原创 計算機組成原理 輸入輸出系統 1
1.1 輸入輸出系統發展 1、早期 分散鏈接 串型工作 2、接口模塊與DMA階段 總線鏈接 CPU和IO設備 並行工作 3、具有通道結構 4、具有IO處理機階段 1.2 輸入輸出系統的組成 一、I/O軟件 1、I/O指令 CPU指令的一部
原创 mac/Linux SSH免密連接
解決每次訪問服務器或者git提交需要輸入服務器用戶密碼的繁瑣過程 正常操作 打開終端,在本機生成ssh密鑰 ssh-keygen 顯示如下 Generating public/private rsa key pair. Ent
原创 Objective-C 類的聲明定義調用 隨手記2
一、類的定義--屬性 //類的聲明 @interface 類名 :NSObject { //這類事務具有的共同特徵,定義爲變量 } //方法的聲明 @end //類的實現 @implementation 類名 //方法的實現 @en
原创 Mac IntelliJ 配置Tomcat javax包找不到等問題
在Tomcat官網下載tar.gz包解壓到/ usr / local 在終端打開 運行./startup.sh即可運行Tomcat打開瀏覽器輸入127.0.0.1:8080顯示tomcat主頁面即可 在的IntelliJ中創建的Web項
原创 SSH免密連接
解決每次訪問服務器或者git提交需要輸入服務器用戶密碼的繁瑣過程 正常操作 打開終端,在本機生成ssh密鑰 ssh-keygen 顯示如下 Generating public/private rsa key pair. Ent
原创 Android——訪問其他程序中的數據之ContentResolver的基本用法
內容提供器的用法一般有兩種,一種是使用現有的內容提供器來讀取和操作響應程序的數據,另一種是創建自己內容提供器給我們程序的數據提供外部訪問接口。 ContentResolver的基本用法 對於一個應用,要訪問內容提供器中共享的數據,就一
原创 Objective-C 隨手記6
一、NSObject和id NSObject是所有類的基類,根據LSP NSObject指針就可以指向任意的OC對象 id:沒有類型的指針類型 返回值可id NSObject和id都是萬能指針,可以執行任意的OC對象 通過NSObject
原创 Objective-C 隨手記7
OC是弱類型語言,編譯器在編譯的時候,語法檢查沒有那麼嚴格 1、靜態類型和動態類型 靜態類型:指的是1個指針指向的對象是1個本類對象 動態類型:指的是1個指針指向的對象不是本類對象 LSP:父類指針指向子類對象 一個指針中不僅可以存儲本
原创 Objective-C 回調Callbacks 中目標-動作對、輔助對象、通知簡單使用
回調:將一段可執行的代碼和一個特定的事件綁定起來當特定的事情發生時就會執行這段代碼 運行循環runloop:事件驅動的程序需要有一個對象,專門負責等待事件的發生,NSRunLoop類的實例會持續等待,當特定的事件發生時,就會向相應的對象發
原创 Objective-C 隨手記5
一、Setter和Getter //聲明 -(void)setName:(NSString *)name; -(NSString *)getName; //定義 -(void)setName:(NSString *)name {
原创 Objective-C 對象按屬性排序 過濾
使用NSMutavleArray 變長數組 建立一個Person對象,一個id屬性和一個name屬性,自定義了一個init方法,修改了description方法方便查看排序 //Person.h @interface Person :
原创 Objective-C 異常 類方法 NSString 匿名對象 隨手記4
一、異常 程序可以編譯 鏈接 執行 當程序在執行的時候,處於某種特定條件下 程序的執行就會終止 異常的的後果:程序會立即崩潰,程序立即終止運行 異常的處理 爲了讓程序在執行的時候如果發生了異常而不崩潰,而是繼續往下運行 @try { /
原创 Tensorflow 卷積神經網絡
卷積神經網絡 全連接NN 每個神經元與前後相鄰層的每一個神經元都有連接關係,輸入是特徵,輸出爲預測的結果。 參數個數: 前層*後層爲權重w+後層偏置b 待優化參數過多容易導致模型過擬合,實際應用中會先對原始圖像進行特徵提取再吧提取到的
原创 Tensorflow實踐基礎 張量、會話、前向傳播、反向傳播
北京大學 Tensorflow實踐 Table of Contents 定義 一、張量 二、計算圖 三、會話Session 前向傳播 一、參數 二、神經網絡實現過程 反向傳播 一、loss函數 二、均方誤差MSE 三、反向傳播訓練方法
原创 Tensorflow 神經網絡優化 關於損失函數loss learning_rate
學習 Tensorflow實踐 損失函數(loss) Table of Contents 損失函數(loss) 一、激活函數 activation function 二、NN複雜度:多用NN層數和N參數的個數表示 NN優化目標:loss最