- 遥感深度学习过程中图像分割的尺寸对模型训练结果的影响
司南锤
深度学习遥感深度学习人工智能
1.计算资源与显存占用大尺寸图像:需要更高的显存和计算资源,可能限制训练时的批大小(batchsize),甚至导致无法训练。解决方案:通常将大图裁剪为小尺寸的补丁(patches),例如256x256或512x512。小尺寸图像:显存占用低,但可能丢失全局上下文信息(如大面积地物分布),影响模型对复杂场景的理解。2.模型感受野与上下文信息小尺寸输入:模型感受野受限,可能无法捕捉大范围地物(如河流、
- 使用小尺寸的图像进行逐像素语义分割训练,出现样本不均衡训练效果问题
司南锤
深度学习遥感计算机视觉人工智能机器学习
在使用小尺寸图像进行逐像素语义分割训练时,确实可能出现样本不均衡问题,且这种问题可能比大尺寸图像更显著。1.小尺寸图像如何加剧样本不均衡?(1)局部裁剪导致类别分布偏差问题:遥感图像中某些类别(如道路、建筑)可能稀疏分布。小尺寸裁剪后,部分训练样本可能完全不含某些类别(例如一块纯农田的补丁),导致模型对这些类别缺乏学习机会。示例:原图中“道路”占比5%,若裁剪为256x256的小图,部分小图中可能
- 06-机器学习-数据预处理
不会打代码呜呜呜呜
机器学习机器学习人工智能
数据清洗数据清洗是数据预处理的核心步骤,旨在修正或移除数据集中的错误、不完整、重复或不一致的部分,为后续分析和建模提供可靠基础。以下是数据清洗的详细流程、方法和实战示例:一、数据清洗的核心任务问题类型表现示例影响缺失值数值型字段为空(NaN)模型无法处理缺失值,导致训练中断或偏差异常值年龄=200岁,房价=-100万扭曲统计指标(如均值),降低模型泛化性重复数据两行记录完全相同导致模型过拟合,降低
- 高可用架构,高性能架构和高并发架构
架构随笔录
超级架构师架构kafka分布式hbase大数据hdfs
胡弦,视频号2023年度优秀创作者,互联网大厂P8技术专家,SpringCloudAlibaba微服务架构实战派(上下册)和RocketMQ消息中间件实战派(上下册)的作者,资深架构师,技术负责人,极客时间训练营讲师,四维口袋KVP最具价值技术专家,技术领域专家团成员,2021电子工业出版社年度优秀作者,获得2023电子工业出版技术成长领路人称号,荣获2024年电子工业出版社博文视点20周年荣誉专
- 初识C语言(三)
九离十
C语言c语言开发语言
感兴趣的朋友们可以留个关注,我们共同交流,相互促进学习。文章目录前言八、函数九、数组(1)数组的定义(2)数组的下标和使用十、操作符(1)算数操作符(2)移位操作符(3)位操作符(4)赋值操作符(5)单目操作符(6)关系操作符(7)逻辑操作符(8)条件操作符(9)逗号表达式(10)下标引用、函数调用和结构成员十一、常见关键字总结前言我们在上个文章学习了,常量变量的作用域,生命周期以及等等,我们了解
- 预训练语言模型
Algorithm_Engineer_
基础知识和深度学习语言模型人工智能自然语言处理
一.预训练模型的基本介绍预训练模型是一种在大规模数据上训练而得的模型,通常通过无监督学习或自监督学习的方式进行。在预训练阶段,模型被训练来学习数据的内在表示,而无需标注数据或任务特定的目标函数。这种学习能力使得预训练模型可以捕获数据的复杂结构和特征,并且在后续的特定任务上进行微调,从而提高模型在目标任务上的性能。1.1预训练过程数据收集与处理:收集大规模的数据,并对数据进行预处理,以便模型训练使用
- IsaacLab从入门到精通(六)真机部署与Sim2real
NathanWu7
IsaacLab人工智能机器人深度学习机器学习
在之前的教程中,我们已经完成了整个强化学习任务流程,现在我们需要将自己训练的策略迁移到真机上1.1Sim2real简要方法论强化学习的Sim2real问题一直以来是非常难解决的问题,在仿真环境中训练的policy往往很难迁移到实际的机器人系统上,因此我们需要用一些特殊的方法协助来实现这个过程。1.1.1建立数字孪生(Digitaltwin)在仿真环境中,我们建立的环境需要尽可能与真实世界对齐,因此
- day6手机摄影社区,可以去苹果摄影社区学习拍摄技巧
今天会营业
手机摄影摄影
逛自己手机的社区:即××(手机牌子)摄影社区拍照时防止抖动可以控制自己的呼吸,不要大喘气拍一张照片后,如何简单的用手机修图?HDR模式就是让高光部分和阴影部分更协调(拍风紧时可以打开,拍人时不要打开)例如上图中如果没有使用HDR模式,天空可能会更亮山可能会更暗,打开HDR后天空会变暗,山会变亮些。拍照要四平八稳,即横是横,竖是竖线条不要歪七扭八的专业模式中:ISO代表感光度,感光度越高照片越亮照片
- 使用 PyTorch 实现逻辑回归:从数据到模型保存与加载
弥树子
pytorch逻辑回归人工智能
在机器学习中,逻辑回归是一种经典的分类算法,广泛应用于二分类问题。本文将通过一个简单的示例,展示如何使用PyTorch框架实现逻辑回归模型,从数据准备到模型训练、保存和加载,最后进行预测。1.数据准备逻辑回归的核心是通过学习数据中的特征与标签之间的关系来进行分类。在本示例中,我们手动创建了一个简单的二维数据集,包含两类数据点。第一类数据点的标签为0,第二类数据点的标签为1。class1_point
- 奖励模型:解析大语言模型的关键工具
XianxinMao
人工智能
标题:奖励模型:解析大语言模型的关键工具文章信息摘要:奖励模型是理解和审核大语言模型(LLM)的重要工具,通过简单的评估方式提供了模型内部表征和性能的深入洞察。它不仅能静态比较模型表现,还可帮助诊断训练问题,为LLM研究提供独特视角,增强模型开发过程的透明度和可问责性。==================================================详细分析:核心观点:奖励模型是
- AI Agent(智能体)技术白皮书(Google,2024)
花生糖@
AIGC学习资料库人工智能AIAgent智能体AI实战
1引言1.1人类的先验知识与工具的使用人类很很好地处理复杂和微妙的模式识别任务。能做到这一点是因为,我们会通过书籍、搜索或计算器之类的工具来补充我们头脑中的先验知识,然后才会给出一个结论(例如,“图片中描述的是XX”)。1.2人类的模仿者与以上类似,我们可以对生成式AI模型进行训练,让它们能使用工具来在现实世界中获取实时信息或给出行动建议。例如,利用数据库查询工具获取客户的购物历史,然后给出购物建
- 51单片机八位数码管0到F——16进制代码
李宇杰28
笔记1024程序员节
u8SMG_SEG[16]={0xc0,0xf9,0xa4,0xb0,0x99,0x92,0x82,0xf8,0x80,0x90,0x88,0x83,0xc6,0xa1,0x86,0x8e};//0-F
- 【llm对话系统】大模型RAG之基本逻辑
kakaZhui
人工智能数据库AIGCchatgptllama
大模型RAG之基本逻辑:让LLM更精准地回答你的问题(降低幻觉)你是否遇到过这样的情况:当你向LLM提问时,它可能会给出一些“一本正经胡说八道”的答案,或者无法回答一些特定领域的专业问题?为了解决这个问题,RAG(Retrieval-AugmentedGeneration,检索增强生成)技术应运而生。RAG将检索(Retrieval)和生成(Generation)结合起来,让LLM在回答问题时,能
- 汽车网络安全--ISO\SAE 21434解析(二)
CyberSecurity_zhang
汽车信息安全汽车网络安全ISO\SAE21434TARA
1.风险评估方法书接上文,我们正式开始对车灯系统的TARA分析,首先回顾下整车关于车灯系统描述:可以比较肯定的是,我们定义的item为车灯系统,因此可以看到上图中画出了itemboundary;同时定义出运行环境,个人理解,这块就是为TARA分析提供足够的环境支撑,不管是直接还是间接与车灯系统有关系的,都需要列举出来。有了上述基本概念,我们接着回顾TARA分析方法的八股文:资产定义->相应破坏场景
- python 八 文件操作 读写.doc
空灵宫(Ethereal Palace)
pythonpython开发语言
Python操作Word文档可以使用以下库:python-docx:用于处理.docx文件,支持读取和写入操作。pywin32:用于操作MicrosoftWord应用程序(适用于.doc和.docx文件,但仅在Windows上可用)。pandas等库可结合用于数据转换。以下是如何使用python-docx读写Word文档的详细教程:1.安装python-docx在开始之前,需要安装库:pipins
- Python蓝桥杯算法习题讲解——枚举算法进阶——扫雷矩阵问题
[木子加贝]
算法python自学python算法开发语言矩阵
一、题目描述在一个n行m列的方格图中有一些位置有地雷,另外一些位置为空,请为每个空位置标一个整数,表示周围八个相邻的方格中有多少个地雷。二、输入描述输入第1行包含两个整数n,m第2行到第n+1行每行包含m个整数,相邻整数之间用一个空格分隔,,如果对应的整数为0,表示这一格没有地雷,如果对应的整数为1,表示这一格有地雷。其中,1n,m100分钟后还是在当前三、输出描述输出n行,每行m个整数,相邻整数
- 字节的面试,感觉还挺简单的~
go后端面试问题面试字节跳动
今天分享的是训练营的朋友在字节跳动的面试,新鲜出炉的还热乎着呢。题目都挺简单的,但是他的面试体验不太好,因为面试官问了两个类似的问题,感觉有点不认真。下面是面试的内容:面经详解简单介绍下你的项目介绍下教育平台考试模块的业务.包括题目的读写试卷的生成创建之后,试题如何存储试卷如何分发给考生考生如何提交试卷,你们如何收集试卷结果最后怎么判题以下是对每个问题的回答:前端接口使用restful格式,pos
- 非凸科技荣登脉脉2024“年度职得去雇主”榜单
招聘
近日,2024脉脉MAX年度职场力量盛典暨年度“职得去”公司颁奖典礼在深圳举行,非凸科技受邀出席盛会并荣登脉脉2024“年度职得去雇主”榜单。本届评选依据脉脉独有的“雇主指数”以及专家评审意见综合评选而出,综合考量了企业在脉脉社区广场、同事圈、行业圈等多个频道口碑,并基于职场大数据训练的专属大模型,客观反映企业在职场人心中的口碑。非凸科技获此殊荣,也意味着在发展前景、工作氛围、薪酬福利等方面极具竞
- 最好的线段树总结
QYitong
数据结构c语言ACM数据结构线段树
线段树详解By岩之痕目录:一:综述二:原理三:递归实现四:非递归原理五:非递归实现六:线段树解题模型七:扫描线八:可持久化(主席树)九:练习题一:综述假设有编号从1到n的n个点,每个点都存了一些信息,用[L,R]表示下标从L到R的这些点。线段树的用处就是,对编号连续的一些点进行修改或者统计操作,修改和统计的复杂度都是O(log2(n)).线段树的原理,就是,将[1,n]分解成若干特定的子区间(数量
- 探索JavaScript前端开发:开启交互之门的神奇钥匙(二)
小周不想卷
艾思科蓝学术会议投稿javascript
目录引言四、事件处理4.1事件类型4.2事件监听器五、实战案例:打造简易待办事项列表5.1HTML结构搭建5.2JavaScript功能实现六、进阶拓展:异步编程与Ajax6.1异步编程概念6.2Ajax原理与使用七、前沿框架:Vue.js入门窥探7.1Vue.js简介7.2基础使用示例八、总结与展望引言在当今数字化时代,互联网已然成为人们生活不可或缺的一部分,而网页作为互联网的主要载体,其用户体
- yolov5 解决:Traceback (most recent call last)
南商
YOLO深度学习
运行train.py程序后训练之后,到最后验证的那一步报一个线程异常的错误原因:pillow版本太高了,把pillow降级就行了pillow官网上的python对应版本在conda中,您可以安装pillow的任何可用版本。要查看可用的pillow版本,您可以使用以下命令:condasearchpillow这将列出所有可用的pillow版本。然后,您可以使用以下命令安装您选择的版本:condains
- SLAM源码分析(八)
wang_yq0728
1024程序员节slam
[email protected],ComputeH21函数,用DLT方法求解单应矩阵H。vP1:参考帧中归一化后的特征点;vP2:当前帧中归一化后的特征点;基本原理:|x'||h1h2h3||x||y'|=a|h4h5h6||y|简写:x'=aHx,a为一个尺度因子1||h7h8h9||1|使用DLT(directlineartranform)求解该模型x'=aHx--->(x
- 二、机器学习模型评估与选择
没见过西瓜嘛
机器学习学习笔记机器学习人工智能数据分析
机器学习模型评估与选择学习笔记一、核心概念1.1经验误差与过拟合误差相关定义错误率与精度:分类错误样本数占样本总数比例为错误率E=a/mE=a/mE=a/m,精度=1-错误率。训练误差与泛化误差:学习器在训练集上误差为训练误差(经验误差),在新样本上误差为泛化误差,泛化误差越小越好。过拟合与欠拟合过拟合:学习器把训练样本学得“太好”,将训练样本特点当作所有样本一般性质,导致泛化性能下降。欠拟合:学
- AI语言模型竞争加剧:新秀崛起 格局生变
XianxinMao
人工智能语言模型自然语言处理
标题:AI语言模型竞争加剧:新秀崛起格局生变文章信息摘要:AI语言模型领域呈现加速发展和分化态势。在LMSYS排行榜上,Claude3Opus超越GPT-4Turbo,DBRX超越Mixtral成为最佳开源模型,显示领先位置更替频繁。开源与闭源模型形成差异化发展路径:开源模型注重效率和架构创新,闭源API模型专注高端性能。模型训练成本呈现类摩尔定律式下降,每年降低75%。MoE架构在计算效率和性能
- 深度学习——模型过拟合和欠拟合的原因及解决方法
发呆小天才O.o
深度学习深度学习人工智能
一、定义1.过拟合(Overfitting)过拟合是指模型在训练数据上表现非常好,但在测试数据或新的数据上表现很差的现象。模型过度地学习了训练数据中的细节和噪声,以至于它无法很好地泛化到未见过的数据。例如,在一个图像分类任务中,过拟合的模型可能对训练集中的每一张图像的特定细节(如某张猫图片背景中的一个小污点)都学习得过于精细,以至于在测试集中,只要图像背景稍有不同,就无法正确分类。2.欠拟合(Un
- pytorch单机多卡训练_数据并行DataParallel
Major Tom _
pytorch人工智能python
1.单机多卡概述单卡多级的模型训练,即并行训练,可分为数据并行和模型并行两种.数据并行是指,多张GPUs使用相同的模型副本,但采用不同batch的数据进行训练.模型并行是指,多张GPUs使用同一batch的数据,分别训练模型的不同部分.2.DataParallel源码2.1需要传入的参数module(Module):被并行运算的模型device_ids=None:CUDAdevicesoutput
- Java 学习笔记 面向对象的七大设计原则
「已注销」
学习笔记java学习开发语言
文章目录参考资料一、单一职责原则SRP二、开闭原则OCP三、里氏替换原则LSP四、依赖倒转原则DIP五、接口隔离原则ISP六、合成复用原则CRP七、迪米特法则LOD八、总结参考资料参考资料:视频资料面向对象设计,ObjectOrientedDesign,简称OOD。在进行软件开发时,需要考虑项目的可维护性和可复用性,开发项目一般是由一个开发团队来维护,因此我们在编写代码时,应可能规范,防止项目出现
- Docker介绍(八)-- Docker 仓库管理
小蘑菇二号
Docker快速入门eurekaspringcloud云原生
目录1.Docker仓库概述2.使用DockerHub注册和登录DockerHub上传镜像到DockerHub下载镜像3.搭建私有仓库安装DockerRegistry启动DockerRegistry配置Docker使用私有仓库上传镜像到私有仓库下载镜像4.使用Harbor搭建企业级私有仓库安装Harbor配置Harbor使用Harbor5.镜像版本管理使用标签管理版本删除旧版本6.安全性和最佳实践
- 基于 PyTorch 的深度学习模型开发实战
一ge科研小菜鸡
人工智能深度学习
个人主页:一ge科研小菜鸡-CSDN博客期待您的关注引言深度学习已广泛应用于图像识别、自然语言处理、自动驾驶等领域,凭借其强大的特征学习能力,成为人工智能的核心技术之一。PyTorch作为当前流行的深度学习框架,提供了灵活的张量操作和动态计算图,便于模型的快速开发和调试。本教程将通过一个完整的深度学习模型开发流程,从数据预处理、模型构建、训练与优化、评估以及部署,帮助读者深入理解深度学习的关键技术
- AIGC算法工程师 面试八股文
沉迷单车的追风少年
DiffusionModels与深度学习面试经验记录AIGCstablediffusion面试八股文
目录八股文1、简述DDPM的算法原理2、什么是重参数化技巧?DiffusionModels和VAE中的重参数化技巧是如何使用的?VAE中的重参数化技巧DiffusionModels中的重参数化技巧3、什么是马尔可夫过程?DDPM中的马尔可夫链是如何定义的?马尔可夫过程DDPM马尔可夫链4、为什么DDPM前向过程中前期加噪少,后期加噪多?5、VAE和DiffusionModels中的变分推断是什么?
- tomcat基础与部署发布
暗黑小菠萝
Tomcat java web
从51cto搬家了,以后会更新在这里方便自己查看。
做项目一直用tomcat,都是配置到eclipse中使用,这几天有时间整理一下使用心得,有一些自己配置遇到的细节问题。
Tomcat:一个Servlets和JSP页面的容器,以提供网站服务。
一、Tomcat安装
安装方式:①运行.exe安装包
&n
- 网站架构发展的过程
ayaoxinchao
数据库应用服务器网站架构
1.初始阶段网站架构:应用程序、数据库、文件等资源在同一个服务器上
2.应用服务和数据服务分离:应用服务器、数据库服务器、文件服务器
3.使用缓存改善网站性能:为应用服务器提供本地缓存,但受限于应用服务器的内存容量,可以使用专门的缓存服务器,提供分布式缓存服务器架构
4.使用应用服务器集群改善网站的并发处理能力:使用负载均衡调度服务器,将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
- [信息与安全]数据库的备份问题
comsci
数据库
如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题
如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?
是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?
&n
- 使用maven tomcat plugin插件debug关联源代码
商人shang
mavendebug查看源码tomcat-plugin
*首先需要配置好'''maven-tomcat7-plugin''',参见[[Maven开发Web项目]]的'''Tomcat'''部分。
*配置好后,在[[Eclipse]]中打开'''Debug Configurations'''界面,在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
- 大访问量高并发
oloz
大访问量高并发
大访问量高并发的网站主要压力还是在于数据库的操作上,尽量避免频繁的请求数据库。下面简
要列出几点解决方案:
01、优化你的代码和查询语句,合理使用索引
02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中
03、采用服务器集群、负载均衡分担大访问量高并发压力
04、数据读写分离
05、合理选用框架,合理架构(推荐分布式架构)。
- cache 服务器
小猪猪08
cache
Cache 即高速缓存.那么cache是怎么样提高系统性能与运行速度呢?是不是在任何情况下用cache都能提高性能?是不是cache用的越多就越好呢?我在近期开发的项目中有所体会,写下来当作总结也希望能跟大家一起探讨探讨,有错误的地方希望大家批评指正。
1.Cache 是怎么样工作的?
Cache 是分配在服务器上
- mysql存储过程
香水浓
mysql
Description:插入大量测试数据
use xmpl;
drop procedure if exists mockup_test_data_sp;
create procedure mockup_test_data_sp(
in number_of_records int
)
begin
declare cnt int;
declare name varch
- CSS的class、id、css文件名的常用命名规则
agevs
JavaScriptUI框架Ajaxcss
CSS的class、id、css文件名的常用命名规则
(一)常用的CSS命名规则
头:header
内容:content/container
尾:footer
导航:nav
侧栏:sidebar
栏目:column
页面外围控制整体布局宽度:wrapper
左右中:left right
- 全局数据源
AILIKES
javatomcatmysqljdbcJNDI
实验目的:为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象,还是创建了两个数据源对象。
1:将diuid和mysql驱动包(druid-1.0.2.jar和mysql-connector-java-5.1.15.jar)copy至%TOMCAT_HOME%/lib下;2:配置数据源,将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下:&l
- MYSQL的随机查询的实现方法
baalwolf
mysql
MYSQL的随机抽取实现方法。举个例子,要从tablename表中随机提取一条记录,大家一般的写法就是:SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是,后来我查了一下MYSQL的官方手册,里面针对RAND()的提示大概意思就是,在ORDER BY从句里面不能使用RAND()函数,因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中,
- JAVA的getBytes()方法
bijian1013
javaeclipseunixOS
在Java中,String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下,返回的东西不一样!
String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示,如:
byte[] b_gbk = "
- AngularJS中操作Cookies
bijian1013
JavaScriptAngularJSCookies
如果你的应用足够大、足够复杂,那么你很快就会遇到这样一咱种情况:你需要在客户端存储一些状态信息,这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。
幸运的是,这种方式已经一去不复返了,在所有现代浏览器中几乎
- [Maven学习笔记五]Maven聚合和继承特性
bit1129
maven
Maven聚合
在实际的项目中,一个项目通常会划分为多个模块,为了说明问题,以用户登陆这个小web应用为例。通常一个web应用分为三个模块:
1. 模型和数据持久化层user-core,
2. 业务逻辑层user-service以
3. web展现层user-web,
user-service依赖于user-core
user-web依赖于user-core和use
- 【JVM七】JVM知识点总结
bit1129
jvm
1. JVM运行模式
1.1 JVM运行时分为-server和-client两种模式,在32位机器上只有client模式的JVM。通常,64位的JVM默认都是使用server模式,因为server模式的JVM虽然启动慢点,但是,在运行过程,JVM会尽可能的进行优化
1.2 JVM分为三种字节码解释执行方式:mixed mode, interpret mode以及compiler
- linux下查看nginx、apache、mysql、php的编译参数
ronin47
在linux平台下的应用,最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用,在手工编译完以后,在其他一些情况下(如:新增模块),往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。
1、nginx
[root@361way ~]# /App/nginx/sbin/nginx -V
nginx: nginx version: nginx/
- unity中运用Resources.Load的方法?
brotherlamp
unity视频unity资料unity自学unityunity教程
问:unity中运用Resources.Load的方法?
答:Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置
1、unity实时替换的物体即是依据环境条件
- 线段树-入门
bylijinnan
java算法线段树
/**
* 线段树入门
* 问题:已知线段[2,5] [4,6] [0,7];求点2,4,7分别出现了多少次
* 以下代码建立的线段树用链表来保存,且树的叶子结点类似[i,i]
*
* 参考链接:http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18
* @author lijinna
- 全选与反选
chicony
全选
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>全选与反选</title>
- vim一些简单记录
chenchao051
vim
mac在/usr/share/vim/vimrc linux在/etc/vimrc
1、问:后退键不能删除数据,不能往后退怎么办?
答:在vimrc中加入set backspace=2
2、问:如何控制tab键的缩进?
答:在vimrc中加入set tabstop=4 (任何
- Sublime Text 快捷键
daizj
快捷键sublime
[size=large][/size]Sublime Text快捷键:Ctrl+Shift+P:打开命令面板Ctrl+P:搜索项目中的文件Ctrl+G:跳转到第几行Ctrl+W:关闭当前打开文件Ctrl+Shift+W:关闭所有打开文件Ctrl+Shift+V:粘贴并格式化Ctrl+D:选择单词,重复可增加选择下一个相同的单词Ctrl+L:选择行,重复可依次增加选择下一行Ctrl+Shift+L:
- php 引用(&)详解
dcj3sjt126com
PHP
在PHP 中引用的意思是:不同的名字访问同一个变量内容. 与C语言中的指针是有差别的.C语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容 复制代码代码如下:
<?
$a="ABC";
$b =&$a;
echo
- SVN中trunk,branches,tags用法详解
dcj3sjt126com
SVN
Subversion有一个很标准的目录结构,是这样的。比如项目是proj,svn地址为svn://proj/,那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局,trunk为主开发目录,branches为分支开发目录,tags为tag存档目录(不允许修改)。但是具体这几个目录应该如何使用,svn并没有明确的规范,更多的还是用户自己的习惯。
- 对软件设计的思考
e200702084
设计模式数据结构算法ssh活动
软件设计的宏观与微观
软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发,也要从微观上把握软件之间的开发。宏观上,可以应用面向对象设计,采用流行的SSH架构,采用web层,业务逻辑层,持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上,对于一个类,甚至方法的调用,从计算机的角度模拟程序的运行情况。了解内存分配,参数传
- 同步、异步、阻塞、非阻塞
geeksun
非阻塞
同步、异步、阻塞、非阻塞这几个概念有时有点混淆,在此文试图解释一下。
同步:发出方法调用后,当没有返回结果,当前线程会一直在等待(阻塞)状态。
场景:打电话,营业厅窗口办业务、B/S架构的http请求-响应模式。
异步:方法调用后不立即返回结果,调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后,当前线程不会阻塞,会继续执行其他任务。
实现:
- Reverse SSH Tunnel 反向打洞實錄
hongtoushizi
ssh
實際的操作步驟:
# 首先,在客戶那理的機器下指令連回我們自己的 Server,並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port
ssh -NfR 12345:localhost:22
[email protected]
# 然後在 myhost 的機器上連自己的 12345 port,就可以連回在客戶那的機器
ssh localhost -p 1
- Hibernate中的缓存
Josh_Persistence
一级缓存Hiberante缓存查询缓存二级缓存
Hibernate中的缓存
一、Hiberante中常见的三大缓存:一级缓存,二级缓存和查询缓存。
Hibernate中提供了两级Cache,第一级别的缓存是Session级别的缓存,它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的,一般情况下无需进行干预;第二级别的缓存是SessionFactory级别的缓存,它是属于进程范围或群集范围的缓存。这一级别的缓存
- 对象关系行为模式之延迟加载
home198979
PHP架构延迟加载
形象化设计模式实战 HELLO!架构
一、概念
Lazy Load:一个对象,它虽然不包含所需要的所有数据,但是知道怎么获取这些数据。
延迟加载貌似很简单,就是在数据需要时再从数据库获取,减少数据库的消耗。但这其中还是有不少技巧的。
二、实现延迟加载
实现Lazy Load主要有四种方法:延迟初始化、虚
- xml 验证
pengfeicao521
xmlxml解析
有些字符,xml不能识别,用jdom或者dom4j解析的时候就报错
public static void testPattern() {
// 含有非法字符的串
String str = "Jamey친ÑԂ
- div设置半透明效果
spjich
css半透明
为div设置如下样式:
div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}
说明:
1、filter:对win IE设置半透明滤镜效果,filter:alpha(Opacity=80)代表该对象80%半透明,火狐浏览器不认2、-moz-opaci
- 你真的了解单例模式么?
w574240966
java单例设计模式jvm
单例模式,很多初学者认为单例模式很简单,并且认为自己已经掌握了这种设计模式。但事实上,你真的了解单例模式了么。
一,单例模式的5中写法。(回字的四种写法,哈哈。)
1,懒汉式
(1)线程不安全的懒汉式
public cla