- TBC:Tied Block Convolution-即插即用 | Leaner and Better CNNs with Shared Thinner Filters
chenzy_hust
思想比较简单,参数量可以看出大幅度减少,推理速度优化方面还有待验证https://arxiv.org/pdf/2009.12021.pdfAbstract:卷积是卷积神经网络(CNN)的主要构建块。我们观察到,通道数量随着深度的增加而增加,优化的CNN通常具有高度相关的滤波器,从而降低了特征表示的表达能力。我们提出了TiedBlockConvolution(TBC),它在相等的通道块上共享相同的T
- TBC(Tied Block Convolution):具有共享较薄滤波器的更简洁、更出色的CNN
静静AI学堂
高质量AI论文翻译cnn人工智能神经网络
文章目录摘要引言相关工作TiedBlockConvolution网络设计TBC公式化在瓶颈模块中的TBC/TGCTBC和TFC在注意力模块中的应用实验结果ImageNet分类物体检测和实例分割轻量级注意力消融研究总结补充资料物体检测和实例分割的详细结果额外的Grad-CAM可视化结果
- Tied Block Convolution: 具有共享较薄滤波器的更简洁、更出色的CNN
AI浩
cnn人工智能神经网络
摘要https://arxiv.org/pdf/2009.12021.pdf卷积是卷积神经网络(CNN)的主要构建块。我们观察到,随着通道数的增加,优化后的CNN通常具有高度相关的滤波器,这降低了特征表示的表达力。我们提出了TiedBlockConvolution(TBC),它在等量的通道块上共享相同的较薄的滤波器,并使用单个滤波器生成多个响应。TBC的概念也可以扩展到组卷积和全连接层,并且可以应
- 探索深度学习的边界:使用 TensorFlow 实现高效空洞卷积(Atrous Convolution)的全面指南
程序员Chino的日记
深度学习tensorflow人工智能
空洞卷积(AtrousConvolution),在TensorFlow中通过tf.nn.atrous_conv2d函数实现,是一种强大的工具,用于增强卷积神经网络的功能,特别是在处理图像和视觉识别任务时。这种方法的核心在于它允许网络以更高的分辨率捕获图像信息,同时不增加额外的计算负担。标准卷积网络通过过滤器逐步减少图像的空间分辨率,以提取重要的特征。然而,这种方法会损失一些细节信息,这在一些任务中
- 如何解决caffe和video-caffe不能使用cudnn8编译的问题
Arnold-FY-Chen
video-caffe深度学习Caffevideo-caffecaffe深度学习cudnn8cudnn
因为caffe之类的代码很久不更新了,只支持到了使用cudnn7.x,在使用了cudnn8的环境下编译caffe或video-caffe时,会在src/caffe/layers/cudnn_conv_layer.cpp等文件里出错:error:identifier"CUDNN_CONVOLUTION_FWD_SPECIFY_WORKSPACE_LIMIT"isundefinederror:iden
- 深度学习(7)--卷积神经网络项目详解
GodFishhh
深度学习深度学习cnn人工智能
一.项目介绍:用Keras工具包搭建训练自己的一个卷积神经网络(Simple_VGGNet,简单版VGGNet),用来识别猫/狗/羊三种图片。数据集:二.卷积神经网络构造查看API文档Convolutionlayers(keras.io)https://keras.io/api/layers/convolution_layers/#导入所需模块fromkeras.modelsimportSeque
- 图卷积网络(Graph Convolution Network,GCN)
唯余木叶下弦声
深度学习深度学习人工智能
目录一、前言二、GCN原理三、GCN用于节点分类四、总结一、前言在图神经网络出现之前,一般的神经网络只能对常规的欧式数据进行处理,其特点就是节点有固定的排列规则和顺序,如2维网格和1维序列。近几年来,将深度学习应用到处理和图结构数据相关的任务中越来越受到人们的关注。图神经网络的出现使其在上述任务中取得了重大突破,比如在社交网络、自然语言处理、计算机视觉甚至生命科学等领域得到了非常广泛的应用。图神经
- 扩张卷积(dilated convolution)
菜菜子hoho
小知识点合集深度学习卷积
【对扩张卷积的学习记录】ICLR-2016-DilatedConvolution:MULTI-SCALECONTEXTAGGREGATIONBYDILATEDCONVOLUTIONS论文地址:https://arxiv.org/abs/1511.07122代码地址:https://github.com/fyu/dilationhttps://github.com/bordesf/dilation论
- 空洞卷积(扩张卷积dilated convolution)
NeroChang
图像分割空洞卷积图像分割
为什么用空洞卷积?普通的DeepCNN中普遍包含Up-sampling/poolinglayer,导致内部数据结构丢失;空间层级化信息丢失。小物体信息无法重建(假设有四个poolinglayer则任何小于2^4=16pixel的物体信息在理论上将无法重建和分割。)普通卷积过程如下:在这样显著缺陷问题的存在下,语义分割问题一直处在瓶颈期无法再明显提高精度,而dilatedconvolution的设计
- 空洞卷积(扩张卷积,带孔卷积,atrous convolution)的一些总结与理解
interesting233333
空洞卷积带孔卷积atrousconv扩张卷积
空洞卷积(扩张卷积,带孔卷积,atrousconvolution)是一种区别于普通卷积的卷积方式,从字面理解,就是卷积层中有洞。1.一维理解以一维为例:图中(a)Inputfeature表示输入特征,Outputfeature表示输出特征,这是一个正常的kernel=3;stride=1;pad=1的卷积操作。图中(b)下面为Inputfeature,上面为Outputfeature,与图(a)不
- opencv009 滤波器01(卷积)
yf743909
计算机视觉深度学习cnnpythonopencv人工智能学习
图像卷积操作(convolution),或称为核操作(kernel),是进行图像处理的一种常用手段,图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系,通过加权求和的操作,实现模糊(blurring),锐化(sharpening),边缘检测(edgedetection)等功能。期末考试结束!又开始学习opencv啦1、什么是图片卷积图像卷积就是卷积核在图像上按行滑动遍历像素时不断地相乘求和的
- CNN:Convolutional Neural Network(下)
狂放不羁霸
深度学习cnn深度学习机器学习
目录1CNN学到的是什么1.1Convolution中的参数1.2FFN中的参数1.3Output2DeepDream3DeepStyle4MoreApplication4.1AlphaGo4.2Speech4.3Text原视频:李宏毅2020:ConvolutionalNeuralNetwork本博客属于学习笔记,如有问题请大佬指正~1CNN学到的是什么我们可能会认为神经网络都是一个黑箱(bla
- 卷积——相关知识点总结
T-SW
笔记卷积神经网络
一、2D卷积(2DConvolution)1.公式 卷积运算(Convolution)定义:一种通过两个函数和生成第三个函数的一种数学算子,公式如下。通常将函数fff称为输入(input),函数ggg称为卷积核(kernel),函数hhh称为特征图谱(featuremap)。h(t)=∫g(t−t′)f(t) dt′h(t)=\int_\{g(t-t')f(t)}\,{\rmd}t'h(t)=∫
- 论文笔记-混合卷积MixConv: Mixed Depthwise Convolutional Kernels
Lyndsey
#论文阅读笔记
Hello,今天是论文阅读计划的第9天啦~调整计划后,现在都趁着早上最安静最无打扰的时候看论文,完成每天的论文阅读任务。今天我们介绍一篇混合卷积的内容,我最初找到这篇论文呢,是因为我自己做的论文,在思考怎么能让它更好的补获时序信息。所以现在会有意识的培养自己论文阅读的习惯,不断累积更多的想法,在未来突然有需要的时候,脑袋里不会空空如也。一、题目关键词解读MixConv:混合卷积,思考怎么混合法?大
- 【论文笔记合集】卷积神经网络之深度可分离卷积(Depthwise Separable Convolution)
slience_me
论文笔记论文阅读cnn人工智能
本文作者:slience_me我看的论文地址:MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications内容1.标准卷积假设输入为DF×DF×M,输出为输入为DF×DF×N,卷积核为DK×DK×M,共有N个卷积核进行卷积操作下图为标准的卷积过程,每个卷积核对输入的向量进行卷积操作,得到一个特征映射,共有N个卷
- CNN:Convolutional Neural Network(上)
狂放不羁霸
深度学习深度学习机器学习人工智能
目录1为什么使用CNN处理图像2CNN的整体结构2.1Convolution2.2Colorfulimage3Convolutionv.s.FullyConnected4MaxPooling5Flatten6CNNinKeras原视频:李宏毅2020:ConvolutionalNeuralNetwork1为什么使用CNN处理图像李宏毅老师提出了以下三点理由。①Somepatternsaremuch
- [论文精读]Hi-GCN: A hierarchical graph convolution network for graph embedding learning of brain network
夏莉莉iy
论文精读embedding人工智能深度学习学习机器学习图像处理图论
论文原文:Hi-GCN:Ahierarchicalgraphconvolutionnetworkforgraphembeddinglearningofbrainnetworkandbraindisordersprediction-ScienceDirect论文代码:https://github.com/haojiang1/hi-GCN目录1.省流版1.1.心得1.2.论文框架图2.论文逐段精读2.
- 22、CNN(卷积神经网络)
羽天驿
一、CNN参考文章https://www.cnblogs.com/kongweisi/p/10987870.html卷积运算结构.png层与层之间的连除了矩阵运算,还有CNN。convolutionneuralnetwork卷积神经网络convolution卷积是一种数学的运算运算法则:inputimage*kernel=featuremap第一步.png第二步.png行乘以行相加再求和(对应的位
- 普通卷积、转置卷积(transposed convolution)的原理及运算步骤的详细解释
Trouville01
深度学习人工智能机器学习
1.首先声明一点,转置卷积不是卷积的逆运算,转置卷积也是一种卷积方式,作用是进行上采样!主要出现在分割和对抗神经网络模型中比较多。2.其次,transposedconvolution、fractionally-stridedconvolution和deconvolution都是指转置卷积,但是pytorch官方采用transposedconvolution这种说法,也更能说明转置卷积的原理。下面是
- 李宏毅深度学习——卷积神经网络
migugu
卷积神经网络CNNCNN在图像处理中的应用图像分类:input:像素矩阵output:输出类别的向量大部分pattern比整张图片要小CNN的架构Convolution卷积计算:将卷积核与像素矩阵进行内积计算,侦测patternstride:移动步长不同的filter识别不同的模式,经过卷积运算得到特征图,缩小图片尺寸,增加维度。**每个filter都会对所有层的内积求和**MaxPooling减
- Parallel patterns: convolution —— An introduction to stencil computation
王莽v2
并行计算计算机视觉CUDA
在接下来的几章中,我们将讨论一组重要的并行计算模式。这些模式是许多并行应用中出现的广泛并行算法的基础。我们将从卷积开始,这是一种流行的阵列操作,以各种形式用于信号处理、数字记录、图像处理、视频处理和计算机视觉。在这些应用领域,卷积通常作为过滤器执行,将信号和像素转换为更理想的值。我们的图像模糊内核是一个过滤器,可以平滑信号值,以便人们可以看到大画面的趋势。另一个例子是,高斯滤波器是卷积滤波器,可用
- 深入浅出理解Dilated Convolution(空洞卷积,膨胀卷积)
花花少年
深度学习DilatedConv空洞卷积膨胀卷积
温故而知新,可以为师矣!一、参考资料github仓库:Multi-ScaleContextAggregationbyDilatedConvolutions图片素材来源:Convolutionarithmetic理解DilationconvolutionDilatedConvolution——空洞卷积(膨胀卷积)膨胀卷积学习笔记二、空洞卷积(DilatedConvolution)相关介绍1.引言1.
- 报错RuntimeError: no valid convolution algorithms available in CuDNN
虽然什么都没做,但我还是辛苦了
人工智能深度学习
报错信息如下RuntimeError:novalidconvolutionalgorithmsavailableinCuDNN出现这个问题既不是cuda与cudnn版本不匹配,也不是英伟达显卡驱动需要更新!而是因为你的显存过低不能训练,解决办法是使用混精度训练!!!这样能减少近一半的显存!!!这种报错一般都是在自己电脑上跑才会出现的,或者你可以在服务器上跑,一般服务器显存是足够的。
- LLM Agent之再谈RAG的召回信息密度和质量
人工智能小豪
数据库前端人工智能大模型深度学习机器学习
话接上文的召回多样性优化,多路索引的召回方案可以提供更多的潜在候选内容。但候选越多,如何对这些内容进行筛选和排序就变得更加重要。这一章我们唠唠召回的信息密度和质量。同样参考经典搜索和推荐框架,这一章对应排序+重排环节,考虑排序中粗排和精排的区分主要是针对低延时的工程优化,这里不再进一步区分,统一算作排序模块。让我们先对比下重排和排序模块在经典框架和RAG中的异同排序模块经典框架:pointwise
- AI:112-基于卷积神经网络的美食图片识别与菜谱推荐
一见已难忘
精通AI实战千例专栏合集人工智能cnn美食美食图片识别菜谱推荐
点击这里跳转到本专栏,可查阅专栏顶置最新的指南宝典~你的技术旅程将在这里启航!从基础到实践,深入学习。无论你是初学者还是经验丰富的老手,对于本专栏案例和项目实践都有参考学习意义。✨✨✨每一个案例都附带有在本地跑过的关键代码,详细讲解供大家学习,希望可以帮到大家。欢迎订阅支持,正在不断更新中~一.基于卷积神经网络的美食图片识别与菜谱推荐随着人工智能技术的飞速发展,卷积神经网络(Convolution
- Airbnb系列三《Managing Diversity in Airbnb Search》 搜索多样性
田小成plus
ml算法Airbnb排序推荐多样性
abstract搜索系统中一个长期的问题是结果多样性。从产品角度讲,给用户多种多样的选择,有助于提升用户体验及业务指标。多样性需求和模型的目标是相矛盾的,因为传统ctr模型是pointwise,只看单个相关性不管相邻之间item差异。论文解决多样性的问题,从启发式的方法开始,最后介绍了结合RNN的创新性的DL方法。多样性问题背景多样性问题背景:发现对一些热门location的排序展示结果,top几
- “RuntimeError: Unable to find a valid cuDNN algorithm to run convolution“
wujpbb7
模式识别编程cudnn
错误:RuntimeError:UnabletofindavalidcuDNNalgorithmtorunconvolution解决方法:调小batchsize
- MobileNet相关知识整理
hjxu2016
文献阅读
一、MobileNetV1&MobileNetV2简介(超级推荐)二、Depthwise卷积与Pointwise卷积(Depthwise卷积的提出,大大较少了参数量,论文的主要贡献)三、参数量计算四、论文笔记五、论文地址六、相关代码caffe实现:https://github.com/shicai/MobileNet-Caffe民间实现:caffe|Tensorflow官方代码:github上还是
- 论文解读:On the Integration of Self-Attention and Convolution
十有久诚
深度学习cnn神经网络
自注意力机制与卷积结合:OntheIntegrationofSelf-AttentionandConvolution(CVPR2022)引言1:卷积可以接受比较大的图片的,但自注意力机制如果图片特别大的话,运算规模会特别大,即上图中右边(卷积)会算得比较快,左边(自注意力机制)会算得比较慢,所以我们要想些办法让自注意力机制规模小一点,本篇文章就只让qkv计算部分区域,而不是整个全局图片了。2:自注
- tensorflow 中的深度可分离卷积接口 slim.separable_conv2d()
木水_
深度学习Tensorflow深度学习深度可分离卷积tensorflow
我在前面的一篇博客深入浅出谈谈深度可分离卷积中介绍了深度可分离卷积的原理,然后用tensorflow实现了下。在tensorflow中的接口是slim.separable_conv2d(),接口说明:defseparable_convolution2d(inputs,num_outputs,kernel_size,depth_multiplier=1,stride=1,padding='SAME'
- 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