- MIT-BEVFusion系列八--onnx导出1 综述及相机网络导出
端木的AI探索屋
bevfusiononnx量化自动驾驶bevfusion
目录综述export-camera.py加载模型加载数据生成需要导出成onnx的模块Backbone模块VTransform模块生成onnx使用pytorch原生的伪量化计算方法导出camera.backbone.onnx导出camera.vtransform.onnx综述bevfusion的各个部分的实现有着鲜明的特点,并且相互独立,特别是考虑到后续部署的需要,这里将整个网络,分成多个部分,分别
- 挑战杯 YOLOv7 目标检测网络解读
laafeer
python
文章目录0前言1yolov7的整体结构2关键点-backbone关键点-head3训练4使用效果5最后0前言世界变化太快,YOLOv6还没用熟YOLOv7就来了,如果有同学的毕设项目想用上最新的技术,不妨看看学长的这篇文章,学长带大家简单的解读yolov7,目的是对yolov7有个基础的理解。从2015年的YOLOV1,2016年YOLOV2,2018年的YOLOV3,到2020年的YOLOV4、
- Transformer实战-系列教程17:DETR 源码解读4(Joiner类/PositionEmbeddingSine类/位置编码/backbone)
机器学习杨卓越
Transformer实战transformer深度学习人工智能计算机视觉pytorchDETR
Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传点我下载源码DETR算法解读DETR源码解读1(项目配置/CocoDetection类)DETR源码解读2(ConvertCocoPolysToMask类)DETR源码解读3(DETR类)DETR源码解读4(Joiner类/PositionEmbedding
- MIT-BEVFusion系列七--量化2_Camera、Fuser、Decoder网络的量化
端木的AI探索屋
自动驾驶算法python人工智能网络
目录Camera量化CameraBackbone(Resnet50)量化替换量化层,增加residual_quantizer,修改bottleneck的前向对Add操作进行量化CameraNeck(GeneralizedLSSFPN)量化将Conv2d模块替换为QuantConv2d模块CameraNeck中添加对拼接操作的量化替换CameraNeck中的ForwardCameraVTransfo
- MIT-BEVFusion系列七--量化1_公共部分和激光雷达网络的量化
端木的AI探索屋
bevfusion自动驾驶算法python人工智能
目录官方readme的Notesptq.py量化模块初始化解析命令行参数加载配置信息创建dataset和dataloader构建模型模型量化Lidarbackbone量化稀疏卷积模块量化量化完的效果加法模块量化本文是Nvidia的英伟达发布的部署MIT-BEVFusion的方案官方readme的Notes这是是官方提到的量化时需要注意的三个方面:1)在模型进行前向时,使用融合BN层可以为模型带来更
- Unet 实战分割项目、多尺度训练、多类别分割
听风吹等浪起
图像分割深度学习人工智能机器学习
1.介绍之前写了篇二值图像分割的项目,支持多尺度训练,网络采用backbone为vgg的unet网络。缺点就是没法实现多类别的分割,具体可以参考:二值图像分割统一项目本章只对增加的代码进行介绍,其余的参考上述链接博文本章实现的unet网络的多类别分割,也就是分割可以是两个类别,也可以是多个类别。训练过程仍然采用多尺度训练,即网络会随机将图片缩放到设定尺寸的0.5-1.5倍之间文件目录如下:2.实现
- Unet+ResNet 实战分割项目、多尺度训练、多类别分割
听风吹等浪起
图像分割人工智能计算机视觉
1.介绍传统的Unet网络,特征提取的backbone采用的是vgg模型,vgg的相关介绍和实战参考以前的博文:pytorch搭建VGG网络VGG的特征提取能力其实是不弱的,但网络较为臃肿,容易产生梯度消失或者梯度爆炸的问题。而Resnet可以解决这一问题,参考:ResNet训练CIFAR10数据集,并做图片分类本章在之前文章的基础上,只是将Unet的backbone进行替换,将vgg换成了res
- LLM之LangChain(七)| 使用LangChain,LangSmith实现Prompt工程ToT
wshzd
LangChain笔记langchainprompt
如下图所示,LLM仍然是自治代理的backbone,可以通过给LLM增加以下模块来增强LLM功能:PrompterAgentCheckerModuleMemorymoduleToTcontroller当解决具体问题时,这些模块与LLM进行多轮对话。这是基于LLM的自治代理的典型情况,其中动态创建链并按顺序执行,同时多次轮询LLM。下图是LangSmith[1]的界面,从图中可以看到使用的token
- 大模型实践笔记(2)——Clip改进:通过文本检索视频帧
不会写代码!!
人工智能LLMPython学习深度学习大数据
目录超参数设置配置LLM-clip的backbone文本编码抽取视频帧并编码视频帧匹配保存结果帧工程流全是干货超参数设置#超参数设置PARAMS={"clip_model":"openai/clip-vit-base-patch32",#推理模型名称"video_folder":"./video_test",#视频文件夹路径"text_description":"Aphotoofapersonwe
- ODOO--OWL简介
姜振建 15954039008
odoojavascript前端前端框架
1.什么是OWLOWL是Odoo创建的前端开发框架。这是他们在最新版本的Odoo(版本14)中引入的一个框架,以使前端代码更好一些。如果您熟悉其他前端框架,如React、Vue、Angular、Backbone等,那么您将很快了解OWL。它遵循许多相同的模式和想法。如果您不熟悉前端框架的概念,那么最近的框架都围绕着消除过去通常使用javascript完成的琐碎事务性工作的想法展开。我相信您熟悉数百
- YOLOv8算法改进【NO.91】引入RCS-YOLO算法模块
人工智能算法研究院
首发创新改进方法YOLO算法改进系列YOLO算法transformer
前言YOLO算法改进系列出到这,很多朋友问改进如何选择是最佳的,下面我就根据个人多年的写作发文章以及指导发文章的经验来看,按照优先顺序进行排序讲解YOLO算法改进方法的顺序选择。具体有需求的同学可以私信我沟通:第一,创新主干特征提取网络,将整个Backbone改进为其他的网络,比如这篇文章中的整个方法,直接将Backbone替换掉,理由是这种改进如果有效果,那么改进点就很值得写,不算是堆积木那种,
- 深度学习知识点汇总-目标检测(1)
深度学习模型优化
8.1R-FCNR-FCN属于two-stage的目标检测算法。backbone部分RPN,这里使用ResNet。head部分R-FCN,使用全连接网络。其中ResNet-101+R-FCN的方法在PASCALVOC2007测试数据集的mmAP达到83.6%。图1人脸检测R-FCN的核心思想得到目标多个特征。假设我们只有一个特征图用来检测右眼。那么我们可以使用它定位人脸吗?应该可以。因为右眼应该在
- YOLOv8 : 网络结构
赛先生.AI
YOLOv8YOLO计算机视觉目标检测
一.YOLOv8网络结构1.BackboneYOLOv8的Backbone同样参考了CSPDarkNet-53网络,我们可以称之为CSPDarkNet结构吧,与YOLOv5不同的是,YOLOv8使用C2f(CSPLayer_2Conv)代替了C3模块(如果你比较熟悉YOLOv5的网络结构,那YOLOv8的网络结构理解起来就easy了)。如图1所示为YOLOv8网络结构图(引用自MMYOLO),对比
- 点云transformer算法: FlatFormer 论文阅读笔记
zhaoyqcsdn
深度学习transformer算法论文阅读
代码:https://github.com/mit-han-lab/flatformer论文:https://arxiv.org/abs/2301.08739[FlatFormer.pdf]Flatformer是对点云检测中的backbone3d部分的改进工作,主要在探究怎么高效的对点云应用transformer具体的工作如下:一个缩写:**PCTs即pointcloudtransformers*
- 最新模型VMamba:颠覆视觉Transformer,下一代主流Backbone?
深蓝学院
计算机视觉CNN
论文标题:VMamba:VisualStateSpaceModel论文作者:YueLiu,YunjieTian,YuzhongZhao,HongtianYu,LingxiXie,YaoweiWang,QixiangYe,YunfanLiu1.摘要卷积神经网络(CNN)与视觉Transformer(ViT)是目前最流行的两种视觉表征基础模型。CNN在线性复杂度下,具有惊人的可扩展性。ViTs在性能方
- Transformer实战-系列教程7:SwinTransformer 算法原理 1
机器学习杨卓越
Transformer实战人工智能深度学习Transformer计算机视觉图像分割swinTransformer
Transformer实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在Pycharm中进行本篇文章配套的代码资源已经上传1、SwinTransformerSwinTransformer可以看作为一个backbone用来做分类、检测、分割都是非常好的也可以直接套用在下游任务中不仅源码公开了,预训练模型也公开了预训练模型提供大中小三个版本图像中的像素点太多了,如果需要更多的特征就
- 【DeepLearning-10】yolo.py文件关键代码parse_model(d, ch)函数
风筝超冷
YOLO
这段代码功能是根据提供的配置字典(d)和输入通道列表(ch)来解析并构建一个YOLOv5模型。函数的核心工作是遍历模型的每一层,并根据配置创建相应的神经网络层。我们可以在函数中为新增模块配置构造参数设置。函数中fori,(f,n,m,args)inenumerate(d['backbone']+d['head']):#from,number,module,args这一部分对应yolo.yaml文件
- YOLOv5白皮书-第Y3周:yolov5s.yaml文件解读
Prime's Blog
深度学习深度学习训练营YOLO
YOLOv5白皮书-第Y3周:yolov5s.yaml文件解读YOLOv5白皮书-第Y3周:yolov5s.yaml文件解读一、前言二、我的环境三、yolov5s.yaml源文件内容四、Parameters五、anchors配置六、backbone七、head八、总结OLOv5-第Y2周:训练自己的数据集)YOLOv5白皮书-第Y3周:yolov5s.yaml文件解读一、前言本文为365天深度学习
- 目标检测任务的调研与概述
Alexa2077
目标检测目标跟踪人工智能
目标检测任务的调研与概述0FQA1目标检测任务基本知识:1.1什么是目标检测?1.2目标检测的损失函数都有那些?1.2.1类别损失:1.2.2位置损失:1.3目标检测的评价指标都有那些?1.4目标检测有那些常见的数据集?2目标检测的进阶知识:2.1经典的backbone:2.2目标检测器-传统的检测方法2.3目标检测器-两阶段的检测方法:2.3.1R-CNN开山之作2.3.2SPP-Net2.3.
- 【计算机视觉 | 目标检测】DETR风格的目标检测框架解读
旅途中的宽~
目标检测经典论文导读计算机视觉开放域目标检测计算机视觉目标检测深度学习DETR
文章目录一、前言二、理解2.1DETR的理解2.2DETR的细致理解2.2.1Backbone2.2.2Transformerencoder2.2.3Transformerdecoder2.2.4Predictionfeed-forwardnetworks(FFNs)2.2.5Auxiliarydecodinglosses2.3更具体的结构2.4编码器的原理和作用2.5解码器的原理和作用三、注意力
- CS455 Computer Communications and Networking
zhuyu0206girl
网络
Answerthefollowingquestions[100pt]1.[18pt]Thefollowingfigureshows7interconnectedASes:A,B,C,V,W,XandY.ASA,BandCareprovidednetworks(e.g.,backboneASes)andV,W,XandYaretheircustomernetworks(e.g.,accessnetw
- 简单了解YOLOv8
望外追晚
YOLO
简单介绍YOLOv8这里主要关注模型的backbone和后处理的过程,并通过对比YOLOv5的架构来更深入的了解YOLOv8。模型框架YOLOv5中的C3替换为更精简的C2f,即增加了更多的跳跃连接和split操作;Backbone中C2f的block数从3-6-9-3改成了3-6-6-3;耦合头变成了解耦头,分类和回归分为两个分支分别进行;数据前处理1、letterbox缩放:yolov8的输入
- 《RT-DETR魔术师》专栏介绍 & CSDN独家改进创新实战 & 专栏目录
AI小怪兽
RT-DETR魔术师人工智能计算机视觉算法pytorch开发语言python深度学习
RT-DETR魔术师专栏介绍:https://blog.csdn.net/m0_63774211/category_12497375.html✨✨✨魔改创新RT-DETR引入前沿顶会创新(CVPR2023,ICCV2023等),助力RT-DETR基于ultralytics优化,与YOLO完美结合重点:通过本专栏的阅读,后续你也可以自己魔改网络,在网络不同位置(Backbone、head、detec
- 《YOLO小目标检测》专栏介绍 & CSDN独家改进创新实战&专栏目录
AI小怪兽
YOLO小目标检测目标跟踪算法人工智能目标检测YOLO深度学习计算机视觉
Yolo小目标检测,独家首发创新(原创),适用于Yolov5、Yolov7、Yolov8等各个Yolo系列,专栏文章提供每一步步骤和源码,带你轻松实现小目标检测涨点重点:通过本专栏的阅读,后续你可以结合自己的小目标检测数据集,在网络不同位置(Backbone、head、detect、loss等)进行魔改,实现小目标涨点和创新!!!专栏介绍:✨✨✨解决小目标检测难点并提升小目标检测性能;小目标、遮挡
- 《YOLOv8魔术师》专栏介绍 & CSDN独家改进创新实战&专栏目录
AI小怪兽
YOLOv8魔术师YOLO算法人工智能深度学习目标检测
Yolov8魔术师,独家首发创新(原创),持续更新,适用于Yolov5、Yolov7、Yolov8等各个Yolo系列,专栏文章提供每一步步骤和源码,轻松带你上手魔改网络重点:通过本专栏的阅读,后续你也可以自己魔改网络,在网络不同位置(Backbone、head、detect、loss等)进行魔改,实现创新!!!专栏介绍:✨✨✨原创魔改网络、复现前沿论文,组合优化创新小目标、遮挡物、难样本性能提升持
- 《YOLOv5/YOLOv7魔术师》专栏介绍 & CSDN独家改进创新实战&专栏目录
AI小怪兽
YOLO计算机视觉机器学习深度学习人工智能
YOLOv5/YOLOv7魔术师,独家首发创新(原创),持续更新,适用于Yolov5、Yolov7、Yolov8等各个Yolo系列,专栏文章提供每一步步骤和源码,轻松带你上手魔改网络重点:通过本专栏的阅读,后续你也可以自己魔改网络,在网络不同位置(Backbone、head、detect、loss等)进行魔改,实现创新!!!专栏介绍:✨✨✨原创魔改网络、复现前沿论文,组合优化创新小目标、遮挡物、难
- Electron教程翻译5:创建UI
iLester
在Electron应用中,我们使用HTML、CSS和JS来创建用户界面(UserInterface,UI),因此前端开发的一切技术在这里都可以用上,例如我们可以使用Angular、Backbone、React、Bootstrap和Foundation等来构建应用。你可以使用Bower来管理这些前端开发依赖库,可以用以下命令来安装bower:$npminstall-gbower现在就可以用它来安装前
- Backbone.js源码探究
AmazRan
前言你没有看错,的确是backbone。首先谈一谈为什么要在9102年做这个事情?Backbone作为几年前热门的前端MV*框架的老前辈,现在早已被淘汰。但是不妨站在未来回到过去那个时候看一看,以前的编码思路,找一找哪些依然是值得借鉴学习的点,哪些在后来有了新的代替方案,或者说以前没有解决的一些问题现在的流行框架是否已经有了完善解决方案,以一个发展的角度去看事物更替是一件很有意思的事。官网介绍Ba
- 轻量化分割模型-LEDNet
孤独患者_d589
LEDNet发表于2019年5月,LEDNet采用的是非对称结构的网络来实现实时的语义分割。在编码阶段,编码器采用了resnet作为backbone,每个resnetblock利用通道分离和shuffle操作来降低计算量的同时保证了准确率,另一方面,在解码阶段,采用注意力金字塔网络(APN)来进一步的降低整个网络的复杂性。编码器的核心单元是一个新颖的残差模块(如图1.d所示。模块取名SS-bnt)
- 机器学习复习(3)——分类神经网络与drop out
不会写代码!!
人工智能机器学习复习机器学习算法机器学习神经网络深度学习
完整的神经网络以分类任务为例,神经网络一般包括backbone和head(计算机视觉领域)下面的BasicBlock不是一个标准的backbone,标准的应该是复杂的CNNs构成的Classfier是一个标准的head,其中output_dim表示分类类别,一般写作num_classesimporttorch#导入torch库importtorch.nnasnn#导入torch的神经网络模块imp
- 对股票分析时要注意哪些主要因素?
会飞的奇葩猪
股票 分析 云掌股吧
众所周知,对散户投资者来说,股票技术分析是应战股市的核心武器,想学好股票的技术分析一定要知道哪些是重点学习的,其实非常简单,我们只要记住三个要素:成交量、价格趋势、振荡指标。
一、成交量
大盘的成交量状态。成交量大说明市场的获利机会较多,成交量小说明市场的获利机会较少。当沪市的成交量超过150亿时是强市市场状态,运用技术找综合买点较准;
- 【Scala十八】视图界定与上下文界定
bit1129
scala
Context Bound,上下文界定,是Scala为隐式参数引入的一种语法糖,使得隐式转换的编码更加简洁。
隐式参数
首先引入一个泛型函数max,用于取a和b的最大值
def max[T](a: T, b: T) = {
if (a > b) a else b
}
因为T是未知类型,只有运行时才会代入真正的类型,因此调用a >
- C语言的分支——Object-C程序设计阅读有感
darkblue086
applec框架cocoa
自从1972年贝尔实验室Dennis Ritchie开发了C语言,C语言已经有了很多版本和实现,从Borland到microsoft还是GNU、Apple都提供了不同时代的多种选择,我们知道C语言是基于Thompson开发的B语言的,Object-C是以SmallTalk-80为基础的。和C++不同的是,Object C并不是C的超集,因为有很多特性与C是不同的。
Object-C程序设计这本书
- 去除浏览器对表单值的记忆
周凡杨
html记忆autocompleteform浏览
&n
- java的树形通讯录
g21121
java
最近用到企业通讯录,虽然以前也开发过,但是用的是jsf,拼成的树形,及其笨重和难维护。后来就想到直接生成json格式字符串,页面上也好展现。
// 首先取出每个部门的联系人
for (int i = 0; i < depList.size(); i++) {
List<Contacts> list = getContactList(depList.get(i
- Nginx安装部署
510888780
nginxlinux
Nginx ("engine x") 是一个高性能的 HTTP 和 反向代理 服务器,也是一个 IMAP/POP3/SMTP 代理服务器。 Nginx 是由 Igor Sysoev 为俄罗斯访问量第二的 Rambler.ru 站点开发的,第一个公开版本0.1.0发布于2004年10月4日。其将源代码以类BSD许可证的形式发布,因它的稳定性、丰富的功能集、示例配置文件和低系统资源
- java servelet异步处理请求
墙头上一根草
java异步返回servlet
servlet3.0以后支持异步处理请求,具体是使用AsyncContext ,包装httpservletRequest以及httpservletResponse具有异步的功能,
final AsyncContext ac = request.startAsync(request, response);
ac.s
- 我的spring学习笔记8-Spring中Bean的实例化
aijuans
Spring 3
在Spring中要实例化一个Bean有几种方法:
1、最常用的(普通方法)
<bean id="myBean" class="www.6e6.org.MyBean" />
使用这样方法,按Spring就会使用Bean的默认构造方法,也就是把没有参数的构造方法来建立Bean实例。
(有构造方法的下个文细说)
2、还
- 为Mysql创建最优的索引
annan211
mysql索引
索引对于良好的性能非常关键,尤其是当数据规模越来越大的时候,索引的对性能的影响越发重要。
索引经常会被误解甚至忽略,而且经常被糟糕的设计。
索引优化应该是对查询性能优化最有效的手段了,索引能够轻易将查询性能提高几个数量级,最优的索引会比
较好的索引性能要好2个数量级。
1 索引的类型
(1) B-Tree
不出意外,这里提到的索引都是指 B-
- 日期函数
百合不是茶
oraclesql日期函数查询
ORACLE日期时间函数大全
TO_DATE格式(以时间:2007-11-02 13:45:25为例)
Year:
yy two digits 两位年 显示值:07
yyy three digits 三位年 显示值:007
- 线程优先级
bijian1013
javathread多线程java多线程
多线程运行时需要定义线程运行的先后顺序。
线程优先级是用数字表示,数字越大线程优先级越高,取值在1到10,默认优先级为5。
实例:
package com.bijian.study;
/**
* 因为在代码段当中把线程B的优先级设置高于线程A,所以运行结果先执行线程B的run()方法后再执行线程A的run()方法
* 但在实际中,JAVA的优先级不准,强烈不建议用此方法来控制执
- 适配器模式和代理模式的区别
bijian1013
java设计模式
一.简介 适配器模式:适配器模式(英语:adapter pattern)有时候也称包装样式或者包装。将一个类的接口转接成用户所期待的。一个适配使得因接口不兼容而不能在一起工作的类工作在一起,做法是将类别自己的接口包裹在一个已存在的类中。 &nbs
- 【持久化框架MyBatis3三】MyBatis3 SQL映射配置文件
bit1129
Mybatis3
SQL映射配置文件一方面类似于Hibernate的映射配置文件,通过定义实体与关系表的列之间的对应关系。另一方面使用<select>,<insert>,<delete>,<update>元素定义增删改查的SQL语句,
这些元素包含三方面内容
1. 要执行的SQL语句
2. SQL语句的入参,比如查询条件
3. SQL语句的返回结果
- oracle大数据表复制备份个人经验
bitcarter
oracle大表备份大表数据复制
前提:
数据库仓库A(就拿oracle11g为例)中有两个用户user1和user2,现在有user1中有表ldm_table1,且表ldm_table1有数据5千万以上,ldm_table1中的数据是从其他库B(数据源)中抽取过来的,前期业务理解不够或者需求有变,数据有变动需要重新从B中抽取数据到A库表ldm_table1中。
- HTTP加速器varnish安装小记
ronin47
http varnish 加速
上午共享的那个varnish安装手册,个人看了下,有点不知所云,好吧~看来还是先安装玩玩!
苦逼公司服务器没法连外网,不能用什么wget或yum命令直接下载安装,每每看到别人博客贴出的在线安装代码时,总有一股羡慕嫉妒“恨”冒了出来。。。好吧,既然没法上外网,那只能麻烦点通过下载源码来编译安装了!
Varnish 3.0.4下载地址: http://repo.varnish-cache.org/
- java-73-输入一个字符串,输出该字符串中对称的子字符串的最大长度
bylijinnan
java
public class LongestSymmtricalLength {
/*
* Q75题目:输入一个字符串,输出该字符串中对称的子字符串的最大长度。
* 比如输入字符串“google”,由于该字符串里最长的对称子字符串是“goog”,因此输出4。
*/
public static void main(String[] args) {
Str
- 学习编程的一点感想
Cb123456
编程感想Gis
写点感想,总结一些,也顺便激励一些自己.现在就是复习阶段,也做做项目.
本专业是GIS专业,当初觉得本专业太水,靠这个会活不下去的,所以就报了培训班。学习的时候,进入状态很慢,而且当初进去的时候,已经上到Java高级阶段了,所以.....,呵呵,之后有点感觉了,不过,还是不好好写代码,还眼高手低的,有
- [能源与安全]美国与中国
comsci
能源
现在有一个局面:地球上的石油只剩下N桶,这些油只够让中国和美国这两个国家中的一个顺利过渡到宇宙时代,但是如果这两个国家为争夺这些石油而发生战争,其结果是两个国家都无法平稳过渡到宇宙时代。。。。而且在战争中,剩下的石油也会被快速消耗在战争中,结果是两败俱伤。。。
在这个大
- SEMI-JOIN执行计划突然变成HASH JOIN了 的原因分析
cwqcwqmax9
oracle
甲说:
A B两个表总数据量都很大,在百万以上。
idx1 idx2字段表示是索引字段
A B 两表上都有
col1字段表示普通字段
select xxx from A
where A.idx1 between mmm and nnn
and exists (select 1 from B where B.idx2 =
- SpringMVC-ajax返回值乱码解决方案
dashuaifu
AjaxspringMVCresponse中文乱码
SpringMVC-ajax返回值乱码解决方案
一:(自己总结,测试过可行)
ajax返回如果含有中文汉字,则使用:(如下例:)
@RequestMapping(value="/xxx.do") public @ResponseBody void getPunishReasonB
- Linux系统中查看日志的常用命令
dcj3sjt126com
OS
因为在日常的工作中,出问题的时候查看日志是每个管理员的习惯,作为初学者,为了以后的需要,我今天将下面这些查看命令共享给各位
cat
tail -f
日 志 文 件 说 明
/var/log/message 系统启动后的信息和错误日志,是Red Hat Linux中最常用的日志之一
/var/log/secure 与安全相关的日志信息
/var/log/maillog 与邮件相关的日志信
- [应用结构]应用
dcj3sjt126com
PHPyii2
应用主体
应用主体是管理 Yii 应用系统整体结构和生命周期的对象。 每个Yii应用系统只能包含一个应用主体,应用主体在 入口脚本中创建并能通过表达式 \Yii::$app 全局范围内访问。
补充: 当我们说"一个应用",它可能是一个应用主体对象,也可能是一个应用系统,是根据上下文来决定[译:中文为避免歧义,Application翻译为应
- assertThat用法
eksliang
JUnitassertThat
junit4.0 assertThat用法
一般匹配符1、assertThat( testedNumber, allOf( greaterThan(8), lessThan(16) ) );
注释: allOf匹配符表明如果接下来的所有条件必须都成立测试才通过,相当于“与”(&&)
2、assertThat( testedNumber, anyOf( g
- android点滴2
gundumw100
应用服务器android网络应用OSHTC
如何让Drawable绕着中心旋转?
Animation a = new RotateAnimation(0.0f, 360.0f,
Animation.RELATIVE_TO_SELF, 0.5f, Animation.RELATIVE_TO_SELF,0.5f);
a.setRepeatCount(-1);
a.setDuration(1000);
如何控制Andro
- 超简洁的CSS下拉菜单
ini
htmlWeb工作html5css
效果体验:http://hovertree.com/texiao/css/3.htmHTML文件:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>简洁的HTML+CSS下拉菜单-HoverTree</title>
- kafka consumer防止数据丢失
kane_xie
kafkaoffset commit
kafka最初是被LinkedIn设计用来处理log的分布式消息系统,因此它的着眼点不在数据的安全性(log偶尔丢几条无所谓),换句话说kafka并不能完全保证数据不丢失。
尽管kafka官网声称能够保证at-least-once,但如果consumer进程数小于partition_num,这个结论不一定成立。
考虑这样一个case,partiton_num=2
- @Repository、@Service、@Controller 和 @Component
mhtbbx
DAOspringbeanprototype
@Repository、@Service、@Controller 和 @Component 将类标识为Bean
Spring 自 2.0 版本开始,陆续引入了一些注解用于简化 Spring 的开发。@Repository注解便属于最先引入的一批,它用于将数据访问层 (DAO 层 ) 的类标识为 Spring Bean。具体只需将该注解标注在 DAO类上即可。同时,为了让 Spring 能够扫描类
- java 多线程高并发读写控制 误区
qifeifei
java thread
先看一下下面的错误代码,对写加了synchronized控制,保证了写的安全,但是问题在哪里呢?
public class testTh7 {
private String data;
public String read(){
System.out.println(Thread.currentThread().getName() + "read data "
- mongodb replica set(副本集)设置步骤
tcrct
javamongodb
网上已经有一大堆的设置步骤的了,根据我遇到的问题,整理一下,如下:
首先先去下载一个mongodb最新版,目前最新版应该是2.6
cd /usr/local/bin
wget http://fastdl.mongodb.org/linux/mongodb-linux-x86_64-2.6.0.tgz
tar -zxvf mongodb-linux-x86_64-2.6.0.t
- rust学习笔记
wudixiaotie
学习笔记
1.rust里绑定变量是let,默认绑定了的变量是不可更改的,所以如果想让变量可变就要加上mut。
let x = 1; let mut y = 2;
2.match 相当于erlang中的case,但是case的每一项后都是分号,但是rust的match却是逗号。
3.match 的每一项最后都要加逗号,但是最后一项不加也不会报错,所有结尾加逗号的用法都是类似。
4.每个语句结尾都要加分