- 论文笔记 <交通灯><多智能体>CoLight管理交通灯
青椒大仙KI11
论文阅读
今天看的是论文Colight:学习网络级合作进行交通信号控制论文提出的CoLight模型是一种基于强化学习和图注意力网络的交通信号灯控制方法,旨在解决城市道路网络中的交通信号的写作问题,提升车辆通行效率。问题定义为:将交通信号控制问题建模为马尔可夫博弈,每个路口由一个智能体控制,智能体通过观察部分系统状态(当前相位和各车道车辆数),选择动作(下一时间段的相位),目标是最小化路口周围车道的平均队列长
- 《基于超声的深度学习模型用于降低BI-RADS 4A乳腺病变的恶性率》论文笔记 MobileNet
往事随风、、
论文笔记机器学习深度学习论文阅读人工智能机器学习健康医疗
《APPLICATIONOFDEEPLEARNINGTOREDUCETHERATEOFMALIGNANCYAMONGBI-RADS4ABREASTLESIONSBASEDONULTRASONOGRAPHY》《基于超声的深度学习模型用于降低BI-RADS4A乳腺病变的恶性率》原文地址:链接文章目录摘要简介方法患者图像获取与处理深度学习模型统计分析结果讨论结论摘要本研究旨在开发一个基于超声(US)图像
- 论文笔记--Language Models are Unsupervised Multitask Learners
Isawany
论文阅读论文阅读语言模型transformerchatgpt自然语言处理
论文笔记GPT-2--LanguageModelsareUnsupervisedMultitaskLearners1.文章简介2.文章导读2.1概括2.2文章重点技术2.2.1数据集WebText2.2.2分词方法3.GPT-1&GPT-24.文章亮点5.原文传送门6.References1.文章简介标题:LanguageModelsareUnsupervisedMultitaskLearners
- You Only Look Once Unified, Real-Time Object Detection论文笔记
__Lo__
目标检测论文阅读深度学习
文章结构统一检测框架(UnifiledDetection)核心思想YOLO将目标检测视为一个端到端的回归问题,输入的图像经过SingleForwardPass,直接输出物体的信息(边界框的位置、边界框的置信度、类别概率);优势在于速度快,全局理解上下文,这里全局理解上下文的意思是识别物体和背景的关系,减少误检。网络设计网格划分(GridDivision)将图像划分为一个S×S的网格,文中S=7;共
- 【论文笔记】UnifiedQA:新SOTA,生成模型一统问答任务
iLuz
深度学习自然语言处理
目录引言模型介绍1.输入格式2.实验结果总结引言问答任务有多种形式,常见的有抽取式问答(EX)、摘要式问答(AB)、多选题式问答(MC)、判断式问答(YN)。一般的解决方案是针对不同形式的问答任务设计不同的模型。例如,抽取式问答、多选题式问答、判断式问答可以转化为分类任务,摘要式问答可以转换为生成任务。尽管任务形式不同,但模型所需的语义理解和推理能力是共通的,或许不需要format-special
- [论文笔记] [2008] [ICML] Extracting and Composing Robust Features with Denoising Autoencoders
Alexzhuan
DL神经网络机器学习
在06年以前,想要去训练一个多层的神经网络是比较困难的,主要的问题是超过两层的模型,当时没有好的策略或方法使模型优化的很好,得不到预期的效果。在06年,Hinton提出的stackedautoencoders改变了当时的情况,那时候的研究者就开始关注各种自编码模型以及相应的堆叠模型。这篇的作者提出的DAE(DenoisingAutoencoders)就是当时蛮有影响力的工作。那个时候多层模型效果得
- 【论文笔记】SecAlign: Defending Against Prompt Injection with Preference Optimization
AustinCyy
论文笔记论文阅读
论文信息论文标题:SecAlign:DefendingAgainstPromptInjectionwithPreferenceOptimization-CCS25论文作者:SizheChen-UCBerkeley;Meta,FAIR论文链接:https://arxiv.org/abs/2410.05451代码链接:https://github.com/facebookresearch/SecAli
- CLIP论文笔记:Learning Transferable Visual Models From Natural Language Supervision
Q同学的nlp笔记
论文阅读语言模型人工智能nlp自然语言处理
导语会议:ICML2021链接:https://proceedings.mlr.press/v139/radford21a/radford21a.pdf当前的计算机视觉系统通常只能识别预先设定的对象类别,这限制了它们的广泛应用。为了突破这一局限,本文探索了一种新的学习方法,即直接从图像相关的原始文本中学习。本文开发了一种简单的预训练任务,通过预测图片与其对应标题的匹配关系,从而有效地从一个包含4亿
- 论文笔记:Large Language Models are Zero-Shot Next LocationPredictors
UQI-LIUWJ
论文笔记论文阅读语言模型人工智能
1intro下一个地点预测(NL)包括基于个体历史访问位置来预测其未来的位置。NL对于应对各种社会挑战至关重要,包括交通管理和优化、疾病传播控制以及灾害响应管理NL问题已经通过使用马尔可夫模型、基于模式的方法以及最近的深度学习(DL)技术(进行了处理。然而,这些方法并不具备地理转移能力因此,一旦这些模型在某个地理区域训练完毕,如果部署到不同的地理区域,它们将面临严重的性能下降尽管已经做出努力改善地
- 论文笔记:LSTPrompt: Large Language Models as Zero-Shot Time Series Forecastersby Long-Short-Term Prompt
UQI-LIUWJ
论文笔记论文阅读语言模型prompt
202402arxiv1intro1.1大模型+时间序列预测一般有两种类型的方法使用海量时间序列数据重新训练一个时间序列领域的大模型论文笔记:TimeGPT-1_timegpt论文-CSDN博客直接利用现有的大模型,设计prompt,将时间序列数据转换成大模型理解的文本,实现时间序列预测代价小+有成熟的可供使用的大模型1.2本文思路之前的方法大多集中在如何将时间序列数据转换成文本上将时间序列的数字
- 【论文笔记】ResNet论文的全面解析
浩瀚之水_csdn
#论文阅读笔记人工智能
论文:DeepResidualLearningforImageRecognition发表时间:2015发表作者:(MicrosoftResearch)He-Kaiming,Ren-Shaoqing,Sun-Jian论文链接:论文链接一、ResNet论文基本信息论文标题与发表信息论文标题:《DeepResidualLearningforImageRecognition》发表时间:2015年,并在20
- 论文笔记:TrafficPredict: Trajectory Prediction for Heterogeneous Traffic-Agents
CvBeginner
论文笔记轨迹预测计算机视觉
论文笔记:TrafficPredict:TrajectoryPredictionforHeterogeneousTraffic-Agents摘要这是百度在AAAI2019发布的一篇文章。这篇文章提出了一种基于4D-graph的方法实现复杂场景下的轨迹预测,研究对象包含行人、机动车和自行车。实现方法本文提出了一个基于LSTM的算法,名为TrafficPredict。构建了一个4DGraph,输入是轨
- 论文笔记:MobileNetV2: Inverted Residuals and Linear Bottlenecks
菜鸡信息技术
DeepLearning
MobileNetV2:InvertedResidualsandLinearBottlenecksMobileNetV2是MobileNetV1的改进版,Invertedresidual是个非常精妙的设计!MobileNetV1引入depthwiseseparableconvolution代替standardconvolution,减少运算量。MobileNetV1的结构其实非常简单,是类似于VG
- AIGC视频生成模型:ByteDance的PixelDance模型
好评笔记
AIGC深度学习人工智能计算机视觉机器学习transformer论文阅读
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍ByteDance的视频生成模型PixelDance,论文于2023年11月发布,模型上线于2024年9月,同时期上线的模型还有Seaweed(论文未发布)。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集优质专栏回顾:机器学习笔记深度学习笔记多模态论文笔记AIGC—图像文章目录热门专栏机器学习深度学习
- Meta的AIGC视频生成模型——Emu Video
好评笔记
AIGC深度学习人工智能机器学习transformer校招面试八股
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍Meta的视频生成模型EmuVideo,作为Meta发布的第二款视频生成模型,在视频生成领域发挥关键作用。优质专栏回顾:机器学习笔记深度学习笔记多模态论文笔记AIGC—图像文章目录论文摘要引言相关工作文本到图像(T2I)扩散模型视频生成/预测文本到视频(T2V)生成分解生成方法预备知识EmuVideo生成步骤图
- [论文笔记] 超详细解读DeepSeek v3全论文技术报告
心心喵
论文笔记论文阅读
DeepSeek-V3是一个强大的专家混合(Mixture-of-Experts,MoE)语言模型,总共671B参数,每个token激活37B参数(可以理解为有多个专家,但每个token只会选择一部分专家进行推理,所以一个token的预测,只会用到37B参数),DeepSeek-V3使用了多头潜在注意力(
- [论文笔记] pai-megatron qwen1.5报错
心心喵
论文笔记python
Qwen1.5-0.5b-chat使用example中fintune.py报错·Issue#77·QwenLM/Qwen1.5·GitHub解决方案:transformers升级到4.37.0pipinstallsetuptools==65.5.1pipinstalltransformers==4.37.0
- 基于不确定性感知学习的单图像自监督3D人体网格重建 (论文笔记与思考)
Gamma and Beta
读博笔记算法笔记学习3d论文阅读
文章目录论文解决的问题提出的算法以及启发点论文解决的问题首先这是Self-Supervised3DHumanmeshrecoveryfromasingleimagewithuncertainty-awarelearning(AAAI2024)的论文笔记。该文中主要提出了一个自监督的framework用于人体的姿态恢复。主要是解决了现有的方法对大型数据集的依赖。提出的算法以及启发点论文总体的框架其实
- LLM论文笔记 28: Universal length generalization with Turing Programs
Zhouqi_Hua
大模型论文阅读论文阅读语言模型自然语言处理笔记人工智能
Arxiv日期:2024.10.4机构:HarvardUniversity关键词图灵机CoT长度泛化核心结论TuringPrograms的提出提出TuringPrograms,一种基于图灵机计算步骤的通用CoT策略。通过将算法任务分解为逐步的“磁带更新”(类似图灵机的读写操作),允许模型通过简单的文本复制与局部修改完成复杂计算通用性:适用于任何算法任务(加法、乘法、SGD),不依赖任务特定的数据格
- LLM论文笔记 27: Looped Transformers for Length Generalization
Zhouqi_Hua
大模型论文阅读论文阅读语言模型人工智能论文笔记笔记
Arxiv日期:2024.9.25关键词长度泛化transformer结构优化核心结论1.RASP-L限制transformer无法处理包含循环的任务的长度泛化2.LoopTransformer显著提升了长度泛化能力InputInjection显著提升了模型的长度泛化性能,尤其在二进制加法等复杂任务上效果显著在推理中,通过输出置信度判断迭代停止点的策略能够实现接近最佳的性能主要方法Transfor
- Fast-BEV:A Fast and Strong Bird’s-Eye View Perception Baseline——论文笔记
m_buddy
BEVPerception论文阅读人工智能深度学习
参考代码:Fast-BEV一稿多投的另一篇:Fast-BEV:TowardsReal-timeOn-vehicleBird’s-EyeViewPerception1.概述介绍:这篇文章提供了一种可实际部署的BEV感知方案,能够在当今车端主流计算单元上(NvidiaOrin)实现不错的帧率。从camera到BEV的转换思想来自于M2BEV,但是对这个转换方法中使用查找表和映射方法改进,使得整体视角转
- 读论文笔记-Flamingo:少样本视觉语言模型
joseanne_josie
论文阅读语言模型人工智能
读论文笔记-Flamingo:少样本视觉语言模型Plomblems本文拟解决多模态机器学习中,如何将训练好的模型快速适应到少量标注数据的新任务中的问题。Motivations已有的VLM虽然能在zero-shot的场景下适应于新任务,但他们只解决了有限的使用情况(如CLIP只解决了图片分类),由于主要缺乏生成语言的能力其不能应用于开放性任务。其他的一些方法虽然研究了基于视觉的语言生成但在数据量少的
- 论文笔记-基于多层感知器(MLP)的多变量桥式起重机自适应安全制动与距离预测
sagima_sdu
论文阅读
《IETCyber-SystemsandRobotics》出版山东大学TenglongZhang和GuoliangLiu团队的研究成果,文章题为“AdaptiveSafeBrakingandDistancePredictionforOverheadCranesWithMultivariationUsingMLP”。摘要桥式起重机的紧急制动及其制动距离预测是其安全运行中的关键难题。本文采用多层感知器
- 论文笔记:How Can Large Language Models Understand Spatial-Temporal Data?
UQI-LIUWJ
论文笔记论文阅读语言模型人工智能
arxiv2024011introLLM在NLP和CV领域表现出色,但将它们应用于时空预测任务仍然面临挑战,主要问题包括:数据不匹配传统的LLMs设计用于处理序列文本数据,而时空数据具有复杂的结构和动态性,这两者之间存在显著差异模型设计限制现有的时空预测方法通常需要为特定领域设计专门的模型,这限制了模型的通用性和适应性数据稀缺和泛化能力传统的时空预测方法在面对数据稀缺或稀疏的情况下表现不佳,且泛化
- SentiGAN: Generating Sentimental Texts via Mixture Adversarial Networks论文笔记
catbird233
深度生成模型笔记
另一篇很好的解释:https://www.itcodemonkey.com/article/6378.html摘要在自然语言生成领域,不同情感标签的生成越来越受到人们的关注。近年来,生成性对抗网(gan)在文本生成方面取得了良好的效果。然而,gan产生的文本通常存在质量差、缺乏多样性和模式崩溃的问题。本文提出了一个新的框架--sentyan,它有多个生成器和一个多类判别器,以解决上述问题。在我们的
- [论文笔记]Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Com
愤怒的可乐
自然语言处理论文翻译/笔记论文阅读语言模型人工智能
引言今天带来论文Adaptive-RAG:LearningtoAdaptRetrieval-AugmentedLargeLanguageModelsthroughQuestionComplexity的笔记。检索增强的大型语言模型(LLMs)已经成为一个有希望的方法,将外部知识库的非参数化知识整合到LLMs中,从而提高了几个任务的响应准确性。但并不是所有用户请求都只属于简单或复杂类别中的一个。在这项
- 论文笔记--Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks
Isawany
论文阅读论文阅读bert语言模型transformernlp
论文笔记--Sentence-BERT:SentenceEmbeddingsusingSiameseBERT-Networks1.文章简介2.文章导读2.1概括2.2文章重点技术2.2.1池化层2.2.2目标函数3.文章亮点和不足4.原文传送门5.References1.文章简介标题:Sentence-BERT:SentenceEmbeddingsusingSiameseBERT-Networks
- 论文笔记《TAG-DTA:Binding-region-guidedstrategytopredictdrug-target affinity using transformers》
I_dyllic
深度学习论文阅读python深度学习
TAG-DTA:结合区域引导策略,使用transformer预测药物-靶标亲和力对目标特异性化合物选择性的适当评估在药物发现环境中至关重要,促进药物-靶标相互作用(DTI)的识别和潜在线索的发现。考虑到这一点,准确预测无偏药物-靶标结合亲和力(DTA)指标对于理解绑定过程至关重要。然而,大多数硅计算方法忽略了蛋白质组学、化学和药理学空间之间的相互依赖关系以及模型构建过程中的可解释性。此外,这些方法
- [论文笔记] Deepseek技术报告解读: MLA&MTP
心心喵
论文笔记论文阅读
1.RMSNorm归一化层classRMSNorm(nn.Module):def__init__(self,dim:int,eps:float=1e-8):super().__init__()self.eps=epsself.weight=nn.Parameter(torch.ones(dim))#可学习的缩放参数def_norm(self,x:torch.Tensor):returnx*torc
- 《DFC-Net:Deep Flow-Guided Video Inpainting》论文笔记
m_buddy
Video&ImageInpaintingDFC-Net
参考代码:DFC-Net1.概述导读:这篇文章分析的是视频领域的inpainting,这篇文章充分使用了视频内在的空间(指一帧图像中的内容)与时序(不同视频帧)信息,以及视频帧之间生成的光流信息实现了一个保持视频内在连续的修补方法,文章将其称为DFC-Net(DeepFlowCompletionnetwork)。该方法首先通过前后视频帧之间的光流关系推断缺失区域的合成光流估计信息(估计光流信息比直
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_