- Python在WRF模型自动化运行及前后处理中实践技术应用
数字化信息化智能化解决方案
python
Python在WRF(WeatherResearchandForecasting)模型自动化运行及前后处理中的实践技术应用如下:自动化运行WRF模型:使用Python脚本可以自动化执行WRF模型的运行过程。通过编写脚本来调用WRF模型的输入文件、运行模型并收集输出结果。这样可以在短时间内运行多个模拟,提高工作效率。数据预处理:在运行WRF模型之前,需要进行数据预处理,包括数据格式转换、坐标转换、数
- 基于区块链的云上数据访问控制模型研究
XLYcmy
论文阅读阅读笔记网络安全论文阅读论文笔记区块链访问控制云数据
论⽂选择理由:汉语论⽂,对于新⼿⼊⼿阅读相对容易之前,进⾏过区块链⽅⾯的研究,有⼀定基础⽅便理解论⽂通读情况:①基本掌握论⽂所提出背景和要解决的问题②⼤致理解论⽂所提出的⽅案和优势收获:⼤致梳理出⼀篇做的架构:(我的理解)背景→现有⽅案不⾜→预备免识→提出⽅案→⽅案核⼼设计与算法→与其他⽅案对比→设计实验环境与实验指标进⾏⽅案验证→总结与展望
- 计算机网络的五层协议
青茶360
计算机网络计算机网络
计算机网络的五层协议计算机网络的五层协议模型包括物理层、数据链路层、网络层、传输层和应用层,每一层都有其特定的功能和相关的协议。1物理层:负责传输原始的比特流,通过线路(有线或无线)将数据转换为电信号或光信号进行传输。物理层的主要功能是确保比特流的透明传输,屏蔽具体传输介质和物理设备的差异。数据链路层:负责在相邻节点之间建立可靠的通信,将物理层接收到的比特流组装成帧,并添加必要的控制
- 玩转大模型的第一步——提示词(Prompt)工程【抛砖篇】
AI大模型老林
prompt数据挖掘机器学习opencv语音识别人工智能
前言AI大模型提示词工程,又名LLMpromptsProject,指的是在使用大型语言模型(如OpenAI的GPT系列)时,用于引导模型生成特定响应的输入,是在使用AI大模型过程中非常重要的一个环节,是模型生成文本的起点。选择合适的Prompt对大模型回答的质量影响非常大,甚至可能会导致截然不同的结果。Prompt编写框架我们可以简单的看一下,分别使用下面两个Prompt在LLM的输出中分别会得到
- Imagen架构详解:理解其背后的技术与创新
范范0825
Imagen架构
Imagen架构详解:理解其背后的技术与创新引言近年来,生成式人工智能技术取得了飞速发展,特别是在图像生成领域。作为这一领域的重要创新之一,Imagen是由谷歌开发的一种基于文本生成图像的模型。它在生成高质量、逼真的图像方面表现出色,并通过其先进的架构和技术手段推动了图像生成的技术进步。Imagen不仅在图像生成质量上具有显著优势,还能够通过自然语言描述生成细致复杂的图像。本文将详细剖析Image
- 实战千问2大模型第五天——VLLM 运行 Qwen2-VL-7B(多模态)
学术菜鸟小晨
千问多模型qwen2vl
一、简介VLLM是一种高效的深度学习推理库,通过PagedAttention算法有效管理大语言模型的注意力内存,其特点包括24倍的吞吐提升和3.5倍的TGI性能,无需修改模型结构,专门设计用于加速大规模语言模型(LLM)的推理过程。它通过优化显存管理、支持大模型的批处理推理以及减少不必要的内存占用,来提高多GPU环境下的推理速度和效率。VLLM的核心特点包括:显存高效性:VLLM能够动态管理显存,
- 使用Python实现LLM的文本生成:风格迁移与内容控制
二进制独立开发
GenAI与Python非纯粹GenAIpython开发语言人工智能自然语言处理分布式语言模型transformer
文章目录引言1.大型语言模型(LLM)概述1.1Transformer架构1.2预训练与微调2.文本生成基础2.1无条件生成2.2条件生成3.风格迁移3.1风格迁移的基本原理3.2使用Python实现风格迁移4.内容控制4.1内容控制的基本原理4.2使用Python实现内容控制5.高级技巧与优化5.1多轮对话生成5.2生成参数优化6.应用场景与未来展望结论引言随着自然语言处理(NLP)技术的快速发
- VM-UNet: 基于Vision Mamba UNet的医学图像分割项目推荐
翟洁英
VM-UNet:基于VisionMambaUNet的医学图像分割项目推荐VM-UNet项目地址:https://gitcode.com/gh_mirrors/vm/VM-UNet1.项目基础介绍和主要编程语言VM-UNet是一个基于VisionMambaUNet架构的开源项目,专门用于医学图像分割。该项目的主要编程语言是Python。VM-UNet结合了状态空间模型(StateSpaceModel
- OpenStack的G版Keystone对象模型
ztejiagn
OpenStack
Users:表示API的一个特定使用者,属于一个指定的domain。可以赋予user权限(role),每一个user-domain或user-project都可以有一组权限。Groups:表示一组拥有某权限的用户,属于一个指定的domain。可以赋予group特定的role,此时group内的user都自动具备该role表示的权限。Credentials:与user关联的认证凭据。一个user可能
- 计算机视觉与深度学习:使用深度学习训练基于视觉的车辆检测器(MATLAB源码-Faster R-CNN)
ZhShy23
javascript深度学习
在人工智能领域,计算机视觉是一个重要且充满活力的研究方向。它使计算机能够理解和分析图像和视频数据,从而做出有意义的决策。其中,目标检测是计算机视觉中的一项关键技术,它旨在识别并定位图像中的多个目标对象。车辆检测作为目标检测的一个重要应用,在自动驾驶、智能交通系统等领域有着广泛的应用前景。本文将介绍如何使用MATLAB和深度学习技术,特别是FasterR-CNN模型,来训练一个车辆检测器。文章目录一
- GAN在图像增强中的应用实战指南
码字仙子
本文还有配套的精品资源,点击获取简介:图像增强技术通过算法改善图像质量,GAN作为一种生成对抗网络,在此领域具有重要应用。通过生成器和判别器的对抗性训练,GAN可以生成逼真图像、修复低质量图像、扩增数据集并进行风格迁移。本项目将介绍如何使用Python及其相关库实现GAN图像增强,包括模型的构建、训练和评估。通过项目案例学习,你可以掌握GAN在图像增强中的实际应用,提高图像处理和深度学习的技能。1
- gan 总结 数据增强_两幅图像!这样能训练好 GAN 做图像转换吗?
weixin_39972741
gan总结数据增强
前言GAN似乎离不开大量的训练数据量。之前在知乎回答过一个问题,关于用GAN做数据增强的个人鄙见:https://www.zhihu.com/question/372133109/answer/1081321788GAN作为一种生成模型,很多人以为它主要用途是进行数据增广。但是在这一方面,GAN是有很多局限之处的。首先,GAN不好训练,目前的技术还是需要大量训练样本。而一旦有大量训练样本,那GAN
- 【端到端模型】
W Y
端到端模型CNN
什么是端到端模型?端到端模型就像是一个超级智能的黑盒子。想象你要完成一个任务,比如把一张写着字的图片变成电脑里能编辑的文字(这是光学字符识别的任务)。传统的做法可能是先人工分析图片,找到文字的轮廓、笔画这些特征,然后用别的方法把这些特征转变成文字。但是端到端模型很厉害,你直接把图片丢进这个黑盒子,它自己就知道怎么从图片里的原始信息(一堆像素点)直接输出最后你想要的文字,中间不需要你去操心怎么提取特
- DNA图谱分析:自动分析DNA图谱中的变异YOLOv5、YOLOv8、YOLOv10
2025年数学建模美赛
YOLO深度学习目标跟踪机器人人工智能
目录引言项目背景与目标YOLO模型简介DNA图谱数据集准备YOLOv5、YOLOv8和YOLOv10模型训练与优化DNA图谱变异检测的实现UI界面设计与实现评估与优化未来展望结论完整代码实现1.引言随着基因组学的进步,DNA图谱分析已经成为基因检测、疾病诊断、遗传学研究等领域的重要工具。在DNA图谱中,通常会呈现出染色体的多个片段,其中的一些变异可能对健康产生深远的影响。手工分析DNA图谱变异不仅
- 揭秘AIP智能体平台:构建未来AI基础设施的新引擎
大东(AIP内容运营专员)
人工智能
在人工智能的浪潮中,科技正在改变我们生活的方方面面。从智能推荐到自动驾驶,从个性化广告到实时风险控制,AI的触角无处不在。但这些令人瞩目的成果背后,究竟是什么在支撑着AI的飞速发展?答案是——人工智能平台。人工智能平台是连接计算资源、开发工具和行业应用的重要桥梁,支撑着从模型开发到行业场景落地的每一个环节。它不仅为开发者提供高效便捷的工具,还为企业创造了无限的创新可能。本文将带你深入了解人工智能平
- 深度学习模型推理速度/吞吐量计算(附代码)
Scabbards_
1500深度学习笔记深度学习人工智能
参考博文:https://mp.weixin.qq.com/s?__biz=MzI4MDYzNzg4Mw==&mid=2247546551&idx=2&sn=f198b6365e11f0a18832ff1203302632&chksm=ebb70e63dcc0877569d1838b2391744be628bf6cbb6e203a49f855e0769ecbbbf5a9929fe2db&scene
- ChatGPT详解
Loving_enjoy
实用技巧人工智能自然语言处理
ChatGPT是一款由OpenAI研发和维护的先进的自然语言处理模型(NLP),全名为ChatGenerativePre-trainedTransformer,于2022年11月30日发布。以下是对ChatGPT的详细介绍:###一、技术架构与原理1.**技术架构**:ChatGPT建立在Transformer架构之上,这是一种深度学习模型,特别适用于处理自然语言。其核心是自注意力机制,允许模型在
- 机器学习特征重要性之feature_importances_属性与permutation_importance方法
一叶_障目
机器学习python数据挖掘
一、feature_importances_属性在机器学习中,分类和回归算法的feature_importances_属性用于衡量每个特征对模型预测的重要性。这个属性通常在基于树的算法中使用,通过feature_importances_属性,您可以了解哪些特征对模型的预测最为重要,从而可以进行特征选择或特征工程,以提高模型的性能和解释性。1、决策树1.1.sklearn.tree.Decision
- Electron 开发者的 Tauri 2.0 实战指南:安全实践
技术出海录
人工智能前端React
在桌面应用开发中,安全性至关重要。相比Electron,Tauri2.0提供了更严格的安全模型和更完善的权限系统。本文将帮助你理解和实践Tauri的安全特性。权限系统对比Electron的安全模型在Electron中,我们通常这样处理安全://main.jsconst{app,BrowserWindow}=require('electron')functioncreateWindow(){cons
- 机器学习的介绍
2201_75874206
机器学习人工智能
目录1.机器学习的定义2.机器学习的原理3.机器学习的方法4.机器学习的分类5.机器学习的评估6.机器学习的应用场景7.机器学习与人工智能的关系结论机器学习在自然语言处理中的最新应用和技术是什么?如何评估机器学习模型的性能,除了交叉验证、MSE和RMSE外,还有哪些其他重要的指标?在金融风险管理中,机器学习如何帮助预测市场趋势和信用风险?市场趋势预测信用风险评估机器学习与人工智能之间的关系在未来发
- Kaggle欺诈检测:使用生成对抗网络(GAN)解决正负样本极度不平衡问题
Loving_enjoy
论文深度学习计算机视觉人工智能
###Kaggle欺诈检测:使用生成对抗网络(GAN)解决正负样本极度不平衡问题####引言在金融领域中,欺诈检测是一项至关重要的任务。然而,欺诈交易数据往往呈现出正负样本极度不平衡的特点,这给机器学习模型的训练带来了挑战。传统的分类算法在面对这种不平衡数据时,往往会导致模型对多数类(正常交易)过拟合,而对少数类(欺诈交易)的识别能力较差。为了解决这个问题,生成对抗网络(GAN)提供了一种有效的手
- 新手对于中国工业互联网2.0架构的认知
2301_80509398
架构
目录2.0体系架构组成部分各部分细分:为了推动工业互联网的发展,各个国家的工业互联网联盟纷纷推出了自己的工业互联网参考架构模型,用以指导相关标准体系建设及产业推进。国外比较著名的有美国工业互联网参考架构IIRA德国工业互联网参考架构RAMI4.0中国工业互联网产业联盟在参考美国工业互联网参考架构IIRA、德国RAMI4.0、日本IVRA的基础上于2016年8月发布了《工业互联网体系架构1.0》。其
- YOLOv10改进,YOLOv10检测头融合RepConv卷积,添加小目标检测层(四头检测)+CA注意机制,全网首发
挂科边缘
YOLOv10改进YOLO目标检测人工智能计算机视觉
摘要作者提出了一种简单而强大的卷积神经网络架构,其推理阶段采用与VGG类似的网络体结构,仅由一堆3x3卷积和ReLU组成,而训练阶段的模型具有多分支拓扑。这种训练阶段和推理阶段架构的解耦通过结构重参数化技术实现,因此我们将该模型命名为RepVGG。#理论介绍RepConv通过将多个卷积操作合并成一个卷积操作来优化计算的。首先在训练过程中使用多种操作(如多个卷积层、跳跃连接等)来提高模型的表达能力和
- 一文读懂:无监督学习与有监督学习的区别与应用
码上飞扬
学习
在机器学习的世界里,无监督学习和有监督学习是两个最为常见且重要的概念。理解这两者的区别和应用场景,不仅有助于我们选择合适的算法和模型,还能帮助我们更好地解决实际问题。那么,什么是无监督学习和有监督学习呢?本文将带你详细了解这两种学习方式的定义、区别以及典型应用。目录无监督学习是什么?有监督学习是什么?无监督学习与有监督学习的主要区别无监督学习的典型应用有监督学习的典型应用如何选择合适的学习方法?1
- 用TensorFlow.NET搭建一个全连接神经网络
chiyong7717
人工智能c#python
在本文中,我们将学习如何在C#中构建神经网络模型计算图。与线性分类器相比,神经网络的关键优势在于它可以分离不可线性分离的数据。我们将实现此模型来对MNIST数据集的手写数字图像进行分类。我们要构建的神经网络的结构如下。MNIST数据的手写数字图像有10个类(从0到9)。该网络具有2个隐藏层:第一层具有200个隐藏单元(神经元),第二层具有10个神经元(称为分类器层)。让我们一步一步地用代码来实现:
- YOLOv11改进,YOLOv11检测头融合RepConv卷积,并添加小目标检测层(四头检测),适合目标检测、分割等任务
挂科边缘
YOLOv8改进YOLO目标检测人工智能计算机视觉
摘要作者提出了一种简单而强大的卷积神经网络架构,其推理阶段采用与VGG类似的网络体结构,仅由一堆3x3卷积和ReLU组成,而训练阶段的模型具有多分支拓扑。这种训练阶段和推理阶段架构的解耦通过结构重参数化技术实现,因此我们将该模型命名为RepVGG。#理论介绍RepConv通过将多个卷积操作合并成一个卷积操作来优化计算的。首先在训练过程中使用多种操作(如多个卷积层、跳跃连接等)来提高模型的表达能力和
- AI 在播客领域的应用
姚家湾
播客AI
播客以语言交谈为主,是大语言模型AI可以大展拳脚的地方,比如播客简介,播客节目笔记(shownotes)的自动化生成,播客节目单自动化推荐等等。笔者做了一些探索性实验工作,结果发现,在现有播客的文本描述(通常称为播客的元数据)基础上实现AI推荐是不理想的。这主要是现有的播客节目的文本元数据质量参差不齐,大模型难以做矢量搜索和内容生成。播客元数据存在的问题目前播客存在的问题:播客节目的名称太长,夹杂
- 软件工程和项目管理领域 - CMMI 极简理解
我命由我12345
行业-简化概念软件工程cmmi职场和发展职场发展创业创新学习方法求职招聘
CMMI概述CMMI全称为CapabilityMaturityModelIntegration,即能力成熟度模型集成CMMI是由美国卡内基梅隆大学软件工程研究所(SEI)开发的一套综合性管理模型CMMI是一种用于评估和改进组织在软件开发和维护方面过程能力的国际标准CMMI能帮助建立一套规范的、可度量的、持续改进的开发过程体系,提升组织的开发效率和质量企业申请CMMI认证,可以提升自身的软件开发能力
- 工业场景将成为AI大模型的重要战场!零基础入门AI大模型,看这篇就够了!
大模型扬叔
人工智能工业多模态大模型
前言2024年,各大公司推出强大理解能力的多模态大模型,将引领人工智能(AI)技术创新和应用,工业场景将成为多模态大模型的最佳实践场地。随着GPT-4o、Gemini1.5Pro、LLaVA1.6的发布,基于Transformer架构和海量数据训练的多模态大模型再次点燃通用人工智能(AGI),其对文本、图像等多模态输入的支持和强大的理解能力也象征着人工智能迈向通用人工智能(AGI)的新阶段。随着工
- RWKV-7 与 SamOut 的优势和劣势
东方佑
量子变法人工智能
RWKV-7的优势超越传统Attention范式RWKV-7引入了WKV机制,取代了传统的self-attention方法,这使得它能够在相同算力消耗下解决attention无法处理的问题。尽管SamOut也实现了高效的长文本处理能力,但两者在具体实现上有不同的侧重点和技术路径。动态状态演化RWKV-7的动态状态演化机制允许模型更灵活地更新内部状态,从而更好地捕捉长期依赖关系,并且在处理长序列时表
- Linux的Initrd机制
被触发
linux
Linux 的 initrd 技术是一个非常普遍使用的机制,linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式,变化不仅反映在文件格式上, linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术,然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
- maven本地仓库路径修改
bitcarter
maven
默认maven本地仓库路径:C:\Users\Administrator\.m2
修改maven本地仓库路径方法:
1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml
2.找到
 
- XSD和XML中的命名空间
darrenzhu
xmlxsdschemanamespace命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml
http://blog.csdn.net/wanghuan203/article/details/9203621
http://blog.csdn.net/wanghuan203/article/details/9204337
http://www.cn
- Java 求素数运算
周凡杨
java算法素数
网络上对求素数之解数不胜数,我在此总结归纳一下,同时对一些编码,加以改进,效率有成倍热提高。
第一种:
原理: 6N(+-)1法 任何一个自然数,总可以表示成为如下的形式之一: 6N,6N+1,6N+2,6N+3,6N+4,6N+5 (N=0,1,2,…)
- java 单例模式
g21121
java
想必单例模式大家都不会陌生,有如下两种方式来实现单例模式:
class Singleton {
private static Singleton instance=new Singleton();
private Singleton(){}
static Singleton getInstance() {
return instance;
}
- Linux下Mysql源码安装
510888780
mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz
(1)创建mysql的安装目录及数据库存放目录
解压缩下载的源码包,目录结构,特殊指定的目录除外:
- 32位和64位操作系统
墙头上一根草
32位和64位操作系统
32位和64位操作系统是指:CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的,但是这些CPU并不是真正意义上的64 位CPU,里面依然保留了大部分32位的技术,只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面,32位系统的最大寻址空间是2 的32次方= 4294967296(bit)= 4(GB)左右,而64位系统的最大寻址空间的寻址空间则达到了
- 我的spring学习笔记10-轻量级_Spring框架
aijuans
Spring 3
一、问题提问:
→ 请简单介绍一下什么是轻量级?
轻量级(Leightweight)是相对于一些重量级的容器来说的,比如Spring的核心是一个轻量级的容器,Spring的核心包在文件容量上只有不到1M大小,使用Spring核心包所需要的资源也是很少的,您甚至可以在小型设备中使用Spring。
 
- mongodb 环境搭建及简单CURD
antlove
WebInstallcurdNoSQLmongo
一 搭建mongodb环境
1. 在mongo官网下载mongodb
2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db"
3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
- 数据字典和动态视图
百合不是茶
oracle数据字典动态视图系统和对象权限
数据字典(data dictionary)是 Oracle 数据库的一个重要组成部分,这是一组用于记录数据库信息的只读(read-only)表。随着数据库的启动而启动,数据库关闭时数据字典也关闭 数据字典中包含
数据库中所有方案对象(schema object)的定义(包括表,视图,索引,簇,同义词,序列,过程,函数,包,触发器等等)
数据库为一
- 多线程编程一般规则
bijian1013
javathread多线程java多线程
如果两个工两个以上的线程都修改一个对象,那么把执行修改的方法定义为被同步的,如果对象更新影响到只读方法,那么只读方法也要定义成同步的。
不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据,就不要将方法设置为synchronized的。
- 将文件或目录拷贝到另一个Linux系统的命令scp
bijian1013
linuxunixscp
一.功能说明 scp就是security copy,用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议,保证了数据传输的安全,其格式如下: scp 远程用户名@IP地址:文件的绝对路径
- 【持久化框架MyBatis3五】MyBatis3一对多关联查询
bit1129
Mybatis3
以教员和课程为例介绍一对多关联关系,在这里认为一个教员可以叫多门课程,而一门课程只有1个教员教,这种关系在实际中不太常见,通过教员和课程是多对多的关系。
示例数据:
地址表:
CREATE TABLE ADDRESSES
(
ADDR_ID INT(11) NOT NULL AUTO_INCREMENT,
STREET VAR
- cookie状态判断引发的查找问题
bitcarter
formcgi
先说一下我们的业务背景:
1.前台将图片和文本通过form表单提交到后台,图片我们都做了base64的编码,并且前台图片进行了压缩
2.form中action是一个cgi服务
3.后台cgi服务同时供PC,H5,APP
4.后台cgi中调用公共的cookie状态判断方法(公共的,大家都用,几年了没有问题)
问题:(折腾两天。。。。)
1.PC端cgi服务正常调用,cookie判断没
- 通过Nginx,Tomcat访问日志(access log)记录请求耗时
ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间
nginx.conf使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
- java-67- n个骰子的点数。 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
bylijinnan
java
public class ProbabilityOfDice {
/**
* Q67 n个骰子的点数
* 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
* 在以下求解过程中,我们把骰子看作是有序的。
* 例如当n=2时,我们认为(1,2)和(2,1)是两种不同的情况
*/
private stati
- 看别人的博客,觉得心情很好
Cb123456
博客心情
以为写博客,就是总结,就和日记一样吧,同时也在督促自己。今天看了好长时间博客:
职业规划:
http://www.iteye.com/blogs/subjects/zhiyeguihua
android学习:
1.http://byandby.i
- [JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析
comsci
工作流
我们已经不满足于仅仅跳跃一次,通过对引擎的升级,今天我测试了一下循环反馈模式,大概跑了200圈,引擎报一个溢出错误
在一个流程图的结束节点中嵌入一段方程,每次引擎运行到这个节点的时候,通过实时编译器GM模块,计算这个方程,计算结果与预设值进行比较,符合条件则跳跃到开始节点,继续新一轮拓扑分析,直到遇到
- JS常用的事件及方法
cwqcwqmax9
js
事件 描述
onactivate 当对象设置为活动元素时触发。
onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。
onbeforeactivate 对象要被设置为当前元素前立即触发。
onbeforecut 当选中区从文档中删除之前在源对象触发。
onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
- 正则表达式验证日期格式
dashuaifu
正则表达式IT其它java其它
正则表达式验证日期格式
function isDate(d){
var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i);
if(!v) {
this.focus();
return false;
}
}
<input value="2000-8-8" onblu
- Yii CModel.rules() 方法 、validate预定义完整列表、以及说说验证
dcj3sjt126com
yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。 返回属性的有效性规则。声明验证规则,应重写此方法。 每个规则是数组具有以下结构:array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
- UITextAttributeTextColor = deprecated in iOS 7.0
dcj3sjt126com
ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0."
Ins
- 判断一个数是质数的几种方法
EmmaZhao
Mathpython
质数也叫素数,是只能被1和它本身整除的正整数,最小的质数是2,目前发现的最大的质数是p=2^57885161-1【注1】。
判断一个数是质数的最简单的方法如下:
def isPrime1(n):
for i in range(2, n):
if n % i == 0:
return False
return True
但是在上面的方法中有一些冗余的计算,所以
- SpringSecurity工作原理小解读
坏我一锅粥
SpringSecurity
SecurityContextPersistenceFilter
ConcurrentSessionFilter
WebAsyncManagerIntegrationFilter
HeaderWriterFilter
CsrfFilter
LogoutFilter
Use
- JS实现自适应宽度的Tag切换
ini
JavaScripthtmlWebcsshtml5
效果体验:http://hovertree.com/texiao/js/3.htm
该效果使用纯JavaScript代码,实现TAB页切换效果,TAB标签根据内容自适应宽度,点击TAB标签切换内容页。
HTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"
- Hbase Rest API : 数据查询
kane_xie
RESThbase
hbase(hadoop)是用java编写的,有些语言(例如python)能够对它提供良好的支持,但也有很多语言使用起来并不是那么方便,比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口,它内嵌了jetty作为servlet容器。
启动命令:./bin/hbase rest s
- JQuery实现鼠标拖动元素移动位置(源码+注释)
明子健
jqueryjs源码拖动鼠标
欢迎讨论指正!
print.html代码:
<!DOCTYPE html>
<html>
<head>
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
<title>发票打印</title>
&l
- Postgresql 连表更新字段语法 update
qifeifei
PostgreSQL
下面这段sql本来目的是想更新条件下的数据,可是这段sql却更新了整个表的数据。sql如下:
UPDATE tops_visa.visa_order
SET op_audit_abort_pass_date = now()
FROM
tops_visa.visa_order as t1
INNER JOIN tops_visa.visa_visitor as t2
ON t1.
- 将redis,memcache结合使用的方案?
tcrct
rediscache
公司架构上使用了阿里云的服务,由于阿里的kvstore收费相当高,打算自建,自建后就需要自己维护,所以就有了一个想法,针对kvstore(redis)及ocs(memcache)的特点,想自己开发一个cache层,将需要用到list,set,map等redis方法的继续使用redis来完成,将整条记录放在memcache下,即findbyid,save等时就memcache,其它就对应使用redi
- 开发中遇到的诡异的bug
wudixiaotie
bug
今天我们服务器组遇到个问题:
我们的服务是从Kafka里面取出数据,然后把offset存储到ssdb中,每个topic和partition都对应ssdb中不同的key,服务启动之后,每次kafka数据更新我们这边收到消息,然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了,最开始我们是在代码中打印存储的日志,发现没什么问题,后来去查看ssdb的日志,才发现里面每次set的时候都会对同一个key