精华内容
下载资源
问答
  • 有时候系统崩溃,无法进入系统,而里面又有很重要的资料,你想把他们弄出来,还要在原来系统不删的情况下另外装一个系统,把文件备份好再重装原来的系统。我这个教程是利用从文件夹创建 dmg 从而备份文件的
  • 7,负载均衡:使用nginx等访问量过大的服务采用负载均衡,实现服务集群,提高服务的最大并发数,防止压力过大导致单个服务的崩溃! 8,加入搜索引擎:对于sql中常出现的like,in等语句,使用lucence或者solr中间件,...
    转自http://www.360doc.com/content/18/0405/19/11935121_743113679.shtml
    //-------------------------------------------------
    //-------------------------------------------------
    用户多,不代表你服务器访问量大,访问量大不一定你服务器压力大!我们换成专业点的问题,高并发下怎么优化能避免服务器压力过大?整个架构:可采用分布式架构,利用微服务架构拆分服务部署在不同的服务节点,避免单节点宕机引起的服务不可用!
    2,数据库:采用主从复制,读写分离,甚至是分库分表,表数据根据查询方式的不同采用不同的索引比如b tree,hash,关键字段加索引,sql避免复合函数,避免组合排序等,避免使用非索引字段作为条件分组,排序等!减少交互次数,一定不要用select *!
    3,加缓存:使用诸如memcache,redis,ehcache等缓存数据库定义表,结果表等等,数据库的中间数据放缓存,避免多次访问修改表数据!登录信息session等放缓存实现共享!诸如商品分类,省市区,年龄分类等不常改变的数据,放缓存,不要放数据库!</p><p>同时要避免缓存雪崩和穿透等问题的出现导致缓存崩溃!
    4,增量统计:不要实时统计大量的数据,应该采用晚间定时任务统计,增量统计等方式提前进行统计,避免实时统计的内存,CPU压力!
    5,加图片服务器:图片等大文件,一定要单独经过文件服务器,避免IO速度对动态数据的影响!保证系统不会因为文件而崩溃!
    >6,HTML文件,枚举,静态的方法返回值等静态化处理,放入缓存!
    7,负载均衡:使用nginx等对访问量过大的服务采用负载均衡,实现服务集群,提高服务的最大并发数,防止压力过大导致单个服务的崩溃!
    8,加入搜索引擎:对于sql中常出现的like,in等语句,使用lucence或者solr中间件,将必要的,依赖模糊搜索的字段和数据使用搜索引擎进行存储,提升搜索速度!#注意:全量数据和增量数据进行定时任务更新!
    9,使用消息中间件:对服务之间的数据传输,使用诸如rabbit mq,kafka等等分布式消息队列异步传输,防止同步传输数据的阻塞和数据丢失!
    10,抛弃tomcat:做web开发,接触最早的应用服务器就是tomcat了,但是tomcat的单个最大并发量只能不到1w!采取netty等actor模型的高性能应用服务器!
    11,多线程:现在的服务器都是多核心处理模式,如果代码采用单线程,同步方式处理,极大的浪费了CPU使用效率和执行时间!
    12,避免阻塞:避免bio,blockingqueue等常常引起长久阻塞的技术,而改为nio等异步处理机制!
    13,CDN加速:如果访问量实在过大,可根据请求来源采用CDN分流技术,避免大流量完成系统崩溃!
    14,避免低效代码:不要频繁创建对象,引用,少用同步锁,不要创建大量线程,不要多层for循环!
    

    对存入session中的对象设置绑定监听器并且序列化,如果用户长时间不操作(这个时间可以通过配置文件修改),那么服务器就会做以下操作: 
    1,对存入session中的对象在服务器内存中钝化,存入系统硬盘中。 
    2,如果用户回来了,就将之前存入硬盘中的数据活化回来(这就是要序列化的原因,因为他是以流的方式读入的),但是硬盘中也不会被删除。

    1. 钝化与活化的监听器HttpSessionActivationListener

    可以通过配置文件 指定对象钝化时间 --- 对象多长时间不用被钝化

    在META-INF下创建一个context.xml

     

     
     

     

     

     

     

     

     

    <Context>

     <!-- maxIdleSwap:session中的对象多长时间不使用就钝化 -->

     <!-- directory:钝化后的对象的文件写到磁盘的哪个目录下  配置钝化的对象文件在                                                                           work/catalina/localhost/钝化文件 -->

     <Manager className="org.apache.catalina.session.PersistentManager"                                                                                                                             maxIdleSwap="1">

      <Store className="org.apache.catalina.session.FileStore" directory="itcast205" />

     </Manager>

    </Context>

    展开全文
  • 用做一个word操作的程序,一切顺利,就是需要选中全文卡住了,查了很资料找不到相关方法。请大神指教!
  • 02 类别型特征 场景描述 类别型特征(Categorical Feature)主要是指性别(男、女)、血型(A、B、AB、O)等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,...问题 在数据进行预处理,应该怎样

    02 类别型特征

    场景描述

    类别型特征(Categorical Feature)主要是指性别(男、女)、血型(A、B、AB、O)等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,除了决策树等少数模型能直接处理字符串形式的输入,对于逻辑回归、支持向量机等模型来说,类别型特征必须经过处理转换成数值型特征才能正确工作。

    知识点

    序号编码(Ordinal Encoding)、独热编码(One-hot Encoding)、二进制编码(Binary Encoding)

    问题 在对数据进行预处理时,应该怎样处理类别型特征?

    分析与解答

    ■ 序号编码
    序号编码通常用于处理类别间具有大小关系的数据。例如成绩,可以分为低、中、高三档,并且存在“高>中>低”的排序关系。序号编码会按照大小关系对类别型特征赋予一个数值ID,例如高表示为3、中表示为2、低表示为1,转换后依然保留了大小关系。

    ■ 独热编码
    独热编码通常用于处理类别间不具有大小关系的特征。例如血型,一共有4个取值(A型血、B型血、AB型血、O型血),独热编码会把血型变成一个4维稀疏向量,A型血表示为(1, 0, 0, 0),B型血表示为(0, 1, 0, 0),AB型表示为(0, 0,1, 0),O型血表示为(0, 0, 0, 1)。对于类别取值较多的情况下使用独热编码需要注意以下问题。
    (1)使用稀疏向量来节省空间。在独热编码下,特征向量只有某一维取值为1,其他位置取值均为0。因此可以利用向量的稀疏表示有效地节省空间,并且目25前大部分的算法均接受稀疏向量形式的输入。

    (2)配合特征选择来降低维度。高维度特征会带来几方面的问题。一是在K近邻算法中,高维空间下两点之间的距离很难得到有效的衡量;二是在逻辑回归模型中,参数的数量会随着维度的增高而增加,容易引起过拟合问题;三是通常只有部分维度是对分类、预测有帮助,因此可以考虑配合特征选择来降低维度。

    # * coding:utf-8_*_
    # 作者     :XiangLin
    # 创建时间 :10/06/2020 17:36
    # 文件     :onehot.py
    # IDE      :PyCharm
    import pandas as pd
    def one_hot_encoder(df, nan_as_category=True):
        original_columns = list(df.columns)  # 属性
        categorical_columns = [col for col in df.columns if df[col].dtype == 'object']
        df = pd.get_dummies(df, columns=categorical_columns, dummy_na=nan_as_category)  #
        new_columns = [c for c in df.columns if c not in original_columns]
        return df, new_columns
    
    
    # 测试
    data = [['handsome', 'tall', 'Japan'],
            ['ugly', 'short', 'Japan'],
            ['handsome', 'middle', 'Chinese']]
    df = pd.DataFrame(data, columns=['face', 'stature ', ' country '])
    df, df_cat = one_hot_encoder(df)
    print(df)
    print(df_cat)
    

    在这里插入图片描述
    ■ 二进制编码
    二进制编码主要分为两步,先用序号编码给每个类别赋予一个类别ID,然后将类别ID对应的二进制编码作为结果。以A、B、AB、O血型为例,表1.1是二进制编码的过程。A型血的ID为1,二进制表示为001;B型血的ID为2,二进制表示为010;以此类推可以得到AB型血和O型血的二进制表示。可以看出,二进制编码本质上是利用二进制对ID进行哈希映射,最终得到0/1特征向量,且维数少于独热编码,节省了存储空间。
    在这里插入图片描述

    除了本章介绍的编码方法外,有兴趣的读者还可以进一步了解其他的编码方式,比如Helmert Contrast、Sum Contrast、Polynomial Contrast、Backward Difference Contrast等。

    另外博主收藏这些年来看过或者听过的一些不错的常用的上千本书籍,没准你想找的书就在这里呢,包含了互联网行业大多数书籍和面试经验题目等等。有人工智能系列(常用深度学习框架TensorFlow、pytorch、keras。NLP、机器学习,深度学习等等),大数据系列(Spark,Hadoop,Scala,kafka等),程序员必修系列(C、C++、java、数据结构、linux,设计模式、数据库等等)以下是部分截图

    更多文章见本原创微信公众号「五角钱的程序员」,我们一起成长,一起学习。一直纯真着,善良着,温情地热爱生活。关注回复【电子书】即可领取哦

    在这里插入图片描述

    在这里插入图片描述
    给大家推荐一个Github,上面非常非常多的干货:https://github.com/XiangLinPro/IT_book

    Don’t give up, just be yourself, cause life’s too short to be anybody else.

    永远都不要放弃做自己,因为人生很短,根本没时间模仿别人

    展开全文
  • 求大神,我用的fileupload进行的上传,就想上传文件的事时候进行一个压缩操作上传到服务器端
  • 类别型主要指性别,血型等只有在有限选项内取值的特征。...在数据进行预处理,应该怎样处理类别型特征? 序号编码 Ordinal Encoding 序号编码通常处理类别间具有大小关系的数据。例如成绩,可以分为低,中...

    类别型主要指性别,血型等只有在有限选项内取值的特征。类别型特征原始输入通常是字符串形式,除了决策树等少量模型能直接处理字符串形式的输入,对于逻辑回归,支持向量机等模型来说,类别型特征必须经过处理转换成数值型特征才能正确工作。

    在对数据进行预处理时,应该怎样处理类别型特征?

    1. 序号编码 Ordinal Encoding

          序号编码通常处理类别间具有大小关系的数据。例如成绩,可以分为低,中,高三档,并且存在高>中>低的排序关系。序号编码会按照大小关系对类别型特征赋予一个数值ID,例如高 ,中,低表示  3,2,1转换后依然保留大小 关系。

    2.独热编码One-hot Encoding

    独热编码通常处理类别间不具有大小关系的特征。例如血型,一共有4取值(A,B,AB,O),独热编码会把血型变成一个4维稀疏向量。

    A表示(1000),B表示(0100),AB(0010) ,O表示(0001)

    使用稀疏向量来节省空间,在独热编码下,特征向量只有某一维取值为1,其他位置取值均为0.因此可以利用向量的稀疏表示有效的节省空间,并且目前大部分算法都支持稀疏向量的输入。

    配合特征选择来降低维度。高纬度特征会带来几方面的问题。

    一是K近邻算法中,高维空间下两点之间的距离很难得到有效的衡量;

    二是在逻辑回归模型中,参数的数量会随着维度的增高而增加,容易引起过拟合的问题;

    三是通常只有部分维度是对分类,预测有帮助,因此可以考虑配合特征选择来降低维度;

     

    3.二进制编码Binary Enconing

    二进制编码先用序号编码给每个类别赋予一个类别ID ,然后将类别ID 对应的二进制编码作为结果。

    二进制编码本质利用了二进制对ID 进行哈希映射,最终得到0/1特征向量,且维度小于独热编码,节省了存储空间

    展开全文
  • 刚开始接触这种加密方式,而又加密原理不了解,很容易产生这种疑问❔: 一个密码,bcryptjs每次生成的hash都不一样,那么它是如何进行校验的? Basic verification 虽然同一个密码,每次生成的hash不一样,...

    转载自:https://blog.csdn.net/u013810234/article/details/77053011
    Question
    刚开始接触这种加密方式,而又对加密原理不了解时,很容易产生这种疑问❔:

    对一个密码,bcryptjs每次生成的hash都不一样,那么它是如何进行校验的?

    Basic verification
    虽然对同一个密码,每次生成的hash不一样,但是hash中包含了salt(hash产生过程:先随机生成salt,salt跟password进行hash);
    在下次校验时,从hash中取出salt,salt跟password进行hash;得到的结果跟保存在DB中的hash进行比对,compareSync中已经实现了这一过程:bcrypt.compareSync(password, hashFromDB);
    Let Code tell you

    const bcrypt = require('bcryptjs');
    
    const password = "123";
    
    // Step1: Generate Hash
    // salt is different everytime, and so is hash
    let salt = bcrypt.genSaltSync(10);// 10 is by default
    console.log(salt);//$2a$10$TnJ1bdJ3JIzGZC/jVS.v3e
    let hash = bcrypt.hashSync(password, salt); // salt is inclued in generated hash 
    console.log(hash);//$2a$10$TnJ1bdJ3JIzGZC/jVS.v3eXlr3ns0hDxeRtlia0CPQfLJVaRCWJVS
    
    // Step2: Verify Password
    // when verify the password, get the salt from hash, and hashed again with password
    let saltFromHash = hash.substr(0, 29);
    console.log(saltFromHash);//$2a$10$TnJ1bdJ3JIzGZC/jVS.v3e
    let newHash = bcrypt.hashSync(password, saltFromHash);
    console.log(newHash);//$2a$10$TnJ1bdJ3JIzGZC/jVS.v3eXlr3ns0hDxeRtlia0CPQfLJVaRCWJVS
    console.log(hash === newHash); //true
    
    // back end compare
    console.log(bcrypt.compareSync(password, hash)); //true
    

    作者:Heartsuit
    来源:CSDN
    原文:https://blog.csdn.net/u013810234/article/details/77053011
    版权声明:本文为博主原创文章,转载请附上博文链接!

    展开全文
  • 场景 ...的确定按钮后即使窗体返回了Ok,此时不关闭窗体,将窗体隐藏。 ... 实现 在全局变量类中新增sql语句窗体字段 private FrmSearch frmSearch = new FrmSearch(); 然后新增全局属性,添加set和get方法 ...
  • 如题,要求以C/S的方式实现客户端的观看控制,怎样做才能实现这样的要求
  • 我想知道python中使用if key in list 的时候,是怎么判断key有没有在列表中的,比如有没有遍历list? 问这个问题的原因是因为我纠结于下面这代码的时间复杂度是多少: ```python ... for i in list1: ...
  • 怎样对PPT进行翻译

    2019-02-25 14:41:09
    那么当我们在工作中需要PPT文件进行翻译,我们应该怎样快速实现呢?下面我们就一起来看一下吧。 操作步骤: 步骤一:先在电脑上准备好,需要进行翻译的PPT文件,这样方便我们后面翻译进行使用。 步骤二:PPT文件...
  • 什么样的特征是类别型特征? 类别型特征主要是指性别(男/女),体型(胖/瘦/适中)等只有在选项内取值的特征,类别型特征的原始输入通常是字符串形式,除了决策树等少数模型能够直接处理字符串形式的输入,对于...
  • var b = new a(2) // {a: 1, b: 2}加上上一篇文章中说的情况,我们可以总结到,当我们一个bind返回的函数进行操作,实际上这种操作是目标函数的操作,也就是调用bind的函数。下面我们看一下es5文档的说明。 ...
  • 那么当我们遇到这个问题,我们应该怎样对PDF文件进行翻译呢?下面小编就带大家一起来看一下吧。 操作步骤: 步骤一:我们想在电脑上准备好,需要进行翻译的PDF文件,这样方便后面翻译进行使用。 步骤二:PDF文件...
  • 现在使用的是亮风台的...在Vuforia8.1.7版本更新移除了前置摄像头的支持,现在只能访问后置摄像头(Front camera support has been removed. You can now only access the back camera)大家有什么切换的办法吗?
  • grid中怎样点击一行中的一个单元格cell不要整个行高亮?
  • 在输入配对的括号或引号后,文本光标会自动移动到括号或引号之间以便用户输入包含在括号或引号之间的内容。为了让 VIM 也支持这一功能,只需要在 ~/.vimrc 文件里增加以下几行即可(如果复制下面内容粘贴后Left>后面...
  • 代码如下:def read_data(file_queue): ''' the function is to get features and label (即样本特征和样本的标签) 数据来源是csv的文件,采用tensorflow 自带的csv文件的处理方式 :param file_queue: :...
  • 在电源的运行过程中,谐波干扰是常见的,工程师们往往需要不断的升级PFC电路来改进自家的电源产品,如何定位电源运行的每谐波值和频率呢,本文给出答案。  对于精密电子设备来说,怕遇到的就是来自外部干扰的...
  • 当您使用资源浏览器查看文件,您能够随心所欲的按名称、大小、类型及改动日期不同的列文件进行大小排序。.Net提供的ListView组件没有直接提供这样的功能,但要实现并不难。 ListView.Sort()...
  • 那么当我们需要PDF文件中的链接进行编辑,我们应该怎样做呢?下面我们就一起来看一下吧。 操作步骤: 步骤一:首先我们需要准备一台电脑,因为PDF链接编辑的方法需要在电脑上进行实现。 步骤二:电脑准备好后,...
  • 首先要清楚什么是类别型特征? 简单考虑,如果是数值类别特征,统计后以Object结尾的,这样我们需要将这种类别型的特征转化为数值型的特征。 ...具体转化上,可以使用两...具体使用,可以采用稀疏向量进行表示。
  • 当创建一个项目,可能会随便命名一个项目名,如果想要项目名更有意义,或者为了方便后续项目的命名,怎么重命名项目名呢? 第一步在我们的电脑打开eclipse软件,找到需要重命名的项目,如下图所示: ...
  • def read_data(file_queue): ''' the function is to get features and label (即样本特征和样本的标签) 数据来源是csv的文件,采用tensorflow 自带的csv文件的处理方式 :param file_queue: :return: features,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,344
精华内容 3,337
关键字:

怎样对时