爱吃西瓜的小松鼠
爱吃西瓜的小松鼠

vgg训练自己的数据24分类ASL手势数据集

今天心情相对于前几天好多了。

上一个博客，是用VGG网络。载入别人模型。然后识别自己的图片。

这一篇！

 训练ASL数据集。24分类。

先看文件目录：

 

vgg训练自己的数据24分类ASL手势数据集_第1张图片

 

三个文件。  最后一个是训练。第一个是数据集的处理。 中间的那个是用来测试的。

使用：第一：把trainvgg.py 里面数据集换成自己的。这里注意开始的分类我是24分类。A、B、C、............

            第二：开始 训练，结束后就可以看到效果。

            第三：如果想自己拍一张照片验证的话，就把model里面的vgg.ckpt-9900.meta（这里根据自己情况添加） 替换成进predict.py 代码里对应的位置。     

其他文件里面的东西，不用管。

这里面没有上传ASL数据集。这个数据集太大了。自己在网上找吧。找不到再联系我吧。

下一个目标。试试resnet.

哪里有争议.可以留言一起讨论。

代码太长了。我还是以文件形式上传。

https://download.csdn.net/download/qq_40979622/11086401

用 American Sign Language（ASL）手势图像数据集，该数据集每个手势分别由5个人在不同的背景下完成，代表A到Z字母，每个手势样本有1000张图片，RGB和深度图像各500张，总共有24×5×1000=120000张图像（由于字母j和z的手势是动态的，所以这里我们不考虑）

代码链接： 数据集链接

      加我QQ 410834611

数据集链接

https://market.m.taobao.com/app/idleFish-F2e/widle-taobao-rax/page-detail?wh_weex=true&wx_navbar_transparent=true&id=601031446716&ut_sk=1.AHGMmdCYP5oDAJ3wq%252FofbJiD_21407387_1565953958159.Copy.detail.601031446716.2059966081&forceFlush=1

你可能感兴趣的:(VGG)

  • 【Pytorch学习笔记】模型模块09——VGG详解 越轨 Pytorch学习笔记pytorch学习笔记深度学习人工智能python
    一、VGG核心设计原理小卷积核堆叠用多层3×3卷积替代大卷积核（如5×5/7×7）数学原理：2层3×3卷积感受野等效于5×5：RFout=(RFin−1)×stride+KRF_{out}=(RF_{in}-1)\timesstride+KRFout=(RFin−1)×stride+K参数量对比：3层3×3卷积（3×(32C2)=27C23×(3^2C^2)=27C^23×(32C2)=27C2）
  • 基于Pytorch框架构建VGG-19模型 88conch pytorch人工智能python深度学习机器学习神经网络cnn
    Pytorch一、训练模型1.导入资源包2.定义数据预处理3.读取数据二、定义VGG19模型1.定义自定义的VGG19模型运行结果：四、验证模型1.定义验证过程2.用于训练模型并应用学习率调整策略的循环运行结果：3.保存模型的状态字典三、训练模型1.定义训练函数五、创建CustomVGG19模型实例1.导入资源包2.定义数据预处理4.创建CustomVGG19模型实例5.定义预测函数6.定义了一个
  • pythonday50 我爱音乐yyy python打卡训练营深度学习pytorchpython
    作业：1.好好理解下resnet18的模型结构2.尝试对vgg16+cbam进行微调策略importtorchimporttorch.nnasnnimporttorch.optimasoptimimporttorchvisionimporttorchvision.transformsastransformsfromtorchvisionimportmodelsfromtorch.utils.dat
  • 深度学习笔记16-VGG-16算法-Pytorch实现人脸识别 boooo_hhh 深度学习机器学习pytorch
    目录前言一、前期准备1.设置GPU2.导入数据3.划分数据集二、调用官方的VGG-16模型三、训练模型1.编写训练函数2.编写测试函数3.设置动态学习率4.正式训练四、结果可视化1.Loss与Accuracy图2.指定图片进行预测3.模型评估五、总结前言本文为365天深度学习训练营中的学习记录博客原作者：K同学啊一、前期准备1.设置GPU如果设备上支持GPU就使用GPU,否则使用CPUimport
  • 【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）
  • 深度学习入门（3）：vgg16 qq_776882262 深度学习人工智能
    引言相比于alexnet，vgg16进一步优化了这个黑盒模型，用实验的方式证明了哪些模块有效，哪些模块对检测效果提升有限。奠基了卷积神经网络一些基础的模块。本文参考pytorch实战7：手把手教你基于pytorch实现VGG16_vgg16pytorch-CSDN博客，此处只做记录供本人复习记录。正文VGG16创新点：1.使用小卷积核堆叠代替大卷积核VGG16采用多个连续的3×3小卷积核堆叠，而不
  • Python训练营打卡DAY50 我想睡觉261 python算法机器学习人工智能深度学习开发语言
    DAY50预训练模型+CBAM模块知识点回顾：resnet结构解析CBAM放置位置的思考针对预训练模型的训练策略差异化学习率三阶段微调ps：今日的代码训练时长较长，3080ti大概需要40min的训练时长作业：好好理解下resnet18的模型结构尝试对vgg16+cbam进行微调策略importtorchimporttorch.nnasnnimporttorch.optimasoptimfromt
  • 5个常用的主干网络模型 思绪漂移 网络人工智能深度学习
    5个常用的主干网络模型在深度学习行业中，目标检测是一大类应用，网络主要由三部分结构组成，主干网络、颈部网络、检测头，它们在网络中分别扮演者提取特征、二次处理特征（一般是融合、多尺度提取）、提取目标信息（类别、置信度、坐标位置）的功能。本文介绍5种常用的主干网络模型和它们各自的应用。VGG出自：2014，牛津大学架构特点：采用重复的3x3卷积核和2x2最大池化层堆叠特征传递：通过连续小卷积核实现渐进
  • 目标检测模型的主要组成部分 asdfg1258963 目标检测_ai目标检测人工智能计算机视觉
    目标检测模型通常由以下几个主要部分组成：1.主干网络（Backbone）主干网络是目标检测模型的核心部分，负责从输入图像中提取特征。常见的主干网络包括：卷积神经网络（CNN）：如ResNet、VGG、MobileNet等。它们通过多层卷积操作提取图像的多层次特征。Transformer架构：如VisionTransformer（ViT）及其变体，通过自注意力机制提取全局特征。主干网络的输出是一个特
  • 【论文翻译】目标检测Fast R-CNN论文翻译 Ziko_AI 目标检测目标检测图像识别FastR-CNN人工智能
    FastR-CNN摘要本文提出了一种快速的，基于区域的卷积网络方法（FastR-CNN）用于目标检测.FastR-CNN建立在前人的工作上使用深层卷积网络。来有效分类候选目标。相比于之前的工作，FastR-CNN应用了几个创新点来提高了训练与测试速度，也增加了检测准确度。FastR-CNN在非常深的VGG16网络上比R-CNN快9倍，在测试阶段快213倍，并且在Pascal2012数据集上达到以更
  • VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition 兔兔爱学习兔兔爱学习 论文cnn神经网络
    VGGNet是牛津大学计算机视觉组（VisualGeometryGroup）和谷歌DeepMind一起研究出来的深度卷积神经网络，因而冠名为VGG。VGG是一种被广泛使用的卷积神经网络结构，其在在2014年的ImageNet大规模视觉识别挑战(ILSVRC-2014)中获得了亚军，不是VGG不够强，而是对手太强，因为当年获得冠军的是GoogLeNet。通常人们说的VGG是指VGG-16(13层卷积
  • 深度学习实战 04：卷积神经网络之 VGG16 复现三（训练） 生信探索 深度学习cnn人工智能
    在后续的系列文章中，我们将逐步深入探讨VGG16相关的核心内容，具体涵盖以下几个方面：卷积原理篇：详细剖析VGG的“堆叠小卷积核”设计理念，深入解读为何3×3×2卷积操作等效于5×5卷积，以及3×3×3卷积操作等效于7×7卷积。架构设计篇：运用PyTorch精确定义VGG16类，深入解析“Conv-BN-ReLU-Pooling”这一标准模块的构建原理与实现方式。3.训练实战篇：在小规模医学影像数
  • 大模型微调步骤整理 Trank-Lw 人工智能
    在对深度学习模型进行微调时，我通常会遵循以下几个通用步骤。第一步是选择一个合适的预训练模型。PyTorch的torchvision.models模块提供了很多经典的预训练模型，比如ResNet、VGG、EfficientNet等。我们可以直接使用它们作为模型的基础结构。例如，加载一个预训练的ResNet50可以这样写：importtorchvision.modelsasmodelsmodel=mo
  • 使用PyTorch训练VGG11模型：Fashion-MNIST图像分类实战 意.远 pytorch分类人工智能深度学习
    本文将通过代码实战，详细讲解如何使用PyTorch和VGG11模型在Fashion-MNIST数据集上进行图像分类任务。代码包含数据预处理、模型定义、训练与评估全流程，并附上训练结果的可视化图表。所有代码可直接复现，适合深度学习初学者和进阶开发者参考。1.环境准备确保已安装以下库：pipinstalltorchtorchvisiond2l2.代码实现2.1导入依赖库fromd2limporttor
  • 使用 matlab 深度学习工具训练模型 HunterLiXiaoLong 深度学习matlab
    版本：matlab2018b在命令行输入deepNetworkDesigner，也可以在APP栏击深度学习模块调用。都可弹出matlab的深度学习工具，如图所示：这样，在这个工具里面就可以向搭积木一样，搭建自己的深度学习网络。同时可以在matlab的附加功能源管理器中，导入训练好的网络，如VGG16，Alexnet，研究学习前辈的智慧。
  • Pytorch之保存和加载预训练的模型 BlackMan_阿伟 Pytorchpython深度学习机器学习人工智能
    在深度学习中会用到迁移学习的方法，也就是我们把在其它数据集上训练比较好的model拿到我们的模型上来进行finetune,这样避免了我们重新去花费时间去训练模型，比如vgg16提取图像特征的这个模型，大大节省了我们训练的时间。这个过程我们就涉及到加载预训练的模型，有的时候我们需要加载整个模型，有时候我们需要模型的一个部分，因此在本文中将会对在Pytroch这个框架中如何加载预训练的模型做以阐述。说
  • 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,
  • pytorch-模型的加载，迁移学习，保存 Nina_717 pytorch入门pytorch迁移学习人工智能
    这段代码的主要目的是加载和修改VGG16模型，并打印模型的结构。以下是代码的详细解释：1.导入必要的库Python复制importtorchvisionimporttorchtorchvision是PyTorch的计算机视觉扩展库，提供了常用的预训练模型和数据集。torch是PyTorch核心库，用于构建和训练深度学习模型。2.加载预训练和未预训练的VGG16模型Python复制vgg16_tru
  • 卷积神经网络（CNN）的主要架构 彩旗工作室 人工智能cnn人工智能神经网络深度学习机器学习
    卷积神经网络（CNN,ConvolutionalNeuralNetworks）是深度学习中最重要的模型之一，广泛应用于计算机视觉、目标检测、语义分割等任务。自LeNet诞生以来，CNN结构经历了多个重要发展阶段，出现了许多经典架构，包括AlexNet、VGG、GoogLeNet（Inception）、ResNet、DenseNet、MobileNet等。本文将详细介绍CNN的主要架构及其核心思想，
  • Faster R-CNN 算法详解 reset2021 目标检测FasterR-CNN目标检测
    FasterR-CNN是在R-CNN和FastR-CNN的基础上进一步优化的一种目标检测算法。它通过引入RegionProposalNetwork(RPN)将区域建议和目标检测整合到一个统一的框架中，大幅提高了检测效率。以下是对FasterR-CNN算法的详细解析：1.概述FasterR-CNN主要由三部分组成：深度特征网络（BackboneNetwork）：用于提取图像的高层次特征，比如VGG或
  • 【DAY20240927】经典深度学习模型对比：LeNet5、CNN、ResNet20、AlexNet、TextCNN 与 VGG-11 胆小鬼~ 深度学习cnn人工智能
    文章目录前言一、LeNet5二、CNN三、AlexNet四、ResNet20五、TextCNN六、VGG-11前言Weleverage6modelstodealwiththedata,i.e.,LeNet5(LeNet)(LeCunetal.1989),asyntheticCNNnetwork(CNN),ResNet20(ResNet)(Heetal.2016),AlexNet(Krizhevsk
  • Pytorch lr_scheduler 调整学习率 xwhking pytorch学习人工智能
    Pytorchlr_scheduler调整学习率背景上篇文章连接在运行VGG代码的时候有这么几行代码：#定义模型进行训练model=VGG16()#model.load_state_dict(torch.load('./my-VGG16.pth'))optimizer=optim.SGD(model.parameters(),lr=0.01,weight_decay=5e-3)loss_func=
  • DeepSeek量化训练核心技术：从原理到工业级部署的完整实践方案 燃灯工作室 Deepseek人工智能机器学习数据挖掘
    1.主题背景1.1Why：模型压缩刚需传统AI模型在移动端部署面临内存占用大（ResNet-152约230MB）、推理延迟高（VGG16CPU推理>200ms）等问题。DeepSeek量化方案可实现：模型体积压缩4-8倍（FP32→INT8）推理速度提升2-5倍（利用硬件加速指令）保持95%+原始模型精度1.2行业定位在AI技术栈中属于模型优化层，介于算法研发与实际部署之间。与知识蒸馏、剪枝等技术
  • Pytorch 第八回：卷积神经网络——GoogleNet模型 Start_Present pytorchcnn神经网络python分类深度学习
    Pytorch第八回：卷积神经网络——GoogleNet模型本次开启深度学习第八回，基于Pytorch的GoogleNet卷积神经网络模型。对于卷积神经网络，咱们讲过了AlexNe模型和VGG模型。本回再分享一个新的模型，叫做GoogleNet模型。这个模型的突出点是采用了不同大小的卷积核进行组合训练。接下来给大家分享具体思路。本次学习，借助的平台是PyCharm2024.1.3，python版本
  • 基于CNN与VGG16的图像识别快速实现指南 我太想进步了C～～ neo4j
    基于CNN与VGG16的图像识别快速实现指南以下是从零实现代码到原理剖析的完整流程，包含TensorFlow/Keras框架的代码示例与关键优化技巧，满足快速实验需求。一、核心原理对比特性CNN（基础模型）VGG16结构深度5-10层（如LeNet、AlexNet）16层（13卷积层+3全连接层）卷积核大小混合使用（如5×5、3×3）全部使用3×33×3小卷积核（减少参数，增强非线性）2参数量约数
  • DAY05：【pytorch】图像预处理 CHO2022 #pytorch人工智能python
    1、torchvision功能：计算视觉工具包torchvision.transforms：常用的图像预处理方法torchvision.datasets：常用数据集的dataset实战，MINIST，CIFAR-10，ImageNet等torchvision.model：常用的模型预训练，AlexNet，VGG，ResNet，GoogleNet等2、transforms2.1常用图像预处理方法数据
  • YOLOv2训练详细实践指南 LIUDAN'S WORLD YOLO系列教程YOLO目标检测
    1.YOLOv2架构与原理详解1.1核心改进点YOLOv2相比YOLOv1的主要改进：采用Darknet-19作为backbone（相比VGG更高效）引入BatchNormalization提高稳定性与收敛速度使用anchorboxes机制代替直接预测边界框引入维度聚类确定anchorboxes尺寸使用passthrough层融合高分辨率特征支持多尺度训练适应不同输入尺寸采用新的分类树结构支持更多
  • 卷积神经网络四：VGG 南太湖小蚂蚁 人工智能cnn深度学习神经网络
    VGG，也叫VGGNet，是ImageNet大赛2014年的亚军，总体也是通过卷积层和池化层的叠加，最后加上一个全连接层来实现的卷积神经网络。它的主要特点是采用了更小的滤波器，也就是卷积核，不像AlexNet那样使用11x11这样大的卷积核，它使用3x3的卷积核以及2x2的池化层；同时采用了更深层的结构。AlexNet只有8层，而VGG达到了16~19层。与LeNet和AlexNet一样，VGG模
  • MobileNet简介：一个轻量化的神经网络架构|嵌入式与边缘计算 程序员Linc 人工智能边缘计算神经网络架构边缘计算MobileNet
    随着物联网、自动驾驶和增强现实技术的普及，边缘设备对实时性、低延迟和隐私保护的需求日益迫切。传统深度神经网络（如ResNet、VGG）因参数量大、计算复杂度高，难以在移动端部署。2017年，Google团队推出MobileNet系列，开创了轻量化模型的新纪元。截至2024年，MobileNet已迭代至第四代，成为边缘计算领域中重要的解决方案。本文介绍MobileNet的架构演进、技术创新及最新进展
  • 插入表主键冲突做更新 a-john
    有以下场景： 用户下了一个订单，订单内的内容较多，且来自多表，首次下单的时候，内容可能会不全（部分内容不是必须，出现有些表根本就没有没有该订单的值）。在以后更改订单时，有些内容会更改，有些内容会新增。 问题： 如果在sql语句中执行update操作，在没有数据的表中会出错。如果在逻辑代码中先做查询，查询结果有做更新，没有做插入，这样会将代码复杂化。 解决： mysql中提供了一个sql语
  • Android xml资源文件中@、@android:type、@*、？、@+含义和区别 Cb123456 @+@?@*
    一.@代表引用资源 1.引用自定义资源。格式：@[package:]type/name android：text="@string/hello"   2.引用系统资源。格式：@android:type/name     android:textColor="@android:color/opaque_red"
  • 数据结构的基本介绍 天子之骄 数据结构散列表树、图线性结构价格标签
    数据结构的基本介绍 数据结构就是数据的组织形式，用一种提前设计好的框架去存取数据，以便更方便，高效的对数据进行增删查改。正确选择合适的数据结构，对软件程序的高效执行的影响作用不亚于算法的设计。此外，在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈，堆等，就是经典的数据结构。   经典的数据结构大致如下：   一：线性数据结构 (1)：列表 a
  • 通过二维码开放平台的API快速生成二维码 一炮送你回车库 api
     现在很多网站都有通过扫二维码用手机连接的功能，联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊，写了个前台快速生成二维码的方法。        html代码如下:(二维码将生成在这div下) ? 1  &nbs
  • ImageIO读取一张图片改变大小 3213213333332132 javaIOimageBufferedImage
    package com.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; /** * @Description 读取一张图片改变大小 * @author FuJianyon
  • myeclipse集成svn（一针见血） 7454103 eclipseSVNMyEclipse
                                     &n
  • 装箱与拆箱----autoboxing和unboxing darkranger J2SE
    4.2　自动装箱和拆箱 基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便，但提供方便的同时表示隐藏了细节，建议在能够区分基本数据类型与对象的差别时再使用。 4.2.1　autoboxing和unboxing 在Java中，所有要处理的东西几乎都是对象(Object)
  • ajax传统的方式制作ajax aijuans Ajax
    //这是前台的代码 <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
  • 只用jre的eclipse是怎么编译java源文件的？ avords javaeclipsejdktomcat
    eclipse只需要jre就可以运行开发java程序了，也能自动 编译java源代码，但是jre不是java的运行环境么，难道jre中也带有编译工具？ 还是eclipse自己实现的？谁能给解释一下呢问题补充：假设系统中没有安装jdk or jre，只在eclipse的目录中有一个jre，那么eclipse会采用该jre，问题是eclipse照样可以编译java源文件，为什么呢？ &nb
  • 前端模块化 bee1314 模块化
    背景： 前端JavaScript模块化，其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来，还处于刀耕火种的野蛮生长阶段。   JavaScript一直缺乏有效的包管理机制，造成了大量的全局变量，大量的方法冲突。我们多么渴望有天能像Java（import），Python (import)，Ruby(require)那样写代码。在没有包管理机制的年代，我们是怎么避免所
  • 处理百万级以上的数据处理 bijian1013 oraclesql数据库大数据查询
    一.处理百万级以上的数据提高查询速度的方法：        1.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。         2.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 o
  • mac 卸载 java 1.7 或更高版本 征客丶 javaOS
    卸载 java 1.7 或更高 sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin 成功执行此命令后，还可以执行 java 与 javac 命令 sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane 成功执行此命令后，还可以执行 java
  • 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析 bit1129 Stream
    第一步，Flume和Kakfa对接，Flume抓取日志，写到Kafka中 第二部，Spark Streaming读取Kafka中的数据，进行实时分析   本文首先使用Kakfa自带的消息处理（脚本）来获取消息，走通Flume和Kafka的对接 1. Flume配置 1. 下载Flume和Kafka集成的插件，下载地址：https://github.com/beyondj2ee/f
  • Erlang vs TNSDL bookjovi erlang
          TNSDL是Nokia内部用于开发电信交换软件的私有语言，是在SDL语言的基础上加以修改而成，TNSDL需翻译成C语言得以编译执行，TNSDL语言中实现了异步并行的特点，当然要完整实现异步并行还需要运行时动态库的支持，异步并行类似于Erlang的process（轻量级进程），TNSDL中则称之为hand，Erlang是基于vm(beam)开发，
  • 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个 ljy325 企业应用
    　非常希望有一个预防疲劳的java软件，我看新闻和网站，国防科技大学的科学家累死了，太疲劳，老是加班，不休息，经常吃药，吃药根本就没用，根本原因是疲劳过度。我以前做java,那会公司垃圾，老想赶快学习到东西跳槽离开，搞得超负荷，不明理。深圳做软件开发经常累死人，总有不明理的人，有个软件提醒限制很好，可以挽救很多人的生命。 相关新闻： （1）IT行业成五大疾病重灾区：过劳死平均37.9岁
  • 读《研磨设计模式》-代码笔记-原型模式 bylijinnan java设计模式
    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/ /** * Effective Java 建议使用copy constructor or copy factory来代替clone()方法： * 1.public Product copy(Product p){} * 2.publi
  • 配置管理---svn工具之权限配置 chenyu19891124 SVN
    今天花了大半天的功夫，终于弄懂svn权限配置。下面是今天收获的战绩。 安装完svn后就是在svn中建立版本库，比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构 pepos    component    webapps 在conf里面的auth里赋予的权限配置为 [groups]
  • 浅谈程序员的数学修养 comsci 设计模式编程算法面试招聘
                                     浅谈程序员的数学修养
  • 批量执行 bulk collect与forall用法 daizj oraclesqlbulk collectforall
    BULK COLLECT 子句会批量检索结果，即一次性将结果集绑定到一个集合变量中，并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、 FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。     有关FORALL语句的用法请参考：批量SQL之 F
  • Linux下使用rsync最快速删除海量文件的方法 dongwei_6688 OS
    1、先安装rsync：yum install rsync 2、建立一个空的文件夹：mkdir /tmp/test 3、用rsync删除目标目录：rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了，删除的速度会非常快。rsync实际上用的是替换原理，处理数十万个文件也是秒删。
  • Yii CModel中rules验证规格 dcj3sjt126com rulesyiivalidate
    Yii cValidator主要用法分析：  yii验证rulesit 分类： Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError  
  • 基于vagrant的redis主从实验 dcj3sjt126com vagrant
    平台: Mac 工具: Vagrant 系统: Centos6.5 实验目的: Redis主从   实现思路 制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box   制作sentos6.5+redis的box   mkdir vagrant_redis cd vagrant_
  • Memcached(二)、Centos安装Memcached服务器 frank1234 centosmemcached
    一、安装gcc rpm和yum安装memcached服务器连接没有找到，所以我使用的是make的方式安装，由于make依赖于gcc，所以要先安装gcc 开始安装，命令如下，[color=red][b]顺序一定不能出错[/b][/color]： 建议可以先切换到root用户，不然可能会遇到权限问题：su root 输入密码...... rpm -ivh kernel-head
  • Remove Duplicates from Sorted List hcx2013 remove
    Given a sorted linked list, delete all duplicates such that each element appear only once. For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
  • Spring4新特性——JSR310日期时间API的支持 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • 浅谈enum与单例设计模式 247687009 java单例
    在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种)，两者同是私有构 造器，导出静态成员变量，以便调用者访问。 第一种 package singleton; public class Singleton { //导出全局成员 public final static Singleton INSTANCE = new S
  • 使用switch条件语句需要注意的几点 openwrt cbreakswitch
    1. 当满足条件的case中没有break，程序将依次执行其后的每种条件（包括default）直到遇到break跳出 int main() { int n = 1; switch(n) { case 1: printf("--1--\n"); default: printf("defa
  • 配置Spring Mybatis JUnit测试环境的应用上下文 schnell18 springmybatisJUnit
    Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有： 单元测试的app context不支持从外部properties文件注入属性 @Value注解不能解析带通配符的路径字符串 解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。 第二个问题的具体实例是：    
  • Java 定时任务总结一 tuoni javaspringtimerquartztimertask
     Java定时任务总结  一.从技术上分类大概分为以下三种方式：  1.Java自带的java.util.Timer类，这个类允许你调度一个java.util.TimerTask任务;   说明：    java.util.Timer定时器，实际上是个线程，定时执行TimerTask类 &
  • 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法 yangshangchuan rank相似度计算文本相似度词袋模型余弦相似度
    本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法，对于其他的用户生成内容站点类型也具有同样的适用性。   最近在ITEYE博客频道上面出现了一种新型的商业广告形式，方法如下：     1、注册多个账号（一般10个以上）。     2、从多个账号中选择一个账号，发表1-2篇博文
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他