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分布式深度机器学习开源项目（中文名深盟）开发者联合撰写，介绍DMLC已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等组件主要解决的问题、实现方式及其性能表现，并简要说明项目的近期规划。【编者按】算法速度、系统性能以及易用性的瓶颈，制约着目前机器学习的普及应用，DMLC分布式深度机器学习开源项目（中文名深盟）的诞生，正是要降低分布式机器学习的门槛。本文由深盟项目开发者联合撰写，将深入介绍深盟项目当前已有的xgboost、cxxnet、Minerva、ParameterServer和Rabit等组件主要解决的问题、实现方式及其性能表现，并简要说明项目的近期规划。

io是一个独立的模块； layer是神经网络层的实现，并且定义了前向和后向的propagation； updater是参数上传模型，它定义了权制上传规则； nnet将神经网络层结合在一起，组建成一个神经网络； io是一个用于读入各类数据和预处理的输入模型。

Java的基本数据类型本章开始介绍Java的基本数据类型，如整型、浮点型等，以及它们之间的转换，最后介绍标识符的命名规则。通过本章的学习，读者应该能够完成如下目标。了解Java有哪些基本数据类型。掌握各种数据类型的基本含义。学会如何进行数据类型转换。了解标识符和保留字等基本概念。了解如何在Java程序中进行注释。2.1数据类型所谓数据类型，就是能真正表示数的类型，在Java里数据基本类型一共有8种，int表示整型，float表示浮点类型，下面将针对部分类型作详细地介绍。

命令历史以:和/开头的命令都有历史纪录，可以首先键入:或/然后按上下箭头来选择某个历史命令。

Linux网络编程入门(一)Linux网络编程--网络知识介绍Linux网络编程--网络知识介绍客户端和服务端网络程序和普通的程序有一个最大的区别是网络程序是由两个部分组成的--客户端和服务器端.客户端在网络程序中，如果一个程序主动和外面的程序通信，那么我们把这个程序称为客户端程序。比如我们使用ftp程序从另外一个地方获取文件的时候，是我们的ftp程序主动同外面进行通信（获取文件），所以这个地方我们的ftp程序就是客户端程序。服务端和客户端相对应的程序即为服务端程序。被动的等待外面的程序来和自己通讯的程序称为服务端程序。比如上面的文件获取中，另外一个地方的程序就是服务端，我们从服务端获取文件过来。

一、Redis和Keepalived安装备注：在同一局域网内部署当masterdown了，backup接管了，master再次起来，不能再成为master。否则master恢复了再接管的话，会造成业务来回切换，这时候就需要nopreempt参数了。在keepalived+redis的使用过程中有四种情况：1一种是keepalived挂了，同时redis也挂了，这样的话直接VIP飘走之后，是不需要进行redis数据同步的，因为redis挂了，你也无法去master上同步，不过会损失已经写在master上却还没同步到slave上面的这部分数据。

为什么选择JDBC主备方式？<br> 1、 共享文件主备方式（Shared File System Master Slave）：共享文件服务器挂了后activemq就会直接挂掉。<br> 2、 LevelDB主备方式（Replicated LevelDB Store）：使用zookeeper选择主备速度快，但存在一个风险就是异步消息情况下主从切换了消息会丢失。（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主备方式：<br> a) 主从切换时间在2s内。 b) activemq通过锁Oracle表的方式来获取主的状态，Oracle集群的高可用性也为activemq的主备的高可用性提供了基础。

ReplicaSet（副本集集群）  中文翻译叫做副本集，不过我并不喜欢把英文翻译成中文，总是感觉怪怪的。其实简单来说就是集群当中包含了多份数据，保证主节点挂掉了，备节点能继续提供数据服务，提供的前提就是数据需要和主节点一致。

内容为什么要多窗口原生Android单窗口的设计Tieto多窗口设计与实现拓展思考致谢&其它一.为什么要多窗口屏幕越来越大办公需求越来越多平板与笔记本的整合是趋势大屏可以做什么？二.原生Android单窗口的设计任务的概念窗口的概念二.原生Android单窗口的设计

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

2015/08/06 新版caffe-windows上线了，由于vs2012编译速度太慢，从这个版本开始，不再对vs2012提供支持。 最主要的更新就是CuDNN升级至v3版，此外我还用了一种不太好看的方式生成了caffe主程序的静态库，这样就不用重复编译好几次了，如果你知道更好的生成静态库的方式

1. net.blobs.items() 存储了预测图片的网络中各层的feature map的数据。 2. net.params.items()存储了训练结束后学习好的网络参数。 3. vis_square函数视觉化data，主要是进行数据归一化，data转换为plt可视化的square结构。

最近准备从物体检测的角度来重新审视文本检测这个方向，所以看了下CNN大火以后的几篇经典文献，OverFeat，RegionCNN，DenseNeuralPattern等等。对这个方向来说，百闻不如一试，趁着其他程序还在跑没什么事，我安装了一下RCNN来看看效果

微软研究院大神Ross Girshick新作：fase CNN，测试速度比RCNN快200倍。

Caffe用右上图的观点来解释左上图：数据存储在多边形的datablob上conv1卷积运算对datablob中的数据进行操作卷积操作的结果存储到conv1blob上右图是一个多路径的前向五环Graph，是典型的最简单Train网络，datablob所在路径为网络主路径（卷积层、FC层、Pooling层等），Labelblob所在路径提供label数据用于计算loss或在Test时计算AccuracyCaffeModel要训练一个网络，在Caffe中至少要包含2个prototxt文件：一个是描述Net结构（“Blob+Layers+数据流”构成）的文件一个是描述训练算法的Solver文件

以下主要是对于Caffe主页文档的总结 1. 结构的生成：caffe的基本结构是采用google的proto库自动生成的，基本流程就是定义一个配置文件，扩展名为proto，调用proto库的编译器编译这个文件可以生成相应的类的c++的代码。具体的可以参见proto库的介绍。

在上一篇中配置好Caffe for windows并配置matlab接口之后，我们尝试运行RCNN（区域卷积神经网络）的demo，在给出该方法的思想之前，我们尝试运行demo看看效果如何。

深度学习（Deep Learning），又叫Unsupervised Feature Learning或者Feature Learning，是目前非常热的一个研究主题。 本文将主要介绍Deep Learning的基本思想和常用的方法。 一. 什么是Deep Learning？ 实际生活中，人们为了解决一个问题，如对象的分类（对象可是是文档、图像等），首先必须做的事情是如何来表达一个对象，即必须抽取一些特征来表示一个对象，如文本的处理中，常常用词集合来表示一个文档，或把文档表示在向量空间中（称为VSM模型），然后才能提出不同的分类算法来进行分类；又如在图像处理中，我们可以用像素集合来表示一个图像，后来人们提出了新的特征表示，如SIFT，这种特征在很多图像处理的应用中表现非常良好，特征选取得好坏对最终结果的影响非常巨大。因此，选取什么特征对于解决一个实际问题非常的重要。

本PPT架构1、WHY2、WHAT3、HOW（模式图）4、HOW（公式推导）回顾review回顾review1、对sparseautoencoder的回顾总结：通过相似的输入和输出，用cost函数求出中间的参数（更新到最小的cost函数的输出就是中间的参数），而更新时需要用梯度下降法，梯度下降法需要偏导，偏导需要用BP算法。2、经典sparseautoencoder的输出应该是和输入数据尺寸大小一样的，且很相近。3、然后，拿掉那个后面的输出层后，隐含层的值就是我们所需要的特征值了。4、因为模型的输出是x，可以看出，特征值输出的也是x的特征，其实这是一种无监督的学习unsupervisedlearning的一种方式，叫self-taughtlearning5、在这种无监督学习中，可以看出，每个特征值(参数）都与输入相连。