猪逻辑公园
猪逻辑公园

如何理解空洞卷积（dilated convolution）ID-CNN

作者：谭旭
链接：https://www.zhihu.com/question/54149221/answer/192025860
来源：知乎
著作权归作者所有，转载请联系作者获得授权。

简单讨论下dilated conv，中文可以叫做空洞卷积或者扩张卷积。首先介绍一下dilated conv诞生背景[4]，再解释dilated conv操作本身，以及应用。

首先是诞生背景，在图像分割领域，图像输入到CNN（典型的网络比如FCN[3]）中，FCN先像传统的CNN那样对图像做卷积再pooling，降低图像尺寸的同时增大感受野，但是由于图像分割预测是pixel-wise的输出，所以要将pooling后较小的图像尺寸upsampling到原始的图像尺寸进行预测（upsampling一般采用deconv反卷积操作，deconv可参见知乎答案如何理解深度学习中的deconvolution networks？），之前的pooling操作使得每个pixel预测都能看到较大感受野信息。因此图像分割FCN中有两个关键，一个是pooling减小图像尺寸增大感受野，另一个是upsampling扩大图像尺寸。在先减小再增大尺寸的过程中，肯定有一些信息损失掉了，那么能不能设计一种新的操作，不通过pooling也能有较大的感受野看到更多的信息呢？答案就是dilated conv。

下面看一下dilated conv原始论文[4]中的示意图：

如何理解空洞卷积（dilated convolution）ID-CNN_第1张图片

(a)图对应3x3的1-dilated conv，和普通的卷积操作一样

(b)图对应3x3的2-dilated conv，实际的卷积kernel size还是3x3，但是空洞为1，也就是对于一个7x7的图像patch，只有9个红色的点和3x3的kernel发生卷积操作，其余的点略过。也可以理解为kernel的size为7x7，但是只有图中的9个点的权重不为0，其余都为0。 可以看到虽然kernel size只有3x3，但是这个卷积的感受野已经增大到了7x7（如果考虑到这个2-dilated conv的前一层是一个1-dilated conv的话，那么每个红点就是1-dilated的卷积输出，所以感受野为3x3，所以1-dilated和2-dilated合起来就能达到7x7的conv）

(c)图是4-dilated conv操作，同理跟在两个1-dilated和2-dilated conv的后面，能达到15x15的感受野。对比传统的conv操作，3层3x3的卷积加起来，stride为1的话，只能达到(kernel-1)*layer+1=7的感受野，也就是和层数layer成线性关系，而dilated conv的感受野是指数级的增长。

dilated的好处是不做pooling损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。在图像需要全局信息或者语音文本需要较长的sequence信息依赖的问题中，都能很好的应用dilated conv，比如图像分割[3]、语音合成WaveNet[2]、机器翻译ByteNet[1]中。简单贴下ByteNet和WaveNet用到的dilated conv结构，可以更形象的了解dilated conv本身。

ByteNet

<img src="https://pic4.zhimg.com/v2-036913d7176af92daffcd60698751397_b.png" data-rawwidth="869" data-rawheight="720" class="origin_image zh-lightbox-thumb" width="869" data-original="https://pic4.zhimg.com/v2-036913d7176af92daffcd60698751397_r.jpg"> 如何理解空洞卷积（dilated convolution）ID-CNN_第2张图片

WaveNet

<img src="https://pic2.zhimg.com/v2-e366fd287082211f1ac4a0fbbf35e3a1_b.png" data-rawwidth="1065" data-rawheight="359" class="origin_image zh-lightbox-thumb" width="1065" data-original="https://pic2.zhimg.com/v2-e366fd287082211f1ac4a0fbbf35e3a1_r.jpg"> 如何理解空洞卷积（dilated convolution）ID-CNN_第3张图片

下面再阐述下deconv和dilated conv的区别：

deconv的具体解释可参见如何理解深度学习中的deconvolution networks？，deconv的其中一个用途是做upsampling，即增大图像尺寸。而dilated conv并不是做upsampling，而是增大感受野。

可以形象的做个解释：

对于标准的k*k卷积操作，stride为s，分三种情况：

(1) s>1，即卷积的同时做了downsampling，卷积后图像尺寸减小；

(2) s=1，普通的步长为1的卷积，比如在tensorflow中设置padding=SAME的话，卷积的图像输入和输出有相同的尺寸大小；

(3) 0

而dilated conv不是在像素之间padding空白的像素，而是在已有的像素上，skip掉一些像素，或者输入不变，对conv的kernel参数中插一些0的weight，达到一次卷积看到的空间范围变大的目的。

当然将普通的卷积stride步长设为大于1，也会达到增加感受野的效果，但是stride大于1就会导致downsampling，图像尺寸变小。大家可以从以上理解到deconv，dilated conv，

你可能感兴趣的:(卷积神经网络)

  • 卷积神经网络（Convolutional Neural Network, CNN） 不想秃头的程序 神经网络语音识别人工智能深度学习网络卷积神经网络
    卷积神经网络（ConvolutionalNeuralNetwork,CNN）是一种专门用于处理图像、视频等网格数据的深度学习模型。它通过卷积层自动提取数据的特征，并利用空间共享权重和池化层减少参数量和计算复杂度，成为计算机视觉领域的核心技术。以下是CNN的详细介绍：一、核心思想CNN的核心目标是从图像中自动学习层次化特征，并通过空间共享权重和平移不变性减少参数量和计算成本。其关键组件包括：卷积层（
  • ResNet（Residual Network） 不想秃头的程序 神经网络语音识别人工智能深度学习网络残差网络神经网络
    ResNet（ResidualNetwork）是深度学习中一种经典的卷积神经网络（CNN）架构，由微软研究院的KaimingHe等人在2015年提出。它通过引入残差连接（SkipConnection）解决了深度神经网络中的梯度消失问题，使得网络可以训练极深的模型（如上百层），并在图像分类、目标检测、语义分割等任务中取得了突破性成果。以下是ResNet的详细介绍：一、核心思想ResNet的核心创新是
  • 人脸识别算法赋能园区无人超市安防升级 智驱力人工智能 算法人工智能边缘计算人脸识别智慧园区智慧工地智慧煤矿
    人脸识别算法赋能园区无人超市安防升级正文在园区无人超市的运营管理中，传统安防手段依赖人工巡检或基础监控设备，存在响应滞后、误报率高、环境适应性差等问题。本文从技术背景、实现路径、功能优势及应用场景四个维度，阐述如何通过人脸识别检测、人员入侵算法及疲劳检测算法的协同应用，构建高效、精准的智能安防体系。一、技术背景：视觉分析算法的核心支撑人脸识别算法基于深度学习的卷积神经网络（CNN）模型，通过提取面
  • OpenCV边缘填充方式详解 慕婉0307 opencv基础opencv计算机视觉人工智能
    一、边缘填充概述在图像处理中，边缘填充（BorderPadding）是一项基础而重要的技术，特别是在进行卷积操作（如滤波、边缘检测等）时，处理图像边缘像素需要用到周围的像素值。由于图像边缘的像素没有完整的邻域，因此需要通过某种方式对图像边界进行扩展。边缘填充的主要应用场景包括：图像滤波（如高斯滤波、中值滤波等）卷积神经网络（CNN）中的卷积层形态学操作（如膨胀、腐蚀）图像特征提取二、OpenCV中
  • Day41 Python打卡训练营
    知识回顾1.数据增强2.卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层→激活函数→下一层2.Flatten->Dense(withDropout，可选)->Dense(Output)importtorchimporttorc
  • 深度学习在人脸识别中的应用及Python实现 loop_syntax648 机器学习-深度学习
    人脸识别是一种通过计算机技术识别和验证人脸的方法，近年来深度学习在人脸识别领域取得了显著的进展。深度学习模型能够学习和提取人脸图像中的高级特征，从而实现准确的人脸识别。本文将介绍深度学习在人脸识别中的应用，并提供Python实现的源代码。深度学习模型通常基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）进行人脸识别。CNN是一种专门用于处理图像和视觉数据的神经网络模型
  • 60天python训练营打卡day41 tan90�= python60天打卡python开发语言
    学习目标：60天python训练营打卡学习内容：DAY41简单CNN知识回顾1.数据增强2.卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：输入→卷积层→Batch归一化层（可选）→池化层→激活函数→下一层2.Flatten->Dense(withDropout，可选)->De
  • 【深度学习加速探秘】Winograd 卷积算法：让计算效率 “飞” 起来 heimeiyingwang 算法深度学习算法人工智能
    一、为什么需要Winograd卷积算法？从“卷积计算瓶颈”说起在深度学习领域，卷积神经网络（CNN）被广泛应用于图像识别、目标检测、语义分割等任务。然而，卷积操作作为CNN的核心计算单元，其计算量巨大，消耗大量的时间和计算资源。随着模型规模不断增大，传统卷积算法的计算效率成为限制深度学习发展的一大瓶颈。Winograd卷积算法的出现，犹如一把利刃，直击传统卷积计算的痛点。它通过巧妙的数学变换，大幅
  • 第五章 卷积神经网络（CNN） AI拉呱 机器学习深度学习实例讲解与分析
    第五章卷积神经网络（CNN）5.1卷积神经网络的组成层在卷积神经网络中，有3种最主要的层：卷积运算层池化层全连接层一个完整的神经网络就是由这三种层叠加组成的。结构示例拿CIFAR-10数据集举例，一个典型的该数据集上的卷积神经网络分类器应该有[INPUT-CONV-RELU-POOL-FC]的结构，INPUT[32*32*3]包含原始图片数据中的全部像素，长宽都是32，有RGB3个颜色通道。CON
  • 探秘 Drain3：一款高效日志异常检测神器 尚舰舸Elsie
    探秘Drain3：一款高效日志异常检测神器去发现同类优质开源项目:https://gitcode.com/项目简介是一个基于深度学习的日志异常检测系统，由LogPAI团队开发并开源。它旨在帮助运维人员和数据科学家快速发现系统日志中的异常行为，从而及时预测和处理潜在的问题，提升系统的稳定性和安全性。技术分析Drain3的核心技术是利用一维卷积神经网络（1DConvolutionalNeuralNet
  • 微算法科技(NASDAQ：MLGO)采用量子卷积神经网络(QCNN)，检测区块链中的DDoS攻击 MicroTech2025 量子计算区块链
    随着区块链技术的广泛应用，其安全性问题日益凸显。DDoS攻击作为一种常见的网络攻击手段，也对区块链网络构成了严重威胁。传统的检测方法在应对复杂多变的DDoS攻击时存在一定局限性，而量子计算的发展为解决这一问题带来了新的契机。微算法科技(NASDAQ：MLGO)深入研究量子卷积神经网络(QCNN)，并对其在检测区块链中的DDoS攻击方面进行了一系列创新改进。量子卷积神经网络（QCNN）是结合了量子计
  • 道路点云分割+边界提取+中心线方法总结 asdbhkasgb 相关论文深度学习计算机视觉人工智能算法3d
    1.FastLIDAR-basedRoadDetectionUsingFullyConvolutionalNeuralNetworks2017流程点云数据转换为俯视图图像从激光雷达获取的点云数据是无结构的，因此需要先将其转换为适合全卷积神经网络（FCN）处理的格式。具体来说，作者在激光雷达的XY平面上创建一个网格，并将点云中的每个点分配到相应的网格单元。对每个网格单元计算一些基础统计数据，例如：平
  • 基于深度学习的智能图像语义分割系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能python分类音视频机器学习sklearn
    前言图像语义分割是计算机视觉领域中的一个重要任务，其目标是将图像中的每个像素分配到预定义的语义类别中。这一技术在自动驾驶、医学影像分析、机器人视觉等多个领域有着广泛的应用。近年来，深度学习技术，尤其是卷积神经网络（CNN）及其变体，为图像语义分割带来了显著的改进。本文将详细介绍基于深度学习的智能图像语义分割系统的原理、实现方法以及实际应用案例。一、图像语义分割的基本概念1.1什么是图像语义分割？图
  • 基于深度学习的特征映射模块（FMS）实现与分析 RockLiu@805 深度学习模块机器视觉深度学习人工智能
    基于深度学习的特征映射模块（FMS）实现与分析引言在现代计算机视觉任务中，特征提取是至关重要的一步。传统的CNN虽然在很多任务上表现良好，但面对复杂图像信息时仍显得力不从心。为了解决这一问题，研究者们不断探索新的方法和技术，以更高效地捕捉和表示图像中的特征。今天，我将带大家深入探索一个结合了深度学习与小波变换的特征映射模块（FMS）。该模块不仅利用了传统的卷积神经网络（CNN），还引入了离散小波变
  • 探秘卷积神经网络（CNN）：从原理到实战的深度解析 LNL13 cnn人工智能神经网络
    在图像识别、视频处理等领域，卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）如同一位“超级侦探”，能够精准捕捉图像中的关键信息，实现对目标的快速识别与分析。从医疗影像诊断到自动驾驶中的路况感知，CNN凭借独特的架构设计和强大的特征提取能力，成为深度学习领域的中流砥柱。接下来，让我们深入探索CNN的奥秘。一、CNN的诞生背景与核心优势传统的神经网络，如多层感知机（ML
  • 搜索引擎蜘蛛的智能抓取策略：技术解构与动态博弈的深层逻辑 我爱学习558 搜索引擎蜘蛛2搜索引擎pythonjavascript
    搜索引擎蜘蛛的抓取过程远非简单的页面下载，而是一场融合了计算机科学、博弈论和信息经济学的复杂系统工程。其技术实现中暗藏着搜索引擎对网络空间认知范式的根本性转变。###一、多模态解析引擎的量子化演进现代蜘蛛的解析引擎已突破传统HTML解析的局限，形成多模态感知架构：**1.时空感知型解析器**-**视觉权重建模**：通过卷积神经网络(CNN)分析页面视觉热区，将首屏内容权重提升37%-**交互深度预
  • Python实现简单的深度学习实践 master_chenchengg pythonpythonPythonpython开发IT
    Python实现简单的深度学习实践Python：通往深度学习世界的钥匙动手搭建你的第一个神经网络模型从零开始，用Python解析MNIST手写数字识别超越基础：使用Keras快速构建卷积神经网络实战演练：训练一个简单的图像分类器Python：通往深度学习世界的钥匙在当今这个数据驱动的时代，Python无疑成为了打开深度学习大门的金钥匙。它不仅语法简洁、易于上手，而且拥有强大的社区支持和丰富的库资源
  • 八种常见的神经网络介绍 EdmundXjs 技术专栏神经网络人工智能深度学习
      在深度学习的世界里，各种神经网络模型层出不穷，每一种都有其独特的魅力和优势。今天，以下是八种常见的神经网络模型及其特点介绍，让我们来看看它们是如何在人工智能领域大放异彩的。概述（八大神经网络）卷积神经网络（CNN）：适用于图像、音频等网格数据处理。通过卷积层提取局部特征，池化层降维，广泛用于图像分类、目标检测。特点是参数共享和权值的局部连接，减少了模型复杂度。循环神经网络（RNN）：擅长处理序
  • 基于CNN卷积神经网络识别汉字合集-视频介绍下自取 no_work 深度学习cnn人工智能神经网络
    内容包括：含ShuffleNet等多个模型的手写中文汉字识别摄像头版109含ShuffleNet等多个模型的手写中文汉字识别摄像头版_哔哩哔哩_bilibili本代码用的python语言，pytorch深度学习框架运行，环境的安装可以参考博客：深度学习环境安装教程-anaconda-python-pytorch_动手学习深度学习的环境安装-CSDN博客代码总共分成三个部分，01py文件是划分数据集
  • 卷积神经网络CNN
    一、图像概念图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类本身的重要源泉。简单讲：图像是由像素点组成的，每个像素点的取值范围在[0,255]。像素值越接近于0，颜色越暗，接近于黑色；像素值越接近255，颜色越亮，接近于白色。在计算机中，按照颜色和灰度的多少可以将图像分为四种基本类型：①二值图像②灰度图像③索引图像④真彩色RGB图像（深度学习中使用较多）。图像类型通道数像素值范围主
  • Incremental Transformer Structure EnhancedImage Inpainting with Masking Positional Encoding笔记 毕设做完了吗？ transformer笔记深度学习
    摘要：近年来，图像修复取得了重大进展。然而，恢复具有生动纹理和合理结构的损坏图像仍然具有挑战性。由于卷积神经网络（CNN）的感受野有限，一些特定方法只能处理常规纹理，同时失去整体结构。另一方面，基于注意力的模型可以更好地学习结构恢复的长程依赖性，但它们受到大图像尺寸推理的大量计算的限制。为了解决这些问题，我们建议利用一个额外的结构恢复器来促进图像的增量修复。所提出的模型在固定的低分辨率草图空间中，
  • 基于PyQt5与CNN的枸杞/沙棘果图像分类系统 #define TUNE false 人工智能深度学习qtcnn
    摘要本文介绍了一套基于PyTorch和PyQt5的枸杞与沙棘果实识别系统。该系统采用卷积神经网络模型，实现了90%以上的识别准确率，响应时间小于500ms，显著提升了传统人工分拣效率。系统具备以下特点：1）可视化交互界面，包含分类显示区、控制面板和参数调节功能；2）支持置信度阈值动态调整（50%-95%）；3）提供单图/批量图像处理能力。文章详细解析了系统架构、核心模块代码及功能实现，同时指出了当
  • Flask与计算机视觉：图像识别API开发 后端开发笔记 flask计算机视觉pythonai
    Flask与计算机视觉：图像识别API开发关键词：Flask框架、计算机视觉、图像识别、API开发、卷积神经网络（CNN）摘要：本文将带你探索如何用轻量级Web框架Flask搭建一个图像识别API。我们会从基础概念讲起，用“快递站”“图片翻译官”等生活化比喻解释技术原理，结合Python代码实战演示从模型加载到接口响应的完整流程，最后讨论实际应用场景和未来趋势。无论你是Web开发新手还是计算机视觉
  • 【图像处理入门】11. 深度学习初探：从CNN到GAN的视觉智能之旅 小米玄戒Andrew 图像处理：从入门到专家深度学习图像处理cnn计算机视觉CVGAN
    摘要深度学习为图像处理注入了革命性动力。本文将系统讲解卷积神经网络（CNN）的核心原理，通过PyTorch实现图像分类实战；深入解析迁移学习的高效应用策略，利用预训练模型提升自定义任务性能；最后揭开生成对抗网络（GAN）的神秘面纱，展示图像生成与增强的前沿技术。结合代码案例与可视化分析，帮助读者跨越传统算法与深度学习的技术鸿沟。一、卷积神经网络（CNN）基础与实战1.CNN的核心组件与工作原理1.
  • 深度学习“炼丹”实战：用LeNet驯服MNIST“神兽” AI妈妈手把手 深度学习人工智能LeNetcnn模型训练学习笔记MNIST
    宝子们，在深度学习的神秘世界里，咱们就像一群“炼丹师”，而模型就是咱们精心炼制的“丹药”，数据集则是炼丹的“原材料”。今天，咱们就用经典的LeNet卷积神经网络模型，在MNIST手写数字数据集这个“原材料宝库”里，炼制出一颗能精准识别数字的“神奇丹药”！LeNet网络结构回顾，见：深度学习图像分类六大经典网络结构全解析一、MNIST数据集：炼丹的“珍贵原料”MNIST数据集可是深度学习界的“老牌明
  • 基于深度学习的智能图像分割系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能python机器学习tensorflow神经网络sklearn
    前言图像分割是计算机视觉领域中的一个核心任务，其目标是将图像划分为多个有意义的区域或对象。图像分割在医学影像分析、自动驾驶、安防监控等多个领域有着广泛的应用。近年来，深度学习技术，尤其是卷积神经网络（CNN）及其变体，为图像分割带来了显著的改进。本文将详细介绍基于深度学习的智能图像分割系统的原理、实现方法以及实际应用案例。一、图像分割的基本概念1.1什么是图像分割？图像分割是一种将图像划分为多个互
  • 基于深度学习的智能图像风格转换系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能机器学习机器人神经网络pythonsklearn
    前言图像风格转换是一种将一张图像的内容与另一张图像的风格相结合的技术，广泛应用于艺术创作、图像编辑和视觉特效等领域。近年来，深度学习技术，尤其是卷积神经网络（CNN）和生成对抗网络（GAN），为图像风格转换带来了革命性的进展。本文将详细介绍基于深度学习的智能图像风格转换系统的原理、实现方法以及实际应用案例。一、图像风格转换的基本概念1.1什么是图像风格转换？图像风格转换是一种图像处理技术，其目标是
  • 【Python】深度学习-VGG19网络 宅男很神经 python开发语言
    第一章：VGG的哲学根基——一场由简约与深度引领的革命在卷积神经网络（ConvolutionalNeuralNetwork,CNN）的璀璨星河中，VGG（VisualGeometryGroup）网络家族的出现，并非一次技术上的偶然突变，而是一场深刻的、影响至今的哲学革命。它并非以奇诡的结构或复杂的数学技巧取胜，恰恰相反，它以一种近乎禁欲主义的简约和对“深度”这一核心要素的极致追求，为后续网络架构的
  • VGG-19（Visual Geometry Group）模型
    VGG-19是由牛津大学视觉几何组和GoogleDeepMind的研究人员在2014年提出的一个非常经典的深度卷积神经网络模型。一核心结构（1）深度：模型名称中的"19"指的是模型拥有19层带有权重的层（通常指：16个卷积层+3个全连接层=19。如果严格数带参数的层，输入层和ReLU激活层不计入深度统计）。（2）简单范式：VGG系列模型（包括VGG-11，VGG-13，VGG-16，VGG-19）
  • pytorch都有哪些神经网络，都哪些情况使用这些神经网络 zhiSiBuYu0517 pythonpytorch神经网络人工智能
    PyTorch提供了多种神经网络类型，适用于不同的场景，以下是一些常见的神经网络及其适用情况：前馈神经网络（FeedforwardNeuralNetwork,FNN）结构：由输入层、若干隐藏层和输出层组成，每一层都连接到下一层。适用场景：用于分类和回归问题，适合结构化数据或特征明显的数据集。卷积神经网络（ConvolutionalNeuralNetwork,CNN）结构：包含卷积层和池化层，通过卷
  • 怎么样才能成为专业的程序员？ cocos2d-x小菜 编程PHP
      如何要想成为一名专业的程序员？仅仅会写代码是不够的。从团队合作去解决问题到版本控制，你还得具备其他关键技能的工具包。当我们询问相关的专业开发人员，那些必备的关键技能都是什么的时候，下面是我们了解到的情况。   关于如何学习代码，各种声音很多，然后很多人就被误导为成为专业开发人员懂得一门编程语言就够了？！呵呵，就像其他工作一样，光会一个技能那是远远不够的。如果你想要成为
  • java web开发 高并发处理 BreakingBad javaWeb并发开发处理高
    java处理高并发高负载类网站中数据库的设计方法（java教程,java处理大量数据，java高负载数据） 一：高并发高负载类网站关注点之数据库 没错,首先是数据库,这是大多数应用所面临的首个SPOF。尤其是Web2.0的应用，数据库的响应是首先要解决的。 一般来说MySQL是最常用的，可能最初是一个mysql主机，当数据增加到100万以上，那么，MySQL的效能急剧下降。常用的优化措施是M-S（
  • mysql批量更新 ekian mysql
    mysql更新优化： 一版的更新的话都是采用update set的方式，但是如果需要批量更新的话，只能for循环的执行更新。或者采用executeBatch的方式，执行更新。无论哪种方式，性能都不见得多好。 三千多条的更新，需要3分多钟。 查询了批量更新的优化，有说replace into的方式，即： replace into tableName(id,status) values
  • 微软BI（3） 18289753290 微软BI SSIS
    1) Q：该列违反了完整性约束错误；已获得 OLE DB 记录。源:“Microsoft SQL Server Native Client 11.0” Hresult: 0x80004005 说明:“不能将值 NULL 插入列 'FZCHID'，表 'JRB_EnterpriseCredit.dbo.QYFZCH'；列不允许有 Null 值。INSERT 失败。”。 A：一般这类问题的存在是
  • Java中的List g21121 java
            List是一个有序的 collection（也称为序列）。此接口的用户可以对列表中每个元素的插入位置进行精确地控制。用户可以根据元素的整数索引（在列表中的位置）访问元素，并搜索列表中的元素。         与 set 不同，列表通常允许重复
  • 读书笔记 永夜-极光 读书笔记
       1.  K是一家加工厂,需要采购原材料,有A,B,C,D 4家供应商,其中A给出的价格最低,性价比最高,那么假如你是这家企业的采购经理,你会如何决策?          传统决策: A:100%订单  B,C,D:0%     &nbs
  • centos 安装 Codeblocks 随便小屋 codeblocks
    1.安装gcc,需要c和c++两部分,默认安装下,CentOS不安装编译器的,在终端输入以下命令即可yum install gccyum install gcc-c++   2.安装gtk2-devel,因为默认已经安装了正式产品需要的支持库,但是没有安装开发所需要的文档.yum install gtk2* 3. 安装wxGTK    yum search w
  • 23种设计模式的形象比喻 aijuans 设计模式
    1、ABSTRACT FACTORY—追MM少不了请吃饭了，麦当劳的鸡翅和肯德基的鸡翅都是MM爱吃的东西，虽然口味有所不同，但不管你带MM去麦当劳或肯德基，只管向服务员说“来四个鸡翅”就行了。麦当劳和肯德基就是生产鸡翅的Factory 　　工厂模式：客户类和工厂类分开。消费者任何时候需要某种产品，只需向工厂请求即可。消费者无须修改就可以接纳新产品。缺点是当产品修改时，工厂类也要做相应的修改。如：
  • 开发管理 CheckLists aoyouzi 开发管理 CheckLists
    开发管理 CheckLists(23) -使项目组度过完整的生命周期 开发管理 CheckLists(22) -组织项目资源 开发管理 CheckLists(21) -控制项目的范围开发管理 CheckLists(20) -项目利益相关者责任开发管理 CheckLists(19) -选择合适的团队成员开发管理 CheckLists(18) -敏捷开发 Scrum Master 工作开发管理 C
  • js实现切换 百合不是茶 JavaScript栏目切换
    js主要功能之一就是实现页面的特效,窗体的切换可以减少页面的大小,被门户网站大量应用思路: 1,先将要显示的设置为display:bisible 否则设为none 2,设置栏目的id ,js获取栏目的id,如果id为Null就设置为显示 3,判断js获取的id名字;再设置是否显示   代码实现:   html代码: <di
  • 周鸿祎在360新员工入职培训上的讲话 bijian1013 感悟项目管理人生职场
            这篇文章也是最近偶尔看到的，考虑到原博客发布者可能将其删除等原因，也更方便个人查找，特将原文拷贝再发布的。“学东西是为自己的，不要整天以混的姿态来跟公司博弈，就算是混，我觉得你要是能在混的时间里，收获一些别的有利于人生发展的东西，也是不错的，看你怎么把握了”，看了之后，对这句话记忆犹新。  &
  • 前端Web开发的页面效果 Bill_chen htmlWebMicrosoft
    1.IE6下png图片的透明显示： <img src="图片地址" border="0" style="Filter.Alpha(Opacity)=数值(100),style=数值(3)"/> 或在<head></head>间加一段JS代码让透明png图片正常显示。 2.<li>标
  • 【JVM五】老年代垃圾回收：并发标记清理GC(CMS GC) bit1129 垃圾回收
      CMS概述 并发标记清理垃圾回收(Concurrent Mark and Sweep GC）算法的主要目标是在GC过程中，减少暂停用户线程的次数以及在不得不暂停用户线程的请夸功能，尽可能短的暂停用户线程的时间。这对于交互式应用，比如web应用来说，是非常重要的。   CMS垃圾回收针对新生代和老年代采用不同的策略。相比同吞吐量垃圾回收，它要复杂的多。吞吐量垃圾回收在执
  • Struts2技术总结 白糖_ struts2
      必备jar文件 早在struts2.0.*的时候，struts2的必备jar包需要如下几个： commons-logging-*.jar   Apache旗下commons项目的log日志包 freemarker-*.jar          
  • Jquery easyui layout应用注意事项 bozch jquery浏览器easyuilayout
    在jquery easyui中提供了easyui-layout布局，他的布局比较局限，类似java中GUI的border布局。下面对其使用注意事项作简要介绍：      如果在现有的工程中前台界面均应用了jquery easyui，那么在布局的时候最好应用jquery eaysui的layout布局，否则在表单页面（编辑、查看、添加等等）在不同的浏览器会出
  • java-拷贝特殊链表：有一个特殊的链表，其中每个节点不但有指向下一个节点的指针pNext，还有一个指向链表中任意节点的指针pRand，如何拷贝这个特殊链表？ bylijinnan java
    public class CopySpecialLinkedList { /** * 题目：有一个特殊的链表，其中每个节点不但有指向下一个节点的指针pNext，还有一个指向链表中任意节点的指针pRand，如何拷贝这个特殊链表？ 拷贝pNext指针非常容易，所以题目的难点是如何拷贝pRand指针。 假设原来链表为A1 -> A2 ->... -> An，新拷贝
  • color Chen.H JavaScripthtmlcss
    <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"  "http://www.w3.org/TR/html4/loose.dtd">    <HTML>    <HEAD>&nbs
  • [信息与战争]移动通讯与网络 comsci 网络
          两个坚持:手机的电池必须可以取下来                光纤不能够入户,只能够到楼宇       建议大家找这本书看看:<&
  • oracle flashback query(闪回查询) daizj oracleflashback queryflashback table
    在Oracle 10g中，Flash back家族分为以下成员： Flashback Database Flashback Drop Flashback Table Flashback Query(分Flashback Query,Flashback Version Query，Flashback Transaction Query) 下面介绍一下Flashback Drop 和Flas
  • zeus持久层DAO单元测试 deng520159 单元测试
    zeus代码测试正紧张进行中,但由于工作比较忙,但速度比较慢.现在已经完成读写分离单元测试了,现在把几种情况单元测试的例子发出来,希望有人能进出意见,让它走下去. 本文是zeus的dao单元测试: 1.单元测试直接上代码   package com.dengliang.zeus.webdemo.test; import org.junit.Test; import o
  • C语言学习三printf函数和scanf函数学习 dcj3sjt126com cprintfscanflanguage
    printf函数 /* 2013年3月10日20:42:32 地点：北京潘家园 功能： 目的： 测试%x %X %#x %#X的用法 */ # include <stdio.h> int main(void) { printf("哈哈！\n"); // \n表示换行 int i = 10; printf
  • 那你为什么小时候不好好读书? dcj3sjt126com life
    dady, 我今天捡到了十块钱, 不过我还给那个人了 good girl! 那个人有没有和你讲thank you啊 没有啦....他拉我的耳朵我才把钱还给他的, 他哪里会和我讲thank you   爸爸, 如果地上有一张5块一张10块你拿哪一张呢.... 当然是拿十块的咯... 爸爸你很笨的, 你不会两张都拿   爸爸为什么上个月那个人来跟你讨钱, 你告诉他没
  • iptables开放端口 Fanyucai linuxiptables端口
    1，找到配置文件 vi /etc/sysconfig/iptables   2，添加端口开放，增加一行，开放18081端口 -A INPUT -m state --state NEW -m tcp -p tcp --dport 18081 -j ACCEPT   3，保存 ESC :wq!   4，重启服务 service iptables
  • Ehcache（05）——缓存的查询 234390216 排序ehcache统计query
    缓存的查询 目录 1.    使Cache可查询 1.1     基于Xml配置 1.2     基于代码的配置 2     指定可搜索的属性 2.1     可查询属性类型 2.2 &
  • 通过hashset找到数组中重复的元素 jackyrong hashset
      如何在hashset中快速找到重复的元素呢?方法很多，下面是其中一个办法： int[] array = {1,1,2,3,4,5,6,7,8,8}; Set<Integer> set = new HashSet<Integer>(); for(int i = 0
  • 使用ajax和window.history.pushState无刷新改变页面内容和地址栏URL lanrikey history
    后退时关闭当前页面 <script type="text/javascript"> jQuery(document).ready(function ($) {         if (window.history && window.history.pushState) {
  • 应用程序的通信成本 netkiller.github.com 虚拟机应用服务器陈景峰netkillerneo
    应用程序的通信成本 什么是通信 一个程序中两个以上功能相互传递信号或数据叫做通信。 什么是成本 这是是指时间成本与空间成本。 时间就是传递数据所花费的时间。空间是指传递过程耗费容量大小。 都有哪些通信方式 全局变量 线程间通信 共享内存 共享文件 管道 Socket 硬件（串口，USB） 等等 全局变量 全局变量是成本最低通信方法，通过设置
  • 一维数组与二维数组的声明与定义 恋洁e生 二维数组一维数组定义声明初始化
    /**  *  */ package test20111005; /**  * @author FlyingFire  * @date:2011-11-18 上午04:33:36  * @author ：代码整理  * @introduce :一维数组与二维数组的初始化  *summary：  */ public c
  • Spring Mybatis独立事务配置 toknowme mybatis
    在项目中有很多地方会使用到独立事务，下面以获取主键为例   （1）修改配置文件spring-mybatis.xml  <!-- 开启事务支持 -->  <tx:annotation-driven transaction-manager="transactionManager" />   &n
  • 更新Anadroid SDK Tooks之后，Eclipse提示No update were found xp9802 eclipse
    使用Android SDK Manager 更新了Anadroid SDK Tooks 之后， 打开eclipse提示 This Android SDK requires Android Developer Toolkit version 23.0.0 or above, 点击Check for Updates  检测一会后提示 No update were found 
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他