- DataWhale Pandas数据分析 Task01:预备知识
Shawnxs_
DataWhalePandas数据分类pythonpandas
文章目录练习Ex1:利用列表推导式写矩阵乘法Ex2:更新矩阵Ex3:卡方统计量Ex4:改进矩阵计算的性能Ex5:连续整数的最大长度心得体会练习Ex1:利用列表推导式写矩阵乘法一般的矩阵乘法根据公式,可以由三重循环写出:In[138]:M1=np.random.rand(2,3)In[139]:M2=np.random.rand(3,4)In[140]:res=np.empty((M1.shape[
- Day04-线性代数-特征值和特征向量(DataWhale)
liying_tt
数学基础线性代数
七、特征值和特征向量AAA是n阶方阵,数λ\lambdaλ,若存在非零列向量α⃗\vec{\alpha}α,使得Aα⃗=λα⃗A\vec{\alpha}=\lambda\vec{\alpha}Aα=λα,则λ\lambdaλ是特征值,α⃗\vec{\alpha}α是对应于λ\lambdaλ的特征向量λ\lambdaλ可以为0α⃗\vec{\alpha}α不能为0⃗\vec{0}0,且为列向量Aα⃗
- 用Transformer实现OCR字符识别!
Datawhale
大数据数据挖掘编程语言python计算机视觉
Datawhale干货作者:安晟、袁明坤,Datawhale成员在CV领域中,transformer除了分类还能做什么?本文将采用一个单词识别任务数据集,讲解如何使用transformer实现一个简单的OCR文字识别任务,并从中体会transformer是如何应用到除分类以外更复杂的CV任务中的。全文分为四部分:一、数据集简介与获取二、数据分析与关系构建三、如何将transformer引入OCR四
- Datawhale X 李宏毅苹果书 AI夏令营 入门 Task3-机器学习框架
沙雕是沙雕是沙雕
人工智能机器学习
目录实践方法论1.模型偏差2.优化问题3.过拟合4.交叉验证5.不匹配实践方法论1.模型偏差当一个模型由于其结构的限制,无法捕捉数据中的真实关系时,即使找到了最优的参数,模型的损失依然较高。可以通过增加输入特征、使用更复杂的模型结构或采用深度学习等方法来新设计模型,增加模型的灵活性。2.优化问题在机器学习模型训练过程中,即使模型的灵活性足够高,也可能由于优化算法的问题导致训练数据的损失不够低。为了
- Datawhale X 李宏毅苹果书 AI夏令营-深度学入门task2:线性模型
m0_53743757
人工智能机器学习算法
1.线性模型把输入的特征x乘上一个权重,再加上一个偏置就得到预测的结果,这样的模型称为线性模型(linearmodel)2.分段线性模型线性模型也许过于简单,x1跟y可能中间有比较复杂的关系。线性模型有很大的限制,只能表示一条直线,这一种来自于模型的限制称为模型的偏差,无法模拟真实的情况。所以需要写一个更复杂的、更有灵活性的、有未知参数的函数。分段线性曲线(piecewiselinearcurve
- 聪明办法学Python第1节:启航
m0_53743757
python开发语言
作业链接:https://hydro.ac/d/datawhale_p2s/user/53146第一行代码print("聪明办法学Python")#输出:聪明办法学PythonHelloWorld的由来1972年,贝尔实验室成员BrianKernighan首次在程序中使用"hello,world"。注释Comment分类:单行注释,使用#开头多行注释,使用'''或"""包裹起来作用:注释主要是用于
- Datawhale七月组队——动手学数据分析 Task01 数据加载及探索性数据分析
郁浓
第一次的打卡内容包括数据的载入及初步观察、Pandas基础以及探索性数据分析三个部分。1.数据的载入及初步观察这一节内容中,刚开始绝对路径的设置中"/"和'''\'用错了,直接拿文件夹的路径粘贴过来,导致运行失败使用pandas中read_csv读取csv数据时,对于有表头的数据,将header设置为空(None),会报错:pandas_libs\parsers.pyxinpandas._libs
- Datawhale AI夏令营第五期CV Task01
m0_60530253
人工智能
一、报名参加2024大运河杯数据开发大赛1.登录赛事平台2.修改昵称,实名认证3.打开比赛链接报名参赛4.修改队伍名称二、领取厚德云支持的GPU在线算力!(点击即可跳转)三、体验baseline1.下载baseline相关文件aptinstallgit-lfsgitlfsinstallgitclonehttps://www.modelscope.cn/datasets/Datawhale/AI_C
- Datawhale AI夏令营第五期CV Task02
m0_60530253
人工智能深度学习
一、yolo模型介绍YOLO,全称为"YouOnlyLookOnce",是一种流行的实时目标检测算法,由JosephRedmon等人于2015年首次提出。YOLO的核心思想是将目标检测任务视为一个单一的回归问题,直接从图像像素到边界框坐标和类别概率的映射。这种设计使得YOLO能够以非常快的速度进行目标检测,同时保持较高的精度,特别适合需要实时处理的应用场景。YOLO算法的一个显著特点是它在单个网络
- Datawhale AI夏令营第五期魔搭-CV竞赛方向Task1笔记--初识yolo模型
切记 我是一个 温柔的 刀客
YOLO目标检测机器学习
DatawhaleAI夏令营第五期魔搭-CV竞赛方向Task1笔记–初识yolo模型作者:福州大学我是一个温柔的刀客2024/8/221.赛题简介本赛题最终目标是开发一套智能识别系统,能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术,通过对摄像头捕获的视频进行分析,自动准确识别违规行为,并及时向管理部门发出告警,以实现更高效的城市管理。本质上是属于CV中的目标检测
- Datawhale Al夏令营第三期 Al+物质科学task2学习笔记
weixin_75033552
学习笔记
AI4Science是一个较为普遍的术语,通常指的是人工智能在科学研究和技术发展中的应用。它涵盖了各种科学领域,包括物理学、化学、生物学、地球科学等。虽然没有一个特定的确切历史,但可以描述人工智能在科学研究中的一些早期里程碑和发展趋势。早期发展知识表示与推理:20世纪70年代末和80年代初,早期的AI研究开始探索如何用机器推理来模拟人类的思维过程。这种推理方式被应用于物理学、化学等学科中,尝试解决
- Datawhale x李宏毅苹果书入门 AI夏令营 task03学习笔记
weixin_75033552
人工智能学习笔记
实践方法论训练模型的基本步骤:(如下图所示)用训练集训练模型,(最终得出来最优的参数集)将最优参数集带入模型中,用测试集测试模型(人话:将最优参数集带入原来函数中,用测试集的x值计算y值)(这个过程就叫做预测)训练过程中遇到问题的解决攻略(看下图的方式是“前序遍历”)modelbias出现问题的情况:1.看trainingdata的loss,太大;2.当你模型无论如何调整参数,训练的结果还是不够好
- Datawhale X 李宏毅苹果书 AI夏令营 进阶 Task2-自适应学习率+分类
沙雕是沙雕是沙雕
人工智能学习深度学习
目录1.自适应学习率1.1AdaGrad1.2RMSProp1.3Adam1.4学习率调度1.5优化策略的总结2.分类2.1分类与回归的关系2.2带有softmax的分类2.3分类损失1.自适应学习率传统的梯度下降方法在优化过程中常常面临学习率设置不当的问题。固定的学习率在训练初期可能过大,导致模型训练不稳定,而在后期可能过小,导致训练速度缓慢。为了克服这些问题,自适应学习率方法应运而生。这些方法
- Datawhale AI夏令营
于弋gg
人工智能计算机视觉python
一、分析CV识别任务任务分析自己研究生期间做过的大多是无监督任务,监督任务做的很少。比如,之前用过yolov5做过滑动验证码的识别,给滑动验证码的缺口打标签是项耗时费力的工作。本次任务相同,是给非机动车、机动车打标签。frame_id:不同帧event_id:一帧里面出现的不同车辆idbbox:车辆位置模型输入输出猜测1)如果识别车辆很容易,那么输入原始音频x,标出每帧的位置作为输出,记为y。放进
- [Datawhale#1] cv task1 - Datawhale AI夏令营
cinboxer
cvpythonnumpypandasmatplotlib
参加cv方面的培训,记录自己的一些感悟吧。报名赛事2024“大运河杯”数据开发应用创新大赛——城市治理厚德云远程算力租赁https://portal.houdeyun.cn/register?from=Datawhale可以用3090,速度很快!baselineaptinstallgit-lfsgitlfsinstallgitclonehttps://www.modelscope.cn/datas
- [Datawhale AI 夏令营][第五期]智能识别系统-Task1笔记
keexh
人工智能笔记
任务是发布在MARS大数据服务平台的2024“大运河杯”数据开发应用创新大赛——城市治理。了解智慧河长的朋友可能听说类似的项目,它们可以识别河道中出现的一些问题。这次的智能识别系统与前者有相似的地方,但这个系统将聚焦城市违规行为的智能检测,通过研究开发高效可靠的计算机视觉算法,提升违规行为检测识别的准确度,降低对大量人工的依赖,提升检测效果和效率,从而推动城市治理向更高效、更智能、更文明的方向发展
- DataWhale AI夏令营 2024大运河杯-数据开发应用创新赛-task2
十分钟ll
DataWhaleAI夏令营人工智能目标跟踪计算机视觉DataWhale竞赛大运河杯机器学习
DataWhaleAI夏令营2024大运河杯-数据开发应用创新赛YOLO(YouOnlyLookOnce)上分心得分享YOLO(YouOnlyLookOnce)YOLO算的上是近几年最火的目标检测模型了,被广泛的应用在工业、学术等领域。YOLOv1(YouOnlyLookOnce第一版)于2016年由JosephRedmon等人在其论文《YouOnlyLookOnce:Unified,Real-T
- Datawhale X 李宏毅苹果书AI夏令营深度学习详解进阶Task02
z are
人工智能深度学习
目录一、自适应学习率二、学习率调度三、优化总结四、分类五、问题与解答本文了解到梯度下降是深度学习中最为基础的优化算法,其核心思想是沿着损失函数的梯度方向更新模型参数,以最小化损失值。公式如下:θt+1←θt-η*∇θL(θt)其中,θ表示模型参数,η表示学习率,L表示损失函数,∇θL表示损失函数关于参数的梯度。然而,梯度下降在复杂误差表面上存在局限性。例如,在鞍点或局部最小值处,梯度接近零,导致模
- 2020-03-24
黑乎乎AI
Datawhale零基础入门数据挖掘-Task2数据分析【代码摘要】赛题:零基础入门数据挖掘-二手车交易价格预测地址:[https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX]EDA的价值主要在于熟悉数据集,了解数据集,对数据集进行验证来确
- Datawhale AI夏令营-task03
ghost_him
人工智能
DatawhaleAI夏令营-task03笔记来源:DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术,尤其是在处理图像和视频数据时。**数据增强的目的是通过人工方式增加训练数据的多样性,从而提高模型的泛化能力,使其能够在未见过的数据上表现得更好。**数据增强涉及对原始数据进行一系列的变换操作,生成新的训练样本。这些变换模拟了真实世界中的变化,对于图像而言,数
- 【学习笔记】第三章深度学习基础——Datawhale X李宏毅苹果书 AI夏令营
MoyiTech
人工智能学习笔记
局部极小值与鞍点梯度为0的点我们统称为临界点,包括局部极小值、鞍点等局部极小值和鞍点的梯度都为0,那如何判断呢?先请出我们损失函数:L(θ),θ是模型中的参数的取值,是一个向量。由于网络的复杂性,我们无法直接写出损失函数,不过我们可以写出损失函数的近似取值。根据宋浩老师所讲的大学一年级高等数学的知识,我们可以通过三阶泰勒展开对损失函数在θ附近的取值进行近似:其中,θ是模型中的参数的取值,θ’是在θ
- Datawhale X 李宏毅苹果书 AI夏令营|机器学习基础之案例学习
Monyan
人工智能机器学习学习李宏毅深度学习
机器学习(MachineLearning,ML):机器具有学习的能力,即让机器具备找一个函数的能力函数不同,机器学习的类别不同:回归(regression):找到的函数的输出是一个数值或标量(scalar)。例如:机器学习预测某一个时间段内的PM2.5,机器要找到一个函数f,输入是跟PM2.5有关的的指数,输出是明天中午的PM2.5的值。分类(classification):让机器做选择题,先准备
- 局部极小值与鞍点 Datawhale X 李宏毅苹果书 AI夏令营
千740
人工智能深度学习机器学习
1,为什么随着参数的不断更新,损失无法降低?当参数对损失微分为零的时候,梯度下降就不能再更新参数了,训练就停下来了,损失不再下降了,此时梯度接近于0。我们把梯度为零的点统称为临界点(criticalpoint)。损失没有办法再下降,也许是因为收敛在了临界点,临界点包括局部极小值,局部极大值和鞍点(梯度是零且区别于局部极小值和局部极大值(localmaximum)的点)2,如果一个点的梯度接近于0,
- Datawhale X 李宏毅苹果书 AI夏令营Day03
xuanEpiphany29
人工智能
一、打卡Datawhale二、学习1、文档学习图中展示了一个函数集合,其中包含多个未知参数的函数fθ1(x)和fθ2(x)。通过将这些函数组合起来,可以得到一个更大的函数集合。然而,如果这个函数集合太小了,没有包含任何一个函数,那么即使找到了一个最优的θ∗,其损失仍然不够低。这就像大海里捞针一样,想要找到一个损失低的函数,但最终却发现这个函数并不在这个函数集合内。在这种情况下,可以通过重新设计模型
- Datawhale X 李宏毅苹果书 AI夏令营Day02
xuanEpiphany29
人工智能
一、打卡Datawhale进入打卡链接选择相对应的任务打卡就可以了二、学习1、线性模型依旧是b站上老师的授课视频,我找到知乎上解释很好的文章,分享一下机器学习(一)线性模型————理论篇线性回归模型、对数几率模型、线性判别分析模型、多分类学习模型-知乎(zhihu.com)(1)、模型概述线性模型是机器学习中一种非常基础且重要的模型,广泛应用于分类和回归任务。线性模型的基本思想是通过一个线性方程来
- FastAPI部署大模型Llama 3.1
记得叫Mark周更
人工智能
项目地址:self-llm/models/Llama3_1/01-Llama3_1-8B-InstructFastApi部署调用.mdatmaster·datawhalechina/self-llm(github.com)目的:使用AutoDL的深度学习环境,简单部署大模型环境准备考虑到部分同学配置环境可能会遇到一些问题,我们在AutoDL平台准备了LLaMA3-1的环境镜像,点击下方链接并直接创
- Datawhale AI夏令营第四期魔搭- AIGC文生图方向 task03笔记
汪贤阳
人工智能AIGC笔记
如何学习八图ai模型kolors1,Kolors是由快手公司开源的第三代文本到图像生成模型,基于StableDiffusion框架开发。它支持中英文输入,特别在中文内容的理解和生成上表现出色。2,深度学习基础:熟悉神经网络、卷积神经网络(CNN)、Transformer等深度学习模型的基本原理。自然语言处理(NLP):了解文本编码、语言模型等NLP技术,因为Kolors在生成图像时需要理解并处理输
- (202402)多智能体MetaGPT入门2:AI Agent知识体系结构
早上真好
参与dw开源学习语言模型人工智能
文章目录前言1智能体定义2热门智能体案例3智能体的宏观机会4AIAgent与Sy1&Sy2观看视频前言感谢datawhale组织开源的多智能体学习内容,飞书文档地址在https://deepwisdom.feishu.cn/wiki/KhCcweQKmijXi6kDwnicM0qpnEf本章主要为Agent相关理论知识的学习。1智能体定义智能体=LLM+观察+思考+行动+记忆多智能体=智能体+环境
- 深入浅出PyTorch学习网址
今天是学习的一天
人工智能
https://datawhalechina.github.io/thorough-pytorch/
- Datawhale用免费GPU线上跑AI项目实践课程任务一学习笔记。部署ChatGLM3-6B模型
Hoogte-oile
学习笔记学习笔记人工智能自然语言处理
前言本篇文章为学习笔记,流程参照Datawhale用免费GPU线上跑AI项目实践课程任务,个人写此文章为记录学习历程和补充概念,并希望为后续的学习者开辟道路,没有侵权的意思。如有错误也希望大佬们批评指正。模型介绍ChatGLM-6B是一个开源的、支持中英双语问答的对话语言模型,基于GeneralLanguageModel(GLM)架构,具有62亿参数。结合模型量化技术,用户可以在消费级的显卡上进行
- 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