- MobileNet 改进:添加inception模块
听风吹等浪起
AI改进系列深度学习cnn计算机视觉人工智能
目录1.inception模块2.MobileNet+inception3.完整代码Tips:融入模块后的网络经过测试,可以直接使用,设置好输入和输出的图片维度即可1.inception模块Inception模块是Google在2014年提出的Inception网络(也称为GoogLeNet)中的核心组件。它的设计目标是通过多尺度特征提取来提高网络的表达能力,同时控制计算复杂度。Inception
- 卷积神经网络(CNN)详解:从原理到应用的全景解析
彩旗工作室
人工智能cnn人工智能神经网络卷积神经网络
一、定义与核心特征卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种专为处理网格状数据(如图像、视频)设计的深度前馈神经网络,其核心特征包括:局部连接:卷积层神经元仅与输入数据的局部区域连接,减少参数数量;权重共享:同一卷积核在整个输入数据上滑动,增强平移不变性;层级特征提取:从低级特征(边缘、纹理)到高级特征(物体部件)的逐层抽象。二、历史演进与关键突破1960年
- backbone和head分开转onnx的优势
yuweififi
人工智能深度学习机器学习
模型转换为ONNX格式时,将其分成backbone和head两个部分,通常是出于以下原因:1.模块化设计backbone通常是模型的特征提取部分(例如卷积神经网络的主干部分),负责从输入数据中提取高级特征。head是模型的输出部分,负责根据backbone提取的特征生成最终的预测结果(例如分类、检测、分割等)。将模型分成两部分可以实现模块化设计,便于在不同任务中复用backbone或head。例如
- 计算机视觉图像处理面试笔试题整理——边缘检测
fpga和matlab
图像处理计算机视觉图像面试笔试计算机视觉面试笔试
目录1.边缘检测综述2.Roberts算子3.Prewitt算子4.Sobel算子5.Laplace算子6.Canny1.边缘检测综述边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域。图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。图像边缘是图像最基本的特征,所谓**边缘**(Edge)是指图像局部特性的不连续性。灰度或结构等信息的突变处
- 【漫话机器学习系列】129.主成分分析(Principal Component Analysis,PCA)
IT古董
漫话机器学习系列专辑机器学习人工智能
主成分分析(PCA):降维与特征提取的强大工具1.什么是主成分分析(PCA)?主成分分析(PrincipalComponentAnalysis,PCA)是一种常见的数据降维技术,主要用于将高维数据投影到低维空间,同时尽可能保留数据的主要信息。PCA通过线性变换,将原始特征变量转换为一组新的变量,这些新变量被称为主成分(PrincipalComponents)。在这张图中,我们可以看到PCA的核心概
- 图像处理与机器视觉
Be_auto
图像处理计算机视觉
1.图像处理与机器视觉的概念图像处理(ImageProcessing)是对图像进行分析、增强、变换等操作以改善图像质量或提取有用信息的过程。它通常涉及数字图像处理技术,包括滤波、边缘检测、图像分割、特征提取等。图像处理的目标可以是增强图像的视觉效果,或者使图像更适合于某种特定的机器分析。详细解释图文处理,就像是给照片和文档“化妆”和“打扮”一样。它可不是简单的涂抹或者穿衣搭配,而是需要掌握一系列“
- 情感识别(Emotion Recognition)
路野yue
人工智能自然语言处理
情感识别(EmotionRecognition)是通过分析人类的多模态数据(如面部表情、语音、文本等)来识别和理解其情感状态的技术。它在人机交互、心理健康、市场分析等领域有广泛应用。情感识别的主要方法1.基于面部表情的情感识别方法:通过分析面部特征(如眼睛、嘴巴、眉毛等)来识别情感。技术:传统方法:使用特征提取(如Gabor滤波器、LBP)和分类器(如SVM)。深度学习方法:使用卷积神经网络(CN
- 深度学习与普通神经网络有何区别?
是理不是里
深度学习神经网络人工智能
深度学习与普通神经网络的主要区别体现在以下几个方面:一、结构复杂度普通神经网络:通常指浅层结构,层数较少,一般为2-3层,包括输入层、一个或多个隐藏层、输出层。深度学习:强调通过5层以上的深度架构逐级抽象数据特征,包含多层神经网络,层数可能达到几十层甚至上百层。例如,ResNet(2015)包含152个卷积层。二、特征学习方式普通神经网络:特征提取通常依赖人工设计,需要领域专家的经验。这意味着在处
- PointNet、PointNet++ 基于深度学习的3D点云分类和分割
一颗小树x
人工智能感知算法自动驾驶深度学习机器学习3D点云PointNet
前言PointNet是直接对点云进行处理的,它对输入点云中的每一个点,学习其对应的空间编码,之后再利用所有点的特征得到一个全局的点云特征。Pointnet提取的全局特征能够很好地完成分类任务,但局部特征提取能力较差,这使得它很难对复杂场景进行分析。PointNet++核心是提出了多层次特征提取结构,有效提取局部特征提取,和全局特征。目录一、PointNet1.1PointNet思路流程1.2Poi
- 深度学习和机器学习的差异
The god of big data
教程深度学习机器学习人工智能
一、技术架构的本质差异传统机器学习(MachineLearning)建立在统计学和数学优化基础之上,其核心技术是通过人工设计的特征工程(FeatureEngineering)构建模型。以支持向量机(SVM)为例,算法通过核函数将数据映射到高维空间,但特征提取完全依赖工程师的领域知识。这种"人工特征+浅层模型"的结构在面对复杂非线性关系时容易遭遇性能瓶颈。深度学习(DeepLearning)作为机器
- 基于机器学习的恶意软件检测系统的详细设计与实现
源码空间站11
机器学习人工智能课程设计python网络安全信息安全恶意软件检测
以下是一个基于机器学习的恶意软件检测系统的详细设计与实现,适合作为课程作业或项目开发。我们将实现一个通过机器学习模型分析恶意软件特征来检测文件是否为恶意软件的系统。总体思路数据准备:选择现有的恶意软件数据集(如Kaggle的恶意软件数据集)或构造模拟数据集。数据集中包含文件的特征(如二进制特征、字符串特征、API调用特征等)和标签("恶意"或"正常")。特征提取:提取文件的静态特征(如文件大小、字
- (即插即用模块-特征处理部分) 三十、(2024) BFAM & CBM & DFEM 特征聚合+特征提取+边界感知
御宇w
即插即用-特征处理深度学习计算机视觉即插即用模块
文章目录1、BitemporalFeatureAggregationModule2、ChangeBoundary-AwareModule3、DeepFeatureExtractionModule4、代码实现paper:B2CNet:AProgressiveChangeBoundary-to-CenterRefinementNetworkforMultitemporalRemoteSensingIm
- 基于CNN-BIGRU-Attention模型的功率预测(模型详解及代码复现)
清风AI
深度学习算法详解及代码复现深度学习人工智能算法机器学习计算机视觉cnn神经网络
整体架构基于CNN-BiGRU-Attention模型的功率预测模型是一种融合了卷积神经网络(CNN)、双向门控循环单元(BiGRU)和注意力机制(Attention)的深度学习架构。这种混合模型旨在充分利用CNN的局部特征提取能力、BiGRU的长序列处理能力以及Attention机制的关键特征突出能力,从而提高功率预测的准确性和可靠性。模型的整体架构主要包括以下几个关键组件:输入层:设计的输入特
- 电机的声音数据进行AI分析
鹿屿二向箔
人工智能
对电机的声音数据进行分析,尤其是当数据来源于加速度传感器时,涉及到的不仅仅是声音分析,还包含了振动分析。这类问题通常可以归类于机械故障诊断或预测性维护领域。以下是一些适合处理这种类型数据的人工智能模型和方法:1.特征工程+传统机器学习模型在直接应用深度学习之前,通常首先会进行特征提取。对于振动信号(即使通过加速度传感器采集),常用的方法包括计算频域特征(如傅里叶变换后的频谱)、时域特征(如均方根值
- 快速掌握EasyOCR应用实战指南
梦想画家
#python人工智能pythonpytorchEasyOCR
EasyOCR是一个开源的、支持多语言(28+种)和多文档格式(PDF/PNG/JPG/TIFF等)的OCR(光学字符识别)工具库,由HuggingFace团队维护。其目标是简化OCR的开发流程,提供易用、高性能的文本识别能力,适用于工业、教育、医疗等多个领域。EasyOCR核心组件解析1.特征提取(FeatureExtraction)技术模型:ResNet(残差网络)、VGG功能:将输入图像转换
- 基于FPGA的图像中值滤波Verilog实现及MATLAB辅助验证
CodeWG
fpga开发matlab开发语言
基于FPGA的图像中值滤波Verilog实现及MATLAB辅助验证图像处理是计算机视觉和图像识别领域的重要组成部分。其中,中值滤波是一种常用的图像去噪方法,广泛应用于图像增强、边缘检测和特征提取等任务中。本文将介绍基于FPGA的图像中值滤波Verilog实现,并通过MATLAB进行辅助验证。首先,我们需要了解什么是中值滤波。中值滤波是一种非线性滤波器,它的原理是将图像中每个像素的灰度值替换为该像素
- 使用Python和机器学习技术对高中物理题目进行分类的示例代码
max500600
python机器学习python分类
以下是一个使用Python和机器学习技术对高中物理题目进行分类的示例代码。我们将使用自然语言处理(NLP)技术处理题目的文本信息,并使用朴素贝叶斯分类器进行分类。步骤概述数据准备:准备包含高中物理题目的数据集,每个题目都有对应的类别标签。文本预处理:对题目文本进行清洗和特征提取。模型训练:使用训练数据训练分类模型。模型评估:使用测试数据评估模型的性能。预测:使用训练好的模型对新的物理题目进行分类。
- 深度学习笔记——基础部分
肆——
深度学习深度学习笔记人工智能pythonpytorch
深度学习是一种机器学习的方式,通过模仿人脑吃力信息的方式,使用多层神经网络来学习数据的复杂模式和特征。深度学习和机器学习的区别:在机器学习中,特征提取通常需要人工设计和选择,依赖于领域专家的知识来确定哪些特征对模型最为重要;而在深度学习中,特征提取是自动进行的,通过多层神经网络结构直接从原始数据(也可能需要初步处理)中学习复杂特征,减少了对人工干预的依赖,使得模型能够处理更加复杂的数据和任务。计算
- 一文读懂!OpenCV 实时人脸识别从 0 到 1,小白也能轻松实操的超详细教程(完整教程及源码)
AI_DL_CODE
opencv人工智能计算机视觉人脸识别
摘要:本文围绕使用OpenCV实现实时人脸识别展开。从环境搭建入手,详细介绍Python及相关库的安装。数据准备环节涵盖收集、标注及预处理步骤。深入阐述特征提取、模型训练方法,包含传统与深度学习方式,还介绍OpenCV预训练模型的使用与评估。详细讲解实时识别过程,包括打开摄像头、逐帧处理及结果显示优化。针对复杂场景,提出光照、姿态、遮挡等问题的解决办法及模型更新维护策略。通过丰富代码示例与解释,助
- YOLOv10改进之MHAF(多分支辅助特征金字塔)
清风AI
深度学习算法详解及代码复现人工智能计算机视觉深度学习算法机器学习
YOLOv10架构YOLOv10的架构主要由主干网络、特征金字塔和预测头三部分组成。主干网络采用改进的Darknet结构,增强特征提取能力。特征金字塔模块使用多尺度特征融合技术,提高对不同大小目标的检测效果。预测头则负责生成最终的检测结果。这种结构设计使得YOLOv10在保持高效率的同时,能够有效处理各种尺度的目标,为后续的改进奠定了基础。检测性能在探讨YOLOv10的性能提升之前,我们需要了解其
- OpenCV 100道面试题及参考答案(7万字长文)
大模型大数据攻城狮
大厂面试大厂面经android面试计算机视觉opencv实时互动webrtc
OpenCV简介OpenCV(OpenSourceComputerVisionLibrary)是一个开源的计算机视觉库,它提供了丰富的函数和工具,用于处理图像和视频。OpenCV最初由英特尔公司开发,现在由一个开源社区维护和发展。主要功能和用途OpenCV的主要功能包括图像和视频处理、特征提取、目标检测、人脸识别、物体跟踪等。它可以用于各种领域,如机器人技术、医学影像、安全监控、自动驾驶等。在图像
- 手写数字识别项目:从原理到实践
北屿升:
微信新浪微博facebook微信公众平台百度
在当今数字化时代,手写数字识别作为模式识别和人工智能领域的重要应用,有着广泛的用途,如邮政信封上的邮编识别、银行支票上的数字处理等。本文将详细介绍手写数字识别项目的相关内容,包括原理、数据集、实现步骤和应用前景。一、手写数字识别原理手写数字识别主要依赖于模式识别和机器学习技术。其基本原理是将手写数字的图像转换为计算机能够处理的数字信号,然后通过特征提取和分类算法来判断该数字的具体值。常用的特征提取
- 机器学习之学习笔记
孤城laugh
机器学习学习笔记人工智能python
机器学习-学习笔记1.简介2.算法3.特征工程3.1数据集3.2特征提取3.3特征预处理3.4特征降维4.分类算法4.1`sklearn`转换器和估计器4.2K-近邻算法(KNN)4.3模型选择与调优4.4朴素贝叶斯算法4.5决策树4.6集成学习方法之随机森林5.回归算法5.1线性回归5.2过拟合与欠拟合5.3岭回归5.4逻辑回归(实际上是分类算法,用于解决二分类问题)6.聚类算法1.无监督学习2
- 深度学习day1
孤城laugh
深度学习人工智能笔记学习机器学习
深度学习day11.深度学习与机器学习的区别1.1特征提取方面1.2数据量与计算性能要求1.3算法代表2.深度学习框架之TensorFlow2.1TensorFlow基础2.2TensorFlow基础知识1.**张量(Tensor)**:多维数组、多维列表2.**变量(Variable)**:用于表示程序处理的共享持久状态3.**图与函数**4.**可视化学习(TensorBoard)**:用来展
- 神经网络:人工智能的核心技术
m0_75126181
人工智能神经网络深度学习
神经网络简介神经网络是一种模仿生物神经系统的计算模型,由大量相互连接的神经元组成。它通过学习大量的数据来完成复杂的模式识别和决策任务,是当前人工智能和机器学习领域最重要的技术之一。神经网络的基本结构包括输入层、隐藏层和输出层。输入层接收外部数据,隐藏层对数据进行处理和特征提取,输出层产生最终结果。神经元之间通过带权重的连接相互作用,通过调整这些权重来实现学习过程。神经网络的工作原理神经网络的工作原
- QKV 注意力机制在Transformer架构中的作用,和卷积在卷积神经网络中的地位,有哪些相似之处?
安意诚Matrix
机器学习笔记transformercnn深度学习
QKV注意力机制在Transformer架构中的作用,和卷积在卷积神经网络中的地位,有哪些相似之处?QKV(Query-Key-Value)注意力机制在Transformer架构和卷积在卷积神经网络(CNN)中都起着核心作用,它们有以下一些相似之处:特征提取QKV注意力机制:在Transformer中,QKV注意力机制通过Query与Key的计算来确定对不同位置Value的关注程度,从而自适应地提
- 基于Django的人脸识别考勤管理系统(源码+LW+部署讲解)
毕业程序员
python计算机毕业设计djangopython后端
收藏关注不迷路文章目录前言一、项目介绍三、功能介绍四、核心代码五、效果图六、文章目录前言随着信息技术的快速发展和人工智能的广泛应用,人脸识别技术因其独特的识别优势和高效的处理能力,逐渐在考勤管理领域展现出巨大的应用潜力。本文首先回顾了人脸识别技术的发展历程,分析了其在考勤系统中的技术原理和实现方式。随后,文章详细介绍了人脸识别考勤系统的设计架构、核心算法及关键技术,包括图像采集、预处理、特征提取和
- DeepSeek vs text2vec:谁更适合Python题库向量提取对比
黑金IT
向量数据库pythonpython开发语言
在Python培训题库提取标题和答案用于学习的应用场景中,选择text2vec-large-chinese和DeepSeek的优劣取决于具体需求和资源限制。以下是对两种模型在该场景下的适用性分析:1.应用场景分析在Python培训题库中,常见的任务可能包括:题目相似度计算:判断题目是否重复或相似。自动分类:将题目按照难度、知识点等分类。智能推荐:根据用户的学习进度推荐相关题目。文本特征提取:用于后
- 微信小程序毕业设计大全
QQ1305637939
小程序毕业设计小程序答辩javaidea
微信小程序程序列表:微信小程序健身房课程预约系统6638微信小程序投票系统6640微信小程序小说阅读推荐系统6641微信小程序垃圾分类识别系统(语音识别,拍照识别)qt-93982微信小程序网上书店qt-93982微信小程序在线购物系统qt-93982微信小程序课堂签到系统qtail-93982微信小程序人脸识别图书馆座位预约系统qt-93982微信小程序二手物品交易系统qt-93982微信小程序
- 1.7 Kaggle大白话:Eedi竞赛Transformer框架解决方案07-调用AI模型输出结果
AI量金术师
Kaggle竞赛人工智能transformer深度学习python算法
目录0.本栏目竞赛汇总表1.本文主旨2.调用AI模型输出结果架构3.模型准备3.1代码实现3.2大白话模型准备4.数据处理4.1代码实现4.2大白话数据处理5.特征提取5.1代码实现5.2大白话特征提取6.相似度匹配6.1代码实现6.2大白话相似度匹配7.系列总结7.1章节回顾7.2竞赛排名7.3其他优秀项目(皆为竞赛金牌)0.本栏目竞赛汇总表Kaggle竞赛汇总1.本文主旨大白话:上一篇文章中,
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_