- 博客(53)
- 资源 (23)
- 收藏
- 关注
RSS订阅原创 软件架构师 第一部分 基础篇 第七章 基于组件的思想
在第3章中，我们将模块作为相关代码的集合进行了讨论。但是，架构师通常从组件的角度考虑模块的物理表现形式。开发人员实际上以不同的方式打包模块，有时取决于他们的开发平台。我们称模块组件为物理包装。大多数语言也支持物理打包：JAVA中的jar文件 ，.NET中的dll文件， Ruby中的gem文件等。在本章中，我们讨论围绕组件的架构注意事项，ranging from scope to discovery.组件范围开发人员发现基于大量因素细分组件的概念很有用，其中一些因素出现在图8-1中。组件提供了
2022-04-23 15:46:43
457
原创 软件架构师 第一部分 基础篇 第六章 架构特性的范围
在软件架构领域中，一个普遍的假设就是在传统上将架构特性的范围置于系统级别。例如，当架构师谈论可伸缩性时，他们通常会围绕整个系统的可伸缩性进行讨论。这是十年前的假设，当时几乎所有系统都是单机的。随着现代工程技术及其它支持的架构样式（例如微服务）的出现，架构特性的范围已大大缩小。随着软件开发生态系统持续不断发展而逐渐过时的一个典型例子。在《演进式架构》一书的撰写过程中，作者需要一种技术来衡量特定架构风格的架构演变。现有措施均未提供正确的详细程度。在“架构度量”中，我们讨论了各种代码级度量，这些度量允许架构.
2022-04-23 15:28:40
2218
原创 软件架构师 第一部分 基础篇 第五章 架构特性的度量和控制
架构师必须处理软件项目所有不同方面的各种架构特性。诸如性能，弹性和可伸缩性之类的运营方面与诸如模块化和可部署性之类的结构性问题融合在一起。本章着重于具体定义一些较常见的架构特性并为其建立治理机制。测量架构特性组织中有关架构特性的定义存在几个常见问题：他们不是物理的常用的很多架构特性含义不明确。例如，架构师如何设计敏捷性或可部署性？业界对通用术语的看法大相径庭，有时是由合理的不同上下文所驱动，有时是偶然的。定义千差万别即使在同一组织内，不同部门也可能在关键功能（例如绩效）的定义上存在.
2022-04-23 14:20:49
1238
1
原创 软件架构师 第一部分 基础篇 第四章 识别架构特性
识别架构特性是创建架构或确定现有架构有效性的第一步。为给定的问题或应用程序识别正确的架构特性（“ -ilities”），不仅要求架构师理解领域问题，而且还与问题域相关利益者合作，从领域角度确定什么是真正重要的。架构师通过从领域关注点，需求和隐式领域知识中提取出来，至少可以用三种方式揭示了架构特性。我们在这里讨论了前面讨论过的两个隐含特性。从领域关注点中提取架构特性架构师必须能够翻译领域问题，以识别正确的架构特性。例如，可伸缩性是最重要的，还是容错性，安全性，还是性能？也许系统需要将所有四个特性.
2022-04-23 13:05:00
3017
原创 软件架构师 第一部分 基础篇 第三章 架构特性的定义
一家公司决定使用软件解决特定问题，因此它们收集了该系统的需求列表。有很多种用于需求收集的技术，这些技术通常由团队在软件开发过程中定义。但是，架构师在设计软件解决方案时还必须考虑许多其他因素，如图4-1所示。图4-1。软件解决方案由领域需求和架构特性组成架构师在定义领域或业务需求方面进行协作，但是一个关键的职责是定义、发现和分析软件必须做的与领域功能没有直接关系的所有事情：架构特性。软件编码和设计时候架构有什么不同呢？很多时候，架构师在定义架构特性方面的作用，系统的重要方面实际与问题域..
2022-04-23 12:57:09
2882
原创 软件架构师 第一部分 基础篇 第二章 模块化
什么是模块化？定义：可用于构建更复杂结构的一组标准化零件或独立单元中的一个我们使用模块化来描述代码的逻辑分组，该分组可以是面向对象语言中的一组类，也可以是结构化语言和函数式语言。大多数语言都提供了模块化的机制（Java中的包，.NET中的命名空间，等等）。开发人员通常使用模块作为相关代码分组在一起的一种方式。度量模块化的标准内聚性内聚性是指模块中各部分的关联程度。一个内聚的模块会将所有部分包装在一起，因为若将他们分成更小的部分，就需要通过通过模块之间的调用才能将其耦合在一起。——
2022-04-23 12:47:08
1078
原创 软件架构师 第一部分 基础篇 第一章 架构思维
架构思维重要的四个方面：（1）需要明白架构和设计之间的区别（2）需要同时具备技术的广度与深度（3）需要理解分析和协调各种解决方案和技术之间的权衡（4）需要了解业务驱动的重要性以及如何转化为架构的问题什么是架构思维？它是指用架构的眼光或视角来看待事物。软件架构软件架构（software architecture）是一系列相关的抽象模式，用于指导大型软件系统各个方面的设计。软件架构是一个系统的草图。软件架构描述的对象是直接构成系统的抽象组件。各个组件之间的连接则明确和相对细致地.
2022-04-22 15:18:19
122
转载 QT开发（二）——QT进程间通信
QT开发（三十五）——QT进程间通信_天山老妖S_51CTO博客QT开发（三十五）——QT进程间通信Qt 是一个跨平台的应用框架，其进程间通信机制当然可以使用所在平台的进程间通信机制，如在Windows平台上的Message机制、共享内存、文件映射、管道、Socket等。其中，Qt对一些许多平台共有的IPC机制进行了封装。一、TCP/IP其实就是通过网络模块实现的IPC。不过Qt对其进行了封装，并提供了两个层次的API，包括应用程序级的QNetworkAccessManager,...
2021-10-28 15:19:53
1896
转载 【QT】QSS美化——基础知识 一
目录一、辅助工具二、QSS加载方式三、QSS选择器类型3.1 通配选择器3.2 类型选择器3.3 属性选择器3.4 类选择器3.5 ID选择器3.6 后代选择器3.7 子选择器3.8 伪类选择器四、QSS常用属性4.1 字体4.2 颜色4.3 内边距4.4 外边距4.5 背景4.6 边框4.7 宽高五：QSS伪状态与子控件一、辅助工具QSS官方：http://doc.qt.io/qt-5/stylesheet-refere
2021-10-27 21:23:52
358
转载 C++命名规范 2021-10-21
对于不同的编程语言来说，具体的编码规范可以有很大的不同，但是其宗旨都是一致的，就是保证代码在高质量完成需求的同时具备良好的可读性、可维护性。例如我们可以规定某个项目的C语言程序要遵循这样的规定：变量的命名，头文件的书写和#include等等。下面是一些广为采用的编码规范：GNU Coding Standards Guidelines for the Use of the C Language in Vehicle Based Software C++ Coding Guidelines SU.
2021-10-21 16:49:41
202
转载 Qt控件美化 用好CSS/QSS可视化工具
一、CSS概念级联样式表 (CSS) 包含应用于网页中的元素的样式规则。CSS 样式定义元素的显示方式以及元素在页中的放置位置。可以创建一个通用规则，只要 Web 浏览器遇到一个元素实例，或遇到一个分配给某个特定样式类的元素，该规则就立刻应用属性，而不是将属性逐个分配给页中的每个元素。CSS 样式可以通过内联方式放置在单个 HTML 元素内，也可以在网页 head 部分的 style 块内加以分组，或从单独的样式表中导入。如果样式是在单独的样式表中创建的，则可以将多个网页链接到该样式表，从而为整个网站提供
2021-10-21 15:32:11
712
原创 VS2010/VS2013/VS2015/vs2017隐藏控制台程序的黑框
步骤1：右键项目 ——> 属性子系统 选择 窗口（/SUBSYSTEM:WINDOWS）原来可能是 控制台（/SUBSYSTEM:CONSOLE）步骤2：入口点 填写wmainCRTStartup 之后保存运行 如果出现错误 。则将wmainCRTStartup 改为mainCRTStartup...
2020-07-18 17:29:37
2531
2
原创 支持向量机SVM
SVM简介：算法推导：如果要使 d 取得最大值，则y(w·x+b)=1。即在y(w·x+b)-1=0的条件下，使得d 取得最大值，可以使用拉格朗日乘子法。拉格朗日乘子法对应于高等数学的多元函数求极值的问题。松弛量与惩罚函数：SVM例子：x代表点SVM解决非线性的情况：...
2019-07-21 15:05:47
143
原创 主成分分析（PCA）10.0：PCA算法讲解（降维算法）
PCA算法讲解用途：例如将图中的二维坐标转换为一维坐标z。代码：import numpy as npimport matplotlib.pyplot as plt#载入数据data = np.genfromtxt("data.csv",delimiter=",")x_data = data[:,0]...
2019-07-18 23:09:48
420
原创 KNN算法4.0：KNN（最近邻规则分类）算法介绍
KNN（最近邻规则分类）算法介绍图中黑色与蓝色的点为已知的分类类别，红色的点为待分类的点。当K=1时 计算红色的点与其他所有的点距离，并找到1个与红色点最近的已知点，并将红色的点归为那一类。当K=5时计算红色的点与其他所有的点距离，并找到5个与红色点最近的已知点，并根据少数服从多数的原则将红色的点进行归类。（K的取值一般为奇数）...
2019-07-13 19:02:40
236
原创 神经网络3.2：BP神经网络
BP（Back Propagation）神经网络BP神经网络（误差方向传播神经网络） ：网络结构如图与单层感知器相比，在输入层与输出层之间多了隐藏层，上图的网络结构为3层，输入层不算网络的层数。Delta学习规则：Delta学习规则是一种利用梯度下降法的一般性的学习规则。其中W,X为矩阵 函数f()为激活函数，y=f(WX)。BP算法：示例：激活...
2019-07-13 18:21:24
260
原创 TensorFlow Optimizer(优化器)
Optimizer(优化器) tf.train.GradientDescentOptimizer 梯度下降法 tf.train.AdadeltaOptimizer 自适应学习率调整 tf.train.AdagradOptimizer tf.train.AdagradDAOptimizer tf.train.MomentumOptimizer 动量优化器 tf.train.Ada...
2019-04-05 19:17:55
159
原创 TensorFlow 交叉熵代价函数
交叉熵代价函数 激活函数sigmoid函数： 激活函数求导： 交叉熵代价函数： 其中C 表示代价函数，x表示样本，y表示实际值，a 表示输出值，n 表示样本的总数。 上述的两个公式中可以发现权值和偏置值的调制与无关，另外，梯度公式中的表示输出值与实际值的误差。所以当误差越...
2019-04-05 15:01:24
299
原创 神经网络：3.0单层感知器
单层感知器 单层感知器举例 感知器学习规则 学习率 取值一般取 学习率太大容易造成权值调整不稳定 学习太小，权值调整太慢，迭代次数太多 模型收敛条件 误差小于某个预先设定的较小的值 两次迭代之间的权值变化已经很小 设定最大迭代次数，当迭代超过最大次数就停止 单层感知器程序 ...
2019-03-24 20:30:03
173
原创 逻辑回归：2.1评估逻辑回归的指标
评估逻辑回归的指标 正确率与召回率 正确率与召回率（Precision & Recall）是广泛应用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。 一般来说，正确率就是检索出来的条目有多少是正确的，召回率就是所有正确的条目有多少被检索出来了。 F1值=2 ∗正确率∗召回率/（正确率+召回率）。是综合上面二个指标的评估指标，用于综合反映整体的指标。这几个指标的取...
2019-03-24 15:22:42
2121
原创 逻辑回归：2.0 逻辑回归
逻辑回归 用途： 垃圾邮件的分类 预测肿瘤的良性还是恶性 预测某人的信用是否良好 我们定义逻辑回归的预测函数为：,其中函数是 sigmoid 函数。 为两个矩阵相乘，得到是决策边界。 0.5可以作为分类的边界 当的时候 当的时候 逻辑函数的代价函数：为真实值（标签），为预测值 ...
2019-03-24 14:13:29
219
原创 线性回归与非线性回归：1.9 lasso回归及实战
Lasso回归 通过构造一个一阶惩罚函数获得一个精炼的模型；通过最终确定一些指标（变量）的系数为零（岭回归估计系数等于零0的机会微乎其微，造成筛选变量困难），解释力很强。 擅长处理具有多重共线性的数据，与岭回归一样是有偏估计。 如下图 蓝色部分为限制区域，即取值应该在蓝色区域内或边缘，红色的线为loss的等高线，离黑色的中心点越近loss越小。 由上图可以看出...
2019-03-22 21:23:43
1502
原创 线性回归与非线性回归：1.8岭回归 及实战
岭回归 如果数据的特征比样本点还多，数据特征，样本个数，即，则计算时会出错。因为不是满秩矩阵，行列式为0，所以不可逆。 为了解决这个问题，统计学家引入了岭回归的概念。 岭回归最早是用来处理多于样本的情况，现在也用于在估计中加入偏差，从而得到最好的估计。同样也可以解决多重共线性问题。岭回归是一种有偏估计。 岭回归的代价函数： 线性回归标准方程法： 岭回归的求...
2019-03-22 20:21:05
1585
1
原创 线性回归与非线性回归：1.7 过拟合 正则化
过拟合 在训练集中训练很好，但使用测试集的时候，结果不是很好。 回归中的拟合 分类中的拟合 防止过拟合 1.减少特征 2.增加数据量 3.正则化（regularized） 正则化代价函数： L2正则化： L1正则化：...
2019-03-22 17:17:54
534
原创 线性回归与非线性回归：1.6特征缩放与交叉验证法
特征缩放法 1. 数据归一化：把数据的取值范围处理为 0 —1 或者-1 — 1之间。 任意数据转化为 0 — 1 之间： 数据归一化后： 任意数据转化为 -1 — 1 之间： 2. 均值标准化 x为特征数据，u为数据的平均值，s为数据的方差 标准均值化后： 取值范围一般在 +0.5 —-0.5之间。 交叉验证法（测试的方法） 适用于数据较少...
2019-03-22 16:43:38
360
原创 线性回归与非线性回归：1.5标准方程法实战
import numpy as npfrom numpy import genfromtxtimport matplotlib.pyplot as plt # 载入数据data = np.genfromtxt("data.csv", delimiter=",")x_data = data[:,0,np.newaxis]y_data = data[:,1,np.newaxis]...
2019-03-22 15:09:28
420
原创 线性回归与非线性回归：1.4标准方程法
标准方程法 代价函数： 找到最小值即导数为0的点。 矩阵运算：https://en.wikipedia.org/wiki/Matrix_calculus#Scalar-by-vector_identities 分子布局：分母为行向量或者分子为列向量 分母布局：分子为行向量或者分母为列向量 为标量 所以与其转置的结果相同 矩阵不可逆的情况线性...
2019-03-22 13:56:34
887
原创 线性回归与非线性回归：1.3多项式回归及实战
假如我们不是要找直线或者超平面，而是一个需要找到一个用多项式所表示的曲线或者超平面，例如二次曲线：来拟合样本点的分布。多项式回归可以写成下面的这种形式：基于sklearn的多项式回归：import numpy as npimport matplotlib.pyplot as pltfrom sklearn.preprocessing import PolynomialFeatur...
2019-03-21 17:50:01
724
原创 线性回归与非线性回归：1.2一多元线性回归及实战
多元线性回归：含有多个特征及多个自变量（输入） 公式： 参数： 损失函数： 梯度下降： Repeat{ (j=0,1,2,3,4,...,n) }下面是未使用sklearn的代码import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3...
2019-03-21 15:46:26
1012
原创 线性回归与非线性回归：1.1一元线性回归梯度下降法（实战）
梯度下降法一元线性回归import numpy as npimport matplotlib.pyplot as plt#载入数据data = np.genfromtxt("data.csv",delimiter=",")#加载文件，分隔符为逗号x_data = data[:,0]#存储第0列的所有数据y_data = data[:,1]#存储第1列的所有数据#学习率...
2019-03-20 16:45:27
508
原创 matplotlib绘图7 直方图
import matplotlib.pyplot as pltimport numpy as npx = np.arange(10)#生成0到9的十个数y = x**2 + 10plt.bar(x,y)#绘制成直方图plt.show()x = np.arange(10)y = x**2 + 10plt.bar(x,-y)#颠倒的直方图plt.show()x ...
2019-03-20 16:24:15
165
原创 线性回归与非线性回归：1.0一元线性回归与代价函数（损失函数）
回归分析：用来建立方程模拟两个或者多个变量之间如何关联 因变量：被预测的变量（结果/标签），输出 自变量：被用来进行预测的变量（特征），输入 一元线性回归：包含一个自变量与一个因变量，并且变量的关系用一条直线来模拟 一元线性回归 公式： 这个方程对应的图像是一条直线，称作回归线。其中，为回归线的斜率，为回归的截距。 相关性： 正相关： 不相关：...
2019-03-20 14:39:32
1874
原创 matplotlib绘图10 子图subplot
import matplotlib.pyplot as pltimport numpy as np#创建一张图plt.figure()#将图分成两行两列4个空间，并将图放在第1个位置plt.subplot(2,2,1)plt.plot([0,1],[0,1])#将图分成两行两列4个空间，并将图放在第2个位置plt.subplot(2,2,2)plt.plot([0,1],[0...
2019-03-20 10:26:16
2192
原创 matplotlib绘图9 3D绘图
import matplotlib.pyplot as pltimport numpy as npfrom mpl_toolkits.mplot3d import Axes3D #3D图模块包#生成3D图坐标fig = plt.figure()ax = Axes3D(fig)x = np.arange(-4,4,0.25)y = np.arange(-4,4,0.25)X,Y...
2019-03-20 10:26:11
208
原创 matplotlib绘图8 等高线图
import matplotlib.pyplot as pltimport numpy as np#计算高度def f(x,y): return (1-x/2+x**5+y**3)*np.exp(-x**2-y**2)x = np.linspace(-3,3,100)y = np.linspace(-3,3,100)#将x,y传入网格中X,Y = np.meshgri...
2019-03-20 10:26:05
273
原创 matplotlib绘图6 散点图
import matplotlib.pyplot as pltimport numpy as np#生成5个点的散点图plt.scatter(np.arange(5),np.arange(5))plt.show()x = np.random.normal(0,1,500)y = np.random.normal(0,1,500)#设置散点图 大小 颜色 透明度plt....
2019-03-20 10:25:51
192
原创 matplotlib绘图5 标注
import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-1,1,100)y1 = 2*x + 1plt.plot(x,y1,color='red',linewidth=1.0,linestyle='-')#获取当前的坐标轴ax = plt.gca()#将右边和上边的边框去掉或改变颜色ax.spines...
2019-03-20 10:25:35
230
原创 matplotlib绘图4 图例
import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-3,3,100)y1 = 2*x + 1y2 = x**2#xy 的范围plt.xlim((-1,2))plt.ylim((-2,3))#xy 描述plt.xlabel('X')plt.ylabel('Y')#将x轴与y轴的数据保存在l1与l...
2019-03-20 10:25:24
244
altiumdesign9.4
2017-11-05
OpenNI_NITE_Installer-win32-0.27
2017-11-05
openni1.5下载
2017-07-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人