget可以下载http和ftp网站文件,小命令但功能强,它的参数很多,但常用的多。 一. 最简单的用法 wget http://download.xxx.com/soft/software.tar.gz 二. 下载整个网站 wg
  • 典型销售面试问题

    千次阅读 2012-10-11 10:26:18
    典型销售人员面试问题 浏览: 16058 | 更新: 2012-02-17 15:58 | 标签: 面试  17  6 简介 典型销售人员面试问题。在销售人员面试时,面试官往往会准备一些...
  • 支付的典型架构

    千次阅读 2017-04-19 10:41:04
    支付的典型架构 每个公司根据其业务和公司发展的不同阶段,所设计的支付系统也会有所不同。我们先看看互联网公司的一些典型的支付系统架构。 支付宝 先看看业内最强的支付宝系统,支付宝的支付系统整体架构...
  • 典型相关分析及R应用

    万次阅读 2018-11-04 23:35:49
    什么是典型相关分析 典型相关分析基本架构 简单相关分析 多变量相关分析 典型相关分析 典型相关分析的基本原理 R实现 20名中年人的生理指标和训练指标 广州省能源消费量与经济增长之间的典型相关分析 什么...
  • 运算放大器典型电路及原理

    万次阅读 多人点赞 2019-06-10 20:08:24
    1.运算放大器工作原理综述:  运算放大器组成的电路五花八门,令人眼花瞭乱,在分析运算放大器工作原理时倘没有抓住核心,往往令人头大。本文收集运放电路的应用电路,希望看完后...显然能将两输入端真正短路。...
  • 光电隔离RS485典型电路

    千次阅读 2017-06-02 15:47:49
    一、RS485总线介绍 RS485总线是一种常见的串行总线标准,采用平衡发送与差分接收...二、RS485总线典型电路介绍 RS485电路总体上可以分为隔离型与非隔离型。隔离型比非隔离型在抗干扰、系统稳定性等方面都有更出色的表
  • 转自 ...: ...比如下面这段代码 ...,因为它既可以是表示引用全局变量s,也可以...而dict/list/对象等,可以通过dict['x']=y或list.append()之类的来修改,跟创建变量冲突,产生歧义,所以都不用显式global。
  • HMAC——典型的数字签名技术

    万次阅读 2019-05-14 10:35:54
    HMAC的全称是Hash-based Message Authentication Code,即“基于Hash的消息认证码”。其基本工作流程:对某个消息,利用提前共享...其典型的加密函数定义如下: 其中,K为提前共享的对称密钥,H为提前商定的Hash...
  • R语言 典型相关分析

    千次阅读 2016-05-05 14:50:25
    1 关键点:#典型相关分析# #典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法,它能够有效地揭示两组随机变量之间的相互(线性依赖)关系 #例如 研究生入学考试成绩与本科阶段一些主要课程成绩的...
  • VLAN典型配置举例

    千次阅读 2017-11-01 20:09:32
    基于端口的VLAN典型配置举例组网需求 1. HostA和HostC同属于部门A但是通过不同的设备接入公司网络,HostB和HostD同属于部门B,也通过不同的设备接入公司网络. 2. 为了通信的安全性,也为了避免广播报文泛滥,公司...
  • 一个非典型的Linux路由配置方案

    万次阅读 2018-03-10 07:34:26
    上周帮人解决了一个问题,这个问题绝对是非典型性的,采用了非常规的方法。虽然最终的方案非常符合常规,非常通用,充满了各种藏得很深的技巧或者说是trick,但是这个问题却是一个学习Linux路由的绝好机会。事后...
  • 行人检测 特征 典型方法

    万次阅读 2016-08-30 16:28:29
    1.行人特征 2.行人检测典型方法
  • 1.6-典型相关分析

    千次阅读 2018-07-10 10:15:04
    典型相关分析 现实生活中两组变量间的相关关系的问题很多,例如家庭的特征(如户主的年龄、家庭的年收入、户主的受教育程度等)与消费模式(如每年去餐馆就餐的频率、每年外出看电影的频率等)等等。为此,1936年由...
  • 大数据典型的应用场景

    万次阅读 2019-07-31 19:02:43
    今天我们通过一些大数据典型的应用场景分析,一起来看看大数据到底能做些什么,我们学大数据究竟有什么用。医疗健康。比如,我们可以结合机器学习做到医学影像智能识别。图像识别是机...
  • 情景1:就是典型性因素,之前项目的绩效怎么样,以后项目的绩效还是这个样。比如,项目在计划的时候希望有多名高级工程师,但是实际上项目没有找到最合适的人员,于是使用经验水平较低的人。 这些人的绩效在整个的...
  • 典型相关分析(Matlab实现函数)

    万次阅读 多人点赞 2018-08-28 15:23:57
    先附上自己认为写的比较好的一篇博客。 ... 同时要指出自己博文的问题:对于Matlab中canoncorr中的...典型相关分析  不仅需要考虑两个变量之间的相关程度,而且还需要考察多个变量与多个变量之间的相关性。  ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,023,779
精华内容 409,511
关键字:

不典型