其他

假定有兩個Server：192.168.0.1和192.168.0.2，需要複製的資料庫名為TestDB，現將該庫由192.168.0.1複製到192.168.0.2，其中%source_database_backup_file_dir%為存放192.168.0.1上TestDB庫備份檔案的檔案夾，%target_database_file_dir%為192.168.0.2上TestDB資料庫檔案所在的檔案夾，BAT指令碼如下：@echo offset source_server=192.168

ZooKeeper介紹  

實戰多線程下載現在很多下載軟體像迅雷，旋風等都使用了多線程下載技術。比起單線程下載多線程下載在同一時間段內發出多個下載請求，每個下載請求負責下載一段內容，充分利用了網路寬頻。因此本文就簡單的通過執行個體來介紹怎麼用多線程去下載檔案。相信您看了這篇文章後也可以寫個屬於自己的下載軟體。首先我們需要考慮幾個難題1.如何擷取遠程檔案的尺寸，這關係到開啟多個下載線程。本代碼採用比較簡單的線程數決策策略。固定每個線程分擔的位元組數任務，根據遠程檔案尺寸來決定需要開啟的下載線程。2.如何?分工下載，即每個線程

安全執行緒安全執行緒包含兩個方面變數安全：進程中有多個線程在同時運行，而這些線程可能會同時運行某一段代碼如果每次運行結果和單線程啟動並執行結果是一樣的。而且其他變數的值也和預期的是一樣的，稱為變數安全。反正，就不能叫變數安全。線程同步：代碼中的商務邏輯是一個原子性的動作，一旦分割執行就可能導致喪失其本來意義。然而在多線程環境下，運行中的線程被線程調度器暫時“叫停”的可能性隨時存在的，這就給原子性的業務動作造成了潛在的危險。這時必須啟用線程同步機制，即在一個線程執行完這組動作之前，其他線程不能進入

我們知道hadoop將資料給到map進行處理前會使用InputFormat對資料進行兩方面的預先處理： 對輸入資料進行切分，產生一組split，一個split會分發給一個mapper進行處理。 針對每個split，再建立一個RecordReader讀取Split內的資料，並按照<key,value>的形式組織成一條record傳給map函數進行處理。最常見的FormatInput就是TextInputFormat，在split的讀取方面,它是將給到的Split按行讀取,以行首位元組在

前面的近20篇博文已經牽扯到很多機器學習演算法咯，已經吊足了胃口，決定從後面開始正式系統的學習機器學習理論，並嘗試進入實戰階段，涵蓋：加州理工(caltech)的 Yaser Abu-Mostafa教授的機器學習，偏重於傳統統計理論斯坦福大學（Staford U)的Andrew Ng教授的機器學習，偏重於實用，直觀理解多倫多大學（Tronto U）的Geoffery Hinton教授的進階神經網路，偏重於神經網路和深度學習斯坦福大學（Staford U)的Daphne

       為了更進一步的清晰理解大腦皮層對訊號編碼的工作機制（策略），需要把他們轉成數學語言，因為數學語言作為一種嚴謹的語言，可以利用它推匯出期望和要尋找的程式。本節就使用機率推理（bayes views）的方式把稀疏編碼擴充到隨時間變化的映像上，因為人類或者哺乳動物在日常活動中通過眼睛擷取的訊號是隨時間變化而變化的，對於此類訊號仍然有一些稀疏係數和基可以描述他們，同類型的處理方式也有慢特徵分析(slow features analysis)。廢話不多說了，進入正題：     

結構決定功能和協同處理：魯棒有限制玻爾茲曼機(RoBM）     上一篇博文中提到，GRBM訓練樣本越多越好，樣本多蘊含的分布更具有一般性，這對其他模型也適用。但是實際樣本資料中往往有大量的雜訊，這或多或少的影響了GRBM的效能，工業界一般都設有清洗資料的崗位，用人腦去除雜訊資料。試想：人腦為什麼具有如此強大的抗噪和容錯能力？其實生命科學中有一句經典的總結：結構決定功能。不同的結構的網路具有不同的功能，下面要引入的魯棒玻爾茲曼機（Robust boltzmann

        電腦視覺的問題很多時候最終被歸結為組合最佳化問題，對此類問題採用組合分析的方法往往不能在多項式時間內求出最優解，因此我們需要一個好的逼近方法來求解此類問題，一個合理的方法就是通過凸鬆弛的方法來逼近整型規劃問題。該方法的如要思想如下：     

Evan

         考慮到大家有可能對深度學習的識別有點模糊，因此決定寫一個短部落格，簡單介紹下如何識別，結合本系列的第一篇博文提到的深度學習之所以叫深度，其中之一的原因是多層RBM模仿了人腦多層神經元對輸入資料進行層層預先處理(值得一提的是並不是每層都是RBM，DBN就是個例外），即深層次的資料擬合，多個RBM串連起來構成DBM（deep boltzmann

從這個圖中可以看出，等待狀態是一種特殊的狀態。使線程陷入等待實際上是暫時剝奪線程當前擁有的CPU時間片和擷取CPU時間片的資格，使其返回到就緒狀態。除非被喚醒，否則等待時間已滿，該線程將一直等待。不會被JVM線程調度器選中並賦予CPU時間片。處於等待的線程一旦恢複執行，與其他處於就緒狀態被線程調度器選中的線程不同，將從上次結束執行的斷點處開始執行，而非從頭開始。 使線程中斷運行，返回就緒狀態的手段是調用java.lang.Object對象的wait()方法;喚醒處於等待狀態的線程的手段是調用ja

        今天就來討論下deep learning怎麼來處理real valued data。對於映像來說，二值映像畢竟是少數，更多的還是實值映像。對於這樣的情況，RBM已經無法很好的處理它們，因此需要改進它，對於瞭解電腦視覺的人而言，想必高斯混合背景模型大家已不陌生，高斯混合模型可以很好的對實值映像建模，OpenCV中早就用高斯混合背景模型來分割物體。接下來要引出的高斯有限制玻爾茲曼機（Gaussian Restricted Boltzmann

對於終止運行中的線程，Thread類原本提供了一個人方法：stop();但方法已經被禁用。就目前而言，我們可以利用線程的休眠和中斷機制，在子線程中有意地為調度線程安排中斷機會。下面例子就是利用線程的休眠和中斷機制來終止線程。【StopThread】/** * StopThread.java * 著作權(C) 2011 cuiran2001@163.com * 建立:崔冉 2011-1-11 下午03:36:26 */package com.cayden.thread7233;/** *

使用安裝了m2eclipse外掛程式的eclipse匯入maven工程後，pom.xml開始位置報：Missing artifact com.sun:tools:jar:1.5.0錯誤，不算是個大問題，但是這個錯誤會block eclipse build

發幾張收藏的圖，讓大家對學科起源有點瞭解，避免因學科紛爭而引起不和，生命科學也罷，神經網路也罷都擺脫不了從物理和數學的角度去解釋，因為機器學習中很大的一部分，尤其是神經網路，最近深度學習很火，所以一些物理術語出現在神經網路中讓人很不解。接著來個物種進化吧，當然是科普簡圖咯，這種圖好處就是讓一部分人看到了很激動，老想著在裡面找到靈感，有時間可以看看《物種起源》吧最後就來個宏觀的吧，熙熙攘攘，人來人往，人類別關係啥的可以從中管窺一斑最後來個預告，接下來要寫一些關於目標檢測的文章,涵蓋從簡單的閾值影像

學習途徑作者: xumingming | 可以轉載, 但必須以超連結形式標明文章原始出處和作者資訊及著作權聲明網址: http://xumingming.sinaapp.com/756/twitter-storm-drpc/  本文翻譯自：https://github.com/nathanmarz/storm/wiki/Distributed-RPC。Storm裡面引入DRPC主要是利用storm的Realtime Compute能力來並行化CPU

java.lang.Runtime類提供了一個addShutdownHook()方法。添加虛擬機器關閉鉤子。有以下用途：① 應用程式正常退出。在退出時只需特定的商務邏輯。② 虛擬機器非正常退出，如使用者按下“Ctrl+C”按鍵組合，作業系統關閉。在退出時候執行必要的挽救措施。我們可以將退出事件放在一個自訂線程的線程體中即可。下面就是代碼示範【TestOnExit】/** * TestOnExit.java * 著作權(C) 2011 cuiran2001@163.com * 建立:崔冉 201