原创 APT註釋工具

在build.gradle文件中經常看到annotationProcessor、android-apt這下代表的是什麼 隨着一些ButterKnife,dagger等的開源註解框架的流行,APT的概念也越來越被熟知。 什麼是APT

原创 大數據日誌分析1:基礎環境搭建

因公司開發需求,需要對產品的數據進行運營分析,目前已有技術棧不能支撐現有的需求,需要學習新的技術,前期調研需求後選定的框架爲大數據框架,主要使用hadoop+flume+log4j進行大數據的日誌處理. 前期準備: 開發環境:ub

原创 大數據日誌分析2:kafka安裝Hadoop簡述flume簡述及demo的搭建

基礎環境搭建完成後需要開始根據我自己的需求進行大數據的demo開發 都的我的主要服務日誌是nignx+egg生成的日誌,eggjs框架集成了log4j,輸出日誌資源已經有了,現在需要對這些日記進行大數據的採集和分析. 今天的博客主

原创 機器學習筆記2:神經網絡

神經網絡即神經網絡學習,是機器學習與神經網學習兩個學科領域的交叉部分. 神經網絡在1988年被T.Kohonen 定義爲:神經網絡是由具有適應性的簡單單元組成的廣泛並行互聯網絡,它的組織能夠模擬生物神經系統對真實世界物體做出的交互

原创 Vuforia for Android 運行測試

Demo 只是在AndroidStudio上面跑。 準備:   android studio /SDK/NDK demo下載:   去Vuforia官網註冊一個帳號,獲取 key,保存這個可以。再下載SDK和Sample,

原创 RxJava1.x

關於   GitHub 主頁上的自我介紹是 “a library for composing asynchronous and event-based programs using observable sequences for

原创 深度學習 - 循環神經網絡RNN

當數據是有順序的時候,我們就可以使用RNN了,比如說話的順序 有序列化的數據等的。   在介紹RNN之前,我有篇博客是介紹了CNN,簡單提一下,在一張大的圖片是上,我們有一個fliter濾波器,通過共用參數來掃描這張圖片,提取出

原创 Tensorflow-常用函數

算術操作: 操作組 操作 tf.add(x, y, name=None) 求和 tf.sub(x, y, name=None) 減法 tf.mul(x, y, name=None) 乘法 tf.div(x,

原创 Android 混淆

-optimizationpasses 5 # 指定代碼的壓縮級別 -dontusemixedcaseclassnames # 是否使用大小寫混合 -dontpreverify # 混淆時是否做預校驗 -verbose # 混淆時

原创 Butterknife使用

ButterKnife是Android的View 注入框架,以前總通過findViewById來找到View對象,有了ButterKnife可以很輕鬆的省去這些步驟,最重要的一點是,使用ButterKnife對性能基本沒有損失,因

原创 AndroidStudio 修改LogCat的顏色

沒有修改前 看着眼睛疼 準備修改 File->Settings 或Ctrl + Alt +S 找到 Editor -> Colors &Fonts -> Android Logcat 或在上面的搜索框中輸入Logcat

原创 Tensorflow-LSTM RNN 例子

一些 RNN相關資料   這次使用 RNN 來進行分類的訓練 (Classification). 會繼續使用到手寫數字 MNIST 數據集. 讓 RNN 從每張圖片的第一行像素讀到最後一行, 然後再進行分類判斷.   定義

原创 常用命令

mongodb 清屏 cls 刪除指定數據表 db.COLLECTION_NAME.drop() 刪除指定數據庫 db.dropDatabase(); mongoDB的備份與還原 備份指定數據庫 mongodump -h 1

原创 Android Studio的設備連接後設備名後爲[null]

我在Ubuntu 下面跑的android Studio,在連接真機調試的時候發現有的機子使用正常,有的機子後看就只有一個null。 一下是操作步驟: 把數據線拔掉,在Terminal中輸入查看本機的USB設備列表 $ l

原创 Tensorflow - CNN 卷積神經網絡

  在神經網絡中加入CNN會大幅度 提升代碼的準確率。在之前的博客中有提到過分類,但那當時測試的最終得到的概率並不理想,這次我們換掉那個神經網絡,使用CNN劵積神經網絡,再跑一次分類看看效率如何。   這次使用的劵積結構是 卷積