一百多篇热门经典计算文章 来自 11 个热门的技术类微信公众

如何使用python脚本爬取微信公众号文章 在座的各位可能经常听到一个词,叫“爬虫”,这是一种能够悄无声息地将网站数据下载至本地设备的程序。利用爬虫,您无需亲自访问特定网站,逐个点击并手动下载所需数据。相反,爬虫能够全自动地为您完成这项任务,从网站上获取您所需的信息,并将其下载到您的设备上,而整个过程无需您进行任何干预。 阅读详情

为了扩散本文收录的一百多篇热门经典计算文章,主页君也做回标题党。拿了板砖的童鞋,请往下看了再拍不迟 :)


本文收录的文章来自 11 个热门的技术类微信公众号。我们从每个公号中选出了 2015 年最热门的 10 篇技术文章,共 100 多篇精华。


涉及的技术包括:Python、Linux、Java、Web前端、数据库、C/C++、安卓开发、iOS开发和PHP开发。除此之外,我们还精选了IT职场、IT趣文 和 极客酷文作为补充。有干货、有笑点、有范!



Python


2015 Python 热门文章 Top 10 来自微信公众号 PythonCoder


人生苦短,我用 Python。「Python开发者」分享 Python 相关的技术文章、工具资源、精选课程、热点资讯。

长按上面的二维码关注 PythonCoder 后,发送  2015  阅读以下10篇热门Python文章



《一篇文章让你全面了解机器学习》


本文的目的是能让即便完全不了解机器学习的人也能了解机器学习,并且上手相关的实践。



《一个 11 行 Python 代码实现的神经网络》


直接上代码是最有效的学习方式。这篇教程通过由一段简短的 python 代码实现的非常简单的实例来讲解 BP 反向传播算法。



《讨论:为什么大学很少开Python课?》


这是一个热门讨论话题,Python用途广泛,但是大学却很少开这门课程,这是为什么?



《小 200 行 Python 代码做了一个换脸程序》


在这篇文章中我将介绍如何写一个简短(200行)的 Python 脚本,来自动地将一幅图片的脸替换为另一幅图片的脸。



《Python 奇技淫巧》


十多个Python的奇技淫巧。



《趣文:Python程序员的进化史》


下面代码来自 fmeyer ,列举了各种程序员所写的阶乘算法代码,甚至包括网页设计师的。笑死不偿命~



《Python 初学者的最佳学习资源》


Python 社区在分享学习资源和帮助初学者掌握语言方面总是很积极的。但也就是因为资源过多,导致人们很难知道如何找到。本文整理了最好、最通用的 Python 资源,并且简述了其内容。



《利用 Python 练习数据挖掘》


覆盖使用Python进行数据挖掘查找和描述数据结构模式的实践工具。



《Python 招聘需求与技能体系》


目前国内的招聘Python,基本都是偏向web后台开发,偶有高大上的数据挖掘&机器学习。这是作者找工作整理的一些JD,在梳理几年来的笔记,顺带理一理。可以以此建立自己的技能体系。



《12 岁少年教你用 Python 做小游戏》


你有没有想过电脑游戏是怎样制作出来的?其实它没有你想象的那样复杂!在这个教程里,你要学做一个叫《兔子和獾》的塔防游戏,兔子作为英雄,需要在城堡里抵御獾的进攻。


( 关注 PythonCoder 后,发送  2015  阅读以上10篇Python文章 )



Linux


2015 Linux 热门文章 Top 10 来自微信公众号 LinuxHub


「Linux爱好者」专注分享 Linux 相关内容,包括:业界动态、工具资源、使用技巧、课程和书籍等。

长按上面的二维码关注 LinuxHub 后,发送  2015  阅读以下10篇热门Linux文章



《Debian GNU/Linux 创始人不幸辞世》


当地时间2015年12月30日早些时候,Debian创始人Ian Murdock被证实已经不幸辞世。此前,于美国时间12月27日,他与警方发生冲突而遭到逮捕,在保释后他在其Twitter账号上发表一系列帖子,表示要在当晚自杀,但最后暂缓自杀,宣布要将自己的余生投入到反对警察暴力上。



《Linux 4.0 彻底告别计算机重启时代》


4月13日消息,今天早些时候 Linux 创始人 Linus Torvalds 在 Kernel 的 GitHub Master 中提交了一个改动,将 Kernel 正式从 3 时代带入 4 时代。Linux内核正式进入 4.0 时代。



《攻下隔壁女生路由器后,我都做了些什么》


记忆中隔壁是一个还算不错的妹子,那天 Z 来找我的时候恰巧碰到了,进屋后跑到我耳边说:“隔壁那个妹子你能不能要到微信,我觉得挺不错的呢~” 这么三俗的场景竟然发生在我的身边,我说等两天我给你消息。



《真正的标准化机房是这样的!》


为什么我们的机房像蛛网一样令人难以理清头绪?什么样的才是标准化机房?这是个问题。不过,这个问题即将成为历史,今天就来带大家看一看真正的标准化机房。



《在服务器上排除问题的头五分钟》


我们团队为上一家公司承担运维、优化和扩展工作的时候,我们碰到了各种不同规模的性能很差的系统和基础设备(大型系统居多,比如CNN或者世界银行的系统)。要是再赶上修复时间紧、奇葩的技术平台、缺少信息和文档,基本上这过程都会惨痛到让我们留下深刻的记忆。


遇到服务器故障,问题出现的原因很少可以一下就想到。我们基本上都会本文分享的步骤入手。



《图解 TCP/IP 协议》


本文通过两个图来梳理TCP-IP协议相关知识。TCP通信过程包括三个步骤:建立TCP连接通道,传输数据,断开TCP连接通道。



《树莓派+Kali Linux搭建便携式黑客工作站》


攻破Wi-Fi密码、伪装账户和测试网络漏洞都已经够有趣了,但是如果你想在路途中完成这些操作,就会需要一个简易便携的装备。不妨考虑一下 Kali Linux 和树莓派。



《2015年十佳 Linux /Android 黑客单板机》


让我们一起来回顾一下2015年最重要也可能是最好的十款100美元以下的基于 Linux 或者 Android 开放规格的黑客单板机。



《20个命令行工具监控 Linux 系统性能》


我们编写了对于 Linux/Unix 系统管理员非常有用的并且最常用的20个命令行系统监视工具。这些命令可以在所有版本的 Linux 下使用去监控和查找系统性能的实际原因。这些监控命令足够你选择适合你的监控场景。



《运维工程师必会工具:Nmap + TCPdump》


NMap工具主要功能:探测主机是否在线、扫描主机开放端口和嗅探网络服务,用于网络探测和安全扫描。TCPDump工具主要功能:捕获和分析数据包。本文详细介绍了这两个工具。


( 关注 LinuxHub 后,发送  2015  阅读以上10篇Linux文章 )



Java


2015 Java 热门文章 Top 10 来自微信公众号 importnew


「ImportNew」专注Java技术分享,包括Java基础技术、进阶技能、架构设计和Java技术领域动态等。

长按上面的二维码关注 importnew 后,发送  2015  阅读以下10篇热门Java文章



《甲骨文紧咬谷歌的那 9 行 Java 代码》


甲骨文起诉谷歌的那 9 行 Java 代码到底长什么样?背后还有哪些故事,看看这篇文章的介绍。



《Eclipse 的 Debug 介绍与技巧》


没有任何程序员能够一气呵成的写出没有任何 Bug 的代码,所以很多程序员有相当一部分时间是花费在 Debug 上的,程序调试是每个程序员必须面对的工作。如何使用 Eclipse 进行有效的、尤其是高效地调试代码是一个值得学习的技巧。



《SO 上人气最旺的 10 个 Java 问题》


Stack Overflow 上的 10 个热门Java问题和解答。



《携程 Java 工程师的一道面向对象面试题》


伯乐小组热议过的一道 Java 面试题,其中有很赞的解答哦~



《Google Java编程风格指南》


这份文档是Google Java编程风格规范的完整定义。当且仅当一个Java源文件符合此文档中的规则, 才认为它符合Google的Java编程风格。与其它的编程风格指南一样,这里所讨论的不仅仅是编码格式美不美观的问题, 同时也讨论一些约定及编码标准。然而,这份文档主要侧重于我们所普遍遵循的规则, 对于那些不是明确强制要求的,我们尽量避免提供意见。



《偏执却管用的 10 条 Java 编程技巧》


经过将近20年的编码,我们开始感谢那些好习惯。因为,你知道:“任何可能出错的事情,最后都会出错。” 这就是人们为什么喜欢进行“防错性程序设计”的原因。偏执的习惯有时很有意义,有时则不够清晰也不够聪明,也许当你想到这样写的人的时候还会觉得有点怪异。作者在这篇文章列出的的个人感觉最有用而又偏执的 10 项 Java 编程技巧。



《JVM 的相关知识整理和学习》


本文是作者研究学习了 JVM 总结的文章,内部包括:JVM 组成、运行原理、统一数据格式规范、字节码文件结构和JVM内存管理后。



《133 个 Java 面试问题列表(上)(下)篇》


这个 Java 面试题列表包含了入门级 Java 程序员和多年经验的高级开发者的问题。无论你是新手还是十年经验的开发者,你都能在其中找到一些有趣的问题。这里包含了一些超级容易回答的问题,同时包含经验丰富的 Java 程序员也会棘手的问题。



《八成 Java 开发者解答不了的问题》


这些问题来自一个称为Java“死亡竞赛”的项目。题目发布后,超过20000位开发者参加。网站以20道关于Java的多选题为主。在这篇博客中挑选出了最难的问题。


( 关注 importnew 后,发送  2015  阅读以上10篇Java文章 )



Web前端


2015 Web前端 热门文章 Top 10 来自微信公众号 FrontDev


「前端大全」专注分享Web前端相关的内容,包括 JavaScript, CSS 和 HTML5技术文章、工具资源、精选课程和Web技术领域热点资讯。

长按上面的二维码关注 FrontDev 后,发送  2015  阅读以下10篇热门前端文章



《JavaScript 正在蚕食着开发领域》


JavaScript 正在蚕食着开发领域,抑或是开发领域正在蚕食着 JavaScript?来看看本文作者的观点。



《Bootstrap 4 重大更新,亮点解读》


8月19日对Bootstrap来说是个特别的日子——不仅是项目四周年纪念日,也是经过了一年密集开发之后发布Bootstrap 4内测版的日子。Bootstrap 4是一次重大更新,几乎涉及每行代码。



《JavaScript 资源大全中文版》


JavaScript 资源列表,内容包括:包管理器、加载器、测试框架、运行器、QA、MVC框架和库、模板引擎、数据可视化、时间轴、编辑器等。



《大部分人都会做错的JS 闭包面试题》


这是一个作者工作当中的遇到的一个问题,似乎很有趣,就当做了一道题去面试,发现几乎没人能全部答对并说出原因,遂拿出来聊一聊吧。



《结合个人经历总结的前端入门方法》


结合个人经历总结的前端入门方法,总结从零基础到具备前端基本技能的道路、学习方法、资料。由于能力有限,不能保证面面俱到,只是作为入门参考,面向初学者,让初学者少走弯路。



《如何成为一个 JavaScript 大牛?》


本文的内容是基于作者过去 5 年经验编写的,概述了我成为一个优秀的 JavaScript 开发者所用到的技术和资源。



《什么鬼,又不知道怎么命名class了》


相信写css的人都有体会,class的命名真不是一件简单的事,尤其还要兼顾可辨别性与可读性。这篇文章深入讨论了class命名。



《前端开发应知道的 jQuery 小技巧》


一个简单技巧的集合,帮你提升 jQuery 技能,目前已有 15 个 小技巧。



《JS开发常用的10个Sublime Text插件》


本文针对 JavaScript 开发者,简要介绍了十个 Sublime 插件,每一个都能够帮助你改善工作流,并且提高工作效率。一起来看看吧!



《JS 操作 DOM 常用 API 总结》


文本整理了 JavaScript 操作DOM的一些常用的api,根据其作用整理成为创建,修改,查询等多种类型的api,主要用于复习基础知识,加深对原生js的认识。


( 关注 FrontDev 后,发送  2015  阅读以上10 篇Web前端文章 )



数据库


2015 数据库 热门文章 Top 10 来自微信公众号 DBDevs


「数据库开发」专注分享数据库相关内容,包括:各种主流DB的最佳实践、数据库基础知识、性能优化、数据安全等。

长按上面的二维码关注 DBDevs 后,发送  2015  阅读以下10篇热门数据库文章



《数据库专家Michael Stonebraker获得2014年图灵奖》


ACM官方宣布,Michael Stonebraker因“对现代数据库系统底层的概念与实践所做出的基础性贡献(For fundamental contributions to the concepts and practices underlying modern database systems)”而获得2014年图灵奖。他也是数据库领域自1973年Bachman(数据库与网状数据库)、1981年Codd(关系数据库)、1998年Gray(数据库与事务处理)之后的第四位图灵奖得主。



《Select count(*) 和 Count(1)的区别和执行方式》


在SQL Server中Count(*)或者Count(1)或者Count([列])或许是最常用的聚合函数。很多人其实对这三者之间是区分不清的。本文会阐述这三者的作用,关系以及背后的原理。



《就是这小子,把学校数据库给黑了》


趣文一篇。开心一笑,顺带学(温)习(故)一下安全知识。



《分页查询,你真的懂吗?》


程序员代码的编写能力主要体现在思维的严谨上。有些看起来很简单的东西,里面包含很多很细的点,你能想到吗?作者在这篇文章中,就简单说一下一个例子,让大家学习到新知识的同时,也养成一种思维的习惯。



《为什么 SQL 语句 Where 1=1 and 在 SQL Server 中不影响性能》


作者最近一个朋友和我探讨关于Where 1=1 and这种形式的语句会不会影响性能。最后结论是不影响。虽然结论正确,但对问题的认识却远远没有解决问题的根本。


《ScyllaDB:用 C++ 重写后的 Cassandra ,性能提高了十倍》


在2015年 9 月下旬的 Cassandra 峰会上,Avi Kivity、Dor Laor 和 Benny Schnaider 宣布推出 ScyllaDB,宣称是用 C++ 重新后的 Cassandra,性能提高 10 倍,并且延迟极低。新的 ScyllaDB 每个节点每秒能处理 1 百万交易。



《SQL 语句的解析过程》


由于最近需要做一些sql query性能提升的研究,因此研究了一下sql语句的解决过程。在园子里看了下,大家写了很多相关的文章,大家的侧重点各有不同。本文是我在看了各种资料后收集总结的,会详细的,一步一步的讲述一个sql语句的各个关键字的解析过程,欢迎大家互相学习。



《5 分钟介绍帮12306 解决订票问题的 Geode》


Geode是一个提供实时、一致访问大型分布式云平台下数据密集型应用的数据管理平台。去年开源啦!


Geode 通过跨多进程,把内存、CPU、网络资源和可选的本地磁盘汇集起来,来管理应用程序对象及其行为。它使用动态复制和数据分片技术,来实现高可用性,改善性能、可伸缩性和容错。Geode 除了是一个分布式数据容器,它还是一个内存数据管理系统,提供了可靠的异步事件通知和有保证的消息传递。


《Google全球级分布式数据库Spanner原理》


Spanner 是Google的全球级的分布式数据库 (Globally-Distributed Database) 。Spanner的扩展性达到了令人咋舌的全球级,可以扩展到数百万的机器,数已百计的数据中心,上万亿的行。更给力的是,除了夸张的扩展性之外,他还能同时通过同步复制和多版本来满足外部一致性,可用性也是很好的。冲破CAP的枷锁,在三者之间完美平衡。



《使用 Redis 实现分布式锁》


分布式锁是一个在很多环境中非常有用的原语,它是不同进程互斥操作共享资源的唯一方法。有很多的开发库和博客描述如何使用Redis实现DLM(Distributed Lock Manager),但是每个开发库使用不同的方式,而且相比更复杂的设计与实现,很多库使用一些简单低可靠的方式来实现。


这篇文章尝试提供更标准的算法来使用Redis实现分布式锁。我们提出一种算法,叫做Relock,它实现了我们认为比vanilla单一实例方式更安全的DLM(分布式锁管理)。我们希望社区分析它并提供反馈,以做为更加复杂或替代设计的一个实现。



《NoSQL 数据库概览及其与 SQL 语法的比较》


NoSQL数据库的产生就是为了解决大规模数据集合多重数据种类带来的挑战,尤其是大数据应用的难题。


本文对NoSQL数据库的定义、分类、特征、当前比较流行的NoSQL数据库系统等进行了简单的介绍,并对NoSQL和SQL语法进行了简单的比较,为大家对NoSQL数据库的学习提供了有益的参考。


( 关注 DBDevs 后,发送  2015  阅读以上10 篇数据库文章 )



C/C++


2015 C/C++ 热门文章 Top 10 来自微信公众号 cppFans


「CPP开发者」专注分享C/C++开发相关的技术文章和工具资源。

长按上面的二维码关注 cppFans 后,发送热文标题下的关键字阅读文章



《第 24 届国际 C 语言混乱代码大赛结果出炉》

关注 cppFans 后,发送  201501  阅读本文


第 24 届国际 C 语言混乱代码大赛结果出炉了,之前两位常在该比赛中拿奖的童鞋:浙大的侯启明和 Google 的 Don Yang 又拿奖了。侯启明这次是写了一个无整数的 MD5 程序,Don Yang 写了一个有海星图案的文本编码器。



《看完这些问题后,你还会说自己懂 C 语言么?》

关注 cppFans 后,发送  201502  阅读本文


这篇文章的目的是让每个程序员(特别是 C 程序员)说:我真的不懂 C。我想要让大家看到 C 语言的那些阴暗角落比我们想象中更近,甚至那些平常的代码中就包含着未定义的行为。



《C/C++代码优化的27个建议》

关注 cppFans 后,发送  201503  阅读本文


本文分享了 27 个C/C++代码优化的建议。



《C/C++内存泄漏及检测》

关注 cppFans 后,发送  201504  阅读本文


这篇文章分享的内容包括:内存泄漏简介、Windows平台下的内存泄漏检测 和 Linux平台下的内存泄漏检测。



《第一个 C 语言编译器是怎样编写的?》

关注 cppFans 后,发送  201505  阅读本文


不知道你有没有想过,大家都用C语言或基于C语言的语言来写编译器,那么世界上第一个C语言编译器又是怎么编写的呢?这篇文章对此作了详细介绍。



《C++11 的 5 个实用特性》

关注 cppFans 后,发送  201506  阅读本文


本文总结了  C++11 中的 5 个实用特性:自动类型推导、强类型枚举、Unique 指针、static_assert、Lambdas 表达式。



《从开源项目学习 C 语言基本的编码规则》

关注 cppFans 后,发送  201507  阅读本文


一个很有趣的方法是通过研究一个成熟的知名开源项目来得知其开发者是怎样编写代码的。对于 C 语言来说,Linux内核是个不错的选择。



《能让你成为更优秀程序员的10个C语言资源》

关注 cppFans 后,发送  201508  阅读本文


大多数程序员都是从C开始学习编程的,因为C是用来写操作系统、应用程序最常用的语言。本文为你推荐了10个优秀的学习C语言的资源。



《浅谈操作系统对内存的管理》

关注 cppFans 后,发送  201509  阅读本文


内存是计算机中最重要的资源之一,通常情况下,物理内存无法容纳下所有的进程。虽然物理内存的增长现在达到了N个GB,但比物理内存增长还快的是程序,所以无论物理内存如何增长,都赶不上程序增长的速度,所以操作系统如何有效的管理内存便显得尤为重要。本文讲述操作系统对于内存的管理的过去和现在,以及一些页替换的算法的介绍。


《C++项目中的extern "C" {}》

关注 cppFans 后,发送  201510  阅读本文


在用C++的项目源码中,经常会不可避免的会看到 extern "C" {} 的代码。本文对此做了详细介绍。



安卓


2015 安卓 热门文章 Top 10 来自微信公众号 AndroidPD


「安卓应用频道」专注分享安卓应用相关内容,包括:安卓App开发、设计和行业资讯。

长按上面的二维码关注 AndroidPD 后,发送  2015  阅读以下10篇热门安卓技术文章



《谷歌做了一个艰难的决定:安卓系统不再用甲骨文的私有 Java API 了》


12月 29 日有人在 Hacker News 上爆料,安卓代码库中出现了神秘的代码提交(commit),修改了 8902 个文件。


谷歌的一位发言人表示:「作为一个开源平台,Android 是建立在开源社区协作的基础之上。在即将发布的 Android 新版本中,我们计划把 Android 的 Java 语言库迁移至基于 OpenJDK 的方法,来为开发者创建一个通用代码库(common code base)。



《Android应用架构》


Android开发生态圈的节奏非常之快。每周都会有新的工具诞生,类库的更新,博客的发表以及技术探讨。如果你外出度假一个月,当你回来的时候可能已经发布了新版本的Support Library或者Play Services。


我与Ribot Team一起做Android应用已经超过三年了。这段时间,我们所构建的Android应用架构和技术也在不断地演变。本文将向您阐述我们的经验,错误以及架构变化背后的原因。



《Android AutoLayout 全新的适配方式,堪称适配终结者》


相信Android的开发者对于适配问题都比较苦恼,Google官方虽然给出了一系列的建议,但是想要单纯使用这些建议将设备很轻松的做好,还是相当困难的。如果你也有同感,推荐看看这篇文章。



《10 条提升 Android 性能的建议》


每个人都知道一个 App 的成功,与这个 App 的性能体验有着很密切的关系。但是如何让你的 App 拥有极致性能体验呢?在 DroidCon NYC 2015 的这个分享里,Boris Farber 带来了他关于 Android Api 以及如何避免一些常见坑的经验。带你了解如何缩短启动时间,优化滑动效果,创建更加顺滑的用户体验。



《15个必知的Android开发者选项》


Android开发者选项,看起来很简单的事情,其实很多同学对它了解得不够,谷歌用心良苦得为我们设计了这么多小开关都是有它的作用的,作者花了点时间,过了一遍全部的30多个开关,从中整理出15个对日常Android开发比较有帮助的选项。



《倍数提高工作效率的 Android Studio 奇技》


这些技巧在实际应用中能够非常大的提高工作效率。



《从 PM 的角度算一算,做一个 APP 需要多少钱》


作为互联网从业者,被外行的朋友们问及最多的问题是,“做一个网站多少钱?”或者“做一个 APP 需要多少钱?”。作为做过完整网站项目和 APP 的人,今天从产品经理的角度,一起来算一下中小型 APP 从无到有需要做哪些工作,以及为达成使命,需要付出多少金钱代价。



《Android M 新的运行时权限开发者需要知道的一切》


Android在不断发展,最近的更新 M 非常不同,一些主要的变化例如运行时权限将有颠覆性影响。惊讶的是android社区鲜有谈论这事儿,尽管这事很重要或许在不远的将来会引发很严重的问题。


这是今天我写这篇博客的原因。这里有一切关于android运行时权限你需要知道的,包括如何在代码中实现。现在亡羊补牢还不晚。



《每个Android开发者必须知道的资源集锦》


随着 Android 平台持续惊人的增长,越来越多的开发人员开始工作于 Android 应用程序。而且现在的 Android 平台已经非常成熟了。这篇文章比较适合于初学者和有一定经验的 Android 开发者,文中罗列了最棒的资源。



《Android Studio 入门到精通》


本文的目标是让Android Studio新手从入门到使用AS完成常规开发。包括:下载安装配置、零基础入门、基本使用、调试技能–>构建项目基础、使用AS应对常规应用开发。


( 关注 AndroidPD 后,发送  2015  阅读以上10 篇安卓技术文章 )



iOS


2015 iOS 热门文章 Top 10 来自微信公众号 iOSHub


「iOS大全」专注分享 iOS 和 Mac 相关内容,包括iOS和Swift开发技术文章、工具资源、产品设计和行业资讯。

长按上面的二维码关注 iOSHub 后,发送  2015  阅读以下10篇热门iOS技术文章



《高效MacBook工作环境配置》


本文记录整个配置过程,供新入手MacBook和觉得MacBook比较难用的同学参考。



《iOS 开发者必不可少的 75 个工具》


如果你去到一位熟练的木匠的工作室,你总是能发现他/她有一堆工具来完成不同的任务。软件开发同样如此。你可以从软件开发者如何使用工具中看出他水准如何。有经验的开发者精于使用工具。对你目前所使用的工具不断研究,同时了解一些替代品的使用,当你目前所用的工具无法满足你的需要时可以填补空缺。


记住了这些,作者将向你展示一份关于各种工具的长长的列表。有一些是网站,有些是后台服务,但大多数是你可以装的应用。



《17个提升iOS开发效率的必用工具》


时间就是金钱。编码效率的提升意味着更多的收入。可是当我们的开发技巧已经到达一定高度时,如何让开发效率更上一层楼呢?答案就是使用开发工具!在这篇文章中,我会向你介绍一些帮助我提升编码速度和工作效率的工具。



《招聘一个靠谱的 iOS》


作者近一年内陆续面试了不少人了,从面试者到面试官的转变让他对 iOS 招聘有了更多的感受。经过了前段时间的一大波面试,终于找到了志同道合的小伙伴,面试也暂时告一段落了。本文总结下面试人过程中的感受,你也可以读到作者对简历、算法、性格、iOS 基础、底层知识的看法和一些常问的面试题。



《让iOS保持界面流畅的这些技巧,你都知道吗》


这篇文章会非常详细的分析 iOS 界面构建中的各种性能问题以及对应的解决思路,同时给出一个开源的微博列表实现,通过实际的代码展示如何构建流畅的交互。



《搞个这样的APP要多久?》


这是可能是每个APP开发者都会被问到的一个问题。作者用一个故事吐槽了这个现象。



《开发一个App的成本是多少?》


“开发发一个app需要多少钱?”就一直是潜在客户最常问作者的问题。几年下来,保守估计也听了上千次了。在一个全新的app环境下,作者感觉是时候重温这个史诗般的问题了。



《Xcode7中你一定要知道的炸裂调试神技》


Xcode7中苹果为我们增加了两个重要的debug相关功能。了解之后觉得非常实用,介绍给大家。



《苹果团队 App 开发流程》


Apple的原型设计团队分享了公司内部的一套App开发流程。在完成App之前不断的进行原型迭代,这个过程中,原始的idea逐步变的更加具体真实,最终达到满意的用户体验和达到预期的目的。本文包含了两部分,前半部分介绍Apple的工作流,并且加上了部分个人理解;后半部分是Apple用一个虚拟的项目展示了如何快速完成一个三轮迭代。



《10个加速Table Views开发的建议》


如果曾经跟 collectionview 打过交道,你可能已经意识到了这篇文章的价值。


( 关注 iOSHub 后,发送  2015  阅读以上10 篇iOS技术文章 )



PHP


2015 PHP 热门文章 Top 10 来自微信公众号 PHPDevs


「PHP开发者」专注分享PHP开发相关的技术文章和工具资源。

长按上面的二维码关注 PHPDevs 后,发送  2015  阅读以下10篇热门PHP技术文章



《PHP 底层的运行机制与原理》


PHP说简单,但是要精通也不是一件简单的事。我们除了会使用之外,还得知道它底层的工作原理。



《15个实用的PHP正则表达式》


对于开发人员来说,正则表达式是一个非常有用的功能,它提供了 查找,匹配,替换 句子,单词,或者其他格式的字符串。这篇文章主要介绍了15个超实用的php正则表达式,需要的朋友可以参考下。



《如何正确配置Nginx+PHP》


对很多人而言,配置Nginx+PHP无外乎就是搜索一篇教程,然后拷贝粘贴。听上去似乎也没什么问题,可惜实际上网络上很多资料本身年久失修,漏洞百出,如果大家不求甚解,一味的拷贝粘贴,早晚有一天会为此付出代价。



《PHP 7与Swoole》


最新公布的PHP7-alpha在WordPress项目中测试的表现已经超越了HHVM。未来PHP将会同时具备极高的开发效率和极高的性能,再结合Swoole做异步编程,PHP势必会更加流行。本文简单介绍一下PHP7做了哪些优化,可以提升如此多性能。



《PHP中该怎样防止SQL注入?》


Stack Overflow的一个热门问答。



《让 PHP 7 达到最高性能的几个建议》


PHP7 已经发布了,作为PHP十年来最大的版本升级,最大的性能升级,PHP7在多放的测试中都表现出很明显的性能提升,然而,为了让它能发挥出最大的性能,本文提出了几点注意事项。



《用爬虫一天时间“偷了”知乎百万用户,只为证明PHP是世上最好的语言》


之前比较火的是一个人用C#写了一个多线程爬虫程序,抓取了QQ空间3000万QQ用户,其中有300万用户是有QQ号、昵称、空间名称等信息的,也就是说,有详情也就300万,跑了两周,这没什么,为了证明PHP是全世界最好的语言,虽然大家都懂的^_^,我用PHP写了一个多进程爬虫程序,只用了一天时间,就抓了知乎100万用户。



《PHP编程中10个最常见的错误》


这 10 个坑,你踩过吗?



《关于PHP程序员解决问题的能力》


这个话题老生长谈了,在面试中必然考核的能力中,作者个人认为解决问题能力是排第一位的,比学习能力优先级更高。解决问题的能力既能看出程序员的思维能力,应变能力,探索能力等,又可以看出他的经验。如果解决问题能力不佳是无法通过面试的。



《PHP 性能优化》


PHP是一个很流行的脚本语言,现在很多大公司在使用这种语言进行网站开发。作者写这篇文章,只是希望能够提高PHP脚本性能。请记住PHP脚本性能很多时候依赖于PHP版本、Web Server环境和代码的复杂度。


( 关注 PHPDevs 后,发送  2015  阅读以上10 篇PHP技术文章 )



极客


2015 极客类 热门文章 Top 10 来自微信公众号 iGeekFan


「极客范」聚焦极客主题,分享各种新、奇、酷的东西。

长按上面的二维码关注 iGeekFan 后,发送  2015  阅读以下10篇热门极客文章



《同一个技术,我们用来做麻将机,而德国人用来……》


相信大多数读者都见过自动麻将机吧?有没有人想到将这个原理用于砌高档砖石路面呢?



《麻省理工的一帮疯子,真的实现了随意操控万物!》


Reality Editor是麻省理工媒体实验室三年的研究成果,是一个全新的帮助你连接实际物体,并个性化操控它们功能的工具。



《5个中国90后,造了台机器,震惊了整个美国科技界!》


最近,一个由五位中国人发起的项目引爆了著名的众筹网站kickstarter。究竟是一个什么样的产品,能够如此迅速的吸引美国人的关注呢?



《一个诺贝尔奖的逗逼科研狗,是如何用胶带让中东各国挨个破产滴》


他是一个逗逼十足的科研狗,形式做派完全颠覆我们的想象力,按照他的逻辑,常人像阿汤哥那样爬迪拜的哈法利塔、让依靠石油的富得流油的中东国家破产……一切都有可能发生在不久的未来!



《德国人再立新功,开发抗雾霾神器,瞄准中国市场》


全球最大的窗帘展“R+t”上,德国Trittec AG公司首次发布了 “5 plus dust

evo”(第五代微尘过滤窗纱)。被德国媒体誉为“一块神奇的窗纱”、“欧洲花粉与微尘过敏人群的救星”,更有媒体指出“这款革命性的产品将赋予生活在严重雾霾里的中国人自由呼吸的权利”。



《暴力拆解特斯拉电池组,探究美帝黑科技》


国外牛人直接给我们展示电池组。电池组安放前后轴之间的底盘位置,其重量可达900公斤。因此造成底盘重心较低,非常利于车辆的高速稳定性。电池组几乎占据车辆底盘的全部,但电池组并没有作为承受力的主体,电池组有加强筋和受力框架保护,大大减低碰撞时的爆炸危险。



《德国第三代洗衣机,只有香皂一样大!》


德国发明了一款形似‘香皂’ ,名为Dolfi的超声波便携智能洗衣器,它使用超音波清洗衣物,无需手工揉搓,体积小巧、方便携带。简直就是懒癌患者的福音!



《改变世界的美少年,14岁造出核反应堆,19岁,又把核弹头变成清洁能源》


10岁,他躲在自家车库造了颗炸弹。一身白大褂,头戴毒气面具的Wilson ,被邻居视为“恐怖分子”。14岁,他成了世界上第31个造出比太阳还热40倍的核反应堆的人。十年痴迷核,美少年一次次震惊世界,但精彩仿佛才刚刚开始……



《国外牛人自制一架涡喷 F-16,还惊动了荷兰空军》


这位荷兰的大哥名叫Gerald Rutten,是一名资深的航空模型爱好者,同时也是一名飞行员。从二十年前开始他就徒手制造各种航模,这些模型并不是静态展示的,而是真正能够飞的。后来他觉得不爽,就开始自己设计制造小型的涡喷发动机,用于给那些航模提供动力。



《少年17岁时决定把海洋洗干净,现在21岁的他改变了这个世界》


荷兰有一位少年,17岁那年,他的梦想是要把被弄脏的海洋清洗干净。没人相信他。直到如今,他做到了。


( 关注 iGeekFan 后,发送  2015  阅读以上10 篇极客文章 )



技术综合 

以下文章点击标题即可阅读


《有人向我提了个 Bug,说 5 分钟就能搞定》


《小黄鸭调试法,每个程序员都要知道的》


《开发一个这样的 APP 要多长时间?》


《一段代码让你觉得人类智慧可以璀璨无比》


《成人网站有多大?》


《输入Google网址回车之后发生了什么?》


《为什么有些大公司技术弱爆了?》


《高效 MacBook 工作环境配置》


《如何编写让别人能读懂的代码?》


《最牛逼的编码套路》


《有了这列表,程序员不愁没练手小项目了》


《相似图片搜索的原理》


《麻省理工(MIT)牛人解说数学体系》


《程序员必须知道的10大基础实用算法》


《用 3 个空格缩进代码是异端么?》



IT趣文

以下文章点击标题即可阅读


《不准笑,IT 公司中的各种表情》


《硬盘最神秘的功能,万万想不到》


《趣文:阎王生死簿是怎么写的呢?》


《享受啪啪啪快感的插件!》


《给大家讲一个 TCP 的笑话咯》


《女朋友电脑水平更厉害是种怎样的体验?》


《程序员的最大噩梦是什么?》


《趣文:如果你喜欢上了一个程序员小伙》


《那些年,计算机领域的绝世高手》


《趣文:C++ 程序员离职之前要做的事》


《哈哈,学以致用,用一根网线发起的攻击》



IT职场

以下文章点击标题即可阅读


《为什么跳槽加薪会比内部调薪要高?》


《月薪3万的程序员都避开了哪些坑》


《请非技术人员不要对程序员说很容易实现》


《一次皆大欢喜的程序员跳槽加薪》


《程序员想提升工作效率,別再做这七件事》


《毕业五年,从月薪1.9K到5万的心路历程》


《一个Bug导致每秒钟亏172,222美元》


《为什么我会心安理得地写垃圾代码?》


《一个平庸程序员的自白》


《程序员的创业陷阱:接私活》



2015 年,这里有干货、有笑点、有范!2016 年更精彩,你值得拥有!

如何使用python脚本爬取微信公众号文章? 在座的各位可能经常听到一个词,叫“爬虫”,这是一种能够悄无声息地将网站数据下载至本地设备的程序。利用爬虫,您无需亲自访问特定网站,逐个点击并手动下载所需数据。相反,爬虫能够全自动地为您完成这项任务,从网站上获取您所需的信息,并将其下载到您的设备上,而整个过程无需您进行任何干预。 阅读详情

相关推荐

anyproxy批量自动采集微信公众号文章

我从2014年就开始做微信公众号内容的批量采集,最开始的目的是为了做一个html5的垃圾内容网站。当时垃圾站采集到的微信公众号的内容很容易在公众号里面传播。当时批量采集特别好做,采集入口是公众号的历史消息页。这个入口到现在也是一样,只不过越来越难采集了。采集的方式也更新换代了好多个版本。后来在2015年html5垃圾站不做了,转向将采集目标定位在本地新闻资讯类公众号,前端显示做成了app。所以就形

li_mancheng的博客 7084

某计算机视觉公众号干货文章集锦

某计算机视觉公众号干货文章集锦 https://mp.weixin.qq.com/s/YYw-Ej8PUJqInWS4fJHOzA 天下事有难易乎?为之,则难者亦易矣;不为,则易者亦难矣。 人之为学有难易乎?学之,则难者亦易矣;不学,则易者亦难矣。 ——《为学》[清]彭端淑 目标检测 聊聊目标检测中Anchor的"前世今生"(下) Kaggle实战目标检...

喜欢打酱油的老鸟 2420

[036] 微信公众帐号开发教程第12篇-符号表情的发送(下)

引言及文章概要 第11篇文章给出了Unified版本的符号表情(emoji表情)代码表,并且介绍了如何在微信公众帐号开发模式下发送emoji表情,还在文章结尾出,卖了个关子:“小q机器人中使用的一些符号表情,在微信的符号表情选择栏里根本找不到,并且在上篇文章给出的符号表情代码表(Unified版)中也没有,那这些表情是如何发送的呢?”如下面两张图所示的符号表情“情侣”和“公共汽车”。     

柳峰的专栏 15万+

程序员必备技术类微信公众号

这篇文章推荐了包括技术、设计和极客相关的热门公众号。技术类程序员的那些事「程序员的那些事」是最受欢迎的程序员、IT 技术和 IT 行业相关的微信公众号之一,分享 IT 技术资讯、经典文章和书籍、热门课程、高薪职位、职场和趣文,传播极客精神,更有难得一见的 IT 相亲活动。微信号:iProgrammer长按上图,弹出“识别二维码”后关注算法爱好者算法是程序员的内功!「算法爱好者」专注分享算法相关...

weixin_30642561的博客 1235

Python 爬取微信公众号文章和评论 (有源码)

关注我,一个仍存梦想的屌丝程序员,每天为你分享高质量编程博客。 follow us for dream 关注我回复 “微信爬虫” 获取源代码 背景说明 感觉微信公众号算得是比较难爬的平台之一,不过一番折腾之后还是小有收获的。没有用Scrapy(估计爬太快也有反爬限制),但后面会开始整理写一些实战出来。简单介绍下本次的开发环境: python3 requests psycop...

不想当码农的程序员 5983

【Python爬虫教程】进阶篇-11 使用代理获取微信公众号文章

以上内容便是使用代理爬取微信公众号文章的方法,涉及的新知识点不少,希望大家可以好好消化。

仲君Johnny的博客 4153

计算机女神每天都在学习的高质量公众号

有人统计过,我们平均每天花在看内容上的时间是5-6小时,只要拥有一个手机,我们似乎无所不知。人的大脑本质上就是一个处理器,你的输入决定了你的输出,下面小编为大家推荐几个高...

python爬虫人工智能大数据 301

美国统计学会杂志(JASA)-50篇经典的统计学文章

美国统计学会杂志(JASA)-50篇经典的统计学文章

黑马头条Day10-定时计算热点文章、xxl-job

在分布式架构下,一个服务往往会部署多个实例来运行我们的服务,如果在这种分布式系统环境下运行任务调度,我们称之为分布式任务调度1. 并行任务调度并行任务调度实现靠多线程,如果有大量任务需要调度,此时光靠多线程就会有瓶颈了,因为一台计算机CPU的处理能力是有限的。如果将任务调度程序分布式部署,每个结点还可以部署为集群,这样就可以让多台计算机共同去完成任务调度,我们可以将任务分割为若干个分片,由不同的实例并行执行,来提高任务调度的处理效率。2. 高可用若某一个实例宕机,不影响其他实例来执行任务。

ltt159264的博客 1309

MSP430项目设计:2020年TI杯大学生电子设计竞赛 坡道行驶电动小车(C题)循迹小车(分享项目展示视频与源码)

文章目录题目要求一、硬件设计二、理论分析与计算三、电路与程序设计四、测试方案与测试结果五、项目展示 哔哩哔哩项目展示视频:https://www.bilibili.com/video/BV1oz4y1d7mH/ 百度网盘资料链接:https://pan.baidu.com/s/1PC-lkSORH_XCgIG-u3HCog 提取码:c7zz 取走记得点赞啊! 题目要求 1.任务 利用TI的MSP430/MSP432平台,设计制作一个四轮电动小车。要求小车能沿着指定路线在坡道上自动循迹骑线行驶。小车必须独立

mbs706的博客 4万+

处理图数据, 安装“Pytorch“ + 图神经网络开源框架“PyG “+ “ogb“使用

"OGB" OSError: [WinError 127] 找不到指定的程序。1.[遇到这类问题往往跟torch安装的工具包(如torch-sparse,torch-scatter,torch-cluster)版本没对应上有关](https://blog.youkuaiyun.com/weixin_42358688/article/details/117433691)2.[OGB使用环境安装与依赖](https://ogb.stanford.edu/docs/home/)Data Loaders3.[torch-geo

Fuguir™的博客 3698

50行代码教你打造一个公众号文章采集器

Alfred的女票是一枚数据科学领域的新媒体运营官(是的,Alfred是一名程序员,Alfred有女票),每天都要阅读大量的行业相关文章,以掌握行业的动向,挑选和生产相关...

IT派 9177

树莓派4B+DroneKit实战:手把手教你用Python控制无人机飞行(附避坑指南)

本文提供了一份详尽的树莓派4B与DroneKit配置实战指南,涵盖从硬件选型、软件环境搭建到Python编程控制无人机的完整流程。文章重点解决了ARM架构下的兼容性问题、MAVLink通信配置及端口管理等常见难题,并附带了实用的避坑指南和代码示例,帮助开发者构建稳定可靠的无人机控制系统。

weixin_29056781的博客 410

如何爬取微信公众号文章(一)

微信公众号是目前最为流行的自媒体之一,上面有大量的内容,如何将自己感兴趣的公众号内容爬取下来,离线浏览,或者作进一步的分析呢? 下面我们讨论一下微信公众号文章的爬取。 环境搭建 windows 7 x64 python3.7 (Anaconda 3) vscode编辑器 Firefox开发版 爬虫原理分析 首先网页登陆微信公众平台(https://mp.weixin.qq.com/),登陆成功后,点击新建群发->自建图文,插入超连接在如下的对话框中,点击选择其他公众号。 在弹出的编辑超链接的对

好好学习,天天向上 1万+

Silvaco 学习笔记——物理模型:载流子产生复合模型

对载流子的复合机制进行总结

reactortiger的博客 1万+

YoloV8改进策略:基于双层路由注意力的视觉Transformer提升YoloV8的检测能力

本文使用2023年最新提出的BiFormer,实现对YoloV8的改进。目前,BiFormer还有在显存占用,还有性能存在问题。我们先试试效果,期待作者在Pytoch上早日实现优化。论文链接:https://arxiv.org/abs/2303.08810代码链接:https://github.com/rayleizhu/BiFormer作为视觉transformer的核心构建模块,注意力是捕捉长程依赖关系的强大工具。

m0_47867638的博客 2845

微信公众号文章爬虫

很多的微信公众号都提供了质量比较高的文章阅读,对于自己喜欢的微信公众号,所以想做个微信公众号爬虫,爬取相关公众号的所有文章。抓取公众号的所有的文章,需要获取两个比较重要的参数。一个是微信公众号的唯一ID(__biz)和获取单一公众号的文章权限值wap_sid2。接下来说一下思路。 爬取思路:  要想获取微信公众号的爬虫,首先要唯一标识这个微信公众号,所以要获取这个微信公众号的id值(即__bi...

weixin_34137799的博客 2049

【ARM Coresight | AMBA BUS | Cache 与 MMU/MPU | CoreLink | GCC | CSH 专栏导读】

1. ARM Coresight(SoC-400/SoC-600) 专栏 2. ARMv8/v9 CPU/Cache 专栏 3. Linux ARM AMBA 总线 专栏 4. Trace32/DS-5 专栏。。。

CodingCos的博客 8241

python 获取微信公众号的文章(持续更新)

需求场景:关注很多的微信公众号,有时候看到很好的文章,过段时间再想查看下,发现找不到历史的文章记录了,也没有一个根据文章名称检索的地方。现在利用python爬虫爬取微信公众号的文章,数据存入到数据库中。可以定时读取微信公众号的最新文章,方便日后的读取和查询。 实现思路:通过微信公众号登录获取想要的微信公众好的fakeid,token和cookie(token和cookie是每天更新的,这个目前还没有实现自动获取,后续更新会继续)。现将步骤和代码奉上 步骤一:登录微信公众号获取token和cookie,f

低调城主的博客 87万+

NEU-DET 冷轧钢缺陷检测:基于 YOLOv8 的目标检测与可视化 UI 实现

冷轧钢的生产过程中,由于设备故障、工艺问题或者人为因素,钢板表面可能会出现多种缺陷,如划痕、裂纹、孔洞等,这些缺陷会严重影响钢材的质量。它比之前的版本(如 YOLOv5、YOLOv4)在速度和精度上都有显著提升,并且对硬件要求较低,适合进行工业界面和嵌入式系统的应用。这些版本相较于更大型的模型(如 YOLOv8x)具有更快的推理速度和较低的资源占用,适合工业生产线中的实时应用。通过将训练好的模型部署到工业生产线摄像头中,我们可以实现实时的缺陷检测,极大地提升生产效率和产品质量。

YOLO 736

24、交通信号协调算法与模型解析

本文深入解析了交通信号协调中的关键算法与模型,包括多路径进展模型、MAXBAND网络系统模型和松弛启用带模型。这些模型通过合理安排相位序列、优化绿波带宽等方式,提高了交通运行的效率。文章还探讨了交通控制从单点控制向网络协调的发展趋势,分析了当前面临的挑战与机遇,并提出了未来研究方向,如借助信息技术和机器学习,深入研究交通网络的基本构成,以实现智能化和精准化的信号协调。

agile9scrum的博客 134

浏览器上查看微信公众号的所有历史文章

  微信公众号的历史文章一直不是特别好抓取,之前写了一篇文章是关于公众号文章的抓取的公众号文章的爬虫,现在已经过去一年多了,之前的方式还可以使用,但是效率不行,跟账号绑定的,容易封账号,要满足现在11万左右的公众号及时更新的需求根本不可能,于是更新了方案公众号历史文章https://www.vreadtech.com/,   1.首页(未登录状态) 标题 2.搜索公众号(绝大多数公众号...

qq_23279427的博客 1万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

python自动获取微信公众号最新文章

微信公众号获取思路

weixin_45072139的博客 7888

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

python公众号文章爬虫_微信公众号文章爬虫

很多的微信公众号都提供了质量比较高的文章阅读,对于自己喜欢的微信公众号,所以想做个微信公众号爬虫,爬取相关公众号的所有文章。抓取公众号的所有的文章,需要获取两个比较重要的参数。一个是微信公众号的唯一ID(__biz)和获取单一公众号的文章权限值wap_sid2。接下来说一下思路。爬取思路:http://weixin.sogou.com/weixin?type=1&s_from=input&...

weixin_39595931的博客 584

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

微信公众号文章批量转pdf

文章来源:https://www.cnblogs.com/MrFlySand/p/17216072.html 操作步骤 步骤一:下载离线html网页文件 1、登录微信公众号后台,打开“发表记录”。 2、 按Ctrl+S或右击网页选择“另存为”,保存离线的html网页文件。(网页的文件后缀名是html) 3、记住html文件保存路径(如下图最上面红色方框),并设置【html文件名称】。 ...

MrFlySand的博客 2346
上一篇: webrtct: talky, OTALK,web4 基于webrtc的 即使通讯 开源代码!
下一篇: Python 2015 年最热门的 10 篇技术文章
bamboolsu
博客等级 码龄22年 200粉丝 394原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值