1数据读取

1.1数据集解读

1.2引入包

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

1.2.1pandas介绍

1.2.2TensorFlow下安装pandas

1、激活tensorflow：      Activate tensorflow

2、安装Pandas：          conda install pandas

1.2.3出现“No module named 'sklearn'”错误

原因：未安装sklearn模块

方法：

在anaconda 中安装： conda install scikit-learn

1.3显示数据

# 读取数据文件   boston.csv文件位置自填

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)  

# 显示数据摘要描述信息

print(df.describe()

　

# 打印所有数据，只显示前30行和后三十行

print(df)

　

# 获取df的值

df = df.values

print(df)

　

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

　

# x_data为前12列的数据，实际上是0 - 11列;y_data为最后一列的数据，即12列

x_data = df[:,:12]

y_data = df[:,12]

print(x_data,"\nshape = ",x_data.shape)

print(y_data,"\nshape = ",y_data.shape)

2模型定义

2.1定义训练的占位符

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

2.2定义模型结构

定义模型函数

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

3模型训练

3.1设置训练超参数

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

3.2定义均方差损失函数

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

3.3选择优化器

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

常用优化器包括：

tf.train.GradientDescentOptimizer
tf.train.AdadeltaOptimizer
tf.train.AdagradOptimizer
tf.train.AdagradDAOptimizer
tf.train.MomentumOptimizer
tf.train.AdamOptimizer
tf.train.FtrlOptimizer
tf.train.ProximalGradientDescentOptimizer
tf.train.ProximalAdagradOptimizer
tf.train.RMSPropOptimizer

3.4声明会话

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

3.5迭代训练

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

注：训练结果异常

3.6异常明示

3.6.1原因

3.6.2方法

4特征归一化版本

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 显示数据摘要描述信息

print(df.describe())

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

特征归一化

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]
#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

注：Done！

5模型应用

5.1做预测

# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target


# 随机确定一条数据

n = np.random.randint(506)

print(n)

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

 

6可视化训练过程中的损失值

6.1每轮训练后添加一个这一轮的Loss值

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)
# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.1.2可视化损失值

plt.figure()

plt.plot(loss_list)


# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

6.2每步（单个样本）训练后添加这个Loss值

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

        loss_list.append(loss)  # 每步添加一次

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.2.2可视化损失值

plt.figure()

plt.plot(loss_list)


# 指定一条数据

n = 345

x_test = x_data[n]

x_test = x_test.reshape(1,12)

predict = sess.run(pred,feed_dict={x:x_test})

print("预测值：%f" % predict)

target = y_data[n]

print("标签值：%f" % target)

7加上 TensorBoard 可视化代码

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

#启动会话

sess.run(init)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8为TensorFlow可视化准备数据

8.1修改代码

%matplotlib notebook

import tensorflow as tf

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

from sklearn.utils import shuffle

# 读取数据文件

df = pd.read_csv("D:\学习资料\课程学习资料\深度学习\TensorFlow/boston.csv",header = 0)

# 获取df的值

df = df.values

print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能

df = np.array(df)

print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):

    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]

#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符

#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一

#个样本的随机SDG到批量SDG都可以

x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）

y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间

with tf.name_scope("model"):

    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差

    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")

    # b 初始化值为 1.0

    b = tf.Variable(1.0,name = "b")

    #w和x是矩阵相乘，用matmul,不能用mutiply或*

    def model(x,w,b):

        return tf.matmul(x,w) + b

    #预测计算操作，前向计算节点

    pred = model(x,w,b)

# 迭代轮次

train_epochs = 50

# 学习率

learning_rate = 0.01

#定义均方差损失函数

with tf.name_scope("LossFunction"):

    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

# 创建优化器

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话

sess = tf.Session()

#定义初始化变量的操作

init = tf.global_variables_initializer()

8.1.1设置日志存储目录

# 设置日志存储目录

logdir = 'd:/log'

8.1.2创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见

# 创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见

sum_loss_op = tf.summary.scalar("loss",loss_function)

8.1.3把所有需要记录摘要日志文件得合并，方便一次性写入

#把所有需要记录摘要日志文件得合并，方便一次性写入

merged =  tf.summary.merge_all()
#启动会话

sess.run(init)

8.1.4创建摘要得文件写入器（FileWriter）

#创建摘要write，将计算图写入摘要，后面的在TensorBoard中GRAPHS可见

writer = tf.summary.FileWriter(logdir,sess.graph)

8.1.5writer.add_summary(summary_str, epoch)

# 用于保存 loss值得列表

loss_list = []

#迭代训练

for epoch in range(train_epochs):

    loss_sum = 0.0

    for xs,ys in zip(x_data,y_data):

        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组

        xs = xs.reshape(1,12)

        ys = ys.reshape(1,1)

        # Feed 数据必须和Placeholder 的shape 一致

        _,summary_str,loss = sess.run([optimizer,sum_loss_op,loss_function],feed_dict={x:xs,y:ys})

        writer.add_summary(summary_str,epoch)

        loss_sum = loss_sum + loss

    #打乱数据顺序

    x_data,y_data = shuffle(x_data,y_data)

    b0temp = b.eval(session=sess)

    w0temp = w.eval(session=sess)

    loss_average = loss_sum / len(y_data)

    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值

    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8.2运行TensorBoard

8.2.1打开Anaconda Prompt　　

激活TensorFlow：       Activate tensorflow

进入日志存储目录 ：     cd  d:\log

打开TensorBoard：      tensorboard --logdir=d:\log

8.2.2TensorBoard 查看loss　　

 8.2.3TensorBoard查看计算图

TensorFlow 多元线性回归【波士顿房价】的更多相关文章

  1. TensorFlow多元线性回归实现

    多元线性回归的具体实现 导入需要的所有软件包:   因为各特征的数据范围不同,需要归一化特征数据.为此定义一个归一化函数.另外,这里添加一个额外的固定输入值将权重和偏置结合起来.为此定义函数 appe ...

  2. Tensorflow之多元线性回归问题（以波士顿房价预测为例）

    一.根据波士顿房价信息进行预测,多元线性回归+特征数据归一化 #读取数据 %matplotlib notebook import tensorflow as tf import matplotlib. ...

  3. TensorFlow从0到1之TensorFlow实现多元线性回归（16）

    在 TensorFlow 实现简单线性回归的基础上,可通过在权重和占位符的声明中稍作修改来对相同的数据进行多元线性回归. 在多元线性回归的情况下,由于每个特征具有不同的值范围,归一化变得至关重要.这里 ...

  4. 【TensorFlow篇】--Tensorflow框架初始，实现机器学习中多元线性回归

    一.前述 TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统,其命名来源于本身的运行原理.Tensor(张量)意味着N维数组,Flow(流)意味着基于数据流图的计算,T ...

  5. 利用TensorFlow实现多元线性回归

    利用TensorFlow实现多元线性回归,代码如下: # -*- coding:utf-8 -*- import tensorflow as tf import numpy as np from sk ...

  6. TensorFlow简单线性回归

    TensorFlow简单线性回归 将针对波士顿房价数据集的房间数量(RM)采用简单线性回归,目标是预测在最后一列(MEDV)给出的房价. 波士顿房价数据集可从http://lib.stat.cmu.e ...

  7. machine learning 之 多元线性回归

    整理自Andrew Ng的machine learning课程 week2. 目录: 多元线性回归 Multivariates linear regression /MLR Gradient desc ...

  8. 多元线性回归（Multivariate Linear Regression）简单应用

    警告:本文为小白入门学习笔记 数据集: http://openclassroom.stanford.edu/MainFolder/DocumentPage.php?course=DeepLearnin ...

  9. 斯坦福机器学习视频笔记 Week2 多元线性回归 Linear Regression with Multiple Variables

    相比于week1中讨论的单变量的线性回归,多元线性回归更具有一般性,应用范围也更大,更贴近实际. Multiple Features 上面就是接上次的例子,将房价预测问题进行扩充,添加多个特征(fea ...

随机推荐

  1. zabbix监控mysql数据库信息脚本

    ---恢复内容开始--- 在/usr/local/zabbix/etc/zabbix_agentd.conf增加 # 获取mysql性能指标 UserParameter=mysql.status[*] ...

  2. 如何应对HR小姐姐的千年历史遗留问题：你为什么从上家公司离职？

    最近找我询问面试问题的学生比较多,而且问的问题基本上都是课堂上讲过的,好吧,在此心疼自己三秒钟. 那么今天就为各位宝宝们整理一下,如何优雅的回复HR小姐姐的这个千年历史遗留问题:你为什么从上家公司离职 ...

  3. Yii的自带缓存的使用

    Yii的自带缓存都继承CCache 类, 在使用上基本没有区别缓存基础类 CCache 提供了两个最常用的方法:set() 和 get().要在缓存中存储变量 $value,我们选择一个唯一 ID 并 ...

  4. python爬虫之字体反爬

    一.什么是字体反爬? 字体反爬就是将关键性数据对应于其他Unicode编码,浏览器使用该页面自带的字体文件加载关键性数据,正常显示,而当我们将数据进行复制粘贴.爬取操作时,使用的还是标准的Unicod ...

  5. Solr查询配置及优化【eDisMax查询解析器】

    一.简介 Lucene查询解析器语法支持创建任意复杂的布尔查询,但还有一些缺点,它不是用户查询处理的理想解决方案.这里面最大的问题是Lucene查询解析器的语法要求严格,一旦破坏就会抛出异常.指望用户 ...

  6. swagger 以及swaggerUI使用的步骤

    1.swagger,可以这么理解swagger是接口规范.Rest Api 传递参数的除了get请求外,put post,需要传递json.或者就是直接都通过传递json到后台 这里主要介绍一下spr ...

  7. Netty学习（4）：NIO网络编程

    概述 在 Netty学习(3)中,我们已经学习了 Buffer 和 Channel 的概念, 接下来就让我们通过实现一个 NIO 的多人聊天服务器来深入理解 NIO 的第 3个组件:Selector. ...

  8. 必备技能四、ajax及token

    转https://segmentfault.com/a/1190000008470355?utm_source=tuicool&utm_medium=referral 转 https://ww ...

  9. React的组件

    React的组件化思想尤为明显,一切皆组件,觉着比Vue的组件化思想更加凸显. const PacketBG = (props) =>( <div className="pack ...

  10. jenkins-构建job成功后自动打tag到git仓库

    需求:最近开发同事提出了个要求,每当Jenkins执行上线部署完成后,对当前代码进行自动打TAG到git仓库中,且只有当部署成功后才进行打TAG,防止构建失败也进行打过多的垃圾tag,然后便于下次进行 ...