z2lab.com
z2lab.com

StyleGAN2预训练微调（实践5）

1.设备

内存
在这里插入图片描述
GPU
StyleGAN2预训练微调（实践5）_第1张图片
硬盘:3.5T

2.数据集来自北邮 文铱的新数据集

共13061张图片，resize为256*256后

数据处理参照https://zhuanlan.zhihu.com/p/113156395

3.参数修改
在这里插入图片描述
主要修改
127
128
131 在官方的人脸模型的基础上训练
132 从10000kimg开始训练
135 要不要重新构建一个网络
4.训练命令
python run_training.py --num-gpus=8 --data-dir=/home/data/stylegan/stylegan2 --config=config-f --dataset=dataset --mirror-augment=true
5.查看tensorboard
本地查看远程服务器的tensorboard，参考（MobaXterm强烈推荐下）
本地浏览器远程访问服务器tensorboard(MobaXterm)_运维_Darlewo-CSDN博客
StyleGAN2预训练微调（实践5）_第2张图片
查看Metrics
6.下载图片查看效果
StyleGAN2预训练微调（实践5）_第3张图片
7.使用生成生成图片
StyleGAN2预训练微调（实践5）_第4张图片
因为时间过长，所以过拟合了
StyleGAN2预训练微调（实践5）_第5张图片
微信号：herry7788

你可能感兴趣的:(stylegan2,Stylegan)

  • 常见大模型框架 AI小夜 ai
    生成对抗网络（GAN）类似框架StyleGAN（及其变体StyleGAN2和StyleGAN3）：开发者：NVIDIA特点：能够生成极高质量的图像，广泛应用于人脸生成、艺术创作等领域。BigGAN：开发者：DeepMind特点：在大规模数据集上训练的高质量图像生成模型，特别适用于高分辨率图像生成。CycleGAN：特点：用于图像到图像的转换任务，如风格迁移，无需成对的训练数据。Pix2Pix：特点
  • 相片修复框架-GFPGAN qyhua 人工智能计算机视觉
    一GFPGAN介绍GFPGAN是一个由腾讯ARC团队开发的用于人脸图像生成和优化的GAN模型。在github可以找到开源的代码，它由两个主要模块组成：退化移除模块(U-Net)：用于从低分辨率、低质量的人脸图像中恢复出高质量的人脸图像。生成式脸部先验模块(StyleGAN2)：用于生成高分辨率、逼真的人脸图像。GFPGAN的工作原理是首先使用退化移除模块来恢复出高质量的人脸图像。然后，使用生成式脸
  • PLAN方法：解决 GAN 生成医学图像 Latent 空间中的隐私保护方法 Debroon 医学视觉#AI安全#深度学习生成对抗网络人工智能神经网络
    PLAN方法：解决GAN生成医学图像Latent空间中的隐私保护方法PLAN原理StyleGAN生成视网膜图k-SALSA生成视网膜图PLAN方法生成视网膜图总结PLAN原理论文：https://arxiv.org/abs/2307.02984代码：https://github.com/perceivelab/PLAN生成对抗网络(GAN)已经证明了其生成与目标分布匹配的合成样本的能力（比如Syt
  • centos系统安装指定版本的gcc chen_znn Linux系统centoslinuxgccc++ninja
    最近在使用stylegan3时需要用到ninja，而ninja需要使用c++编译。接下来，将讲述如何在centos系统中安装指定版本的gcc。1、首先，查看gcc版本，gcc--version"""gcc(GCC)4.8.520150623(RedHat4.8.5-44)Copyright©2015FreeSoftwareFoundation,Inc."""2、接下来，安装centos-relea
  • 图像检测系列之（12）异常检测（13）拼接伪造（14）deepfake | ICCV2021生成对抗GAN汇总梳理... 机器学习与AI生成创作 扩散模型与GAN生成对抗网络计算机视觉机器学习人工智能深度学习神经网络
    （1）GAN改进系列|最新ICCV2021生成对抗网络GAN论文梳理汇总图像编辑系列之（2）基于StyleGAN（3）GAN逆映射（4）人脸（5）语义生成|ICCV2021生成对抗GAN梳理汇总图像恢复系列之（6）超分（7）反光去除（8）光斑去除（9）阴影去除（10）水下图像失真去除|ICCV2021生成对抗GAN图像恢复系列（11）之修复（inpainting）|最新ICCV2021生成对抗网络
  • python虚拟人脸生成_一个用StyleGAN训练出的黄种人人脸生成器 玛勒隔壁的老王 python虚拟人脸生成
    黄种人人脸生成器更新：基于StyleGAN2制作的新版生成器消除了生成图片中水滴斑点和扭曲/损坏现象的出现，质量大幅提升。点此查看新版。--------------------------------------------------------------------------------------------------------------------注明：之前做的一些有意思的人脸生
  • 深度生成模型之数据生成GAN -＞（个人学习记录笔记） slience_me 机器学习生成对抗网络学习笔记
    文章目录深度生成模型之数据生成GAN数据生成的应用1.图片设计创作2.数据增强3.数据仿真4.视频生成、预测、编辑5.语音生成6.文本生成图像生成模型结构1.基本卷积GAN2.多尺度与残差GAN模型3.条件生成GAN4.半监督条件GAN模型5.属性向量的学习6.分层属性模型StyleGAN深度生成模型之数据生成GAN数据生成的应用1.图片设计创作生成重复性工作多，且需要一定创作能力的作品2.数据增
  • 论文索引记录1 Miao kristoff 深度学习人工智能机器学习
    StyleGAN-NADA:CLIP-GuidedDomainAdaptationofImageGeneratorsTraininggeneratorswithlimiteddataTransferlearningInthetransfer-learningscenario,‘few’typicallyreferstonumbersrangingfromseveralhundredtoasfewa
  • 模型实战（18）之C++ - tensorRT部署GAN模型实现人脸超分辨重建 明月醉窗台 #深度学习实战例程c++生成对抗网络人工智能神经网络visualstudio
    模型实战（18）之C++-tensorRT部署GAN模型实现人脸超分辨重建一个实现人脸超分辨率重建的demo支持StyleGAN:GPENorGFPGAN通过C++-tensorrt快速部署，推理速度每帧在RTX3090上5.5ms+，RTX3050上10ms+下边是实现效果（图片来源于网络search，如若侵权，联系删除）下边给出实现步骤：1.模型转换下载模型至本地Downloadthemode
  • 说说 style gan 中的感知路径长度（Perceptual Path Length） 木水_ 深度学习生成对抗网络神经网络
    我在之前的博库中介绍了stylegan的基本原理，原文中有提出感知路径长度（PerceptualPathLength）的概念。这是一种评价生成器质量的方式。PPL基本思想：给出两个随机噪声z1,z2，为求得两点的感知路径长度PPL，采用微分的思想。把两噪声点插值路径细分成多个小段，求每个小段的长度，再求平均为什么要距离越小越好？假设上图表示perceptual距离空间。z1可以生成一张白色的狗，z
  • 比 style gan 更好的 style gan2 木水_ 深度学习生成对抗网络深度学习
    上一篇博客介绍了stylegan原理，但是stylegan的结果会有水珠伪影，作者实验后发现是Adain导致的，AdaIN对每一个featuremap的通道进行归一化，这样可能破坏掉feature之间的信息。当然实验证明发现，去除AdaIN的归一化操作后，水珠就消失了。因此stylegan2中主要优化改善了这个问题。Adain计算公式如下：网络结构如下图所示。图a是原始的styleGAN1的结构图
  • 使用Pytorch从零开始构建StyleGAN2 Garry1248 pytorch人工智能pythonAIGC深度学习机器学习
    这篇博文是关于StyleGAN2的，来自论文AnalyzingandImprovingtheImageQualityofStyleGAN，我们将使用PyTorch对其进行干净、简单且可读的实现，并尝试尽可能地还原原始论文。如果您没有阅读StyleGAN2论文。或者不知道它是如何工作的并且你想了解它，我强烈建议你看看扫一下原始论文，了解其主要思想。我们在本博客中使用的数据集是来自Kaggle的数据集
  • 使用Pytorch从零开始构建StyleGAN Garry1248 pytorch人工智能神经网络深度学习机器学习AIGC
    本文介绍的是当今最好的GAN之一，来自论文《AStyle-BasedGeneratorArchitectureforGenerativeAdversarialNetworks》的StyleGAN，我们将使用PyTorch对其进行干净、简单且可读的实现，并尝试尽可能接近原始论文。如果您没有阅读过StyleGAN1论文，或者不知道它是如何工作的，但您想了解它，我强烈建议您参考这篇博文。我们在本博文中使
  • 10 分钟解释 StyleGAN 无水先生 GAN-强化学习RL专栏人工智能人工智能计算机视觉
    一、说明G在过去的几年里，生成对抗网络一直是生成内容的首选机器学习技术。看似神奇地将随机输入转换为高度详细的输出，它们已在生成图像、生成音乐甚至生成药物方面找到了应用。StyleGAN是一种真正推动GAN最先进技术向前发展的GAN类型。当Karras等人的论文介绍StyleGAN时，“一种基于样式的生成对抗网络生成器架构”。（2018）出现后，GAN需要大量的正则化，并且无法产生今天所熟知的令人惊
  • 生成式深度学习(第二版)-译文-第十章-高级生成对抗网络 (I) Garry1248 深度学习人工智能AIGC
    章节目标了解ProGAN模型如何渐进式训练一个GAN来生成高质量图像。理解ProGAN如何改进以构建StyleGAN—一种高性能图像合成GAN。探索StyleGAN如何调整以构建StyleGAN2—一种基于原始StyleGAN改进的经典模型。学会这类模型的关键贡献，包括渐进式训练(progressivetraining)，自适应实例归一化(adaptiveinstancenormalization
  • 第四十六周周报 童、一 深度学习
    学习目标：修改ViTGAN代码学习内容：1、傅里叶特征2、位置编码学习时间：7.22-7.28学习产出：一、傅里叶特征根据StyleGAN3，将ViTGAN第一个TransformerBlock的输入从仿射变换A变为傅里叶特征二、位置编码ViTGAN的位置编码采用的是绝对位置编码，即每个位置编码都是补丁位置的线性投影，然后接一个正弦激活函数。补丁位置被归一化到-1.0到1.0之间。想法：将绝对位置
  • 学习记录——StyleGAN2+SA-UNet Chaoy6565 分割SA-UNetStyleGAN2
    SA-UNetforRetinalVesselimprovmentusingStyleGAN2  作者提出了一种改进视网膜图像分割的方法，通过创建图像及其相应的分割地图来实现。作者的解决方案包括使用DRIVE数据集1对StylGAN2进行训练，并使用目前在分割DRIVE图像方面取得最先进结果的SA-UNet模型对新合成的图像进行分割。作者使用新生成的图像及其分割结果来重新训练SA-UNet，以获得
  • StyleGAN：彻底改变生成对抗网络的艺术 无水先生 GAN-强化学习RL专栏人工智能生成对抗网络人工智能神经网络
    一、介绍多年来，人工智能领域取得了显着的进步，其中最令人兴奋的领域之一是生成模型的发展。这些模型旨在生成与人类创作没有区别的内容，例如图像和文本。其中，StyleGAN（即风格生成对抗网络）因其创建高度逼真且视觉上令人惊叹的图像的能力而获得了巨大的关注和赞誉。在本文中，我们将探讨StyleGAN在人工智能和数字艺术领域的架构、工作原理、应用和影响。StyleGAN：想象力与算法的结合，一次一个像素
  • 阅读论文StyleGAN2-ada 子燕若水 深度学习算法3D图像处理人工智能
    在图像分类任务中,使用旋转、噪声等数据增强方法训练图像分类器,可以提高分类器对这些保留语义的扭曲的不变性,这是图像分类器极为期望的一种质量。引用Bora等人的工作,指出只要增强过程可以表示为概率分布上的可逆变换,那么训练过程中网络可以消除这种增强,找到正确的分布。进一步解释可逆变换的关键在于允许仅通过观察增强后的集合就可以推断原始集合的相等性或不等性。这并不需要每个图像的增强都是可逆的。举例解释,
  • 3D、扩散模型、GAN、StyleGAN、MAE.等【换脸方法汇总】 旋转的油纸伞 人脸相关科研笔记【AI换脸】扩散模型+CV与NLP科研笔记生成对抗网络人工智能AI换脸FaceSwapping扩散模型
    【换脸方法汇总】扩散模型、GAN、StyleGAN等综述[【FaceSwapping综述】QuickOverviewofFaceSwapDeepFakes](https://blog.csdn.net/qq_45934285/article/details/132693208?spm=1001.2014.3001.5501)扩散模型[【CVPR2022】DiffFace:Diffusion-bas
  • StyleGAN作者：提升扩散模型生成质量和效率的窍门！业界大佬纷纷点赞 Amusi（CVer） 机器学习人工智能深度学习计算机视觉java
    点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群丰色发自凹非寺转载自：量子位（QbitAI）新晋图像生成王者扩散模型，刚刚诞生没多久。有关它的理论和实践都还在“野蛮生长”。来自英伟达StyleGAN的原班作者们站了出来，尝试给出了一些设计扩散模型的窍门和准则，结果模型的质量和效率都有所改进，比如将现有ImageNet-64模型的FID分数从2.07
  • #今日论文推荐#DeepMind谷歌研究员力荐：扩散模型效率&生成质量提升窍门，来自StyleGAN原作者 wwwsxn 深度学习transformer深度学习计算机视觉
    #今日论文推荐#DeepMind谷歌研究员力荐：扩散模型效率&生成质量提升窍门，来自StyleGAN原作者新晋图像生成王者扩散模型，刚刚诞生没多久。有关它的理论和实践都还在“野蛮生长”。来自英伟达StyleGAN的原班作者们站了出来，尝试给出了一些设计扩散模型的窍门和准则，结果模型的质量和效率都有所改进，比如将现有ImageNet-64模型的FID分数从2.07提高到接近SOTA的1.55分。他们
  • StyleGAN学习笔记 小花024 生成对抗网络深度学习GAN生成对抗网络
    生成对抗网络中一种基于样式的生成器结构原文：https://arxiv.org/abs/1812.04948代码（官方tf版）：https://github.com/NVlabs/stylegan代码（非官方Pytorch版）：https://github.com/rosinality/style-based-gan-pytorch文章目录前言论文核心模型和方法基于样式的生成器结构Style控制自
  • 对抗生成网络总结 __momo__ RecordsPaperReadingClassicalNetwork深度学习人工智能
    对一些基本的对抗生成网络的总结。部分内容整理自Teeyohuang’sblog文章目录GAN(NeurIPS,2014)CGANDCGANStackGANPix2Pix(CVPR,2017)CycleGAN(ICCV,2017)SRGAN(CVPR,2017)StyleGAN(CVPR,2019)GAN(NeurIPS,2014)GenerativeadversarialnetsminGmaxDV
  • （2023|ICML，StyleGAN-T & CLIP & ViT）释放 GAN 的力量，实现快速大规模文本到图像合成 EDPJ 论文笔记计算机视觉人工智能
    StyleGAN-T:UnlockingthePowerofGANsforFastLarge-ScaleText-to-ImageSynthesis公众号：EDPJ（添加VX：CV_EDPJ或直接进Q交流群：922230617获取资料）目录0.摘要1.简介2.StyleGAN-XL3.StyleGAN-T3.1.重新设计生成器3.2.重新设计鉴别器3.3.变化与文本对齐的权衡4.实验4.1.与最先
  • 最新ICCV2021 | GAN少样本（26）实例可控（27）视图合成（28）细粒度生成（29）细粒度检索（30）生成对抗GAN... 机器学习与AI生成创作 扩散模型与GAN生成对抗网络python计算机视觉机器学习人工智能深度学习
    （1）GAN改进系列图像编辑系列之（2）基于StyleGAN（3）GAN逆映射（4）人脸（5）语义生成图像恢复系列之（6）超分（7）反光去除（8）光斑去除（9）阴影去除（10）水下图像失真去除图像恢复系列（11）之修复（inpainting）图像检测系列之（12）异常检测（13）拼接伪造（14）deepfake图像检测系列之（15）图像分割（16）图像外插值图像转换imagetranslation
  • 玩转StyleGan2：手把手教你安装并运行项目！ 托尼是塔克
    时间过得是真快，离上次分享《用AI生成一堆漂亮且独一无二的女朋友！》已经快过去半个多月了。光分享效果，而不分享如何实现，这不是我的风格。所以从今天开始，我会带大家一起玩转这个强大的高清人脸生成项目（不懂开源项目的可以理解为软件）。目前规划了几个主题1.安装并运行2.虚拟人脸编辑，操控虚拟人物表情3.真实人脸编辑，操控任何人的表情。4.云端运行。今天就来介绍第一部分，详细演示如何安装这个并运行这个项
  • 【开箱即用】基于dlib的人脸关键点、对齐(face alignment)、裁剪 曾小蛙 开箱即用计算机视觉相关pythondlibface_alignface_crop
    参考代码：stylegan-encoder/align_images.pyatmaster·Puzer/stylegan-encoder(github.com)理解：https://blog.csdn.net/u012208159/article/details/50500224使用前提基于python熟练使用conda创建python虚拟环境安装dlibpython库下载dlib相应模型：网盘|
  • StyleHEAT: One-Shot High-Resolution Editable Talking Face Generation via Pre-trained StyleGAN 译文 胖胖腐乳 语音驱动说话人计算机视觉人工智能cv语音识别
    链接https://feiiyin.github.io/StyleHEAT/arxiv：https://arxiv.org/abs/2203.04036摘要图1。我们的统一框架支持高分辨率的通话人脸生成，通过驾驶视频或音频解除纠缠控制，以及灵活的人脸编辑。我们的方法首次将一次性会说话的人脸生成的分辨率提高到1024×1024。第一行显示了一个视频驱动的交叉身份再现的合成视频。第二行显示了一个由音频
  • StyleAvatar: Real-time Photo-realistic Portrait Avatar from a Single Video 译文 胖胖腐乳 语音驱动说话人计算机视觉人工智能cv
    链接：https://arxiv.org/abs/2305.00942摘要人脸再现方法试图尽可能真实地恢复和再现人脸特征视频。现有的方法面临着质量与可控性的两难境地:与3D方法相比，基于2DGAN的方法实现了更高的图像质量，但在面部属性的细粒度控制方面受到影响。在本文中，我们提出了StyleAvatar，一种使用基于StyleGAN的网络的实时照片真实感人像头像重建方法，它可以生成具有忠实表情控制
  • 深入浅出Java Annotation(元注解和自定义注解） Josh_Persistence Java Annotation元注解自定义注解
    一、基本概述     　　 Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制，用来将任何的信息或元数据（metadata）与程序元素（类、方法、成员变量等）进行关联。   　　更通俗的意思是为程序的元素（类、方法、成员变量）加上更直观更明了的说明，这些说明信息是与程序的业务逻辑无关，并且是供指定的工具或
  • mysql优化特定类型的查询 annan211 java工作mysql
    本节所介绍的查询优化的技巧都是和特定版本相关的，所以对于未来mysql的版本未必适用。 1 优化count查询 对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看 真正的count()函数的作用到底是什么。 count()是一个特殊的函数，有两种非常不同的作用，他可以统计某个列值的数量，也可以统计行数。 在统
  • MAC下安装多版本JDK和切换几种方式 棋子chessman jdk
    环境： MAC AIR,OS X 10.10,64位   历史： 过去 Mac 上的 Java 都是由 Apple 自己提供，只支持到 Java 6，并且OS X 10.7 开始系统并不自带（而是可选安装）（原自带的是1.6）。 后来 Apple 加入 OpenJDK 继续支持 Java 6，而 Java 7 将由 Oracle 负责提供。   在终端中输入jav
  • javaScript （1） Array_06 JavaScriptjava浏览器
    JavaScript 1、运算符 　　运算符就是完成操作的一系列符号，它有七类： 　　赋值运算符（=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=）、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
  • 国内顶级代码分享网站 袁潇含 javajdkoracle.netPHP
           现在国内很多开源网站感觉都是为了利益而做的                  当然利益是肯定的,否则谁也不会免费的去做网站      &
  • Elasticsearch、MongoDB和Hadoop比较 随意而生 mongodbhadoop搜索引擎
      IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性，避免落大部队太远，我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎，它们存储着JSON文档，MongoDB存着JSON文档，或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
  • mac os 系统科研软件总结 张亚雄 mac os
    1.1 Microsoft Office for Mac 2011      大客户版，自行搜索。      1.2 Latex （MacTex）:      系统环境：https://tug.org/mactex/     &nb
  • Maven实战（四）生命周期 AdyZhang maven
    1. 三套生命周期     Maven拥有三套相互独立的生命周期，它们分别为clean，default和site。 每个生命周期包含一些阶段，这些阶段是有顺序的，并且后面的阶段依赖于前面的阶段，用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例，它包含的阶段有pre-clean, clean 和 post
  • Linux下Jenkins迁移 aijuans Jenkins
    1. 将Jenkins程序目录copy过去      源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面            tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
  • request.getInputStream()只能获取一次的问题 ayaoxinchao requestInputstream
    问题：在使用HTTP协议实现应用间接口通信时，服务端读取客户端请求过来的数据，会用到request.getInputStream()，第一次读取的时候可以读取到数据，但是接下来的读取操作都读取不到数据   原因： 1. 一个InputStream对象在被读取完成后，将无法被再次读取，始终返回-1； 2. InputStream并没有实现reset方法（可以重
  • 数据库SQL优化大总结之 百万级数据库优化方案 BigBird2012 SQL优化
    网上关于SQL优化的教程很多，但是比较杂乱。近日有空整理了一下，写出来跟大家分享一下，其中有错误和不足的地方，还请大家纠正补充。 这篇文章我花费了大量的时间查找资料、修改、排版，希望大家阅读之后，感觉好的话推荐给更多的人，让更多的人看到、纠正以及补充。 1.对查询进行优化，要尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。 2.应尽量避免在 where
  • jsonObject的使用 bijian1013 javajson
            在项目中难免会用java处理json格式的数据，因此封装了一个JSONUtil工具类。 JSONUtil.java package com.bijian.json.study; import java.util.ArrayList; import java.util.Date; import java.util.HashMap;
  • [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration bit1129 zookeeper
    Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API，它包含了如下几个内部类     首先分析它的内部类，从WatchRegistration开始，为指定的znode path注册一个Watcher，   /** * Register a watcher for a particular p
  • 【Scala十三】Scala核心七：部分应用函数 bit1129 scala
    何为部分应用函数？ Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
  • Tomcat Error listenerStart 终极大法 ronin47 tomcat
    Tomcat报的错太含糊了，什么错都没报出来，只提示了Error listenerStart。为了调试，我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties，内容如下 Java代码  handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
  • 不用加减符号实现加减法 BrokenDreams 实现
            今天有群友发了一个问题，要求不用加减符号(包括负号)来实现加减法。         分析一下，先看最简单的情况，假设1+1，按二进制算的话结果是10，可以看到从右往左的第一位变为0，第二位由于进位变为1。    
  • 读《研磨设计模式》-代码笔记-状态模式-State 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/ /* 当一个对象的内在状态改变时允许改变其行为，这个对象看起来像是改变了其类 状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况 把状态的判断逻辑转移到表示不同状态的一系列类中，可以把复杂的判断逻辑简化 如果在
  • CUDA程序block和thread超出硬件允许值时的异常 cherishLC CUDA
    调用CUDA的核函数时指定block 和 thread大小，该大小可以是dim3类型的（三维数组），只用一维时可以是usigned int型的。 以下程序验证了当block或thread大小超出硬件允许值时会产生异常！！！GPU根本不会执行运算！！！ 所以验证结果的正确性很重要！！！ 在VS中创建CUDA项目会有一个模板，里面有更详细的状态验证。 以下程序在K5000GPU上跑的。
  • 诡异的超长时间GC问题定位 chenchao051 jvmcmsGChbaseswap
    HBase的GC策略采用PawNew+CMS, 这是大众化的配置，ParNew经常会出现停顿时间特别长的情况，有时候甚至长到令人发指的地步，例如请看如下日志： 2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
  • maven环境快速搭建 daizj 安装mavne环境配置
    一 下载maven 安装maven之前，要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。 maven下载地址：http://maven.apache.org/download.html，目前最新的是这个apache-maven-3.2.5-bin.zip，然后解压在任意位置，最好地址中不要带中文字符，这个做java 的都知道，地址中出现中文会出现很多
  • PHP网站安全，避免PHP网站受到攻击的方法 dcj3sjt126com PHP
    对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
  • yii中给CGridView设置默认的排序根据时间倒序的方法 dcj3sjt126com GridView
    public function searchWithRelated() {         $criteria = new CDbCriteria;         $criteria->together = true; //without th
  • Java集合对象和数组对象的转换 dyy_gusi java集合
        在开发中，我们经常需要将集合对象（List，Set）转换为数组对象，或者将数组对象转换为集合对象。Java提供了相互转换的工具，但是我们使用的时候需要注意，不能乱用滥用。 1、数组对象转换为集合对象     最暴力的方式是new一个集合对象，然后遍历数组，依次将数组中的元素放入到新的集合中，但是这样做显然过
  • nginx同一主机部署多个应用 geeksun nginx
    近日有一需求，需要在一台主机上用nginx部署2个php应用，分别是wordpress和wiki，探索了半天，终于部署好了，下面把过程记录下来。 1.   在nginx下创建vhosts目录，用以放置vhost文件。 mkdir vhosts   2.   修改nginx.conf的配置， 在http节点增加下面内容设置，用来包含vhosts里的配置文件 #
  • ubuntu添加admin权限的用户账号 hongtoushizi ubuntuuseradd
    ubuntu创建账号的方式通常用到两种：useradd 和adduser . 本人尝试了useradd方法，步骤如下： 1:useradd    使用useradd时，如果后面不加任何参数的话，如：sudo useradd sysadm 创建出来的用户将是默认的三无用户：无home directory ,无密码,无系统shell。 顾应该如下操作：  
  • 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理 jinnianshilongnian nginxlua
      JSON库   在进行数据传输时JSON格式目前应用广泛，因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能；目前Lua也有几个JSON库，本人用过cjson、dkjson。其中cjson的语法严格（比如unicode \u0020\u7eaf），要求符合规范否则会解析失败（如\u002），而dkjson相对宽松，当然也可以通过修改cjson的源码来完成
  • Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解 yaerfeng1989 timerquartz定时器
    原创整理不易，转载请注明出处：Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解 代码下载地址：http://www.zuidaima.com/share/1772648445103104.htm 有两种流行Spring定时器配置：Java的Timer类和OpenSymphony的Quartz。 1.Java Timer定时 首先继承jav
  • Linux下df与du两个命令的差别？ pda158 linux
    　一、df显示文件系统的使用情况，与du比較，就是更全盘化。 　　最经常使用的就是 df -T，显示文件系统的使用情况并显示文件系统的类型。 　　举比例如以下： 　　[root@localhost ~]# df -T 　　Filesystem                   Type &n
  • [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象 ctfzh VOandroidsqlite反射Cursor
    在写DAO层时，觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了，就写了一个工具类，用到了反射，可以把查询记录的值装到对应的VO里，也可以生成该VO的List。   使用时需要注意： 考虑到Android的性能问题，VO没有使用Setter和Getter，而是直接用public的属性。 表中的字段名需要和VO的属性名一样，要是不一样就得在查询的SQL中
  • 该学习笔记用到的Employee表 vipbooks oraclesql工作
        这是我在学习Oracle是用到的Employee表，在该笔记中用到的就是这张表，大家可以用它来学习和练习。 drop table Employee; -- 员工信息表 create table Employee( -- 员工编号 EmpNo number(3) primary key, -- 姓
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他