- 一文讲清楚自我学习和深度学习
平凡而伟大(心之所向)
人工智能人工智能深度学习机器学习
自我学习(Self-Learning)和深度学习(DeepLearning)是两个不同的概念,但它们在某些应用场景中可以有交集。下面我们将分别介绍这两个概念,并探讨如何将它们结合起来用于自我学习系统。自我学习(Self-Learning)自我学习是指个体或系统通过自主探索、实践和反思来获取知识和技能的过程。它强调的是无需外部直接指导的学习方式,通常包括以下几个方面:自主性:学习者根据自己的兴趣、需
- 深度学习数据集封装-----目标检测篇
科研小天才
深度学习目标检测人工智能
前言在上篇文章中,我们深入探讨了图像分类数据集的制作流程。图像分类作为计算机视觉领域的一个基础任务,通常被认为是最为简单直接的子任务之一。然而,当我们转向目标检测任务时,复杂度便显著提升,尤其是在标注框的处理环节。不同的模型架构往往对标注框的处理方式有着各自独特的要求。以YOLO系列为例,它自有一套成熟且高效的方法来应对这一挑战。鉴于篇幅有限,本文暂不深入展开YOLO的相关内容,感兴趣的读者可以查
- 深入理解 Transformer:用途、原理和示例
范吉民(DY Young)
简单AI学习transformer深度学习人工智能
深入理解Transformer:用途、原理和示例一、Transformer是什么Transformer是一种基于注意力机制(AttentionMechanism)的深度学习架构,在2017年的论文“AttentionIsAllYouNeed”中惊艳登场。它打破了传统循环神经网络(RNN)按顺序处理序列、难以并行计算以及卷积神经网络(CNN)在捕捉长距离依赖关系上的局限,另辟蹊径地采用多头注意力机制
- 深度学习算法模型:从原理到未来
YDH_AlwaysRunning
深度学习
近年来,人工智能(AI)技术以前所未有的速度改变着人类生活,而深度学习的崛起无疑是这场技术革命的核心驱动力。从手机中的语音助手到医学影像的智能诊断,从自动驾驶汽车到生成式AI创作的诗歌和画作,深度学习算法模型正逐渐渗透到社会的每个角落。本文将从基本原理出发,解析典型模型的运作机制,探讨其应用现状与发展趋势,带您全面认识这一改变世界的技术。一、深度学习的基本原理:让机器学会"思考"1.1神经网络的生
- 大模型推理速度测评的实战代码
herosunly
大模型推理速度人工智能实战代码
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 今天给大家带来的文章是大模型推理速度测评的实战代码,希望能对学习大模型的同学们有所帮助
- 微调(Fine-tuning)
路野yue
人工智能深度学习
微调(Fine-tuning)是自然语言处理(NLP)和深度学习中的一种常见技术,用于将预训练模型(Pre-trainedModel)适配到特定任务上。它的核心思想是:在预训练模型的基础上,通过少量任务相关的数据进一步训练模型,使其更好地适应目标任务。1.微调的核心思想预训练模型:像BERT、GPT这样的模型,已经在大量通用文本数据上进行了预训练,学习到了丰富的语言知识(如语法、语义、上下文关系等
- 软件设计和软件架构之间的区别
前网易架构师-高司机
软件架构软件设计系统架构
作者简介:高科,先后在IBMPlatformComputing从事网格计算,淘米网,网易从事游戏服务器开发,拥有丰富的C++,go等语言开发经验,mysql,mongo,redis等数据库,设计模式和网络库开发经验,对战棋类,回合制,moba类页游,手游有丰富的架构设计和开发经验。并且深耕深度学习和数据集训练,提供商业化的视觉人工智能检测和预警系统(煤矿,工厂,制造业,消防等领域的工业化产品),合
- 基于PyTorch的深度学习2——Numpy与Tensor
Wis4e
深度学习pytorchnumpy
Tensor自称为神经网络界的Numpy,它与Numpy相似,二者可以共享内存,且之间的转换非常方便和高效。不过它们也有不同之处,最大的区别就是Numpy会把ndarray放在CPU中进行加速运算,而由Torch产生的Tensor会放在GPU中进行加速运算。1.创建创建Tensor的方法有很多,可以从列表或ndarray等类型进行构建,也可根据指定的形状构建。importtorch#根据list数
- 【北上广深杭大厂AI算法面试题】深度学习篇...Squeeze Excitation(SE)网络结构详解,附代码。(二)
努力毕业的小土博^_^
AI算法题库人工智能算法深度学习神经网络cnn
【北上广深杭大厂AI算法面试题】深度学习篇…SqueezeExcitation(SE)网络结构详解,附代码。(二)【北上广深杭大厂AI算法面试题】深度学习篇…SqueezeExcitation(SE)网络结构详解,附代码。(二)文章目录【北上广深杭大厂AI算法面试题】深度学习篇...SqueezeExcitation(SE)网络结构详解,附代码。(二)SqueezeExcitation(SE)网络
- GPU与CPU:架构对比与技术应用解析
Hello.Reader
运维其他架构
1.引言1.1为什么探讨GPU与CPU的对比?随着计算技术的不断发展,GPU(图形处理单元)和CPU(中央处理单元)已经成为现代计算机系统中最重要的两个组成部分。然而,随着应用场景的多样化和对性能需求的提高,这两种处理器的角色正在逐渐发生变化。GPU以其强大的并行计算能力,在深度学习、图像处理和科学计算等领域迅速崛起,而CPU则在通用计算任务中保持其核心地位。了解GPU与CPU的设计差异和适用场景
- AI人工智能代理工作流AI Agent WorkFlow:搭建可拓展的AI代理工作流架构
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
AI人工智能代理工作流AIAgentWorkFlow:搭建可拓展的AI代理工作流架构1.背景介绍1.1问题的由来随着人工智能技术的飞速发展,特别是机器学习和深度学习技术的广泛应用,构建高度智能且自动化的代理系统成为了一个迫切的需求。这些代理系统能够自主地进行决策、执行任务并适应不断变化的环境。然而,现有的代理系统往往在面对复杂任务时缺乏灵活性和可扩展性,这限制了它们在实际应用中的广泛部署和大规模应
- Java 中 VO、POJO、DTO 的区别详解
♢.*
java开发语言
亲爱的小伙伴们,在求知的漫漫旅途中,若你对深度学习的奥秘、Java与Python的奇妙世界,亦或是读研论文的撰写攻略有所探寻,那不妨给我一个小小的关注吧。我会精心筹备,在未来的日子里不定期地为大家呈上这些领域的知识宝藏与实用经验分享。每一个点赞,都如同春日里的一缕阳光,给予我满满的动力与温暖,让我们在学习成长的道路上相伴而行,共同进步✨。期待你的关注与点赞哟!在Java开发的广阔领域中,准确理解和
- 树莓集团现状最新进展:宜宾园区业务再添新篇
树莓集团
百度人工智能科技大数据媒体
树莓集团在不断发展的进程中,宜宾园区传来了最新进展,业务再添新篇。近期,树莓集团宜宾园区在人工智能领域取得了重大突破。园区内的研发团队成功研发出一款适用于工业检测的人工智能视觉系统。该系统利用深度学习算法,能够快速、准确地检测出工业产品表面的细微缺陷,检测精度比传统检测方法提高了30%。这一成果不仅提升了宜宾园区在智能制造领域的竞争力,还为当地的制造业企业提供了更先进的质量检测手段。目前,已有多家
- python数据分析入门与实战王静_Keras快速上手:基于Python的深度学习实战
weixin_39724362
1准备深度学习的环境11.1硬件环境的搭建和配置选择.........................11.1.1通用图形处理单元..........................31.1.2你需要什么样的GPU加速卡....................61.1.3你的GPU需要多少内存.......................61.1.4是否应该用多个GPU..............
- PyTorch RuntimeError: 张量 a 的大小必须与张量 b 的大小在非单例维度上匹配
PzBlockchain
pytorch人工智能python机器学习-深度学习
在使用PyTorch进行深度学习模型开发时,经常会遇到各种错误和异常。其中一个常见的错误是RuntimeError。这篇文章将详细介绍其中一个特定的RuntimeError,即“Thesizeoftensoramustmatchthesizeoftensorbatnon-singletondimension”错误。我们将讨论这个错误的原因,并提供一些解决方案。错误信息解读:错误信息“Thesize
- 数据挖掘与数据分析
dundunmm
数据挖掘数据挖掘数据分析人工智能
数据挖掘和数据分析是两个密切相关但有所区别的领域,它们都涉及从数据中提取有价值的信息,但在目标、方法和技术上有所不同。数据挖掘vs.数据分析特征数据挖掘数据分析目标从大数据中自动发现知识和模式通过系统分析数据,得出有意义的结论重点数据模式的自动发现、预测模型的构建数据理解、数据清洗、数据总结、假设验证方法机器学习、聚类、回归、关联规则、深度学习等统计学方法、数据可视化、数据清理、假设检验等应用实时
- 大模型算法工程师的技术图谱和学习路径
执于代码
开发者职业加速服务算法学习
介绍:大模型算法工程师是指在开发和部署复杂的机器学习模型、深度学习模型或其他大规模模型的专业人员。他们的主要职责和技能要求包括:职责:设计、开发和优化大规模机器学习或深度学习模型,解决复杂的业务问题。负责整个模型开发生命周期,包括数据清洗、特征工程、模型选择、训练和部署。与数据科学家、工程团队和产品团队合作,理解业务需求并将算法转化为实际产品。对模型性能进行评估和优化,确保模型的准确性、效率和可扩
- 图像算法工程师的技术图谱和学习路径
执于代码
开发者职业加速服务算法学习
01.图像算法图像算法工程师的技术图谱和学习路径涵盖了多个技术领域,从基础知识到高级算法,涉及计算机视觉、深度学习、图像处理、数学和编程等多个方面。以下是图像算法工程师的技术图谱和学习路径的详细总结。1.基础数学与编程数学基础:线性代数:矩阵运算、特征值、特征向量、奇异值分解(SVD)等概率论与统计:概率分布、贝叶斯定理、最大似然估计(MLE)、假设检验等微积分:导数、梯度、最优化方法(梯度下降、
- 【深度学习】Hopfield网络:模拟联想记忆
T-I-M
深度学习人工智能
Transformer优化,什么是稀疏注意力?Transformer模型自2017年被提出以来,已经成为自然语言处理(NLP)领域的核心架构,并在计算机视觉、语音处理等其他领域也取得了显著的成功。然而,随着模型规模的不断增大和任务复杂性的提升,Transformer的计算成本和内存需求也随之激增。为了解决这一问题,研究者们提出了多种优化方法,其中稀疏注意力(SparseAttention)是一种备
- 深度学习pytorch之4种归一化方法(Normalization)原理公式解析和参数使用
@Mr_LiuYang
计算机视觉基础归一化正则化NormlizationBatchNormLayerNormInstanceNromGroupNorm
深度学习pytorch之22种损失函数数学公式和代码定义深度学习pytorch之19种优化算法(optimizer)解析深度学习pytorch之4种归一化方法(Normalization)原理公式解析和参数使用摘要归一化(Normalization)是提升模型性能、加速训练的重要技巧。归一化方法可以帮助减少梯度消失或爆炸的问题,提升模型的收敛速度,且对最终模型的性能有显著影响。本文将以PyTorc
- 【2025年超全汇总】大模型常见面试题及详细答案解析(非常详细)收藏这一篇就够了!
Cc不爱吃洋葱
人工智能大语言模型语言模型LLM大模型大模型面试大模型算法
大模型相关的面试问题通常涉及模型的原理、应用、优化以及面试者对于该领域的理解和经验。以下是一些常见的大模型面试问题以及建议的回答方式:请简述什么是大模型,以及它与传统模型的主要区别是什么?回答:大模型通常指的是参数数量巨大的深度学习模型,如GPT系列。它们与传统模型的主要区别在于规模:大模型拥有更多的参数和更复杂的结构,从而能够处理更复杂、更广泛的任务。此外,大模型通常需要更多的数据和计算资源进行
- 【深度学习·命运-27】NAS四部曲end-NASNet
华东算法王
深度学习·命运深度学习人工智能
NASNet(NeuralArchitectureSearchNetwork)是由GoogleBrain团队提出的另一种神经架构搜索(NAS)方法,它通过自动化搜索神经网络的结构,找到了具有竞争力的神经网络架构,尤其在计算机视觉任务(如图像分类)中表现非常优秀。NASNet是基于进化算法的架构搜索方法,与其他NAS方法相比,它具有更高的效率,并且能够生成更加优化的网络架构。1.NASNet的背景与
- DeepSeek 1.5B 蒸馏模型的征程 6 部署(Llama 方式)
自动驾驶算法
前言DeepSeek是一款基于人工智能的搜索引擎,旨在提升用户的搜索体验。它利用先进的自然语言处理技术,通过理解查询的上下文和意图,为用户提供更精确、相关的搜索结果。与传统的搜索引擎不同,DeepSeek不仅仅依赖于关键词匹配,还能通过深度学习分析用户的需求,呈现更加智能化的搜索结果。此外,DeepSeek还具备语义理解能力,能够处理复杂的查询,并在短时间内给出最符合用户需求的答案。DeepSee
- AI大语言模型概述:从GPT到BERT的技术演进
AI智能涌现深度研究
AI大模型应用入门实战与进阶DeepSeekR1&大数据AI人工智能计算大数据人工智能语言模型AI大模型LLMJavaPython架构设计AgentRPA
1.背景介绍1.1什么是大语言模型大语言模型是一种基于深度学习的自然语言处理技术,它可以理解和生成人类语言。这些模型通过学习大量的文本数据,捕捉到语言的语法、语义和情感等信息,从而实现对自然语言的理解和生成。1.2为什么大语言模型如此重要大语言模型在近年来取得了显著的进展,它们在各种自然语言处理任务中都取得了最先进的性能。这些任务包括机器翻译、情感分析、文本摘要、问答系统等。大语言模型的成功在很大
- 神经进化算法(Neuroevolution) 原理与代码实例讲解
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
神经进化算法,Neuroevolution,进化算法,深度学习,机器学习,遗传算法,神经网络,代码实例1.背景介绍在机器学习领域,神经网络凭借其强大的学习能力和泛化能力,在图像识别、自然语言处理、语音识别等领域取得了显著的成就。然而,传统的神经网络训练方法通常依赖于人工设计的网络结构和参数初始化,这往往需要大量的经验和试错,并且难以找到最优的网络结构和参数。神经进化算法(Neuroevolutio
- 神经架构搜索 原理与代码实例讲解
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
神经架构搜索:原理与代码实例讲解作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着深度学习的快速发展,神经网络在各个领域取得了显著的成果。然而,设计一个高效、通用的神经网络架构仍然是一个具有挑战性的问题。手动设计网络架构需要大量的专业知识和经验,而且往往效率低下。因此,神经架构搜索(NeuralArchitectureS
- 智能教育:DeepSeek在个性化学习中的创新应用
Evaporator Core
#DeepSeek快速入门系统架构设计师DeepSeek进阶开发与应用聚类数据挖掘机器学习
教育是塑造未来的基石,而个性化学习则是现代教育的重要趋势。随着人工智能技术的飞速发展,教育领域正迎来一场深刻的变革。DeepSeek作为人工智能领域的领军者,正在通过其强大的技术能力,推动个性化学习的创新应用。一、个性化学习路径:从数据到洞察个性化学习的核心在于根据学生的学习数据,生成定制化的学习路径。DeepSeek通过深度学习算法,能够从海量的学习数据中提取关键信息,生成更加精准的学习建议。f
- 【WOA-CNN-LSTM】基于鲸鱼算法优化深度学习预测模型的超参数研究(Matlab代码实现)
然哥爱编程
深度学习cnnlstm
欢迎来到本博客❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。本文目录如下:目录1概述2运行结果3参考文献4Matlab代码实现1概述摘要:深度学习模型的超参数选择对模型的性能和泛化能力具有重要影响。本文提出了一种基于鲸鱼算法(WOA)优化长短期记忆神经网络(LSTM)模型的超参数选择方法。首先,我们介绍了LSTM模型的结构和训练过程。然后,我们
- AI视觉觉醒:深度学习如何革新视频标注,释放数据潜力基于深度学习的视频自动标注系统
海棠AI实验室
AI理论探索与学术前沿人工智能深度学习音视频
目录引言:被忽视的视频数据金矿传统视频标注的困境:效率、成本与瓶颈深度学习:视频自动标注的破局之道深度学习视频自动标注系统架构系统架构图核心技术解析目标检测(ObjectDetection)行为识别(ActionRecognition)视频分割(VideoSegmentation)代码实践:基于YOLOv5的目标检测视频标注示例挑战与未来展望结语:AI赋能,释放视频数据的无限可能引言:被忽视的视频
- 基于YOLOv5的无人超市商品检测:食品、饮料、零食与家居用品
深度学习&目标检测实战项目
YOLO目标跟踪深度学习人工智能ui
引言随着人工智能技术的快速发展,尤其是计算机视觉的提升,无人超市的概念逐渐成为现实。在无人超市中,商品的智能化管理和检测是其顺利运行的关键。商品检测不仅要实现高效、准确的物品识别,还要支持多种商品类别的实时检测,以保证购物体验的顺畅与安全。在此背景下,深度学习与目标检测算法,如YOLOv5,成为了实现这一目标的重要工具。YOLOv5作为目前最先进且高效的目标检测算法之一,其应用范围广泛,包括人脸检
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理