ConcurrentHashMap JDK1.8 源码
put: 检查key或value是否为空，如果key或value为空，则抛异常，反之进入for死循环， 检查table是否初始化了，如果没有，则进行初始化（初始化完成后进行下一次循环），如果已经初始化则根据key找到hash表中索引位置table[i]， 如果没有发生碰撞，则利用CAS操作直接存储在table[i]，如果成功则退出循环，反之进行下一次循环 如果发生碰撞，检查table[i]的节点的hash是否等于MOVED（-1）， 如果等于，则检测到正在扩容，则帮助其扩容（扩容完成后进行下一
深入理解JVM--分代收集算法
为什么把这一算法单独拿出来说呢？原因就是分代收集算法是现在的jvm采用的算法。 对象分类 这种算法并不是一种新的算法，而是根据对象的存活周期的不同而将内存分为几块，分别为新生代、老年代和永久代。 新生代：朝生夕灭的对象（例如：方法的局部变量等）。 老年代：存活得比较久，但还是要死的对象（例如：缓存对象、单例对象等）。 永久代：对象生成后几乎不灭的对象（例如：加载过的类信息）。 内存区域 回想一下之前jvm对内存的划分，我们可能就已经猜到了，新生代和老年代都在java堆，永久代在方法区。 jav
mysql 不走索引的情况
版权声明：本文为博主原创文章，转载请说明出处 https://blog.csdn.net/u010002184/article/details/89388600 1 or (待确认)、in（待确认） 2 like '%abc' 或者 like‘%abc%’ 3 where num/2=100 或者 subString(a,1,3)='ab' 4 where id !=2 或者 where id <> 2 5 where name is null
RF（随机森林）算法原理及其派生算法
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/88887659 1.前言 集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。 随机森林是集成学习中可以和梯度提升树GBDT分庭抗礼的算法，尤其是它可以很方便的并行训练，在如
机器学习总结（四）：RF，SVM和NN的优缺点
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/88894692 1. 随机森林优缺点 随机森林（RF）是Bagging的一个扩展变体。RF在以决策树为基分类器进行集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。 Bagging就是对数据集训练多个基分类器，然后将基分类器得到的结果进行投票表决作为最终分类的结果。基分类器在构建过程中需要尽可能保证训练出的基分类器有比较大的差异性，这就
传奇人物赫伯特·西蒙的原则
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/88954102 赫伯特·西蒙是一位真正的传奇人物，他也是一个文艺复兴式的通才，在包括经济学、管理学、心理学、政治学和人工智能在内的领域，都有贡献。 西蒙是人工智能的发明者之一。他宣布自己这项创举的一刻，在科技史上已经成为经典的瞬间：1955年圣诞节假期结束，西蒙走进教室，向学生们宣布：“圣诞节的时候，艾伦·纽厄尔（西蒙的合作者）和我发明了思维机器
Python同时替换多个字符串
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/88972083 一次完成多个替换 感谢：Xavier Defrang、Alex Martelli 任务 你想对字符串的某些子串进行替换。 解决方案 正则表达式虽然不易读懂，但有时它的确是最快的方法。re对象（标准库中的re模块）提供的强大sub方法，非常利于进行高效的正则表达式匹配替换。下面给出一个函数，该函数返回一个输入字符串的拷贝，该拷贝中的
Linux Shell之uniq用法（检查重复的行）
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/88974180 一，uniq干什么用的 文本中的重复行，基本上不是我们所要的，所以就要去除掉。linux下有其他命令可以去除重复行，但是我觉得uniq还是比较方便的一个。使用uniq的时候要注意以下二点 1，对文本操作时，它一般会和sort命令进行组合使用，因为uniq 不会检查重复的行，除非它们是相邻的行。如果您想先对输入排序，使用sort -
Python中用format函数格式化字符串的用法
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/89021807 自python2.6开始，新增了一种格式化字符串的函数str.format()，可谓威力十足。那么，他跟之前的%型格式化字符串相比，有什么优越的存在呢？让我们来揭开它羞答答的面纱。 语法 它通过{}和:来代替%。 “映射”示例 通过位置 ? 1 2 3 4 5 6 In [1]: '{0},{1}'.format('kzc',18
hive四种存储格式介绍与分析比较
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/89081841 一、四种存储格式介绍 1、TestFile TextFile文件不支持块压缩，默认格式，数据不做压缩，磁盘开销大，数据解析开销大。这边不做深入介绍。 2、RCFile Record Columnar的缩写。是Hadoop中第一个列文件格式。能够很好的压缩和快速的查询性能，但是不支持模式演进。通常 写操作比较慢，比非列形式的文件格式
Linux上常用命令整理（二）—— paste
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/89085088 上一篇整理了cat指令的几个基本常见用法，这次整理一下paste指令的基本用法。 cat paste cut grep paste paste可以简单的理解为把两个文件的内容按列合并，与cat命令直接将不同文件按照先后顺序接起来不同，paste可以非常快速的将两个文件中的内容按照文件顺序从左往右排起来，例如文件1的内容是： a b
Flink部署-standalone模式
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/89332391 安装环境信息 flink-1.6.2-bin-hadoop27-scala_2.11.tgz hadoop-2.7.5 java 1.8 zookeeper 3.4.6 os:centos 6.4 1、下载 直接去flink的社区下载就可以了。http://flink.apache.org/downloads.html 2、解压
网络规模更小、速度更快，这是谷歌提出的MorphNet
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/kwame211/article/details/89401265 一直以来，深度神经网络在图像分类、文本识别等实际问题中发挥重要的作用。但是，考虑到计算资源和时间，深度神经网络架构往往成本很高。此次，谷歌研究人员提出一种自动化神经网络架构的新方法 MorphNet，通过迭代缩放神经网络，节省了资源，提升了性能。 深度神经网络（DNN）在解决图像分类、文本识别和语音转录等实际难题方面显示出卓越的效
MyEclipse 2016 的破解激活
转载自：https://blog.csdn.net/topwqp/article/details/8595936 本文详细介绍了MyEclipse 2016 的破解激活过程并提供所需文件，本方法仅供交流学习，如需此软件，请到官网购买正版。 文件资源 MyEclipse 和 破解程序可以到百度云下载：http://pan.baidu.com/s/1jHYA7C6 密码：zaev 安装MyEclipse 双击安装文件myeclipse-2016-ci-6-offline-installer-win
ST与*ST股票的财务状况条件
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dongdong2980/article/details/81975378 ST意即“特别处理”。该政策针对的对象是出现财务状况或其他状况异常的。1998年4月22日，沪深交易所宣布，将对财务状况或其它状况出现异常的上市公司股票交易进行特别处理(Special treatment)，由于“特别处理”，在简称前冠以“ST”，因此这类股票称为ST股。 如果哪只股票的名字前加上ST， 就是给市场一个警示
货币供应量M1M2与上证综合指数之间的相关性图示
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dongdong2980/article/details/81979490 通过baostock数据平台获取了货币供应量M1和M2的历史数据，并且获取了相同时间内上证综合指数的数据，来分析两者是不是存在关联。 绘制出图像如下，可以看出两者几乎没有什么相关性，货币供应量一直稳定地在增长，从80万亿一直增长到160万亿。几乎是一条直线，而上证指数的波动就比较大，时常有图上的暴涨暴跌。 代码如下：
i
今日推荐
周排行