Wang_AI
Wang_AI

机器学习/计算机视觉/ NLP的论文及笔记

来源：专知

【导读】这个仓库包含了一些机器学习论文与笔记，主题包括自监督学习、半监督学习、无监督学习、语义分割、弱监督、半监督语义分割、信息检索、图神经网络等。

github链接：https://github.com/yassouali/ML_paper_notes

Self-Supervised Learning

  • Selfie: Self-supervised Pretraining for Image Embedding (2019):

    • Paper https://arxiv.org/abs/1906.02940

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/76_selfie_pretraining_for_img_embeddings.pdf

  • Self-Supervised Representation Learning by Rotation Feature Decoupling (2019):

    • Paper https://github.com/philiptheother/FeatureDecoupling

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/73_SSL_by_rotation_decoupling.pdf

  • Revisiting Self-Supervised Visual Representation Learning (2019):

    • Paper https://arxiv.org/abs/1901.09005

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/72_revisiting_SSL.pdf

  • AET vs. AED: Unsupervised Representation Learning by Auto-Encoding Transformations rather than Data (2019):

    • Paper https://arxiv.org/abs/1901.04596

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/74_AFT_vs_AED.pdf

  • Boosting Self-Supervised Learning via Knowledge Transfer (2018):

    • Paper https://arxiv.org/abs/1805.00385

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/67_boosting_self_super_via_trsf_learning.pdf

  • Self-Supervised Feature Learning by Learning to Spot Artifacts (2018):

    • Paper https://arxiv.org/abs/1806.05024

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/69_SSL_by_learn_to_spot_artifacts.pdf

  • Unsupervised Representation Learning by Predicting Image Rotations (2018):

    • Paper https://arxiv.org/abs/1803.07728

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/68_unsup_img_rep_learn_by_rot_predic.pdf

  • Cross Pixel Optical-Flow Similarity for Self-Supervised Learning (2018):

    • Paper https://arxiv.org/abs/1807.05636

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/75_cross_pixel_optical_flow.pdf

  • Multi-task Self-Supervised Visual Learning (2017):

    • Paper https://arxiv.org/abs/1708.07860

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/64_multi_task_self_supervised.pdf

  • Split-Brain Autoencoders: Unsupervised Learning by Cross-Channel Prediction (2017):

    • Paper https://arxiv.org/abs/1611.09842

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/65_split_brain_autoencoders.pdf

  • Colorization as a Proxy Task for Visual Understanding (2017):

    • Paper https://arxiv.org/abs/1703.04044

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/66_colorization_as_a_proxy_for_viz_under.pdf

  • Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles (2017):

    • Paper https://arxiv.org/abs/1603.09246

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/63_solving_jigsaw_puzzles.pdf

  • Unsupervised Visual Representation Learning by Context Prediction (2016):

    • Paper https://arxiv.org/abs/1505.05192

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/62_unsupervised_learning_with_context_prediction.pdf

  • Colorful image colorization (2016):

    • Paper https://richzhang.github.io/colorization/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/59_colorful_colorization.pdf

  • Learning visual groups from co-occurrences in space and time (2015):

    • Paper https://arxiv.org/abs/1511.06811

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/61_visual_groups_from_co_occurrences.pdf

  • Discriminative unsupervised feature learning with exemplar convolutional neural networks (2015):

    • Paper https://arxiv.org/abs/1406.6909

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/60_exemplar_CNNs.pdf

Semi-Supervised Learning

  • Dual Student: Breaking the Limits of the Teacher in Semi-supervised Learning (2019):

    • Paper https://arxiv.org/abs/1909.01804

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/79_dual_student.pdf

  • S4L: Self-Supervised Semi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1905.03670

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/83_S4L.pdf

  • Semi-Supervised Learning by Augmented Distribution Alignment (2019

    • Paper https://arxiv.org/abs/1905.08171

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/80_SSL_aug_dist_align.pdf

  • MixMatch: A Holistic Approach toSemi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1905.02249

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/45_mixmatch.pdf

  • Unsupervised Data Augmentation (2019):

    • Paper https://arxiv.org/abs/1904.12848

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/39_unsupervised_data_aug.pdf

  • Interpolation Consistency Training forSemi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1903.03825

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/44_interpolation_consistency_tranining.pdf

  • Deep Co-Training for Semi-Supervised Image Recognition (2018):

    • Paper https://arxiv.org/abs/1803.05984

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/46_deep_co_training_img_rec.pdf

  • Unifying semi-supervised and robust learning by mixup (2019):

    • Paper https://openreview.net/forum?id=r1gp1jRN_4

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/42_mixmixup.pdf

  • Realistic Evaluation of Deep Semi-Supervised Learning Algorithms (2018):

    • Paper https://arxiv.org/abs/1804.09170

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/37_realistic_eval_of_deep_ss.pdf

  • Semi-Supervised Sequence Modeling with Cross-View Training (2018):

    • Paper https://arxiv.org/abs/1809.08370

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/38_cross_view_semi_supervised.pdf

  • Virtual Adversarial Training:A Regularization Method for Supervised andSemi-Supervised Learning (2017):

    • Paper https://arxiv.org/abs/1704.03976

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/40_virtual_adversarial_training.pdf

  • Mean teachers are better role models (2017):

    • Paper https://arxiv.org/abs/1703.01780

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/56_mean_teachers.pdf

  • Temporal Ensembling for Semi-Supervised Learning (2017):

    • Paper https://arxiv.org/abs/1610.02242

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/55_temporal-ensambling.pdf

  • Semi-Supervised Learning with Ladder Networks (2015):

    • Paper https://arxiv.org/abs/1507.02672

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/33_ladder_nets.pdf

Unsupervised Learning

  • Invariant Information Clustering for Unsupervised Image Classification and Segmentation (2019):

    • Paper https://arxiv.org/abs/1807.06653

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/78_IIC.pdf

  • Deep Clustering for Unsupervised Learning of Visual Feature (2018):

    • Paper https://arxiv.org/abs/1807.05520

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/70_deep_clustering_for_un_visual_features.pdf

Semantic Segmentation

  • DeepLabv3+: Encoder-Decoder with Atrous Separable Convolution (2018):

    • Paper https://arxiv.org/abs/1802.02611

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/26_deeplabv3+.pdf

  • Large Kernel Matter, Improve Semantic Segmentation by Global Convolutional Network (2017):

    • Paper https://arxiv.org/abs/1703.02719

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/28_large_kernel_maters.pdf

  • Understanding Convolution for Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1702.08502

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/29_understanding_conv_for_sem_seg.pdf

  • Rethinking Atrous Convolution for Semantic Image Segmentation (2017):

    • Paper https://arxiv.org/abs/1706.05587

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/25_deeplab_v3.pdf

  • RefineNet: Multi-path refinement networks for high-resolution semantic segmentation (2017):

    • Paper https://arxiv.org/abs/1611.06612

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/31_refinenet.pdf

  • Pyramid Scene Parsing Network (2017):

    • Paper http://jiaya.me/papers/PSPNet_cvpr17.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/22_pspnet.pdf

  • SegNet: A Deep ConvolutionalEncoder-Decoder Architecture for ImageSegmentation (2016):

    • Paper https://arxiv.org/pdf/1511.00561

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/21_segnet.pdf

  • ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation (2016):

    • Paper https://arxiv.org/abs/1606.02147

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/27_enet.pdf

  • Attention to Scale: Scale-aware Semantic Image Segmentation (2016):

    • Paper https://arxiv.org/abs/1511.03339

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/30_atttention_to_scale.pdf

  • Deeplab: semantic image segmentation with DCNN, atrous convs and CRFs (2016):

    • Paper https://arxiv.org/abs/1606.00915

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/23_deeplab_v2.pdf

  • U-Net: Convolutional Networks for Biomedical Image Segmentation (2015):

    • Paper https://arxiv.org/abs/1505.04597

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/20_Unet.pdf

  • Fully Convolutional Networks for Semantic Segmentation (2015):

    • Paper https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/19_FCN.pdf

  • Hypercolumns for object segmentation and fine-grained localization (2015):

    • Paper http://home.bharathh.info/pubs/pdfs/BharathCVPR2015.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/24_hypercolumns.pdf

Weakly- and Semi-supervised Semantic segmentation

  • Box-driven Class-wise Region Masking and Filling Rate Guided Loss for Weakly Supervised Semantic Segmentation (2019):

    • Paper http://arxiv.org/abs/1904.11693

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/54_boxe_driven_weakly_segmentation.pdf

  • FickleNet: Weakly and Semi-supervised Semantic Image Segmentation using Stochastic Inference (2019):

    • Paper https://arxiv.org/abs/1902.10421

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/49_ficklenet.pdf

  • Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing (2018):

    • Paper http://openaccess.thecvf.com/content_cvpr_2018/papers/Huang_Weakly-Supervised_Semantic_Segmentation_CVPR_2018_paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/53_deep_seeded_region_growing.pdf

  • Learning Pixel-level Semantic Affinity with Image-level Supervision for Weakly Supervised Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1803.10464

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/81_affinity_for_ws_segmentation.pdf

  • Object Region Mining with Adversarial Erasing: A Simple Classification to Semantic Segmentation Approach (2018):

    • Paper https://arxiv.org/abs/1703.08448

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/51_object_region_manning_for_sem_seg.pdf

  • Revisiting Dilated Convolution: A Simple Approach for Weakly- and Semi- Supervised Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1805.04574

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/52_dilates_convolution_semi_super_segmentation.pdf

  • Tell Me Where to Look: Guided Attention Inference Network (2018):

    • Paper https://arxiv.org/abs/1802.10171

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/50_tell_me_where_to_look.pdf

  • Semi Supervised Semantic Segmentation Using Generative Adversarial Network (2017):

    • Paper https://arxiv.org/abs/1703.09695

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/82_ss_segmentation_gans.pdf

  • Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation (2015):

    • Paper https://arxiv.org/abs/1506.04924

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/47_decoupled_nn_for_segmentation.pdf

  • Weakly- and Semi-Supervised Learning of a DCNN for Semantic Image Segmentation (2015):

    • Paper https://arxiv.org/abs/1502.02734

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/48_weakly_and_ss_for_segmentation.pdf

Information Retrieval

  • VSE++: Improving Visual-Semantic Embeddings with Hard Negatives (2018):

    • Paper https://arxiv.org/abs/1707.05612

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/77_vse++.pdf

Visual Explanation & Attention

  • Attention Branch Network: Learning of Attention Mechanism for Visual Explanation (2019):

    • Paper https://arxiv.org/abs/1812.10025

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/57_attention_branch_netwrok.pdf

  • Attention-based Dropout Layer for Weakly Supervised Object Localization (2019):

    • Paper http://openaccess.thecvf.com/content_CVPR_2019/papers/Choe_Attention-Based_Dropout_Layer_for_Weakly_Supervised_Object_Localization_CVPR_2019_paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/58_attention_based_dropout.pdf

  • Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer (2016):

    • Paper https://arxiv.org/abs/1612.03928

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/71_attention_transfer.pdf

Graph neural network & Graph embeddings

  • Pixels to Graphs by Associative Embedding (2017):

    • Paper https://arxiv.org/abs/1706.07365

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/36_pixels_to_graphs.pdf

  • Associative Embedding: End-to-End Learning forJoint Detection and Grouping (2017):

    • Paper https://arxiv.org/abs/1611.05424

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/35_associative_emb.pdf

  • Interaction Networks for Learning about Objects , Relations and Physics (2016):

    • Paper https://arxiv.org/abs/1612.00222

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/18_interaction_nets.pdf

  • DeepWalk: Online Learning of Social Representation (2014):

    • Paper http://www.perozzi.net/publications/14_kdd_deepwalk.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/deep_walk.pdf

  • The graph neural network model (2009):

    • Paper https://persagen.com/files/misc/scarselli2009graph.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/graph_neural_nets.pdf

Regularization

  • Manifold Mixup: Better Representations by Interpolating Hidden States (2018):

    • Paper https://arxiv.org/abs/1806.05236

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/43_manifold_mixup.pdf

Deep learning Methods & Models

  • AutoAugment (2018):

    • Paper https://arxiv.org/abs/1805.09501

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/41_autoaugment.pdf

  • Stacked Hourgloass (2017):

    • Paper http://ismir2018.ircam.fr/doc/pdfs/138_Paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/34_stacked_hourglass.pdf

Document analysis and segmentation

  • dhSegment: A generic deep-learning approach for document segmentation (2018):

    • Paper https://arxiv.org/abs/1804.10371

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/dhSegement.pdf

  • Learning to extract semantic structure from documents using multimodal fully convolutional neural networks (2017):

    • Paper https://arxiv.org/abs/1706.02337

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/learning_to_extract.pdf

  • Page Segmentation for Historical Handwritten Document Images Using Conditional Random Fields (2016):

    • Paper https://www.researchgate.net/publication/312486501_Page_Segmentation_for_Historical_Handwritten_Document_Images_Using_Conditional_Random_Fields

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/seg_with_CRFs.pdf

  • ICDAR 2015 competition on text line detection in historical documents (2015):

    • Paper http://ieeexplore.ieee.org/abstract/document/7333945/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/ICDAR2015.pdf

  • Handwritten text line segmentation using Fully Convolutional Network (2017):

    • Paper https://ieeexplore.ieee.org/document/8270267/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/handwritten_text_seg_FCN.pdf

  • Deep Neural Networks for Large Vocabulary Handwritten Text Recognition (2015):

    • Paper https://tel.archives-ouvertes.fr/tel-01249405/document

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/andwriten_text_recognition.pdf

  • Page Segmentation of Historical Document Images with Convolutional Autoencoders (2015):

    • Paper https://ieeexplore.ieee.org/abstract/document/7333914/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/segmentation_with_CAE.pdf

  • A typed and handwritten text block segmentation system for heterogeneous and complex documents (2012):

    • Paper https://www.researchgate.net/publication/275518176_A_Typed_and_Handwritten_Text_Block_Segmentation_System_for_Heterogeneous_and_Complex_Documents

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/a_typed_block_seg.pdf

  • Document layout analysis, Classical approaches (1992:2001):

    • Paper https://pdfs.semanticscholar.org/5392/90b571b918da959fabaae7f605bb07850518.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/old_classical_approaches.pdf

  • Page Segmentation for Historical Document Images Based on Superpixel Classification with Unsupervised Feature Learning (2016):

    • Paper https://ieeexplore.ieee.org/document/7490134

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/seg_with_superpixels.pdf

  • Paragraph text segmentation into lines with Recurrent Neural Networks (2015):

    • Paper http://ieeexplore.ieee.org/abstract/document/7333803/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/textlines_srg_with_RNNs.pdf

  • A comprehensive survey of mostly textual document segmentation algorithms since 2008 (2017 ):

    • Paper https://hal.archives-ouvertes.fr/hal-01388088/document

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/survey_doc_segmentation.pdf

  • Convolutional Neural Networks for Page Segmentation of Historical Document Images (2017):

    • Paper  https://arxiv.org/abs/1704.01474

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/CNNs_chen.pdf

  • ICDAR2009 Page Segmentation Competition (2009):

    • Paper https://ieeexplore.ieee.org/document/5277763

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/ICDAR2009.pdf

  • Amethod for combining complementary techniques for document image segmentation (2009):

    • Paper https://www.researchgate.net/publication/220600948_A_method_for_combining_complementary_techniques_for_document_image_segmentation

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/a_method_for_combining_complementary_techniques.pdf

你可能感兴趣的:(机器学习/计算机视觉/ NLP的论文及笔记)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • 情绪觉察日记第37天 露露_e800
    今天是家庭关系规划师的第二阶最后一天，慧萍老师帮我做了个案，帮我处理了埋在心底好多年的一份恐惧，并给了我深深的力量！这几天出来学习，爸妈过来婆家帮我带小孩，妈妈出于爱帮我收拾东西，并跟我先生和婆婆产生矛盾，妈妈觉得他们没有照顾好我…。今晚回家见到妈妈，我很欣赏她并赞扬她，妈妈说今晚要跟我睡我说好，当我们俩躺在床上准备睡觉的时候，我握着妈妈的手对她说:妈妈这几天辛苦你了，你看你多利害把我们的家收拾得
  • 芦花鞋一四 许叶晗
    又是在一个寒冷的夏日里，青铜和葵花决定今天一起去卖芦花鞋，奶奶亲手给他们做了一碗热乎乎的粥对他们说:“就靠你们两挣生活费了这碗粥赶紧趁热喝了吧！”于是青铜和葵花喝完了奶奶给她们做的粥，就准备去镇上卖卢花鞋，这回青铜和葵花穿着新的芦花鞋来到了镇上。青铜这回看到了很多人都在卖，用手势表达对葵花说:“这回有好多人在抢我们生意呢！我们必须得吆喝起来。”葵花点了点头。可是谁知他们也大声的叫，卖芦花喽！卖芦花
  • QQ群采集助手，精准引流必备神器 2401_87347160 其他经验分享
    功能概述微信群查找与筛选工具是一款专为微信用户设计的辅助工具，它通过关键词搜索功能，帮助用户快速找到相关的微信群，并提供筛选是否需要验证的群组的功能。主要功能关键词搜索：用户可以输入关键词，工具将自动查找包含该关键词的微信群。筛选功能：工具提供筛选机制，用户可以选择是否只显示需要验证或不需要验证的群组。精准引流：通过上述功能，用户可以更精准地找到目标群组，进行有效的引流操作。3.设备需求该工具可以
  • 关于沟通这件事，项目经理不需要每次都面对面进行 流程大师兄
    很多项目经理都会遇到这样的问题，项目中由于事情太多，根本没有足够的时间去召开会议，那在这种情况下如何去有效地管理项目中的利益相关者？当然，不建议电子邮件也不需要开会的话，建议可以采取下面几种方式来形成有效的沟通，这几种方式可以帮助你努力的通过各种办法来保持和各方面的联系。项目经理首先要问自己几个问题，项目中哪些利益相关者是必须要进行沟通的？可以列出项目中所有的利益相关者清单，同时也整理出项目中哪些
  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 铭刻于星（四十二） 随风至
    69夜晚，绍敏同学做完功课后，看了眼房外，没听到动静才敢从书包的夹层里拿出那个心形纸团。折痕压得很深，都有些旧了，想来是已经写好很久了。绍敏同学慢慢地、轻轻地捏开折叠处，待到全部拆开后，又反复抚平纸张，然后仔细地一字字默看。只是开头的三个字是第一次看到，让她心漏跳了几拍。“亲爱的绍敏：从四年级的时候，我就喜欢你了，但是我一直不敢说，怕影响你学习。六年级的时候听说有人跟你表白，你接受了，我很难过，但
  • 底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说 造命者说
    底层逆袭到底有多难，不甘平凡的你准备好了吗？让吴起给你说说我叫吴起，生于公元前440年的战国初期，正是群雄并起、天下纷争不断的时候。后人说我是军事家、政治家、改革家，是兵家代表人物。评价我一生历仕鲁、魏、楚三国，通晓兵家、法家、儒家三家思想，在内政军事上都有极高的成就。周安王二十一年（公元前381年），因变法得罪守旧贵族，被人乱箭射死。我出生在卫国一个“家累万金”的富有家庭，从年轻时候起就不甘平凡
  • 2020-01-25 晴岚85
    郑海燕坚持分享590天2020.1.24在生活中只存在两个问题。一个问题是：你知道想要达成的目标是什么，但却不知道如何才能达成；另一个问题是：你不知道你的目标是什么。前一个是行动的问题，后一个是结果的问题。通过制定具体的下一步行动，可以解决不知道如何开始行动的问题。而通过去想象结果，对结果做预估，可以解决找不着目标的问题。对于所有吸引我们注意力，想要完成的任务，你可以先想象一下，预期的结果究竟是什
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 想家 爆米花机
    也许不同于大家对家乡的思念，我对家乡甚至是疯狂的不舍。还未踏出车站就感觉到幸福，我享受这里的夕阳、这里的浓烈柴火味、这里每一口家常菜。我是宅女，我贪恋家的安逸。刚刚踏出大学校门，初出茅庐，无法适应每年只能国庆和春节回家。我焦虑、失眠、无端发脾气，是无法适应工作的节奏，是无法接受我将一步步离开家乡的事实。我不想承认自己胸无大志，选择再次踏上征程。图片发自App
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • OC语言多界面传值五大方式 Magnetic_h iosui学习objective-c开发语言
    前言在完成暑假仿写项目时，遇到了许多需要用到多界面传值的地方，这篇博客来总结一下比较常用的五种多界面传值的方式。属性传值属性传值一般用前一个界面向后一个界面传值，简单地说就是通过访问后一个视图控制器的属性来为它赋值，通过这个属性来做到从前一个界面向后一个界面传值。首先在后一个界面中定义属性@interfaceBViewController:UIViewController@propertyNSSt
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • element实现动态路由+面包屑 软件技术NINI vue案例vue.js前端
    el-breadcrumb是ElementUI组件库中的一个面包屑导航组件，它用于显示当前页面的路径，帮助用户快速理解和导航到应用的各个部分。在Vue.js项目中，如果你已经安装了ElementUI，就可以很方便地使用el-breadcrumb组件。以下是一个基本的使用示例：安装ElementUI（如果你还没有安装的话）:你可以通过npm或yarn来安装ElementUI。bash复制代码npmi
  • 10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
    本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
  • C语言宏函数 南林yan C语言c语言
    一、什么是宏函数？通过宏定义的函数是宏函数。如下，编译器在预处理阶段会将Add(x,y)替换为((x)*(y))#defineAdd(x,y)((x)*(y))#defineAdd(x,y)((x)*(y))intmain(){inta=10;intb=20;intd=10;intc=Add(a+d,b)*2;cout<
  • 地推话术，如何应对地推过程中家长的拒绝 校师学
    相信校长们在做地推的时候经常遇到这种情况：市场专员反馈家长不接单，咨询师反馈难以邀约这些家长上门，校区地推疲软，招生难。为什么？仅从地推层面分析，一方面因为家长受到的信息轰炸越来越多，对信息越来越“免疫”；而另一方面地推人员的专业能力和营销话术没有提高，无法应对家长的拒绝，对有意向的家长也不知如何跟进，眼睁睁看着家长走远；对于家长的疑问，更不知道如何有技巧地回答，机会白白流失。由于回答没技巧和专业
  • 谢谢你们，爱你们！ 鹿游儿
    昨天家人去泡温泉，二个孩子也带着去，出发前一晚，匆匆下班，赶回家和孩子一起收拾。饭后，我拿出笔和本子（上次去澳门时做手帐的本子）写下了1\2\3\4\5\6\7\8\9,让后让小壹去思考，带什么出发去旅游呢？她在对应的数字旁边画上了，泳衣、泳圈、肖恩、内衣内裤、tapuy、拖鞋……画完后，就让她自己对着这个本子，将要带的，一一带上，没想到这次带的书还是这本《便便工厂》(晚上姑婆发照片过来，妹妹累得
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • 理解Gunicorn：Python WSGI服务器的基石 范范0825 ipythonlinux运维
    理解Gunicorn：PythonWSGI服务器的基石介绍Gunicorn，全称GreenUnicorn，是一个为PythonWSGI（WebServerGatewayInterface）应用设计的高效、轻量级HTTP服务器。作为PythonWeb应用部署的常用工具，Gunicorn以其高性能和易用性著称。本文将介绍Gunicorn的基本概念、安装和配置，帮助初学者快速上手。1.什么是Gunico
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • 学点心理知识，呵护孩子健康 静候花开_7090
    昨天听了华中师范大学教育管理学系副教授张玲老师的《哪里才是学生心理健康的最后庇护所，超越教育与技术的思考》的讲座。今天又重新学习了一遍，收获匪浅。张玲博士也注意到了当今社会上的孩子由于心理问题导致的自残、自杀及伤害他人等恶性事件。她向我们普及了一个重要的命题，她说心理健康的一些基本命题，我们与我们通常的一些教育命题是不同的，她还举了几个例子，让我们明白我们原来以为的健康并非心理学上的健康。比如如果
  • 2021年12月19日，春蕾教育集团团建活动感受——黄晓丹 黄错错加油
    感受:1.从陌生到熟悉的过程。游戏环节让我们在轻松的氛围中得到了锻炼，也增长了不少知识。2.游戏过程中，我们贡献的是个人力量，展现的是团队的力量。它磨合的往往不止是工作的熟悉，更是观念上契合度的贴近。3.这和工作是一样的道理。在各自的岗位上，每个人摆正自己的位置、各司其职充分发挥才能，并团结一致劲往一处使，才能实现最大的成功。新知:1.团队精神需要不断地创新。过去，人们把创新看作是冒风险，现在人们
  • Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断 尐尐呅
    结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 瑶池防线 谜影梦蝶
    冥华虽然逃过了影梦的军队，但他是一个忠臣，他选择上报战况。败给影梦后成逃兵，高层亡尔还活着，七重天失守......随便一条，即可处死冥华。冥华自然是知道以仙界高层的习性此信一发自己必死无疑，但他还选择上报实情，因为责任。同样此信送到仙宫后，知道此事的人，大多数人都认定冥华要完了，所以上到仙界高层，下到扫大街的，包括冥华自己，全都准备好迎接冥华之死。如果仙界现在还属于两方之争的话，冥华必死无疑。然而
  • 爬山后遗症 璃绛
    爬山，攀登，一步一步走向制高点，是一种挑战。成功抵达是一种无法言语的快乐，在山顶吹吹风，看看风景，这是从未有过的体验。然而，爬山一时爽，下山腿打颤，颠簸的路，一路向下走，腿部力量不够，走起来抖到不行，停不下来了！第二天必定腿疼，浑身酸痛，坐立难安！
  • Hadoop(一) 朱辉辉33 hadooplinux
    今天在诺基亚第一天开始培训大数据，因为之前没接触过Linux，所以这次一起学了，任务量还是蛮大的。 首先下载安装了Xshell软件，然后公司给了账号密码连接上了河南郑州那边的服务器，接下来开始按照给的资料学习，全英文的，头也不讲解，说锻炼我们的学习能力，然后就开始跌跌撞撞的自学。这里写部分已经运行成功的代码吧.    在hdfs下，运行hadoop fs -mkdir /u
  • maven An error occurred while filtering resources blackproof maven报错
    转：http://stackoverflow.com/questions/18145774/eclipse-an-error-occurred-while-filtering-resources   maven报错： maven An error occurred while filtering resources   Maven -> Update Proje
  • jdk常用故障排查命令 daysinsun jvm
    linux下常见定位命令： 1、jps      输出Java进程       -q       只输出进程ID的名称，省略主类的名称；       -m      输出进程启动时传递给main函数的参数；     &nb
  • java 位移运算与乘法运算 周凡杨 java位移运算乘法
      对于 JAVA 编程中，适当的采用位移运算，会减少代码的运行时间，提高项目的运行效率。这个可以从一道面试题说起：     问题： 用最有效率的方法算出2 乘以8 等於几?” 答案：2 << 3 由此就引发了我的思考，为什么位移运算会比乘法运算更快呢？其实简单的想想，计算机的内存是用由 0 和 1 组成的二
  • java中的枚举(enmu) g21121 java
    从jdk1.5开始，java增加了enum(枚举)这个类型，但是大家在平时运用中还是比较少用到枚举的，而且很多人和我一样对枚举一知半解，下面就跟大家一起学习下enmu枚举。先看一个最简单的枚举类型，一个返回类型的枚举： public enum ResultType { /** * 成功 */ SUCCESS, /** * 失败 */ FAIL,
  • MQ初级学习 510888780 activemq
    1.下载ActiveMQ 去官方网站下载：http://activemq.apache.org/ 2.运行ActiveMQ 解压缩apache-activemq-5.9.0-bin.zip到C盘，然后双击apache-activemq-5.9.0-\bin\activemq-admin.bat运行ActiveMQ程序。 启动ActiveMQ以后，登陆：http://localhos
  • Spring_Transactional_Propagation 布衣凌宇 springtransactional
    //事务传播属性 @Transactional(propagation=Propagation.REQUIRED)//如果有事务，那么加入事务，没有的话新创建一个 @Transactional(propagation=Propagation.NOT_SUPPORTED)//这个方法不开启事务 @Transactional(propagation=Propagation.REQUIREDS_N
  • 我的spring学习笔记12-idref与ref的区别 aijuans spring
    idref用来将容器内其他bean的id传给<constructor-arg>/<property>元素，同时提供错误验证功能。例如： <bean id ="theTargetBean" class="..." /> <bean id ="theClientBean" class=&quo
  • Jqplot之折线图 antlove jsjqueryWebtimeseriesjqplot
    timeseriesChart.html <script type="text/javascript" src="jslib/jquery.min.js"></script> <script type="text/javascript" src="jslib/excanvas.min.js&
  • JDBC中事务处理应用 百合不是茶 javaJDBC编程事务控制语句
      解释事务的概念; 事务控制是sql语句中的核心之一;事务控制的作用就是保证数据的正常执行与异常之后可以恢复   事务常用命令:             Commit提交         
  • [转]ConcurrentHashMap Collections.synchronizedMap和Hashtable讨论 bijian1013 java多线程线程安全HashMap
    在Java类库中出现的第一个关联的集合类是Hashtable，它是JDK1.0的一部分。 Hashtable提供了一种易于使用的、线程安全的、关联的map功能，这当然也是方便的。然而，线程安全性是凭代价换来的――Hashtable的所有方法都是同步的。此时，无竞争的同步会导致可观的性能代价。Hashtable的后继者HashMap是作为JDK1.2中的集合框架的一部分出现的，它通过提供一个不同步的
  • ng-if与ng-show、ng-hide指令的区别和注意事项 bijian1013 JavaScriptAngularJS
            angularJS中的ng-show、ng-hide、ng-if指令都可以用来控制dom元素的显示或隐藏。ng-show和ng-hide根据所给表达式的值来显示或隐藏HTML元素。当赋值给ng-show指令的值为false时元素会被隐藏，值为true时元素会显示。ng-hide功能类似，使用方式相反。元素的显示或
  • 【持久化框架MyBatis3七】MyBatis3定义typeHandler bit1129 TypeHandler
    什么是typeHandler? typeHandler用于将某个类型的数据映射到表的某一列上，以完成MyBatis列跟某个属性的映射   内置typeHandler MyBatis内置了很多typeHandler，这写typeHandler通过org.apache.ibatis.type.TypeHandlerRegistry进行注册，比如对于日期型数据的typeHandler，
  • 上传下载文件rz,sz命令 bitcarter linux命令rz
    刚开始使用rz上传和sz下载命令： 因为我们是通过secureCRT终端工具进行使用的所以会有上传下载这样的需求： 我遇到的问题： sz下载A文件10M左右，没有问题 但是将这个文件A再传到另一天服务器上时就出现传不上去，甚至出现乱码，死掉现象，具体问题 解决方法： 上传命令改为;rz -ybe 下载命令改为：sz -be filename 如果还是有问题： 那就是文
  • 通过ngx-lua来统计nginx上的虚拟主机性能数据 ronin47 ngx-lua　统计 解禁ip
    介绍 以前我们为nginx做统计,都是通过对日志的分析来完成.比较麻烦,现在基于ngx_lua插件,开发了实时统计站点状态的脚本,解放生产力.项目主页: https://github.com/skyeydemon/ngx-lua-stats 功能 支持分不同虚拟主机统计, 同一个虚拟主机下可以分不同的location统计. 可以统计与query-times request-time
  • java-68-把数组排成最小的数。一个正整数数组，将它们连接起来排成一个数，输出能排出的所有数字中最小的。例如输入数组{32, 321}，则输出32132 bylijinnan java
    import java.util.Arrays; import java.util.Comparator; public class MinNumFromIntArray { /** * Q68输入一个正整数数组，将它们连接起来排成一个数，输出能排出的所有数字中最小的一个。 * 例如输入数组{32, 321}，则输出这两个能排成的最小数字32132。请给出解决问题
  • Oracle基本操作 ccii Oracle SQL总结Oracle SQL语法Oracle基本操作Oracle SQL
    一、表操作 1. 常用数据类型 NUMBER(p,s)：可变长度的数字。p表示整数加小数的最大位数，s为最大小数位数。支持最大精度为38位 NVARCHAR2(size)：变长字符串，最大长度为4000字节（以字符数为单位） VARCHAR2(size)：变长字符串，最大长度为4000字节（以字节数为单位） CHAR(size)：定长字符串，最大长度为2000字节，最小为1字节，默认
  • [强人工智能]实现强人工智能的路线图 comsci 人工智能
        1：创建一个用于记录拓扑网络连接的矩阵数据表      2:自动构造或者人工复制一个包含10万个连接(1000*1000)的流程图      3：将这个流程图导入到矩阵数据表中      4：在矩阵的每个有意义的节点中嵌入一段简单的
  • 给Tomcat，Apache配置gzip压缩(HTTP压缩)功能 cwqcwqmax9 apache
    背景： HTTP 压缩可以大大提高浏览网站的速度，它的原理是，在客户端请求网页后，从服务器端将网页文件压缩，再下载到客户端，由客户端的浏览器负责解压缩并浏览。相对于普通的浏览过程HTML ,CSS,Javascript , Text ，它可以节省40%左右的流量。更为重要的是，它可以对动态生成的，包括CGI、PHP , JSP , ASP , Servlet,SHTML等输出的网页也能进行压缩，
  • SpringMVC and Struts2 dashuaifu struts2springMVC
    SpringMVC VS Struts2 1: spring3开发效率高于struts 2: spring3 mvc可以认为已经100%零配置 3: struts2是类级别的拦截， 一个类对应一个request上下文， springmvc是方法级别的拦截，一个方法对应一个request上下文，而方法同时又跟一个url对应 所以说从架构本身上 spring3 mvc就容易实现r
  • windows常用命令行命令 dcj3sjt126com windowscmdcommand
    在windows系统中，点击开始－运行，可以直接输入命令行，快速打开一些原本需要多次点击图标才能打开的界面，如常用的输入cmd打开dos命令行，输入taskmgr打开任务管理器。此处列出了网上搜集到的一些常用命令。winver 检查windows版本 wmimgmt.msc 打开windows管理体系结构(wmi) wupdmgr windows更新程序 wscrip
  • 再看知名应用背后的第三方开源项目 dcj3sjt126com ios
    知名应用程序的设计和技术一直都是开发者需要学习的，同样这些应用所使用的开源框架也是不可忽视的一部分。此前《 iOS第三方开源库的吐槽和备忘》中作者ibireme列举了国内多款知名应用所使用的开源框架，并对其中一些框架进行了分析，同样国外开发者 @iOSCowboy也在博客中给我们列出了国外多款知名应用使用的开源框架。另外txx's blog中详细介绍了 Facebook Paper使用的第三
  • Objective-c单例模式的正确写法 jsntghf 单例iosiPhone
    一般情况下，可能我们写的单例模式是这样的： #import <Foundation/Foundation.h> @interface Downloader : NSObject + (instancetype)sharedDownloader; @end #import "Downloader.h" @implementation
  • jquery easyui datagrid 加载成功，选中某一行 hae jqueryeasyuidatagrid数据加载
    1.首先你需要设置datagrid的onLoadSuccess $( '#dg' ).datagrid({onLoadSuccess :  function (data){      $( '#dg' ).datagrid( 'selectRow' ,3); }});   2.onL
  • jQuery用户数字打分评价效果 ini JavaScripthtmljqueryWebcss
    效果体验：http://hovertree.com/texiao/jquery/5.htmHTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>jQuery用户数字打分评分代码 - HoverTree</
  • mybatis的paramType kerryg DAOsql
    MyBatis传多个参数： 1、采用#{0},#{1}获得参数：    Dao层函数方法：     public User selectUser(String name,String area); 对应的Mapper.xml    <select id="selectUser" result
  • centos 7安装mysql5.5 MrLee23 centos
    首先centos7 已经不支持mysql，因为收费了你懂得，所以内部集成了mariadb，而安装mysql的话会和mariadb的文件冲突，所以需要先卸载掉mariadb，以下为卸载mariadb，安装mysql的步骤。   #列出所有被安装的rpm package rpm -qa | grep mariadb   #卸载 rpm -e mariadb-libs-5.
  • 利用thrift来实现消息群发 qifeifei thrift
               Thrift项目一般用来做内部项目接偶用的，还有能跨不同语言的功能，非常方便，一般前端系统和后台server线上都是3个节点，然后前端通过获取client来访问后台server，那么如果是多太server，就是有一个负载均衡的方法，然后最后访问其中一个节点。那么换个思路，能不能发送给所有节点的server呢，如果能就
  • 实现一个sizeof获取Java对象大小 teasp javaHotSpot内存对象大小sizeof
       由于Java的设计者不想让程序员管理和了解内存的使用，我们想要知道一个对象在内存中的大小变得比较困难了。本文提供了可以获取对象的大小的方法，但是由于各个虚拟机在内存使用上可能存在不同，因此该方法不能在各虚拟机上都适用，而是仅在hotspot 32位虚拟机上，或者其它内存管理方式与hotspot 32位虚拟机相同的虚拟机上 适用。     
  • SVN错误及处理 xiangqian0505 SVN提交文件时服务器强行关闭
    在SVN服务控制台打开资源库“SVN无法读取current” ---摘自网络 写道 SVN无法读取current修复方法 Can't read file : End of file found 文件：repository/db/txn_current、repository/db/current   其中current记录当前最新版本号，txn_current记录版本库中版本
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他