- 高校为什么需要AIGC大数据实验室?
泰迪智能科技01
AIGCAIGC大数据
AIGC大数据实验室是一个专注于人工智能生成内容(AIGC)和大数据相关技术研究、开发与应用的创新实验平台。AIGC主要研究方向包括:AIGC技术创新、大数据处理与分析、AIGC与大数据融合应用。AIGC技术创新:探索如何利用人工智能算法,如深度学习中的生成对抗网络(GAN)、变分自编码器(VAE)、基于Transformer架构的语言模型(如GPT系列)等,来高效地生成高质量的文本、图像、音频、
- 探索Stable Diffusion:AI在艺术创作中的无限可能
master_chenchengg
AI技术探讨AI人工智能AIGC行业分析
探索StableDiffusion:AI在艺术创作中的无限可能引言一、StableDiffusion简介定义与历史技术原理概述二、工作原理深入解析扩散模型基础逆向扩散过程详解潜空间与变分自编码器(VAE)U-Net架构的作用三、StableDiffusion与艺术创作的融合创作自由度的提升个性化风格的实现跨媒介艺术的可能性四、案例研究艺术家应用StableDiffusion的实例与传统艺术形式的对
- Python深度学习:构建下一代智能系统
2401_83402415
pythonpython深度学习开发语言Transformer模型目标检测算法Attention
近年来,伴随着以卷积神经网络(CNN)为代表的深度学习的快速发展,人工智能迈入了第三次发展浪潮,AI技术在各个领域中的应用越来越广泛。为了帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术,本文讲解注意力机制、Transformer模型(BERT、GPT-1/2/3/3.5/4、DETR、ViT、SwinTransformer等)、生成式模型(变分自编码器VAE、生成式对抗网络GA
- Stable Diffusion
Covirtue
人工智能pythonstablediffusion
StableDiffusion是一种基于深度学习的文本到图像生成模型,其原理主要基于扩散模型(DiffusionModel)的变体,即潜在扩散模型(LatentDiffusionModel,LDM)。原理一、技术架构与组成StableDiffusion由三个主要部分组成:变分自编码器(VAE)、U-Net和一个文本编码器。变分自编码器(VAE):VAE是一种生成模型,用于将图像压缩到低维的潜在空间
- stable diffusion webui学习总结(3):参数设置
shanesu
stablediffusion学习
一、2.5D偏卡通风格参数设置:步骤1、文生图模型:darkSushiMixMixVAE:vae-ft-mse-840000-ema-pruned正面提示词:(masterpiece,highquality,highres,illustration),blurrybackground,[(whitebackground:1.2)::5],(see-through:0.85),shining,Mov
- 基于Diffusion Model的数据增强方法应用——毕业设计 其三
大鸟仙童
课程设计计算机视觉深度学习
文章目录题目简介前言StableDiffusionLatentdiffusion自动编码器(VAE)U-NetText-EncoderStableDiffusion的推理过程从零开始配置实验环境IDEAnacondaCUDA和CuDNNCuDNNStableDiffusion的本地部署运行测试总结题目简介笔者个人的毕业设计课题如下:简介:使用预训练的DiffusionModel图像生成模型生成图像
- 变分自编码器(VAE)PyTorch Lightning 实现
小嗷犬
Python深度学习pytorch人工智能python
✅作者简介:人工智能专业本科在读,喜欢计算机与编程,写博客记录自己的学习历程。个人主页:小嗷犬的个人主页个人网站:小嗷犬的技术小站个人信条:为天地立心,为生民立命,为往圣继绝学,为万世开太平。本文目录VAE简介基本原理应用与优点缺点与挑战使用VAE生成MNIST手写数字忽略警告导入必要的库设置随机种子cuDNN设置超参数设置数据加载定义VAE模型定义损失函数定义Lightning模型训练模型绘制训
- Stable Diffusion XL总结
研三小学渣
学习笔记人工智能深度学习计算机视觉stablediffusion
StableDiffusionXL是一个二阶段的级联扩散模型,包括Base模型和Refiner模型。其中Base模型的主要工作和StableDiffusion一致,具备文生图,图生图,图像inpainting等能力。在Base模型之后,级联了Refiner模型,对Base模型生成的图像Latent特征进行精细化,其本质上是在做图生图的工作。Base模型由U-Net,VAE,CLIPTextEnco
- Auto-Encoding Variational Bayes(VAE)粗浅的理解
Longlongaaago
机器学习深度学习机器学习
Auto-EncodingVariationalBayes(VAE)粗浅的理解VAE作为生成模型的一种,能够通过改变latentspace来生成和训练时不一样的样本。而这种能力,Auto-Encoder(AE)是做不到的,因为如果不对latentspace的生成进行约束,仅仅是对输出的结果进行约束。那么最终,对于不同的样本输入,得到的latentspace是完全不同的,这会产生什么问题呢?就是这个
- 无需部署,即开即用AI绘画
weixin_45597589
AI作画
无需部署,即开即用AI绘画liblib优点:每月免费5次LoRA训练,每日登录赠送300算力(用于生图),有现成的模型和提示词可参考缺点:用户太多,生图需要排队LoRA训练左侧菜单栏点击训练我的LoRA进行参数设置>上传训练图片>输入触发词,根据需要修改裁剪方式、尺寸等>裁剪/打标>点击开始训练生图步骤点击左侧菜单栏在线生成,选择大模型、VAE>直接输入英文提示词或输入中文提示词后点右上角翻译成英
- 什么是 OpenAI 的 Dall-E 模型
OpenAI的Dall-E是一款革命性的人工智能模型,它专注于图像生成领域。这个模型基于深度学习和生成对抗网络(GAN)的原理,能够根据用户输入的描述生成高质量、富有创意的图像。Dall-E的名字来源于著名的画家SalvadorDalí和Pixar的动画电影「Wall-E」,寓意着它在艺术创造和机器智能方面的结合。Dall-E的核心技术基于变分自编码器(VAE)和GPT模型。VAE是一种生成模型,
- 【计算机视觉】计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记
暖焱
#深度学习计算机视觉机器学习
计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记无监督学习聚类K-means降维线性降维主成分分析非线性降维自编码特征学习密度估计贝叶斯决策生成模型生成模型的应用生成模型分类密度估计参考密度估计分类显示的密度估计PixelRNNandPixelCNNVariationalAutoencoders(VAE)隐式的密度估计GANPixelRNNandPixelCNNPixelRNN与Pixe
- 「论文搬运」王亦洲课题组 CVPR 2021 入选论文解读:时间序列疾病预测的因果隐马尔可夫模型
Sternstunden
论文计算机视觉人工智能深度学习cvpr
本文是对发表于计算机视觉和模式识别领域的顶级会议CVPR2021的论文“CausalHiddenMarkovModelforTimeSeriesDiseaseForecasting(时间序列疾病预测的因果隐马尔可夫模型)”的解读。该论文由北京大学王亦洲课题组与深睿医疗等单位合作,针对时间序列疾病预测的问题,提出了因果隐马尔可夫模型描述疾病的动态发展过程,并使用基于VAE的变分框架进行学习。通过对图
- DEEP VARIATIONAL INFORMATION BOTTLENECK
Aiqz
DEEPVARIATIONALINFORMATIONBOTTLENECK论文“DeepVariationalinformationbottleneck”阅读笔记作者:艾庆忠时间:2018.12.04本人为小白一个,此文作为学习笔记,暂存于此。第一部分准备内容在阅读此论文之前,需对VAE、VariationalInference(变分推断)以及InformationBottleneck有所了解,借此
- Stable Diffusion 模型下载:majicMIX fantasy 麦橘幻想
水滴技术
AI绘画从入门到精通stablediffusionAI作画AIGCpython
文章目录模型介绍生成案例案例一案例二案例三案例四案例五案例六案例七案例八案例九案例十下载地址模型介绍非常推荐的一个非常绚丽、充满幻想的大模型,由国人“Merjic”发布,下载量颇高。这个模型风格炸裂,远距离脸部需要inpaint以达成最好效果。条目内容类型大模型基础模型SD1.5来源CIVITAI作者Merjic文件名称majicmixFantasy_v30Vae.safetensors文件大小1
- 深入理解vqvae
Adenialzz
人工智能机器学习计算机视觉
深入理解vqvaeTL;DR:通过vectorquantize技术,训练一个离散的codebook,实现了图片的离散表征。vqvae可以实现图片的离散压缩和还原,在图片自回归生成、StableDiffusion中,有重要的应用。从AE和VAE说起AE(AutoEncoder,自编码器)是非常经典的一种自监督表征学习方法,它由编码器encoder和解码器decoder构成,编码器提取输入图像的低维特
- 2019年上半年收集到的人工智能卷积神经网络干货文章
城市中迷途小书童
2019年上半年收集到的人工智能卷积神经网络干货文章了解CNN这一篇就够了——关于卷积神经网络的介绍关于卷积的6个基本知识一文读懂深度学习中的各种卷积CNN卷积神经网络的三种基本模式(不懂的话还得多努力啊!)CNN,GAN,AE和VAE概述理解卷积神经网络?看这篇论文就够了深度卷积神经网络的高级主题卷积神经网络的特征是如何学习的?教你如何运用可视化理解卷积神经网络(CNNs)的指南空洞卷积(Dil
- stable-diffusion | v1-5-pruned.ckpt和v1-5-pruned-emaonly.ckpt的区别
ASKCOS
stablediffusion
https://github.com/runwayml/stable-diffusion?tab=readme-ov-file#reference-sampling-script对于1.5模型,其中可能包括四部分:标准模型、文本编码器、VAE模型、EMA模型。标准模型:生成图片的核心模块,潜空间中的前向扩散和反向扩散就是通过它做的,对应到图中左侧的U-Net。文本编码器:将文本提示词转换为数学向量
- AutoEncoder自动编码器、VAE变分自编码器、VQVAE量子化(离散化)的自编码器
丁希希哇
AIGC阅读学习算法深度学习人工智能pytorch
文章目录AutoEncoder自动编码器(一)AutoEncoder的基本架构(二)AutoEncoder的概率理解(三)AutoEncoder的局限VAE变分自编码器(VariationalAutoEncoder)(一)VAE简介(二)VAE的概率理解(三)VAE与AE(三)VAE与GAN(四)VAE的损失函数VQVAE量子化(离散化)的自编码器(一)VQVAE简介(二)VQVAE与VAE(三)
- (2021|NIPS,VQ-VAE,精度瓶颈松弛,三明治层归一化,CapLoss)CogView:通过转换器掌握文本到图像的生成
EDPJ
论文笔记transformer深度学习人工智能
CogView:MasteringText-to-ImageGenerationviaTransformers公众号:EDPJ(添加VX:CV_EDPJ或直接进Q交流群:922230617获取资料)目录0.摘要1.简介2.方法2.1理论2.2标记化2.3自回归Transformer2.4训练的稳定性3.微调3.1超分辨率3.2图像标题和自我重新排名3.3风格学习3.4工业时尚设计4.实验结果4.1
- 深入探索 Stable Diffusion:AI图像创新的新纪元
walkskyer
StableDiffusion人工智能stablediffusion
深入探索StableDiffusion:AI图像创新的新纪元介绍StableDiffusion的核心功能和应用场景StableDiffusion架构解析深入StableDiffusion的关键组件变分自编码器(VAE)生成对抗网络(GAN)注意力机制优化算法数据集StableDiffusion的高级应用技巧1.自定义训练StableDiffusion模型2.调整生成图像的细节程度3.优化性能Sta
- 深度学习有何新进展?
博瓦科技
人工智能
深度学习是人工智能领域一项重要的技术,在过去几年里有许多新的进展。首先,一些研究人员提出了新的深度学习结构,如变分自编码器(VariationalAutoencoders,VAE)和生成对抗网络(GenerativeAdversarialNetworks,GAN)。这些新的结构在图像、语音和自然语言处理等领域取得了很大的成功,带来了更加准确和高效的模型。其次,针对深度学习模型的训练和优化问题,出现
- 为什么有这么多人只爱许嵩
阳光下的野太阳花
许嵩是谁?他是华语乐坛少有的独创音乐人,是“娱乐圈”的一朵“奇葩”。在综艺节目大热的时代,他几乎没露脸,也不像其他歌手唱而优则演。当众多明星在不停地圈钱时,他却埋头做音乐,坚持所有歌曲不收费,甚至为了他的粉丝们专门打造了一个APP-Vae+,亏本运营。一个几乎不做任何宣传的歌手,却拥有大批死忠粉。他的微博粉丝共658万,虽然与千万关注量的明星有一定差距,但这批粉丝粘性超高,大多是追随了近10年的老
- 自监督学习
Icevivina
学习机器学习人工智能
自监督学习指的是不依赖标注数据,模型直接从无标注的大量数据中进行学习。【属于无监督学习的一部分,它在训练过程中有正负样本,但是正负样本不是人工标号得来的,而是通过自己产生的。】自监督学习总体分成两类:生成式自监督学习和判别式自监督学习。其中生成式自监督学习的代表是VAE和GAN,他们利用一个生成器来学习真实的样本分布,不需要提供负样本就可以学习到一个生成器。判别式监督模型的任务难度要低一些,典型的
- stable diffusion学习笔记——文生图(一)
师范大学生
AI绘图stablediffusion学习笔记
模型设置基本模型基本模型也就是常说的checkpoint(大模型),基本模型决定了生成图片的主体风格。如上图所示,基本模型的后缀为.safetensors。需要存放在特定的文件夹下。如果用的是启动器,可以在启动器内直接下载。vae模型vae模型的全名叫变分自编码器,这里先不讲解原理。在AI绘图中主要的作用是起到画面滤镜的效果。目前较多的大模型都是自带vae的,因此这里不需要额外设置,修改成NONE
- Stable Diffusion 笔记一:网络结构拆解
朱小丰
stablediffusion笔记
SD由三大组件组成:VAE,CLIP,Unet。一VAE:VAE是VariationalAutoencoder的缩写,中文名变分自编码器,是一种基于深度学习的生成模型。1潜空间图片与像素图片:像素图片是正常使用的图片,通常包含主体的物体人物角色,和多余的部分空白背景等与主体无关的噪声。潜空间图片可以理解为是像素图片在高维空间的另一种表达,是像素图片的一种压缩表示。SD生成的图片是潜空间图片(Lat
- 李宏毅机器学习(二十三)无监督学习Deep Generative Model(二)
ca8519be679b
内容衔接上一讲,上节我们讲到VAE,我们为什么用VAE而不用auto-encoder呢,直觉上的原因是如果是auto-encoder,我们期待的是输入满月解码后还是满月,输入半月输出还是半月,但是我们能保证中间状态时候我们的输出是3/4月吗,结果往往不是;如果是VAE,我们就会引入一定的噪声,使得一定范围内输出都是满月,一定范围内输出都是半月,中间的公共部分由于我们要Minimize2者的误差,所
- 【论文笔记】VideoGPT: Video Generation using VQ-VAE and Transformers
来自γ星的赛亚人
论文阅读
论文标题:VideoGPT:VideoGenerationusingVQ-VAEandTransformers论文代码:https://wilson1yan.github.io/videogpt/index.html.论文链接:https://arxiv.org/abs/2104.10157发表时间:2021年9月Abstract作者提出了VideoGPT:一种概念上简单的架构,用于将基于似然的生
- VideoGPT:使用VQ-VAE和Transformers的视频生成
umbrellazg
算法计算机视觉
1TitleVideoGPT:VideoGenerationusingVQ-VAEandTransformers(WilsonYan,YunzhiZhang,PieterAbbeel,AravindSrinivas)2ConlusionThispaperpresentVideoGPT:aconceptuallysimplearchitectureforscalinglikelihoodbasedg
- InsCode Stable Diffusion 美图活动投稿
Binarydog_Lee
杂inscodestablediffusion
本地部署可以使用B站大佬秋叶的整合包CSDN亦提供了StableDiffusion模型在线使用地址:https://inscode.csdn.net/@inscode/Stable-Diffusion模型相关版本和参数配置:模型:cetusversion4.WRgK.safetensors[b42b09ff12]VAE:yozoraVae.6sEG.pt绘制参数:Steps:20,Sampler:
- 开发者关心的那些事
圣子足道
ios游戏编程apple支付
我要在app里添加IAP,必须要注册自己的产品标识符(product identifiers)。产品标识符是什么?
产品标识符(Product Identifiers)是一串字符串,它用来识别你在应用内贩卖的每件商品。App Store用产品标识符来检索产品信息,标识符只能包含大小写字母(A-Z)、数字(0-9)、下划线(-)、以及圆点(.)。你可以任意排列这些元素,但我们建议你创建标识符时使用
- 负载均衡器技术Nginx和F5的优缺点对比
bijian1013
nginxF5
对于数据流量过大的网络中,往往单一设备无法承担,需要多台设备进行数据分流,而负载均衡器就是用来将数据分流到多台设备的一个转发器。
目前有许多不同的负载均衡技术用以满足不同的应用需求,如软/硬件负载均衡、本地/全局负载均衡、更高
- LeetCode[Math] - #9 Palindrome Number
Cwind
javaAlgorithm题解LeetCodeMath
原题链接:#9 Palindrome Number
要求:
判断一个整数是否是回文数,不要使用额外的存储空间
难度:简单
分析:
题目限制不允许使用额外的存储空间应指不允许使用O(n)的内存空间,O(1)的内存用于存储中间结果是可以接受的。于是考虑将该整型数反转,然后与原数字进行比较。
注:没有看到有关负数是否可以是回文数的明确结论,例如
- 画图板的基本实现
15700786134
画图板
要实现画图板的基本功能,除了在qq登陆界面中用到的组件和方法外,还需要添加鼠标监听器,和接口实现。
首先,需要显示一个JFrame界面:
public class DrameFrame extends JFrame { //显示
- linux的ps命令
被触发
linux
Linux中的ps命令是Process Status的缩写。ps命令用来列出系统中当前运行的那些进程。ps命令列出的是当前那些进程的快照,就是执行ps命令的那个时刻的那些进程,如果想要动态的显示进程信息,就可以使用top命令。
要对进程进行监测和控制,首先必须要了解当前进程的情况,也就是需要查看当前进程,而 ps 命令就是最基本同时也是非常强大的进程查看命令。使用该命令可以确定有哪些进程正在运行
- Android 音乐播放器 下一曲 连续跳几首歌
肆无忌惮_
android
最近在写安卓音乐播放器的时候遇到个问题。在MediaPlayer播放结束时会回调
player.setOnCompletionListener(new OnCompletionListener() {
@Override
public void onCompletion(MediaPlayer mp) {
mp.reset();
Log.i("H
- java导出txt文件的例子
知了ing
javaservlet
代码很简单就一个servlet,如下:
package com.eastcom.servlet;
import java.io.BufferedOutputStream;
import java.io.IOException;
import java.net.URLEncoder;
import java.sql.Connection;
import java.sql.Resu
- Scala stack试玩, 提高第三方依赖下载速度
矮蛋蛋
scalasbt
原文地址:
http://segmentfault.com/a/1190000002894524
sbt下载速度实在是惨不忍睹, 需要做些配置优化
下载typesafe离线包, 保存为ivy本地库
wget http://downloads.typesafe.com/typesafe-activator/1.3.4/typesafe-activator-1.3.4.zip
解压r
- phantomjs安装(linux,附带环境变量设置) ,以及casperjs安装。
alleni123
linuxspider
1. 首先从官网
http://phantomjs.org/下载phantomjs压缩包,解压缩到/root/phantomjs文件夹。
2. 安装依赖
sudo yum install fontconfig freetype libfreetype.so.6 libfontconfig.so.1 libstdc++.so.6
3. 配置环境变量
vi /etc/profil
- JAVA IO FileInputStream和FileOutputStream,字节流的打包输出
百合不是茶
java核心思想JAVA IO操作字节流
在程序设计语言中,数据的保存是基本,如果某程序语言不能保存数据那么该语言是不可能存在的,JAVA是当今最流行的面向对象设计语言之一,在保存数据中也有自己独特的一面,字节流和字符流
1,字节流是由字节构成的,字符流是由字符构成的 字节流和字符流都是继承的InputStream和OutPutStream ,java中两种最基本的就是字节流和字符流
类 FileInputStream
- Spring基础实例(依赖注入和控制反转)
bijian1013
spring
前提条件:在http://www.springsource.org/download网站上下载Spring框架,并将spring.jar、log4j-1.2.15.jar、commons-logging.jar加载至工程1.武器接口
package com.bijian.spring.base3;
public interface Weapon {
void kil
- HR看重的十大技能
bijian1013
提升能力HR成长
一个人掌握何种技能取决于他的兴趣、能力和聪明程度,也取决于他所能支配的资源以及制定的事业目标,拥有过硬技能的人有更多的工作机会。但是,由于经济发展前景不确定,掌握对你的事业有所帮助的技能显得尤为重要。以下是最受雇主欢迎的十种技能。 一、解决问题的能力 每天,我们都要在生活和工作中解决一些综合性的问题。那些能够发现问题、解决问题并迅速作出有效决
- 【Thrift一】Thrift编译安装
bit1129
thrift
什么是Thrift
The Apache Thrift software framework, for scalable cross-language services development, combines a software stack with a code generation engine to build services that work efficiently and s
- 【Avro三】Hadoop MapReduce读写Avro文件
bit1129
mapreduce
Avro是Doug Cutting(此人绝对是神一般的存在)牵头开发的。 开发之初就是围绕着完善Hadoop生态系统的数据处理而开展的(使用Avro作为Hadoop MapReduce需要处理数据序列化和反序列化的场景),因此Hadoop MapReduce集成Avro也就是自然而然的事情。
这个例子是一个简单的Hadoop MapReduce读取Avro格式的源文件进行计数统计,然后将计算结果
- nginx定制500,502,503,504页面
ronin47
nginx 错误显示
server {
listen 80;
error_page 500/500.html;
error_page 502/502.html;
error_page 503/503.html;
error_page 504/504.html;
location /test {return502;}}
配置很简单,和配
- java-1.二叉查找树转为双向链表
bylijinnan
二叉查找树
import java.util.ArrayList;
import java.util.List;
public class BSTreeToLinkedList {
/*
把二元查找树转变成排序的双向链表
题目:
输入一棵二元查找树,将该二元查找树转换成一个排序的双向链表。
要求不能创建任何新的结点,只调整指针的指向。
10
/ \
6 14
/ \
- Netty源码学习-HTTP-tunnel
bylijinnan
javanetty
Netty关于HTTP tunnel的说明:
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/socket/http/package-summary.html#package_description
这个说明有点太简略了
一个完整的例子在这里:
https://github.com/bylijinnan
- JSONUtil.serialize(map)和JSON.toJSONString(map)的区别
coder_xpf
jqueryjsonmapval()
JSONUtil.serialize(map)和JSON.toJSONString(map)的区别
数据库查询出来的map有一个字段为空
通过System.out.println()输出 JSONUtil.serialize(map): {"one":"1","two":"nul
- Hibernate缓存总结
cuishikuan
开源sshjavawebhibernate缓存三大框架
一、为什么要用Hibernate缓存?
Hibernate是一个持久层框架,经常访问物理数据库。
为了降低应用程序对物理数据源访问的频次,从而提高应用程序的运行性能。
缓存内的数据是对物理数据源中的数据的复制,应用程序在运行时从缓存读写数据,在特定的时刻或事件会同步缓存和物理数据源的数据。
二、Hibernate缓存原理是怎样的?
Hibernate缓存包括两大类:Hib
- CentOs6
dalan_123
centos
首先su - 切换到root下面1、首先要先安装GCC GCC-C++ Openssl等以来模块:yum -y install make gcc gcc-c++ kernel-devel m4 ncurses-devel openssl-devel2、再安装ncurses模块yum -y install ncurses-develyum install ncurses-devel3、下载Erang
- 10款用 jquery 实现滚动条至页面底端自动加载数据效果
dcj3sjt126com
JavaScript
无限滚动自动翻页可以说是web2.0时代的一项堪称伟大的技术,它让我们在浏览页面的时候只需要把滚动条拉到网页底部就能自动显示下一页的结果,改变了一直以来只能通过点击下一页来翻页这种常规做法。
无限滚动自动翻页技术的鼻祖是微博的先驱:推特(twitter),后来必应图片搜索、谷歌图片搜索、google reader、箱包批发网等纷纷抄袭了这一项技术,于是靠滚动浏览器滚动条
- ImageButton去边框&Button或者ImageButton的背景透明
dcj3sjt126com
imagebutton
在ImageButton中载入图片后,很多人会觉得有图片周围的白边会影响到美观,其实解决这个问题有两种方法
一种方法是将ImageButton的背景改为所需要的图片。如:android:background="@drawable/XXX"
第二种方法就是将ImageButton背景改为透明,这个方法更常用
在XML里;
<ImageBut
- JSP之c:foreach
eksliang
jspforearch
原文出自:http://www.cnblogs.com/draem0507/archive/2012/09/24/2699745.html
<c:forEach>标签用于通用数据循环,它有以下属性 属 性 描 述 是否必须 缺省值 items 进行循环的项目 否 无 begin 开始条件 否 0 end 结束条件 否 集合中的最后一个项目 step 步长 否 1
- Android实现主动连接蓝牙耳机
gqdy365
android
在Android程序中可以实现自动扫描蓝牙、配对蓝牙、建立数据通道。蓝牙分不同类型,这篇文字只讨论如何与蓝牙耳机连接。
大致可以分三步:
一、扫描蓝牙设备:
1、注册并监听广播:
BluetoothAdapter.ACTION_DISCOVERY_STARTED
BluetoothDevice.ACTION_FOUND
BluetoothAdapter.ACTION_DIS
- android学习轨迹之四:org.json.JSONException: No value for
hyz301
json
org.json.JSONException: No value for items
在JSON解析中会遇到一种错误,很常见的错误
06-21 12:19:08.714 2098-2127/com.jikexueyuan.secret I/System.out﹕ Result:{"status":1,"page":1,&
- 干货分享:从零开始学编程 系列汇总
justjavac
编程
程序员总爱重新发明轮子,于是做了要给轮子汇总。
从零开始写个编译器吧系列 (知乎专栏)
从零开始写一个简单的操作系统 (伯乐在线)
从零开始写JavaScript框架 (图灵社区)
从零开始写jQuery框架 (蓝色理想 )
从零开始nodejs系列文章 (粉丝日志)
从零开始编写网络游戏 
- jquery-autocomplete 使用手册
macroli
jqueryAjax脚本
jquery-autocomplete学习
一、用前必备
官方网站:http://bassistance.de/jquery-plugins/jquery-plugin-autocomplete/
当前版本:1.1
需要JQuery版本:1.2.6
二、使用
<script src="./jquery-1.3.2.js" type="text/ja
- PLSQL-Developer或者Navicat等工具连接远程oracle数据库的详细配置以及数据库编码的修改
超声波
oracleplsql
在服务器上将Oracle安装好之后接下来要做的就是通过本地机器来远程连接服务器端的oracle数据库,常用的客户端连接工具就是PLSQL-Developer或者Navicat这些工具了。刚开始也是各种报错,什么TNS:no listener;TNS:lost connection;TNS:target hosts...花了一天的时间终于让PLSQL-Developer和Navicat等这些客户
- 数据仓库数据模型之:极限存储--历史拉链表
superlxw1234
极限存储数据仓库数据模型拉链历史表
在数据仓库的数据模型设计过程中,经常会遇到这样的需求:
1. 数据量比较大; 2. 表中的部分字段会被update,如用户的地址,产品的描述信息,订单的状态等等; 3. 需要查看某一个时间点或者时间段的历史快照信息,比如,查看某一个订单在历史某一个时间点的状态, 比如,查看某一个用户在过去某一段时间内,更新过几次等等; 4. 变化的比例和频率不是很大,比如,总共有10
- 10点睛Spring MVC4.1-全局异常处理
wiselyman
spring mvc
10.1 全局异常处理
使用@ControllerAdvice注解来实现全局异常处理;
使用@ControllerAdvice的属性缩小处理范围
10.2 演示
演示控制器
package com.wisely.web;
import org.springframework.stereotype.Controller;
import org.spring