up_XCY的博客

原创 使用Jackson包下的ObjectMapper实现JavaBean与Json相互转换

使用Jackson包下的ObjectMapper实现JavaBean与Json相互转换参考Java ObjectMapper get() path()方法的区别_我这不是胖我是幸福肥的博客-CSDN博客

原创 字符串（String）与时间类型（Date）相互转换

原创 java发送邮件

maven依赖<!-- https://mvnrepository.com/artifact/com.sun.mail/javax.mail --><dependency> <groupId>com.sun.mail</groupId> <artifactId>javax.mail</artifactId> <version>1.5.2</version></depende

原创 Java优先队列实现大顶堆和小顶堆

//默认为小顶堆PriorityQueue<Integer> minHeap = new PriorityQueue<>(k, (a,b)->a-b);PriorityQueue<Integer> minHeap = new PriorityQueue<>(k, new Comparator<Integer>() { @Override public int compare(Integer .

原创 SpringBoot2+Mybatis项目搭建模板

springboot2整合mybatis项目搭建

原创 IDEA中Maven项目打jar包

推荐博客IDEA中MAVEN项目打JAR包的简单方法 - 贾树丙 - 博客园IDEA打包jar-解决错误: 找不到或无法加载主类 main_问题很多的小明-CSDN博客_jar包找不到或无法加载主类

原创 Itext对pdf模板进行电子签名

推荐博客Itext对pdf模板进行电子签名 - 逝水往昔拂流年 - 博客园

原创 iText5实现Jaca生成PDF

推荐博客iText5实现Java生成PDF文件完整版_张小洛的BOLG-CSDN博客_itextpdf

原创 EasyExcel生成Excel文件

推荐博客java生成Excel文件_Oliviajingxiang的博客-CSDN博客_java生成excel文件

原创 使用Java运行Python脚本（包含第三方包）

推荐博客java调用python的几种用法（看这篇就够了） - 不懒人 - 博客园Java Runtime.getRuntime().exec()调用python含第三方库时无返回值_th3000的博客-CSDN博客java调用python脚本问题（Runtime.getRuntime().exec() ）-CSDN论坛......

原创 使用Jackson ObjectMapper对Java对象进行序列化与反序列化

目录序列化反序列化readValue()readTree()readValue与readTree的区别序列化ObjectMapper mapper = new ObjectMapper();//序列化String jsonString = mapper.writeValueAsString(object);反序列化readValue()ObjectMapper mapper = new ObjectMapper();//单个对象User user

原创 HashMap如何定位桶数组的位置

HashMap如何定位桶数组的位置

原创 平时在mybatis的映射文件写sql时，很多时候都需要写一些特殊的字符。例如：“＜“ 字符 “＞” 字符 “＞=” 字符 “＜=” 字符，但是在xml文件中并不能直接写上述列举的字符，否则就会报错

mybatis 中的＜![CDATA[ ]]＞用法及说明https://blog.csdn.net/xiaoleilei666/article/details/109695510

原创 SpringBoot自定义配置文件中文乱码问题

修改Intel J编码配置 code Properties pros = new Properties();in = new BufferedInputStream(new FileInputStream("config/param.properties"));props.load(new InputStreamReader(in,"utf-8"));

原创 replace into、JSON、WEB相关笔记

Replace Into:mySQL中replace into 语句用法详情应用场景：当我们往数据库中插入一条数据时，如果该数据不存在则执行insert操作，如果该数据存在则执行update操作。核心：允许覆盖操作的insert，当插入操作允许覆盖逻辑则可以应用，不允许覆盖则不能使用。JSON字符串与java对象的相互转换操作1、Josn字符串转换为JAVA beanObjectMapper mapper = new ObjectMapper();User user = (User

原创 1155. 掷骰子的N种方法

这里有d个一样的骰子，每个骰子上都有f个面，分别标号为1, 2, ..., f。我们约定：掷骰子的得到总点数为各骰子面朝上的数字的总和。如果需要掷出的总点数为target，请你计算出有多少种不同的组合情况（所有的组合情况总共有 f^d 种），模10^9 + 7后返回。示例 1：输入：d = 1, f = 6, target = 3输出：1示例 2：输入：d = 2, f = 6, target = 7输出：6示例 3：输入：d = 2, f = 5, t...

原创 OpenCV 3计算机视觉 python语言实现笔记（七）

#目标检测核识别#检测人#使用HOGDescriptor函数检测人import cv2import numpy as np#判断o矩形是否在i矩形里面def is_inside(o,i): ox,oy,ow,oh = o ix,iy,iw,ih = i return ox > ix and oy > iy and ox+ow < ix+iw...

原创 OpenCV 3计算机视觉 python语言实现笔记（六）

#图像检索以及基于图像描述符的搜索#检测角点特征#使用cornerHarris函数检测图像的角点import cv2import numpy as npimg = cv2.imread('images/chess_board.png')gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)gray = np.float32(gray)#进行角点...

原创 OpenCV 3计算机视觉 python语言实现笔记（五）

#人脸检测和识别#将haarcascades文件夹中所有文件辅助到cascades文件夹中#使用OpenCV进行人脸检测#静态图像中的人脸检测import cv2filename = './path/to/my/pic.jpg'def detect(filename): #创建CascadeClassifier对象 face_cascade = cv2.Ca...

原创 OpenCV 3计算机视觉 python语言实现笔记（四）

#深度估计与分割#深度图的定义：它是灰度图像，该图像的每个像素值都是摄像头到物体表面之间距离的估计值。#视差图的定义：它是灰度图像，该图像的每个像素值代表物体表面的立体视差。#立体视差是指针对同一场景的两个不同视角产生的不同图像，两个孪生的物体之间任意一堆相互相应的两个像素点，#可以度量这些像素之间的距离。这个度量就是立体视差。近距离的物体会产生较大的立体视差，因此，近距离的物体在视差...

原创 OpenCV 3计算机视觉 python语言实现笔记（三）

#使用OpenCV 3处理图像#高通滤波器#高通滤波器(HPF)是检测图像的某个区域，然后根据图像与周围像素的亮度差值来#提升(boost)该图像的亮度的滤波器。#核(kernel)(滤波器矩阵)：[[0,-0.25,0],[-0.25,1,-0.25],[0,-0.25,0]]#在计算完中央像素与周围邻近像素的亮度差值之和以后，如果亮度变化#很大，中央像素的亮度会增...

原创 OpenCV 3计算机视觉 python语言实现笔记（二）

#Cameo项目(人脸跟着和图像处理)#创建CaptureManager类和WindowManager类作为高级的I/O流接口。#在应用程序中使用CaptureManager来读取新的帧，并能将帧分配到一个或多个输出中。#这些输出包括静止的图像文件、视频文件以及窗口(在这里我们通过WindowManager类来实现)。#WindowManager类使应用程序能以面向对象的形式处理窗口和...

原创 OpenCV 3计算机视觉 python语言实现笔记（一）

#读/写图像文件#OpenCV的imread()函数和imwrite()函数能支持各种静态图像文件格式。#不同系统支持得文件格式不一样，但都支持BMP格式，通常还应该支持PNG、JPENG和TIFF格式。#通过二维numpy数组来简单创建一个黑色的正方形图像：img = numpy.zeros((3,3),dtype=numpy.uint8)#打印结果：array([[0,0,...

原创 Pandas 对文本进行预处理汇总

#下载数据集import urllib.requestimport osurl = "http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic3.xls"filepath = "data/tianic3.xls"if not os.path.isfile(filepath): result = urllib....

原创 NLP预处理技术汇总

#中文分词技术#jiaba的三种分词模式import jiebasent = "中文分词是文本处理不可缺少的一步！"seg_list = jieba.cut(sent,cut_all=True)print("全模式：",'/'.join(seg_list))seg_list = jieba.cut(sent,cut_all=False)print("精确模式：",'/'.join...

原创 LSTM应用汇总

#定义LSTMlstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_hidden_size)#将lstm的状态初始化为全0数组#state.c和state.h分别对应图中的c状态和h状态#和其他神经网络一样，在优化循环神经网络时，每次也会使用一个batch的训练样本。state = lstm.zero_state(batch_size,tf.float32)...

原创 tensorflow中输入X的张量存储于卷积核Kenel的存储的区别

对于多个三维的输入X于多个三维卷积核运用tensorflow中张量的表示，都是用四维张量存储：x.shape = (None,高度，宽度，深度) 其中None表示输出数据的个数；k.shape = (高度，宽度，深度，个数)所以说，K的存储格式与X的存储格式不同，主要在，X的个数在第一维上表示，而K的个数在第四维上表示。而X的深度在第四维上表示，K的深度在第三维上表示。例...

原创 tensorflow中mutiply与matmul的区别以及tf.concat与tf.stack的区别

1）乘法函数mutiply：tf.multiply(x, y, name=None)是元素级别的相乘，即两个矩阵中对应元素相乘得对应位置的结果，同矩阵的加法类似。2）矩阵乘法matmul:tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_s...

原创 关于numpy.random.normal（）以及np.clip（）的学习笔记

首先回忆一下正态分布：在numpy中对应于：numpy.random.normal(loc=0.0,scale=1.0,size=None) 参数的意义：loc:float代表概率分布的均值，在正态分布图中表示中心的位置坐标scale:float代表概率分布的标准差，在正态分布图中表示图形的宽度。值越大，图像越矮胖，值越小，图像越高瘦。size:int o...

原创 对于Tensorflow中dot（）的运用以及对batch_dot()的理解

#dotdot(x,y)#求两个张量的乘积。当试图计算两个N阶张量的乘积时，与Theano行为相同#如：（2,3）.（4,3,5） = （2,4,5）x = K.placeholder(shape=(2,3))y = K.placeholder(shape=(3,4))xy = K.dot(x,y)xy#输出为：<tf.Tensor 'MatMul_9:0' shape=...

原创 对LSTM层的参数units 的理解

model = Sequential()model.add(LSTM(32, batch_input_shape=(None, 10, 64)))以上LSTM的第一个参数units=32,指的并不是一层LSTM有32个LSTM单元。在很多LSTM的框图中，我们都会将LSTM单元按照时间顺序排列开来，句子的长度是多少我们就会画出多少个LSTM单元。这也是给我们带来误解的地方。实际上一层LST...

原创 选择要使用的功能以及多元高斯分布

当我们的训练集的分布不符合高斯分布时，我们可以通过转换将其变成服从高斯分布：误差分析算法：我们先用训练集来拟合参数（均值和方差），然后通过验证集来找出分析错误的数据，从而从中发现新的异常特征，然后加入新的异常特征，最后用测试集来检测是否提高了性能。所以这里也是告诉我们为什么要将验证集和测试集分开，因为如果加入新的异常特征后，还是用验证集的数据来验证性能是否提升，这是不合理的，因为一定会...

原创 异常检测算法和开发和评估异常检测

异常检测算法的实现过程：首先我们来说明密度估计的概念，由于服从正态分布，我们假设这里x服从独立假设，所以x的密度p（x）=1、我们选择那些产生异常的特征xi；2、我们计算出训练集的均值和方差；3、我们计算出每个新加入的样本的p（x），如果大于门阀值，则说明是正常的，否则则为异常。异常决策举例：开发和评估异常检测：这里我们用监督学习的例子来说明异常检测的评...

原创 异常检测的问题动机和高斯（正态）分布的基本知识

异常检测的举例：飞机引擎的例子，比如一个引擎制造厂已经生产了很多正常的引擎，我们要检测之后生产的引擎是否正常。我们的做法是：将之前m个做的正常的引擎作为训练集，如下图，然后将新生产的引擎的特征值标记到里面，看是否在正常的范围。还有就是我们可以进行异常概率估计，如下图，中心的正产概率很高，慢慢的往外概率就越来越低，当低于某个门阀值时，我们就认为发生了异常。异常检测还可以用来检...

原创 应用PCA的建议

PCA运用在监督学习算法下，可以对数据x降维，从而加速学习算法的速度。如下所示，我们的训练集x是10000维向量，我们可以通过PCA将其降维成z是1000维的向量，此时训练集从（x,y）变成（z,y）。每次输入x都通过pca的映射变成z，然后再带入到假设函数中计算。除了加速学习算法的速度，PCA还可以减少内存的需求。当然，有时也会发生一些不好的运用pca的例子。比如我...

原创 主成分数量选择和压缩重现

之前我们用pca，把n维向量降成k维。这里我们学习怎么选择k的大小。压缩重现说的我们怎么把之前从n维降到k维的向量，再返回到n维。返回的结果会产生一定较小的误差。...

原创 主成分分析问题规划PCA

这里我们学习一种新的降维算法PCA：如下图所示，我们训练集在一个二维坐标中 ，PCA的思想就是将这些二维特征降为一维的。所以PCA算法就会去找到一条如图红色的直线，使得每个数据到这条线的的垂直距离和最小。PCA算法就是要得出下图左边的向量u(1),从而得出红色的直线（对于二维降为一维）；或者如下图右边所示，得出两个方向向量u（1）、u(2)，从而得出红色的平面，使得每个点到该平面的距离...

原创 降维

目标一：数据压缩如下图所示，特征x1表示物体的长度cm为单位，特征x2表示物体的长度英尺为单位。你会发现这两个特征说明的是同一个东西，存在冗余。这时我们就可以进行降维。我们把二维特征x(x1,x2)降维成一维z：同样我们也可以将三维的降成二维的：目标二：可视化所谓可视化，就是当我们的特征太多，我们无法用图像将这些信息显示出...

原创 k均值算法的优化目标和随机初始化

这里我们来学习k均值算法的优化目标（代价函数）：优化目标的值等于每一个训练集数据到该所属的聚类中心距离的平方的平均值其实在我们进行之前所循环进行的聚类分簇和移动聚类中心的操作，都是在不断的最小化J的大小，使J最小化。我们再来说随机初始化：在之前我们选择聚类中心是随机任意的选择，但是这里我们用的是更加好或者用的更加多的随机选择聚类中心的方法。我们在训练集中随机选择k个...

原创 无监督学习

这里我们学习无监督学习：首先我们来看比较监督学习和无监督学习的区别：监督学习的数据有标签，即对于给出的每一个训练集都有明确的输出y（正类或者负类）。然而对于无监督学习，训练集的数据是没有标签的，即对于每次给出的输入x，并没有明确的输出y。如下面的连长图所示：对于无监督学习算法，我们用之前最初说到的聚类算法，将训练集分为k簇。聚类算法的应用举例：这里...