You know the rudiments of the SQL query language, yet you feel you aren't taking full advantage of SQL's expressive power. You'd like to learn how to do more work with SQL inside the database before pushing data across the network to your applications. You'd like to take your SQL skills to the next level.<br> Let's face it, SQL is a deceptively simple language to learn, and many database developers never go far beyond the simple statement: SELECT FROM WHERE . But there is so much more you can do with the language. In the SQL Cookbook, experienced SQL developer Anthony Molinaro shares his favorite SQL techniques and features.

本文由DMLC分布式深度機器學習開源項目（中文名深盟）開發者聯合撰寫，介紹DMLC已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等組件主要解決的問題、實現方式及其性能表現，并簡要說明項目的近期規劃。【編者按】算法速度、系統性能以及易用性的瓶頸，制約著目前機器學習的普及應用，DMLC分布式深度機器學習開源項目（中文名深盟）的誕生，正是要降低分布式機器學習的門檻。本文由深盟項目開發者聯合撰寫，將深入介紹深盟項目當前已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等組件主要解決的問題、實現方式及其性能表現，并簡要說明項目的近期規劃。

io是一個獨立的模塊； layer是神經網絡層的實現，并且定義了前向和后向的propagation； updater是參數上傳模型，它定義了權制上傳規則； nnet將神經網絡層結合在一起，組建成一個神經網絡； io是一個用于讀入各類數據和預處理的輸入模型。

Java的基本數據類型本章開始介紹Java的基本數據類型，如整型、浮點型等，以及它們之間的轉換，最后介紹標識符的命名規則。通過本章的學習，讀者應該能夠完成如下目標。了解Java有哪些基本數據類型。掌握各種數據類型的基本含義。學會如何進行數據類型轉換。了解標識符和保留字等基本概念。了解如何在Java程序中進行注釋。2.1數據類型所謂數據類型，就是能真正表示數的類型，在Java里數據基本類型一共有8種，int表示整型，float表示浮點類型，下面將針對部分類型作詳細地介紹。

命令歷史以:和/開頭的命令都有歷史紀錄，可以首先鍵入:或/然后按上下箭頭來選擇某個歷史命令。

Linux網絡編程入門(一)Linux網絡編程--網絡知識介紹Linux網絡編程--網絡知識介紹客戶端和服務端網絡程序和普通的程序有一個最大的區別是網絡程序是由兩個部分組成的--客戶端和服務器端.客戶端在網絡程序中，如果一個程序主動和外面的程序通信，那么我們把這個程序稱為客戶端程序。比如我們使用ftp程序從另外一個地方獲取文件的時候，是我們的ftp程序主動同外面進行通信（獲取文件），所以這個地方我們的ftp程序就是客戶端程序。服務端和客戶端相對應的程序即為服務端程序。被動的等待外面的程序來和自己通訊的程序稱為服務端程序。比如上面的文件獲取中，另外一個地方的程序就是服務端，我們從服務端獲取文件過來。

一、Redis和Keepalived安裝備注：在同一局域網內部署當masterdown了，backup接管了，master再次起來，不能再成為master。否則master恢復了再接管的話，會造成業務來回切換，這時候就需要nopreempt參數了。在keepalived+redis的使用過程中有四種情況：1一種是keepalived掛了，同時redis也掛了，這樣的話直接VIP飄走之后，是不需要進行redis數據同步的，因為redis掛了，你也無法去master上同步，不過會損失已經寫在master上卻還沒同步到slave上面的這部分數據。

為什么選擇JDBC主備方式？<br> 1、 共享文件主備方式（Shared File System Master Slave）：共享文件服務器掛了后activemq就會直接掛掉。<br> 2、 LevelDB主備方式（Replicated LevelDB Store）：使用zookeeper選擇主備速度快，但存在一個風險就是異步消息情況下主從切換了消息會丟失。（Unexpected results will occur if you use Delay and Schedule Message Delivery with the replicated leveldb store since that data will be not be there when the master fails over to a slave.） 3、 JDBC主備方式：<br> a) 主從切換時間在2s內。 b) activemq通過鎖Oracle表的方式來獲取主的狀態，Oracle集群的高可用性也為activemq的主備的高可用性提供了基礎。

ReplicaSet（副本集集群） ?中文翻譯叫做副本集，不過我并不喜歡把英文翻譯成中文，總是感覺怪怪的。其實簡單來說就是集群當中包含了多份數據，保證主節點掛掉了，備節點能繼續提供數據服務，提供的前提就是數據需要和主節點一致。

內容為什么要多窗口原生Android單窗口的設計Tieto多窗口設計與實現拓展思考致謝&其它一.為什么要多窗口屏幕越來越大辦公需求越來越多平板與筆記本的整合是趨勢大屏可以做什么？二.原生Android單窗口的設計任務的概念窗口的概念二.原生Android單窗口的設計

DIY Deep Learning for Vision:a Hands-On Tutorial with Caffe

2015/08/06 新版caffe-windows上線了，由于vs2012編譯速度太慢，從這個版本開始，不再對vs2012提供支持。 最主要的更新就是CuDNN升級至v3版，此外我還用了一種不太好看的方式生成了caffe主程序的靜態庫，這樣就不用重復編譯好幾次了，如果你知道更好的生成靜態庫的方式

1. net.blobs.items() 存儲了預測圖片的網絡中各層的feature map的數據。 2. net.params.items()存儲了訓練結束后學習好的網絡參數。 3. vis_square函數視覺化data，主要是進行數據歸一化，data轉換為plt可視化的square結構。

最近準備從物體檢測的角度來重新審視文本檢測這個方向，所以看了下CNN大火以后的幾篇經典文獻，OverFeat，RegionCNN，DenseNeuralPattern等等。對這個方向來說，百聞不如一試，趁著其他程序還在跑沒什么事，我安裝了一下RCNN來看看效果

微軟研究院大神Ross Girshick新作：fase CNN，測試速度比RCNN快200倍。

Caffe用右上圖的觀點來解釋左上圖：數據存儲在多邊形的datablob上conv1卷積運算對datablob中的數據進行操作卷積操作的結果存儲到conv1blob上右圖是一個多路徑的前向五環Graph，是典型的最簡單Train網絡，datablob所在路徑為網絡主路徑（卷積層、FC層、Pooling層等），Labelblob所在路徑提供label數據用于計算loss或在Test時計算AccuracyCaffeModel要訓練一個網絡，在Caffe中至少要包含2個prototxt文件：一個是描述Net結構（“Blob+Layers+數據流”構成）的文件一個是描述訓練算法的Solver文件

以下主要是對于Caffe主頁文檔的總結 1. 結構的生成：caffe的基本結構是采用google的proto庫自動生成的，基本流程就是定義一個配置文件，擴展名為proto，調用proto庫的編譯器編譯這個文件可以生成相應的類的c++的代碼。具體的可以參見proto庫的介紹。

在上一篇中配置好Caffe for windows并配置matlab接口之后，我們嘗試運行RCNN（區域卷積神經網絡）的demo，在給出該方法的思想之前，我們嘗試運行demo看看效果如何。

深度學習（Deep Learning），又叫Unsupervised Feature Learning或者Feature Learning，是目前非常熱的一個研究主題。 本文將主要介紹Deep Learning的基本思想和常用的方法。 一. 什么是Deep Learning？ 實際生活中，人們為了解決一個問題，如對象的分類（對象可是是文檔、圖像等），首先必須做的事情是如何來表達一個對象，即必須抽取一些特征來表示一個對象，如文本的處理中，常常用詞集合來表示一個文檔，或把文檔表示在向量空間中（稱為VSM模型），然后才能提出不同的分類算法來進行分類；又如在圖像處理中，我們可以用像素集合來表示一個圖像，后來人們提出了新的特征表示，如SIFT，這種特征在很多圖像處理的應用中表現非常良好，特征選取得好壞對最終結果的影響非常巨大。因此，選取什么特征對于解決一個實際問題非常的重要。

本PPT架構1、WHY2、WHAT3、HOW（模式圖）4、HOW（公式推導）回顧review回顧review1、對sparseautoencoder的回顧總結：通過相似的輸入和輸出，用cost函數求出中間的參數（更新到最小的cost函數的輸出就是中間的參數），而更新時需要用梯度下降法，梯度下降法需要偏導，偏導需要用BP算法。2、經典sparseautoencoder的輸出應該是和輸入數據尺寸大小一樣的，且很相近。3、然后，拿掉那個后面的輸出層后，隱含層的值就是我們所需要的特征值了。4、因為模型的輸出是x，可以看出，特征值輸出的也是x的特征，其實這是一種無監督的學習unsupervisedlearning的一種方式，叫self-taughtlearning5、在這種無監督學習中，可以看出，每個特征值(參數）都與輸入相連。