- 个人学习笔记7-6:动手学深度学习pytorch版-李沐
浪子L
深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络(fullyconvolutionalnetwork,FCN)采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积(transposedconvolution)实现的,输出的类别预测与输入图像在像素级别上具有一一对应关系:通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
- 动手学深度学习(pytorch土堆)-03常见的Transforms
#include<菜鸡>
深度学习深度学习pytorch人工智能
Composetransforms.Compose是PyTorch中的一个函数,用于将多个图像变换操作组合在一起,形成一个变换流水线。这样可以将一系列的图像处理操作整合为一个步骤,便于对图像进行批量预处理或增强。基本用法transforms.Compose接受一个列表,列表中的每个元素是一个变换操作。这些操作会按照给定的顺序依次作用在输入的图像上。Example:>>>transforms.Com
- 动手学深度学习(pytorch土堆)-02TensorBoard的使用
#include<菜鸡>
深度学习深度学习pytorch人工智能
1.可视化代码使用了torch.utils.tensorboard将数据记录到TensorBoard以便可视化。具体来说,它将标量数据记录到目录logs中,使用的是SummaryWriter类。代码分解如下:SummaryWriter("logs"):初始化一个TensorBoard的写入器,日志会保存到"logs"目录。writer.add_scalar("y=x",i,i):在循环的每一次迭代
- 动手学深度学习(pytorch)学习记录20-自定义层[学习记录]
walfar
pytorch深度学习pytorch学习
在深度学习中,自定义层是指开发者根据特定需求编写的神经网络层,而不是使用深度学习框架(如PyTorch、TensorFlow等)提供的现成层。自定义层可以让模型更加灵活,以适应特定的任务或数据集。目录没有参数的自定义层带参数的层没有参数的自定义层下面的CenteredLayer类要从其输入中减去均值。要构建它,只需继承基础层类并实现前向传播功能。importtorchimporttorch.nn.
- 动手学深度学习(pytorch)学习记录21-读写文件(模型与参数)[学习记录]
walfar
pytorch深度学习pytorch学习
目录加载和保存张量加载和保存模型参数保存模型的好处众多,涵盖了从开发到部署的整个机器学习生命周期。节省资源:训练模型可能需要大量的时间和计算资源。保存模型可以避免重复训练,从而节省时间和计算资源。快速部署:一旦模型被训练并保存,它可以迅速部署到生产环境中,加速产品上市时间。版本控制:保存不同版本的模型有助于跟踪模型的迭代过程,便于比较和回滚到之前的版本。离线使用:保存的模型可以在没有网络连接的情况
- 深度学习多GPU训练原理
浦东新村轱天乐
深度学习深度学习人工智能
详细参考《动手学深度学习》P233,8.4节多GPU计算。数据并行的方法把一个batch的所有数据平均分配到每块GPU的显存里,把模型参数在每个GPU显存上拷贝一份。每个GPU根据自己所分到的数据,计算本地梯度所有GPU的本地梯度相加(这里的梯度只是模型参数的梯度,不包括中间变量的梯度),得到总的梯度。(注意,梯度不用求平均,因为更新模型参数的时候,会除以batch_size,在那里做了平均)把总
- 【深度学习笔记】1 数据操作
RIKI_1
深度学习深度学习笔记人工智能
注:本文为《动手学深度学习》开源内容,仅为个人学习记录,无抄袭搬运意图数据操作在深度学习中,我们通常会频繁地对数据进行操作。作为动手学深度学习的基础,本节将介绍如何对内存中的数据进行操作。在PyTorch中,torch.Tensor是存储和变换数据的主要工具。如果你之前用过NumPy,你会发现Tensor和NumPy的多维数组非常类似。然而,Tensor提供GPU计算和自动求梯度等更多功能,这些使
- 【深度学习模型】6_3 语言模型数据集
RIKI_1
深度学习深度学习语言模型人工智能
注:本文为《动手学深度学习》开源内容,部分标注了个人理解,仅为个人学习记录,无抄袭搬运意图6.3语言模型数据集(周杰伦专辑歌词)本节将介绍如何预处理一个语言模型数据集,并将其转换成字符级循环神经网络所需要的输入格式。为此,我们收集了周杰伦从第一张专辑《Jay》到第十张专辑《跨时代》中的歌词,并在后面几节里应用循环神经网络来训练一个语言模型。当模型训练好后,我们就可以用这个模型来创作歌词。6.3.1
- 【深度学习笔记】6_4 循环神经网络的从零开始实现
RIKI_1
深度学习深度学习笔记rnn
注:本文为《动手学深度学习》开源内容,部分标注了个人理解,仅为个人学习记录,无抄袭搬运意图6.4循环神经网络的从零开始实现在本节中,我们将从零开始实现一个基于字符级循环神经网络的语言模型,并在周杰伦专辑歌词数据集上训练一个模型来进行歌词创作。首先,我们读取周杰伦专辑歌词数据集:importtimeimportmathimportnumpyasnpimporttorchfromtorchimport
- 【深度学习笔记】6_10 双向循环神经网络bi-rnn
RIKI_1
深度学习深度学习笔记rnn
注:本文为《动手学深度学习》开源内容,部分标注了个人理解,仅为个人学习记录,无抄袭搬运意图6.10双向循环神经网络之前介绍的循环神经网络模型都是假设当前时间步是由前面的较早时间步的序列决定的,因此它们都将信息通过隐藏状态从前往后传递。有时候,当前时间步也可能由后面时间步决定。例如,当我们写下一个句子时,可能会根据句子后面的词来修改句子前面的用词。双向循环神经网络通过增加从后往前传递信息的隐藏层来更
- 李沐《动手学深度学习》课程笔记:15 实战:Kaggle房价预测 + 课程竞赛:加州2020年房价预测
非文的NLP修炼笔记
#李沐《动手学深度学习》课程笔记深度学习人工智能
15实战:Kaggle房价预测+课程竞赛:加州2020年房价预测1.访问和读取数据集importhashlibimportosimporttarfileimportzipfileimportrequestsDATA_HUB=dict()DATA_URL='http://d2l_data.s3-accelerate.amazonaws.com/'defdownload(name,cache_dir=
- 从零实现softmax回归【基于Pytorch】
卡仕达酱
回归pytorch人工智能机器学习python
参考资料:沐神——动手学深度学习importtorchimporttorchvisionfrommatplotlibimportpyplotaspltfromtorch.utilsimportdatafromtorchvisionimporttransformsfromd2limporttorchasd2lfromIPythonimportdisplaydefget_dataloader_work
- 《动手学深度学习(PyTorch版)》笔记8.6
南七澄江
python深度学习笔记深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.6ConciseImplementationofRNNimporttorchfrom
- 《动手学深度学习(PyTorch版)》笔记8.7
南七澄江
深度学习笔记python深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.7BackpropagationThroughTime通过时间反向传播(backpr
- Pytorch 复习总结 1
ScienceLi1125
pythonpytorchpython
Pytorch复习总结,仅供笔者使用,参考教材:《动手学深度学习》本文主要内容为:Pytorch张量的常见运算、线性代数、高等数学、概率论。Pytorch张量的常见运算、线性代数、高等数学、概率论部分见Pytorch复习总结1;Pytorch线性神经网络部分见Pytorch复习总结2;Pytorch多层感知机部分见Pytorch复习总结3;Pytorch深度学习计算部分见Pytorch复习总结4;
- 《动手学深度学习(PyTorch版)》笔记8.5
南七澄江
python深度学习笔记深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.5ImplementationofRNNfromScratch8.5.1ModelD
- 2-2 动手学深度学习v2-损失函数-笔记
Alkali!
深度学习/机器学习入门深度学习笔记人工智能
损失函数,用来衡量预测值和真实值之间的区别。是机器学习里面一个非常重要的概念。三个常用的损失函数L2loss、L1loss、Huber’sRobustloss均方损失L2Lossl(y,y′)=12(y−y′)2l(y,y^{\prime})=\frac{1}{2}(y-y^{\prime})^{2}l(y,y′)=21(y−y′)2(除以222的时候,222和12\frac{1}{2}21相互抵
- 2-1 动手学深度学习v2-Softmax回归-笔记
Alkali!
深度学习/机器学习入门深度学习回归笔记
回归VS分类回归估计一个连续值分类预测一个离散类别从回归到多类分类回归单连续数值输出输出的区间:自然区间R\mathbb{R}R损失:跟真实值的区别分类通常多个输出(这个输出的个数是等于类别的个数)输出的第iii个元素是用来预测第iii类的置信度从回归到多类分类——均方损失对类别进行一位有效编码(因为类别不是一个数,可能是一个字符串等等)假设我们有nnn个类别,我们可以用最简单的一位有效编码来进行
- 1-4 动手学深度学习v2-线性回归的简洁实现-笔记
Alkali!
深度学习/机器学习入门深度学习线性回归笔记
通过使用深度学习框架来简洁地实现线性回归模型生成数据集importnumpyasnpimporttorchfromtorch.utilsimportdata#从torch.utils中引入一些处理数据的模块fromd2limporttorchasd2ltrue_w=torch.tensor([2,-3.4])true_b=4.2features,labels=d2l.synthetic_data(
- 深度学习代码|Multi-Headed Attention (MHA)多头注意力机制的代码实现
丁希希哇
深度学习代码手撕深度学习人工智能pytorch算法
相关文章李沐《动手学深度学习》注意力机制文章目录相关文章一、导入相关库二、准备工作(一)理论基础(二)定义PrepareForMultiHeadAttention模块三、多头注意模块(一)理论基础(二)创建MultiHeadAttention模块一、导入相关库importmathfromtypingimportOptional,List#从typing模块中导入Optional和List类型,用于
- 《动手学深度学习(PyTorch版)》笔记8.3
南七澄江
python深度学习笔记深度学习pytorch笔记人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.3LanguageModelsandtheDataset假设长度为TTT的文本序列中
- 《动手学深度学习(PyTorch版)》笔记8.4
南七澄江
深度学习笔记python深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.4RecurrentNeuralNetworks对nnn元语法模型,单词xtx_tx
- 《动手学深度学习(PyTorch版)》笔记8.1
南七澄江
python深度学习笔记深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.1SequenceModels用xtx_txt表示在时间步(timestep)t∈Z
- 《动手学深度学习(PyTorch版)》笔记8.2
南七澄江
深度学习笔记python深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter8RecurrentNeuralNetworks8.2TextPreprocessing文本的预处理步骤通常包括:将文本作为字符串加载到
- 《动手学深度学习(PyTorch版)》笔记7.6
南七澄江
深度学习笔记python深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter7ModernConvolutionalNeuralNetworks7.6ResidualNetworks(ResNet)随着我们设计越
- 《动手学深度学习(PyTorch版)》笔记7.7
南七澄江
python深度学习笔记深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter7ModernConvolutionalNeuralNetworks7.7DenselyConnectedNetworks(DenseN
- 李沐《动手学深度学习》注意力机制
丁希希哇
李沐《动手学深度学习》学习笔记深度学习人工智能算法pytorch
系列文章李沐《动手学深度学习》预备知识张量操作及数据处理李沐《动手学深度学习》预备知识线性代数及微积分李沐《动手学深度学习》线性神经网络线性回归李沐《动手学深度学习》线性神经网络softmax回归李沐《动手学深度学习》多层感知机模型概念和代码实现李沐《动手学深度学习》多层感知机深度学习相关概念李沐《动手学深度学习》深度学习计算李沐《动手学深度学习》卷积神经网络相关基础概念李沐《动手学深度学习》卷积
- 动手学深度学习-02打卡
一技破万法
过拟合、欠拟合及其解决方案1.过拟合、欠拟合的概念2.权重衰减3.丢弃法模型选择、过拟合和欠拟合训练误差和泛化误差训练误差:模型在训练数据集上表现出的误差。泛化误差:模型在任意一个测试数据样本上表现出的误差的期望。模型选择验证数据集除训练集和测试集之外的数据。目的是为了从训练误差估计泛化误差。k折交叉验证把原始训练数据集分割成k个不重合的子数据集,然后做k次模型训练和验证。每一次我们使用一个子数据
- 《动手学深度学习(PyTorch版)》笔记7.4
南七澄江
深度学习笔记python深度学习pytorch笔记人工智能python算法
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter7ModernConvolutionalNeuralNetworks7.4NetworkswithParallelConnections
- 《动手学深度学习(PyTorch版)》笔记7.5
南七澄江
python深度学习笔记深度学习pytorch笔记人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter7ModernConvolutionalNeuralNetworks7.5BatchNormalization批量规范化应用于单个可选层
- 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