1数据读取

1.1数据集解读

1.2引入包

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

1.2.1pandas介绍

1.2.2TensorFlow下安装pandas

1、激活tensorflow：      Activate tensorflow

2、安装Pandas：          conda install pandas

1.2.3出现“No module named 'sklearn'”错误

原因：未安装sklearn模块

方法：

在anaconda 中安装： conda install scikit-learn

1.3显示数据

# 读取数据文件   boston.csv文件位置自填

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)  

# 显示数据摘要描述信息

print(df.describe()

　

# 打印所有数据，只显示前30行和后三十行

print(df)

　

# 获取df的值

df = df.values

print(df)

　

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

　

# x_data为前12列的数据，实际上是0 - 11列;y_data为最后一列的数据，即12列

x_data = df[:,:12]

y_data = df[:,12]

print(x_data,"\nshape = ",x_data.shape)

print(y_data,"\nshape = ",y_data.shape)

2模型定义

2.1定义训练的占位符

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

2.2定义模型结构

定义模型函数

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

3模型训练

3.1设置训练超参数

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

3.2定义均方差损失函数

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

3.3选择优化器

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

常用优化器包括：

tf.train.GradientDescentOptimizer
tf.train.AdadeltaOptimizer
tf.train.AdagradOptimizer
tf.train.AdagradDAOptimizer
tf.train.MomentumOptimizer
tf.train.AdamOptimizer
tf.train.FtrlOptimizer
tf.train.ProximalGradientDescentOptimizer
tf.train.ProximalAdagradOptimizer
tf.train.RMSPropOptimizer

3.4声明会话

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

3.5迭代训练

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

注：训练结果异常

3.6异常明示

3.6.1原因

3.6.2方法

4特征归一化版本

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 显示数据摘要描述信息

print(df.describe())

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

特征归一化

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]
#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

注：Done！

5模型应用

5.1做预测

# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target


# 随机确定一条数据

n = np.random.randint(506)

print(n)

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

 

6可视化训练过程中的损失值

6.1每轮训练后添加一个这一轮的Loss值

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)
# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.1.2可视化损失值

plt.figure()

plt.plot(loss_list)


# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

6.2每步（单个样本）训练后添加这个Loss值

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

        loss_list.append(loss)  # 每步添加一次

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.2.2可视化损失值

plt.figure()

plt.plot(loss_list)


# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

7加上 TensorBoard 可视化代码

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8为TensorFlow可视化准备数据

8.1修改代码

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

8.1.1设置日志存储目录

# 设置日志存储目录

logdir = 'd:/log'

8.1.2创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见

# 创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见

sum_loss_op = tf.summary.scalar("loss",loss_function)

8.1.3把所有需要记录摘要日志文件得合并，方便一次性写入

#把所有需要记录摘要日志文件得合并，方便一次性写入

merged =  tf.summary.merge_all()
#启动会话

sess.run(init)

8.1.4创建摘要得文件写入器（FileWriter）

#创建摘要write，将计算图写入摘要，后面的在TensorBoard中GRAPHS可见

writer = tf.summary.FileWriter(logdir,sess.graph)

8.1.5writer.add_summary(summary_str, epoch)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,summary_str,loss = sess.run([optimizer,sum_loss_op,loss_function],feed_dict={x:xs,y:ys})

        writer.add_summary(summary_str,epoch)

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8.2运行TensorBoard

8.2.1打开Anaconda Prompt　　

激活TensorFlow：       Activate tensorflow

进入日志存储目录 ：     cd  d:\log

打开TensorBoard：      tensorboard --logdir=d:\log

8.2.2TensorBoard 查看loss　　

 8.2.3TensorBoard查看计算图

TensorFlow 多元线性回归【波士顿房价】的更多相关文章

  1. TensorFlow多元线性回归实现

    多元线性回归的具体实现 导入需要的所有软件包:   因为各特征的数据范围不同,需要归一化特征数据.为此定义一个归一化函数.另外,这里添加一个额外的固定输入值将权重和偏置结合起来.为此定义函数 appe ...

  2. Tensorflow之多元线性回归问题（以波士顿房价预测为例）

    一.根据波士顿房价信息进行预测,多元线性回归+特征数据归一化 #读取数据 %matplotlib notebook import tensorflow as tf import matplotlib. ...

  3. TensorFlow从0到1之TensorFlow实现多元线性回归（16）

    在 TensorFlow 实现简单线性回归的基础上,可通过在权重和占位符的声明中稍作修改来对相同的数据进行多元线性回归. 在多元线性回归的情况下,由于每个特征具有不同的值范围,归一化变得至关重要.这里 ...

  4. 【TensorFlow篇】--Tensorflow框架初始，实现机器学习中多元线性回归

    一.前述 TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,其命名来源于本身的运行原理.Tensor(张量)意味着N维数组,Flow(流)意味着基于数据流图的计算,T ...

  5. 利用TensorFlow实现多元线性回归

    利用TensorFlow实现多元线性回归,代码如下: # -*- coding:utf-8 -*- import tensorflow as tf import numpy as np from sk ...

  6. TensorFlow简单线性回归

    TensorFlow简单线性回归 将针对波士顿房价数据集的房间数量(RM)采用简单线性回归,目标是预测在最后一列(MEDV)给出的房价. 波士顿房价数据集可从http://lib.stat.cmu.e ...

  7. machine learning 之 多元线性回归

    整理自Andrew Ng的machine learning课程 week2. 目录: 多元线性回归 Multivariates linear regression /MLR Gradient desc ...

  8. 多元线性回归（Multivariate Linear Regression）简单应用

    警告:本文为小白入门学习笔记 数据集: http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearnin ...

  9. 斯坦福机器学习视频笔记 Week2 多元线性回归 Linear Regression with Multiple Variables

    相比于week1中讨论的单变量的线性回归,多元线性回归更具有一般性,应用范围也更大,更贴近实际. Multiple Features 上面就是接上次的例子,将房价预测问题进行扩充,添加多个特征(fea ...

随机推荐

  1. http 详解

    HTTP协议中GET.POST和HEAD的介绍 GET: 请求指定的页面信息,并返回实体主体. HEAD: 只请求页面的首部. POST: 请求服务器接受所指定的文档作为对所标识的URI的新的从属实体 ...

  2. mysql 分表实现方法详解

    如果你需要进行mysql分表了我们就证明你数据库比较大了,就是把一张表分成N多个小表,分表后,单表的并发能力提高了,磁盘I/O性能也提高了.并发能力为什么提高了呢,因为查寻一次所花的时间变短了,如果出 ...

  3. mysql长连接与短连接

    什么是长连接? 其实长连接是相对于通常的短连接而说的,也就是长时间保持客户端与服务端的连接状态. 通常的短连接操作步骤是: 连接->数据传输->关闭连接: 而长连接通常就是: 连接-> ...

  4. C语言程序设计100例之（31）：全排列问题

    例31   全排列问题 题目描述 输出自然数1到n所有不重复的排列,即n的全排列,要求所产生的任一数字序列中不允许出现重复的数字. 输入格式 n(1≤n≤9) 输出格式 由1-n组成的所有不重复的数字 ...

  5. 自定义 ---UICollectionViewLayout-正N变形居中布局

    1. 自定义UICollectionLayout ---- 正三角形居中布局 支持多个图形的自动布局 2. 自定义UICollectionLayout ---- 正方形居中布局 滚动展示的区域 3.  ...

  6. 机器学习基础——详解自然语言处理之tf-idf

    本文始发于个人公众号:TechFlow,原创不易,求个关注 今天的文章和大家聊聊文本分析当中的一个简单但又大名鼎鼎的算法--TF-idf.说起来这个算法是自然语言处理领域的重要算法,但是因为它太有名了 ...

  7. 全差分运算放大器ADA4930的分析(2)

    前面解释了在ADA4930组成的单端转差分电路的输入电阻RIN的大小,可知当RF=RG=1KΩ的时候,RIN=1.33KΩ. 图1单端转差分电路 如图1所示,假设信号源为2V VPP的信号,信号源的内 ...

  8. 如何理解js中的this和实际应用中需要避开哪些坑

    this是什么 this就是函数内部的关键字 看下面例子理解js中的this // 例子1 function fnOne () { console.log(this) } 'use strict' f ...

  9. 学习经典算法—JavaScript篇（一）排序算法

    前端攻城狮--学习常用的排序算法 一.冒泡排序 优点: 所有排序中最简单的,易于理解: 缺点: 时间复杂度O(n^2),平均来说是最差的一种排序方式: 因为在默认情况下,对于已经排好序的部分,此排序任 ...

  10. zookeeper伪集群搭建

    zookeeper伪集群搭建 1. 下载zookeeper: https://zookeeper.apache.org/ 2. 解压: tar -zxvf zookeeper-3.4.14.tar.g ...