- 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
- 【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
- 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
- [论文阅读]PIDNet: A Real-time Semantic Segmentation Network Inspired by PID Controllers
颜笑晏晏
论文阅读
1.摘要双分支网络结构已显示出其对实时语义分割任务的效率性和有效性。然而,低级细节和高级语义的直接融合将导致细节特征容易被周围上下文信息淹没,即本文中的超调(overshoot),这限制了现有两个分支模型的准确性的提高。在本文中,我们在卷积神经网络(CNN)和比例积分微分(PID)控制器之间架起了桥梁,并揭示了双分支网络只是一个比例积分(PI)控制器,当然也会存在类似的超调问题。为了解决这个问题,
- 【GitHub开源项目实战】DINOv2 自监督视觉模型深度解构:多任务零微调性能与多分辨率表征架构解析
观熵
GitHub开源项目实战github开源架构人工智能
DINOv2自监督视觉模型深度解构:多任务零微调性能与多分辨率表征架构解析关键词DINOv2、自监督视觉模型、ViT、多分辨率表示、语义分割、深度估计、Zero-shot、图像表示学习、OpenCLIP替代、MetaAI摘要DINOv2是由MetaAIResearch推出的下一代自监督视觉基础模型,在保持不依赖人工标签的前提下,显著提升了多任务性能,尤其在语义分割、图像分类、深度估计等下游任务中超
- python批量修改xml文件
爱上答复
xml
计算机视觉领域是当下比教热门的一个研究领域,包括目标检测,实例分割,语义分割等,不可避免会涉及到xml文件的修改,如果一两个文件的话,修改起来还算简答,但是实际情况中,远不止一个文件,且一个文件中也会包含多组属性。所以直接上代码,我习惯用pycharm编辑器来实现。importxml.dom.minidomforiinrange(0,100,5):path1="xxx"+str(i)+".xml"
- 鸿蒙开发实战之Image Kit重构美颜相机图像处理管线
harmonyos-next
一、核心能力突破通过ImageKit实现三大技术革新:硬件加速处理4K图像处理延迟降至16ms(NPU+GPU协同)支持10bitHDR管线(BT.2020色域)AI增强算法实时皮肤质感分析(98%毛孔保留率)智能背景重构(语义分割精度±1像素)跨平台一致性相同算法在麒麟/骁龙平台输出差异{updatePreview(result);});//超分辨率重建image.superResolution
- 【语义分割专栏】3:Segnet原理篇
fouen
语义分割人工智能计算机视觉深度学习神经网络pytorch
文章目录前言背景介绍Segnet核心剖析池化索引(poolingIndices)其他细节编码器解码器的对称结构Segnet模型代码结语参考资料前言本篇文章收录于语义分割专栏,如果对语义分割领域感兴趣的,可以去看看专栏,会对经典的模型以及代码进行详细的讲解哦!其中会包含可复现的代码!带大家深入语义分割的领域,将从原理,代码深入讲解,希望大家能从中有所收获,其中很多内容都包含着自己的一些想法以及理解,
- COCO-Stuff数据集:基于YOLOv5的多类别目标检测与分割实现
YOLO实战营
深度学习YOLO实战项目YOLO目标检测人工智能无人机计算机视觉数据挖掘ui
一、引言随着计算机视觉领域的不断发展,目标检测和语义分割已经成为深度学习中的两个关键任务。COCO-Stuff是一个包含多达172个类别的大型数据集,用于训练和评估计算机视觉算法。与传统的COCO数据集不同,COCO-Stuff不仅包含常见的物体检测任务,还增加了诸如“天空”、“树木”和“路面”等场景理解任务。通过对这个数据集的处理与利用,我们可以构建一个更加丰富的目标检测与语义分割系统。本博客将
- 深度学习之路——CNN卷积神经网络详解
DeepLinkDeepLink
Ai深度学习cnn人工智能
深度学习之路——CNN卷积神经网络详解前言卷积神经网络(ConvolutionalNeuralNetwork,CNN)作为深度学习领域的基础模型,推动了人工智能在图像、视频等方向的爆炸式发展。无论是图像分类、目标检测,还是语义分割、自动驾驶,CNN几乎无处不在。本文将带你系统了解CNN的基本原理、结构组成、常用网络、应用场景及简单代码实现。1.什么是CNN?CNN是一类专门处理类似网格结构数据(如
- 【仿生系统】qwen的仿生机器人解决方案
DFminer
机器人
收到完整需求后,我将从系统架构设计、算法实现路径、训练方法三个维度为您构建完整的仿生机器人解决方案。以下是分阶段实施方案:一、核心系统架构设计(模块化可进化架构)1.多模态感知引擎-视觉子系统:YOLOv8+SAM组合实现实时物体检测+场景语义分割-听觉子系统:Whisper+SpeakerEmbedding+情感识别三重处理-语言理解:基于LLaMA3的增量式语义解析(IncrementalPa
- 相机--RGB相机
猿饵块
数码相机
教程RGB--深度相机--激光雷达RGB相机原理:仅捕获红(R)、绿(G)、蓝(B)三通道的彩色图像,输出2D像素矩阵,无深度信息。核心作用:2D视觉任务:目标检测、图像分类、语义分割(如YOLO、ResNet)。优点:成本低:单传感器,硬件简单(如普通手机摄像头)。缺点:无深度信息:需额外算法或传感器获取3D数据。RGB相机和单目相机定义区别名称定义角度典型输出是否包含深度信息RGB相机数据格式
- 自动驾驶可行驶区域划分综述
吃旺旺雪饼的小男孩
自动驾驶自动驾驶人工智能机器学习
可行使区域划分1.数据采集与融合的深度解析1.1传感器类型与数据特性1.2多传感器融合方法2.环境感知与特征提取的细节2.1车道线检测技术2.2道路边界识别2.3障碍物检测与区域划分3.可行驶区域划分的实现3.1语义分割与几何建模3.2动态场景处理4.路径规划与决策的细节4.1局部路径规划4.2全局路径规划5.关键技术挑战的深入分析5.1复杂场景处理5.2实时性与计算优化5.3安全与冗余设计6.典
- 深度学习在建筑物提取中的应用综述
一瞬祈望
数据集深度学习人工智能
深度学习在建筑物提取中的应用综述目录深度学习在建筑物提取中的应用综述@[toc](目录)深度学习在建筑物提取中的应用综述一、建筑物提取简介二、深度学习方法分类1.语义分割(SemanticSegmentation)2.实例分割(InstanceSegmentation)3.边界感知分割(Boundary-awareSegmentation)4.多模态融合方法三、主流建筑物提取公开数据集及分析四、数
- 使用paddleX进行目标检测详解
狸不凡
机器学习深度学习神经网络
前言使用百度开源的paddleX工具,我们可以很容易快速训练出使用我们自己标注的数据的目标检测,图像分类,实例分割,语义分割的深度网络模型,本文,主要记录如何全流程使用pddleX来训练一个简单用于检测猫狗ppyolo_tiny模型。(一)数据准备这里的图片,我们直接在百度图片上搜索“猫狗”,随机下载10张图片,存到“JPEGImages文件夹”里。(二)使用labelme标注工具进行标注(1)l
- 高精地图与SLAM:依赖停车场高精地图提供结构信息,结合SLAM(同步定位与地图构建)技术实现实时定位与导航
百态老人
人工智能机器学习算法
基于现有资料,截至2025年3月1日,高精地图与SLAM技术在停车场场景中的结合应用主要体现在以下几个方面:1.SLAM的实时定位与增量地图构建SLAM技术通过激光雷达、摄像头、IMU等传感器实时采集环境特征(如停车场内的柱子、停车线、减速带等),并利用算法(如GraphSLAM、EKF、视觉语义分割)进行匹配定位,同时构建增量式地图。这种能力使得车辆即使初次进入未知停车场,也能在无GNSS信号的
- PaddleX 使用案例
非小号
AIscikit-learnpytorch人工智能python机器学习
以下是PaddleX的典型使用案例,涵盖图像分类、目标检测和语义分割三大场景,展示其从数据准备到模型部署的全流程:案例1:图像分类-垃圾分类识别场景:识别可回收垃圾、有害垃圾、厨余垃圾和其他垃圾四类图片。步骤1:数据准备与标注#1.创建项目目录mkdirgarbage_classification&&cdgarbage_classification#2.下载示例数据集(约2000张图片,4分类)w
- 飞桨(PaddlePaddle)在机器学习全流程(数据采集、处理、标注、建模、分析、优化)
非小号
AIpaddlepaddle机器学习人工智能
以下是飞桨(PaddlePaddle)在机器学习全流程(数据采集、处理、标注、建模、分析、优化)中常用的模型、函数及工具链,结合其生态特点分类说明:一、数据采集与标注1.数据采集工具PaddleX(图像/视频场景)功能:支持图像分类、目标检测、语义分割任务的数据标注,集成标注工具(如矩形框、多边形标注)。官网工具:PaddleX数据标注工具用法:通过图形化界面或命令行启动标注工具,输出标准VOC/
- 基于RGB与多光谱图像的农田语义分割技术研究及应用
中达瑞和-高光谱·多光谱
相机
随着智慧农业的发展,精准监测农田环境与作物生长状态成为关键需求。传统遥感技术受限于光谱分辨率与成像条件,难以满足精细化管理要求。本文以无人机搭载中达瑞和S810多光谱相机为技术载体,结合深度学习算法,提出单模态与多模态融合的农田语义分割方法。通过构建专用数据集与创新网络架构,显著提升了复杂场景下的分割精度与环境适应性,为精准农业提供了高效解决方案。一、研究背景与技术挑战农业生产的数字化监测依赖高精
- 动态神经网络(Dynamic NN)在边缘设备的算力分配策略:MoE架构实战分析
学术猿之吻
神经网络架构人工智能算法量子计算深度学习机器学习
一、边缘计算场景的算力困境在NVIDIAJetsonOrinNX(64TOPSINT8)平台上部署视频分析任务时,开发者面临三重挑战:动态负载波动视频流分辨率从480p到4K实时变化,帧率波动范围20-60FPS能效约束设备功耗需控制在15W以内(被动散热)多任务耦合典型场景需同步处理:目标检测(YOLOv8s)行为识别(SlowFast)语义分割(DeepLabv3)二、MoE架构的核心技术解析
- 助力移动机器人下游任务!Mobile-Seed:联合语义分割和边缘检测
3D视觉工坊
3D视觉从入门到精通计算机视觉
点击下方卡片,关注「3D视觉工坊」公众号选择星标,干货第一时间送达来源:3D视觉工坊添加小助理:dddvision,备注:语义分割,拉你入群。文末附行业细分群0.写在前面移动机器人经常需要定位语义目标和目标边缘,但大多数研究只集中在语义分割的部署上。今天笔者为大家推荐一篇开源工作,实现了语义分割和边缘检测的联合学习。下面一起来阅读一下这项工作~1.论文信息标题:Mobile-Seed:JointS
- YOLO11改进-注意力-引入通道压缩的自注意力机制CRA
一勺汤
YOLOv11模型改进系列网络YOLOYOLOv11目标检测模块魔改YOLOv11改进
在语义分割任务中存在MetaFormer架构应用局限于自注意力计算效率低的问题。为解决这些问题,提出提出CRA模块。CRA它通过将查询和键的通道维度缩减为一维,在考虑全局上下文提取的同时,显著降低了自注意力的计算成本,提高了网络的计算效率。本文将CRA与C2PSA相结合,在降低计算成本的同时提高精度。代码:https://github.com/tgf123/YOLOv8_improve/blob/
- 深度学习直接缝了别的模型,在论文中这种创新点应该如何描述呢?
深度学习入门
深度学习人工智能神经网络语音识别计算机视觉transformerAI写作
作为散养硕士,我们希望能早早发小论文,然后去实习&考公&考编,虽然知道网上大家都说缝模块来水论文,那怎样才能优雅的缝出一篇中稿率更高的论文(即如何更好地讲故事)呢?简洁版:相似领域找灵感,边试边改勇投稿。1.怎么找模块?(1)缝一些常见模块(2)相似领域比如说,最新的顶刊顶会的通用骨干网络、可以作为你的骨干网络,相似领域的模块,可以作为你其中信息融合或者其他的模块。多模态的目标检测/语义分割/目标
- 遥感深度学习——基于deeplabv3+和GID数据集(1)
全域智图
深度学习人工智能
博主最近准备进行深度学习入门,因为是做遥感方向的,经过多重考虑,算法最后选择了deeplabv3+。DeepLabV3+是由谷歌提出的一种用于图像语义分割的深度学习模型。它在DeepLabV3的基础上,加入了编码器-解码器结构,以提高分割结果的边缘细节和空间分辨率。以下是DeepLabV3+的主要特点:编码器-解码器结构:编码器部分提取图像的高层次语义特征,解码器部分逐步恢复图像的空间细节,提高分
- 【前沿 热点 顶会】CVPR 2025和目标分类、检测、分割、重识别有关的论文
平安顺遂事事如意
顶刊顶会论文合集分类数据挖掘人工智能CVPR检测分割重识别
SegEarth-OV:TowardsTraining-FreeOpen-VocabularySegmentationforRemoteSensingImages遥感图像在农业、水资源、军事、救灾等领域发挥着不可替代的作用。像素级解释是遥感影像应用的一个关键方面;但是,一个普遍的限制仍然是需要大量的手动注释。为此,我们尝试将开放词汇语义分割(OVSS)引入遥感环境中。然而,由于遥感图像对低分辨率特
- FCN改进:CBAM注意力机制增强FCN-ResNet50分割模型
听风吹等浪起
AI改进系列深度学习机器学习人工智能
1.介绍在这篇博客中,我将详细介绍一个结合了CBAM(ConvolutionalBlockAttentionModule)注意力机制的FCN-ResNet50语义分割模型的实现代码。代码概述这段代码实现了一个基于FCN-ResNet50架构的语义分割模型,并在ResNet50的各个层级后添加了CBAM注意力模块。主要包含以下几个部分:CBAM注意力模块的实现FCN-ResNet50模型的加载和修改
- 从代码学习深度学习 - 语义分割和数据集 PyTorch版
飞雪白鹿€
#计算机视觉深度学习pytorch
文章目录前言什么是语义分割?图像分割和实例分割PascalVOC2012语义分割数据集PascalVOC2012语义分割数据集介绍基本信息语义分割部分特点数据格式评价指标应用价值数据集获取使用提示辅助工具代码(`utils_for_huitu.py`)读取数据预处理数据自定义语义分割数据集类读取数据集整合所有组件总结前言大家好!欢迎来到“从代码学习深度学习”系列。今天,我们将深入探讨计算机视觉中一
- DeepLabv3+改进32:在主干网络中添加KANConv2DLayer|
AICurator
深度学习机器学习python
【DeepLabv3+改进专栏!探索语义分割新高度】你是否在为图像分割的精度与效率发愁?本专栏重磅推出:✅独家改进策略:融合注意力机制、轻量化设计与多尺度优化✅即插即用模块:ASPP+升级、解码器PS:订阅专栏提供完整代码论文简介步骤一新建mmseg/models/attentions/kan_conv.py,添加如下代码:importtorchimporttorch.nnasnnfrommmcv
- 语义分割常用模型
jmxer
深度学习笔记python深度学习机器学习
VGG-Unetimporttorchimporttorch.nnasnn#定义一个通用的卷积块classConvBNReLU(nn.Sequential):def__init__(self,in_channels,out_channels,kernel_size=3,padding=1):super(ConvBNReLU,self).__init__(nn.Conv2d(in_channels,
- 基于Partial Cross Entropy的弱监督语义分割实战指南
Loving_enjoy
计算机学科论文创新点深度学习机器学习人工智能
一、问题背景:弱监督学习的挑战在计算机视觉领域,语义分割任务面临最大的挑战之一是**标注成本**。以Cityscapes数据集为例,单张图像的像素级标注需要约90分钟人工操作。这催生了弱监督学习(WeaklySupervisedLearning)的研究方向,其中partialcrossentropyloss(部分交叉熵损失)成为重要的技术手段。###弱监督的常见形式1.图像级标签(Image-le
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
 
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
 
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在