- 零基础学习机器学习分类模型
可喜~可乐
机器学习机器学习学习分类人工智能数据挖掘
下面将带你通过一个简单的机器学习项目,使用Python实现一个常见的分类问题。我们将使用著名的Iris数据集,来构建一个机器学习模型,进行花卉品种的分类。整个过程会包含:原理介绍:机器学习的基本概念。数据加载和预处理:如何加载数据并进行必要的处理。模型训练和评估:使用经典的分类算法——逻辑回归。代码解释:逐步分析代码实现。拓展内容:如何优化和扩展该项目。1.原理介绍1.1机器学习基本概念机器学习(
- 训练神经网络出现nan
崧小果
AI学习记录神经网络深度学习机器学习
在理解和修改QARV的代码时,出现了训练会因为nan而终止的问题,因此学习记录。参考资料Pytorch训练模型损失Loss为Nan或者无穷大(INF)原因Pytorch训练模型损失Loss为Nan或者无穷大(INF)原因_pytorchnan-CSDN博客文章浏览阅读5.6w次,点赞135次,收藏489次。常见原因-1一般来说,出现NaN有以下几种情况:相信很多人都遇到过训练一个deepmodel
- 复试英文准备方法
小王Jacky
计算机英语英语计算机英语
为了高效准备计算机领域的英文文献翻译面试,可以按照以下步骤进行系统训练,重点提升专业术语积累、文献结构理解和即时翻译能力:一、核心能力针对性训练专业术语速记建立术语库:-每天整理《算法导论》《人工智能:现代方法》等经典教材目录中的核心术语(如:Backpropagation-反向传播、HashCollision--用Excel或Anki卡片记录英文术语+中文释义+例句(例:"Thetimecomp
- 深度求索DeepSeek:AI大模型的全域应用与技术突破
量子纠缠BUG
DeepSeek部署DeepSeekAI人工智能easyui前端
——从政务到医疗,解析国产大模型的创新实践与未来图景引言:DeepSeek的技术定位与行业价值DeepSeek(深度求索)作为中国AI领域的新锐力量,凭借"低成本、高精度、强场景适配"的差异化优势,在短短两年内实现了从技术研发到行业落地的跨越式发展。其基于DeepSeek-R1系列大模型的创新架构,以600万美元的超低训练成本(仅为OpenAI同类模型的1/30)3,在自然语言处理、逻辑推理、多模
- AI人工智能机器学习之监督线性模型
rockfeng0
人工智能机器学习sklearn
1、概要 本篇学习AI人工智能机器监督学习框架下的线性模型,以LinearRegression线性回归和LogisticRegression逻辑回归为示例,从代码层面测试和讲述监督学习中的线性模型。2、监督学习之线性模型-简介监督学习和线性模型是的两个重要概念。监督学习是一种机器学习任务,其中模型在已标记的数据集上进行训练。线性模型是一类通过线性组合输入特征来进行预测的模型。线性模型的基本形式可
- Yolov8分割训练自己的数据集记录
小俊俊的博客
yolov8分割训练自己的数据集
Yolov8分割训练自己的数据集记录第一章、标签制作一、安装labelmelabelme安装很简单,直接在终端输入:pipinstalllabelme启用labelme在终端输入:labelme接下来就是标注数据了。实例分割数据标注选择“创建多边形”标注就行。二、json转txt使用labelme标注的label数据格式为json格式,但是yolov8分割使用的依旧是txt格式。需要进行转换。转换
- 【深度学习】PYTORCH框架中采用训练数据“CIFAR-10”实现RESNET50
别出BUG求求了
深度学习深度学习pytorchcifar-10resnet50神经网络
一、ResNet网络结构二、基本块三、RESNET50代码实现resnet50.pyimporttorchimporttorch.nnasnnfromtorch.nnimportfunctionalasFclassResNet50BasicBlock(nn.Module):def__init__(self,in_channel,outs,kernerl_size,stride,padding):s
- 详细介绍人工智能学习框架
日记成书
反正看不懂系列人工智能
人工智能学习框架是开发者用于构建、训练和部署机器学习模型的核心工具。以下从框架分类、核心框架介绍、学习方法三个维度展开详解:一、主流人工智能框架全景图(一)基础框架层TensorFlow(Google)核心优势:工业级部署能力,支持移动端(TFLite)、浏览器(TF.js)、服务器(TFServing)特色功能:SavedModel格式跨平台兼容,XLA编译器优化计算图适用场景:生产环境部署、大
- YOLOv8实例分割训练自己的数据集
NoContours
YOLOpython开发语言
转载https://blog.csdn.net/m0_51530640/article/details/1299752571.利用labelme进行数据标注1.1Labelme安装方法首先安装Anaconda,然后运行下列命令:####################forPython2####################condacreate--name=labelmepython=2.7s
- 总结yolov8做检测训练时所需要的代码
小胡学长
YOLO人工智能深度学习yolov8python1024程序员节
运行模型训练脚本代码:大家可以先在ultralytics/ultralytics文件夹下新建一个mytrain.py,然后直接复制下面的代码,所有训练有关的超参数都可以在这个文件中调节,不懂超参数可以忽略,这里我说一下比较重要的几个参数:importsys#强制扫描导入使用本地ultralytics这个包sys.path.append("E:/ultralytics")#改为文件所在的目录地址fr
- 从零开始玩转TensorFlow:小明的机器学习故事 4
山海青风
机器学习tensorflow人工智能
探索深度学习1场景故事:小明的灵感前不久,小明一直在用传统的机器学习方法(如线性回归、逻辑回归)来预测学校篮球比赛的胜负。虽然在朋友们看来已经很不错了,但小明发现一个问题:当比赛数据越来越多、球队的特征越来越复杂时,模型的准确率提升得很慢。有一天,小明在学校图书馆翻看杂志时,看到这样一句话:“就像人的大脑有上百亿神经元,神经网络能够学习复杂的信息映射,从而取得卓越的表现。”他瞬间来了灵感:“或许我
- Qwen2.5 技术报告
三谷秋水
大模型机器学习人工智能语言模型机器学习人工智能
24年12月来自通义千问的论文“Qwen2.5TechnicalReport”。本报告介绍Qwen2.5,这是一系列全面的大语言模型(LLM),旨在满足多样化的需求。与之前的迭代相比,Qwen2.5在预训练和后训练阶段都有显著的改进。在预训练方面,将高质量的预训练数据集从之前的7万亿个token扩展到18万亿个token,为常识、专家知识和推理能力提供坚实的基础。在后训练方面,用超过100万个样本
- 代码随想录算法训练营Day57 | 拓扑排序精讲、dijkstra(朴素版)精讲
Harryline-lx
代码随想录算法
文章目录117.软件构建思路与重点47.参加科学大会思路与重点117.软件构建题目链接:117.软件构建讲解链接:代码随想录状态:一遍AC。思路与重点概括来说,给出一个有向图,把这个有向图转成线性的排序就叫拓扑排序。拓扑排序也是图论中判断有向无环图的常用方法。拓扑排序模板题。#include#include#include#includeusingnamespacestd;intmain(){in
- 代码随想录算法训练营第58天|拓扑排序精讲、dijkstra(朴素版)精讲
Yinems
算法
打卡Day581.拓扑排序精讲2.dijkstra(朴素版)精讲1.拓扑排序精讲题目链接:拓扑排序精讲文档讲解:代码随想录给出一个有向图,把这个有向图转成线性的排序就叫拓扑排序。拓扑排序要检测这个有向图是否有环,即存在循环依赖的情况,因为这种情况是不能做线性排序的。所以拓扑排序是图论中判断有向无环图的常用方法。拓扑排序的过程,有两步,第一步,找到入度为0的节点,加入结果集;第二步,将该节点从图中移
- DeepSeek的开源之路:一文读懂从V1-R1的技术发展,见证从开源新秀到推理革命的领跑者
算法
作者:京东科技蔡欣彤一、引言:AI时代的挑战与DeepSeek的崛起在大模型时代,AI技术的飞速发展带来了前所未有的机遇,但也伴随着巨大的挑战。随着模型规模的不断扩大,算力需求呈指数级增长,训练成本飙升,而性能提升的边际收益却逐渐递减,形成了所谓的“ScalingLaw”瓶颈。与此同时,OpenAI、谷歌等巨头通过闭源策略垄断技术,限制了中小企业和研究机构的参与空间。在这样的背景下,DeepSee
- DeepSeek Coder
百态老人
人工智能大数据笔记
DeepSeekCoder是由DeepSeekAI推出的一系列代码生成模型,旨在解决编程中的各种任务,如代码生成、补全、调试和优化等。以下是对该模型的详细分析:模型背景与特点模型规模与训练数据:DeepSeekCoder系列模型从头开始训练,覆盖了超过80种编程语言,总参数量从1B到33B不等,其中包含基础版和指令调优版。模型基于高质量的代码数据集进行训练,包含约2万亿个token,其中87%为代
- 深度求索:解析DeepSeek R1与V3模型的技术差异
walkskyer
AI探索deepseekdeepseek-r1deepseek-v3
深度求索:解析DeepSeekR1与V3模型的技术差异引言模型定位与核心能力DeepSeekV3应用场景及示例DeepSeekR1应用场景及示例模型架构与训练方法DeepSeekV3的架构特点DeepSeekR1的强化学习策略性能表现与基准测试DeepSeekV3的性能优势领域DeepSeekR1的性能优势领域应用场景与部署成本分析DeepSeekV3的适用场景及部署成本优势DeepSeekR1的
- 【百问百答系列】-全面了解Transformer(未来发展)
什么都想学的阿超
原理概念#深度学习transformer深度学习人工智能
【百问百答系列】-全面了解Transformer引言初次接触Transformer时,那些复杂的概念和精妙的架构设计,着实让我困惑不已。但随着一个一个问题的深入探究,从它的基本概念、原理架构,到如何训练、模型优化,再到其广泛的应用领域以及充满潜力的未来发展,我对它的理解也越来越深刻。希望借由这个百问百答系列,把在学习Transformer过程中的思考、疑问与收获分享出来。未来发展97.随着数据量的
- 基于深度学习的行人跌倒检测系统:UI 界面 + YOLOv5 + 数据集详解
深度学习&目标检测实战项目
深度学习uiYOLO目标检测人工智能
引言随着人口老龄化的加剧,老年人的安全问题日益引起重视,跌倒事故是导致老年人伤亡的重要原因之一。为了降低跌倒事故的发生率和伤害程度,行人跌倒检测系统的研究变得愈加重要。本文将详细介绍如何基于YOLOv5构建一个行人跌倒检测系统,并设计相应的用户界面,结合深度学习技术实现实时检测。目录引言系统设计概述数据集准备数据集选择数据预处理data.yaml文件模型选择与训练YOLOv5介绍模型训练步骤用户界
- 大模型是如何蒸馏像Qwen-7B,Llama-3 这种小模型的?
闫哥大数据
大模型llama人工智能
1.Qwen-7B和Llama-3的所属公司Qwen-7B:属于阿里巴巴,是“通义千问”系列的开源模型,由阿里云团队研发。Llama-3:属于Meta(原Facebook),是Meta开源的Llama系列大语言模型的最新版本。2.蒸馏数据的使用与模型归属蒸馏技术的作用:DeepSeek将自研大模型(如DeepSeek-R1)生成的80万条高质量解题数据(称为“蒸馏数据”)用于训练Qwen、Llam
- DeepSeek动态增量学习技术详解与实战指南
燃灯工作室
Deepseek人工智能机器学习数据挖掘
一、主题背景1.Why:破解模型持续进化难题传统全量训练模式面临三大困境:金融风控场景中,每周新增百万级欺诈样本时,全量训练耗时从3小时增至8小时(数据量年增长300%)医疗影像诊断模型遇到新病症类型时,需要重新标注全部历史数据智能客服系统无法保留上周学习的行业专有术语DeepSeek方案实现:训练耗时:新增数据量20%时,耗时仅增加35%(传统方法需100%)灾难性遗忘率:在CLVision20
- GLake:优化GPU内存管理与IO传输的开源项目
2401_87458718
开源
GLake:突破GPU内存和IO瓶颈的利器在人工智能快速发展的今天,大模型训练和推理正面临着严峻的挑战。随着模型规模的不断扩大,GPU内存容量和IO带宽的增长速度已经远远跟不上AI模型规模的增长速度,形成了所谓的"内存墙"和"IO传输墙"。为了应对这些挑战,一个名为GLake的开源项目应运而生,旨在通过底层优化来突破GPU内存和IO传输的瓶颈。GLake简介GLake是一个专注于优化GPU内存管理
- DeepSeek技术解析:降本增效的“双刃剑”如何重塑AI产业?
爱吃青菜的大力水手
人工智能
DeepSeek技术解析:降本增效的“双刃剑”如何重塑AI产业?正面影响分析算力需求与成本大幅降低DeepSeek通过算法优化(如稀疏计算、知识蒸馏)和模型压缩技术,将云端训练算力需求降至传统大模型的35%,车端推理芯片需求减少至65%。例如,某车企使用高通8650平台后,智驾系统成本显著下降。这种优化使得中小企业能以更低成本部署AI,甚至支持本地化私有化部署(如金融行业案例),同时减少对英伟达高
- DeepSeek:突破闭源封锁,引领大模型新时代
fanstinmsl
算法语言模型
近年来,人工智能领域蓬勃发展,大模型作为其中的核心技术,其重要性不言而喻。然而,大模型的训练和部署往往面临着硬件依赖性强、成本高昂、效率低下等挑战。DeepSeek的出现,为解决这些问题提供了全新的思路和方案。DeepSeek的核心优势:1.减少硬件依赖:DeepSeek通过算法优化和架构创新,降低了对高性能硬件的依赖,使得大模型的训练和部署可以在更广泛的硬件平台上进行,极大地降低了应用门槛。**
- Pytorch:以CIFAR-10分类为例,给出了神经网络的训练流程
Xiao_Ya__
深度学习pytorchpytorch分类神经网络
下面给出了神经网络的训练流程,包括数据加载与预处理、网络定义、损失函数和优化器定义、网络训练和网络测试。importtorchastimporttorchvisionastvimporttorchvision.transformsastransformsfromtorchvision.transformsimportToPILImageimporttorch.nnasnnimporttorch.n
- 梯度累加(结合DDP)梯度检查点
糖葫芦君
LLM算法人工智能大模型深度学习
梯度累加目的梯度累积是一种训练神经网络的技术,主要用于在内存有限的情况下处理较大的批量大小(batchsize)。通常,较大的批量可以提高训练的稳定性和效率,但受限于GPU或TPU的内存,无法一次性加载大批量数据。梯度累积通过多次前向传播和反向传播累积梯度,然后一次性更新模型参数,从而模拟大批量训练的效果。总结:显存限制:GPU/TPU显存有限,无法一次性加载大批量数据。训练稳定性:大批量训练通常
- 支持向量机(Support Vector Machine,SVM)
不易撞的网名
支持向量机算法机器学习
支持向量机(SupportVectorMachine,简称SVM)是一种监督学习模型,主要用于分类和回归分析。SVM的基本思想是寻找一个决策边界或超平面,使得两类样本之间的间隔最大化。这个间隔被定义为支持向量到超平面的最短距离,而支持向量就是那些恰好位于间隔边缘上的训练样本点。线性可分情况下的SVM假设我们有一组训练数据(x1,y1),(x2,y2),…,(xn,yn)(x_1,y_1),(x_2
- Tensorflow2.x框架-神经网络八股扩展-acc曲线与loss曲线
诗雨时
loss/loss可视化,可视化出准确率上升、损失函数下降的过程博主微信公众号(左)、Python+智能大数据+AI学习交流群(右):欢迎关注和加群,大家一起学习交流,共同进步!目录摘要一、acc曲线与loss曲线二、完整代码摘要loss/loss可视化,可视化出准确率上升、损失函数下降的过程一、acc曲线与loss曲线history=model.fit(训练集数据,训练集标签,batch_siz
- DeepSeek强化学习(Reinforcement Learning)基础与实践
Evaporator Core
强化学习#DeepSeek快速入门人工智能python数据库tornado强化学习deepseek
引言强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,专注于训练智能体(Agent)在环境中通过试错来学习最优策略。与监督学习和无监督学习不同,强化学习通过奖励信号来指导智能体的行为,使其能够在复杂的环境中做出决策。DeepSeek提供了强大的工具和API,帮助我们高效地构建和训练强化学习模型。本文将详细介绍如何使用DeepSeek进行强化学习的基础与实践,并通
- 第三讲-神经网络八股
loveysuxin
Tensorflowtensorflow
一、搭建神经网络六部法tf.keras搭建神经网络六部法1、import相关模块 2、train,test #训练集、测试集3、model=tf.keras.models.Sequential #逐层搭建网络结构4、model.compile #配置训练方法,选择训练使用的优化器、损失函数和最终评价指标5、model.fit #执行训练过程,告知训练集和测试集的输入值和标签、每个batc
- 继之前的线程循环加到窗口中运行
3213213333332132
javathreadJFrameJPanel
之前写了有关java线程的循环执行和结束,因为想制作成exe文件,想把执行的效果加到窗口上,所以就结合了JFrame和JPanel写了这个程序,这里直接贴出代码,在窗口上运行的效果下面有附图。
package thread;
import java.awt.Graphics;
import java.text.SimpleDateFormat;
import java.util
- linux 常用命令
BlueSkator
linux命令
1.grep
相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志,这个命令绝对是必不可少的。
但之前总是习惯于使用 (grep -n 关键字 文件名 )查出关键字以及该关键字所在的行数,然后再用 (sed -n '100,200p' 文件名),去查出该关键字之后的日志内容。
但其实还有更简便的办法,就是用(grep -B n、-A n、-C n 关键
- php heredoc原文档和nowdoc语法
dcj3sjt126com
PHPheredocnowdoc
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
<title>Current To-Do List</title>
</head>
<body>
<?
- overflow的属性
周华华
JavaScript
<!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/1999/xhtml&q
- 《我所了解的Java》——总体目录
g21121
java
准备用一年左右时间写一个系列的文章《我所了解的Java》,目录及内容会不断完善及调整。
在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等,请大家及时指出,我会第一时间更正。
&n
- [简单]docx4j常用方法小结
53873039oycg
docx
本代码基于docx4j-3.2.0,在office word 2007上测试通过。代码如下:
import java.io.File;
import java.io.FileInputStream;
import ja
- Spring配置学习
云端月影
spring配置
首先来看一个标准的Spring配置文件 applicationContext.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi=&q
- Java新手入门的30个基本概念三
aijuans
java新手java 入门
17.Java中的每一个类都是从Object类扩展而来的。 18.object类中的equal和toString方法。 equal用于测试一个对象是否同另一个对象相等。 toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法) 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。
- 《2008 IBM Rational 软件开发高峰论坛会议》小记
antonyup_2006
软件测试敏捷开发项目管理IBM活动
我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵!
其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下.
参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
- PL/SQL的过程编程,异常,声明变量,PL/SQL块
百合不是茶
PL/SQL的过程编程异常PL/SQL块声明变量
PL/SQL;
过程;
符号;
变量;
PL/SQL块;
输出;
异常;
PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
- Mockito(三)--完整功能介绍
bijian1013
持续集成mockito单元测试
mockito官网:http://code.google.com/p/mockito/,打开documentation可以看到官方最新的文档资料。
一.使用mockito验证行为
//首先要import Mockito
import static org.mockito.Mockito.*;
//mo
- 精通Oracle10编程SQL(8)使用复合数据类型
bijian1013
oracle数据库plsql
/*
*使用复合数据类型
*/
--PL/SQL记录
--定义PL/SQL记录
--自定义PL/SQL记录
DECLARE
TYPE emp_record_type IS RECORD(
name emp.ename%TYPE,
salary emp.sal%TYPE,
dno emp.deptno%TYPE
);
emp_
- 【Linux常用命令一】grep命令
bit1129
Linux常用命令
grep命令格式
grep [option] pattern [file-list]
grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。
pattern可以是普通字符串,也可以是正则表达式,当查找的字符串包含正则表达式字符或者特
- mybatis3入门学习笔记
白糖_
sqlibatisqqjdbc配置管理
MyBatis 的前身就是iBatis,是一个数据持久层(ORM)框架。 MyBatis 是支持普通 SQL 查询,存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。
以前也学过iBatis,因为MyBatis是iBatis的升级版本,最初以为改动应该不大,实际结果是MyBatis对配置文件进行了一些大的改动,使整个框架更加方便人性化。
- Linux 命令神器:lsof 入门
ronin47
lsof
lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息,但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实,因为它是指“列出打开文件(lists openfiles)”。而有一点要切记,在Unix中一切(包括网络套接口)都是文件。
有趣的是,lsof也是有着最多
- java实现两个大数相加,可能存在溢出。
bylijinnan
java实现
import java.math.BigInteger;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class BigIntegerAddition {
/**
* 题目:java实现两个大数相加,可能存在溢出。
* 如123456789 + 987654321
- Kettle学习资料分享,附大神用Kettle的一套流程完成对整个数据库迁移方法
Kai_Ge
Kettle
Kettle学习资料分享
Kettle 3.2 使用说明书
目录
概述..........................................................................................................................................7
1.Kettle 资源库管
- [货币与金融]钢之炼金术士
comsci
金融
自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的
那么随着人类在理论物理和工程物理上面取得的一些突破性进展......
炼金术这个古老
- Toast原来也可以多样化
dai_lm
androidtoast
Style 1: 默认
Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT);
def.show();
Style 2: 顶部显示
Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT);
t
- java数据计算的几种解决方法3
datamachine
javahadoopibatisr-languer
4、iBatis
简单敏捷因此强大的数据计算层。和Hibernate不同,它鼓励写SQL,所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦,只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。
复杂计算环境是它的弱项,比如:分布式计算、复杂计算、非数据
- 向网页中插入透明Flash的方法和技巧
dcj3sjt126com
htmlWebFlash
将
Flash 作品插入网页的时候,我们有时候会需要将它设为透明,有时候我们需要在Flash的背面插入一些漂亮的图片,搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。
一、Swf透明、无坐标控制 首先教大家最简单的插入Flash的代码,透明,无坐标控制: 注意wmode="transparent"是控制Flash是否透明
- ios UICollectionView的使用
dcj3sjt126com
UICollectionView的使用有两种方法,一种是继承UICollectionViewController,这个Controller会自带一个UICollectionView;另外一种是作为一个视图放在普通的UIViewController里面。
个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。
1.UIViewController实现委托,代码如
- Eos平台java公共逻辑
蕃薯耀
Eos平台java公共逻辑Eos平台java公共逻辑
Eos平台java公共逻辑
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月1日 17:20:4
- SpringMVC4零配置--Web上下文配置【MvcConfig】
hanqunfeng
springmvc4
与SpringSecurity的配置类似,spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。
applicationContext-MvcConfig.xml
<!-- 启用注解,并定义组件查找规则 ,mvc层只负责扫描@Controller -->
<
- 解决ie和其他浏览器poi下载excel文件名乱码
jackyrong
Excel
使用poi,做传统的excel导出,然后想在浏览器中,让用户选择另存为,保存用户下载的xls文件,这个时候,可能的是在ie下出现乱码(ie,9,10,11),但在firefox,chrome下没乱码,
因此必须综合判断,编写一个工具类:
/**
*
* @Title: pro
- 挥洒泪水的青春
lampcy
编程生活程序员
2015年2月28日,我辞职了,离开了相处一年的触控,转过身--挥洒掉泪水,毅然来到了兄弟连,背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人,还敢跨行业,选择Unity3D?“,”真是不自量力••••••“,”真是初生牛犊不怕虎•••••“,••••••我只是淡淡一笑,拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连!
这就是我青春的分割线,不后悔,只会去用泪水浇灌——已经来到
- 稳增长之中国股市两点意见-----严控做空,建立涨跌停版停牌重组机制
nannan408
对于股市,我们国家的监管还是有点拼的,但始终拼不过飞流直下的恐慌,为什么呢?
笔者首先支持股市的监管。对于股市越管越荡的现象,笔者认为首先是做空力量超过了股市自身的升力,并且对于跌停停牌重组的快速反应还没建立好,上市公司对于股价下跌没有很好的利好支撑。
我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空,在
- 动态设置iframe高度(iframe高度自适应)
Rainbow702
JavaScriptiframecontentDocument高度自适应局部刷新
如果需要对画面中的部分区域作局部刷新,大家可能都会想到使用ajax。
但有些情况下,须使用在页面中嵌入一个iframe来作局部刷新。
对于使用iframe的情况,发现有一个问题,就是iframe中的页面的高度可能会很高,但是外面页面并不会被iframe内部页面给撑开,如下面的结构:
<div id="content">
<div id=&quo
- 用Rapael做图表
tntxia
rap
function drawReport(paper,attr,data){
var width = attr.width;
var height = attr.height;
var max = 0;
&nbs
- HTML5 bootstrap2网页兼容(支持IE10以下)
xiaoluode
html5bootstrap
<!DOCTYPE html>
<html>
<head lang="zh-CN">
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">