木上虫儿飞
木上虫儿飞

caffe Segnet 语义分割（二）

2018.02.27 leaning journal
by 赵木木

1. caffe-segnet 训练探索

上一篇：http://blog.csdn.net/linwantian/article/details/79377588
已经将segnet-caffe的训练做了说明；
对在训练过程中遇到的问题进行记录：

键入训练命令：

relaybot@ubuntu:~/mumu$ ./SegNet/caffe-segnet/build/tools/caffe train -gpu 0 -solver ./SegNet/Models/segnet_solver.prototxt

segnet-caffe 训练遇到错误：Check failed: error == cudaSuccess (2 vs. 0) out of memory

网上有解释是：batch_size太大了，一次性读入的图片太多了，所以就超出了显存。因此需要将train.prototxt中的layer的batch_size调小一点。
我的笔记本的显卡比较菜鸟：将其改为1才成功跳过这个bug
caffe Segnet 语义分割（二）_第1张图片

然后是训练时间耗时很长，我在Models/segnet_solver.prototxt文件中修改了下训练的大小，有些名字不太懂，其实这类问题都可以上 github 的 Issues 中找，后面有些问题也是通过查看Issues解决的。

前面在Models/segnet_solver.prototxt文件中，将max_iter设置为1000，也就是需要迭代1000次才能训练结束，display设置为20，也就是每迭代20次显示一次迭代信息，我的笔记本这次训练耗时一个小时，换成别的显卡肯定快许多。

I0227 09:27:29.151870  3754 solver.cpp:228] Iteration 960, loss = 0.465969
I0227 09:27:29.151957  3754 solver.cpp:244]     Train net output #0: accuracy = 0.255446
I0227 09:27:29.151971  3754 solver.cpp:244]     Train net output #1: loss = 0.465969 (* 1 = 0.465969 loss)
I0227 09:27:29.151979  3754 solver.cpp:244]     Train net output #2: per_class_accuracy = 0
I0227 09:27:29.151986  3754 solver.cpp:244]     Train net output #3: per_class_accuracy = 0.0160278
I0227 09:27:29.151993  3754 solver.cpp:244]     Train net output #4: per_class_accuracy = 0
I0227 09:27:29.151998  3754 solver.cpp:244]     Train net output #5: per_class_accuracy = 0.949324
I0227 09:27:29.152004  3754 solver.cpp:244]     Train net output #6: per_class_accuracy = 0.106586
I0227 09:27:29.152011  3754 solver.cpp:244]     Train net output #7: per_class_accuracy = 0
I0227 09:27:29.152017  3754 solver.cpp:244]     Train net output #8: per_class_accuracy = 0
I0227 09:27:29.152024  3754 solver.cpp:244]     Train net output #9: per_class_accuracy = 0
I0227 09:27:29.152029  3754 solver.cpp:244]     Train net output #10: per_class_accuracy = 0
I0227 09:27:29.152035  3754 solver.cpp:244]     Train net output #11: per_class_accuracy = 0
I0227 09:27:29.152040  3754 solver.cpp:244]     Train net output #12: per_class_accuracy = 0
I0227 09:27:29.152048  3754 sgd_solver.cpp:106] Iteration 960, lr = 0.01
I0227 09:28:46.873960  3754 solver.cpp:228] Iteration 980, loss = 0.859281
I0227 09:28:46.874079  3754 solver.cpp:244]     Train net output #0: accuracy = 0.473837
I0227 09:28:46.874097  3754 solver.cpp:244]     Train net output #1: loss = 0.859281 (* 1 = 0.859281 loss)
I0227 09:28:46.874106  3754 solver.cpp:244]     Train net output #2: per_class_accuracy = 0.978743
I0227 09:28:46.874114  3754 solver.cpp:244]     Train net output #3: per_class_accuracy = 0.108868
I0227 09:28:46.874120  3754 solver.cpp:244]     Train net output #4: per_class_accuracy = 0.0167785
I0227 09:28:46.874127  3754 solver.cpp:244]     Train net output #5: per_class_accuracy = 0.918752
I0227 09:28:46.874135  3754 solver.cpp:244]     Train net output #6: per_class_accuracy = 0.675187
I0227 09:28:46.874141  3754 solver.cpp:244]     Train net output #7: per_class_accuracy = 0.00214325
I0227 09:28:46.874147  3754 solver.cpp:244]     Train net output #8: per_class_accuracy = 0.915285
I0227 09:28:46.874155  3754 solver.cpp:244]     Train net output #9: per_class_accuracy = 0
I0227 09:28:46.874161  3754 solver.cpp:244]     Train net output #10: per_class_accuracy = 0
I0227 09:28:46.874168  3754 solver.cpp:244]     Train net output #11: per_class_accuracy = 0.919846
I0227 09:28:46.874174  3754 solver.cpp:244]     Train net output #12: per_class_accuracy = 0
I0227 09:28:46.874182  3754 sgd_solver.cpp:106] Iteration 980, lr = 0.01
I0227 09:30:00.935937  3754 solver.cpp:454] Snapshotting to binary proto file /home/relaybot/mumu/SegNet/Models/Training/segnet_iter_1000.caffemodel
I0227 09:30:03.815346  3754 sgd_solver.cpp:273] Snapshotting solver state to binary proto file /home/relaybot/mumu/SegNet/Models/Training/segnet_iter_1000.solverstate
I0227 09:30:05.194144  3754 solver.cpp:317] Iteration 1000, loss = 0.789985
I0227 09:30:05.194195  3754 solver.cpp:337] Iteration 1000, Testing net (#0)
I0227 09:31:08.651491  3754 solver.cpp:404]     Test net output #0: accuracy = 0.474696
I0227 09:31:08.651664  3754 solver.cpp:404]     Test net output #1: loss = 0.772579 (* 1 = 0.772579 loss)
I0227 09:31:08.651679  3754 solver.cpp:404]     Test net output #2: per_class_accuracy = 0.945665
I0227 09:31:08.651688  3754 solver.cpp:404]     Test net output #3: per_class_accuracy = 0.0743196
I0227 09:31:08.651698  3754 solver.cpp:404]     Test net output #4: per_class_accuracy = 0.0442652
I0227 09:31:08.651707  3754 solver.cpp:404]     Test net output #5: per_class_accuracy = 0.868098
I0227 09:31:08.651716  3754 solver.cpp:404]     Test net output #6: per_class_accuracy = 0.348668
I0227 09:31:08.651726  3754 solver.cpp:404]     Test net output #7: per_class_accuracy = 0.0093155
I0227 09:31:08.651734  3754 solver.cpp:404]     Test net output #8: per_class_accuracy = 0.809386
I0227 09:31:08.651743  3754 solver.cpp:404]     Test net output #9: per_class_accuracy = 0
I0227 09:31:08.651751  3754 solver.cpp:404]     Test net output #10: per_class_accuracy = 0.0136846
I0227 09:31:08.651759  3754 solver.cpp:404]     Test net output #11: per_class_accuracy = 0.655417
I0227 09:31:08.651768  3754 solver.cpp:404]     Test net output #12: per_class_accuracy = 0.0351428
I0227 09:31:08.651777  3754 solver.cpp:322] Optimization Done.
I0227 09:31:08.651783  3754 caffe.cpp:254] Optimization Done.
relaybot@ubuntu:~/mumu$

训练结束，在/SegNet/Models/Training文件夹底下输出结果：
caffe Segnet 语义分割（二）_第2张图片

按照上一篇：http://blog.csdn.net/linwantian/article/details/79377588 中的步骤生成权重文件；
需要提前在目录下新建文件夹：

/SegNet/Models/Inference/

键入命令：

relaybot@ubuntu:~/mumu$ python ./SegNet/Scripts/compute_bn_statistics.py ./SegNet/Models/segnet_train.prototxt ./SegNet/Models/Training/segnet_iter_1000.caffemodel ./SegNet/Models/Inference/

生成权重文件：
caffe Segnet 语义分割（二）_第3张图片
caffe Segnet 语义分割（二）_第4张图片
caffe Segnet 语义分割（二）_第5张图片

键入命令显示图像输出结果，此部分代码是python文件：test_segmentation_camvid.py，其中事先在文件中更改目录；

relaybot@ubuntu:~/mumu$ python ./SegNet/Scripts/test_segmentation_camvid.py --model ./SegNet/Models/segnet_inference.prototxt --weights ./SegNet/Models/Inference/test_weights.caffemodel --iter 233

caffe Segnet 语义分割（二）_第6张图片
会生成三张图，需要将三张图都关闭后，才会显示下一个图片对象的输入输出结果；
caffe Segnet 语义分割（二）_第7张图片

你可能感兴趣的:(learning,journal)

  • 机器学习(Machine Learning) 七指琴魔御清绝 大数据学习
    原文链接：http://blog.csdn.net/zhoubl668/article/details/42921187希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Ada
  • LWC-KD：图结构感知的推荐系统增量学习对比知识蒸馏 宇直不会放弃 GKD-Middlelayer人工智能pythonchatgptgpu算力深度学习机器学习神经网络
    LWC-KD：图结构感知的推荐系统增量学习对比知识蒸馏《GraphStructureAwareContrastiveKnowledgeDistillationforIncrementalLearninginRecommenderSystems》2021作者是YueningWang、YingxueZhang和MarkCoates论文地址：https://dl.acm.org/doi/10.1145/
  • 第五周作业——第十章动手试一试 hongsqi
    10-1Python学习笔记学习笔记：在文本编辑器中新建一个文件，写几句话来总结一下你至此学到的Python知识，其中每一行都以“InPythonyoucan”打头。将这个文件命名为learning_python.txt，并将其存储到为完成本章练习而编写的程序所在的目录中。编写一个程序，它读取这个文件，并将你所写的内容打印三次：第一次打印时读取整个文件；第二次打印时遍历文件对象；第三次打印时将各行
  • Python 变量起名全攻略：新手避坑与大神指南 科雷learning 学习AIpython编程python开发语言
    学习AI科雷learning2025年03月10日22:19江苏一、引言：变量起名的“玄学”难题在Python编程的世界里，变量命名看似简单，实则暗藏玄机，常常让新手们踩坑不断。本文将带你深入了解Python变量命名规则，助你从新手小白变身命名大神。二、基础规则：保命口诀要牢记小白的困惑小白：（举着写满报错的代码）大神快看！我就写了个3D效果=True，Python竟然说我语法错误？专家的解答专家
  • XGBClassifiler函数介绍 浊酒南街 #算法机器学习XGB
    目录前言函数介绍示例前言XGBClassifier是XGBoost库中用于分类任务的类。XGBoost是一种高效且灵活的梯度提升决策树（GBDT）实现，它在多种机器学习竞赛中表现出色，尤其擅长处理表格数据。函数介绍XGBClassifiler(max_depth=3,learning_rate=0.1,n_estimators=100,objective='binary:logistic',boo
  • 深度学习和机器学习的差异 The god of big data 教程深度学习机器学习人工智能
    一、技术架构的本质差异传统机器学习（MachineLearning）建立在统计学和数学优化基础之上，其核心技术是通过人工设计的特征工程（FeatureEngineering）构建模型。以支持向量机（SVM）为例，算法通过核函数将数据映射到高维空间，但特征提取完全依赖工程师的领域知识。这种"人工特征+浅层模型"的结构在面对复杂非线性关系时容易遭遇性能瓶颈。深度学习（DeepLearning）作为机器
  • PyBroker: 使用Python进行机器学习驱动的算法交易指南 任铃冰Flourishing
    PyBroker:使用Python进行机器学习驱动的算法交易指南pybrokerAlgorithmicTradinginPythonwithMachineLearning项目地址:https://gitcode.com/gh_mirrors/py/pybroker一、项目目录结构及介绍PyBroker项目遵循了清晰的组织结构来简化其源码管理和维护。以下是该仓库的主要目录及其简介：├──docs#文
  • 大话机器学习三大门派：监督、无监督与强化学习 安意诚Matrix 机器学习笔记机器学习人工智能
    以武侠江湖为隐喻，系统阐述了机器学习的三大范式：监督学习（少林派）凭借标注数据精准建模，擅长图像分类等预测任务；无监督学习（逍遥派）通过数据自组织发现隐藏规律，在生成对抗网络（GAN）等场景大放异彩；强化学习（明教）依托动态环境交互优化策略，驱动AlphaGo、自动驾驶等突破性应用。文章融合技术深度与江湖趣味，既解析了CNN、PCA、Q-learning等核心算法的"武功心法"（数学公式与代码实现
  • Pyhton网络编程_UDP_TCP(IP地址--端口--socket编程) Felix-微信(Felixzfb) 网络编程TCPUDP
    Python高级语法——网络编程——进阶学习笔记项目中案例参考：https://github.com/FangbaiZhang/Python_advanced_learning/tree/master/03_Python_network_programming1网络通信使用网络能够把多方链接在一起，然后可以进行数据传递所谓的网络编程就是，让在不同的电脑上的软件能够进行数据传递，即进程之间的通信1.
  • 论文阅读笔记——Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware 寻丶幽风 论文阅读笔记论文阅读笔记人工智能深度学习机器人
    ALOHA论文ALOHA解决了策略中的错误可能随时间累积，且人类演示可能是非平稳的，提出了ACT（ActionChunkingwithTransformers）方法。ActionChunking模仿学习中，compoundingerror是致使任务失败的主要原因。具体来说，当智能体（agent）在测试时遇到训练集中未见过的情况时，可能会产生预测误差。这些误差会逐步累积，导致智能体进入未知状态，最终
  • 【OpenAI官方课程】第一课：GPT-Prompt 的构建原则指南 euffylee ChatGPTPrompt官方课程gptprompt人工智能
    欢迎来到ChatGPT开发人员提示工程课程（ChatGPTPromptEngineeringforDevelopers）！本课程将教您如何通过OpenAIAPI有效地利用大型语言模型（LLM）来创建强大的应用程序。本课程由OpenAI的IsaFulford和DeepLearning.AI的AndrewNg主讲，深入了解LLM的运作方式，提供即时工程的最佳实践，并演示LLMAPI在各种应用程序中的使
  • 当深度学习遇见禅宗：用东方智慧重新诠释DQN算法 带上一无所知的我 智能体的自我修炼：强化学习指南深度学习算法人工智能DQN
    当深度学习遇见禅宗：用东方智慧重新诠释DQN算法“好的代码如同山水画，既要工笔细描，又要留白写意”——一个在终端前顿悟的开发者DQN是Q-Learning算法与深度神经网络的结合体，通过神经网络近似Q值函数，解决传统Q-Learning在高维状态空间下的"维度灾难"问题。引言：代码与禅的碰撞♂️在某个调试代码到凌晨三点的夜晚，我突然意识到：强化学习的过程，竟与佛家修行惊人地相似。智能体在环境中探索
  • python | flower，一个强大的 Python 库！ 双木的木 python拓展学习python库python开发语言计算机视觉人工智能算法联邦学习深度学习
    本文来源公众号“python”，仅用于学术分享，侵权删，干货满满。原文链接：flower，一个强大的Python库！大家好，今天为大家分享一个强大的Python库-flower。Github地址：https://github.com/mher/flower随着机器学习模型应用的增长，联邦学习（FederatedLearning，FL）逐渐成为一个重要方向。联邦学习允许多个客户端在不共享原始数据的情
  • 深入探索Deeplearning4j（DL4J）：Java深度学习的全面指南 软件职业规划 java深度学习开发语言
    一、DL4J框架概述Deeplearning4j（DL4J）是一个开源的深度学习框架，专为Java和Scala设计，运行在Java虚拟机（JVM）上。它由Skymind公司开发并维护，旨在将深度学习技术应用于大规模商业应用。DL4J支持多种深度学习模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。自2014年首次发布以来，DL4J已经成为Java深度学习领域的
  • 34.二叉树进阶3（平衡二叉搜索树 - AVL树及其旋转操作图解） 橘子真甜～ C++基础/STL/IO学习数据结构与算法数据结构C++c++二叉搜索树AVL树平衡搜索树
    ⭐上篇文章：34.二叉树进阶3（C++STL关联式容器，set/map的介绍与使用）-CSDN博客⭐本篇代码：c++学习/19.map和set的使用用与模拟·橘子真甜/c++-learning-of-yzc-码云-开源中国(gitee.com)⭐标⭐是比较重要的部分一.二叉搜索树的缺点之前文章中提到，普通的二叉搜索树在某些情况下会退出成链表，或者根节点的左右子树的高度差非常大。这个时候就会导致其搜
  • Python 在 AI 领域的应用：从零构建你的第一个 AI 模型 嵌入式Jerry Pythonpython人工智能开发语言嵌入式硬件windowsubuntu
    引言人工智能（AI）已经成为现代科技的核心，而Python是AI领域最受欢迎的编程语言之一。其强大的库和框架，如TensorFlow、PyTorch、scikit-learn，使AI开发变得更加简单高效。本文将带你深入理解Python在AI中的应用，并通过机器学习（MachineLearning）和深度学习（DeepLearning）的实际示例，讲解如何构建一个AI模型。1.Python为什么适合
  • 流形学习-Manifold Learning 鹊踏枝-码农 机器学习模式识别流形学习ManifoldLearning
    来源：转载本文请联系原作者获取授权，同时请注明本文来自张重科学网博客。链接地址：http://blog.sciencenet.cn/blog-722391-583413.html流形（manifold）的概念最早是在1854年由Riemann提出的(德文Mannigfaltigkeit)，现代使用的流形定义则是由HermannWeyl在1913年给出的。江泽涵先生对这个名词的翻译出自文天祥《正气歌
  • 机器学习在地图制图学中的应用 地图模型炼丹师 机器学习人工智能
    原文链接：https://www.tandfonline.com/doi/full/10.1080/15230406.2023.2295948#abstractCSDN/2025/Machinelearningincartography.pdfatmain·keykeywu2048/CSDN·GitHub核心内容本文是《制图学与地理信息科学》特刊的扩展评论，系统探讨了机器学习（尤其是深度学习）在制
  • 人工智能与深度学习的应用案例：从技术原理到实践创新 accurater 人工智能深度学习科技
    第一章引言人工智能（AI）作为21世纪最具变革性的技术之一，正通过深度学习（DeepLearning）等核心技术推动各行业的智能化进程。从计算机视觉到自然语言处理，从医疗诊断到工业制造，深度学习通过模拟人脑神经网络的层次化学习机制，实现了对复杂数据的高效分析与决策。本文结合前沿技术框架与行业应用案例，探讨深度学习的核心原理及其在多个领域的实践路径，并附代码实例以增强技术理解。第二章深度学习的技术基
  • 人工智能与深度学习的应用案例解析及代码实现 accurater 人工智能深度学习科技机器人
    引言人工智能（AI）与深度学习（DeepLearning）作为21世纪最具变革性的技术之一，已渗透到医疗、金融、交通、制造等各个领域。深度学习通过多层神经网络模拟人类认知过程，显著提升了复杂任务的自动化水平。本文将从技术原理、核心应用案例及代码实现三个维度，系统解析其实际应用，并探讨未来挑战与发展方向。一、深度学习技术概述1.1核心技术框架深度学习基于深度神经网络（DNN），其核心在于通过多层非线
  • 学习prompt artificiali prompt
    1解释概念中文指令：请借助费曼学习法，以简单的语言解释[特定概念]是什么，并提供一个例子来说明它如何应用。Prompt:PleaseusetheFeynmanLearningTechniquetoexplain[specificconcept]insimplelanguage,andprovideanexampletoillustratehowitapplies.2帕累托法则帮你找到最重要、最具挑
  • 第37篇Personalized Federated Learning: A Meta-Learning Approach（perfedavg联邦学习+元学习）2020个性化联邦学习使用Hessian 还不秃顶的计科生 联邦学习学习
    第一部分：解决的问题联邦学习（FL）在多用户协同训练模型时，因数据隐私和通信限制，用户仅与中央服务器交互。传统FL方法得到的全局模型无法适应各用户的异质数据，导致在用户本地数据集上性能不佳因此这篇论文旨在解决联邦学习中模型缺乏个性化的问题第二部分：idea基于模型无关元学习（MAML）框架，提出个性化联邦学习问题的新公式。通过寻找一个初始共享模型，让用户基于自身数据执行少量梯度下降步骤就能快速适应
  • Unity AI 技术浅析（二） 爱研究的小牛 AIGC—游戏制作AIGC—虚拟现实unity人工智能游戏引擎AIGC机器学习深度学习
    UnityAI是Unity引擎中集成的智能技术，旨在为游戏开发者、虚拟现实（VR）和增强现实（AR）应用开发者提供强大的AI工具和功能。UnityAI涵盖了从智能代理（Agents）、机器学习（MachineLearning）到自然语言处理（NLP）等多个领域。一、UnityAI的工作原理1.智能代理（Agents）UnityAI的核心之一是智能代理（Agents），这些代理可以模拟游戏中的非玩家
  • pandas学习笔记—DataFrame查询 风之小西 pandas学习笔记
    1、列查询importpandasaspd#创建测试dfdf_book=pd.DataFrame(data=[['论语',5,5],['三体',10,6],['资治通鉴',8,9],['DEEPLEARNING',3,5],['黄帝内经',7,10]],columns=['书名','数量','单价'],index=['a','b','c','d','e'])#用列名直接访问，单列会返回series
  • ARE 132: Cooperative Business Enterprises 后端
    ARE132:CooperativeBusinessEnterprisesFinalProject:CaseStudyofCooperativeBusinessEnterprisesLearningobjectives:Thisprojectallowsyoutoapplythematerialcoveredthroughoutthequarterinananalysisofanexistingc
  • docker引擎断电后启动失败常见问题和解决方案 handsomestWei 运维docker容器运维云原生
    docker引擎断电后启动失败常见问题和解决方案常用排查命令查看containerd运行状态systemctlstatuscontainerd查看docker引擎运行状态systemctlstatusdocker在系统日志中查看docker引擎最近日志并持续追踪journalctl-udocker.service-f-n100常见问题和解决容器加载失败问题使用journalctl命令查看docke
  • 【大模型学习】第八章 深入理解机器学习技术细节 好多渔鱼好多 AI大模型机器学习AI大模型人工智能
    目录引言一、监督学习（SupervisedLearning）1.定义与工作原理2.常见任务3.应用场景示例：房价预测二、无监督学习（UnsupervisedLearning）1.定义与工作原理2.常见任务3.应用场景示例：客户细分三、强化学习（ReinforcementLearning）1.定义与工作原理2.常见应用场景3.应用场景示例：游戏AI四、集成学习（EnsembleLearning）1.
  • 成为LLM大师的必读书籍：这几本大模型书籍，详细到让你一篇文章就收藏足够 AGI大模型老王 产品经理大模型教程学习大模型人工智能LLM大模型书籍
    以下是几本关于大模型和人工智能领域的经典书籍，它们各自具有独特的特点和适用人群：《深度学习》（DeepLearning）作者：伊恩·古德费洛（IanGoodfellow）、约书亚·本吉奥（YoshuaBengio）、亚伦·库维尔（AaronCourville）简介：《深度学习》是深度学习领域的经典之作，全面介绍了深度学习的基础知识、主要模型及其应用。书中详细讲解了神经网络、卷积神经网络、循环神经网
  • 深度学习实战：TensorFlow 开源项目指南 劳治亮
    深度学习实战：TensorFlow开源项目指南Deep-Learning-TensorFlow项目地址:https://gitcode.com/gh_mirrors/dee/Deep-Learning-TensorFlow项目介绍本项目基于GitHub仓库https://github.com/blackecho/Deep-Learning-TensorFlow.git，旨在提供一个全面的学习与开发
  • 机器学习笔记 有涯小学生 赵卫东机器学习笔记机器学习人工智能
    1概述1.1简介机器学习（MachineLearning）是计算机科学的子领域，也是人工智能的一个分支和实现方式。“对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序在从经验E学习。”（汤姆·米切尔（TomMitchell），1997，MachineLearning）1.2机器学习、人工智能、数据挖掘从本质上看，数据科学的目标是通过处理各
  • ASM系列四 利用Method 组件动态注入方法逻辑 lijingyao8206 字节码技术jvmAOP动态代理ASM
            这篇继续结合例子来深入了解下Method组件动态变更方法字节码的实现。通过前面一篇，知道ClassVisitor 的visitMethod()方法可以返回一个MethodVisitor的实例。那么我们也基本可以知道，同ClassVisitor改变类成员一样，MethodVIsistor如果需要改变方法成员，注入逻辑，也可以
  • java编程思想 --内部类 百合不是茶 java内部类匿名内部类
    内部类;了解外部类 并能与之通信 内部类写出来的代码更加整洁与优雅   1,内部类的创建  内部类是创建在类中的 package com.wj.InsideClass; /* * 内部类的创建 */ public class CreateInsideClass { public CreateInsideClass(
  • web.xml报错 crabdave web.xml
    web.xml报错   The content of element type "web-app" must match "(icon?,display-  name?,description?,distributable?,context-param*,filter*,filter-mapping*,listener*,servlet*,s
  • 泛型类的自定义 麦田的设计者 javaandroid泛型
       为什么要定义泛型类，当类中要操作的引用数据类型不确定的时候。 采用泛型类，完成扩展。   例如有一个学生类     Student{ Student(){ System.out.println("I'm a student....."); } }  有一个老师类  
  • CSS清除浮动的4中方法 IT独行者 JavaScriptUIcss
    清除浮动这个问题，做前端的应该再熟悉不过了，咱是个新人，所以还是记个笔记，做个积累，努力学习向大神靠近。CSS清除浮动的方法网上一搜，大概有N多种，用过几种，说下个人感受。 1、结尾处加空div标签 clear:both 1 2 3 4 .div 1 { background : #000080 ; border : 1px   s
  • Cygwin使用windows的jdk 配置方法 _wy_ jdkwindowscygwin
    1.[vim /etc/profile]    JAVA_HOME="/cgydrive/d/Java/jdk1.6.0_43"  (windows下jdk路径为D:\Java\jdk1.6.0_43)    PATH="$JAVA_HOME/bin:${PATH}"    CLAS
  • linux下安装maven 无量 mavenlinux安装
    Linux下安装maven(转) 1.首先到Maven官网 下载安装文件，目前最新版本为3.0.3，下载文件为 apache-maven-3.0.3-bin.tar.gz，下载可以使用wget命令； 2.进入下载文件夹，找到下载的文件，运行如下命令解压 tar -xvf  apache-maven-2.2.1-bin.tar.gz 解压后的文件夹
  • tomcat的https 配置,syslog-ng配置 aichenglong tomcathttp跳转到httpssyslong-ng配置syslog配置
    1) tomcat配置https,以及http自动跳转到https的配置     1)TOMCAT_HOME目录下生成密钥(keytool是jdk中的命令)      keytool -genkey -alias tomcat -keyalg RSA -keypass changeit -storepass changeit
  • 关于领号活动总结 alafqq 活动
    关于某彩票活动的总结 具体需求，每个用户进活动页面，领取一个号码，1000中的一个； 活动要求 1，随机性，一定要有随机性； 2，最少中奖概率，如果注数为3200注，则最多中4注 3，效率问题，（不能每个人来都产生一个随机数，这样效率不高）； 4，支持断电（仍然从下一个开始），重启服务；（存数据库有点大材小用，因此不能存放在数据库） 解决方案 1，事先产生随机数1000个，并打
  • java数据结构 冒泡排序的遍历与排序 百合不是茶 java
    java的冒泡排序是一种简单的排序规则   冒泡排序的原理：           比较两个相邻的数，首先将最大的排在第一个，第二次比较第二个 ，此后一样；         针对所有的元素重复以上的步骤，除了最后一个     例题；将int array[]
  • JS检查输入框输入的是否是数字的一种校验方法 bijian1013 js
    如下是JS检查输入框输入的是否是数字的一种校验方法： <form method=post target="_blank"> 数字：<input type="text" name=num onkeypress="checkNum(this.form)"><br> </form>
  • Test注解的两个属性：expected和timeout bijian1013 javaJUnitexpectedtimeout
    JUnit4：Test文档中的解释： 　　The Test annotation supports two optional parameters. 　　The first, expected, declares that a test method should throw an exception. 　　If it doesn't throw an exception or if it
  • [Gson二]继承关系的POJO的反序列化 bit1129 POJO
    父类     package inheritance.test2; import java.util.Map; public class Model { private String field1; private String field2; private Map<String, String> infoMap
  • 【Spark八十四】Spark零碎知识点记录 bit1129 spark
    1. ShuffleMapTask的shuffle数据在什么地方记录到MapOutputTracker中的 ShuffleMapTask的runTask方法负责写数据到shuffle map文件中。当任务执行完成成功，DAGScheduler会收到通知，在DAGScheduler的handleTaskCompletion方法中完成记录到MapOutputTracker中  
  • WAS各种脚本作用大全 ronin47 WAS 脚本
    　　　http://www.ibm.com/developerworks/cn/websphere/library/samples/SampleScripts.html 　　　无意中，在WAS官网上发现的各种脚本作用，感觉很有作用，先与各位分享一下 　　　 获取下载 这些示例 jacl 和 Jython 脚本可用于在 WebSphere Application Server 的不同版本中自
  • java-12.求 1+2+3+..n不能使用乘除法、 for 、 while 、 if 、 else 、 switch 、 case 等关键字以及条件判断语句 bylijinnan switch
    借鉴网上的思路，用java实现： public class NoIfWhile { /** * @param args * * find x=1+2+3+....n */ public static void main(String[] args) { int n=10; int re=find(n); System.o
  • Netty源码学习-ObjectEncoder和ObjectDecoder bylijinnan javanetty
    Netty中传递对象的思路很直观： Netty中数据的传递是基于ChannelBuffer（也就是byte[]）； 那把对象序列化为字节流，就可以在Netty中传递对象了 相应的从ChannelBuffer恢复对象，就是反序列化的过程 Netty已经封装好ObjectEncoder和ObjectDecoder 先看ObjectEncoder ObjectEncoder是往外发送
  • spring 定时任务中cronExpression表达式含义 chicony cronExpression
    一个cron表达式有6个必选的元素和一个可选的元素，各个元素之间是以空格分隔的，从左至右，这些元素的含义如下表所示： 代表含义            是否必须 允许的取值范围         &nb
  • Nutz配置Jndi ctrain JNDI
    1、使用JNDI获取指定资源： var ioc = { dao : { type :"org.nutz.dao.impl.NutDao", args : [ {jndi :"jdbc/dataSource"} ] } } 以上方法,仅需要在容器中配置好数据源,注入到NutDao即可.
  • 解决 /bin/sh^M: bad interpreter: No such file or directory daizj shell
    在Linux中执行.sh脚本，异常/bin/sh^M: bad interpreter: No such file or directory。   分析：这是不同系统编码格式引起的：在windows系统中编辑的.sh文件可能有不可见字符，所以在Linux系统下执行会报以上异常信息。 解决： 1）在windows下转换： 利用一些编辑器如UltraEdit或EditPlus等工具
  • [转]for 循环为何可恨？ dcj3sjt126com 程序员读书
      Java的闭包(Closure)特征最近成为了一个热门话题。 一些精英正在起草一份议案，要在Java将来的版本中加入闭包特征。 然而，提议中的闭包语法以及语言上的这种扩充受到了众多Java程序员的猛烈抨击。 不久前，出版过数十本编程书籍的大作家Elliotte Rusty Harold发表了对Java中闭包的价值的质疑。 尤其是他问道“for 循环为何可恨？”[http://ju
  • Android实用小技巧 dcj3sjt126com android
    1、去掉所有Activity界面的标题栏 　　修改AndroidManifest.xml 　　在application 标签中添加android:theme="@android:style/Theme.NoTitleBar"   2、去掉所有Activity界面的TitleBar 和StatusBar  　　修改AndroidManifes
  • Oracle 复习笔记之序列 eksliang Oracle 序列sequenceOracle sequence
    转载请出自出处：http://eksliang.iteye.com/blog/2098859 1.序列的作用 序列是用于生成唯一、连续序号的对象 一般用序列来充当数据库表的主键值 2.创建序列语法如下：   create sequence s_emp start with 1 --开始值 increment by 1 --増长值 maxval
  • 有“品”的程序员 gongmeitao 工作
    完美程序员的10种品质　　   完美程序员的每种品质都有一个范围，这个范围取决于具体的问题和背景。没有能解决所有问题的   完美程序员（至少在我们这个星球上），并且对于特定问题，完美程序员应该具有以下品质： 　　1. 才智非凡- 能够理解问题、能够用清晰可读的代码翻译并表达想法、善于分析并且逻辑思维能力强   （范围：用简单方式解决复杂问题）　　
  • 使用KeleyiSQLHelper类进行分页查询 hvt sql.netC#asp.nethovertree
    本文适用于sql server单主键表或者视图进行分页查询，支持多字段排序。KeleyiSQLHelper类的最新代码请到http://hovertree.codeplex.com/SourceControl/latest下载整个解决方案源代码查看。或者直接在线查看类的代码：http://hovertree.codeplex.com/SourceControl/latest#HoverTree.D
  • SVG 教程 （三）圆形，椭圆，直线 天梯梦 svg
    SVG <circle> SVG 圆形 - <circle> <circle> 标签可用来创建一个圆： 下面是SVG代码： <svg xmlns="http://www.w3.org/2000/svg" version="1.1"> <circle cx="100" c
  • 链表栈 luyulong java数据结构
    public class Node { private Object object; private Node next; public Node() { this.next = null; this.object = null; } public Object getObject() { return object; } public
  • 基础数据结构和算法十：2-3 search tree sunwinner Algorithm2-3 search tree
      Binary search tree works well for a wide variety of applications, but they have poor worst-case performance. Now we introduce a type of binary search tree where costs are guaranteed to be loga
  • spring配置定时任务 stunizhengjia springtimer
    最近因工作的需要，用到了spring的定时任务的功能,觉得spring还是很智能化的,只需要配置一下配置文件就可以了,在此记录一下，以便以后用到：     //------------------------定时任务调用的方法------------------------------ /** * 存储过程定时器 */ publi
  • ITeye 8月技术图书有奖试读获奖名单公布 ITeye管理员 活动
    ITeye携手博文视点举办的8月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。 8月试读活动回顾： http://webmaster.iteye.com/blog/2102830 本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）： 《跨终端Web》 gleams：http
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他