枯藤残鸦
枯藤残鸦

枯藤残鸦自序

这是一个普通女人的精神家园，没有多少华丽的词藻，优美的语句，一字一句读来，全都是朴实的故事，偶来的感悟，她没有刻意去修饰，也没有寓含多少高深的意义，它清汤寡面一如作者的素颜朝天，其实这也是一个女人对生活和生命的感悟。

生活中琐碎的一切，如每天升起落下的太阳一样，你在意或不在意，它都实实在在的发生，生活中也许会有诸多的不如意：公司里四起的谣言，领导无端的指责，朋友不经意的背叛，爱人鸡毛蒜皮的唠叨，还有叛逆小儿女肆意的顶撞，电话里，老家的父母向你诉说着独守的孤寂。。。。。。。

华发渐生，容颜将逝，工资卡上的数字却永远追不上蹭蹭上涨的房价，一年又一年岁月的轮回，时间的飞逝，只能像年年岁岁印在树干里的年轮一样，在女人额上画着一个又一个不规则的圈，公司里你还是中流砥柱，加班熬夜少不了你的身影，冲锋陷阵你还得往前，腿脚不经意间的酸痛告诉你，你已经年过四十，无情的岁月，到底给你留下了什么，是那个所谓的小小职位，还是领导、同事眼里那个“拼命三郎”，其实你知道，自己早已经不是那个刚迈出校门，意气风发的女大学生，更不是那个听到点坏消息，动辄就忿忿不平的愤青，岁月流逝给你留下的是无尽的思索，对生活的反思，对生命的敬畏。

未来还会有更长的路要走，但是你已经找到了自己的寄托，夜晚噼里啪啦敲击键盘的声音，是你孤寂的灵魂在呐喊！

枯藤残鸦：二〇一三年八月十五日

你可能感兴趣的:(枯藤残鸦自序)

  • 藏头诗||寒露 黄鹤飞
    文／黄鹤飞空庭得秋长漫漫，寒露入暮愁衣单。——题记空气里有微小的水珠庭院被落叶铺就得知秋已老秋天的脚步远了长成一树红枫漫过远山漫过高高的云天寒气凝窗露珠爬上枝头入笔晕染了信笺暮色苍茫愁怨在酒杯里盛满衣衫落了一层霜单独成一颗草【后记】寒露——仿若可以看见晶莹剔透的一滴露，凝落于秋天的萧瑟处，于是一些轻盈就开始厚重起来，于是生命日渐向晚，于是薄暮残秋，于是沧桑，悲凉，叹息，惆怅，不一而足，都悄无声息逶
  • 记七七事变84周年诗二首 天行健02769
    卢沟晓月照残垣，宛平枪声战火延。日寇蓄谋侵华夏，罪行累累恶滔天。——记七七事变（其一）·平水先韵/天行健卢沟晓月夜生寒，寻衅倭人战火燃。屠我人民占我地，此仇不释永戴天。举国同忾破其谋，立马横刀锐气坚。时过境迁八十年，尔敢再犯斩马前。——记七七事变（其二）·平水先韵/天行健
  • 目前主流图像分类模型的详细对比分析 @comefly 闲聊linux运维服务器
    以下是目前主流图像分类模型的详细对比分析，结合性能、架构特点及应用场景进行整理：一、主流模型架构分类与定量对比模型名称架构类型核心特点ImageNetTop-1准确率参数量（百万）计算效率典型应用场景ResNetCNN残差连接解决梯度消失，支持超深网络（如ResNet-152）76.1%25.6中等通用分类、目标检测ViTTransformer将图像分割为patches，用标准Transforme
  • 汽车加气站操作工分类有几种 学视线123 其他
    2025年汽车加气站操作工分类及专业要求一、按能源类型分类CNG操作工•专业范围：20MPa高压气体操作•特殊要求：需掌握压缩机群控技术LNG操作工•专业范围：-162℃低温储罐管理•特殊要求：BOG再液化系统操作资质氢气操作工•专业范围：70MPa高压加氢•特殊要求：氢脆防护专项培训LPG操作工•专业范围：丙烷/丁烷混合气体•特殊要求：钢瓶残液处理认证二、按岗位职能分类加注操作岗•核心技能：标准
  • 【论文笔记ing】Pointerformer: Deep Reinforced Multi-Pointer Transformer for the Traveling Salesman Problem Booksort online笔记论文论文阅读transformer深度学习
    论文中使用一个PointerFormer模型编码器部分：可逆残差模型堆叠解码器部分：指针网络自回归对于一次任务而言，推理阶段：编码器部分：一次解码器部分：循环N次，直至任务结束在训练阶段，使用强化学习，对于一个N个节点的TSP实例，算法中会以不同的起点，跑N次，得到N个轨迹，以满足TSP的对称特性，表示这都是属于一个TSP问题的（真实）解然后会计算这样表示归一化奖励，得到一个advantage,然
  • ResNet：深度卷积神经网络的里程碑 心想事“程” 小知识点cnn人工智能神经网络
    一、引言在深度学习的发展历程中，深度卷积神经网络（CNN）不断演进，旨在提升对图像等数据的特征提取与分类能力。然而，随着网络层数的增加，传统CNN面临着梯度消失、梯度爆炸以及退化等棘手问题，训练变得愈发困难。2015年，由微软研究院提出的ResNet（ResidualNetworks，残差网络）横空出世，它以独特的残差学习思想，成功攻克了这些难题，在ImageNet竞赛中大放异彩，开创了深度神经网
  • FairyGUI 实现 Boss 双层血条动画 future1412 学习
    涉及到一个问题的话先去了解前因后果，涉及到的UI框架，全部吃懂吃透。一：理解血条系统的组成1.boss血条一般包括：红色血条：表示当前血量，随伤害立即减少；白色血条（残影）：慢慢减少，产生一种“缓冲”的受伤视觉效果；血条分段（如2条血表示不同阶段）；血条消失/出现动画；血条附加信息：如Boss名字、阶段数、状态效果等。二：准备环境Unity+FairyGUI准备血条UI元素：使用两张图层叠加实现红
  • 第0章：开篇词 - 嘿，别怕，AI应用开发没那么神！
    嘿，各位未来的AI大神们，我是阿威。在敲下这行字的时候，我猜你可能正坐在你的HermanMiller或者宜家电竞椅上，屏幕上还留着VSCode的残影，脑子里可能还在回响着产品经理那句“这个需求很简单”。你可能是一个身经百战的Web后端，也可能是一个像素眼的前端大师，或者是一个在移动端AppStore里摸爬滚打多年的老兵。我们都一样，是代码世界的“手艺人”，是数字世界的“建筑师”。我们相信逻辑，我们
  • Python训练营打卡 Day50
    预训练模型+CBAM模块知识点回顾：resnet结构解析CBAM放置位置的思考针对预训练模型的训练策略差异化学习率三阶段微调预训练模型+CBAM模块知识点回顾ResNet结构解析残差块：ResNet的核心是残差块，它通过残差连接解决了深层网络的梯度消失问题。残差块允许梯度直接传播到后面的层，从而使得网络能够训练得更深。网络结构：ResNet由多个残差块组成，每个残差块包含两个或三个卷积层，以及一个
  • 【图像超分】论文复现：密集残差链接Transformer！DRCT的Pytorch源码复现，跑通超分源码，获得指标、模型复杂度、结果可视化，核心模块拆解与源码对应，注释详细！ 十小大 超分辨率重建（理论+实战科研+应用）pytorch深度学习超分辨率重建图像处理计算机视觉pythontransformer
    请先看【专栏介绍文章】：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）完整代码和训练好的模型权重文件下载链接见本文底部，订阅专栏免费获取！本文亮点：跑通DRCT源码，获得与论文一致的PSNR/SSIM、Params、超分可视化结果，修正论文中FLOPs的计
  • 典型的几种神经网络 Victor Zhong AI框架神经网络人工智能深度学习
    骨干网络CNN(卷积神经网络)RNN(循环神经网络)三级目录CNN(卷积神经网络)包括输入层、隐藏层、输出层：输入层一般为一张图片（w,h,d）,输入层数据一般要做归一化处理;隐藏层包含特有的卷积层（卷积核有权重系数）、池化层（没有权重系数）、全连接层，还有残差块？和Inception模块？。；输出层：RNN(循环神经网络)单向的RNN示意图：三级目录
  • 普通卸载只是表面功夫，Geek卸载神器了解一下。 明京 windows
    01前言在Windows上，很多人习惯通过：•【控制面板】→卸载程序•或【设置】→应用→卸载你以为点击“卸载”按钮，软件就永远消失了吗？❌事实是：•注册表项还在•残留配置文件没删•相关服务还在后台运行•系统启动依然加载“幽灵程序”这些就是系统卡顿、空间被吃掉的罪魁祸首02正文一、初识GeekGeekUninstaller是一款轻量级、免费但功能强大的Windows程序卸载工具，主打“强力卸载+无残
  • pythonflow_MLflow系列1：MLflow入门教程（Python） weixin_39872334 pythonflow
    这篇教程展示了如何：训练一个线性回归模型将训练代码打包成一个可复用可复现的模型格式将模型部署成一个简单的HTTP服务用于进行预测这篇教程使用的数据来自UCI的红酒质量数据集，主要用于根据红酒的PH值，酸度，残糖量等指标来评估红酒的质量。我们会用到什么？安装MLflow和scikit-learn，推荐两种安装方式：安装MLflow及其依赖：pipinstallmlflow[extras]分别安装ML
  • Python Day56 别勉. python机器学习python开发语言
    Task：1.假设检验基础知识a.原假设与备择假设b.P值、统计量、显著水平、置信区间2.白噪声a.白噪声的定义b.自相关性检验：ACF检验和Ljung-Box检验c.偏自相关性检验：PACF检验3.平稳性a.平稳性的定义b.单位根检验4.季节性检验a.ACF检验b.序列分解：趋势+季节性+残差记忆口诀：p越小，落在置信区间外，越拒绝原假设。1.假设检验基础知识a.原假设与备择假设原假设(Null
  • 【题解】洛谷P1001 A+B Problem 炯炯目光 c++
    写在前面第一篇博客，献给2020年的残夏。静听8月的热情与安宁，在竞赛中的时光如白驹过隙。也不惧未知的风雨，努力向着既往的通途。ACMACMACM的目标，希望能实现吧。同时，推荐一下我的个人博客，欢迎访问。https://www.cnblogs.com/jjmg/下面是页面编辑的测试。题目地址https://www.luogu.com.cn/problem/P1001题目描述输入两个整数a,ba,
  • ResNet（Residual Network） 不想秃头的程序 神经网络语音识别人工智能深度学习网络残差网络神经网络
    ResNet（ResidualNetwork）是深度学习中一种经典的卷积神经网络（CNN）架构，由微软研究院的KaimingHe等人在2015年提出。它通过引入残差连接（SkipConnection）解决了深度神经网络中的梯度消失问题，使得网络可以训练极深的模型（如上百层），并在图像分类、目标检测、语义分割等任务中取得了突破性成果。以下是ResNet的详细介绍：一、核心思想ResNet的核心创新是
  • 【机器学习算法】XGBoost原理
    一、基本内容基本内容：GBDT的基础上，在损失函数上加入树模型复杂度的正则项与GBDT一样，也是使用新的弱学习器拟合残差（当前模型负梯度，残差方向）GBDT损失函数Loss=∑i=1NL(yi,yit)Loss=\sum_{i=1}^{N}L(y_i,y_i^{t})Loss=i=1∑NL(yi,yit)XGboost损失函数Loss=∑i=1SL(yi,yit)+∑j=1NΩ(fj))Loss=
  • 基于Transformer实现机器翻译 yyyyurina. transformer机器翻译深度学习
    目录一、前言1.1什么是Transformer?1.2Transfomer的基本结构1.2Transformer的重要组成部分1.2.1位置编码（PositionalEncode）1.2.2自注意力机制（Self-Attention）1.2.3多头注意力（Multi-HeadAttention）1.2.4位置感知前馈层（Position-wiseFFN）1.2.5残差连接与层归一化二、AutoDL
  • XGBoost算法原理及Python实现 法号清水 算法python开发语言
    一、概述  XGBoost是一种基于梯度提升框架的机器学习算法，它通过迭代地训练一系列决策树来构建模型。核心思想是通过不断地在已有模型的基础上，拟合负梯度方向的残差（真实值与预测值的差）来构建新的弱学习器，达到逐步优化模型的目的。  XGBoost在构建决策树时，利用了二阶导数信息。在损失函数的优化过程中，不仅考虑了一阶导数（梯度），还引入了二阶导数（海森矩阵），这使得算法能够更精确地找到损失函数
  • 梯度增强与XGBoost算法解析 weixin_47233946 算法算法
    ##一、梯度增强（GradientBoosting）原理###1.1集成学习与Boosting集成学习通过结合多个弱模型提升整体性能，主要包括Bagging（如随机森林）和Boosting两类方法。**梯度增强**属于Boosting家族，核心思想是**串行训练模型，每一步修正前序模型的残差**，最终形成强预测器。###1.2算法核心流程1.**初始化基模型**：用常数（如目标变量均值）预测。2.
  • 通义万相2.1技术深度解析 accurater c++算法笔记人工智能神经网络深度学习
    如果喜欢可以到我的主页订阅专栏哟(＾Ｕ＾)ノ~ＹＯ一、系统架构概览通义万相2.1是基于扩散模型的多模态生成系统，其核心架构包含以下模块：多模态编码器CLIPViT-L/14文本编码器（768维嵌入）改进型图像编码器（EfficientNet-B7+自注意力）扩散主干网络改进型U-Net架构（128层残差块）多尺度交叉注意力机制动态卷积核分配自适应噪声调度系统非线性噪声衰减算法分阶段训练策略分布式训
  • 北斗导航 ｜ 基于改进小龙虾优化算法的GPS接收机自主完好性监测算法研究 北斗猿 卫星导航算法matlab
    详细介绍基于改进小龙虾优化算法（COA）的GPS接收机自主完好性监测算法的原理、公式和MATLAB实现。主要内容如下：RAIM基础原理与问题定义：介绍最小二乘残差法的数学模型，包括伪距观测方程、故障检测统计量和故障识别方法。改进小龙虾优化算法设计：详细说明COA的三种行为模式及其数学表述，以及三种改进策略（非线性温度更新、自适应视野调整、混合变异机制）。融合改进COA的RAIM算法：阐述种群初始化
  • 机器学习15-XGBoost 吹风看太阳 机器学习机器人人工智能
    XGBOOST学习笔记一、引言在机器学习的集成学习算法中，XGBoost（eXtremeGradientBoosting）凭借其高效性、可扩展性和卓越的性能，成为数据科学竞赛和工业界应用的热门选择。XGBoost本质上是一种基于梯度提升框架（GradientBoostingFramework）的机器学习算法，它通过不断拟合残差来构建多个弱学习器（通常是决策树），并将这些弱学习器进行累加，从而形成一
  • 30天pytorch从入门到熟练（day1）
    一、总体工作思路本项目采用“从零构建”的策略，系统性地开展了深度学习模型的开发与优化工作。其目标在于通过全流程自研方式，深入理解模型构建、训练优化、推理部署的关键技术环节。整体路径分为以下核心阶段：模型初步构建：以最简单的线性模型y=Ax+B为起点，快速搭建数据流通路；数据生成机制设计：构建基于正态分布的可控数据生成器，逐步增加数据复杂度；模型复杂度提升：在逐步提高神经网络深度与宽度的同时，引入残
  • (02)Cartographer源码无死角解析-(72) 2D后端优化→OptimizationProblem2D-约束残差、landmark残差 江南才尽，年少无知！ 机器人cartographerslam自动驾驶增强现实
    讲解关于slam一系列文章汇总链接:史上最全slam从零开始，针对于本栏目讲解(02)Cartographer源码无死角解析-链接如下:(02)Cartographer源码无死角解析-(00)目录_最新无死角讲解：https://blog.csdn.net/weixin_43013761/article/details/127350885文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→
  • FFmpeg 的算法体系 lianghu666 音视频硬件Linuxffmpeg算法linux
    ️一、FFmpeg核心算法体系与作用1.编解码算法编解码是FFmpeg的核心能力，通过libavcodec实现音视频的压缩与还原。视频编码算法帧间预测：通过运动估计（菱形搜索、全搜索法）减少时间冗余，支持P帧（前向预测）和B帧（双向预测）变换与量化：采用整数离散余弦变换（DCT）将空域信号转为频域，再通过量化舍弃高频信息（H.264/H.265使用）熵编码：对残差数据采用CABAC（上下文自适应二
  • 【开源项目】免费且本地运行：快用 DeepEval 测测你的大模型接口有没有缩水 MarkGosling 开源项目语言模型python开源软件ai人工智能
    作为一个整天鼓捣大语言模型应用的大学生，我经常遇到一个头疼事儿：做了个RAG管道、搞了个聊天机器人，或者搭了个代理工作流之后，怎么才能知道它到底好不好、靠不靠谱？都说提示工程重要，模型选择也关键，但优化了半天，该用哪个模型，哪个提示词效果真棒，哪个架构更稳定？凭感觉？靠肉眼对比几个输出？这也太不“极客”了！过去用第三方厂商的大模型接口，总有点不放心：万一它给我的模型是个“残血版”API呢？我们普通
  • LM算法与TRF算法（含有在ICP配准情境下的两种算法对应代码） 小远披荆斩棘 三维点云工程算法实现算法
    在ICP配准中，使用LM算法通常会遇到找到的对应点对数量不足的问题因为使用Levenberg-Marquardt(LM)算法进行最小二乘优化时，残差的数量小于变量的数量。实际应用：ICP配准过程：针对两个三维点云数据，两个点云上均有相互对应的3D关键点。我需要在每个点云上的每个关键点附近找到许多三维点（可以设置阈值范围），构成一个局部整体。对每个局部整体进行ICP配准。下面包含使用LM算法的ICP
  • 江大白 | 目标检测YOLOv12算法来袭，更高性能、更快速度！（附论文及源码） 双木的木 深度学习拓展阅读CV-目标检测专栏YOLO人工智能计算机视觉python目标检测学习算法
    本文来源公众号“江大白”，仅用于学术分享，侵权删，干货满满。原文链接：目标检测YOLOv12算法来袭，更高性能、更快速度！（附论文及源码）导读目标检测是CV领域最常用的算法应用，而Yolo是目标检测算法非常经典的算法模型，近日Yolov12算法正式开源，提出区域注意力模块，残差高效层聚合网络，性能更好，速度更快，希望对大家学习理解有帮助！论文：https://arxiv.org/abs/2502.
  • 残差网络中相加后激活的深度解析 浩瀚之水_csdn #目标分类（理论）网络
    残差网络中相加后激活的深度解析在残差网络中，"相加后激活"（post-additionactivation）是ResNet原始设计的关键特征，这一设计选择背后蕴含了深刻的神经网络原理，对模型性能有着重要影响。核心设计原理图示为什么不在相加前激活？数学视角：残差学习原理原始残差块设计目标：y=F(x)+x当F(x)优化到0时，网络退化为恒等映射：y=0+x=x如果在相加前激活：y=ReLU(F(x)
  • Algorithm 香水浓 javaAlgorithm
    冒泡排序 public static void sort(Integer[] param) { for (int i = param.length - 1; i > 0; i--) { for (int j = 0; j < i; j++) { int current = param[j]; int next = param[j + 1];
  • mongoDB 复杂查询表达式 开窍的石头 mongodb
    1:count    Pg: db.user.find().count();    统计多少条数据 2:不等于$ne    Pg: db.user.find({_id:{$ne:3}},{name:1,sex:1,_id:0});    查询id不等于3的数据。 3：大于$gt $gte(大于等于) &n
  • Jboss Java heap space异常解决方法, jboss OutOfMemoryError : PermGen space 0624chenhong jvmjboss
    转自 http://blog.csdn.net/zou274/article/details/5552630 解决办法： window->preferences->java->installed jres->edit jre 把default vm arguments 的参数设为-Xms64m -Xmx512m ----------------
  • 文件上传 下载 解析 相对路径 不懂事的小屁孩 文件上传
    有点坑吧，弄这么一个简单的东西弄了一天多，身边还有大神指导着，网上各种百度着。 下面总结一下遇到的问题： 文件上传，在页面上传的时候，不要想着去操作绝对路径，浏览器会对客户端的信息进行保护，避免用户信息收到攻击。 在上传图片，或者文件时，使用form表单来操作。 前台通过form表单传输一个流到后台，而不是ajax传递参数到后台，代码如下: <form action=&
  • 怎么实现qq空间批量点赞 换个号韩国红果果 qq
    纯粹为了好玩！！ 逻辑很简单 1 打开浏览器console；输入以下代码。 先上添加赞的代码 var tools={}; //添加所有赞 function init(){ document.body.scrollTop=10000; setTimeout(function(){document.body.scrollTop=0;},2000);//加
  • 判断是否为中文 灵静志远 中文
    方法一： public class Zhidao { public static void main(String args[]) { String s = "sdf灭礌 kjl d{';\fdsjlk是"; int n=0; for(int i=0; i<s.length(); i++) { n = (int)s.charAt(i); if((
  • 一个电话面试后总结 a-john 面试
    今天，接了一个电话面试，对于还是初学者的我来说，紧张了半天。 面试的问题分了层次，对于一类问题，由简到难。自己觉得回答不好的地方作了一下总结：   在谈到集合类的时候，举几个常用的集合类，想都没想，直接说了list,map。   然后对list和map分别举几个类型：   list方面：ArrayList,LinkedList。在谈到他们的区别时，愣住了
  • MSSQL中Escape转义的使用 aijuans MSSQL
    IF OBJECT_ID('tempdb..#ABC') is not null drop table tempdb..#ABC create table #ABC ( PATHNAME NVARCHAR(50) ) insert into #ABC SELECT N'/ABCDEFGHI' UNION ALL SELECT N'/ABCDGAFGASASSDFA' UNION ALL
  • 一个简单的存储过程 asialee mysql存储过程构造数据批量插入
               今天要批量的生成一批测试数据，其中中间有部分数据是变化的，本来想写个程序来生成的，后来想到存储过程就可以搞定，所以随手写了一个，记录在此：            DELIMITER $$ DROP PROCEDURE IF EXISTS inse
  • annot convert from HomeFragment_1 to Fragment 百合不是茶 android导包错误
    创建了几个类继承Fragment, 需要将创建的类存储在ArrayList<Fragment>中; 出现不能将new 出来的对象放到队列中,原因很简单;     创建类时引入包是:import android.app.Fragment;      创建队列和对象时使用的包是:import android.support.v4.ap
  • Weblogic10两种修改端口的方法 bijian1013 weblogic端口号配置管理config.xml
    一.进入控制台进行修改    1.进入控制台:  http://127.0.0.1:7001/console     2.展开左边树菜单         域结构->环境->服务器-->点击AdminServer(管理) &
  • mysql 操作指令 征客丶 mysql
    一、连接mysql 进入 mysql 的安装目录； $ bin/mysql -p [host IP 如果是登录本地的mysql 可以不写 -p 直接 -u] -u [userName] -p 输入密码，回车，接连； 二、权限操作［如果你很了解mysql数据库后，你可以直接去修改系统表，然后用 mysql> flush privileges; 指令让权限生效］ 1、赋权 mys
  • 【Hive一】Hive入门 bit1129 hive
    Hive安装与配置 Hive的运行需要依赖于Hadoop，因此需要首先安装Hadoop2.5.2，并且Hive的启动前需要首先启动Hadoop。   Hive安装和配置的步骤   1. 从如下地址下载Hive0.14.0   http://mirror.bit.edu.cn/apache/hive/    2.解压hive，在系统变
  • ajax 三种提交请求的方法 BlueSkator Ajaxjqery
    1、ajax 提交请求 $.ajax({ type:"post", url : "${ctx}/front/Hotel/getAllHotelByAjax.do", dataType : "json", success : function(result) { try { for(v
  • mongodb开发环境下的搭建入门 braveCS 运维
      linux下安装mongodb 1）官网下载mongodb-linux-x86_64-rhel62-3.0.4.gz 2）linux 解压  gzip -d mongodb-linux-x86_64-rhel62-3.0.4.gz; mv mongodb-linux-x86_64-rhel62-3.0.4 mongodb-linux-x86_64-rhel62-
  • 编程之美-最短摘要的生成 bylijinnan java数据结构算法编程之美
    import java.util.HashMap; import java.util.Map; import java.util.Map.Entry; public class ShortestAbstract { /** * 编程之美 最短摘要的生成 * 扫描过程始终保持一个[pBegin,pEnd]的range,初始化确保[pBegin,pEnd]的ran
  • json数据解析及typeof chengxuyuancsdn jstypeofjson解析
    // json格式 var people='{"authors": [{"firstName": "AAA","lastName": "BBB"},' +' {"firstName": "CCC&
  • 流程系统设计的层次和目标 comsci 设计模式数据结构sql框架脚本
                                  流程系统设计的层次和目标  
  • RMAN List和report 命令 daizj oraclelistreportrman
    LIST 命令 使用RMAN LIST 命令显示有关资料档案库中记录的备份集、代理副本和映像副本的 信息。使用此命令可列出： • RMAN 资料档案库中状态不是AVAILABLE 的备份和副本 • 可用的且可以用于还原操作的数据文件备份和副本 • 备份集和副本，其中包含指定数据文件列表或指定表空间的备份 • 包含指定名称或范围的所有归档日志备份的备份集和副本 • 由标记、完成时间、可
  • 二叉树:红黑树 dieslrae 二叉树
        红黑树是一种自平衡的二叉树,它的查找,插入,删除操作时间复杂度皆为O(logN),不会出现普通二叉搜索树在最差情况时时间复杂度会变为O(N)的问题.     红黑树必须遵循红黑规则,规则如下     1、每个节点不是红就是黑。     2、根总是黑的  &
  • C语言homework3，7个小题目的代码 dcj3sjt126com c
    1、打印100以内的所有奇数。 # include <stdio.h> int main(void) { int i; for (i=1; i<=100; i++) { if (i%2 != 0) printf("%d ", i); } return 0; }  2、从键盘上输入10个整数，
  • 自定义按钮, 图片在上, 文字在下, 居中显示 dcj3sjt126com 自定义
    #import <UIKit/UIKit.h> @interface MyButton : UIButton -(void)setFrame:(CGRect)frame ImageName:(NSString*)imageName Target:(id)target Action:(SEL)action Title:(NSString*)title Font:(CGFloa
  • MySQL查询语句练习题，测试足够用了 flyvszhb sqlmysql
    http://blog.sina.com.cn/s/blog_767d65530101861c.html 1.创建student和score表 CREATE  TABLE  student ( id  INT(10)  NOT NULL  UNIQUE  PRIMARY KEY  , name  VARCHAR
  • 转：MyBatis Generator 详解 happyqing mybatis
      MyBatis Generator 详解 http://blog.csdn.net/isea533/article/details/42102297   MyBatis Generator详解 http://git.oschina.net/free/Mybatis_Utils/blob/master/MybatisGeneator/MybatisGeneator.
  • 让程序员少走弯路的14个忠告 jingjing0907 工作计划学习
      无论是谁，在刚进入某个领域之时，有再大的雄心壮志也敌不过眼前的迷茫：不知道应该怎么做，不知道应该做什么。下面是一名软件开发人员所学到的经验，希望能对大家有所帮助   1.不要害怕在工作中学习。 只要有电脑，就可以通过电子阅读器阅读报纸和大多数书籍。如果你只是做好自己的本职工作以及分配的任务，那是学不到很多东西的。如果你盲目地要求更多的工作，也是不可能提升自己的。放
  • nginx和NetScaler区别 流浪鱼 nginx
    NetScaler是一个完整的包含操作系统和应用交付功能的产品，Nginx并不包含操作系统，在处理连接方面，需要依赖于操作系统，所以在并发连接数方面和防DoS攻击方面，Nginx不具备优势。 2.易用性方面差别也比较大。Nginx对管理员的水平要求比较高，参数比较多，不确定性给运营带来隐患。在NetScaler常见的配置如健康检查，HA等，在Nginx上的配置的实现相对复杂。 3.策略灵活度方
  • 第11章 动画效果（下） onestopweb 动画
    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/
  • FAQ - SAP BW BO roadmap blueoxygen BOBW
    http://www.sdn.sap.com/irj/boc/business-objects-for-sap-faq   Besides, I care that how to integrate tightly.   By the way, for BW consultants, please just focus on Query Designer which i
  • 关于java堆内存溢出的几种情况 tomcat_oracle javajvmjdkthread
    【情况一】： 　　 java.lang.OutOfMemoryError: Java heap space：这种是java堆内存不够，一个原因是真不够，另一个原因是程序中有死循环； 　　如果是java堆内存不够的话，可以通过调整JVM下面的配置来解决： 　　<jvm-arg>-Xms3062m</jvm-arg> 　　<jvm-arg>-Xmx
  • Manifest.permission_group权限组 阿尔萨斯 Permission
    结构 继承关系 public static final class Manifest.permission_group extends Object java.lang.Object android. Manifest.permission_group 常量 ACCOUNTS 直接通过统计管理器访问管理的统计 COST_MONEY可以用来让用户花钱但不需要通过与他们直接牵涉的权限 D
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他