[z]Deeplearning原文作者Hinton代码注解

跑Hinton最初代码时看到这篇注释文章,很少细心,待研究。。。
原文地址:>http://www.cnblogs.com/BeDPS/p/3182725.html

    1. Matlab示例代码为两部分,分别对应不同的论文:
    2. 1. Reducing the Dimensionality of data with neural networks
    3.   ministdeepauto.m   backprop.m   rbmhidlinear.m
    4. 2. A fast learing algorithm for deep belief net
    5.   mnistclassify.m   backpropclassfy.m
    6. 其余部分代码通用。
    7. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    8. mnistclassify.m
    9. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    10. clear all
    11. close all
    12. maxepoch=50;    %迭代次数
    13. numhid=500; numpen=500; numpen2=2000;
    14. fprintf(1,’Converting Raw files into Matlab format \n’);
    15. converter;
    16. fprintf(1,’Pretraining a deep autoencoder. \n’);
    17. fprintf(1,’The Science paper used 50 epochs. This uses %3i \n’, maxepoch);
    18. makebatches;%分批数据
    19. [numcases numdims numbatches]=size(batchdata); %获取batchdata数据大小
    20. %%numcases  每批数据的个数
    21. %%numdims   数据元组的维度
    22. %%numbtches 数据批数
    23. fprintf(1,’Pretraining Layer 1 with RBM: %d-%d \n’,numdims,numhid);%图像输入层到第一个隐藏层
    24. restart=1;                  %设置初始化参数
    25. rbm;                %调用RBM训练数据
    26. hidrecbiases=hidbiases;  %获取隐藏层偏置值
    27. save mnistvhclassify vishid hidrecbiases visbiases; %
    28. fprintf(1,’\nPretraining Layer 2 with RBM: %d-%d \n’,numhid,numpen);%第一个隐藏层到第二个隐藏层
    29. batchdata=batchposhidprobs;     %上一个RBM的隐藏层输出,读入作为这个RBM的输入
    30. numhid=numpen;%设置隐藏层的节点数,输入的节点数已经由读入数据给出
    31. restart=1;
    32. rbm;
    33. hidpen=vishid; penrecbiases=hidbiases; hidgenbiases=visbiases; %同上,提取权值,偏置,
    34. save mnisthpclassify hidpen penrecbiases hidgenbiases;
    35. fprintf(1,’\nPretraining Layer 3 with RBM: %d-%d \n’,numpen,numpen2);%第二个隐藏层到第三层隐藏层,其余同上
    36. batchdata=batchposhidprobs;
    37. numhid=numpen2;
    38. restart=1;
    39. rbm;
    40. hidpen2=vishid; penrecbiases2=hidbiases; hidgenbiases2=visbiases;
    41. save mnisthp2classify hidpen2 penrecbiases2 hidgenbiases2;
    42. backpropclassify;
    43. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    44. backpropclassify.m
    45. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    46. maxepoch=200;
    47. fprintf(1,’\nTraining discriminative model on MNIST by minimizing cross entropy error. \n’);%最小化交叉熵
    48. fprintf(1,’60 batches of 1000 cases each. \n’);
    49. load mnistvhclassify%加载各层之间的权值,以及偏置
    50. load mnisthpclassify
    51. load mnisthp2classify
    52. makebatches;%分批数据
    53. [numcases numdims numbatches]=size(batchdata);
    54. N=numcases; %获取每批数据向量数
    55. %%%% PREINITIALIZE WEIGHTS OF THE DISCRIMINATIVE MODEL%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    56. w1=[vishid; hidrecbiases];%第一层到第二层的权重,以及第二层的偏置
    57. w2=[hidpen; penrecbiases];%类上
    58. w3=[hidpen2; penrecbiases2];%类上
    59. w_class = 0.1*randn(size(w3,2)+1,10);%随机生成第四层列数+1行,10列的矩阵
    60. %%%%%%%%%% END OF PREINITIALIZATIO OF WEIGHTS  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    61. l1=size(w1,1)-1;%获取每层的单元个数
    62. l2=size(w2,1)-1;
    63. l3=size(w3,1)-1;
    64. l4=size(w_class,1)-1;%最高层的单元个数
    65. l5=10; %label层单元个数
    66. test_err=[];%
    67. train_err=[];%
    68. for epoch = 1:maxepoch
    69. %%%%%%%%%%%%%%%%%%%% COMPUTE TRAINING MISCLASSIFICATION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    70. err=0;
    71. err_cr=0;
    72. counter=0;
    73. [numcases numdims numbatches]=size(batchdata);
    74. %%numcases  每批数据的个数
    75. %%numdims   数据元组的维度
    76. %%numbtches 数据批数
    77. N=numcases;%%每批次数据向量个数
    78. for batch = 1:numbatches
    79. data = [batchdata(:,:,batch)];%读取一批次数据
    80. target = [batchtargets(:,:,batch)];%读取当前批次的目标值
    81. data = [data ones(N,1)];%在原数据后添加N行1列数据
    82. w1probs = 1./(1 + exp(-data*w1)); w1probs = [w1probs  ones(N,1)];%sigmod计算各层的概率值,参见BP算法
    83. w2probs = 1./(1 + exp(-w1probs*w2)); w2probs = [w2probs ones(N,1)];
    84. w3probs = 1./(1 + exp(-w2probs*w3)); w3probs = [w3probs  ones(N,1)];
    85. targetout = exp(w3probs*w_class);%计算最后的输出值N行10列
    86. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    87. %对最后的label的输出处理过程,见公式6.1,其中w3probs*w_class是label的输入
    88. %最后只能有一个单元被激活,激活单元的选择即通过下面计算得出的概率来进行选择
    89. %10个单元组成的“softmax”组
    90. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    91. targetout = targetout./repmat(sum(targetout,2),1,10);%计算最后10个label输出除以输出值的总和
    92. [I J]=max(targetout,[],2);%取计算结果每行中的最大值,以及其列标
    93. [I1 J1]=max(target,[],2);%取原先设定目标值的最大值以及列标
    94. counter=counter+length(find(J==J1));%统计正确的条数
    95. err_cr = err_cr- sum(sum( target(:,1:end).*log(targetout))) ; %%%%????
    96. end
    97. train_err(epoch)=(numcases*numbatches-counter);%总的错误条数???
    98. train_crerr(epoch)=err_cr/numbatches;%平均每批次错误率???
    99. %%%%%%%%%%%%%% END OF COMPUTING TRAINING MISCLASSIFICATION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    100. %%%%%%%%%%%%%%%%%%%% COMPUTE TEST MISCLASSIFICATION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    101. err=0;
    102. err_cr=0;
    103. counter=0;
    104. [testnumcases testnumdims testnumbatches]=size(testbatchdata);
    105. N=testnumcases;
    106. for batch = 1:testnumbatches
    107. data = [testbatchdata(:,:,batch)];
    108. target = [testbatchtargets(:,:,batch)];
    109. data = [data ones(N,1)];
    110. w1probs = 1./(1 + exp(-data*w1)); w1probs = [w1probs  ones(N,1)];
    111. w2probs = 1./(1 + exp(-w1probs*w2)); w2probs = [w2probs ones(N,1)];
    112. w3probs = 1./(1 + exp(-w2probs*w3)); w3probs = [w3probs  ones(N,1)];
    113. targetout = exp(w3probs*w_class);
    114. targetout = targetout./repmat(sum(targetout,2),1,10);
    115. [I J]=max(targetout,[],2);
    116. [I1 J1]=max(target,[],2);
    117. counter=counter+length(find(J==J1));
    118. err_cr = err_cr- sum(sum( target(:,1:end).*log(targetout))) ;
    119. end
    120. test_err(epoch)=(testnumcases*testnumbatches-counter);
    121. test_crerr(epoch)=err_cr/testnumbatches;
    122. fprintf(1,’Before epoch %d Train # misclassified: %d (from %d). Test # misclassified: %d (from %d) \t \t \n’,…
    123. epoch,train_err(epoch),numcases*numbatches,test_err(epoch),testnumcases*testnumbatches);
    124. %%%%%%%%%%%%%% END OF COMPUTING TEST MISCLASSIFICATION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    125. tt=0;
    126. for batch = 1:numbatches/10
    127. fprintf(1,’epoch %d batch %d\r’,epoch,batch);
    128. %%%%%%%%%%% COMBINE 10 MINIBATCHES INTO 1 LARGER MINIBATCH %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    129. %组合10个小批次为1000样例的批次,然后用conjugate gradient来进行微调
    130. tt=tt+1;
    131. data=[];
    132. targets=[];
    133. for kk=1:10
    134. data=[data
    135. batchdata(:,:,(tt-1)*10+kk)]; %10个小批次合成
    136. targets=[targets
    137. batchtargets(:,:,(tt-1)*10+kk)];
    138. end
    139. %%%%%%%%%%%%%%% PERFORM CONJUGATE GRADIENT WITH 3 LINESEARCHES %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    140. max_iter=3;       %设置线性搜索的次数
    141. if epoch<6                            % First update top-level weights holding other weights fixed.
    142. N = size(data,1);               %获取数据的行数
    143. XX = [data ones(N,1)];    %每行数据后面增加1,用来增加偏置
    144. w1probs = 1./(1 + exp(-XX*w1)); w1probs = [w1probs  ones(N,1)];
    145. w2probs = 1./(1 + exp(-w1probs*w2)); w2probs = [w2probs ones(N,1)];
    146. w3probs = 1./(1 + exp(-w2probs*w3)); %w3probs = [w3probs  ones(N,1)];
    147. VV = [w_class(:)']‘;    %VV将随机生成的向量w_class展开成一列???为什么展开成一列与minimize的参数有关
    148. %
    149. Dim = [l4; l5];             %记录最后两层的单元节点数,即2000的隐藏层和10的label层
    150. [X, fX] = minimize(VV,’CG_CLASSIFY_INIT’,max_iter,Dim,w3probs,targets);%只训练两层 %%%详细见函数定义
    151. %minimize is Cari Rasmusssen’s ”minimize” code
    152. %%——————参数含义——————%%
    153. %VV         随机权重向量的展开 ,其作为输入参数,列必须为1(D by 1)
    154. %X          函数f=”CG_CLASSIFY_INIT”的最优化参数
    155. %fX         函数f对X的偏导
    156. %max_iter  如果为正,表示线性搜索次数,为负,函数的最大值个数
    157. %%————————————————-%
    158. w_class = reshape(X,l4+1,l5);%恢复权值矩阵结构
    159. else                      %进入整体微调过程
    160. VV = [w1(: )' w2(: )' w3(: )' w_class(: )']‘; %将所有权值按列展开成一列
    161. Dim = [l1; l2; l3; l4; l5]; %记录各层单元个数传入
    162. [X, fX] = minimize(VV,’CG_CLASSIFY’,max_iter,Dim,data,targets);
    163. w1 = reshape(X(1: (l1+1)*l2),l1+1,l2);   %恢复W1权值1.0
    164. xxx = (l1+1)*l2;  %临时变量,用于恢复权值单元
    165. w2 = reshape(X (xxx+1: xxx+ (l2+1)*l3),l2+1,l3);
    166. xxx = xxx+(l2+1)*l3;
    167. w3 = reshape(X (xxx+1: xxx+ (l3+1)*l4),l3+1,l4);
    168. xxx = xxx+(l3+1)*l4;
    169. w_class = reshape(X (xxx+1: xxx+ (l4+1)*l5),l4+1,l5);
    170. end
    171. %%%%%%%%%%%%%%% END OF CONJUGATE GRADIENT WITH 3 LINESEARCHES %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    172. end
    173. save mnistclassify_weights w1 w2 w3 w_class
    174. save mnistclassify_error test_err test_crerr train_err train_crerr;
    175. end
    176. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    177. rbm.m
    178. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%\
    179. epsilonw      = 0.1;   % Learning rate for weights
    180. epsilonvb     = 0.1;   % Learning rate for biases of visible units
    181. epsilonhb     = 0.1;   % Learning rate for biases of hidden units
    182. weightcost  = 0.0002;
    183. initialmomentum  = 0.5;
    184. finalmomentum    = 0.9;
    185. [numcases numdims numbatches]=size(batchdata);
    186. %%numcases  每批数据的个数
    187. %%numdims   数据元组的维度
    188. %%numbtches 数据批数
    189. if restart ==1,
    190. restart=0;
    191. epoch=1;
    192. % Initializing symmetric weights and biases. 初始化对称权值和偏置
    193. vishid     = 0.1*randn(numdims, numhid); %初始化生成可视层到隐藏层的权值
    194. hidbiases  = zeros(1,numhid);%隐藏单元的偏置值
    195. visbiases  = zeros(1,numdims);%可见单元的偏置值
    196. poshidprobs = zeros(numcases,numhid); %正向的隐藏单元概率生成
    197. neghidprobs = zeros(numcases,numhid);%反向的隐藏单元概率生成
    198. posprods    = zeros(numdims,numhid);%正向可见单元概率生成
    199. negprods    = zeros(numdims,numhid);%反向可见单元概率生成
    200. vishidinc  = zeros(numdims,numhid);%%%%%可视单元和隐藏单元之间的权值增量
    201. hidbiasinc = zeros(1,numhid);%%隐藏单元的偏置增量
    202. visbiasinc = zeros(1,numdims);%%可视单元的偏置增量
    203. batchposhidprobs=zeros(numcases,numhid,numbatches);%存储每次迭代计算好的每层的隐藏层概率,作为下一个RBM的输入
    204. end
    205. %%%%%%%%%%%%%%%%简单输出 迭代次数 处理的批次%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    206. for epoch = epoch:maxepoch,  %迭代处理
    207. fprintf(1,’epoch %d\r’,epoch);
    208. errsum=0; %初始化输出错误为0
    209. for batch = 1:numbatches, %每次处理一批次的数据
    210. fprintf(1,’epoch %d batch %d\r’,epoch,batch);
    211. %%%%%%%%% START POSITIVE PHASE %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    212. data = batchdata(:,:,batch); %读取当前批次的全部数据vi
    213. poshidprobs = 1./(1 + exp(-data*vishid - repmat(hidbiases,numcases,1))); %计算前向传播的隐藏层概率hi
    214. batchposhidprobs(:,:,batch)=poshidprobs;%将计算好的概率赋值给当前批次前向传播的隐藏层最后一次计算好的值作为下一层的输入
    215. posprods    = data’ * poshidprobs;%contrastive divergence过程<vi,hi>
    216. poshidact   = sum(poshidprobs);%average-wise隐藏层激活概率值
    217. posvisact = sum(data);%average-wise可视层激活概率值
    218. %%%%%%%%% END OF POSITIVE PHASE  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    219. poshidstates = poshidprobs > rand(numcases,numhid);%gibbs抽样,设定状态
    220. %%%%%%%%% START NEGATIVE PHASE  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    221. negdata = 1./(1 + exp(-poshidstates*vishid’ - repmat(visbiases,numcases,1)));%根据hi计算vi+1
    222. neghidprobs = 1./(1 + exp(-negdata*vishid - repmat(hidbiases,numcases,1)));   %根据vi+1计算hi+1
    223. negprods  = negdata’*neghidprobs;%contrastive divergence <vi+1,hi+1>
    224. neghidact = sum(neghidprobs);
    225. negvisact = sum(negdata);
    226. %%%%%%%%% END OF NEGATIVE PHASE %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    227. err= sum(sum( (data-negdata).^2 )); %重新构建数据的方差
    228. errsum = err + errsum;%整体方差
    229. if epoch>5, %迭代次数不同调整冲量
    230. momentum=finalmomentum;
    231. else
    232. momentum=initialmomentum;
    233. end;
    234. %%%%%%%%% UPDATE WEIGHTS AND BIASES %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    235. vishidinc = momentum*vishidinc + …
    236. epsilonw*( (posprods-negprods)/numcases - weightcost*vishid);%权重增量计算
    237. visbiasinc = momentum*visbiasinc + (epsilonvb/numcases)*(posvisact-negvisact);%偏置增量计算
    238. hidbiasinc = momentum*hidbiasinc + (epsilonhb/numcases)*(poshidact-neghidact);%隐藏层增量计算
    239. vishid = vishid + vishidinc;
    240. visbiases = visbiases + visbiasinc;
    241. hidbiases = hidbiases + hidbiasinc;
    242. %%%%%%%%%%%%%%%% END OF UPDATES %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    243. end
    244. fprintf(1, ’epoch %4i error %6.1f  \n’, epoch, errsum);
    245. end;
    246. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    247. CG_CLASSIFY_INIT.M
    248. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%\
    249. function [f, df] = CG_CLASSIFY_INIT(VV,Dim,w3probs,target);%CG对最上面两层的训练
    250. l1 = Dim(1);
    251. l2 = Dim(2);
    252. N = size(w3probs,1);
    253. % Do decomversion.
    254. w_class = reshape(VV,l1+1,l2); %恢复权重,
    255. w3probs = [w3probs  ones(N,1)];  %一列,偏置
    256. targetout = exp(w3probs*w_class);  %计算label层的输出结果为numbercase*lablesnumber的矩阵
    257. targetout = targetout./repmat(sum(targetout,2),1,10); %选择最后的激活单元,见backpropclassify.m 的76行
    258. f = -sum(sum( target(:,1:end).*log(targetout))) ; %交叉熵  只采用了前边部分
    259. IO = (targetout-target(:,1:end));   % 输入和输出结果之间的差值
    260. Ix_class=IO; %
    261. dw_class =  w3probs’*Ix_class;%导数F(x)((1-F(x))乘以输出结果的偏差..其中F为sigmoid函数
    262. df = [dw_class(:)']‘;
    263. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    264. CG_CLASSIFY.M
    265. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    266. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    267. %   该段代码对所有权重进行整体微调
    268. %   各部分过程见 CG_CLASSIFY_INIT.m注解
    269. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    270. function [f, df] = CG_CLASSIFY(VV,Dim,XX,target);
    271. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    272. rbmhidlinear.m
    273. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    274. %除了最后计算单元值采用的是线性单元其余过程全部一样
    275. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

from: http://jacoxu.com/?p=692

Deeplearning原文作者Hinton代码注解的更多相关文章

  1. lombok 简化java代码注解

    lombok 简化java代码注解 安装lombok插件 以intellij ide为例 File-->Setting-->Plugins-->搜索"lombok plug ...

  2. 在MAC下调试运行暗黑全世界客户端及部分代码注解(基于Firefly)

    原地址:http://www.myexception.cn/program/1399860.html 在MAC下调试运行暗黑全世界客户端及部分代码注解(基于Firefly) 在MAC下调试运行暗黑世界 ...

  3. API Studio 5.1.2 版本更新:加入全局搜索、支持批量测试API测试用例、读取代码注解生成文档支持Github与码云等

    最近在EOLINKER的开发任务繁重,许久在博客园没有更新产品动态了,经过这些日子,EOLINKER又有了长足的进步,增加了更多易用的功能,比如加入全局搜索.支持批量测试API测试用例.读取代码注解生 ...

  4. 图学习【参考资料2】-知识补充与node2vec代码注解

    本项目参考: https://aistudio.baidu.com/aistudio/projectdetail/5012408?contributionType=1 *一.正题篇:DeepWalk. ...

  5. 转载:Unicode和Utf-8有何区别 转载自知乎 原文作者不详

    作者:于洋链接:https://www.zhihu.com/question/23374078/answer/69732605来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载请注明出 ...

  6. 自行实现PHP代码注解特性

    PHP 注解 到目前为止,PHP的反射特性中是不支持注解Annotation的,但是可以支持基本的文档注释内容的获取 ReflectionMethod::getDocComment() - 从5.1. ...

  7. FTP常用故障代码注解

    FTP错误列表 出处:http://bbs.enet.com.cn/UserControl?act=13&threadID 作者: |秒杀』| 详细的FTP错误列表 Restart marke ...

  8. ASP.NET缓存全解析7:第三方分布式缓存解决方案 Memcached和Cacheman 转自网络原文作者李天平

    Memcached — 分布式缓存系统 1.Memcached是什么? Memcached是高性能的,分布式的内存对象缓存系统,用于在动态应用中减少数据库负载,提升访问速度.Memcached通过在内 ...

  9. MyEclipse 自动添加 作者 日期 等注解

    使用MyEclipse 编写Java代码时,自动生成的注释信息都是按照预先设置好的格式生成的. 修改作者.日期注释格式:打开Windows->Preferences->Java->C ...

随机推荐

  1. 手把手教你自动生成Makefile

    概述:autoconf/automake工具用于自动创建功能完善的Makefile文件,接下来简单介绍一下,如何使用上述工具 自动生成Makefile 前提:安装autoconf工具(ubuntu:s ...

  2. OOP-ECMAScript - 深入理解Javascript

    一.面向对象概论 x = {a: 10}; y = {b: 20}; y.Prototype = x z = {c: 30}; z.Prototype = y; z.a; x.a = 100; z.a ...

  3. SD 销售订单的BADI增强SD_BADI_PRICE_CHECK

    METHOD if_ex_badi_sd_sales~save_document.* CALL FUNCTION 'POPUP_TO_DISPLAY_TEXT'* EXPORTING* titel = ...

  4. mysql导出导入某张表

    一般表数据少的话都用图形界面了,看着比较方便. 如果表中数据比较多,用图形界面极容易卡死,这个时候就要用到命令行了. 用命令行导出导入大量数据还是比较快的,方法如下: 导出库db1中的表table1: ...

  5. 驱动笔记 - file_operations

    #include <linux/fs.h> struct file_operations { struct module *owner; loff_t (*llseek) (struct ...

  6. ZendStudio导入一个已有的网站

    解决方法:新建'PHP Project',选择'Create project at existiong location(from existing source)',路径指向你的网站根目录.

  7. 深入理解jQuery的Event机制

    jQuery的Event模块非常强大.其功能远远比原生事件监听器强大许多,对同一个元素的监听只用一个eventListener,内部则是一个强大的观察者,根据匹配事件类型触发相应回调.jQuery不仅 ...

  8. ASP.NET 处理get/post数据方式

    1.GET方式 NameValueCollection coding; coding = HttpUtility.ParseQueryString(Request.Url.Query, Encodin ...

  9. 运行时修改TimerTask的执行周期

    java.util.TimerTask类的执行周期period变量的声明如下: /** * Period in milliseconds for repeating tasks. A positive ...

  10. HDU1724 Ellipse(数值积分)

    补一下一些小盲区,譬如simpson这种数值积分的方法虽然一直知道,但是从未实现过,做一道例题存一个模板. #pragma warning(disable:4996) #include<iost ...