python语言中BP神经网络分类中如何画roc曲线?

使用bp神经网络进行分类,但是不知道如何画ROC曲线,和代价敏感曲线。有老师知道吗?望指点一下。

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
已知预测结果和标签,如何用python画roc曲线?
绝大部分教画roc的教程,都是从模型建立开始顺便画出roc来评价结果。 现在如果已知某个分类方法的预测结果和实际标签,例如下面2列: 预测结果 实际标签 1 0 1 0 0 1 . . . . . . 如何画出roc曲线? 在实际应用中碰到的例子,已知一个危险评分,根据这个评分给一个样本集合进行打分,每一个样本得到一个分值,设定阈值大于n分则预测结果为1,否则为0。然后根据实际标签的0或1用python画出roc曲线。 初学者,求各位老师帮忙指导,如何画?
python类内部的方法调用
class Adaboosting中demo_train方法中要调用同个类中的loadDataSet方法,但是根本没进到程序之中,求教是什么原因,谢谢大佬们了 demo_train的代码如下 ``` def demo_train(self): print("已进入到了内部函数") print(self.model) if self.model==None: self.model="test.txt" dataArr, LabelArr = self.loadDataSet(self.model) weakClassArr, aggClassEst = Adaboosting.adaBoostTrainDS(dataArr, LabelArr) # from my_adaboosting_SVM_ROC import adaClassify print("正在训练模型...") predictions = self.adaClassify(dataArr, weakClassArr) errArr = np.mat(np.ones((len(dataArr), 1))) number=1-float(errArr[predictions != np.mat(LabelArr).T].sum() / len(dataArr) * 100) print('训练集的错误率:%.3f%%' % float(errArr[predictions != np.mat(LabelArr).T].sum() / len(dataArr) * 100)) # print("33333333") print(self.train) if self.train==None: self.train="test6.txt" # print("444444444") print(self.train) # train = "test6.txt" testArr, testLabelArr = self.loadDataSet(self.train) predictions = self.adaClassify(testArr, weakClassArr) print(predictions) errArr = np.mat(np.ones((len(testArr), 1))) number1=1-float(errArr[predictions != np.mat(testLabelArr).T].sum() / len(testArr) * 100) print('测试集的错误率:%.3f%%' % float(errArr[predictions != np.mat(testLabelArr).T].sum() / len(testArr) * 100)) from my_adaboosting_SVM_ROC import plotROC plotROC(aggClassEst.T, LabelArr) return number ,number1 ``` loadDataSet的代码如下 ``` # 导入数据 def loadDataSet(fileName): print("hhhhhhhhhhhhhhhhh") numFeat = len((open(fileName).readline().split('\t'))) dataMat = []; labelMat = [] fr = open(fileName) for line in fr.readlines(): lineArr = [] curLine = line.strip().split('\t') for i in range(numFeat - 1): lineArr.append(float(curLine[i])) dataMat.append(lineArr) labelMat.append(float(curLine[-1])) return dataMat, labelMat ``` 运行结果: ![图片说明](https://img-ask.csdn.net/upload/202001/12/1578831845_541963.png)
pyqt+Python两个类之间传值
class Ui_MainWindow的某个代码段 ``` def massage(self): print("按了啊") dir_choose, filetype = QFileDialog.getOpenFileName(self.model, "选取文件", "./", "All Files (*);;Excel Files (*.xls)") # 起始路径 if dir_choose == "": print("\n取消选择") return print("\n你选择的文件夹为:") print(dir_choose) self.model.setText(dir_choose) adaboost = Adaboosting() result=adaboost.demo(dir_choose) self.text1.setText("训练完成") self.model_result.setText(result) ``` 然后调用另一个类class Adaboosting的方法 ``` def demo(result): print("已进入到了内部函数") # result="text1.txt" from my_adaboosting_SVM_ROC import loadDataSet dataArr, LabelArr = loadDataSet(result) from my_adaboosting_SVM_ROC import adaBoostTrainDS weakClassArr, aggClassEst = adaBoostTrainDS(dataArr, LabelArr) from my_adaboosting_SVM_ROC import adaClassify predictions = adaClassify(dataArr, weakClassArr) errArr = np.mat(np.ones((len(dataArr), 1))) number=float(errArr[predictions != np.mat(LabelArr).T].sum() / len(dataArr) * 100) print('训练集的错误率:%.3f%%' % float(errArr[predictions != np.mat(LabelArr).T].sum() / len(dataArr) * 100)) return number ``` 但是这两类之间传值没实现,报错如下 Process finished with exit code -1073740791 (0xC0000409)
如何用AUC值评价logistics模型和ANN模型?
应用患者的肿瘤标志物和B超数据收集的资料,用python语言建立了光使用肿瘤标志物和肿瘤标志物联合B超诊断卵巢包块良性、交界性、恶性的logistics回归模型和ANN模型,现在得出了logistics1(光用肿瘤标志物的logistics回归分类模型)、logistics2(肿瘤标志联合B超的logistics回归分类模型)、BP-ANN1光用肿瘤标志的BP-ANN模型)和BP-ANN2(肿瘤标志联合B超的BP-ANN模型)这4种模型针对卵巢良性、交界性、恶性的诊断ROC曲线和曲线下面积,用于建立这4种模型的样本资料都是一样的,想问下现在是直接对比AUC值得大小就可以评价他们诊断效能的高低吗?还是需要像网上一些算SE、Z值、P值才能评价这些模型间的好坏?比如我给出的图是做出来的四个模型对诊断卵巢良性疾病的ROC曲线,是不是能直接得出bp-ANN2优于logistics2优于bpANN1优于logistics1模型的结论?![图片说明](https://img-ask.csdn.net/upload/201904/16/1555345391_837510.png)
scikitlearn中,怎么判断哪个类是文档中说的positive class?
![图片说明](https://img-ask.csdn.net/upload/202001/07/1578382377_106583.png) y_true传真实类标,在我的案例中为0,1串。y_score要求传正类的概率,请问哪个类是正类?说的也太晦涩了吧,难道看类标的值?0是负1是正?那类标是2和3怎么办?我目前传的是分类器对未知样本判定是1类的概率,有毛病吗? 如果我用SVC,将真实类标(也是0,1串)和SVC的decision_function结果传入roc_auc_score计算曲线下面积,有毛病吗? (之所以这样,是scikitlearn建议使用decision_function计算置信度,而不是predict_proba,经过实验,我发现decision_function的结果是一个实数串,若分类器认为是1类,那么对应的实数是大于0的数,0类则是小于0的数,很多个数据集都是这个规律)
帮帮忙,python的问题
1、打开python软件,从skdeam库中的导入数据集load breast cancer()。 2、使用skleam中model selection 的train test split 函数把读入的数据随机分 成两部分,一部分用于训练(80%),一部分用于测试( 20% ) 3.使用skeam库中的skieam.naive bayes的GaussianNB函数以及训练数 据构建贝叶斯分类模型,使用predict函数和构建的贝叶斯分类模型分别对训练和测试数据进行分类,并与真实值进行对比,得到模型正鵪率,同时使用 skeammetrics的confusion matix、lassifiation repont和roc cuive函数给出混清矩阵、分类结果分析报告和ROC曲线图。
mlp 如何加载 doc2vec( .d2c)模型数据进行训练
mlp模型如下: ``` def MySimpleMLP(feature=700, vec_size=50): auc_roc = LSTM.as_keras_metric(tf.compat.v1.metrics.auc) model = Sequential() model.add(Flatten()) model.add(Dense(32, activation='relu', input_shape=(52,))) model.add(Dropout(0.2)) model.add(Dense(32, activation='relu')) model.add(Dropout(0.2)) model.add(Dense(1, activation='softmax')) # compile model model.compile(loss="binary_crossentropy", optimizer="adam", metrics=[auc_roc]) return model ``` 训练函数如下: ``` model.fit(trainData, trainLabel, validation_split=0.2, epochs=10, batch_size=64, verbose=2) ``` do2vec模型是基于 imdb_50.d2v。 跪求各位大佬。
机器学习中分类器验证AUC值不理想,能否比较验证集实际频率和预测概率均值来说明模型准确性。
大家好,我目前在用一批土壤数据做二分类模型,尝试了随机森林、SVM、逻辑斯蒂回归、朴素贝叶斯等常用分类算法,但是结果不太理想。不理想指的是采用常规的ROC曲线法进行模型精度验证时,曲线基本就在0.5随机线附近,AUC也就0.53左右的样子。 之前看到过一篇关于贝叶斯概率预测模型的文章(Wu Bo, 2018),他在检验模型准确性时没有采取ROC曲线法或类似基于混淆矩阵的方法,而是把验证数据集当作一个整体,计算了两个分类各自的频率,然后将验证数据集参数的平均值带入训练好的贝叶斯模型,求出一个后验概率,通过比较后验概率与实际频率,来说明模型的好坏。 于是尝试用这种思路,去把我的验证数据集每个样本带入模型计算得到的那个数字(例如贝叶斯和逻辑斯蒂回归都可以给出后验概率)求平均,发现这个平均数确实和实际两个类别的频率很接近。我又通过改变数据的分类阈值(比如说原来是170cm以上算高个,现在调整成160就是高个儿),发现不同阈值下求得的这个平均数和相应的实际频率都很一致。 本人数学底子挺差的,不知道这种验证方法是否可行?如果可行的话,后面是什么原理?能否指点个参考文献?如果不行的话,又是为什么呢?
sklearn中的一个问题?
今天在做ROC曲线的时候,遇到了sklearn的一个问题,看了源码中的例子之后 发现还是有问题: ``` Examples -------- >>> import numpy as np >>> from sklearn import metrics >>> y = np.array([1, 1, 2, 2]) >>> scores = np.array([0.1, 0.4, 0.35, 0.8]) >>> fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2) >>> fpr array([0. , 0. , 0.5, 0.5, 1. ]) >>> tpr array([0. , 0.5, 0.5, 1. , 1. ]) >>> thresholds array([1.8 , 0.8 , 0.4 , 0.35, 0.1 ]) ``` 想问一下这个例子中的1.8是从哪来的,为什么输入的是四列确有五列输出,不是应该按输入的排序然后每一个取做阈值ma
是否有必要对多个分类模型的评价的AUC(线下面积)进行显著性比较?
各位先达大德, 在下刚接触机器学习两个月,在基于同一组临床数据利用R语言建立分类模型。我使用了ROC对各种不同分类算法得到的AUC进行比较评价。我也计算了sensitivity与specificity等指标。请问我是否有必要对不同模型间的AUC或者其他指标进行显著性验证来证明不同模型的分类能力有显著差异?如果要,使用哪种显著性比较方法较好?因为在下不确定AUC或其他指标是服从正态分布的。 望赐教!
ValueError: multilabel-indicator format is not supported的报错原因?
报错ValueError: multilabel-indicator format is not supported? 这个报错意思比较明确,不支持多分类,但我模型里y的label定义就是0和1,binary,为啥会有这个报错? 一个图像2分类的keras模型,总样本量=120,其中label"0"=110,label"1"=10,非平衡, 代码如下: data = np.load('D:/a.npz') image_data, label_data= data['image'], data['label'] skf = StratifiedKFold(n_splits=3, shuffle=True) for train, test in skf.split(image_data, label_data): train_x=image_data[train] test_x=image_data[test] train_y=label_data[train] test_y=label_data[test] train_x = train_x.reshape(81,50176) test_x = test_x.reshape(39,50176) train_y = keras.utils.to_categorical(train_y,2) test_y = keras.utils.to_categorical(test_y,2) model = Sequential() model.add(Dense(units=128,activation="relu",input_shape=(50176,))) model.add(Dense(units=128,activation="relu")) model.add(Dense(units=128,activation="relu")) model.add(Dense(units=2,activation="sigmoid")) model.compile(optimizer=SGD(0.001),loss="binary_crossentropy",metrics=["accuracy"]) model.fit(train_x, train_y,batch_size=32,epochs=5,verbose=1) y_pred_model = model.predict_proba(test_x)[:,1] fpr_model, tpr_model, _ = roc_curve(test_y, y_pred_model) 报错提示如下: ---> 63 fpr_model, tpr_model, _ = roc_curve(test_y, y_pred_model) ValueError: multilabel-indicator format is not supported
机器学习中整合不同预测方法的公式的含义
我运用机器学习的方法来预测两个蛋白质是否互作,而目前有4种基于氨基酸序列的编码方法结合SVM构成4种预测方法。我参考了别人的文献用下面的公式对4种方法进行一个整合,希望整合后能够比单种预测方法的预测精度要高。 每一个样本运用的公式如下: ![图片说明](https://img-ask.csdn.net/upload/201703/06/1488786783_62217.png) 这里的s_i指的是每个样本用第i种方法预测后的得分,〖AUC〗_i指的是所有样本用第i种预测方法预测后的得分做出ROC曲线下的面积,s ̂为整合后每个样本的分数。 我不明白的地方是,这两个公式背后到底蕴含着什么意义和道理,为何要这样进行处理?
求大神帮我把这段deplin翻译为JAVA语言
function A rrangeh em (const A Item :P ltem ) : Boolean ; F or F A rran ge do { If (not T im eA llow ) or (not R oom A llow ) then C ontinue If FA rran ge < > n il th en A dd T im elD ,Ro om lD to R T } R esult: = Count(R T ) < > 0 If R e su lt th en I i: = R andom (C ount(R T ) ) ; if A h em . Tim elD < > 一1 then FA rrange (A h em ) : = nilFA rrange [RT [i] ] : = A hem } p ro cedu re C rossO ver fo r F E n ab le T im e do { G etM a x A Item . C on f l ic t A d d A Ite m to P M “ } fo r PM ax do Exchange(P M ax[i] 。P M ax[i+ 1] ) p ro cedu re E n d p ro cedu re M u tate f o r F Item do if F hem [i] . C onf lict< > 0 then ifRandom (100 ) < 50 then A rrangeltem (FItem [i] ) p roc edu re M u tate E nd
bad input shape (60000, 2)
本小白在看机器学习实战时,绘制精度、召回率相对阈值的函数图时报了错。 代码如下: ``` from sklearn.datasets import fetch_mldata import matplotlib import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import SGDClassifier from sklearn.model_selection import StratifiedKFold from sklearn.base import clone from sklearn.model_selection import cross_val_score from sklearn.model_selection import cross_val_predict from sklearn.metrics import confusion_matrix from sklearn.metrics import precision_score,recall_score from sklearn.metrics import f1_score from sklearn.metrics import precision_recall_curve from sklearn.metrics import roc_curve from sklearn.metrics import roc_auc_score #导入部分 mnist = fetch_mldata('MNIST original') X,y = mnist["data"],mnist["target"] #显现部分 some_digit = X[36000] some_digit_image = some_digit.reshape(28,28) plt.imshow(some_digit_image,cmap=matplotlib.cm.binary,interpolation="nearest") plt.axis("off") #plt.show() #训练集和测试集 X_train,X_test,y_train,y_test=X[:60000],X[60000:],y[:60000],y[60000:] shuffle_index = np.random.permutation(60000) X_train,y_train = X_train[shuffle_index],y_train[shuffle_index] #二分分类器 y_train_5 = (y_train == 5) y_test_5 = (y_test == 5) sgd_clf = SGDClassifier(random_state=42) sgd_clf.fit(X_train,y_train_5) predict1 = sgd_clf.predict([some_digit]) print(predict1) #实施交叉验证 skfolds = StratifiedKFold(n_splits=3,random_state=42) for train_index,test_index in skfolds.split(X_train,y_train_5): clone_clf = clone(sgd_clf) X_train_folds = X_train[train_index] y_train_folds = (y_train_5[train_index]) X_test_fold = X_train[test_index] y_test_fold = (y_train_5[test_index]) clone_clf.fit(X_train_folds,y_train_folds) y_pred = clone_clf.predict(X_test_fold) n_correct = sum(y_pred == y_test_fold) print(n_correct/len(y_pred)) #kfold方法 print(cross_val_score(sgd_clf,X_train,y_train_5,cv=3,scoring="accuracy")) y_train_pred = cross_val_predict(sgd_clf,X_train,y_train_5,cv=3) #print(confusion_matrix(y_train_5,y_train_pred)) #print(precision_score(y_train_5,y_pred)) #精度 #print(recall_score(y_train_5,y_train_pred)) #召回率 #print(f1_score(y_train_5,y_pred)) #fi分数 y_scores = sgd_clf.decision_function([some_digit]) print(y_scores) #threshold = 0 #y_some_digit_pred = (y_scores>threshold) #print(y_some_digit_pred) #提高阈值 threshold = 200000 y_some_digit_pred = (y_scores>threshold) print(y_some_digit_pred) #绘制阈值函数图 y_scores = cross_val_predict(sgd_clf,X_train,y_train_5,cv=3,method="decision_function") precisions, recalls, thresholds = precision_recall_curve(y_train_5,y_scores) def plot_precison_recall_vs_threshold(precisions,recalls,thresholds): plt.plot(thresholds,precisions[:-1],"b--",label="Precision") plt.plot(thresholds, recalls[:-1], "g-", label="Recall") plt.xlabel("Threshold") plt.legend(loc="upper left") plt.ylim([0,1]) plot_precison_recall_vs_threshold(precisions,recalls,thresholds) plt.show() ``` 报错信息如下: Traceback (most recent call last): File "F:/python项目/mnist.py", line 77, in <module> precisions, recalls, thresholds = precision_recall_curve(y_train_5,y_scores) File "C:\Users\15701\Anaconda3\lib\site-packages\sklearn\metrics\ranking.py", line 417, in precision_recall_curve sample_weight=sample_weight) File "C:\Users\15701\Anaconda3\lib\site-packages\sklearn\metrics\ranking.py", line 304, in _binary_clf_curve y_score = column_or_1d(y_score) File "C:\Users\15701\Anaconda3\lib\site-packages\sklearn\utils\validation.py", line 583, in column_or_1d raise ValueError("bad input shape {0}".format(shape)) ValueError: bad input shape (60000, 2) 不胜感激
php数据库导入数据问题
错误 SQL 查询: -- -- Database: 'rocboss' -- -- -------------------------------------------------------- -- -- 表的结构 'roc_attachment' -- CREATE TABLE IF NOT EXISTS 'roc_attachment'( 'id'INT( 11 ) UNSIGNED NOT NULL , 'uid'MEDIUMINT( 8 ) UNSIGNED NOT NULL , 'path'VARCHAR( 128 ) NOT NULL , 'time'INT( 11 ) UNSIGNED NOT NULL , 'tid'INT( 11 ) UNSIGNED NOT NULL DEFAULT '0', 'pid'INT( 11 ) UNSIGNED NOT NULL DEFAULT '0' ) ENGINE = MYISAM AUTO_INCREMENT =3 DEFAULT CHARSET = utf8 ROW_FORMAT = DYNAMIC ; MySQL 返回: 文档 #1064 - You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near ''roc_attachment' ( 'id' int(11) unsigned NOT NULL, 'uid' mediumint(8) unsign' at line 11 求大神 做好的数据想往数据库里面导 MySQL数据库
C++ system WinExec,ShellExecute , 等函数的详细介绍书籍
我很想知道C++ system 或者WinExec,ShellExecute ,CreateProcess。。。。。等这些函数的详细用法,有什么书会详细地介绍呢
Java学习的正确打开方式
在博主认为,对于入门级学习java的最佳学习方法莫过于视频+博客+书籍+总结,前三者博主将淋漓尽致地挥毫于这篇博客文章中,至于总结在于个人,实际上越到后面你会发现学习的最好方式就是阅读参考官方文档其次就是国内的书籍,博客次之,这又是一个层次了,这里暂时不提后面再谈。博主将为各位入门java保驾护航,各位只管冲鸭!!!上天是公平的,只要不辜负时间,时间自然不会辜负你。 何谓学习?博主所理解的学习,它是一个过程,是一个不断累积、不断沉淀、不断总结、善于传达自己的个人见解以及乐于分享的过程。
程序员必须掌握的核心算法有哪些?
由于我之前一直强调数据结构以及算法学习的重要性,所以就有一些读者经常问我,数据结构与算法应该要学习到哪个程度呢?,说实话,这个问题我不知道要怎么回答你,主要取决于你想学习到哪些程度,不过针对这个问题,我稍微总结一下我学过的算法知识点,以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的,并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构,当然,我也会整理一些看过...
有哪些让程序员受益终生的建议
从业五年多,辗转两个大厂,出过书,创过业,从技术小白成长为基层管理,联合几个业内大牛回答下这个问题,希望能帮到大家,记得帮我点赞哦。 敲黑板!!!读了这篇文章,你将知道如何才能进大厂,如何实现财务自由,如何在工作中游刃有余,这篇文章很长,但绝对是精品,记得帮我点赞哦!!!! 一腔肺腑之言,能看进去多少,就看你自己了!!! 目录: 在校生篇: 为什么要尽量进大厂? 如何选择语言及方...
大学四年自学走来,这些私藏的实用工具/学习网站我贡献出来了
大学四年,看课本是不可能一直看课本的了,对于学习,特别是自学,善于搜索网上的一些资源来辅助,还是非常有必要的,下面我就把这几年私藏的各种资源,网站贡献出来给你们。主要有:电子书搜索、实用工具、在线视频学习网站、非视频学习网站、软件下载、面试/求职必备网站。 注意:文中提到的所有资源,文末我都给你整理好了,你们只管拿去,如果觉得不错,转发、分享就是最大的支持了。 一、电子书搜索 对于大部分程序员...
linux系列之常用运维命令整理笔录
本博客记录工作中需要的linux运维命令,大学时候开始接触linux,会一些基本操作,可是都没有整理起来,加上是做开发,不做运维,有些命令忘记了,所以现在整理成博客,当然vi,文件操作等就不介绍了,慢慢积累一些其它拓展的命令,博客不定时更新 free -m 其中:m表示兆,也可以用g,注意都要小写 Men:表示物理内存统计 total:表示物理内存总数(total=used+free) use...
比特币原理详解
一、什么是比特币 比特币是一种电子货币,是一种基于密码学的货币,在2008年11月1日由中本聪发表比特币白皮书,文中提出了一种去中心化的电子记账系统,我们平时的电子现金是银行来记账,因为银行的背后是国家信用。去中心化电子记账系统是参与者共同记账。比特币可以防止主权危机、信用风险。其好处不多做赘述,这一层面介绍的文章很多,本文主要从更深层的技术原理角度进行介绍。 二、问题引入 假设现有4个人...
程序员接私活怎样防止做完了不给钱?
首先跟大家说明一点,我们做 IT 类的外包开发,是非标品开发,所以很有可能在开发过程中会有这样那样的需求修改,而这种需求修改很容易造成扯皮,进而影响到费用支付,甚至出现做完了项目收不到钱的情况。 那么,怎么保证自己的薪酬安全呢? 我们在开工前,一定要做好一些证据方面的准备(也就是“讨薪”的理论依据),这其中最重要的就是需求文档和验收标准。一定要让需求方提供这两个文档资料作为开发的基础。之后开发...
网页实现一个简单的音乐播放器(大佬别看。(⊙﹏⊙))
今天闲着无事,就想写点东西。然后听了下歌,就打算写个播放器。 于是乎用h5 audio的加上js简单的播放器完工了。 演示地点演示 html代码如下` music 这个年纪 七月的风 音乐 ` 然后就是css`*{ margin: 0; padding: 0; text-decoration: none; list-...
Python十大装B语法
Python 是一种代表简单思想的语言,其语法相对简单,很容易上手。不过,如果就此小视 Python 语法的精妙和深邃,那就大错特错了。本文精心筛选了最能展现 Python 语法之精妙的十个知识点,并附上详细的实例代码。如能在实战中融会贯通、灵活使用,必将使代码更为精炼、高效,同时也会极大提升代码B格,使之看上去更老练,读起来更优雅。
数据库优化 - SQL优化
以实际SQL入手,带你一步一步走上SQL优化之路!
2019年11月中国大陆编程语言排行榜
2019年11月2日,我统计了某招聘网站,获得有效程序员招聘数据9万条。针对招聘信息,提取编程语言关键字,并统计如下: 编程语言比例 rank pl_ percentage 1 java 33.62% 2 cpp 16.42% 3 c_sharp 12.82% 4 javascript 12.31% 5 python 7.93% 6 go 7.25% 7 p...
通俗易懂地给女朋友讲:线程池的内部原理
餐盘在灯光的照耀下格外晶莹洁白,女朋友拿起红酒杯轻轻地抿了一小口,对我说:“经常听你说线程池,到底线程池到底是个什么原理?”
《奇巧淫技》系列-python!!每天早上八点自动发送天气预报邮件到QQ邮箱
将代码部署服务器,每日早上定时获取到天气数据,并发送到邮箱。 也可以说是一个小型人工智障。 知识可以运用在不同地方,不一定非是天气预报。
经典算法(5)杨辉三角
杨辉三角 是经典算法,这篇博客对它的算法思想进行了讲解,并有完整的代码实现。
英特尔不为人知的 B 面
从 PC 时代至今,众人只知在 CPU、GPU、XPU、制程、工艺等战场中,英特尔在与同行硬件芯片制造商们的竞争中杀出重围,且在不断的成长进化中,成为全球知名的半导体公司。殊不知,在「刚硬」的背后,英特尔「柔性」的软件早已经做到了全方位的支持与支撑,并持续发挥独特的生态价值,推动产业合作共赢。 而对于这一不知人知的 B 面,很多人将其称之为英特尔隐形的翅膀,虽低调,但是影响力却不容小觑。 那么,在...
腾讯算法面试题:64匹马8个跑道需要多少轮才能选出最快的四匹?
昨天,有网友私信我,说去阿里面试,彻底的被打击到了。问了为什么网上大量使用ThreadLocal的源码都会加上private static?他被难住了,因为他从来都没有考虑过这个问题。无独有偶,今天笔者又发现有网友吐槽了一道腾讯的面试题,我们一起来看看。 腾讯算法面试题:64匹马8个跑道需要多少轮才能选出最快的四匹? 在互联网职场论坛,一名程序员发帖求助到。二面腾讯,其中一个算法题:64匹...
面试官:你连RESTful都不知道我怎么敢要你?
干货,2019 RESTful最贱实践
为啥国人偏爱Mybatis,而老外喜欢Hibernate/JPA呢?
关于SQL和ORM的争论,永远都不会终止,我也一直在思考这个问题。昨天又跟群里的小伙伴进行了一番讨论,感触还是有一些,于是就有了今天这篇文。 声明:本文不会下关于Mybatis和JPA两个持久层框架哪个更好这样的结论。只是摆事实,讲道理,所以,请各位看官勿喷。 一、事件起因 关于Mybatis和JPA孰优孰劣的问题,争论已经很多年了。一直也没有结论,毕竟每个人的喜好和习惯是大不相同的。我也看...
白话阿里巴巴Java开发手册高级篇
不久前,阿里巴巴发布了《阿里巴巴Java开发手册》,总结了阿里巴巴内部实际项目开发过程中开发人员应该遵守的研发流程规范,这些流程规范在一定程度上能够保证最终的项目交付质量,通过在时间中总结模式,并推广给广大开发人员,来避免研发人员在实践中容易犯的错误,确保最终在大规模协作的项目中达成既定目标。 无独有偶,笔者去年在公司里负责升级和制定研发流程、设计模板、设计标准、代码标准等规范,并在实际工作中进行...
SQL-小白最佳入门sql查询一
不要偷偷的查询我的个人资料,即使你再喜欢我,也不要这样,真的不好;
redis分布式锁,面试官请随便问,我都会
文章有点长并且绕,先来个图片缓冲下! 前言 现在的业务场景越来越复杂,使用的架构也就越来越复杂,分布式、高并发已经是业务要求的常态。像腾讯系的不少服务,还有CDN优化、异地多备份等处理。 说到分布式,就必然涉及到分布式锁的概念,如何保证不同机器不同线程的分布式锁同步呢? 实现要点 互斥性,同一时刻,智能有一个客户端持有锁。 防止死锁发生,如果持有锁的客户端崩溃没有主动释放锁,也要保证锁可以正常释...
项目中的if else太多了,该怎么重构?
介绍 最近跟着公司的大佬开发了一款IM系统,类似QQ和微信哈,就是聊天软件。我们有一部分业务逻辑是这样的 if (msgType = "文本") { // dosomething } else if(msgType = "图片") { // doshomething } else if(msgType = "视频") { // doshomething } else { // doshom...
Nginx 原理和架构
Nginx 是一个免费的,开源的,高性能的 HTTP 服务器和反向代理,以及 IMAP / POP3 代理服务器。Nginx 以其高性能,稳定性,丰富的功能,简单的配置和低资源消耗而闻名。 Nginx 的整体架构 Nginx 里有一个 master 进程和多个 worker 进程。master 进程并不处理网络请求,主要负责调度工作进程:加载配置、启动工作进程及非停升级。worker 进程负责处...
Python 编程开发 实用经验和技巧
Python是一门很灵活的语言,也有很多实用的方法,有时候实现一个功能可以用多种方法实现,我这里总结了一些常用的方法和技巧,包括小数保留指定位小数、判断变量的数据类型、类方法@classmethod、制表符中文对齐、遍历字典、datetime.timedelta的使用等,会持续更新......
YouTube排名第一的励志英文演讲《Dream(梦想)》
Idon’t know what that dream is that you have, I don't care how disappointing it might have been as you've been working toward that dream,but that dream that you’re holding in your mind, that it’s po...
“狗屁不通文章生成器”登顶GitHub热榜,分分钟写出万字形式主义大作
一、垃圾文字生成器介绍 最近在浏览GitHub的时候,发现了这样一个骨骼清奇的雷人项目,而且热度还特别高。 项目中文名:狗屁不通文章生成器 项目英文名:BullshitGenerator 根据作者的介绍,他是偶尔需要一些中文文字用于GUI开发时测试文本渲染,因此开发了这个废话生成器。但由于生成的废话实在是太过富于哲理,所以最近已经被小伙伴们给玩坏了。 他的文风可能是这样的: 你发现,...
程序员:我终于知道post和get的区别
是一个老生常谈的话题,然而随着不断的学习,对于以前的认识有很多误区,所以还是需要不断地总结的,学而时习之,不亦说乎
《程序人生》系列-这个程序员只用了20行代码就拿了冠军
你知道的越多,你不知道的越多 点赞再看,养成习惯GitHub上已经开源https://github.com/JavaFamily,有一线大厂面试点脑图,欢迎Star和完善 前言 这一期不算《吊打面试官》系列的,所有没前言我直接开始。 絮叨 本来应该是没有这期的,看过我上期的小伙伴应该是知道的嘛,双十一比较忙嘛,要值班又要去帮忙拍摄年会的视频素材,还得搞个程序员一天的Vlog,还要写BU...
加快推动区块链技术和产业创新发展,2019可信区块链峰会在京召开
11月8日,由中国信息通信研究院、中国通信标准化协会、中国互联网协会、可信区块链推进计划联合主办,科技行者协办的2019可信区块链峰会将在北京悠唐皇冠假日酒店开幕。   区块链技术被认为是继蒸汽机、电力、互联网之后,下一代颠覆性的核心技术。如果说蒸汽机释放了人类的生产力,电力解决了人类基本的生活需求,互联网彻底改变了信息传递的方式,区块链作为构造信任的技术有重要的价值。   1...
Java世界最常用的工具类库
Apache Commons Apache Commons有很多子项目 Google Guava 参考博客
程序员把地府后台管理系统做出来了,还有3.0版本!12月7号最新消息:已在开发中有github地址
第一幕:缘起 听说阎王爷要做个生死簿后台管理系统,我们派去了一个程序员…… 996程序员做的梦: 第一场:团队招募 为了应对地府管理危机,阎王打算找“人”开发一套地府后台管理系统,于是就在地府总经办群中发了项目需求。 话说还是中国电信的信号好,地府都是满格,哈哈!!! 经常会有外行朋友问:看某网站做的不错,功能也简单,你帮忙做一下? 而这次,面对这样的需求,这个程序员...
网易云6亿用户音乐推荐算法
网易云音乐是音乐爱好者的集聚地,云音乐推荐系统致力于通过 AI 算法的落地,实现用户千人千面的个性化推荐,为用户带来不一样的听歌体验。 本次分享重点介绍 AI 算法在音乐推荐中的应用实践,以及在算法落地过程中遇到的挑战和解决方案。 将从如下两个部分展开: AI算法在音乐推荐中的应用 音乐场景下的 AI 思考 从 2013 年 4 月正式上线至今,网易云音乐平台持续提供着:乐屏社区、UGC...
8年经验面试官详解 Java 面试秘诀
作者 |胡书敏 责编 | 刘静 出品 | CSDN(ID:CSDNnews) 本人目前在一家知名外企担任架构师,而且最近八年来,在多家外企和互联网公司担任Java技术面试官,前后累计面试了有两三百位候选人。在本文里,就将结合本人的面试经验,针对Java初学者、Java初级开发和Java开发,给出若干准备简历和准备面试的建议。 Java程序员准备和投递简历的实...
相关热词 c# 二进制截断字符串 c#实现窗体设计器 c#检测是否为微信 c# plc s1200 c#里氏转换原则 c# 主界面 c# do loop c#存为组套 模板 c# 停掉协程 c# rgb 读取图片
立即提问