- 深度学习视频教程推荐
yunTrans
DeepLearning深度学习视频神经网络
推荐一个深度学习视频教程,中文,推导详细。老先生娓娓道来,将神经网络、深度学习讲的非常透彻。由复旦大学吴立德老师教授的课程:http://www.youku.com/playlist_show/id_21508721.html
- 基于深度学习的商品推荐
SEU-WYL
深度学习dnn深度学习人工智能dnn
基于深度学习的商品推荐系统利用深度学习技术对用户的行为和商品的特征进行分析和建模,从而向用户推荐最相关的商品。这类系统在电子商务、社交媒体和内容推荐等领域中具有广泛应用。以下是对这一领域的系统介绍:1.任务和目标商品推荐系统的主要任务和目标包括:个性化推荐:根据用户的兴趣和行为,向用户推荐个性化的商品列表。提高用户体验:通过精准推荐,提高用户的购物体验和满意度。增加销售额:通过推荐相关商品,增加用
- 常见的深度学习模型总结
编码时空的诗意行者
深度学习人工智能
1.深度前馈神经网络(DeepFeedforwardNetworks)发明时间:2006年左右,随着计算能力的提升和大数据集的可用性增加,深度学习开始兴起。发明动机:解决传统机器学习模型在复杂数据上的局限性,如线性模型无法处理非线性关系的数据。模型特点:由多个隐藏层组成的神经网络,每一层的节点与下一层的节点完全连接。应用场景:分类、回归、语音识别、图像识别等。2.卷积神经网络(Convolutio
- 深度学习 视频推荐
小赖同学啊
人工智能深度学习音视频人工智能
以下为你呈现一个基于深度学习实现视频推荐的简化代码示例。这里我们使用的是协同过滤思想结合神经网络的方式,借助TensorFlow和Keras库来构建模型。在这个示例中,假设已有用户对视频的评分数据,目标是预测用户对未评分视频的评分,进而为用户推荐可能感兴趣的视频。1.环境准备要确保你已经安装了必要的库,如numpy、pandas、tensorflow等,可以使用以下命令进行安装:pipinstal
- 23、深度学习-自学之路-激活函数relu、tanh、sigmoid、softmax函数的正向传播和反向梯度。
小宇爱
深度学习-自学之路深度学习人工智能
在使用这个非线性激活函数的时候,其实我们重点还是学习的是他们的正向怎么传播,以及反向怎么传递的。如下图所示:第一:relu函数的正向传播函数是:当输入值(隐藏层)值大于了,就输出自己本身的值。反向梯度传播:当输出值大于0,那么反向梯度值就等于输出值乘以1如果小于0,那反向梯度值就等于0.通俗的来说就是,如果输入值是0或小于0,那么输出值的反向增强就没有。如果输入值大于0,那么输出值的方向增强就有。
- 基于深度学习的半导体检测与预测算法研究(二)
埃菲尔铁塔_CV算法
深度学习人工智能神经网络opencv计算机视觉python
摘要随着半导体行业的飞速发展,对生产过程中的检测和性能预测提出了更高要求。深度学习凭借其强大的数据处理和特征提取能力,在半导体领域展现出巨大的应用潜力。本文详细探讨了深度学习在半导体缺陷检测、工艺参数预测等方面的应用原理和方法,介绍了常见的深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)及其变体在半导体数据处理中的应用,分析了模型训练与优化的关键技术,并通过实际案例验证了深度学习算法在
- 基于深度学习的半导体算法原理及应用
埃菲尔铁塔_CV算法
算法机器学习人工智能计算机视觉深度学习python
摘要随着半导体产业的持续发展,深度学习技术在该领域的应用日益广泛且深入。本文全面阐述了基于深度学习的半导体算法原理,涵盖卷积神经网络(CNN)、循环神经网络(RNN)及其变体长短时记忆网络(LSTM)和门控循环单元(GRU)等在半导体制造过程监测、缺陷检测、性能预测等方面的应用。详细分析了这些算法处理半导体相关数据的机制,探讨了算法实现中的关键技术,如数据预处理、模型训练与优化等。通过实际案例展示
- 计算机视觉国内外研究现状(综述)
埃菲尔铁塔_CV算法
计算机视觉
1.国内外研究进展1.2.1特征提取研究进展特征提取是图像处理的一个重要环节,是进行身份识别和行为识别的重要部分。近年来,针对不同特征的提取,国内外学者提出了许多特征提取算法,同样特征提取的效果大都不错。但是在复杂的猪舍环境中提取猪的特征还是比较困难的。下面针对几种目前常用的特征提取算法进行一些介绍。(1)传统的特征提取算法传统特征提取算法已经发展了很久,现阶段比较成熟,是深度学习算法出来之前研究
- 联想Y7000 2024版本笔记本 RTX4060安装ubuntu22.04双系统及深度学习环境配置
七七@你一起学习
深度学习python
目录1..制作启动盘2.Windows磁盘分区,删除原来ubuntu的启动项3.四个设置4.安装ubuntu5.ubuntu系统配置1..制作启动盘先下载镜像文件,注意版本对应。Rufus-轻松创建USB启动盘用rufus制作时,需要注意选择正确的分区类型和系统类型。不然安装的系统会有问题!2.Windows磁盘分区,删除原来ubuntu的启动项手把手教你调整电脑磁盘的分区大小_调整分区大小-CS
- 精通LangChain:如何使用Unstructured处理多种格式的图像文档
hshahtjtbh
langchainpython
#引言随着人工智能和深度学习的快速发展,文档图像分析(DocumentImageAnalysis,DIA)在许多领域中变得至关重要。然而,处理多种图像格式的文档仍然是一个挑战。本文将介绍如何使用Unstructured库,通过LangChain框架加载和处理多种格式的图像文档,帮助您在DIA任务中实现更高效的工作流程。#主要内容##安装Unstructured在开始之前,确保安装了Unstruct
- 【人工智能】Python中的深度学习优化器:从SGD到Adam
蒙娜丽宁
Python杂谈人工智能人工智能python深度学习
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在深度学习模型的训练过程中,优化器起着至关重要的作用,它决定了模型的收敛速度以及最终的性能。本文将介绍深度学习中常用的优化器,从传统的随机梯度下降(SGD)到现代的自适应优化器(如Adam)。我们将深入探讨每种优化器的原理、优缺点,并通过Python实现
- 大语言模型的分类及本地部署所需的硬件配置要求
Kelaru
LLM基础知识语言模型分类人工智能
1、大语言模型概念及作用大语言模型:(LargeLanguageModel,LLM)是一种基于深度学习的人工智能模型,它能够理解和生成自然语言[1]。简单来说,它就像一个“超级大脑”,能够处理各种语言任务,比如写文章、回答问题、翻译语言等;它通过训练大量的文本数据,学习语言的结构、语法、语义以及上下文关联,从而能够理解和生成与人类语言相似的文本。举个例子:如果你问它一个问题,比如:“为什么天空是蓝
- 深度学习练手小例子——cifar10数据集分类问题
☆cwlulu
深度学习分类人工智能
CIFAR-10是一个经典的计算机视觉数据集,广泛用于图像分类任务。它包含10个类别的60,000张彩色图像,每张图像的大小是32x32像素。数据集被分为50,000张训练图像和10,000张测试图像。每个类别包含6,000张图像,具体类别包括:飞机(airplane)汽车(automobile)鸟(bird)猫(cat)鹿(deer)狗(dog)青蛙(frog)马(horse)船(ship)卡车
- 毕设项目 基于深度学习的人脸表情识别(源码+论文)
nange12330a
毕业设计毕设大数据
文章目录0前言1项目运行效果2技术介绍2.1技术概括2.2目前表情识别实现技术3深度学习表情识别实现过程3.1网络架构3.2数据3.3实现流程3.4部分实现代码4最后0前言这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计
- Java也能玩转机器学习?从零搭建你的第一个模型
prince_zxill
人工智能与机器学习教程java机器学习开发语言人工智能边缘计算
Java也能玩转机器学习?从零搭建你的第一个模型引言:一、打破认知:Java也能玩转机器学习1.1为什么选择Java?1.1.1无缝集成1.1.2JVM的跨平台优势1.1.3高性能计算能力1.1.4多线程与分布式计算1.2主流Java机器学习库全景1.2.1基础数值计算库1.2.2传统机器学习框架1.2.3深度学习生态1.2.4特殊领域工具1.3企业级机器学习架构1.3.1典型技术栈组合1.3.2
- 基于深度学习YOLOv5的海洋动物检测系统
深度学习&目标检测实战项目
深度学习YOLO目标跟踪人工智能目标检测计算机视觉
1.引言随着人工智能技术的快速发展,深度学习在图像处理领域的应用逐渐展现出强大的能力,尤其是在目标检测任务上。YOLO(YouOnlyLookOnce)系列模型作为一种高效的目标检测算法,以其实时性和高精度在许多领域得到了广泛应用。海洋动物的检测任务也因此受益,借助深度学习模型,我们可以实时、自动地检测海洋中的动物,有助于海洋生态研究、环境保护以及水下监测等多个领域。本文将详细介绍如何基于YOLO
- AI基础 -- AI学习路径图
sz66cm
人工智能学习
人工智能从数学到大语言模型构建教程第一部分:AI基础与数学准备1.绪论:人工智能的过去、现在与未来人工智能的定义与发展简史从符号主义到统计学习、再到深度学习与大模型的变迁本书内容概览与学习路径指引2.线性代数与矩阵运算向量与矩阵的基本概念矩阵分解(特征值分解、奇异值分解)张量运算简介(为后续深度学习做准备)在机器学习和深度学习中的应用示例3.概率论与统计基础随机变量、分布与期望方差贝叶斯理论与最大
- 【PyTorch】transpose() 和 permute() 函数:交换张量维度
彬彬侠
PyTorch基础transposepermute调整张量维度pytorchpython
在PyTorch中,transpose和permute都是用于调整张量维度的函数。它们在很多深度学习任务中非常有用,尤其是在处理张量维度和进行矩阵操作时。1.transpose函数transpose函数用来交换张量的两个维度。它接受两个参数,即需要交换的两个维度的索引。这个操作不会改变张量的数据本身,只是改变了张量的视图。语法torch.transpose(input,dim0,dim1)inpu
- 深度学习语义分割实战:ResNet 与 ViT 结合的模型解析
高山仰星
深度学习
1.引言语义分割是计算机视觉中的重要任务,其目标是将输入图像中的每个像素分类到特定的类别。本项目结合了ResNet(ResidualNetwork)和ViT(VisionTransformer),构建了高性能的语义分割模型。本文将详细解析该模型的架构、训练流程及其应用。2.语义分割模型解析本项目采用ResNet和ViT结合的方式进行语义分割,并使用CBAM注意力机制增强特征提取能力。涉及的核心文件
- 基于YOLOv5、YOLOv8和YOLOv10的车站行李监控系统:深度学习应用与实现
深度学习&目标检测实战项目
YOLO深度学习人工智能目标检测目标跟踪
引言在现代车站,行李监控是一项至关重要的安全任务。随着交通安全要求的不断提高,尤其是在车站等人流密集的场所,及时检测和识别行李不仅有助于防止行李遗失或误取,还能有效地减少潜在的安全威胁。传统的人工检查方法已经无法满足快速响应和高精度的需求,而基于深度学习的目标检测技术,特别是YOLO(YouOnlyLookOnce)系列算法,成为了高效解决此类问题的理想选择。YOLO系列算法(包括YOLOv5、Y
- 一个好玩的python库rembg,可以自行做成抠图工具,本文附上用法和模型
cocosgirl
python开发语言
rembg在图像处理领域,背景移除是一个常见且重要的任务。无论是电商平台的商品展示、社交媒体中的个性化头像生成,还是其他需要图像透明背景的场景,背景移除都扮演着关键角色。Python中的rembg库就是一个强大的工具,它基于深度学习技术,能够准确、快速地移除图像背景。本文详细介绍rembg库的安装、基本用法。Github仓库地址:github.com/danielgatis/rembg安装需求:p
- 【ai】李沐 动手深度学学v2 环境安装:anaconda3、pycharm、d2
等风来不如迎风去
AI入门与实战人工智能
cuda-toolkitcuda_12.5.0_windows_network.exe官方课程网站第二版资源下载release版本pycharm版本李沐【动手学深度学习v2PyTorch版】课程笔记CUDA选择11,实际下载12.5.0
- 使用rembg库提取图像前景(移除图像背景),并构建web应用
万里鹏程转瞬至
深度学习python库使用深度学习高级实践前端深度学习在线抠图
1、图像中的前景与背景在深度学习图像处理领域中,图像内容可以被定义为前景与背景两部分,其中感兴趣图形的被定义为前景,不感兴趣区域的背景。如在目标检测中,被框出来的目标则被定义为前景。此外,前景识别也可以理解外显著性识别,具体可以查看https://zhuanlan.zhihu.com/p/441836726。本博文所涉及的rembg库,就是基于显著性提取模型u2net所实现的。在传统图像处理中,前
- 《清华大学deepseek入门到精通》下载
Simulink学堂
杂谈ai
《清华大学deepseek入门到精通》下载清华大学推出的《DeepSeek:从入门到精通》是一本深度学习领域的指导手册,它旨在为学习者提供一个从基础到高级应用的全面学习路径。这本手册不仅覆盖了深度学习的基础知识,还深入探讨了高级应用、实战案例、算法解析、模型优化、数据处理等方面的内容。下载链接:清华大学deepseek入门到精通
- 【2025版】最新AI大模型NLP全面解析,零基础入门到精通,收藏这篇就够了
程序员二飞
人工智能自然语言处理服务器学习知识图谱
近年来,随着深度学习技术的飞速发展,AI大模型作为人工智能领域的重要研究对象,正逐步成为学术界和产业界广泛关注的热点议题。AI大模型,作为一类具备庞大参数规模与卓越学习能力的神经网络模型,如BERT、GPT等,已在自然语言处理、计算机视觉等多个领域展现出卓越成效,极大地推动了相关领域的技术进步。前排提示,文末有大模型AGI-CSDN独家资料包哦!AI大模型的价值不仅体现于其庞大的参数规模与强大的学
- AI大模型应用入门实战与进阶:28. AI大模型的实战项目:智能电网
AI天才研究院
AI大模型应用入门实战与进阶大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
1.背景介绍智能电网是一种利用人工智能技术优化电力系统运行和管理的方法。在现代电力系统中,智能电网技术可以帮助电力公司更有效地管理资源、提高系统的可靠性和稳定性,降低运行成本,并满足环境保护要求。智能电网技术的核心是大规模的人工智能模型,这些模型可以处理大量的实时数据,并在毫秒级别内做出决策。在过去的几年里,人工智能技术的进步使得智能电网变得更加可行和实用。例如,深度学习技术可以帮助预测电力需求,
- pytorch深度学习模型推理和部署、pytorch&ONNX&tensorRT模型转换以及python和C++版本部署
机械心
深度学习pythonpytorch
目录1.采用pytorch进行推理2.采用onnx进行推理2.1pytorch转换为onnx2.2onnx推理3.采用tensorrt进行推理(python环境)3.1onnx转engine文件3.2tensorrt推理4.采用tensorrt进行推理(c++环境)5.采用torch2trt进行推理(python环境)在pytorch框架下,可以很方便进行深度学习模型的搭建、训练和保存。当模型训练
- 大模型中 .safetensors 文件、.ckpt文件和.pth以及.bin文件区别、加载和保存以及转换方式
telllong
深度学习python深度学习人工智能
目录模型格式介绍加载以及保存-加载.safetensors文件:-保存/加载.pth文件:-保存/加载.ckpt文件:-处理.bin文件:模型之间的互相转换pytorch-lightning和pytorchckpt和safetensors模型格式介绍在大型深度学习模型的上下文中,.safetensors、.bin和.pthckpt文件的用途和区别如下:.safetensors文件:这是由Huggi
- DeepSeek 与网络安全:AI 驱动的智能防御
一ge科研小菜鸡
人工智能运维网络
个人主页:一ge科研小菜鸡-CSDN博客期待您的关注1.引言随着人工智能(AI)的快速发展,深度学习技术正渗透到多个领域,从医疗诊断到自动驾驶,再到金融风险控制,AI以其强大的计算能力和数据分析能力改变着传统行业。而在网络安全领域,面对日益复杂和高频率的网络攻击,传统的防御体系正遭遇前所未有的挑战。攻击者利用自动化工具、社会工程学和新型攻击策略,使得传统基于规则和特征匹配的安全手段逐渐失效。在这样
- 【野生动物识别系统】Python+深度学习+人工智能+卷积神经网络算法+TensorFlow+ResNet+图像识别
图像识别深度学习
一、介绍动物识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对18种动物数据集进行训练,最后得到一个识别精度较高的模型。并基于Django框架,开发网页端操作平台,实现用户上传一张动物图片识别其名称。目前可识别的动物有:'乌龟','云豹','变色龙','壁虎','狞猫','狮子','猎豹','美洲狮','美洲虎','老虎','蜥蜴','
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio