- 通达信资金净流入公式_资金副图指标通达信指标公式源码
罗博深
通达信资金净流入公式
资金副图指标源码:超B:=L2_AMO(0,2)/10000.0;大B:=L2_AMO(1,2)/10000.0;中B:=L2_AMO(2,2)/10000.0;小B:=L2_AMO(3,2)/10000.0;超S:=L2_AMO(0,3)/10000.0;大S:=L2_AMO(1,3)/10000.0;中S:=L2_AMO(2,3)/10000.0;小S:=L2_AMO(3,3)/10000.0
- 数学 :矩阵
极客 - L U
数学矩阵线性代数
文章目录前言1.基本矩阵运算1.1矩阵加法1.2矩阵减法1.3矩阵乘法2.转置矩阵3.旋转矩阵小结【全文大纲】:https://blog.csdn.net/Engineer_LU/article/details/135149485前言在许多应用场合下,我们都需要用矩阵来表示公式,接下来简洁描述矩阵用法1.基本矩阵运算1.1矩阵加法∣a1b1c1d1∣+∣a2b2c2d2∣=∣a1+a2b1+b2c
- Autoleaders控制组——51单片机学习笔记(2)
Autoleaders控制组 邓翔
51单片机学习笔记
51单片机学习(2)1.模块化编程1.1模块化编程的意义在学习单片机的途中,随着我们的知识不断扩展,我们能写出的代码也越来越复杂,越来越长了,有时我们自己写出的很长的代码,出现了错误,需要调试,但奈何自己的代码实在是太长了,真的不好分析到底是哪里出错了。这是因为我们将太多的函数和代码放在一个main.c的文件里,导致代码过度堆积。如果我们能够条理清晰地去将不同作用的代码和函数放在不同的xxx.c文
- 【论文阅读方法】沐神课程:如何读论文
晴空对晚照
论文阅读论文阅读
一篇论文的一般结构titleabstractintroductionmethodexperienceconclusion三明治论文阅读法第一遍:海选title+abstract+conclusion——确定要不要读第二遍:精读对整个文章过一遍,知道每一块在做什么可以从标题开始读到最后,注意不用咬文嚼字,不要太细节,公式、证明等很细节的部分可以忽略掉重点弄清楚每一个图表,算法在做什么,x轴y轴每一个
- self-attention为什么要除以根号d_k
想念@思恋
python编程概率论深度学习机器学习
self-attention的公式为attention(Q,K,V)=Softmax(QKdk)Vattention(Q,K,V)=Softmax(\frac{QK}{\sqrt{d_{k}}})Vattention(Q,K,V)=Softmax(dkQK)V个人理解,除以dk\sqrt{d_{k}}dk的原因有两点:dkd_{k}dk是词向量/隐藏层的维度1、首先要除以一个数,防止输入softm
- 【matlab代码】基于RSSI的wifi定位例程(三维空间,自适应基站的数量)
MATLAB卡尔曼
定位与导航1024程序员节matlab开发语言定位导航蓝牙
文章目录程序概述程序运行运行方法运行结果代码各模块的功能源代码总结程序概述该程序基于RSSI(接收信号强度指示)原理实现Wi-Fi定位,适用于在三维空间中定位未知点。程序通过多个锚点(基站)测量信号强度,并计算目标点的位置。程序使用以下公式进行位置计算:路径损耗模型公式:RSSI=A−10nlog10(d)RSSI=A-10n\log_{10}(d)RSSI=A−10nlog10(d)其中:RS
- 518.零钱兑换II
水代码的程序猿
力扣算法
中文题目力扣题目链接(opensnewwindow)给定不同面额的硬币和一个总金额。写出函数来计算可以凑成总金额的硬币组合数。假设每一种面额的硬币有无限个。示例1:输入:amount=5,coins=[1,2,5]输出:4解释:有四种方式可以凑成总金额:5=55=2+2+15=2+1+1+15=1+1+1+1+1示例2:输入:amount=3,coins=[2]输出:0解释:只用面额2的硬币不能凑
- SDN架构解密:控制面如何“指挥”万亿级网络? ——基于“大脑-四肢”模型的三层架构深度解析
不想加班的码小牛
网络架构人工智能ai
摘要本文以“大脑-四肢”类比SDN三层架构,揭示控制器如何通过全局视图管理、南向接口标准化(如OpenFlow)与北向API开放能力,实现对万亿级网络的集中化控制。文中包含OpenFlow协议代码示例、网络拓扑公式及架构图,力求呈现技术细节与实战价值。一、SDN架构的“大脑-四肢”隐喻SDN通过控制平面-数据平面-应用平面的三层架构,构建了网络控制的“中枢神经系统”:控制层(大脑):集中式控制器掌
- 面向对象三大特性:封装、继承、多态深度解析
KBkongbaiKB
java
〇、引言:为什么需要理解OOP三大特性?在软件工程领域,封装、继承、多态被称为面向对象编程(OOP)的三大基石。掌握它们不仅能写出更优雅的代码,更是构建复杂系统的关键能力。本文将通过理论解析+代码实战+设计思维,带您彻底吃透这三个核心概念。一、封装(Encapsulation)1.1核心思想将数据与操作数据的方法绑定,对外隐藏实现细节。就像电视机用外壳包裹内部电路,用户只需通过按钮操作。1.2实现
- 模型可解释性:基于博弈论的SHAP值计算与特征贡献度分析(附PyTorch/TensorFlow实现)
燃灯工作室
Aipytorchtensorflow人工智能
一、技术原理与数学推导(含典型案例)1.1Shapley值基础公式SHAP值基于合作博弈论中的Shapley值,计算公式为:ϕi=∑S⊆F∖{i}∣S∣!(∣F∣−∣S∣−1)!∣F∣![f(S∪{i})−f(S)]\phi_i=\sum_{S\subseteqF\setminus\{i\}}\frac{|S|!(|F|-|S|-1)!}{|F|!}[f(S\cup\{i\})-f(S)]ϕi=S
- 模型可解释性:基于因果推理的反事实生成与决策可视化
燃灯工作室
Ai人工智能数学建模学习机器学习
1.技术原理与数学公式1.1因果推理基础结构方程模型(SEM):X=fX(PaX,UX)X=f_X(Pa_X,U_X)X=fX(PaX,UX)其中PaXPa_XPaX为父节点集合,UXU_XUX为外生变量反事实定义:YX=x(u)=Ydo(X=x)(u)Y_{X=x}(u)=Y_{do(X=x)}(u)YX=x(u)=Ydo(X=x)(u)表示在相同背景条件uuu下,强制变量XXX取xxx时的结果
- 自动化特征选择:基于模型重要性的递归消除原理与实战指南
燃灯工作室
Ai自动化运维
一、技术原理与数学公式1.1递归特征消除(RFE)核心思想J(S)=∑i=1n∣wi∣(特征重要性评分)J(S)=\sum_{i=1}^n|w_i|\quad(特征重要性评分)J(S)=i=1∑n∣wi∣(特征重要性评分)Sk+1=Sk−argminfJ(Sk∖{f})(迭代消除策略)S_{k+1}=S_k-\arg\min_{f}J(S_k\setminus\{f\})\quad(迭代消除策
- 推理流水线DAG调度:多模型组合执行优化方案
燃灯工作室
Ai人工智能数学建模学习机器学习计算机视觉
一、技术原理与数学模型1.1DAG调度核心公式设推理流水线由n个模型节点组成,定义:V={v1,v2,...,vn}V=\{v_1,v_2,...,v_n\}V={v1,v2,...,vn}为节点集合E={(vi,vj)∣vi→vj}E=\{(v_i,v_j)|v_i\rightarrowv_j\}E={(vi,vj)∣vi→vj}为边集合C(vi)C(v_i)C(vi)为节点viv_ivi的计算
- 边缘设备模型量化部署:TFLite INT8校准实现细节深度解析
燃灯工作室
Ai人工智能机器学习
一、技术原理与数学公式INT8量化的核心是通过线性映射将浮点数值范围([-max,max])映射到8位整数范围([-128,127])。校准过程通过分析真实数据分布确定最优缩放因子(scale)和零点(zeropoint):量化公式:Q=round(float_valuescale)+zero_pointQ=round(\frac{float\_value}{scale})+zero\_point
- 基于时间序列预测的推理服务弹性扩缩容实战指南:(行业案例+数学推导+源码解析)
燃灯工作室
Ai计算机视觉语音识别目标检测机器学习人工智能
技术原理(数学公式)整体架构请求量预测→扩缩容决策→资源配置动态调整三阶段闭环,周期为5-30分钟核心预测模型(时间序列预测)LSTM预测公式(CSDN兼容格式):$$h_t=\text{LSTM}(x_t,h_{t-1})\\\hat{y}_{t+1}=W_h\cdoth_t+b_h$$其中Wh∈Rd×1W_h\in\mathbb{R}^{d\times1}Wh∈Rd×1为权重矩阵,ddd为隐藏
- 深度解析A/B测试中的哈希分桶策略:从原理到实战的流量分层方案
燃灯工作室
Python哈希算法算法
一、技术原理与数学基础1.1哈希分桶的核心机制核心公式:桶编号=Hash(用户ID+实验层种子)modN基于**双重哈希(DoubleHashing)**实现流量的完全正交切割:{∀u∈U,Layerij(u)=H(H(u∣∣seedj)∣∣seedi)mod N∀i≠k,H(⋅)满足P(Layeri(u)=m∩Layerk(u)=n)=1/(N2)\begin{cases}\forallu\i
- Cohen‘s Kappa 系数(κ系数)
大霸王龙
系统分析业务深度学习分类系统架构人工智能
Cohen’sKappa系数(κ系数)是一种用于评估两个标注者(或分类器)之间一致性的统计指标,适用于分类任务。它考虑了随机一致性的影响,提供比简单的准确率(Accuracy)更可靠的评估方式。1.计算公式Cohen’sKappa计算方式如下:[\kappa=\frac{p_o-p_e}{1-p_e}]其中:(p_o)(ObservedAgreement):观察到的一致性,即两个标注者给出相同标签
- 目标检测中衡量模型速度和精度的指标:FPS和mAP
asdfg1258963
目标检测_ai目标检测人工智能
“FPS”和“mAP”分别衡量了模型的速度和精度。FPS(FramesPerSecond)定义:FPS是“每秒传输帧数”的缩写,用于衡量计算机视觉系统(如目标检测、图像识别等)的实时性能。它表示系统每秒钟能够处理的图像或视频帧的数量。重要性:在实时应用中,如自动驾驶、视频监控等,FPS是一个关键指标。高FPS意味着系统能够快速处理输入的图像数据,实现实时响应。计算方式:FPS可以通过以下公式计算:
- 准确率(Precision)和召回率(Recall)
asdfg1258963
目标检测_ai机器学习算法人工智能
准确率(Precision)定义:准确率是指在模型预测为正的样本中,真正为正的样本所占的比例。它关注的是模型预测的准确性。计算公式:Precision=TPTP+FP\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}Precision=TP+FPTP其中:TP(TruePositive):真正例,模型正确预测为正的样本数。FP(FalseP
- MySql数据库等级考试学习分享3(Day7)
weixin_53545579
学习
活动发起人@小虚竹想对你说:这是一个以写作博客为目的的创作活动,旨在鼓励大学生博主们挖掘自己的创作潜能,展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴,那么,快来参加吧!我们一起发掘写作的魅力,书写出属于我们的故事。我们诚挚邀请你参加为期14天的创作挑战赛!提醒:在发布作品前,请将不需要的内容删除。题目以下关于MySQL的叙述中,错误的是()。OA、MySQL为多种编程语
- 零基础小白如何系统学习Spring Boot
Victoria Zhu
学习springboot后端
零基础小白如何系统学习SpringBoot一、学习前的准备1.必备基础知识✅Java基础:掌握Java8+的核心语法(类/对象/集合/异常处理)✅Maven/Gradle:理解依赖管理工具的基本使用(pom.xml配置)✅HTTP协议:了解RESTfulAPI设计理念(GET/POST/PUT/DELETE)环境要求公式环境要求公式环境要求公式推荐配置:JDK≥11,IDE=IntelliJIDE
- 【动态规划1】
m0_46150269
动态规划算法
力扣509.斐波那契数链接:link思路这是一道经典的动态规划DP题,做动态有5步:1.确定dp[i]含义,表示第i个数的斐波那契数值是dp[i]2.dp数组初始化3.确定递推公式4.确定遍历顺序,从递推公式可以知道dp[i]是依赖dp[i-1]和dp[i-2],那么遍历的顺序一定是从前到后遍历的5.举例推导,草稿完成classSolution{publicintfib(intn){if(n<=1
- 离散数学-万字课堂笔记-期末考试-考研复习-北航离散数学1
桃木山人
考研数学离散数学期末
第一章逻辑语言1.1逻辑运算1.2命题逻辑合式公式1.3谓词逻辑合式公式1.4自然语言命题第二章命题逻辑语义2.1命题合式公式语义2.2推论式与等价式的语义2.3变换合式公式的语义2.4命题公式范式2.5等式演算2.6完全集第三章谓词逻辑语义3.1谓词合式公式语义3.2推论关系和相等关系3.3前束范式与斯科伦范式3.4一阶理论语言3.5论域、结构与模型第四章逻辑公理系统4.1形式系统4.2命题逻辑
- 10个工具让你秒变数字艺术家,小白也能画出百万点赞神图
ivwdcwso
AIAI绘画副业变现Midjourney教程
一、新手必看:3步出神图的核心心法1.咒语炼金术(Prompt魔法公式)#万能结构:画风+主体+细节+神级后缀"8kCG,(赛博朋克美少女:1.3),霓虹机械臂,雨夜东京街景,宫崎骏风格--ar16:9--niji6--style4b"2.参数调教秘籍参数效果推荐值--ar画面比例9:16(手机壁纸)--chaos创意随机性30-80(越高越抽象)--stylize艺术化程度500-1000(漫画
- 解读Layout Method of Met Mast Based on Macro Zoning and Micro Quantitative Siting in a Wind Farm
赵孝正
风资源与微观选址paper
目录1.风电场气象塔布局方法流程图(简略)内容细化2.风电场气象塔布局方法详细流程图(详细)核心算法和公式详解2.2解读流程(深入浅出)第一阶段:把大风电场分成几个小区域1.看看风在哪里吹得不一样️2.看看风机的位置分布️3.测量风机之间有多"像"4.用智能方法分区第二阶段:在每个区域内找到最好的位置放测量杆5.画格子找可能的位置6.用电脑模拟风的吹动7.筛选出好位置8.找出最最好的位置9.检验我
- Vue3 + TypeScript 实战经验:2025年高效开发指南
ctrl_cv工程师¥
typescriptjavascript前端
在2024年的前端工程化浪潮中,Vue3与TypeScript已成为企业级应用的黄金组合。本文将基于多个真实项目经验,从工程规范、类型安全、性能优化三个维度,分享实战技巧与避坑指南。一、工程配置:构建坚如磐石的基础1.脚手架选择与优化1.1推荐方案:使用Vite+create-vue初始化项目(2024年默认模板已集成TypeScript)关键配置://vite.config.tsexportde
- 【PyTorch】torch.nn.functional.log_softmax() 函数:计算 log(softmax),用于多分类任务
彬彬侠
PyTorch基础log_softmax多分类交叉熵损失分类pytorchpython深度学习
torch.nn.functional.log_softmaxtorch.nn.functional.log_softmax是PyTorch提供的用于计算log(softmax)的函数,通常用于多分类任务和计算交叉熵损失,可以提高数值稳定性并防止数值溢出。1.log_softmax的数学公式对于输入张量XXX,softmax计算如下:softmax(Xi)=eXi∑jeXj\text{softma
- 【PyTorch】torch.nn.functional.cross_entropy() 函数:分类任务的交叉熵损失函数
彬彬侠
PyTorch基础cross_entropy交叉熵损失函数分类pytorchpython深度学习
torch.nn.functional.cross_entropytorch.nn.functional.cross_entropy是PyTorch中用于分类任务的交叉熵损失函数,用于衡量预测概率分布与真实类别分布之间的差异,常用于多分类任务(multi-classclassification)。1.交叉熵损失的数学公式对于单个样本,交叉熵损失的计算公式为:L=−∑i=1Cyilog(yi^)\
- 数学中常用的求导数的公式汇总
彬彬侠
数学基础机器学习
一、基本求导公式常数函数的导数ddx[c]=0\frac{d}{dx}[c]=0dxd[c]=0其中ccc是常数。幂函数的导数ddx[xn]=nxn−1\frac{d}{dx}[x^n]=nx^{n-1}dxd[xn]=nxn−1其中nnn是实数。指数函数的导数自然指数函数:ddx[ex]=ex\frac{d}{dx}[e^{x}]=e^{x}dxd[ex]=ex一般指数函数:ddx[ax]=ax
- 掌握Rust模式匹配:从基础语法到实际应用
GTokenTool发币平台
rust开发语言后端
本篇文章将探讨Rust编程语言中至关重要的特性之一——模式匹配。Rust语言的模式匹配功能强大,不仅能处理简单的值匹配,还能解构和操作复杂的数据结构。通过深入学习模式匹配,程序员可以更加高效地编写出清晰、简洁且易于维护的代码。Rust语言中的模式匹配是一种特殊的语法结构,用于匹配变量、解构数组、结构体、枚举和元组等。本文主要介绍了Rust中各种模式的使用场景,包括match、iflet、while
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
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/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置