- 金融风控与医疗影像算法创新前沿
智能计算研究中心
其他
内容概要在金融风控与医疗影像交叉领域,算法创新正推动两大行业的技术范式变革。联邦学习算法通过分布式数据协作机制,在保证隐私安全的前提下,显著提升金融风险预测模型的泛化能力。医疗影像诊断领域则依托三维卷积神经网络(3D-CNN)架构,实现了对CT、MRI等多模态影像的精准病灶分割,诊断准确率较传统方法提升23.6%。值得关注的是,可解释性算法(如LIME和SHAP)的深度应用,使两类场景中的模型决策
- DCMNet一种用于目标检测的轻量级骨干结构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机器学习计算机视觉人工智能算法目标检测
模型背景在深度学习技术快速发展的背景下,目标检测领域取得了显著进展。早期的手工特征提取方法如Viola-Jones和HOG逐渐被卷积神经网络(CNN)取代,其中AlexNet在2012年的ILSVRC比赛中表现突出,推动了CNN在计算机视觉中的广泛应用。然而,这些早期模型在精度和效率方面仍存在不足,尤其是在处理复杂场景和小目标时表现不佳。这为DCMNet等新型轻量化目标检测模型的出现提供了契机,旨
- UNet:UNet在自然环境监测中的应用案例_2024-07-24_09-14-11.Tex
chenjj4003
游戏开发2深度学习计算机视觉人工智能性能优化游戏前端javascript
UNet:UNet在自然环境监测中的应用案例UNet模型概述UNet是一种广泛应用于图像分割任务的卷积神经网络模型,由OlafRonneberger、PhilippFischer和ThomasBrox在2015年提出。其设计初衷是为了在生物医学图像分析中进行细胞和组织的精确分割,但因其高效性和准确性,迅速在自然环境监测、遥感图像分析、卫星图像处理等领域找到了应用。架构原理UNet模型采用了一个编码
- 注意力机制(Attention Mechanism)详细分类与介绍
Jason_Orton
分类数据挖掘人工智能
注意力机制(AttentionMechanism)是近年来在深度学习中非常流行的一种技术,特别是在自然语言处理(NLP)、计算机视觉等任务中,具有显著的效果。它的核心思想是模仿人类在处理信息时的注意力分配方式,根据不同部分的重要性给予不同的关注程度。1.注意力机制的背景与动机在传统的深度学习模型(如RNN、CNN等)中,信息处理通常是按照固定的规则和结构进行的,模型对输入的各个部分给予相同的关注。
- VIT(Vision Transformer)【超详细 pytorch实现
周玄九
计算机视觉transformer深度学习人工智能
CNN的局限性:传统的CNN通过局部卷积核提取特征,虽然可以通过堆叠多层卷积扩大感受野,但仍然依赖于局部信息的逐步聚合,难以直接建模全局依赖关系。ViT的优势:ViT使用自注意力机制(Self-Attention),能够直接捕捉图像中所有patch(图像块)之间的全局关系。这种全局建模能力在处理需要长距离依赖的任务(如图像分类、目标检测)时表现更好。全流程图像预处理+分块图像尺寸标准化,如(224
- 深度学习-自学手册
谁用了尧哥这个昵称
AI深度学习
人工智能机器学习神经网络前馈神经网络:没有回路的反馈神经网络:有回路的DNN深度神经网络CNN卷积神经网络RNN循环神经网络LSTM是RNN的一种,长短期记忆网络自然语言处理神经网络神经元-分类器Hebb学习方法,随机–类似SGD一篇神经网络入门BP反向传播,表示很复杂的函数/空间分布从最后一层往前调整参数,反复循环该操作y=a(wx+b)x输入y输出a激活函
- PyTorch模型安卓部署流程(NCNN)全流程实战(2)代码详细解析
咕咕学不会咋办
pytorchandroidpython
代码来源PyTorch模型安卓部署流程(NCNN)全流程实战(1)至于为什么要备注,因为我基础不好,就得一点一点来适合和我一样的慢羊羊学习项目整体结构1.布局文件不解析了比较简单最简单的线性布局main.xml2.资源文件string.xmlsqueezencnn在Android开发中,资源文件(通常以.xml结尾)用于定义静态内容,如字符串、颜色、尺寸等。res/values/strings.x
- 计算机视觉:经典数据格式(VOC、YOLO、COCO)解析与转换(附代码)
全栈你个大西瓜
人工智能计算机视觉YOLO目标跟踪人工智能数据标注目标检测COCO
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- 深度学习的前沿与挑战:从基础到最新进展
Jason_Orton
深度学习人工智能数据挖掘机器学习
目录引言什么是深度学习?深度学习的工作原理深度学习的关键技术1.卷积神经网络(CNN)2.循环神经网络(RNN)3.生成对抗网络(GAN)4.变分自编码器(VAE)5.自注意力机制与Transformer深度学习的应用1.计算机视觉2.自然语言处理(NLP)3.语音识别与合成4.推荐系统5.医学影像分析深度学习面临的挑战结语引言深度学习(DeepLearning)近年来成为人工智能领域的核心技术之
- 第十三站:卷积神经网络(CNN)的优化
武狐肆骸
机器学习cnn人工智能神经网络
前言:在上一期我们构建了基本的卷积神经网络之后,接下来我们将学习一些提升网络性能的技巧和方法。这些优化技术包括数据增强、网络架构的改进、正则化技术。1.数据增强(DataAugmentation)数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换,可以生成更多的训练样本,帮助模型避免过拟合。常见的数据增强方法:旋转(Rotation):随机旋转图像,增强模型对旋转变换
- GAN(Generative Adversarial Network)—生成对抗网络
算法资料吧!
深度学习机器学习人工智能
GAN(GenerativeAdversarialNetwork)代表了深度学习中生成建模的尖端方法,通常利用卷积神经网络等架构。生成建模的目标是自主识别输入数据中的模式,使模型能够生成与原始数据集相似的新示例。本文涵盖了您需要了解的有关GAN、GAN架构、GAN的工作原理以及GAN模型类型等的所有信息。目录什么是生成对抗网络?GAN的类型GAN的架构GAN是如何工作的?生成对抗网络(GAN)的应
- 在PyTorch中使用插值法来优化卷积神经网络(CNN)所需硬件资源
mosquito_lover1
pytorchcnn人工智能
插值法其实就是在已知数据点之间估计未知点的值。通过已知的离散数据点,构造一个连续的曲线函数,预测数据点之间的空缺值是什么并且自动填补上去。适用场景:在卷积神经网络(CNN)中的应用场景中,经常遇到计算资源有限,比如显存不够或者处理速度慢,需要用插值来降低计算量。使用插值法的优点:物理系统的数据通常是连续的,使用插值法可以保持数据的连续性直接截取可能会丢失重要的动态特征,使用插值法不会丢失重要信息可
- 卷积神经网络八股(一)------20行代码搞定鸢尾花分类
有幸添砖java
opencv
编写不易,未有VIP但想白嫖文章的朋友可以关注我的个人公众号“不秃头的码农”直接查看文章,后台回复java资料、单片机、安卓可免费领取资源。你的支持是我最大的动力!卷积神经网络八股(一)------20行代码搞定鸢尾花分类引言用TensorflowAPI:tf.keras实现神经网络搭建八股Sequential的用法compile的用法fit的用法(batch是每次喂入神经网络的样本数、epoch
- 【PyTorch 实战2:UNet 分割模型】10min揭秘 UNet 分割网络如何工作以及pytorch代码实现(详细代码实现)
xiaoh_7
pytorch网络图像处理计算机视觉
UNet网络详解及PyTorch实现一、UNet网络原理 U-Net,自2015年诞生以来,便以其卓越的性能在生物医学图像分割领域崭露头角。作为FCN的一种变体,U-Net凭借其Encoder-Decoder的精巧结构,不仅在医学图像分析中大放异彩,更在卫星图像分割、工业瑕疵检测等多个领域展现出强大的应用能力。UNet是一种常用于图像分割的卷积神经网络架构,其特点在于其U型结构,包括一个收缩路径
- 【PyTorch项目实战】图像分割 —— U-Net:Semantic segmentation with PyTorch
胖墩会武术
深度学习PyTorch项目实战pythonunetpytorch
文章目录一、项目介绍二、项目实战2.1、环境搭建2.1.1、下载源码2.1.2、下载预训练模型2.1.3、下载训练集2.2、环境配置2.3、代码优化+架构优化2.4、模型预测:predict.pyU-Net是一种用于生物医学图像分割的卷积神经网络架构,最初由OlafRonneberger等人于2015年提出。论文:U-Net:ConvolutionalNetworksforBiomedicalIm
- 目标检测进化史:从R-CNN到YOLOv11,技术的狂飙之路
紫雾凌寒
AI炼金厂#机器学习算法#深度学习深度学习计算机视觉python目标检测YOLOcnn人工智能
一、引言在计算机视觉领域中,目标检测是一项至关重要的任务,它旨在识别图像或视频中感兴趣的目标物体,并确定它们的位置。目标检测技术的应用广泛,涵盖了自动驾驶、安防监控、智能机器人、图像编辑等多个领域。随着深度学习技术的飞速发展,目标检测算法也取得了巨大的突破,从最初的R-CNN到如今的YOLOv11,每一次的技术演进都为该领域带来了新的活力和可能性。回顾目标检测的发展历程,R-CNN作为第一个将深度
- 论文学习3:深度学习增强的光声成像(PAI)的最新进展(综述)
superace7911
基于机器学习的光声图像处理机器学习图像处理
原文链接有空可以细看,这里中列出了文中提到的部分研究结果写作大纲1.引言光声成像(PAI)的介绍,它结合了光学和超声成像的优点,为生物医学成像提供了一种有前景的模态。深度学习(DL)在解决PAI中存在的技术限制(如硬件限制、生物特征信息缺乏等)方面的潜力。2.DL方法的原理介绍DL的子集:监督学习、无监督学习和强化学习。详细说明代表性DL架构:卷积神经网络(CNN)、U-形神经网络(U-Net)和
- 神经网络与深度学习入门:理解ANN、CNN和RNN
shandianfk_com
ChatGPTAI神经网络深度学习cnn
在现代科技日新月异的今天,人工智能已经成为了我们生活中的重要组成部分。无论是智能手机的语音助手,还是推荐系统,背后都有一项核心技术在支撑,那就是神经网络与深度学习。今天,我们就来聊一聊这个听起来高大上的话题,其实它也没那么难懂!什么是神经网络?首先,我们要了解什么是神经网络。神经网络(ArtificialNeuralNetwork,简称ANN)是模拟人脑神经元连接方式的一种算法。它由一层层的“神经
- Python的PyTorch+CNN深度学习技术在人脸识别项目中的应用
mosquito_lover1
python深度学习pytorchcnn
人脸识别技术是一种基于人脸特征进行身份识别的生物识别技术,其核心原理包括人脸检测、人脸对齐、特征提取、特征匹配、身份识别。一、应用场景安防:门禁、监控。金融:刷脸支付、身份验证。社交:自动标注、美颜。医疗:患者身份确认、情绪分析。二、关键技术深度学习:CNN在人脸检测、特征提取中表现优异。大数据:大规模数据集(如LFW、MegaFace)提升模型泛化能力。硬件加速:GPU、TPU等加速计算,提升实
- 深度学习入门篇--来瞻仰卷积神经网络的鼻祖LeNet
智算学术
深度学习图像分类篇深度学习
B站视频讲解:深度学习入门篇:使用pytorch搭建LeNet网络并代码详解实战前言大家在学习神经网络的时候肯定会有这样的感受,有很多的文章和视频,有的文章也很好,但是总是不成体系,总是学起来东一榔锤,西一棒槌的,在这种情况下,我会给大家更新深度学习系列的技术文章,轮椅级持续更新技术干货,别问为什么是轮椅级,因为保姆级已经过时了!前置基础知识储备:python/pytorch/神经网络基础知识概念
- YOLOv12:以注意力为中心的物体检测
那雨倾城
PiscTraceYOLO机器学习目标检测深度学习图像处理
YOLOv12是YOLO系列中的最新版本,它引入了一种以注意力为中心的架构,旨在进一步提升物体检测的精度和速度。相比以往的YOLO模型,YOLOv12摒弃了传统基于卷积神经网络(CNN)的结构,采用了全新的方法,融合了自注意力机制和高效的网络架构优化,提供了一个高精度、低延迟的实时目标检测模型。1.主要功能YOLOv12在多个关键点进行了优化和创新,以下是它的主要功能:1.1区域注意机制(Regi
- 浅显介绍图像识别的算法卷积神经网络(CNN)中的激活函数
cjl30804
算法cnn人工智能
激活函数的作用激活函数在神经网络中扮演着至关重要的角色,其主要作用包括但不限于以下几点:引入非线性:如果没有激活函数或仅使用线性激活函数,无论神经网络有多少层或多复杂,整个模型仍然只能表达线性映射。这意味着它无法学习和表示数据中的复杂模式。通过使用非线性的激活函数,如ReLU(修正线性单元)、Sigmoid、Tanh等,可以赋予神经网络学习复杂函数的能力。决定神经元是否被激活:激活函数根据输入信号
- 深度学习(5)-卷积神经网络
yyc_audio
深度学习cnn人工智能
我们将深入理解卷积神经网络的原理,以及它为什么在计算机视觉任务上如此成功。我们先来看一个简单的卷积神经网络示例,它用干对MNIST数字进行分类。这个任务在第2章用密集连接网络做过,当时的测试精度约为97.8%。虽然这个卷积神经网络很简单,但其精度会超过第2章的密集连接模型。代码8-1给出了一个简单的卷积神经网络。它是conv2D层和MaxPooling2D层的堆叠,你很快就会知道这些层的作用。我们
- 深度学习(2)-深度学习关键网络架构
yyc_audio
人工智能机器学习深度学习
关键网络架构深度学习有4种类型的网络架构:密集连接网络、卷积神经网络、循环神经网络和Transformer。每种类型的模型都是针对特定的输入模式,网络架构包含了关于数据结构的假设,即模型搜索的假设空间。某种架构能否解决某个问题,完全取决于问题的数据结构与所选的网络架构假设之间是否匹配。这些不同类型的网络可以很容易组合起来,实现更大的多模式模型,就像拼乐高积木一样。某种程度上来说,深度学习的层就是信
- 生成对抗网络(GAN):从概念到代码实践(附代码)
全栈你个大西瓜
人工智能计算机视觉人工智能GAN网络对抗学习手势识别生成器与鉴别器生成对抗网络
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- MTCNN 人脸检测技术揭秘:原理、实现与实战(附代码)
全栈你个大西瓜
人工智能计算机视觉人工智能MTCNN人脸检测卷积神经网络
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- 神经网络可视化工具
G鲲鹏展翅Y
神经网络人工智能深度学习
借鉴微信公众号:【超实用!】11款神经网络可视化工具,组会汇报、论文插图、科研学术必备01TensorSpace可以在网页上直接使用,是一种3D模型展示神经网络,适合给初学者或者科普的时候展示时使用,非常的直观,并且每一层的卷积层都可以展开,让你更加清晰的观察里面的内部结构地址:http://tensorspace.org02NN-SVG在它的主页上有三种神经网络,一种是FCNN,也就是全连接型的
- End-to-End Object Detection with Transformers
M1kk0
目标检测计算机视觉神经网络
End-to-EndObjectDetectionwithTransformers会议:2020ECCV论文:https://arxiv.org/abs/2005.12872代码:https://github.com/facebookresearch/detr创新点:\作者摒弃了基于anchor、NMS等这种需要手工设计的模块,和R-CNN系列、YOLO系列,以及其他anchor-free的方法都
- ShuffleNet V2(2018 CVPR)
刘若里
论文阅读深度学习人工智能学习计算机视觉笔记
论文标题ShuffleNetV2:PracticalGuidelinesforEfficientCNNArchitectureDesign论文作者NingningMa,XiangyuZhang,Hai-TaoZheng,JianSun发表日期2018年07月01日GB引用>NingningMa,XiangyuZhang,Hai-TaoZheng,etal.ShuffleNetV2:Practica
- 人工智能:从基础到前沿
顾漂亮
人工智能深度学习windows
目录目录1.引言2.人工智能基础2.1什么是人工智能?2.2人工智能的历史2.3人工智能的分类3.机器学习3.1机器学习概述3.2监督学习3.3无监督学习3.4强化学习4.深度学习4.1深度学习概述4.2神经网络基础4.3卷积神经网络(CNN)4.4循环神经网络(RNN)5.自然语言处理(NLP)5.1NLP概述5.2文本预处理5.3词嵌入5.4语言模型6.计算机视觉6.1计算机视觉概述6.2图像
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,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
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR