- 神经网络完成训练的详细过程
每天五分钟玩转人工智能
神经网络人工智能深度学习pytorch机器学习优化算法包括梯度下降法
神经网络完成训练的详细过程一、神经网络的基本概念神经网络是一种模拟人脑神经系统的计算模型,由大量的神经元(节点)和它们之间的连接(权重)组成。神经元接收输入信号,通过加权求和和激活函数的处理,产生输出信号。这些输出信号又可以作为其他神经元的输入,从而形成一个复杂的网络结构。神经网络的训练过程就是调整这些权重和偏置(每个神经元除了有权重外,还有一个偏置项,用于调整输出的阈值),使得网络的输出能够尽可
- 3.13 YOLO V3
不要不开心了
机器学习pytorch深度学习
今天的内容为YOLO-V3YOLO系列-YOLO-V3,最大的改进就是网络结构,使其更适合小目标检测。-特征做得更细致,融入多持续特征图信息来预测不同规格物体。-先验框更丰富了,3种scale,每种3个规格,一共9种。-softmax改进,预测多标签任务。-多scale-为了能检测到不同大小的物体,设计了3个scale。-scale变换经典方法-左图:图像金字塔;右图:单一的输入。-scale变换
- 图像识别技术与应用课后总结(18)
一元钱面包
人工智能
·YOLO-V3RetinaNet系列,YOLO-V3在不同变体(如YOLOV3-320、YOLOV3-416等)下,在推理时间和精度上有不同的表现,展示了其在速度和准确性上的平衡。YOLO-V3的改进点网络结构:相比之前版本,YOLO-V3的网络结构进行了优化,使其更适合小目标检测。特征处理:对特征的处理更加细致,通过融入多持续特征图信息来预测不同规格的物体。先验框:先验框更加丰富,有3种sca
- LeNet-5卷积神经网络详解
LChuck
深度学习人工智能神经网络深度学习数据结构计算机视觉AIGC
LeNet-5卷积神经网络详解1.历史背景LeNet-5是由YannLeCun等人在1998年提出的一种卷积神经网络架构,是深度学习领域的一个重要里程碑。这个网络最初是为了解决手写数字识别问题而设计的,在当时取得了突破性的成果。它的成功不仅证明了卷积神经网络在计算机视觉任务中的有效性,更为后来深度学习的发展奠定了重要基础。图1:LeNet-5网络结构示意图2.网络结构LeNet-5的结构非常优雅且
- 知识图谱与金融——基于知识图谱的风险监控与决策支持
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型自然语言处理人工智能语言模型编程实践开发语言架构设计
作者:禅与计算机程序设计艺术1.简介知识图谱(KG)是一种用来表示大量互相关联数据的多维网络结构,它通过三元组(subject-predicate-object)的方式来表述实体之间的关系。它经常被用在文本分析、数据挖掘、推荐系统等领域。而随着金融行业对海量信息数据的需求越来越高,知识图谱技术也越来越受到重视。实际上,知识图谱已经成为构建和处理金融知识的重要工具之一。本文将探讨知识图谱在金融中的应
- 量化企业间合作关系、竞争关系和资源流动
Atlas Shepherd
python算法人工智能
用于计算不同类型的权重、校正度中心性以及模块增益。公式被用来量化企业间合作关系、竞争关系和资源流动的程度,并通过分析网络结构来识别产业链中的关键企业和集群合作权重(W_cooperation)公式:Wcooperation(i,j)=α⋅max(freq)freq(i,j)+β⋅max(amount)amount(i,j)+γ⋅max(duration)duration(i,j)⋅e−δ(t−tl
- 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
- 深度学习的数学之魂:传统机器学习的超越者
洋葱蚯蚓
机器学习深度学习机器学习人工智能经验分享个人开发数据挖掘
深度学习的数学之魂:传统机器学习的超越者前言第一部分:神经元的数学语言1.1神经元模型的启示1.2激活函数的非线性魔法第二部分:网络结构的层次之美2.1网络结构的多样性2.2层次结构的力量第三部分:图像的力量与直观理解3.1图表与动图的辅助作用3.2直观理解的桥梁第四部分:深度与专业的对话4.1深度学习与传统机器学习的比较4.2专业性强的技术分析第五部分:数学原理的深度剖析5.1神经网络的数学表达
- YOLOv5的Conv是什么,Conv就是卷积吗(1)
hjs314159
YOLO深度学习人工智能
不论是看YOLOv5还是最新的YOLOv12的网络结构,里面都有一个看起来雷打不动的部分,ConvConvolutionConvolution是卷积的意思,我们看一张图来简单理解一下神经网络里面的卷积的过程是什么样的。卷积一定是一个输入矩阵(特征)和一个卷积核矩阵做图中这样的计算。我们可以想象输入的就是一张单通道的黑白图像,特征矩阵的每一个数字代表了颜色的深浅(简单理解)。卷积核就相当于一个特征提
- 【北上广深杭大厂AI算法面试题】深度学习篇...Squeeze Excitation(SE)网络结构详解,附代码。(二)
努力毕业的小土博^_^
AI算法题库人工智能算法深度学习神经网络cnn
【北上广深杭大厂AI算法面试题】深度学习篇…SqueezeExcitation(SE)网络结构详解,附代码。(二)【北上广深杭大厂AI算法面试题】深度学习篇…SqueezeExcitation(SE)网络结构详解,附代码。(二)文章目录【北上广深杭大厂AI算法面试题】深度学习篇...SqueezeExcitation(SE)网络结构详解,附代码。(二)SqueezeExcitation(SE)网络
- DynamicSparse-MobileNet (DSMNet) 用于低功耗图像分类
闲人编程
人工智能实战教程—论文创新点分类人工智能数据挖掘DSMNet动态稀疏熵感知自适应
目录DynamicSparse-MobileNet(DSMNet)用于低功耗图像分类一、模型背景与动机二、模型创新点详细解析1.动态稀疏计算路径2.自适应通道缩放3.熵感知知识蒸馏三、数据集与预处理四、网络结构详解1.输入层与熵估计模块2.动态稀疏卷积块3.熵感知分类头五、模型优化策略1.优化器设计——Prodigy优化器2.动态计算损失3.损失函数设计4.正则化技术5.防止过拟合六、网络结构图与
- 神经进化算法(Neuroevolution) 原理与代码实例讲解
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
神经进化算法,Neuroevolution,进化算法,深度学习,机器学习,遗传算法,神经网络,代码实例1.背景介绍在机器学习领域,神经网络凭借其强大的学习能力和泛化能力,在图像识别、自然语言处理、语音识别等领域取得了显著的成就。然而,传统的神经网络训练方法通常依赖于人工设计的网络结构和参数初始化,这往往需要大量的经验和试错,并且难以找到最优的网络结构和参数。神经进化算法(Neuroevolutio
- [论文阅读]DAMO-YOLO——实时目标检测设计报告
一朵小红花HH
知识蒸馏目标检测YOLO目标检测目标跟踪论文阅读人工智能
DAMO-YOLODAMO-YOLO:AReportonReal-TimeObjectDetectionDesign实时目标检测设计报告论文网址:DAMO-YOLO简读论文这篇论文介绍了一个名为DAMO-YOLO的新型目标检测方法,相比YOLO系列的其他方法有着更好的性能。该方法的优势来自于几项新技术:使用了MAE-NAS作为骨干网络,可以自动搜索出不同延迟预算下的优化网络结构。MAE-NAS被称
- 【复杂网络建模】真实网络数据集的读取和操作
钰云空间
复杂网络Pythonpython
文章目录概要1.获取真实网络数据集的常用网址1.1NetworkRepository.1.2StanfordLargeNetworkDatasetCollection1.3KONCET1.4Netzschleuder2.网络分析2.1计算度中心性2.2绘制网络图小结概要在复杂网络建模中,使用真实的网络数据集是理解和分析现实世界网络结构的关键。接下来将介绍如何使用Python中的工具库(如Netwo
- 图像识别-pytorch
星辰瑞云
机器学习cnnpytorch
Pytorch神经网络工具箱神经网络核心组件神经网络的基本组件层:包括卷积层、池化层、全连接层等。层是神经网络的基本结构,输入张量通过层后变为输出张量。模型:由层构成的网络结构,如AlexNet、VGG等。模型可以是预训练的,也可以自己搭建。损失函数:用于衡量预测值与真实值之间的差距,如均方误差。损失函数越小越好。优化器:用于调整权重和偏置,使损失函数最小化。优化器决定了参数的调整方式。误差反传(
- 论文阅读笔记——Prediction with Action: Visual Policy Learning via Joint Denoising Process
寻丶幽风
论文阅读笔记论文阅读笔记人工智能
以前的method是输入视频输出视频或者输入视频和action学习action,该方法认为action,video和othercondition具有一定联系,所以一次性对所有的进行jointdenoise。网络结构采用MaskedMulti-headAttention关联不同模态,使用DiT的backbone。
- Wireshark详解
靖节先生
wireshark测试工具网络
Wireshark使用详解1.Wireshark简介2.下载与安装1.下载地址2.安装步骤(以Windows为例)3.界面与核心功能1.主界面布局2.常用菜单功能4.过滤功能详解1.过滤类型2.常用过滤命令5.过滤命令与网络结构对应6.使用注意事项7.案例分析TCP三次握手1.实验目标2.操作步骤3.预期结果8.扩展学习1.Wireshark简介Wireshark是一款开源的网络协议分析工具,支持
- YOLOv11改进 | 检测头改进篇 | 利用ASFF改进YOLOv11检测头,自适应空间特征融合模块,在所有的目标检测上均有大幅度的涨点效果
Ai缝合怪YOLO涨点改进
YOLO目标检测计算机视觉深度学习YOLOv11YOLOv8YOLOv10
YOLOv8v10v11专栏限时199元订阅链接:限时199元去b站关注:AI缝合怪订阅YOLOv8v10v11创新改进高效涨点+持续改进500多篇(订阅的小伙伴,终身免费享有后续YOLOv12或是其他版本的改进专栏)目录一、ASFF模块介绍ASFF网络结构图:ASFF的创新点主要包括:作用原理优势二、核心代码三、手把手教你添加v11Detect_ASFFHead检测头模块1.首先在ultraly
- 神经网络参数量计算
坠金
AI科普/入门神经网络人工智能深度学习
算一个只有两层的神经网络的参数量,我们需要考虑两层之间的连接权重和偏置项。以下是详细的计算步骤:网络结构输入层(第一层):有2个神经元。输出层(第二层):有3个神经元。参数计算权重参数:第一层的每个神经元都与第二层的每个神经元相连。因此,第一层的2个神经元与第二层的3个神经元之间的连接会形成权重参数。权重参数的总数量为:权重参数=第一层神经元数量×第二层神经元数量=2×3=6偏置参数:第二层的每个
- 大模型最新面试题系列:深度学习基础(二)
人肉推土机
大模型最新面试题集锦大全AI编程人工智能pytorchpython面试
21.解释模型容量与过拟合的关系,如何在理论上平衡两者?模型容量与过拟合的关系模型容量指的是模型能够学习的复杂模式的能力,通常与模型的参数数量、网络结构的复杂度等相关。过拟合是指模型在训练数据上表现很好,但在未见过的测试数据上表现不佳。当模型容量较低时,模型可能无法学习到数据中的复杂模式,导致欠拟合,即在训练集和测试集上的表现都较差。随着模型容量的增加,模型能够学习到更复杂的模式,在训练集上的表现
- 用 PyTorch/TensorFlow 搭建简单全连接神经网络
gs80140
AIpytorchtensorflow神经网络
目录用PyTorch/TensorFlow搭建简单全连接神经网络网络结构概述1.使用PyTorch构建网络2.使用TensorFlow构建网络总结用PyTorch/TensorFlow搭建简单全连接神经网络在本篇博客中,我们将介绍如何使用两大深度学习框架——PyTorch和TensorFlow,构建一个简单的全连接神经网络。该网络包含输入层、一个隐藏层和输出层,适合初学者理解神经网络的基本构建模块
- 【深度学习】PYTORCH框架中采用训练数据“CIFAR-10”实现RESNET50
别出BUG求求了
深度学习深度学习pytorchcifar-10resnet50神经网络
一、ResNet网络结构二、基本块三、RESNET50代码实现resnet50.pyimporttorchimporttorch.nnasnnfromtorch.nnimportfunctionalasFclassResNet50BasicBlock(nn.Module):def__init__(self,in_channel,outs,kernerl_size,stride,padding):s
- 第三讲-神经网络八股
loveysuxin
Tensorflowtensorflow
一、搭建神经网络六部法tf.keras搭建神经网络六部法1、import相关模块 2、train,test #训练集、测试集3、model=tf.keras.models.Sequential #逐层搭建网络结构4、model.compile #配置训练方法,选择训练使用的优化器、损失函数和最终评价指标5、model.fit #执行训练过程,告知训练集和测试集的输入值和标签、每个batc
- Transformer大模型实战 教师 学生架构
AI智能涌现深度研究
DeepSeekR1&大数据AI人工智能Python入门实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
Transformer大模型实战教师学生架构作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来近年来,随着深度学习技术的飞速发展,自然语言处理(NLP)领域取得了显著的进步。其中,Transformer模型作为一种基于自注意力机制的深度神经网络结构,因其优越的性能和灵活的适用性,在NLP任务中得到了广泛应用。然而,Trans
- 图解前馈神经网络(FNN)
Zucker N
深度学习神经网络人工智能深度学习
目录编辑1.前馈神经网络介绍2.网络结构3.模型工作示例4.总结1.前馈神经网络介绍前馈神经网络(FeedforwardNeuralNetwork,FNN)是一种最简单、最经典的神经网络结构,它是人工神经网络的基础形式之一。前馈神经网络是一种信息只沿一个方向传播的神经网络。它由多个神经元(或称为节点)组成,这些神经元被组织成不同的层,包括输入层、隐藏层和输出层。信息从输入层开始,经过一层或多层隐藏
- 单目标追踪——【Transformer】Transformer Tracking
zz的大穗禾
论文阅读SOTtransformer深度学习人工智能
目录文章侧重点网络结构上下文增强模块交叉特征增强TransT网络结构可视化结果分析n=1n=2n=3n=4Transformer这个香饽饽怎么能不用来迁移到目标追踪里呢。本篇文章分析TransT。TransformerTracking.文章侧重点这篇文章是利用Transformer设计了一个新的基于注意力的特征融合网络和一个Siamese结构的集成该融合网络的追踪方法TransT。在TransT中
- RepVGGBlock实现
武乐乐~
论文复现算法深度学习
文章目录前言1、Block结构2、Block代码实现总结前言 在上一篇博文conv+bn算子融合中,介绍了conv+bn算子融合。本文将要介绍的RepVGG(Re-parameterizedConvolutionalNeuralNetwork)是一种通过重新参数化技术将复杂的神经网络结构转换为简单的卷积层的方法。这种方法可以在训练时使用复杂的多分支结构,在推理时将其简化为单一的卷积层,从而显著提高
- RPC服务和HTTP服务对比
oo77771
程序员rpchttp网络协议
《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》,点击传送门,即可获取!在说RPC和HTTP的区别之前,我觉的有必要了解一下OSI的七层网络结构模型(虽然实际应用中基本上都是五层),它可以分为以下几层:(从上到下)第一层:应用层。定义了用于在网络中进行通信和传输数据的接口;第二层:表示层。定义不同的系统中数据的传输格式,编码和解码规范等;第三层:会话层。管理用户的会话,
- 【深度学习】Unet的基础介绍
牧歌悠悠
深度学习人工智能算法深度学习人工智能U-net
U-Net是一种用于图像分割的深度学习模型,特别适合医学影像和其他需要分割细节的任务。如图:Unet论文原文为什么叫U-Net?U-Net的结构像字母“U”,所以得名。它的结构由两个主要部分组成:下采样(编码器):图像逐渐被缩小并且提取特征。上采样(解码器):逐渐恢复图像的尺寸,并通过“跳跃连接”将高分辨率的特征与低分辨率的特征结合,以保持细节。网络结构U-Net通常包括以下几部分:(1)下采样(
- 关于防火墙运维面试题2
编织幻境的妖
运维网络php
三、防火墙配置与管理类21.如何根据企业的网络安全策略,制定一套全面的防火墙规则集?需要考虑哪些关键因素?以下是根据企业网络安全策略制定全面防火墙规则集的指导,以及需要考虑的关键因素:一、关键因素(一)网络架构与拓扑了解企业的网络结构明确企业网络是简单的星型拓扑、复杂的网状拓扑还是混合拓扑等。例如,在星型拓扑中,所有设备都连接到一个中心交换机或集线器,这种结构下防火墙规则可能相对集中和简单;而在网
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s