- AI上推荐 之 FiBiNET模型(特征重要性选择与双线性特征交叉)
翻滚的小@强
推荐系统学习笔记推荐系统FiBiNetSENET双线性特征交互特征重要性选择
1.写在前面从五月份的xdeepFM到现在,已经有一个多月的时间没有与推荐模型相关的paper了,说好的"小步快跑"呢?来到公司实习之后,更一直抽不出时间来更新这个系列。不过,最近这段时间,由于开始接触实际场景下的推荐小项目,而实习生的话一般要从模型上手,所以这一周终于又有了时间开始玩推荐模型,并进行相应的魔改。当然,来实习之后,从前辈们的以及周围伙伴的交流中悟出了一个真理,在推荐系统甚至其他领域
- MaskNet 这个CTR模型,有点意思
炼丹笔记
机器学习深度学习计算机视觉python算法
CTR模型相关论文,大家已经看了很多了,如FNN、DeepFm、XDeepFM等,难免会"审美疲劳",所以这些模型真的充分挖掘了交叉特征了吗?这篇论文《MaskNet:IntroducingFeature-WiseMultiplicationtoCTRRankingModelsbyInstance-GuidedMask》提出了MaskBlock更好的挖掘交叉特征,提升点击率模型的效果。这篇论文的贡
- DeepCTR:易用可扩展的深度学习点击率预测算法包
u013250861
推荐系统/RS深度学习人工智能
这个项目主要是对目前的一些基于深度学习的点击率预测算法进行了实现,如PNN,WDL,DeepFM,MLR,DeepCross,AFM,NFM,DIN,DIEN,xDeepFM,AutoInt等,并且对外提供了一致的调用接口。关于每种算法的介绍这里就不细说了,大家可以看论文,看知乎,看博客,讲的都很清楚。DeepCTR的设计主要是面向那些对深度学习以及CTR预测算法感兴趣的同学,使他们可以利用这个包
- CTR预估之Wide&Deep系列(下):NFM/xDeepFM
我就算饿死也不做程序员
推荐系统深度学习推荐系统tensorflow
在上一篇文章中CTR预估之Wide&Deep系列模型:DeepFM/DCN,学习了Wide&Deep这种通用框架:wide组件的线性模型的显性低阶特征交叉提供记忆能力,deep组件的深度网络模型的隐式高阶特征交叉提供泛化能力,还有DeepFM和Deep&Cross(DCN)模型,对wide部分进行改进。今天,再介绍两种同属这种框架的模型,但改进的不是wide部分,其中NFM(NeuralFacto
- xDeepFM架构理解及实现
slade_sal
本文主要是为了讲解xDeepFM的框架,及如何用tensorflow去实现主干部分,如果需要直接拆箱可用,可以参考:xDeepFM,我的部分代码也来自于其中,这边主要是和大家一起对比着看下,xDeepFM到底做了哪些事情?我的工程实现代码等待我司项目上线稳定后开源。XDeepFM到底extreme在哪里?首先,我在做论坛帖子推荐的时候遇到这么一个问题(问题真实,问题内容纯属虚构),用户A:带有如下
- 论文笔记之xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
小弦弦喵喵喵
xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems目标:CTR预估文中指出DNN可以进行隐式的特征交叉,但是这种交叉是bit-wise(元素级,文中bit指比如embedding中的某一位)的。本文提出一种新的CIN(CompressedInteractionNetwork)模型通过显式的方式进行
- xDeepFM模型
安琪拉的小迷妹
参考文献https://zhuanlan.zhihu.com/p/57162373源码解读https://github.com/shenweichen/DeepCTR可分为三大块:1.模型输入部分通过Input层和embedding层,对稀疏特征进行embed。得到一个embedding_list2.模型结构部分用tensorflow的build,call函数,新建Layer,一层一层堆积3.模型
- 交叉特征的处理算法学习理解(FM-xDeepFM)
sinat_36190649
FM算法机器学习深度学习
FM算法公式:其中其中利用上三角矩阵=(对称矩阵-对角矩阵)/2的思想,将其化简为再利用梯度下降法求出V,即得到每个特征的隐含向量(能反映交叉信息),同时训练即可得到分类或回归模型。注:V的维度为,的维度为,为超参,表示向量维度。FFM算法在FM的基础上引入了类别(field)的概念,n个特征(已one-hot编码)属于f个field。此时相对于FM中的,FFM中的维度为,中有f个向量是不相同的,
- CTR深度学习模型之 DeepFM 模型解读
VariableX
CTR相关DeepFMCTR深度学习
CTR系列文章:广告点击率(CTR)预测经典模型GBDT+LR理解与实践(附数据+代码)CTR经典模型串讲:FM/FFM/双线性FFM相关推导与理解CTR深度学习模型之DeepFM模型解读【CTR模型】TensorFlow2.0的DeepFM实现与实战(附代码+数据)CTR模型之Deep&Cross(DCN)与xDeepFM解读【CTR模型】TensorFlow2.0的DCN(Deep&Cross
- 【推荐算法】点击率预估模型(CTR) 快速入门(赋源码)
MachineCYL
推荐算法推荐算法python深度学习
CTR快速入门本项目主要使用DeepCTR进行CTR模型训练。开源本项目,方便初学者快速进行CTR模型训练。【项目说明】配置化运行,无需修改代码。仅需提供训练数据,并通过简单的配置,即可实现CTR模型的训练。支持模型DeepFM、xDeepFM、DCNMix、DeepFEFM、DIFM等。最优模型自动保存,输出详细评估结果。支持导出SavedModel格式模型,方便TFServing部署。项目依赖
- GAT 算法原理介绍与源码分析
珍妮的选择
GraphEmbedding算法GATgraph深度学习tensorflow
GAT算法原理介绍与源码分析文章目录GAT算法原理介绍与源码分析零.前言(与正文无关,请忽略)广而告之一.文章信息二.核心观点三.核心观点解读四.源码分析4.1GraphAttentionLayer4.2GAT网络五.总结零.前言(与正文无关,请忽略)对自己之前分析过的文章做一个简单的总结:机器学习基础:LR/LibFM特征交叉:DCN/PNN/DeepMCP/xDeepFM/FiBiNet/AF
- 大厂面试机器学习算法(5)推荐系统算法
我是女生,我不做程序媛
数据分析与机器学习机器学习推荐系统面试算法推荐算法
文章目录FM背景特征组合Challenge&解决方案Wide&DeepModel背景解决方案DeepFM背景解决方案DeepCross背景解决方案xDeepFM背景解决方案DeepFEFM背景解决方案AutoInt背景解决方案AutoDis背景解决方案在计算广告和推荐系统中,CTR预估(click-throughrate)是非常重要的一个环节,以根据CTR预估的点击率判断是否推荐。在进行CTR预估
- 推荐系统(七)xDeepFM模型
天泽28
推荐系统机器学习&深度学习推荐系统xDeepFMCINDCN
推荐系统(七)xDeepFM模型推荐系统系列博客:推荐系统(一)推荐系统整体概览推荐系统(二)GBDT+LR模型推荐系统(三)FactorizationMachines(FM)推荐系统(四)Field-awareFactorizationMachines(FFM)推荐系统(五)wide&deep推荐系统(六)Deep&CrossNetwork(DCN)这篇文章是中科大、北邮和微软合作发表在KDD’
- 推荐系统-重排序-CTR-DCN-CIN-xDeepFM
莱昂纳多91
一个总结https://www.cnblogs.com/xianbin7/p/10661572.html特征交叉的元素级bit-wiseVS向量级vector-wise元素级别的特征交叉,典型的就是神经网络。向量级特征交叉典型的就是向量点乘。两者区别就是,对于特征交叉来说,从直观上,vector-wise的形式更能理解。而bit-wise则显得更加隐晦。同时,vector-wise会引入更少的参数
- AI上推荐 之 xDeepFM模型(显隐性高阶特征交互的组合策略)
Miracle8070
推荐系统学习笔记推荐系统xDeepFM显隐性高阶特征交互
1.写在前面这篇文章整理模型,不再使用华丽的前言外表,也跳出了王喆老师书上的推荐模型,从前面的各个模型的基础上开始尝试推荐系统领域各个方面的一些新探索和成果了,后面的这个系列打算采用“小步快跑”的方式,每次研究一个模型,主要是基于原论文和一些不错的博客,然后通过一篇文章把细节进行梳理,这样既兼顾论文总结,也能保持短期更新,逼迫自己快速学习和输出。但是为了整理清楚每篇论文里面的细节和完成知识的串联,
- 推荐系统论文阅读(二十一)-DeepFM升级版xDeepFM
推荐系统论文阅读
论文:地址:https://arxiv.org/pdf/1803.05170.pdf论文题目:《xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems》为什么要介绍这篇论文呢,因为面试的时候面试官提到了这篇论文还要我推导公式,但是我自己忘了,太尬了,所以决定来复习下了。。。一、背景在前面的文章里面,我
- deepFm的keras实现
xxaxtt
小熊tensorflow笔记
参考知乎FM因子分解机的原理、公式推导、Python实现和应用。其中returnK.mean(a-b,1,keepdims=True)*0.5有问题吧?应该是returnK.sum(a-b,1,keepdims=True)*0.5?CTR预估模型:DeepFM/Deep&Cross/xDeepFM/AutoInt代码实战与讲解。二阶和DNN部分,只用了稀疏特征,缺少连续特征。用keras实现dee
- XDeepFM学习笔记之填坑之路
VideoRec
RecommendationXDeepFMCTR推荐召回FFM
FM和LFM有相似之处的,都是评分矩阵的分解,预测user对item的评分,推给user评分高的item,这就是FM召回。DeepFM则是采用了神经网络的思想,效果比FM好很多。而作者又提出了这个XDeepFM,这真是天外有天啊。从简单的开始看,先看测试效果,ForVideoRecommendationinDeeplearningQQGroup277356808ForSpeech,Image,Vi
- 推荐系统与深度学习(十一)——xDeepFM模型原理
IT农民工1
人工智能深度学习神经网络计算机视觉机器学习
公众号后台回复“图书“,了解更多号主新书内容作者:livan来源:数据python与算法模型介绍随着深度学习发展,高维特征的价值凸显出来,能够更清晰的表示特征交互,当输入数据的内容变得丰富时,就需要高阶的交叉特征。于是有了很多高维特征交互方法,开始的特征交互是人工的,比如:Deep&Wide等,这一方式的问题在于:1)工程师需要花费大量时间了解数据,提出高维交叉特征,人力成本比较昂贵;2)由于稀疏
- 【CTR预估】 xDeepFM模型
DivinerShi
深度学习推荐系统
xDeepFM模型看作者邮箱应该中科大、北邮、微软合作发表的,发表在kdd2018。看这个模型的原因是因为最近在写DeepCrossNetwork的时候感觉总是怪怪的,因为DCN对同一个特征的embedding内部都做了特征的交叉,这个和我们正常直观的特征交叉会有明显的出入,虽然DCN模型在实践中确实会好于正常的wide&deep,说明显式的特征交叉是有意义的,但是有没有办法不对这些自身内部的bi
- 深度排序模型概述(一)Wide&Deep/xDeepFM
滴水-石穿
https://www.cnblogs.com/hellojamest/p/11067736.html本文记录几个在广告和推荐里面rank阶段常用的模型。广告领域机器学习问题的输入其实很大程度了影响了模型的选择,因为输入一般维度非常高,稀疏,同时包含连续性特征和离散型特征。模型即使到现在DeepFM类的方法,其实也都很简单。模型的发展主要体现于对特征的充分挖掘上,比如利用低阶和高阶特征、尝试自动学
- xDeepFM的深入浅出
SmartBrain
人工智能核心技术解析
在FM中,采用了一阶和二阶的特征组合,相比与只使用一阶线性组合效果要好很多。但是特征组合的能力还是有限的。即特征之间组合的力度,挖掘特征之间的关联性还是较差的。在图像处理的一些方法中,模型的深度都比较深经过了很多层的非线性变换,主要的目的是为了让模型充分的学习数据的分布以及更加抽象的表示,也就是希望利用高阶的特征。在模型的深层部分得到的特征就是数据的高阶表示,因此DeepFM就是在FM的基础上加上
- 【论文导读】KDD2018|xDeepFM---采用显式的高阶特征交互网络CIN
Blank_spaces
网络神经网络算法python机器学习
前言xDeepFM(eXtremeDeepFactorizationMachine)模型是2018年由中科大、北邮、微软研究院在KDD上联合提出的模型(论文:“xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems”)。该模型「最主要的贡献」就是提出了CIN(CompressedInteraction
- 推荐系统论文学习
The_Only_God
推荐系统
文章目录详解Wide&Deep结构背后的动机:https://zhuanlan.zhihu.com/p/53361519揭秘Deep&Cross:如何自动构造高阶交叉特征:https://zhuanlan.zhihu.com/p/55234968xDeepFM:名副其实的”Deep”FactorizationMachine:https://zhuanlan.zhihu.com/p/57162373
- xDeepFM论文解读(KDD2018)
yfreedomliTHU
论文阅读
xDeepFM:CombiningExplicitandImplicitFeatureInteractionsforRecommenderSystems引言(ABSTRACT)组合特征对与许多商业模型的成功都至关重要。受网络获取的原始数据的种类、容量和提取速度等限制,手工提取特征往往花费较大的代价。随着深度学习的兴起,最近研究者们提出了许多基于DNN的因子分解模型来学习高阶和低阶的交互特征。现在诸
- 【CTR模型】TensorFlow2.0 的 DeepFM 实现与实战(附代码+数据)
VariableX
CTR相关深度学习相关deepfmtensorflow2.0ctr
CTR系列文章:广告点击率(CTR)预测经典模型GBDT+LR理解与实践(附数据+代码)CTR经典模型串讲:FM/FFM/双线性FFM相关推导与理解CTR深度学习模型之DeepFM模型解读【CTR模型】TensorFlow2.0的DeepFM实现与实战(附代码+数据)CTR模型之Deep&Cross(DCN)与xDeepFM解读【CTR模型】TensorFlow2.0的DCN(Deep&Cross
- 基于TensorFlow Serving的深度学习在线预估
weixin_34293246
2019独角兽企业重金招聘Python工程师标准>>>一、前言随着深度学习在图像、语言、广告点击率预估等各个领域不断发展,很多团队开始探索深度学习技术在业务层面的实践与应用。而在广告CTR预估方面,新模型也是层出不穷:WideandDeep[1]、DeepCrossNetwork[2]、DeepFM[3]、xDeepFM[4],美团很多篇深度学习博客也做了详细的介绍。但是,当离线模型需要上线时,就
- 推荐系统遇上深度学习(二十二):DeepFM升级版XDeepFM模型强势来袭!
hellozhxy
机器学习推荐系统
今天我们要学习的模型是xDeepFM模型,论文地址为:https://arxiv.org/abs/1803.05170。文中包含我个人的一些理解,如有不对的地方,欢迎大家指正!废话不多说,我们进入正题!1、引言对于预测性的系统来说,特征工程起到了至关重要的作用。特征工程中,挖掘交叉特征是至关重要的。交叉特征指的是两个或多个原始特征之间的交叉组合。例如,在新闻推荐场景中,一个三阶交叉特征为AND(u
- 推荐系统遇上深度学习(二十二)--DeepFM升级版XDeepFM模型强势来袭!
文哥的学习日记
秋招基本结束,让我们继续学习!长期有耐心!今天我们要学习的模型是xDeepFM模型,论文地址为:https://arxiv.org/abs/1803.05170。文中包含我个人的一些理解,如有不对的地方,欢迎大家指正!废话不多说,我们进入正题!1、引言对于预测性的系统来说,特征工程起到了至关重要的作用。特征工程中,挖掘交叉特征是至关重要的。交叉特征指的是两个或多个原始特征之间的交叉组合。例如,在新
- xDeepFM架构理解及实现
sladesha
机器学习理论个人资料
本文主要是为了讲解xDeepFM的框架,及如何用tensorflow去实现主干部分,如果需要直接拆箱可用,可以参考:xDeepFM,我的部分代码也来自于其中,这边主要是和大家一起对比着看下,xDeepFM到底做了哪些事情?我的工程实现代码等待我司项目上线稳定后开源。XDeepFM到底extreme在哪里?首先,我在做论坛帖子推荐的时候遇到这么一个问题(问题真实,问题内容纯属虚构),用户A:带有如下
- jsonp 常用util方法
hw1287789687
jsonpjsonp常用方法jsonp callback
jsonp 常用java方法
(1)以jsonp的形式返回:函数名(json字符串)
/***
* 用于jsonp调用
* @param map : 用于构造json数据
* @param callback : 回调的javascript方法名
* @param filters : <code>SimpleBeanPropertyFilter theFilt
- 多线程场景
alafqq
多线程
0
能不能简单描述一下你在java web开发中需要用到多线程编程的场景?0
对多线程有些了解,但是不太清楚具体的应用场景,能简单说一下你遇到的多线程编程的场景吗?
Java多线程
2012年11月23日 15:41 Young9007 Young9007
4
0 0 4
Comment添加评论关注(2)
3个答案 按时间排序 按投票排序
0
0
最典型的如:
1、
- Maven学习——修改Maven的本地仓库路径
Kai_Ge
maven
安装Maven后我们会在用户目录下发现.m2 文件夹。默认情况下,该文件夹下放置了Maven本地仓库.m2/repository。所有的Maven构件(artifact)都被存储到该仓库中,以方便重用。但是windows用户的操作系统都安装在C盘,把Maven仓库放到C盘是很危险的,为此我们需要修改Maven的本地仓库路径。
- placeholder的浏览器兼容
120153216
placeholder
【前言】
自从html5引入placeholder后,问题就来了,
不支持html5的浏览器也先有这样的效果,
各种兼容,之前考虑,今天测试人员逮住不放,
想了个解决办法,看样子还行,记录一下。
【原理】
不使用placeholder,而是模拟placeholder的效果,
大概就是用focus和focusout效果。
【代码】
<scrip
- debian_用iso文件创建本地apt源
2002wmj
Debian
1.将N个debian-506-amd64-DVD-N.iso存放于本地或其他媒介内,本例是放在本机/iso/目录下
2.创建N个挂载点目录
如下:
debian:~#mkdir –r /media/dvd1
debian:~#mkdir –r /media/dvd2
debian:~#mkdir –r /media/dvd3
….
debian:~#mkdir –r /media
- SQLSERVER耗时最长的SQL
357029540
SQL Server
对于DBA来说,经常要知道存储过程的某些信息:
1. 执行了多少次
2. 执行的执行计划如何
3. 执行的平均读写如何
4. 执行平均需要多少时间
列名 &
- com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil
7454103
eclipse
今天eclipse突然报了com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 错误,并且工程文件打不开了,在网上找了一下资料,然后按照方法操作了一遍,好了,解决方法如下:
错误提示信息:
An error has occurred.See error log for more details.
Reason:
com/genuitec/
- 用正则删除文本中的html标签
adminjun
javahtml正则表达式去掉html标签
使用文本编辑器录入文章存入数据中的文本是HTML标签格式,由于业务需要对HTML标签进行去除只保留纯净的文本内容,于是乎Java实现自动过滤。
如下:
public static String Html2Text(String inputString) {
String htmlStr = inputString; // 含html标签的字符串
String textSt
- 嵌入式系统设计中常用总线和接口
aijuans
linux 基础
嵌入式系统设计中常用总线和接口
任何一个微处理器都要与一定数量的部件和外围设备连接,但如果将各部件和每一种外围设备都分别用一组线路与CPU直接连接,那么连线
- Java函数调用方式——按值传递
ayaoxinchao
java按值传递对象基础数据类型
Java使用按值传递的函数调用方式,这往往使我感到迷惑。因为在基础数据类型和对象的传递上,我就会纠结于到底是按值传递,还是按引用传递。其实经过学习,Java在任何地方,都一直发挥着按值传递的本色。
首先,让我们看一看基础数据类型是如何按值传递的。
public static void main(String[] args) {
int a = 2;
- ios音量线性下降
bewithme
ios音量
直接上代码吧
//second 几秒内下降为0
- (void)reduceVolume:(int)second {
KGVoicePlayer *player = [KGVoicePlayer defaultPlayer];
if (!_flag) {
_tempVolume = player.volume;
- 与其怨它不如爱它
bijian1013
选择理想职业规划
抱怨工作是年轻人的常态,但爱工作才是积极的心态,与其怨它不如爱它。
一般来说,在公司干了一两年后,不少年轻人容易产生怨言,除了具体的埋怨公司“扭门”,埋怨上司无能以外,也有许多人是因为根本不爱自已的那份工作,工作完全成了谋生的手段,跟自已的性格、专业、爱好都相差甚远。
- 一边时间不够用一边浪费时间
bingyingao
工作时间浪费
一方面感觉时间严重不够用,另一方面又在不停的浪费时间。
每一个周末,晚上熬夜看电影到凌晨一点,早上起不来一直睡到10点钟,10点钟起床,吃饭后玩手机到下午一点。
精神还是很差,下午像一直野鬼在城市里晃荡。
为何不尝试晚上10点钟就睡,早上7点就起,时间完全是一样的,把看电影的时间换到早上,精神好,气色好,一天好状态。
控制让自己周末早睡早起,你就成功了一半。
有多少个工作
- 【Scala八】Scala核心二:隐式转换
bit1129
scala
Implicits work like this: if you call a method on a Scala object, and the Scala compiler does not see a definition for that method in the class definition for that object, the compiler will try to con
- sudoku slover in Haskell (2)
bookjovi
haskellsudoku
继续精简haskell版的sudoku程序,稍微改了一下,这次用了8行,同时性能也提高了很多,对每个空格的所有解不是通过尝试算出来的,而是直接得出。
board = [0,3,4,1,7,0,5,0,0,
0,6,0,0,0,8,3,0,1,
7,0,0,3,0,0,0,0,6,
5,0,0,6,4,0,8,0,7,
- Java-Collections Framework学习与总结-HashSet和LinkedHashSet
BrokenDreams
linkedhashset
本篇总结一下两个常用的集合类HashSet和LinkedHashSet。
它们都实现了相同接口java.util.Set。Set表示一种元素无序且不可重复的集合;之前总结过的java.util.List表示一种元素可重复且有序
- 读《研磨设计模式》-代码笔记-备忘录模式-Memento
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
/*
* 备忘录模式的功能是,在不破坏封装性的前提下,捕获一个对象的内部状态,并在对象之外保存这个状态,为以后的状态恢复作“备忘”
- 《RAW格式照片处理专业技法》笔记
cherishLC
PS
注意,这不是教程!仅记录楼主之前不太了解的
一、色彩(空间)管理
作者建议采用ProRGB(色域最广),但camera raw中设为ProRGB,而PS中则在ProRGB的基础上,将gamma值设为了1.8(更符合人眼)
注意:bridge、camera raw怎么设置显示、输出的颜色都是正确的(会读取文件内的颜色配置文件),但用PS输出jpg文件时,必须先用Edit->conv
- 使用 Git 下载 Spring 源码 编译 for Eclipse
crabdave
eclipse
使用 Git 下载 Spring 源码 编译 for Eclipse
1、安装gradle,下载 http://www.gradle.org/downloads
配置环境变量GRADLE_HOME,配置PATH %GRADLE_HOME%/bin,cmd,gradle -v
2、spring4 用jdk8 下载 https://jdk8.java.
- mysql连接拒绝问题
daizj
mysql登录权限
mysql中在其它机器连接mysql服务器时报错问题汇总
一、[running]root@192.168.9.136:~$mysql -uroot -h 192.168.9.108 -p //带-p参数,在下一步进行密码输入
Enter password: //无字符串输入
ERROR 1045 (28000): Access
- Google Chrome 为何打压 H.264
dsjt
applehtml5chromeGoogle
Google 今天在 Chromium 官方博客宣布由于 H.264 编解码器并非开放标准,Chrome 将在几个月后正式停止对 H.264 视频解码的支持,全面采用开放的 WebM 和 Theora 格式。
Google 在博客上表示,自从 WebM 视频编解码器推出以后,在性能、厂商支持以及独立性方面已经取得了很大的进步,为了与 Chromium 现有支持的編解码器保持一致,Chrome
- yii 获取控制器名 和方法名
dcj3sjt126com
yiiframework
1. 获取控制器名
在控制器中获取控制器名: $name = $this->getId();
在视图中获取控制器名: $name = Yii::app()->controller->id;
2. 获取动作名
在控制器beforeAction()回调函数中获取动作名: $name =
- Android知识总结(二)
come_for_dream
android
明天要考试了,速速总结如下
1、Activity的启动模式
standard:每次调用Activity的时候都创建一个(可以有多个相同的实例,也允许多个相同Activity叠加。)
singleTop:可以有多个实例,但是不允许多个相同Activity叠加。即,如果Ac
- 高洛峰收徒第二期:寻找未来的“技术大牛” ——折腾一年,奖励20万元
gcq511120594
工作项目管理
高洛峰,兄弟连IT教育合伙人、猿代码创始人、PHP培训第一人、《细说PHP》作者、软件开发工程师、《IT峰播》主创人、PHP讲师的鼻祖!
首期现在的进程刚刚过半,徒弟们真的很棒,人品都没的说,团结互助,学习刻苦,工作认真积极,灵活上进。我几乎会把他们全部留下来,现在已有一多半安排了实际的工作,并取得了很好的成绩。等他们出徒之日,凭他们的能力一定能够拿到高薪,而且我还承诺过一个徒弟,当他拿到大学毕
- linux expect
heipark
expect
1. 创建、编辑文件go.sh
#!/usr/bin/expect
spawn sudo su admin
expect "*password*" { send "13456\r\n" }
interact
2. 设置权限
chmod u+x go.sh 3.
- Spring4.1新特性——静态资源处理增强
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- idea ubuntuxia 乱码
liyonghui160com
1.首先需要在windows字体目录下或者其它地方找到simsun.ttf 这个 字体文件。
2.在ubuntu 下可以执行下面操作安装该字体:
sudo mkdir /usr/share/fonts/truetype/simsun
sudo cp simsun.ttf /usr/share/fonts/truetype/simsun
fc-cache -f -v
- 改良程序的11技巧
pda158
技巧
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。
让我们看一些基本的编程技巧:
尽量保持方法简短
永远永远不要把同一个变量用于多个不同的
- 300个涵盖IT各方面的免费资源(下)——工作与学习篇
shoothao
创业免费资源学习课程远程工作
工作与生产效率:
A. 背景声音
Noisli:背景噪音与颜色生成器。
Noizio:环境声均衡器。
Defonic:世界上任何的声响都可混合成美丽的旋律。
Designers.mx:设计者为设计者所准备的播放列表。
Coffitivity:这里的声音就像咖啡馆里放的一样。
B. 避免注意力分散
Self Co
- 深入浅出RPC
uule
rpc
深入浅出RPC-浅出篇
深入浅出RPC-深入篇
RPC
Remote Procedure Call Protocol
远程过程调用协议
它是一种通过网络从远程计算机程序上请求服务,而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在,如TCP或UDP,为通信程序之间携带信息数据。在OSI网络通信模型中,RPC跨越了传输层和应用层。RPC使得开发