2018 年 10月随笔档案 - 绿茵好莱坞

3-3 zookeeper的作用体现

摘要：zookeeper比较重要的一个模式：选举模式，这也是高可用的一个体现。公司的董事长、副董事长、董事会常理员以及老总和副总，他们并不会乘坐同一班飞机，而是会分为两班或者三班飞机一起去，也就是我们所谓的集群高可用。让运维去多做几份备份，把不同的备份或者说是同样的备份上传到相同的服务器或者说是不同的服阅读全文

posted @ 2018-10-31 20:33 绿茵好莱坞阅读(237) 评论(0) 推荐(0) 编辑

3-2 zk客户端连接关闭服务端，查看znode

摘要：使用ZooKeeper官方提供的Client来连接。路径类似的结构。连接到我们的门户HOST。 quota属于zookeeper。quota是子节点，zookeeper是父节点。quota其实是一个空目录，它下面是没有任何数据的，那么就表明我们当前的整个环境中初始化在安装zookeeper之后它初阅读全文

posted @ 2018-10-31 18:32 绿茵好莱坞阅读(516) 评论(0) 推荐(0) 编辑

第3章 ZooKeeper基本数据模型 3-1 zk数据模型介绍

摘要：基本数据模型是zookeeper的重点。它是参照Linux/Unix的目录结构。子节点就相当于是父目录下的一个子目录，在zookeeper里面它是称之为节点，父节点和子节点，然后每一个节点就会有一些相应的数据，就相当于是每一个目录里面会有一些目录数据。永久节点是一个持久化的过程，有一些数据只有阅读全文

posted @ 2018-10-31 11:56 绿茵好莱坞阅读(378) 评论(0) 推荐(0) 编辑

2-4 zookeeper配置文件介绍，运行zk

摘要：心跳机制就是超过一定的时间之后，那么这个从节点就会被抛弃。 zookeeper需要存储的数据，比如说事务文件等等，它都会存到这个dataDir目录下。如果是伪分布式的集群环境，那么它的端口肯定是要变化的。如果有三台，第一台是2181，第二台2182，第三台2183。单机的配置完成了，关于集群后续阅读全文

posted @ 2018-10-30 22:00 绿茵好莱坞阅读(235) 评论(0) 推荐(0) 编辑

2-3 zookeeper文件夹主要目录介绍

摘要：zookeeper-3.4.11.jar、zookeeper-3.4.11.jar.md5、zookeeper-3.4.11.sha1都是通过打包或者编译之后产生的相关的文件。那么maven相关的东西都会在这里。另外它还有一个zookeeper-3.4.11-sources.jar。pom是用得最多阅读全文

posted @ 2018-10-30 20:08 绿茵好莱坞阅读(1354) 评论(0) 推荐(0) 编辑

2-2 zookeeper下载、安装以及配置环境变量

摘要：https://archive.apache.org/dist/zookeeper/zookeeper-3.4.11/ FTP的软件：FileZilla Client 登录腾讯云服务器tail /var/log/secure #locate sftp-server #vi /etc/ssh/sshd 阅读全文

posted @ 2018-10-30 05:06 绿茵好莱坞阅读(355) 评论(0) 推荐(0) 编辑

1-3 分布式系统的瓶颈以及zk的相关特性

摘要：阅读全文

posted @ 2018-10-30 03:14 绿茵好莱坞阅读(571) 评论(0) 推荐(0) 编辑

1-2 什么是分布式系统

摘要：阅读全文

posted @ 2018-10-29 21:08 绿茵好莱坞阅读(168) 评论(0) 推荐(0) 编辑

1-1+zookeeper简介

摘要：zookeeper是中间件，可以为分布式系统提供协调服务。如果没有分布式系统，zookeeper也发挥不了它的优势。阅读全文

posted @ 2018-10-29 18:03 绿茵好莱坞阅读(251) 评论(0) 推荐(0) 编辑

第4章 springboot热部署 4-1 SpringBoot 使用devtools进行热部署

摘要：/imooc-springboot-starter/src/main/resources/application.properties /imooc-springboot-starter/pom.xml /imooc-springboot-starter/src/main/java/com/imoo 阅读全文

posted @ 2018-10-29 09:08 绿茵好莱坞阅读(291) 评论(0) 推荐(0) 编辑

第3章 springboot接口返回json 3-2 Jackson的基本演绎法

摘要：/imooc-springboot-starter/src/main/java/com/imooc/controller/UserController.java /imooc-springboot-starter/src/main/java/com/imooc/pojo/User.java 阅读全文

posted @ 2018-10-28 07:36 绿茵好莱坞阅读(324) 评论(0) 推荐(0) 编辑

第3章 springboot接口返回json 3-1 SpringBoot构造并返回一个json对象

摘要：数据的使用主要还是以JSON为主，我们不会去使用XML。这个时候我们先不使用@RestController，我们使用之前SpringMVC的那种方式，就是@Controller。 @ResponseBody就表示返回出去的数据是以一个JSON字符串或者JSON对象为主。 /imooc-spring 阅读全文

posted @ 2018-10-27 05:33 绿茵好莱坞阅读(1135) 评论(0) 推荐(0) 编辑

第2章构建springboot工程 2-2 使用Spring官方STS搭建SpringBoot工程

摘要：项目名demo，SpringBoot的版本2.0.6 删了/demo/mvnw和/demo/mvnw.cmd。static文件夹包含静态文件，比如CSS、JS。templates文件夹是放模板的，SpringBoot官方推荐的模板是使用thymeleaf，SSM使用freemarker比较多。国产的阅读全文

posted @ 2018-10-27 04:15 绿茵好莱坞阅读(710) 评论(0) 推荐(0) 编辑

第2章构建springboot工程 2-1 构建SpringBoot第一个demo

摘要：以后的趋势肯定是以一个微服务为主导的， Spring-Boot的指导 Maven整个环境构建之前的整个项目其实是一个很普通的J2SE项目，它构建完之后会进行重构，重构为Maven的一个项目路径。可以看到Maven项目基础的结构就是这样子。我们可以先看一下/imooc-springboot-star 阅读全文

posted @ 2018-10-24 10:20 绿茵好莱坞阅读(421) 评论(0) 推荐(0) 编辑

第6章上传视频业务流程开发

摘要：123131 阅读全文

posted @ 2018-10-19 20:59 绿茵好莱坞阅读(154) 评论(0) 推荐(0) 编辑

第3章感知器分类算法的Python实现 3-1 实现感知器对象(上)

摘要：123131 阅读全文

posted @ 2018-10-19 08:13 绿茵好莱坞阅读(200) 评论(0) 推荐(0) 编辑

第2章感知器分类算法 2-2 感知器分类算法

摘要：每一个神经元通过它的分叉组织去接受多个电信号，而每一个分叉会将电信号先做一些处理，也就是把这个传入的电信号乘以一个参数，所以分叉对应的参数就可以组成一个向量，我们称之为权重向量W。那么输入的电信号又可以组成一个向量，我们把输入的电信号所组成的这个向量称之为训练样本X。整个机器学习的最终目的，就是通阅读全文

posted @ 2018-10-19 07:21 绿茵好莱坞阅读(312) 评论(0) 推荐(0) 编辑

第2章感知器分类算法 2-1 分类算法的总体描述

摘要：机器学习的本质是模拟人的神经元对信息的处理方法。根据神经学的研究，神经元可以看做是一种简单的带有二进制输出功能的逻辑电路门。多种电信号能够从神经元的交叉部分，这种电信号能够从交叉部分输入到我们的神经元之中。那么这些从这个交叉部分输进来的电信号，那么会进入到神经元的细胞核。那么细胞核就会将树突传入来的阅读全文

posted @ 2018-10-19 04:13 绿茵好莱坞阅读(397) 评论(0) 推荐(0) 编辑

第7章图片识别demo演示 7-1 机器学习-图片识别demo演示

摘要：123131 阅读全文

posted @ 2018-10-18 19:25 绿茵好莱坞阅读(311) 评论(0) 推荐(0) 编辑

第6章解决问题 6-2 机器学习解决问题(2)

摘要：13131 阅读全文

posted @ 2018-10-18 19:24 绿茵好莱坞阅读(148) 评论(0) 推荐(0) 编辑

第6章解决问题 6-1 机器学习解决问题(1)

摘要：123131 阅读全文

posted @ 2018-10-18 19:23 绿茵好莱坞阅读(90) 评论(0) 推荐(0) 编辑

第5章常见的算法和分类 5-2 机器学习常见算法和分类(2)

摘要：C4.5和CART都属于决策树算法。决策树算法它既可以解决分类问题，也可以解决回归问题。C4.5和CART属于有监督的学习算法。 K-Means属于无监督的学习算法，因为它训练数据集里面是没有每一个样本的分类信息的。这个分类信息只能说我们聚好了类之后我们自己去往里面添。 SVM是一个分类算法，当然它阅读全文

posted @ 2018-10-18 08:47 绿茵好莱坞阅读(283) 评论(0) 推荐(0) 编辑

第5章常见的算法和分类 5-1 机器学习常见算法和分类(1)

摘要：我们做机器学习，做一个算法，其实就是要对一些样本数据来做一些训练。不管说你这个模型是一个分类模型也好，还是说预测一个那种微微模型也好，那么总而言之我们是想要得到一个模型，然后用这个模型来判断y和x之间的关系。所谓有监督的学习呢，就是说在我们的训练数据中已经明确地给出了这个y是一个什么值。比如说如果阅读全文

posted @ 2018-10-17 19:53 绿茵好莱坞阅读(180) 评论(0) 推荐(0) 编辑

第4章数据分析和机器学习的区别 4-2 数据分析和机器学习的区别(2)

摘要：阅读全文

posted @ 2018-10-17 19:42 绿茵好莱坞阅读(174) 评论(0) 推荐(0) 编辑

第4章数据分析和机器学习的区别 4-1 数据分析和机器学习的区别(1)

摘要：机器学习和数据分析处理的数据是不一样的。传统的数据分析处理的是交易数据，机器学习处理的是行为数据。交易数据的移植性要求是非常高的，行为数据的移植性不高。所谓移植性不高那就意味着你这部分数据多一批少一批其实都无所谓。 NoSQL数据库只能用来处理这种行为数据。它是在保证你的数据的吞吐量的前提下，它会阅读全文

posted @ 2018-10-17 05:53 绿茵好莱坞阅读(465) 评论(0) 推荐(0) 编辑

第3章机器学习的典型应用 3-5 典型应用自然语言处理和图像识别

摘要：阅读全文

posted @ 2018-10-17 05:39 绿茵好莱坞阅读(285) 评论(0) 推荐(0) 编辑

第3章机器学习的典型应用 3-4 典型应用-ctr预估和协同过滤

摘要：ctr预估，用户点击率的预估。这个算法的名字叫ctr预估，但是它背后算法是线性的逻辑回归。现在的推荐系统除了可能会用关联规则之外，现在还有一些所谓的更新的协同过滤的算法。阅读全文

posted @ 2018-10-17 05:29 绿茵好莱坞阅读(245) 评论(0) 推荐(0) 编辑

第3章机器学习的典型应用 3-3 典型应用-朴素贝叶斯和决策树

摘要：垃圾邮件识别，这也是一个典型的机器学习的应用。信用卡欺诈有两层含义，一个是所谓的信贷的风险识别。可以用机器学习的决策树算法去做这种识别。阅读全文

posted @ 2018-10-15 18:43 绿茵好莱坞阅读(214) 评论(0) 推荐(0) 编辑

第3章机器学习的典型应用 3-2 典型应用-聚类

摘要：聚类就是一个典型的机器学习的算法。阅读全文

posted @ 2018-10-15 18:37 绿茵好莱坞阅读(168) 评论(0) 推荐(0) 编辑

第3章机器学习的典型应用 3-1 典型应用-关联规则

摘要：购物篮分析所用到的算法就叫关联规则。购物篮分析这个算法从某种意义上来说它并不是一个典型的机器学习的算法，它是一个典型的数据挖掘的算法。阅读全文

posted @ 2018-10-15 18:28 绿茵好莱坞阅读(223) 评论(0) 推荐(0) 编辑

6-13 Hog特征1

摘要：Hog特征与Haar特征有点不同，Hog特征是直接经过模板计算得到的阅读全文

posted @ 2018-10-14 15:42 绿茵好莱坞阅读(186) 评论(0) 推荐(0) 编辑

6-12 SVM小结

摘要：介绍了SVM的概念以及如何利用SVM进行一个身高体重的训练和预测。如果类别比较简单的话，那么在二维空间上它有可能就是一条直线。如果类别比较复杂，那么投影到高维空间上它就是一个超平面。所以SVM的本质它就是寻求这样一个最优的超平面。超平面只要找到了，那么就可以利用这个超平面完成分类问题。 SVM支持很阅读全文

posted @ 2018-10-14 10:29 绿茵好莱坞阅读(199) 评论(0) 推荐(0) 编辑

6-11 SVM支持向量机2

摘要：SVM支持向量机的核：线性核。进行预测的时候我们需要把正负样本的数据装载在一起，同时我们label标签也要把正负样本的数据全部打上一个label。第四步，开始训练和预测。ml(machine learning(机器学习模块)). 阅读全文

posted @ 2018-10-14 09:23 绿茵好莱坞阅读(191) 评论(0) 推荐(0) 编辑

6-10 SVM支持向量机1

摘要：都是特征加上分类器。还将为大家介绍如何对这个数据进行训练。如何训练得到这样一组数据。其实SVM支持向量机，它的本质仍然是一个分类器。既然是一个分类器，它就具有分类的功能。我们可以使用一条直线来完成分类，这是一种比较简单的情况。这是在我们的二维平面上。二维平面上它是由直线和多个直线来组成。如果我们阅读全文

posted @ 2018-10-13 16:56 绿茵好莱坞阅读(201) 评论(0) 推荐(0) 编辑

6-9 Haar+adaboost人脸识别

摘要：我们重点分析了Haar特征的概念以及如何计算Haar特征，并介绍了Haar+Adaboost分类器它们的组合以及Adaboost分类器如何使用和训练。这节课我们将通过代码来实现一下Haar+Adaboost分类器实现的人脸识别。计算jpg图片的haar特征，不过这一步opencv已经帮我们做了，所阅读全文

posted @ 2018-10-12 17:22 绿茵好莱坞阅读(1344) 评论(0) 推荐(0) 编辑

6-8 adaboost分类器2

摘要：重点分析了Adaboost它的分类结构，以及如何使用Adaboost。这一节课讲解Adaboost分类器它训练的步骤以及训练好之后的XML文件的文件结构。所以这节课的核心是Adaboost分类器它的训练。如何来训练一个Adaboost分类器呢？第一步，完成初始化数据的权值分布。正常情况下初始化的权阅读全文

posted @ 2018-10-12 14:34 绿茵好莱坞阅读(427) 评论(0) 推荐(0) 编辑

6-7 adaboost分类器1

摘要：如何利用特征来区分目标，进行阈值判决。adaboost分类器它的优点在于前一个基本分类器分出的样本，在下一个分类器中会得到加强。加强后全体的样本那么再次进行整个训练。加强后的全体样本再次被用来训练下一个基本的分类器。我们正确的样本它的系数逐渐地减小，而我们的负样本得到了加强。这就是adaboost 阅读全文

posted @ 2018-10-11 20:42 绿茵好莱坞阅读(296) 评论(0) 推荐(0) 编辑

6-6 Haar特征3

摘要：B区域是包含AB这样两部分的。C区域是包含A和C这样两部分的。B区域和C区域它描述的是一个横条和一个竖条。D区域是四个方块之和。阅读全文

posted @ 2018-10-11 20:28 绿茵好莱坞阅读(391) 评论(0) 推荐(0) 编辑

6-5 Haar特征2

摘要：在遍历的过程中还需要考虑到一个步长的问题。这个模板一次滑动10个像素，那么总共就需要滑动9次。再加上最开始的第0次，合计在水平方向上和竖直方向上分别都有10个这样的模板，总共也就是100个模板。要计算完这100个模板才能把整幅图片上的Haar特征计算完毕。而如果我们的步长设置为5*5，那么这个运算量阅读全文

posted @ 2018-10-11 19:33 绿茵好莱坞阅读(200) 评论(0) 推荐(0) 编辑

6-4 Haar特征1

摘要：实际上特征就是图像中某个区域的像素点，经过某种四则运算之后得到的结果。所以说图像的特征它是像素经过运算之后得到的某一个结果。这个结果可以是一个具体的值，也可以是一个向量，又或是一个多维的元素。所以说特征它的本质实际上是像素的运算结果。之前章节给大家讲解的矩阵运算。如何利用特征来区分目标呢？阈值判决阅读全文

posted @ 2018-10-11 16:55 绿茵好莱坞阅读(318) 评论(0) 推荐(0) 编辑

6-3 图片合成视频

摘要：第二个参数-1描绘的是选择一个支持的编码器。这个方法完成的是写入对象的创建。第四个参数我们需要设置整个视频的大小，也就是size。这就是之前我们为什么要读取一张图片并且把size记录下来的原因。什么是解码器或者是编码器呢？如果大家想把一个视频分解成图片，那么视频在存储的时候并不是把图片一帧帧进行存储阅读全文

posted @ 2018-10-11 01:10 绿茵好莱坞阅读(252) 评论(0) 推荐(0) 编辑

6-2 视频分解图片

摘要：机器学习，如何组织数据？机器学习需要大量的训练样本、训练数据进行支持。那么这些数据来源于哪里呢？我们可以通过网络获取，也可以通过自己生成。第三步我们开始解码，通过parse方法完成整个数据的解析，拿到单帧视频。如果大家想保存那么可以使用imwrite。我们要捕获到一个视频，可以通过摄像头的方式，阅读全文

posted @ 2018-10-10 19:09 绿茵好莱坞阅读(302) 评论(0) 推荐(0) 编辑

第6章计算机视觉加强之机器学习 6-1 机器学习章节介绍

摘要：机器学习，就是通过让机器学习的方式，来达到实现某种功能的过程。它都有哪些使用场景呢？比如人脸检测，行人识别，车辆检测，安防监控等。机器学习=训练样本+特征+分类器。深度学习由海量的训练样本加上人工神经网络组成。共同点在于二者对于机器学习来说它需要一个明确的特征来进行提取，而对于深度学习来说它的样本阅读全文

posted @ 2018-10-09 17:37 绿茵好莱坞阅读(207) 评论(0) 推荐(0) 编辑

5-12 中值滤波

摘要：中值滤波，顾名思义就是取中间值来代替原来像素值的过程。定义一个3*3的模板，在这个模板中总共有9个像素，我们把这9个像素进行排序。排序完之后，我们选取中间的一个值替换掉原来的像素值。还是通过源代码的形式来给大家实现这样一个过程。 collect是一个数组。这个数组中装载的就是这9个元素。我们要对9个阅读全文

posted @ 2018-10-08 15:14 绿茵好莱坞阅读(580) 评论(0) 推荐(0) 编辑

5-11 高斯均值滤波

摘要：其中高斯滤波我们将直接使用opencv API的方式来调用，均值滤波我们将使用源码的形式来给大家解释。其实滤波和我们之前讲的边缘检测有点类似。就是用一个滤波核与我们的图像进行卷积运算。既然是要滤波，就说明原来图片肯定是有问题的。原图片中有很多小点，这些点都是一些噪源造成。高斯滤波是一个类似于模糊阅读全文

posted @ 2018-10-07 09:56 绿茵好莱坞阅读(241) 评论(0) 推荐(0) 编辑

5-10 磨皮美白

摘要：既然是双边滤波器，就说明有两个滤波的内核，一个滤出我们的噪声，另外一个保存我们的细节。这些参数要结合着我们当前双边滤波器它的算法原理以及它的滤波核来进行讲解。阅读全文

posted @ 2018-10-06 16:37 绿茵好莱坞阅读(173) 评论(0) 推荐(0) 编辑

5-9 亮度增强

摘要：实现一个最简单的美白效果：亮度增强。最简单的亮度增强，最简单的美白算法。阅读全文

posted @ 2018-10-06 15:09 绿茵好莱坞阅读(280) 评论(0) 推荐(0) 编辑

摘要：# 本质: 统计每个像素灰度出现的概率 0-255 p # 累计概率 # 1 0.2 0.2 第一个灰度等级它出现的概率是0.2 # 2 0.3 0.5 第二个灰度等级它出现的概率是0.3 # 3 0.1 0.6 第三个灰度等级它出现的概率是0.1 # 256 # 100 0.5 255*0.5 = new import cv2 import numpy as np import ma... 阅读全文

posted @ 2018-10-05 17:29 绿茵好莱坞阅读(255) 评论(0) 推荐(0) 编辑

5-7 灰度直方图均衡化

摘要：总共256个灰度等级，每一个灰度等级它都会有一个概率，同时也都会有一个累计概率。比如说100这个灰度等级，它的累计概率是0.5，这个新的值我们就可以制作一个100到这个新值之间的映射。以后所有的灰度等级为100的像素我们直接就用255*0.5这个new，这个新的像素来替代。替代完之后那么整体这个过阅读全文

posted @ 2018-10-05 12:23 绿茵好莱坞阅读(403) 评论(0) 推荐(0) 编辑

5-6 彩色直方图源码

摘要：总共是有256个灰度等级。count_b、count_g、count_r中的每一个灰度等级出现的次数进行归一化处理。阅读全文

posted @ 2018-10-05 07:54 绿茵好莱坞阅读(165) 评论(0) 推荐(0) 编辑

5-5 灰度直方图源码

摘要：直方图是为了统计图像中每个像素灰度出现的概率，这是它的中心思想，也是它的基本原则。所以它的横坐标是0-255，总共256种灰度等级。而纵坐标是出现的概率p。这是它的基本思想。这个count中记录的就是我们当前灰度图像每一个像素值在每一个灰度等级下出现的概率。它总共有256个灰度等级。因为它计算出阅读全文

posted @ 2018-10-04 20:23 绿茵好莱坞阅读(372) 评论(0) 推荐(0) 编辑

5-4 图片修补

摘要：import cv2 import numpy as np img = cv2.imread('image0.jpg',1) for i in range(200,300): # 直接修改像素值从200画到300这样一个位置上 img[i,200] = (255,255,255)#当前这样一根线占三个像素 img[i,200+1] = (255,255,255) im... 阅读全文

posted @ 2018-10-03 18:33 绿茵好莱坞阅读(226) 评论(0) 推荐(0) 编辑

10 2018 档案

导航

统计

公告

搜索

常用链接

随笔档案