VideoRecommendation
VideoRecommendation

tf.sequence_mask与tf.tile及Embedding

这个函数有啥用啊？搜了下发现NLP中用的多。

我看了官方github，查到了东西。也可以自己实现，很简单的。但我需要理解表示啥意思

一些博文说是序列长度的mask标志。

这俩结合用一下看看是啥玩意：

uf=tf.keras.Input(shape=1,dtype='int32',name='len')
mask=tf.sequence_mask(uf,50,dtype=tf.float32)
mask2=tf.transpose(mask,(0,2,1))
mask3=tf.tile(mask2,[1,1,32])
sess=tf.Session()

>>> model=tf.keras.Model(inputs=uf,outputs=mask3)
>>> model.summary()
Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
len (InputLayer)        [(None, 1)]               0         
_________________________________________________________________
tf_op_layer_SequenceMask_1/E [(None, 1, 1)]            0         
_________________________________________________________________
tf_op_layer_SequenceMask_1/C [(None, 1, 1)]            0         
_________________________________________________________________
tf_op_layer_SequenceMask_1/L [(None, 1, 50)]           0         
_________________________________________________________________
tf_op_layer_SequenceMask_1/C [(None, 1, 50)]           0         
_________________________________________________________________
tf_op_layer_transpose (Tenso [(None, 50, 1)]           0         
_________________________________________________________________
tf_op_layer_Tile_1 (TensorFl [(None, 50, 32)]          0         
=================================================================
Total params: 0
Trainable params: 0
Non-trainable params: 0

你不知道啥意思我也是如此。

这个模型根本没有训练的参数，意料之中。下面直接赋予实际值，看看结果。

输入

index=np.array([i for i in range(3707)]).reshape(-1,1)

得到

>>> out
		  
array([[[0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        ...,
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.]],

       [[1., 1., 1., ..., 1., 1., 1.],
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        ...,
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.]],

       [[1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [0., 0., 0., ..., 0., 0., 0.],
        ...,
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.],
        [0., 0., 0., ..., 0., 0., 0.]],

       ...,

       [[1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        ...,
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.]],

       [[1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        ...,
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.]],

       [[1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        ...,
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.],
        [1., 1., 1., ..., 1., 1., 1.]]], dtype=float32)

out shape为

>>> out.shape
		  
(3707, 50, 32)
>>> out[12][:12]
		  
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]],
      dtype=float32)
>>> out[12][:13]
		  
array([[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
        1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
        0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]],
      dtype=float32)

每个元素均是shape （50,32）

第12个元素是前12行均为1，第13行开始为0，因此地：第N个元素，前面N行均为1，后面50-N行均是0

见下一篇吧。

 

For Video Recommendation in Deep learning QQ Group 277356808

For Speech, Image, Video in deep learning QQ Group 868373192

I'm here waiting for you

你可能感兴趣的:(Recommendation)

  • 基于python的音乐推荐系统设计与实现 wu_fei_yu python开发语言
    点我完整下载：基于python的音乐推荐系统设计与实现.docx基于python的音乐推荐系统设计与实现DesignandImplementationofaMusicRecommendationSystembasedonPython目录目录2摘要3关键词3
  • Sass报错: Using / for division is deprecated Pinia_0819 vuesass前端css
    运行项目时报以下错误：:Using/fordivisionisdeprecatedandwillberemovedinDartSass2.0.0.Recommendation:math.div($px,$screenWidth)Moreinfoandautomatedmigrator:https://sass-lang.com/d/slash-div官方还很贴心做了一个一键迁移的工具，执行下面两行
  • 【Python百日进阶-Web开发-Peewee】Day295 - 查询示例（四）聚合1 岳涛@心馨电脑 Dashpython前端dash
    文章目录14.6聚合14.6.1计算设施数量Countthenumberoffacilities14.6.2计算昂贵设施的数量Countthenumberofexpensivefacilities14.6.3计算每个成员提出的建议数量。Countthenumberofrecommendationseachmembermakes.14.6.4列出每个设施预订的总空位Listthetotalslots
  • 基于图的推荐算法(12):Handling Information Loss of Graph Neural Networks for Session-based Recommendation 阿瑟_TJRS
    前言KDD2020,针对基于会话推荐任务提出的GNN方法对已有的GNN方法的缺陷进行分析并做出改进主要针对lossysessionencoding和ineffectivelong-rangedependencycapturing两个问题：基于GNN的方法存在损失部分序列信息的问题，主要是在session转换为图以及消息传播过程中的排列无关(permutation-invariant)的聚合过程中造
  • ITU-T V-Series Recommendations 技术无疆 Othercompressionstandardsprotocolsinterfacenetworkalgorithm
    TheITU-TV-SeriesRecommendationsonDatacommunicationoverthetelephonenetworkspecifytheprotocolsthatgovernapprovedmodemcommunicationstandardsandinterfaces.[1]Note:thebisandtersuffixesareITU-Tstandarddesig
  • Make It a Chorus: Knowledge- and Time-aware Item Modeling for Sequential Recommendation sigir 20 农场主 机器学习
    介绍的博客作者讲解摘要传统的推荐系统主要针对固有的、长期的用户偏好进行建模，而动态的用户需求也是非常重要的。通常，历史消费会影响用户对其关系项的需求。例如，用户倾向于一起购买互补产品(iPhone和AirPods)，而不是替代产品(Powerbeats和AirPods)，尽管替代购买的产品仍然迎合了他/她的偏好。为了更好地模拟历史序列的影响，以前的研究引入了项目关系的语义来捕捉用户的推荐需求。然而
  • 多模态推荐系统综述 凤凰AI 推荐系统论文阅读人工智能数据挖掘机器学习
    推荐系统(RS)已经成为在线服务不可或缺的工具。它们集成了各种深度学习技术，可以根据标识符和属性信息对用户偏好进行建模。随着短视频、新闻等多媒体服务的出现，在推荐的同时了解这些内容变得至关重要。此外，多模态特征也有助于缓解RS中的数据稀疏问题。因此，多模态推荐系统(multimodalrecommendationsSystem,MRS)近年来受到了学术界和业界的广泛关注。在本文中，我们将主要从技术
  • DS Wannabe之5-AM Project: DS 30day int prep day10 wendyponcho python机器学习
    Q1.WhatisaRecommenderSystem?Arecommendersystemistodaywidelydeployedinmultiplefieldslikemovierecommendations,musicpreferences,socialtags,researcharticles,searchqueriesandsoon.Therecommendersystemsworka
  • PSR CaptainRoy
    PSR(PHPStandardsRecommendation)是PHP框架之间标准的代码风格PSR-1:基本的代码风格PSR-2:严格的代码风格PSR-3:日志记录器接口PSR-4:自动加载PSR-1必须把PHP代码放在标签中类和方法名必须使用驼峰法常量名称必须全是大写字母,可以使用下划线把单词隔开PSR-2必须贯彻PSR-1代码风格使用四个空格缩进文件必须使用unix风格的换行符,最后要有一个空
  • 因果推断推荐系统工具箱 - CFF（二） processor4d
    文章名称【CIKM-2021】【BeijingKeyLaboratoryofBigDataManagementandAnalysisMethods-AntGroup】CounterfactualReview-basedRecommendation核心要点文章旨在解决现有基于评论的推荐系统中存在的评论稀疏和不平衡的问题，提出在feature-aware的推荐场景下，利用反事实样本提升模型性能。作者通
  • 论文笔记：相似感知的多模态假新闻检测 图学习的小张 论文笔记论文阅读python
    整理了RecSys2020ProgressiveLayeredExtraction:ANovelMulti-TaskLearningModelforPersonalizedRecommendations）论文的阅读笔记背景模型实验论文地址：SAFE背景  在此之前，对利用新闻文章中文本信息和视觉信息之间的关系(相似性)的关注较少。这种相似性有助于识别虚假新闻，例如，虚假新闻也许会试图使用不相关的图
  • Happier Hour —— A book recommendation 诚威_lol_中大努力中 storyandfeelinglife
    2hourisenough,lesswillbecruel/stressful,morewillfeelemptinessSpendtimedoingsportsFeeltheawesomenessoflifeornature.....Thisbookisaboutthefeelingsoftime.Whenthingshaverelationswiththepsychology,theycanb
  • 矢 杂货店_为instacart创建杂货产品推荐器 weixin_26729763 pythonjava
    矢杂货店Intheecommerceshoppingexperienceproductrecommendationscomeinmanyforms:theymaybeusedtorecommendotherproductsononeproduct’spage(Amazon’s“Frequentlyboughttogether”featureforinstance)ortheymaybeusedon
  • 【人工智能】神奇的Embedding：文本变向量，大语言模型智慧密码解析(10) 魔道不误砍柴功 AI大模型人工智能embedding语言模型
    什么是嵌入？OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：Search搜索（结果按与查询字符串的相关性排序）Clustering聚类（文本字符串按相似性分组）Recommendations推荐（推荐具有相关文本字符串的条目）Anomalydetection异常检测（识别出相关性很小的异常值）Diversitymeasurement多样性测量（分析相似性分布）Classificatio
  • MySql修改字段类型和大小 on the way 123 mysql
    MySql修改表字段的类型和大小原因：1，在我们设计表的时候，有时设计表字段女的大小和类型的时候，有时可能不合适，需要修改字段的大小2，修改表字段的常见2种，第一种修改大小，第二种修改数据类型sql语句第一种修改字段的大小原因是：第三方推送数据，这边接收数据，测试下那边recommendation这个字段是50个左右，之前设置是varchar(100)显然不够，根据Mysql的版本不同，汉字占字节
  • 因果推断推荐系统工具箱 - CFF（一） processor4d
    文章名称【CIKM-2021】【BeijingKeyLaboratoryofBigDataManagementandAnalysisMethods-AntGroup】CounterfactualReview-basedRecommendation核心要点文章旨在解决现有基于评论的推荐系统中存在的评论稀疏和不平衡的问题，提出在feature-aware的推荐场景下，利用反事实样本提升模型性能。作者通
  • 论文笔记：多任务学习模型：渐进式分层提取（PLE）含pytorch实现 图学习的小张 论文笔记论文阅读学习
    整理了RecSys2020ProgressiveLayeredExtraction:ANovelMulti-TaskLearningModelforPersonalizedRecommendations）论文的阅读笔记背景模型代码论文地址：PLE背景  多任务学习（multi-tasklearning，MTL）：给定m个学习任务，这m个任务或它们的一个子集彼此相关但不完全相同。简单地说就是一个模型
  • composer中常提及到到PSR-4，什么是PSR呢 php转go
    什么是PSRPSR是PHPStandardRecommendations（PHP推荐标准）的简写，由PHPFIG组织制定的PHP规范，是PHP开发的实践标准。PHPFIG，FIG是FrameworkInteroperabilityGroup（框架可互用性小组）的缩写，由几位开源框架的开发者成立于2009年，从那开始也选取了很多其他成员进来（包括但不限于Laravel,Joomla,Drupal,C
  • 如何减小iOS包的大小 kakao6
    https://www.jianshu.com/p/e76bdc940f28?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation1.配置编译选项GenetateDebugSymbols设置为NO2.适当舍弃架构arm73.删除无用的图片和音频文件LSUnusedResource
  • Writing a Letter of Recommendation 0b23fbe0244f
    WritingaLetterofRecommendationAddendumtoMakingtheRightMoves:APracticalGuidetoScientificManagementforPostdocsandNewFacultysecondeditionBurroughsWellcomeFundHowardHughesMedicalInstituteMakingtheRightMov
  • 联邦推荐系统相关论文创新点总结 jieHeEternity 联邦学习联邦学习深度学习推荐系统联邦推荐系统
    FD-GATDR:AFederated-Decentralized-LearningGraphAttentionNetworkforDoctorRecommendationUsingEHR本文的主要内容是基于电子健康记录（EHR）构建了一个医生推荐系统。该系统通过分析患者的EHR历史，提供个性化的医生推荐，以改善医疗系统的运行效率和发展远程医疗服务。为了解决数据异构性和数据隐私的挑战，文中提出了一
  • Arxiv网络科学论文摘要4篇(2019-03-27) ComplexLY
    GEVR：针对手机用户群的活动场所推荐系统;生物医学领域科学与技术联动演变分析;通过筛选相关矩阵构建网络：零模型方法;利用动力学的网络重构与社区检测;GEVR：针对手机用户群的活动场所推荐系统原文标题：GEVR:AnEventVenueRecommendationSystemforGroupsofMobileUsers地址：http://arxiv.org/abs/1903.10512作者：Jas
  • 推荐系统行为序列建模-GRU4Rec GelaBute 深度学习session
    推荐系统行为序列建模-GRU4Rec1.模型结构2.优化2.1SESSION-PARALLELMINI-BATCHES2.2SAMPLINGONTHEOUTPUT3.Loss《SESSION-BASEDRECOMMENDATIONSWITHRECURRENTNEURALNETWORKS》论文基于单次会话session进行推荐。1.模型结构整体结构比较简单，通过RNN的堆叠来抽取序列信息input：
  • 因果推断推荐系统工具箱 - ULTR-CP（三） processor4d
    文章名称【WSDM-2021】【JilinUniversity-JD】UnbiasedLearningtoRankinFeedsRecommendation核心要点前两节，我们完整的描述了，作者提出的ULTR-CP以及如何利用regression-basedEM的方法来求解combinationalpropensity（准确的说，只有相关性用了regression，其他的都还是不同的EM，并且相关
  • 推荐系统模型(一) DFN 详解 Deep Feedback Network for Recommendation WitsMakeMen 推荐算法
    背景在大多数的推荐系统中，往往注重于隐式正反馈(例如：点击)，而忽略掉用户的其他行为(例如大多数CTR模型只考虑用户的喜欢，而忽略了不喜欢)。腾讯在DeepFeedbackNetworkforRecommendation一文中，提出了一个新颖的推荐系统模型，该模型使用了一个新的神经网络框架，考虑了用户显式/隐式的正负反馈，通过大量的实验证实了该模型的有效性和鲁棒性。先验知识显式反馈(explici
  • 联邦学习论文阅读：Federated collaborative filtering thormas1996 联邦学习联邦学习论文阅读
    今年一月刚挂上arXiv的一篇联邦推荐文章Federatedcollaborativefilteringforprivacy-preservingpersonalizedrecommendationsystem。摘要作者将一个隐形反馈的CF模型修改成了联邦学习的框架，隐私性用Fed-Avg算法保证。总的来说，没什么创新。问题在保护用户隐私的情况下利用隐性反馈进行推荐框架一个横向联邦的框架，和goo
  • 论文阅读：A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched 三金samkam 论文阅读推荐系统深度学习机器学习人工智能神经网络
    论文名字ASurveyonNeuralRecommendation:FromCollaborativeFilteringtoContentandContextEnrichedRecommendation来源年份2021.4.27作者LeWuMember,IEEE,XiangnanHeMember,IEEE,XiangWangMember,IEEE,KunZhangMember,IEEE,andMe
  • django电影推荐系统 哈都婆 django
    电影推荐启动./bin/pycharm.shdjango-adminstartprojectmovie_recommendation_projectcdmovie_recommendation_project/pythonmanage.pymovie_recommendation_apppythonmanage.pystartappmovle_recommendation_applspythonm
  • 重点句式52 俗世尘沙
    今天的句子：Irecognisethepositiveimpactthatmanyoftherecommendationscouldhave,suchasbanningfreeoffersforjunkfoodandrestrictionsonadvertising,andusingtaxincentivestomakehealthyfoodcheaper.Butyoucannothaveacom
  • 可解释推荐系统工具箱 - VECF（一） processor4d
    文章名称【SIGIR-2019】【Tsinghua/RutgersUniversity】PersonalizedFashionRecommendationwithVisualExplanationsbasedonMultimodalAttentionNetwork核心要点文章旨在流行商品推荐领域中，物品图片影响力大，但不同用户对图片的不同部分注意程度不一的问题。利用用户评论文本信息作为弱监督信号，
  • jsonp 常用util方法 hw1287789687 jsonpjsonp常用方法jsonp callback
    jsonp 常用java方法 (1)以jsonp的形式返回:函数名(json字符串) /*** * 用于jsonp调用 * @param map : 用于构造json数据 * @param callback : 回调的javascript方法名 * @param filters : <code>SimpleBeanPropertyFilter theFilt
  • 多线程场景 alafqq 多线程
    0 能不能简单描述一下你在java web开发中需要用到多线程编程的场景？0 对多线程有些了解，但是不太清楚具体的应用场景，能简单说一下你遇到的多线程编程的场景吗？ Java多线程 2012年11月23日 15:41 Young9007 Young9007 4 0 0 4 Comment添加评论关注(2) 3个答案 按时间排序 按投票排序 0 0 最典型的如： 1、
  • Maven学习——修改Maven的本地仓库路径 Kai_Ge maven
          安装Maven后我们会在用户目录下发现.m2 文件夹。默认情况下，该文件夹下放置了Maven本地仓库.m2/repository。所有的Maven构件(artifact)都被存储到该仓库中，以方便重用。但是windows用户的操作系统都安装在C盘，把Maven仓库放到C盘是很危险的，为此我们需要修改Maven的本地仓库路径。    
  • placeholder的浏览器兼容 120153216 placeholder
    【前言】 自从html5引入placeholder后，问题就来了， 不支持html5的浏览器也先有这样的效果， 各种兼容，之前考虑，今天测试人员逮住不放， 想了个解决办法，看样子还行，记录一下。   【原理】 不使用placeholder，而是模拟placeholder的效果， 大概就是用focus和focusout效果。   【代码】 <scrip
  • debian_用iso文件创建本地apt源 2002wmj Debian
    1.将N个debian-506-amd64-DVD-N.iso存放于本地或其他媒介内，本例是放在本机/iso/目录下 2.创建N个挂载点目录 如下： debian:~#mkdir –r /media/dvd1 debian:~#mkdir –r /media/dvd2 debian:~#mkdir –r /media/dvd3 …. debian:~#mkdir –r /media
  • SQLSERVER耗时最长的SQL 357029540 SQL Server
    对于DBA来说，经常要知道存储过程的某些信息： 1.   执行了多少次 2.   执行的执行计划如何 3.   执行的平均读写如何 4.   执行平均需要多少时间 列名          &
  • com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 7454103 eclipse
    今天eclipse突然报了com/genuitec/eclipse/j2eedt/core/J2EEProjectUtil 错误，并且工程文件打不开了，在网上找了一下资料，然后按照方法操作了一遍，好了，解决方法如下： 错误提示信息： An error has occurred.See error log for more details. Reason: com/genuitec/
  • 用正则删除文本中的html标签 adminjun javahtml正则表达式去掉html标签
    使用文本编辑器录入文章存入数据中的文本是HTML标签格式，由于业务需要对HTML标签进行去除只保留纯净的文本内容，于是乎Java实现自动过滤。 如下： public static String Html2Text(String inputString) { String htmlStr = inputString; // 含html标签的字符串 String textSt
  • 嵌入式系统设计中常用总线和接口 aijuans linux 基础
                   嵌入式系统设计中常用总线和接口         任何一个微处理器都要与一定数量的部件和外围设备连接，但如果将各部件和每一种外围设备都分别用一组线路与CPU直接连接，那么连线
  • Java函数调用方式——按值传递 ayaoxinchao java按值传递对象基础数据类型
    Java使用按值传递的函数调用方式，这往往使我感到迷惑。因为在基础数据类型和对象的传递上，我就会纠结于到底是按值传递，还是按引用传递。其实经过学习，Java在任何地方，都一直发挥着按值传递的本色。   首先，让我们看一看基础数据类型是如何按值传递的。   public static void main(String[] args) { int a = 2;
  • ios音量线性下降 bewithme ios音量
    直接上代码吧   //second 几秒内下降为0 - (void)reduceVolume:(int)second { KGVoicePlayer *player = [KGVoicePlayer defaultPlayer]; if (!_flag) { _tempVolume = player.volume;
  • 与其怨它不如爱它 bijian1013 选择理想职业规划
            抱怨工作是年轻人的常态，但爱工作才是积极的心态，与其怨它不如爱它。         一般来说，在公司干了一两年后，不少年轻人容易产生怨言，除了具体的埋怨公司“扭门”，埋怨上司无能以外，也有许多人是因为根本不爱自已的那份工作，工作完全成了谋生的手段，跟自已的性格、专业、爱好都相差甚远。  
  • 一边时间不够用一边浪费时间 bingyingao 工作时间浪费
    一方面感觉时间严重不够用，另一方面又在不停的浪费时间。 每一个周末，晚上熬夜看电影到凌晨一点，早上起不来一直睡到10点钟，10点钟起床，吃饭后玩手机到下午一点。 精神还是很差，下午像一直野鬼在城市里晃荡。 为何不尝试晚上10点钟就睡，早上7点就起，时间完全是一样的，把看电影的时间换到早上，精神好，气色好，一天好状态。 控制让自己周末早睡早起，你就成功了一半。 有多少个工作
  • 【Scala八】Scala核心二：隐式转换 bit1129 scala
    Implicits work like this: if you call a method on a Scala object, and the Scala compiler does not see a definition for that method in the class definition for that object, the compiler will try to con
  • sudoku slover in Haskell (2) bookjovi haskellsudoku
    继续精简haskell版的sudoku程序，稍微改了一下，这次用了8行，同时性能也提高了很多，对每个空格的所有解不是通过尝试算出来的，而是直接得出。   board = [0,3,4,1,7,0,5,0,0, 0,6,0,0,0,8,3,0,1, 7,0,0,3,0,0,0,0,6, 5,0,0,6,4,0,8,0,7,
  • Java-Collections Framework学习与总结-HashSet和LinkedHashSet BrokenDreams linkedhashset
            本篇总结一下两个常用的集合类HashSet和LinkedHashSet。         它们都实现了相同接口java.util.Set。Set表示一种元素无序且不可重复的集合；之前总结过的java.util.List表示一种元素可重复且有序
  • 读《研磨设计模式》-代码笔记-备忘录模式-Memento 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/ import java.util.ArrayList; import java.util.List; /* * 备忘录模式的功能是，在不破坏封装性的前提下，捕获一个对象的内部状态，并在对象之外保存这个状态，为以后的状态恢复作“备忘”
  • 《RAW格式照片处理专业技法》笔记 cherishLC PS
    注意，这不是教程！仅记录楼主之前不太了解的 一、色彩（空间）管理 作者建议采用ProRGB（色域最广），但camera raw中设为ProRGB，而PS中则在ProRGB的基础上，将gamma值设为了1.8（更符合人眼） 注意：bridge、camera raw怎么设置显示、输出的颜色都是正确的（会读取文件内的颜色配置文件），但用PS输出jpg文件时，必须先用Edit->conv
  • 使用 Git 下载 Spring 源码 编译 for Eclipse crabdave eclipse
    使用 Git 下载 Spring 源码 编译 for Eclipse   1、安装gradle，下载 http://www.gradle.org/downloads 配置环境变量GRADLE_HOME，配置PATH  %GRADLE_HOME%/bin，cmd，gradle -v   2、spring4 用jdk8 下载 https://jdk8.java.
  • mysql连接拒绝问题 daizj mysql登录权限
    mysql中在其它机器连接mysql服务器时报错问题汇总 一、[running][email protected]:~$mysql -uroot -h 192.168.9.108 -p   //带-p参数，在下一步进行密码输入 Enter password:    //无字符串输入 ERROR 1045 (28000): Access
  • Google Chrome 为何打压 H.264 dsjt applehtml5chromeGoogle
    Google 今天在 Chromium 官方博客宣布由于 H.264 编解码器并非开放标准，Chrome 将在几个月后正式停止对 H.264 视频解码的支持，全面采用开放的 WebM 和 Theora 格式。 Google 在博客上表示，自从 WebM 视频编解码器推出以后，在性能、厂商支持以及独立性方面已经取得了很大的进步，为了与 Chromium 现有支持的編解码器保持一致，Chrome
  • yii 获取控制器名 和方法名 dcj3sjt126com yiiframework
    1. 获取控制器名 在控制器中获取控制器名:  $name = $this->getId(); 在视图中获取控制器名:    $name = Yii::app()->controller->id;    2. 获取动作名  在控制器beforeAction()回调函数中获取动作名:  $name =
  • Android知识总结（二） come_for_dream android
    明天要考试了，速速总结如下   1、Activity的启动模式        standard：每次调用Activity的时候都创建一个（可以有多个相同的实例，也允许多个相同Activity叠加。）        singleTop：可以有多个实例，但是不允许多个相同Activity叠加。即，如果Ac
  • 高洛峰收徒第二期：寻找未来的“技术大牛” ——折腾一年，奖励20万元 gcq511120594 工作项目管理
    高洛峰，兄弟连IT教育合伙人、猿代码创始人、PHP培训第一人、《细说PHP》作者、软件开发工程师、《IT峰播》主创人、PHP讲师的鼻祖！ 首期现在的进程刚刚过半，徒弟们真的很棒，人品都没的说，团结互助，学习刻苦，工作认真积极，灵活上进。我几乎会把他们全部留下来，现在已有一多半安排了实际的工作，并取得了很好的成绩。等他们出徒之日，凭他们的能力一定能够拿到高薪，而且我还承诺过一个徒弟，当他拿到大学毕
  • linux expect heipark expect
    1. 创建、编辑文件go.sh   #!/usr/bin/expect spawn sudo su admin expect "*password*" { send "13456\r\n" } interact    2. 设置权限   chmod u+x go.sh  3.
  • Spring4.1新特性——静态资源处理增强 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • idea ubuntuxia 乱码 liyonghui160com
      1.首先需要在windows字体目录下或者其它地方找到simsun.ttf 这个 字体文件。 2.在ubuntu 下可以执行下面操作安装该字体： sudo mkdir /usr/share/fonts/truetype/simsun sudo cp simsun.ttf /usr/share/fonts/truetype/simsun fc-cache -f -v
  • 改良程序的11技巧 pda158 技巧
    有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点，程序你只写一次，但以后会无数次的阅读。当你第二天回头来看你的代码 时，你就要开始阅读它了。当你把代码拿给其他人看时，他必须阅读你的代码。因此，在编写时多花一点时间，你会在阅读它时节省大量的时间。   让我们看一些基本的编程技巧：   尽量保持方法简短 永远永远不要把同一个变量用于多个不同的
  • 300个涵盖IT各方面的免费资源（下）——工作与学习篇 shoothao 创业免费资源学习课程远程工作
    工作与生产效率:   A. 背景声音 Noisli:背景噪音与颜色生成器。 Noizio:环境声均衡器。 Defonic:世界上任何的声响都可混合成美丽的旋律。 Designers.mx:设计者为设计者所准备的播放列表。 Coffitivity:这里的声音就像咖啡馆里放的一样。 B. 避免注意力分散 Self Co
  • 深入浅出RPC uule rpc
    深入浅出RPC-浅出篇 深入浅出RPC-深入篇   RPC Remote Procedure Call Protocol 远程过程调用协议   它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP或UDP，为通信程序之间携带信息数据。在OSI网络通信模型中，RPC跨越了传输层和应用层。RPC使得开发
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他