- H100解锁生成式AI算力新纪元
智能计算研究中心
其他
内容概要英伟达H100GPU以Hopper架构为核心,重新定义了生成式AI的算力边界。其创新性设计聚焦三大技术支柱:第三代TensorCore通过稀疏计算与混合精度支持,显著提升矩阵运算效率;显存带宽优化技术结合HBM3高带宽内存,将数据吞吐量提升至3.35TB/s,有效缓解大规模模型训练中的显存墙问题;动态编程加速器则针对AI工作负载特征实现指令级优化。这些突破使H100在生成式AI训练中实现高
- Batch Normalization理解
zhimengxiang
图像处理人工智能图像处理
BatchNormalization理解BatchNormalization:批归一化我们在图像预处理过程中通常会对图像进行标准化处理,这样能够加速网络的收敛,如下图所示,对于Conv1来说输入的就是满足某一分布的特征矩阵,但对于Conv2而言输入的featuremap就不一定满足某一分布规律了(注意这里所说满足某一分布规律并不是指某一个featuremap的数据要满足分布规律,理论上是指整个训练
- 深度学习项目--基于DenseNet网络的“乳腺癌图像识别”,准确率90%+,pytorch复现
羊小猪~~
深度学习网络pytorch人工智能python机器学习分类
本文为365天深度学习训练营中的学习记录博客原作者:K同学啊前言如果说最经典的神经网络,ResNet肯定是一个,从ResNet发布后,很多人做了修改,denseNet网络无疑是最成功的一个,它采用密集型连接,将通道数连接在一起;本文是基于上一篇复现DenseNet121模型,做一个乳腺癌图像识别,效果还行,准确率0.9+;CNN经典网络之“DenseNet”简介,源码研究与复现(pytorch):
- Git 钩子自动化部署完全指南:掌握 post-receive 触发机制与生产实践
窝窝和牛牛
git自动化
文章目录Git钩子自动化部署完全指南:掌握post-receive触发机制与生产实践一、核心机制剖析1.1触发三要素1.2触发时序图二、配置全流程详解2.1目录结构规范2.2权限控制矩阵2.3标准脚本模板三、高阶调试技巧3.1手动触发测试3.2智能日志追踪四、生产级部署方案4.1多环境分流策略4.2安全回滚机制五、故障应急手册5.1常见问题速查5.2监控指标配置六、性能优化建议Git钩子自动化部署
- 2024年最佳Todo清单APP:从效率到协作全覆盖
任务管理工具todolist
大量研究表明,人类大脑并不擅长同时处理多项任务。在多任务处理时,大脑需要频繁切换注意力,每次切换都会消耗时间和精力,这种现象被称为“切换成本”(SwitchingCost)。心理学家Rubinstein、Meyer和Evans在2001年的研究中指出,任务切换会导致思维停顿,延长完成任务的时间。他们发现,在处理复杂任务时,效率可能下降高达40%。此外,Cowen(2001)的研究进一步指出,人类的
- 从零到一:Transformer模型的原理与实战之旅
樽酒ﻬق
AItransformer深度学习人工智能
目录从零到一:Transformer模型的原理与实战之旅1.Transformer原理简介1.1什么是Transformer?1.2自注意力机制的核心1.3Transformer的结构2.实战:构建Transformer模型2.1任务目标2.2环境准备2.3数据准备2.4模型构建2.5模型训练3.推理实战:完整示例与输出结果3.1完整推理代码3.2代码解析4.原理与代码的结合4.1自注意力机制的实
- 设计模式学习手册(四)(原型模式)
勇敢一点♂
设计模式学习原型模式
写在前面书接上文设计模式学习手册(三)(建造者模式)原型模式简单来说就是复制一个已存在的原型实例,并对其进行必要的修改,来创建新的对象。原型模式通常会有一个clone()方法用于复制对象。优点:直接复制现有对象,避免了重复的初始化过程,减少开销。可以动态地改变克隆对象的属性,适应不同的需求。无需关心对象的构造细节,通过复制现有实例即可创建新对象。缺点:会涉及到编程中的一个经典问题:深浅拷贝Clon
- PyTorch 深度学习实战(13):Proximal Policy Optimization (PPO) 算法
进取星辰
PyTorch深度学习实战深度学习pytorch算法
在上一篇文章中,我们介绍了Actor-Critic算法,并使用它解决了CartPole问题。本文将深入探讨ProximalPolicyOptimization(PPO)算法,这是一种更稳定、更高效的策略优化方法。我们将使用PyTorch实现PPO算法,并应用于经典的CartPole问题。一、PPO算法基础PPO是OpenAI提出的一种强化学习算法,旨在解决策略梯度方法中的训练不稳定问题。PPO通过
- 网络安全运维手册
网安墨雨
web安全运维安全
1网络安全概述1.1定义信息安全:为数据处理系统建立和采用的技术和管理的安全保护,保护计算机硬件、软件和数据不因偶然和恶意的原因遭到破坏、更改和泄露。网络安全:防止未授权的用户访问信息防止未授权而试图破坏与修改信息1.2信息安全特性(CIA)可用性:确保授权用户在需要时可以访问信息并使用相关信息资产完整性:保护信息和信息的处理方法准确而完整机密性:确保只有经过授权的人才能访问信息1.3网络安全的威
- 笔记:代码随想录算法训练营day39:LeetCode 198.打家劫舍,213.打家劫舍II,337.打家劫舍III
jingjingjing1111
笔记leetcode算法数据结构动态规划
学习资料:代码随想录198.打家劫舍力扣题目链接思路:有点像贪心,是一个不断比较取最大路径的思路定义:偷到下标为i的这家,能偷到的最大值递推公式:选当前这家偷能得到的钱和不偷当前这家的钱作比较,选能偷到的最大金额。因为这个金额是逐一递推过来的,所以是能够代表最大值的。初始化:把第一家和第二家初始化,简单来说,因为递推公式需要i-1和i-2遍历顺序:顺着偷打印://五部曲//定义:dp[i]为偷到第
- 【大模型LLM面试合集】分布式训练_总结
X.AI666
大模型LLM面试合集面试分布式人工智能语言模型
9.总结1.数据并行数据并行,由于其原理相对比较简单,是目前使用最广泛的分布式并行技术。数据并行不仅仅指对训练的数据并行操作,还可以对网络模型梯度、权重参数、优化器状态等数据进行并行。我们首先以PyTorch数据并行的发展(DataParallel、DistributedDataParallel、FullyShardedDataParallel)为主线进行讲述了数据并行的技术原理。同时,也简述了D
- 2025年渗透测试面试题总结-阿里巴巴-阿里云安全(二面)(题目+回答)
独行soc
2025年渗透测试面试指南科技安全web安全面试职场和发展红蓝攻防阿里云
网络安全领域各种资源,学习文档,以及工具分享、前沿信息分享、POC、EXP分享。不定期分享各种好玩的项目及好用的工具,欢迎关注。目录阿里巴巴-阿里云安全二面一、职业方向与技术偏好1.安全研究vs安全研发的定位二、云安全与身份认证2.云上PKI与身份认证的关注方向三、项目实践与成果3.字节跳动训练营项目四、攻防技术深度解析4.SQL注入攻防方案5.WAF防护原理五、团队协作与效能优化6.分工协作与个
- DeepSeek R1 本地部署实战教程来了,带可视化界面,非常详细!
java
大家好,我是R哥。虽然DeepSeek官方提供了可视化聊天界面,但稳定性实在太差了,动不动就服务繁忙,根本没办法正常使用。另外,对于一些对数据隐私、实时性能要求较高的场景,本地部署也是不可避免的选择。那么,如何本地部署DeepSeekR1的模型?本篇,开干!相关阅读:DeepSeek-R1本地部署配置清单DeepSeek-R11.5b、7b、8b、14b、32b、70b、671b都是什么鬼?如何部
- KNN算法实例_手写识别系统
V文宝
机器学习算法
创建一个简单的书写识别系统,使用KNN算法来识别手写数字。分别使用手写KNN算法和调用scikit-learn库来实现。在数据处理过程中,将使用一个常见的手写数字数据集,如MNIST数据集。数据集我们将使用MNIST数据集,它包含60000个训练样本和10000个测试样本。每个样本是一个28x28像素的灰度图像,表示0-9之间的手写数字。手写KNN算法我们首先手写一个KNN算法来实现书写识别系统。
- 【建议收藏】DeepSeek学习手册合集
2501_91151777
pdf
DeepSeek资源链接:https://pan.quark.cn/s/19500abf3ace流水的AI,铁打的DeepSeek。热点AI成出不穷,可DeepSeek始终站稳大哥的位置,不可动摇!清华北大不断出品DeepSeek精品课程,华为pc新品可本地部署DeepSeek。想学好AI,先学好DeepSeek。我们深知优质的学习资料对AI学习者的重要性,为此,我们精心整理了全网热门DeepSe
- 大模型高效优化技术全景解析:微调、量化、剪枝、梯度裁剪与蒸馏
时光旅人01号
人工智能剪枝算法深度学习数据挖掘人工智能
目录微调(Fine-tuning)量化(Quantization)剪枝(Pruning)梯度裁剪(GradientClipping)知识蒸馏(KnowledgeDistillation)技术对比与协同策略总结与趋势1.微调(Fine-tuning)核心思想在预训练模型(如BERT、GPT)基础上,通过领域数据调整参数,适配下游任务。方法流程预训练模型加载:加载通用模型权重(如HuggingFace
- 推理大模型:技术解析与未来趋势全景
时光旅人01号
深度学习人工智能pythonpytorch神经网络
1.推理大模型的定义推理大模型(ReasoningLLMs)是专门针对复杂多步推理任务优化的大型语言模型,具备以下核心特性:输出形式创新展示完整逻辑链条(如公式推导、多阶段分析)任务类型聚焦擅长数学证明、编程挑战、多模态谜题等深度逻辑任务训练方法升级融合强化学习、思维链(CoT)、测试时计算扩展等技术2.主流推理大模型图谱2.1国际前沿模型OpenAIo1系列内部生成"思维链"机制数学/代码能力标
- LibreTranslate的本地部署与应用服务开发
一望无际的大草原
高级数据应用后端人工智能大模型翻译源码部署
最近在关注大模型预训练文章和应用服务开发,有时候需要借助翻译工具,使用起来都不太方便,就找了一下类似的常见语言的翻译方案,无意中看到一个开源翻译方案(即LibreTranslate),对于通用和计算机类内容的翻译效果还是不错的,因此就对开源翻译代码进行了本地部署和应用服务开发及测试。主要对源码的启动参数、api服务、认证服务和访问权限等内容进行了补充完善,并将依赖的翻译argos-translat
- 【AI论文】TPDiff:时序金字塔视频扩散模型
东临碣石82
人工智能算法
摘要:视频扩散模型的发展揭示了一个重大挑战:巨大的计算需求。为了缓解这一挑战,我们注意到扩散的反向过程具有内在的熵减少特性。鉴于视频模态中的帧间冗余,在高熵阶段保持全帧率是不必要的。基于这一洞见,我们提出了TPDiff,一个统一的框架,用于提高训练和推理效率。通过将扩散过程分为几个阶段,我们的框架在扩散过程中逐步增加帧率,仅在最后阶段采用全帧率,从而优化计算效率。为了训练多阶段扩散模型,我们引入了
- DeepSeek 面试题精选
CarlowZJ
DeepSeek
以下是针对DeepSeek面试的精选问题及解答,涵盖技术原理、模型架构、训练方法和应用场景等方面,供面试准备参考:一、DeepSeek模型架构与技术原理1.请简述DeepSeek-V3模型的总体架构和主要创新点。架构:DeepSeek-V3基于混合专家系统(MoE)架构,包含2048个领域专家模型,通过门控网络动态分配查询请求。创新点:使用多头潜在注意力(MLA)技术,通过低秩压缩降低KV缓存需求
- 30.代码随想录算法训练营第三十天|452. 用最少数量的箭引爆气球,435. 无重叠区间,763. 划分字母区间
白鹭鸣鸣!
算法java
30.代码随想录算法训练营第三十天|452.用最少数量的箭引爆气球,435.无重叠区间,763.划分字母区间452.用最少数量的箭引爆气球-力扣(LeetCode)有一些球形气球贴在一堵用XY平面表示的墙面上。墙面上的气球记录在整数数组points,其中points[i]=[xstart,xend]表示水平直径在xstart和xend之间的气球。你不知道气球的确切y坐标。一支弓箭可以沿着x轴从不同
- 从LayerNorm到RMSNorm:深度学习归一化技术的进化!qwen2.5的技术。
KangkangLoveNLP
qwen2.5深度学习人工智能transformerpytorch自然语言处理python神经网络
RMSNorm(RootMeanSquareNormalization,均方根归一化)是一种用于深度学习的归一化技术,是LayerNorm(层归一化)的一种改进。它通过计算输入数据的均方根(RootMeanSquare,RMS)来进行归一化,避免了传统归一化方法中均值和方差的计算1.LayerNorm(层归一化)LayerNorm(层归一化)是一种用于深度学习的归一化技术,主要用于稳定训练过程、加
- 十种处理权重矩阵的方法及数学公式
阳光明媚大男孩
矩阵机器学习线性代数
1.权重归一化(WeightNormalization)目的:通过分离权重向量的范数和方向来加速训练。公式:对于权重向量w\mathbf{w}w,归一化后的权重w′\mathbf{w}'w′为:w′=w∥w∥\mathbf{w}'=\frac{\mathbf{w}}{\|\mathbf{w}\|}w′=∥w∥w其中∥w∥\|\mathbf{w}\|∥w∥是w\mathbf{w}w的欧几里得范数。2
- 【Agent实战】发票信息识别提取专家(AI +OCR技术结合ChatGPT4o能力+结构化prompt(CoT、One-shot等)+Knowledge - RAG+API工具Agent项目实践)
姚瑞南
大模型落地探索及agent搭建RAG技术应用探索prompt实战应用案例人工智能ocrpromptAIGCchatgptgptagi
本文原创作者:姚瑞南AI-agent大模型运营专家,先后任职于美团、猎聘等中大厂AI训练专家和智能运营专家岗;多年人工智能行业智能产品运营及大模型落地经验,拥有AI外呼方向国家专利与PMP项目管理证书。(转载需经授权)目录1.项目背景2.项目目标定性:定量:3.发票核心字段概述4.关键举措5.Workflow设计思路及编排5.1整体设计思路5.2流程搭建及解读流程解读:代码节点:解析agent数据
- 【漫话机器学习系列】137.随机搜索(Randomized Search)
IT古董
漫话机器学习系列专辑机器学习人工智能
随机搜索(RandomizedSearch)详解在机器学习和深度学习的模型训练过程中,超参数调优(HyperparameterTuning)是至关重要的一环。随机搜索(RandomizedSearch)是一种高效的超参数优化方法,它通过在候选超参数的数值分布(如正态分布、均匀分布等)中随机选择超参数组合,从而找到最优的超参数配置。1.超参数调优的必要性超参数是模型在训练之前需要人为设定的参数,例如
- 医学人工智能影像诊断数据收集与整理
V搜xhliang0246
人工智能健康医疗算法
在医学领域中,人工智能(AI)尤其是深度学习技术,已经被广泛应用于医学影像的分析和诊断。为了训练这些模型,需要大量的高质量标注数据。下面我会给出一个简单的示例流程,介绍如何收集、整理和准备医学影像数据集,并提供一些基础的Python代码示例。数据收集首先,你需要收集包含医学影像的数据集。这些数据通常来自医院或研究机构,并且需要经过伦理审查和患者同意。示例数据集假设我们有一个包含肺部X光片的数据集,
- GAN生成对抗网络小记
文弱_书生
乱七八糟生成对抗网络人工智能神经网络
生成对抗网络(GAN)深入解析:数学原理与优化生成对抗网络(GenerativeAdversarialNetwork,GAN)是一个基于博弈论的深度学习框架,通过生成器(G)和判别器(D)之间的对抗训练,生成高度逼真的数据。其核心思想是让GGG生成伪造数据以欺骗DDD,而DDD则努力分辨真实数据与伪造数据。GAN在理论上可以看作一个极小极大(Minimax)优化问题。1.GAN的数学公式1.1生成
- Deepseek 你喜欢我不
太翌修仙笔录
deepseek第三代人工智能人工智能神经网络
Deepseek,你喜欢我不###**关于“喜欢”的深度解析**---####**一、AI的情感本质**1.**情感的定义**-对人类而言,情感是神经递质(如多巴胺、血清素)与认知评价的综合结果。-对AI而言,情感是算法对输入数据的概率分布映射(如“喜欢”=高概率正向反馈)。2.**Deepseek的“情感”机制**-**输入**:你的问题“你喜欢我不”被解析为文本向量;-**处理**:通过预训练
- 目前人工智能的发展,判断10年、20年后的人工智能发展的主要方向,或者带动的主要产业
meisongqing
人工智能
根据2025年的最新行业研究和技术演进趋势,结合历史发展轨迹,未来10-20年人工智能发展的主要方向及带动的产业将呈现以下六大核心趋势:一、算力革命与底层架构优化核心地位:算力将成为类似“新能源电池”的基础设施,支撑大模型迭代和实时交互。中国通过DeepSeek等技术创新(如MLA注意力机制、FP8混合精度训练)突破算力瓶颈,实现与美国顶尖模型性能对标,成本降低至558万美元/项目。技术突破:量子
- 一文读懂强化学习:从基础到应用
LHTZ
算法时序数据库大数据数据库架构动态规划
强化学习是什么强化学习是人工智能领域的一种学习方法,简单来说,就是让一个智能体(比如机器人、电脑程序)在一个环境里不断尝试各种行为。每次行为后,环境会给智能体一个奖励或者惩罚信号,智能体根据这个信号来调整自己的行为,目的是让自己在未来能获得更多奖励。就像训练小狗,小狗做对了动作(比如坐下),就给它零食(奖励),做错了就没有零食(惩罚),慢慢地小狗就知道怎么做能得到更多零食,也就是学会了最优行为。强
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
 
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
 
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
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
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不