- 深度学习揭秘:神经网络如何模拟人脑
shelly聊AI
AI核心技术深度学习神经网络人工智能
大家好,我是Shelly,一个专注于输出AI工具和科技前沿内容的AI应用教练,体验过300+款以上的AI应用工具。关注科技及大模型领域对社会的影响10年+。关注我一起驾驭AI工具,拥抱AI时代的到来。AI工具集1:大厂AI工具【共23款】,一次性奉上,今天是百度和阿里AI工具集2:大厂AI工具【共12款】,一次性奉上,看看腾讯和字节的宝贝人工智能&AIGC术语100条Shelly聊AI-重磅发布一
- 【价值洼地的狩猎机制】
调皮的芋头
机器学习
大资本构建价值掠夺网络的本质,是一场精密设计的系统性剥削工程。其运作逻辑远超普通市场行为,而是通过技术霸权、制度漏洞与认知操控三位一体的组合拳,实现对目标领域的深度殖民化控制:一、价值洼地的狩猎机制1.量子级数据建模摩根士丹利开发的"经济熵变监测系统",实时抓取全球2.3亿个数据节点(包括电力消耗、集装箱空置率、社交媒体情绪指数等),通过深度学习预测区域经济断裂点。例如2014年预判委内瑞拉石油危
- RAG检索增强:知识图谱赋能的高效问答系统
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发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
1.背景介绍随着互联网和信息技术的飞速发展,人们获取信息的方式和途径也发生了巨大的变化。传统的搜索引擎已经无法满足用户对于更精准、更个性化、更智能的信息获取需求。问答系统作为一种能够直接回答用户问题的智能系统,应运而生,并逐渐成为信息检索领域的研究热点。早期的问答系统主要基于模板匹配和关键词匹配等方法,其回答准确率和效率都比较低。近年来,随着深度学习技术的兴起,基于深度学习的问答系统取得了显著的进
- 基于深度学习的田间杂草检测系统:YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
深度学习&目标检测实战项目
深度学习YOLOui人工智能目标检测
随着农业科技的发展,农作物的种植和管理越来越依赖于智能化技术。杂草作为农田生产中的一种主要竞争作物,会对农作物的生长造成负面影响。为了提高作物产量和品质,及时准确地检测和管理杂草显得尤为重要。本文将详细介绍如何构建一个基于深度学习的田间杂草检测系统,使用YOLO模型进行目标检测,包含数据集准备、模型训练、用户界面设计及系统实现。目录1.项目概述1.1背景1.2项目目标2.环境准备2.1软件需求2.
- 呼叫智能体:AI时代下的智能交互革命
MARS_AI_
人工智能自然语言处理信息与通信nlp
在人工智能技术高速发展的今天,呼叫智能体(CallAgent)正成为企业服务升级的核心引擎。它不仅是传统呼叫中心的智能化延伸,更是融合语音克隆、多语种交互、智能体编排等前沿技术的综合解决方案。本文将从技术原理、行业挑战、应用场景三个维度,解析这一突破性技术。一、呼叫智能体的核心技术栈声音克隆与TTS进化通过深度学习模型(如VITS、FastSpeech2),系统可克隆特定人声音色,结合大语言模型生
- Python深度学习实践:神经网络在异常检测中的应用
AI天才研究院
AI大模型企业级应用开发实战Python实战DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
Python深度学习实践:神经网络在异常检测中的应用关键词:深度学习,神经网络,异常检测,Python,TensorFlow,PyTorch,模型优化,实战案例摘要:本文深入探讨了深度学习在异常检测领域的应用。通过Python实现的神经网络,本文介绍了深度学习的基本概念、核心算法、模型优化方法,并提供了详细的实战案例,包括数据预处理、模型训练和评估。读者将了解如何使用深度学习技术检测金融欺诈、网络
- 《深度学习实战》第12集:大模型的未来与行业应用
带娃的IT创业者
深度学习实战深度学习
深度学习实战|第12集:大模型的未来与行业应用随着深度学习技术的快速发展,大模型(如GPT、LLaMA、Bloom等)已经成为人工智能领域的核心驱动力。本篇博客将探讨大模型的发展趋势及其在医疗、金融、教育等行业的实际应用,并通过2个实战项目展示如何使用开源大模型构建问答系统。此外,我们还会分析大模型的前沿技术方向。图示:大模型发展历程与行业应用场景1.大模型发展历程图以下是大模型从早期到现在的关键
- 深度学习突破:LLaMA-MoE模型的高效训练策略
人工智能大模型讲师培训咨询叶梓
深度学习llama人工智能Llama-Moe大模型语言模型
在人工智能领域,大模型(LLM)的崛起带来了前所未有的进步,但随之而来的是巨大的计算资源需求。为了解决这一问题,Mixture-of-Expert(MoE)模型架构应运而生,而LLaMA-MoE正是这一架构下的重要代表。LLaMA-MoE是一种基于LLaMA系列和SlimPajama的MoE模型,它通过将LLaMA的前馈网络(FFNs)划分为稀疏专家,并为每层专家插入top-K个门,从而显著减小模
- 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
- 深度学习现状与未来发展趋势分析报告(深度学习还是主流吗?)
与光同尘 大道至简
深度学习人工智能
此博客分析深度学习当前的主流应用领域、其受关注度的变化趋势、可能的技术替代或补充方案、产业界和学术界的不同发展方向,以及影响其受关注度变化的核心因素。报告将包括结构化分析(背景、现状、挑战、未来趋势)、数据驱动(市场趋势、论文发表量等数据支持)以及行业案例分析,以展示某些行业如何逐步减少对深度学习的依赖。背景深度学习的概念与发展历程:深度学习(DeepLearning)是机器学习中的一类方法,源于
- Python项目-基于深度学习的校园人脸识别考勤系统
天天进步2015
Python项目实战python
引言随着人工智能技术的快速发展,深度学习在计算机视觉领域的应用日益广泛。人脸识别作为其中的一个重要分支,已经在安防、金融、教育等多个领域展现出巨大的应用价值。本文将详细介绍如何使用Python和深度学习技术构建一个校园人脸识别考勤系统,该系统能够自动识别学生身份并记录考勤信息,大大提高了考勤效率,减轻了教师的工作负担。系统概述功能特点实时人脸检测与识别:能够从摄像头视频流中实时检测并识别人脸自动考
- 深度解析大模型蒸馏方法:原理、差异与案例
赵大仁
AI人工智能大语言模型人工智能
深度解析大模型蒸馏方法:原理、差异与案例1.引言随着深度学习的飞速发展,大模型(LargeModels)如GPT、BERT、ViT逐渐成为AI领域的主流。然而,这些模型通常参数量庞大,计算开销极高,不适用于移动端或低算力环境。因此,模型蒸馏(KnowledgeDistillation,KD)作为一种模型压缩技术,成为高效部署大模型的重要手段。在本篇文章中,我们将深入探讨不同类型的模型蒸馏方法,并通
- 基于opencv消除图片马赛克
小苗爸爸
opencv人工智能计算机视觉
以下是一个基于Python的图片马赛克消除函数实现,结合了图像处理和深度学习方法。由于马赛克消除涉及复杂的图像重建任务,建议根据实际需求选择合适的方法:importcv2importnumpyasnpfromPILimportImagedefremove_mosaic(image_path,output_path,method='traditional',block_size=10,scale_f
- 【AI深度学习基础】Pandas完全指南入门篇:数据处理的瑞士军刀 (含完整代码)
arbboter
人工智能人工智能深度学习pandas数据处理数据分析数据清洗数据分析效率提升
Pandas系列文章导航入门篇进阶篇终极篇一、引言在大数据与AI驱动的时代,数据预处理和分析是深度学习与机器学习的基石。Pandas作为Python生态中最强大的数据处理库,以其灵活的数据结构(如DataFrame和Series)和丰富的功能(数据清洗、转换、聚合等),成为数据科学家和工程师的核心工具。Pandas以Series(一维标签数组)和DataFrame(二维表格)为核心数据结构,提供高
- 对“预训练”的理解
衣衣困
深度学习神经网络自然语言处理
预训练有什么用传统的机器学习是偏数学的,对数据的量不做过多要求,而深度学习的项目通常是有大量的数据可供使用。在平常的任务或者项目中,我们可能并没有大量数据,只有少量数据,在这时我们就可以通过“借用”有大数据支持的模型的参数,作为基准,这样就能提高效率和准确率。因为他们神经网络的浅层是相似的,也就是说,在任务相似的情况下,可以用已有的模型即“预训练”好的模型参数实现小数据量的模型训练。预训练可以节省
- 赋能农业数字化转型 用DeepSeek大模型开启智慧农业新纪元
jingwang-cs
人工智能人工智能后端
赋能农业数字化转型用DeepSeek大模型开启智慧农业新纪元当农业遇见DeepSeek大模型:从经验驱动到数据智能的跨越传统农业依赖“看天吃饭”,而「智慧农业」平台依托公司自主研发的农业大模型,深度融合DeepSeek前沿AI技术,构建“数据-模型-决策”全链路智能服务体系。通过深度学习历史种植数据、气象信息、土壤墒情等多维农业要素,平台可精准预测病虫害风险、产量波动及市场趋势,为农户提供科学种植
- AI创业机遇:垂直领域无限可能
AGI大模型与大数据研究院
DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
AI创业垂直领域机器学习深度学习自然语言处理计算机视觉无人驾驶1.背景介绍人工智能(AI)正在各行各业掀起一场革命,为创业者带来了前所未有的机遇。垂直领域,即特定行业或细分市场,正在成为AI创业的热门选择。本文将深入探讨AI在垂直领域的应用,并提供实用的指南,帮助读者把握AI创业机遇。2.核心概念与联系2.1AI与垂直领域AI在垂直领域的应用,需要理解AI与垂直领域的关系。AI可以为垂直领域提供智
- 深度学习代码分析——自用
肆——
深度学习人工智能笔记
代码来自:https://github.com/ChuHan89/WSSS-Tissue?tab=readme-ov-file借助了一些人工智能1_train_stage1.py代码功能总览该代码是弱监督语义分割(WSSS)流程的Stage1训练与测试脚本,核心任务是通过多标签分类模型生成图像级标签,为后续生成伪掩码(Pseudo-Masks)提供基础。代码分为train_phase和test_p
- Python | Pytorch | Tensor知识点总结
漂亮_大男孩
Python拾遗pythonpytorch深度学习人工智能
如是我闻:Tensor是我们接触Pytorch了解到的第一个概念,这里是一个关于PyTorchTensor主题的知识点总结,涵盖了Tensor的基本概念、创建方式、运算操作、梯度计算和GPU加速等内容。1.Tensor基本概念Tensor是PyTorch的核心数据结构,类似于NumPy的ndarray,但支持GPU加速和自动求导。PyTorch的Tensor具有动态计算图,可用于深度学习模型的前向
- 一文讲清楚自我学习和深度学习
平凡而伟大(心之所向)
人工智能人工智能深度学习机器学习
自我学习(Self-Learning)和深度学习(DeepLearning)是两个不同的概念,但它们在某些应用场景中可以有交集。下面我们将分别介绍这两个概念,并探讨如何将它们结合起来用于自我学习系统。自我学习(Self-Learning)自我学习是指个体或系统通过自主探索、实践和反思来获取知识和技能的过程。它强调的是无需外部直接指导的学习方式,通常包括以下几个方面:自主性:学习者根据自己的兴趣、需
- 深度学习数据集封装-----目标检测篇
科研小天才
深度学习目标检测人工智能
前言在上篇文章中,我们深入探讨了图像分类数据集的制作流程。图像分类作为计算机视觉领域的一个基础任务,通常被认为是最为简单直接的子任务之一。然而,当我们转向目标检测任务时,复杂度便显著提升,尤其是在标注框的处理环节。不同的模型架构往往对标注框的处理方式有着各自独特的要求。以YOLO系列为例,它自有一套成熟且高效的方法来应对这一挑战。鉴于篇幅有限,本文暂不深入展开YOLO的相关内容,感兴趣的读者可以查
- 深入理解 Transformer:用途、原理和示例
范吉民(DY Young)
简单AI学习transformer深度学习人工智能
深入理解Transformer:用途、原理和示例一、Transformer是什么Transformer是一种基于注意力机制(AttentionMechanism)的深度学习架构,在2017年的论文“AttentionIsAllYouNeed”中惊艳登场。它打破了传统循环神经网络(RNN)按顺序处理序列、难以并行计算以及卷积神经网络(CNN)在捕捉长距离依赖关系上的局限,另辟蹊径地采用多头注意力机制
- 深度学习算法模型:从原理到未来
YDH_AlwaysRunning
深度学习
近年来,人工智能(AI)技术以前所未有的速度改变着人类生活,而深度学习的崛起无疑是这场技术革命的核心驱动力。从手机中的语音助手到医学影像的智能诊断,从自动驾驶汽车到生成式AI创作的诗歌和画作,深度学习算法模型正逐渐渗透到社会的每个角落。本文将从基本原理出发,解析典型模型的运作机制,探讨其应用现状与发展趋势,带您全面认识这一改变世界的技术。一、深度学习的基本原理:让机器学会"思考"1.1神经网络的生
- 大模型推理速度测评的实战代码
herosunly
大模型推理速度人工智能实战代码
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 今天给大家带来的文章是大模型推理速度测评的实战代码,希望能对学习大模型的同学们有所帮助
- 微调(Fine-tuning)
路野yue
人工智能深度学习
微调(Fine-tuning)是自然语言处理(NLP)和深度学习中的一种常见技术,用于将预训练模型(Pre-trainedModel)适配到特定任务上。它的核心思想是:在预训练模型的基础上,通过少量任务相关的数据进一步训练模型,使其更好地适应目标任务。1.微调的核心思想预训练模型:像BERT、GPT这样的模型,已经在大量通用文本数据上进行了预训练,学习到了丰富的语言知识(如语法、语义、上下文关系等
- 软件设计和软件架构之间的区别
前网易架构师-高司机
软件架构软件设计系统架构
作者简介:高科,先后在IBMPlatformComputing从事网格计算,淘米网,网易从事游戏服务器开发,拥有丰富的C++,go等语言开发经验,mysql,mongo,redis等数据库,设计模式和网络库开发经验,对战棋类,回合制,moba类页游,手游有丰富的架构设计和开发经验。并且深耕深度学习和数据集训练,提供商业化的视觉人工智能检测和预警系统(煤矿,工厂,制造业,消防等领域的工业化产品),合
- 基于PyTorch的深度学习2——Numpy与Tensor
Wis4e
深度学习pytorchnumpy
Tensor自称为神经网络界的Numpy,它与Numpy相似,二者可以共享内存,且之间的转换非常方便和高效。不过它们也有不同之处,最大的区别就是Numpy会把ndarray放在CPU中进行加速运算,而由Torch产生的Tensor会放在GPU中进行加速运算。1.创建创建Tensor的方法有很多,可以从列表或ndarray等类型进行构建,也可根据指定的形状构建。importtorch#根据list数
- 【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
- GPU与CPU:架构对比与技术应用解析
Hello.Reader
运维其他架构
1.引言1.1为什么探讨GPU与CPU的对比?随着计算技术的不断发展,GPU(图形处理单元)和CPU(中央处理单元)已经成为现代计算机系统中最重要的两个组成部分。然而,随着应用场景的多样化和对性能需求的提高,这两种处理器的角色正在逐渐发生变化。GPU以其强大的并行计算能力,在深度学习、图像处理和科学计算等领域迅速崛起,而CPU则在通用计算任务中保持其核心地位。了解GPU与CPU的设计差异和适用场景
- AI人工智能代理工作流AI Agent WorkFlow:搭建可拓展的AI代理工作流架构
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
AI人工智能代理工作流AIAgentWorkFlow:搭建可拓展的AI代理工作流架构1.背景介绍1.1问题的由来随着人工智能技术的飞速发展,特别是机器学习和深度学习技术的广泛应用,构建高度智能且自动化的代理系统成为了一个迫切的需求。这些代理系统能够自主地进行决策、执行任务并适应不断变化的环境。然而,现有的代理系统往往在面对复杂任务时缺乏灵活性和可扩展性,这限制了它们在实际应用中的广泛部署和大规模应
- ASM系列五 利用TreeApi 解析生成Class
lijingyao8206
ASM字节码动态生成ClassNodeTreeAPI
前面CoreApi的介绍部分基本涵盖了ASMCore包下面的主要API及功能,其中还有一部分关于MetaData的解析和生成就不再赘述。这篇开始介绍ASM另一部分主要的Api。TreeApi。这一部分源码是关联的asm-tree-5.0.4的版本。
在介绍前,先要知道一点, Tree工程的接口基本可以完
- 链表树——复合数据结构应用实例
bardo
数据结构树型结构表结构设计链表菜单排序
我们清楚:数据库设计中,表结构设计的好坏,直接影响程序的复杂度。所以,本文就无限级分类(目录)树与链表的复合在表设计中的应用进行探讨。当然,什么是树,什么是链表,这里不作介绍。有兴趣可以去看相关的教材。
需求简介:
经常遇到这样的需求,我们希望能将保存在数据库中的树结构能够按确定的顺序读出来。比如,多级菜单、组织结构、商品分类。更具体的,我们希望某个二级菜单在这一级别中就是第一个。虽然它是最后
- 为啥要用位运算代替取模呢
chenchao051
位运算哈希汇编
在hash中查找key的时候,经常会发现用&取代%,先看两段代码吧,
JDK6中的HashMap中的indexFor方法:
/**
* Returns index for hash code h.
*/
static int indexFor(int h, int length) {
- 最近的情况
麦田的设计者
生活感悟计划软考想
今天是2015年4月27号
整理一下最近的思绪以及要完成的任务
1、最近在驾校科目二练车,每周四天,练三周。其实做什么都要用心,追求合理的途径解决。为
- PHP去掉字符串中最后一个字符的方法
IT独行者
PHP字符串
今天在PHP项目开发中遇到一个需求,去掉字符串中的最后一个字符 原字符串1,2,3,4,5,6, 去掉最后一个字符",",最终结果为1,2,3,4,5,6 代码如下:
$str = "1,2,3,4,5,6,";
$newstr = substr($str,0,strlen($str)-1);
echo $newstr;
- hadoop在linux上单机安装过程
_wy_
linuxhadoop
1、安装JDK
jdk版本最好是1.6以上,可以使用执行命令java -version查看当前JAVA版本号,如果报命令不存在或版本比较低,则需要安装一个高版本的JDK,并在/etc/profile的文件末尾,根据本机JDK实际的安装位置加上以下几行:
export JAVA_HOME=/usr/java/jdk1.7.0_25  
- JAVA进阶----分布式事务的一种简单处理方法
无量
多系统交互分布式事务
每个方法都是原子操作:
提供第三方服务的系统,要同时提供执行方法和对应的回滚方法
A系统调用B,C,D系统完成分布式事务
=========执行开始========
A.aa();
try {
B.bb();
} catch(Exception e) {
A.rollbackAa();
}
try {
C.cc();
} catch(Excep
- 安墨移动广 告:移动DSP厚积薄发 引领未来广 告业发展命脉
矮蛋蛋
hadoop互联网
“谁掌握了强大的DSP技术,谁将引领未来的广 告行业发展命脉。”2014年,移动广 告行业的热点非移动DSP莫属。各个圈子都在纷纷谈论,认为移动DSP是行业突破点,一时间许多移动广 告联盟风起云涌,竞相推出专属移动DSP产品。
到底什么是移动DSP呢?
DSP(Demand-SidePlatform),就是需求方平台,为解决广 告主投放的各种需求,真正实现人群定位的精准广
- myelipse设置
alafqq
IP
在一个项目的完整的生命周期中,其维护费用,往往是其开发费用的数倍。因此项目的可维护性、可复用性是衡量一个项目好坏的关键。而注释则是可维护性中必不可少的一环。
注释模板导入步骤
安装方法:
打开eclipse/myeclipse
选择 window-->Preferences-->JAVA-->Code-->Code
- java数组
百合不是茶
java数组
java数组的 声明 创建 初始化; java支持C语言
数组中的每个数都有唯一的一个下标
一维数组的定义 声明: int[] a = new int[3];声明数组中有三个数int[3]
int[] a 中有三个数,下标从0开始,可以同过for来遍历数组中的数
- javascript读取表单数据
bijian1013
JavaScript
利用javascript读取表单数据,可以利用以下三种方法获取:
1、通过表单ID属性:var a = document.getElementByIdx_x_x("id");
2、通过表单名称属性:var b = document.getElementsByName("name");
3、直接通过表单名字获取:var c = form.content.
- 探索JUnit4扩展:使用Theory
bijian1013
javaJUnitTheory
理论机制(Theory)
一.为什么要引用理论机制(Theory)
当今软件开发中,测试驱动开发(TDD — Test-driven development)越发流行。为什么 TDD 会如此流行呢?因为它确实拥有很多优点,它允许开发人员通过简单的例子来指定和表明他们代码的行为意图。
TDD 的优点:
&nb
- [Spring Data Mongo一]Spring Mongo Template操作MongoDB
bit1129
template
什么是Spring Data Mongo
Spring Data MongoDB项目对访问MongoDB的Java客户端API进行了封装,这种封装类似于Spring封装Hibernate和JDBC而提供的HibernateTemplate和JDBCTemplate,主要能力包括
1. 封装客户端跟MongoDB的链接管理
2. 文档-对象映射,通过注解:@Document(collectio
- 【Kafka八】Zookeeper上关于Kafka的配置信息
bit1129
zookeeper
问题:
1. Kafka的哪些信息记录在Zookeeper中 2. Consumer Group消费的每个Partition的Offset信息存放在什么位置
3. Topic的每个Partition存放在哪个Broker上的信息存放在哪里
4. Producer跟Zookeeper究竟有没有关系?没有关系!!!
//consumers、config、brokers、cont
- java OOM内存异常的四种类型及异常与解决方案
ronin47
java OOM 内存异常
OOM异常的四种类型:
一: StackOverflowError :通常因为递归函数引起(死递归,递归太深)。-Xss 128k 一般够用。
二: out Of memory: PermGen Space:通常是动态类大多,比如web 服务器自动更新部署时引起。-Xmx
- java-实现链表反转-递归和非递归实现
bylijinnan
java
20120422更新:
对链表中部分节点进行反转操作,这些节点相隔k个:
0->1->2->3->4->5->6->7->8->9
k=2
8->1->6->3->4->5->2->7->0->9
注意1 3 5 7 9 位置是不变的。
解法:
将链表拆成两部分:
a.0-&
- Netty源码学习-DelimiterBasedFrameDecoder
bylijinnan
javanetty
看DelimiterBasedFrameDecoder的API,有举例:
接收到的ChannelBuffer如下:
+--------------+
| ABC\nDEF\r\n |
+--------------+
经过DelimiterBasedFrameDecoder(Delimiters.lineDelimiter())之后,得到:
+-----+----
- linux的一些命令 -查看cc攻击-网口ip统计等
hotsunshine
linux
Linux判断CC攻击命令详解
2011年12月23日 ⁄ 安全 ⁄ 暂无评论
查看所有80端口的连接数
netstat -nat|grep -i '80'|wc -l
对连接的IP按连接数量进行排序
netstat -ntu | awk '{print $5}' | cut -d: -f1 | sort | uniq -c | sort -n
查看TCP连接状态
n
- Spring获取SessionFactory
ctrain
sessionFactory
String sql = "select sysdate from dual";
WebApplicationContext wac = ContextLoader.getCurrentWebApplicationContext();
String[] names = wac.getBeanDefinitionNames();
for(int i=0; i&
- Hive几种导出数据方式
daizj
hive数据导出
Hive几种导出数据方式
1.拷贝文件
如果数据文件恰好是用户需要的格式,那么只需要拷贝文件或文件夹就可以。
hadoop fs –cp source_path target_path
2.导出到本地文件系统
--不能使用insert into local directory来导出数据,会报错
--只能使用
- 编程之美
dcj3sjt126com
编程PHP重构
我个人的 PHP 编程经验中,递归调用常常与静态变量使用。静态变量的含义可以参考 PHP 手册。希望下面的代码,会更有利于对递归以及静态变量的理解
header("Content-type: text/plain");
function static_function () {
static $i = 0;
if ($i++ < 1
- Android保存用户名和密码
dcj3sjt126com
android
转自:http://www.2cto.com/kf/201401/272336.html
我们不管在开发一个项目或者使用别人的项目,都有用户登录功能,为了让用户的体验效果更好,我们通常会做一个功能,叫做保存用户,这样做的目地就是为了让用户下一次再使用该程序不会重新输入用户名和密码,这里我使用3种方式来存储用户名和密码
1、通过普通 的txt文本存储
2、通过properties属性文件进行存
- Oracle 复习笔记之同义词
eksliang
Oracle 同义词Oracle synonym
转载请出自出处:http://eksliang.iteye.com/blog/2098861
1.什么是同义词
同义词是现有模式对象的一个别名。
概念性的东西,什么是模式呢?创建一个用户,就相应的创建了 一个模式。模式是指数据库对象,是对用户所创建的数据对象的总称。模式对象包括表、视图、索引、同义词、序列、过
- Ajax案例
gongmeitao
Ajaxjsp
数据库采用Sql Server2005
项目名称为:Ajax_Demo
1.com.demo.conn包
package com.demo.conn;
import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException;
//获取数据库连接的类public class DBConnec
- ASP.NET中Request.RawUrl、Request.Url的区别
hvt
.netWebC#asp.nethovertree
如果访问的地址是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree%3C&n=myslider#zonemenu那么Request.Url.ToString() 的值是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree<&
- SVG 教程 (七)SVG 实例,SVG 参考手册
天梯梦
svg
SVG 实例 在线实例
下面的例子是把SVG代码直接嵌入到HTML代码中。
谷歌Chrome,火狐,Internet Explorer9,和Safari都支持。
注意:下面的例子将不会在Opera运行,即使Opera支持SVG - 它也不支持SVG在HTML代码中直接使用。 SVG 实例
SVG基本形状
一个圆
矩形
不透明矩形
一个矩形不透明2
一个带圆角矩
- 事务管理
luyulong
javaspring编程事务
事物管理
spring事物的好处
为不同的事物API提供了一致的编程模型
支持声明式事务管理
提供比大多数事务API更简单更易于使用的编程式事务管理API
整合spring的各种数据访问抽象
TransactionDefinition
定义了事务策略
int getIsolationLevel()得到当前事务的隔离级别
READ_COMMITTED
- 基础数据结构和算法十一:Red-black binary search tree
sunwinner
AlgorithmRed-black
The insertion algorithm for 2-3 trees just described is not difficult to understand; now, we will see that it is also not difficult to implement. We will consider a simple representation known
- centos同步时间
stunizhengjia
linux集群同步时间
做了集群,时间的同步就显得非常必要了。 以下是查到的如何做时间同步。 在CentOS 5不再区分客户端和服务器,只要配置了NTP,它就会提供NTP服务。 1)确认已经ntp程序包: # yum install ntp 2)配置时间源(默认就行,不需要修改) # vi /etc/ntp.conf server pool.ntp.o
- ITeye 9月技术图书有奖试读获奖名单公布
ITeye管理员
ITeye
ITeye携手博文视点举办的9月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。 9月试读活动回顾:http://webmaster.iteye.com/blog/2118112本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《NFC:Arduino、Andro