- 目标检测——YOLO11算法解读
lishanlu136
#目标检测目标检测YOLO11YOLO系列算法解读
作者:Ultralytics公司代码:https://github.com/ultralytics/ultralyticsYOLO系列算法解读:YOLOv1通俗易懂版解读、SSD算法解读、YOLOv2算法解读、YOLOv3算法解读、YOLOv4算法解读、YOLOv5算法解读、YOLOR算法解读、YOLOX算法解读、YOLOv6算法解读、YOLOv7算法解读、
- YOLOv4 正负样本划分详解
要努力啊啊啊
计算机视觉YOLO目标检测深度学习计算机视觉目标跟踪
✅YOLOv4正负样本划分详解一、前言在目标检测中,正负样本划分是训练过程中的关键环节,它决定了哪些预测框参与损失计算,从而影响模型的学习效果。YOLOv4在YOLOv3的基础上进行了改进,包括:使用CSPDarknet53主干网络;引入PANet特征融合结构;支持Mosaic数据增强;使用CIoULoss和DIoU-NMS;但在正样本划分逻辑上,YOLOv4保持了与YOLOv3类似的设计方式,并
- YOLO的作者们
小远披荆斩棘
YOLOv8v9v10等实验与论文总结YOLO
YOLO之父JesephRedmon,他创建了yolov1、yolov2、yolov3三个版本,但是在2020年2月份却宣布退出CV学术界、停止一切关于计算机视觉的研究、原因是自己的开源算法已经用在军事和隐私问题上,这对他的道德造成了巨大的考验,他拒绝AI算法用于军事和隐私窥探。而在这2个月之后,另一位曾经参与YOLO项目维护的大神AlexeyBochkovskiy,在arXiv上提交了YOLOv
- YOLOv3 正负样本划分详解
要努力啊啊啊
计算机视觉YOLO目标检测深度学习计算机视觉目标跟踪
✅YOLOv3正负样本划分详解一、前言在目标检测任务中,正负样本的划分是训练过程中的关键环节。它决定了哪些预测框参与位置回归、分类损失和置信度损失。YOLOv3在YOLOv2的基础上引入了多尺度预测和更精细的AnchorBoxes匹配策略,使得正样本的选择更加合理,提高了模型的召回率和定位精度。本文将基于以下来源进行解析:YOLOv3:AnIncrementalImprovement(论文原文)A
- YOLOv4 改进点详解
要努力啊啊啊
计算机视觉YOLO目标检测计算机视觉算法
✅YOLOv4改进点详解一、前言YOLOv4是目标检测领域的一次重大升级,由AlexeyBochkovskiy等人在论文《YOLOv4:OptimalSpeedandAccuracyofObjectDetection》中提出。与YOLOv3相比,YOLOv4引入了多个结构优化和训练策略改进,在保持实时性的同时进一步提升了模型的精度和鲁棒性。本文将严格按照以下来源进行说明:✅论文原文:YOLOv4:
- 算法在嵌入式端的部署与优化
早日退休!!!
硬件算法嵌入式硬件
算法在嵌入式端的部署与优化前言理论1.参考资源2.其他1.将深度学习模型移植到嵌入式端时,提高推理速度的方法2.深度学习模型移植到嵌入式端的主要流程3.假设将已经训练好的目标检测模型(比如YOLOv3)移植到树莓派4B这样一款嵌入式设备上,并且需要保证推理速度达到实时。具体流程如下4.在树莓派上使用ncnn推理引擎,可以采取以下措施提高推理速度5.先进行模型压缩再用推理模型部署是一种常见的深度学习
- YOLOv3目标检测实战
宁安我
YOLO目标检测人工智能
YOLOv3目标检测实战:从理论到代码实现目录YOLOv3目标检测实战:从理论到代码实现1.引言2.YOLOv3的核心原理2.1网络结构2.2锚框(AnchorBoxes)2.3损失函数2.4预测流程3.案例:使用YOLOv3进行目标检测3.1数据集准备3.2模型定义3.2.1Darknet-53主干网络3.2.2YOLOv3检测头3.3训练与优化3.3.1损失函数3.3.2训练脚本3.4模型推理
- # YOLOv3:基于 PyTorch 的目标检测模型实现
www_pp_
YOLOpytorch目标检测
YOLOv3:基于PyTorch的目标检测模型实现引言YOLOv3(YouOnlyLookOnce)是一种流行的单阶段目标检测算法,它能够直接在输入图像上预测边界框和类别概率。YOLOv3的优势在于其高效性和准确性,使其在实时目标检测任务中表现出色。本文将详细介绍如何使用PyTorch实现YOLOv3模型,并提供完整的代码实现。1.YOLOv3简介YOLOv3是YOLO系列算法的第三个版本,它在前
- YOLOv3 目标检测算法深度解析
mozun2020
DL1:深度学习YOLO目标检测算法计算机视觉人工智能目标识别
YOLOv3目标检测算法深度解析一、算法原理与核心创新1.1算法设计哲学YOLOv3(YouOnlyLookOnceversion3)作为YOLO系列的第三代算法,延续了单阶段检测范式,通过端到端的回归策略实现实时目标检测。其核心设计目标是在保持检测速度优势的同时,显著提升多尺度目标检测能力,尤其针对小目标检测和复杂场景优化。1.2关键技术创新点1.2.1Darknet-53骨干网络残差连接:引入
- **深度学习之Keras-DIOU-YOLOv3: 更精确的目标检测利器**
许煦津
深度学习之Keras-DIOU-YOLOv3:更精确的目标检测利器去发现同类优质开源项目:https://gitcode.com/在这个数字化时代,目标检测是计算机视觉领域的一个重要组成部分,广泛应用于自动驾驶、视频监控、图像理解等多个场景。是一个基于Keras实现的改进版YOLOv3模型,它引入了DIOU(Distance-Intersection-over-Union)损失函数,旨在提高目标定
- 探秘PyTorch_YOLOv3:高效目标检测的利器
高慈鹃Faye
探秘PyTorch_YOLOv3:高效目标检测的利器去发现同类优质开源项目:https://gitcode.com/项目简介是一个基于PyTorch实现的目标检测框架,它采用了YOLOv3算法,该算法由JosephRedmon等人在2018年提出,以其实时性、高精度和广泛的适应性而备受关注。该项目致力于提供一个简单易用且高效的YoloV3实现,让用户能够轻松地进行目标检测任务。技术分析YOLOv3
- 机器学习、图像识别、视觉识别框架的对比表:
芯知社区
机器学习人工智能
以下是机器学习、图像识别、视觉识别框架的对比表:特性TensorFlowPyTorchOpenCVGoogleCloudVisionAPIYOLOv3Halcon开发语言Python,C++等Python,C++等C++,Python,Java等通过REST和RPCAPI调用Python,C++等C,C++,C#,VisualBasic等应用场景机器学习、深度学习、图像处理等机器学习、深度学习、计
- YOLO系列模型简介
西北风^_^
大模型YOLO
YOLO(YouOnlyLookOnce)系列模型是用于目标检测的一组深度学习模型,以其快速且高效的特点著称。该系列模型由JosephRedmon等人开发,自2016年的YOLOv1发布以来,已经经历了多个版本的迭代和发展,包括YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7及最新的YOLOv8等。每个版本都在前一代的基础上进行了改进和优化,提升了模型的速度和准确
- 旋转目标检测:FCOS: Fully Convolutional One-Stage Object Detection【方法解读】
沉浸式AI
《AI与SLAM论文解析》目标检测人工智能计算机视觉论文解读旋转目标检测
FCOS:全卷积单阶段目标检测我们提出了一种全卷积单阶段目标检测器(FCOS),以逐像素预测的方式解决目标检测问题,类似于语义分割。目前几乎所有的最先进目标检测器,如RetinaNet、SSD、YOLOv3和FasterR-CNN,都依赖于预定义的锚框。相反,我们提出的FCOS检测器是无锚框的,同时也是无候选区域的。通过消除预定义的锚框集,FCOS完全避免了与锚框相关的复杂计算,如训练期间计算重叠
- 经典的YOLOv3和YOLOV5算法详解及代码复现
清风AI
深度学习算法详解及代码复现YOLO算法yolov3yolov5计算机视觉人工智能
YOLO的基本原理YOLO(YouOnlyLookOnce)是一种革命性的目标检测算法,它巧妙地将复杂的检测问题转化为回归问题。这种方法的核心在于将输入图像划分为S×S网格,每个网格负责预测其内部的物体位置和类别。具体来说,每个网格需要预测(B×5+C)个值,其中B代表边界框数量,C为类别数。最终,模型输出一个S×S×(B×5+C)大小的张量。YOLO的一个关键创新是使用非极大值抑制(NMS)算法
- YOLOv3 推理与后处理模块源码解析
LIUDAN'S WORLD
YOLO系列教程YOLO人工智能目标检测
一、YOLOv3模型推理过程源码解析推理过程指的是将输入图像送入训练好的YOLOv3模型,得到模型输出的预测结果。1.输入图像预处理(Preprocessing)在将图像送入模型之前,通常需要进行一系列的预处理操作,以使其符合模型的输入要求。常见的预处理步骤包括:图像缩放(Resizing):将输入图像缩放到模型训练时所使用的尺寸,例如常见的416x416或608x608。这通常涉及到保持图像的宽
- 基于深度学习与YOLOv的人脸表情识别方法研究
源码空间站TH
深度学习人工智能
内容概要:文章探讨了基于深度学习的人脸表情识别技术,重点介绍了YOLOv3算法的应用。通过结合YOLOv3的实时检测能力和传统的分类器方法,实现了一个高效的人脸表情识别系统。文中详细讨论了YOLOv3的工作原理,数据预处理方法,训练与测试流程,并展示了系统的应用场景,如图片识别、视频识别和实时识别等。适合人群:计算机视觉研究人员、深度学习爱好者和相关领域的工程师。使用场景及目标:适用于人机交互、在
- YOLOv3预训练权重——开启目标检测的快捷之门
毕昕露Lionel
YOLOv3预训练权重——开启目标检测的快捷之门【下载地址】yolov3预训练权重资源yolov3预训练权重资源欢迎来到YOLOv3预训练权重的下载页面!本仓库提供YOLOv3模型的预训练权重文件,旨在帮助开发者和研究人员快速启动目标检测项目项目地址:https://gitcode.com/open-source-toolkit/a7417在追求高效、准确的目标检测之旅中,YOLOv3预训练权重无
- YOLOv3实践教程:使用预训练模型进行目标检测
LIUDAN'S WORLD
YOLO系列教程YOLO深度学习计算机视觉人工智能
目录简介环境准备获取预训练模型图像目标检测视频目标检测模型性能优化常见问题解答进阶学习路径简介YOLOv3(YouOnlyLookOnceversion3)是一种高效的实时目标检测算法,由JosephRedmon和AliFarhadi于2018年提出。与传统的目标检测方法相比,YOLO将目标检测视为单一的回归问题,直接从完整图像预测边界框及其类别概率,使其成为速度和准确性之间平衡的优秀选择。本教程
- 复现deep_sort_yolov3--demo.py
聿默
目标跟踪tensorflowkeras
0.环境opencv-python==4.1.0.25/4.1.2.30Pillowscikit-learn==0.19.2numpy==1.15.0keras==2.2.4tensorflow==1.12.0imutils1.修改1.1在deep_sort添加videocaptureasync.pyimportthreadingimportcv2classVideoCaptureAsync:de
- 探索MobileNet-Yolo:轻量级的移动端目标检测神器
施刚爽
探索MobileNet-Yolo:轻量级的移动端目标检测神器MobileNet-YoloMobileNetV2-YoloV3-Nano:0.5BFlops3MBHUAWEIP40:6ms/img,YoloFace-500k:0.1Bflops420KB:fire::fire::fire:项目地址:https://gitcode.com/gh_mirrors/mo/MobileNet-Yolo项目简
- PyTorch-YOLOv3 安装和配置指南
劳蕾令
PyTorch-YOLOv3安装和配置指南PyTorch-YOLOv3eriklindernoren/PyTorch-YOLOv3:是一个基于PyTorch实现的YOLOv3目标检测模型。适合用于需要实现实时目标检测的应用。特点是可以提供PyTorch框架下的YOLOv3模型实现,支持自定义模型和数据处理流程。项目地址:https://gitcode.com/gh_mirrors/py/PyTor
- YOLO_v3_PyTorch: 基于PyTorch的YOLOv3实现指南
吕曦耘George
YOLO_v3_PyTorch:基于PyTorch的YOLOv3实现指南YOLO_v3_PyTorch使用PyTorch实现基于YOLOv3的目标检测器项目地址:https://gitcode.com/gh_mirrors/yo/YOLO_v3_PyTorch项目介绍YOLO_v3_PyTorch是一个简洁的PyTorch版本YOLOv3框架,旨在提供对YOLOv3目标检测算法的支持,包括训练、推
- 【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
牙牙要健康
目标检测深度学习目标检测pytorch
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解文章目录【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解前言YOLOV3的模型结构YOLOV3模型的基本执行流程YOLOV3模型的网络参数YOLOV3的核心思想前向传播阶段反向传播阶段总结前言YOLOV3是由华盛顿大学的JosephRedmon等人在《YOLOv3:AnIncrementalImprovem
- yolo模型学习笔记——4——yolov4相比与yolov3的优点
Summit-
YOLO学习笔记
1.网络结构和架构的改变(1)yolov3使用darknet-53的主干网络,该网络基于残差结构(2)yolov4使用CSPDarknet53,增强版darknet-53,具有更高的计算效率和更好的特征提取能2.优化技术(1)yolov3使用了基础的数据增强技术(如翻转、裁剪、亮度调整等),并且使用了自适应锚框来匹配目标的大小(2)yolov41.Mosaic数据增强这是一种新的数据增强方法,通过
- 【ROS】Darknet_ROS YOLO V3 部署自训练模型 目标检测
Abaaba+
YOLO目标检测人工智能
【ROS】Darknet_ROSYOLOV3目标检测前言整体思路安装依赖项检查克隆源码编译与构建准备文件1.权重文件(xf_real.weights)2.配置文件(xf_real.cfg)3.模型配置文件(xf_real.yaml)修改配置ros.yamldarknet_ros.launch使用与测试前言本文适用于已掌握YOLOv3和Darknet基础知识的读者,旨在帮助大家快速在ROS上部署自定
- YOLO系列模型从v1到v10的演进
剑走偏锋o.O
YOLO目标跟踪人工智能
文章目录引言YOLOv1:开创单阶段目标检测先河发布时间与背景核心创新模型架构训练策略与优化YOLOv2:提升精度与速度的平衡发布时间与背景核心创新模型架构训练策略与优化YOLOv3:多尺度检测与残差连接发布时间与背景核心创新模型架构训练策略与优化YOLOv4:引入注意力机制与优化模块发布时间与背景核心创新模型架构训练策略与优化YOLOv5:工程优化与实际应用的结合发布时间与背景核心创新模型架构训
- 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
- AWS Security Finding Format (ASFF) 与 yolov3 with mobilenet v2 的集成教程
侯忱励
AWSSecurityFindingFormat(ASFF)与yolov3withmobilenetv2的集成教程ASFFyolov3withmobilenetv2andASFF项目地址:https://gitcode.com/gh_mirrors/as/ASFF1.项目介绍ASFF,全称是AWSSecurityFindingFormat,是由AWS设计的一种标准安全发现格式,用于在Securit
- 还没搞懂YOLO v7,YOLO v8已经来了!
沃恩智慧
目标检测深度学习计算机视觉
YOLO系列又双叒更新!只能说,YOLO系列发展地真快,已经有点跟不上了!YOLOv1-YOLOv8系列回顾YOLOv1:2015年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv2:2016年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv3:2018年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv4:2020年Al
- LeetCode[位运算] - #137 Single Number II
Cwind
javaAlgorithmLeetCode题解位运算
原题链接:#137 Single Number II
要求:
给定一个整型数组,其中除了一个元素之外,每个元素都出现三次。找出这个元素
注意:算法的时间复杂度应为O(n),最好不使用额外的内存空间
难度:中等
分析:
与#136类似,都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n,即某一
- 《JavaScript语言精粹》笔记
aijuans
JavaScript
0、JavaScript的简单数据类型包括数字、字符创、布尔值(true/false)、null和undefined值,其它值都是对象。
1、JavaScript只有一个数字类型,它在内部被表示为64位的浮点数。没有分离出整数,所以1和1.0的值相同。
2、NaN是一个数值,表示一个不能产生正常结果的运算结果。NaN不等于任何值,包括它本身。可以用函数isNaN(number)检测NaN,但是
- 你应该更新的Java知识之常用程序库
Kai_Ge
java
在很多人眼中,Java 已经是一门垂垂老矣的语言,但并不妨碍 Java 世界依然在前进。如果你曾离开 Java,云游于其它世界,或是每日只在遗留代码中挣扎,或许是时候抬起头,看看老 Java 中的新东西。
Guava
Guava[gwɑ:və],一句话,只要你做Java项目,就应该用Guava(Github)。
guava 是 Google 出品的一套 Java 核心库,在我看来,它甚至应该
- HttpClient
120153216
httpclient
/**
* 可以传对象的请求转发,对象已流形式放入HTTP中
*/
public static Object doPost(Map<String,Object> parmMap,String url)
{
Object object = null;
HttpClient hc = new HttpClient();
String fullURL
- Django model字段类型清单
2002wmj
django
Django 通过 models 实现数据库的创建、修改、删除等操作,本文为模型中一般常用的类型的清单,便于查询和使用: AutoField:一个自动递增的整型字段,添加记录时它会自动增长。你通常不需要直接使用这个字段;如果你不指定主键的话,系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField:布尔字段,管理工具里会自动将其描述为checkbox。 Cha
- 在SQLSERVER中查找消耗CPU最多的SQL
357029540
SQL Server
返回消耗CPU数目最多的10条语句
SELECT TOP 10
total_worker_time/execution_count AS avg_cpu_cost, plan_handle,
execution_count,
(SELECT SUBSTRING(text, statement_start_of
- Myeclipse项目无法部署,Undefined exploded archive location
7454103
eclipseMyEclipse
做个备忘!
错误信息为:
Undefined exploded archive location
原因:
在工程转移过程中,导致工程的配置文件出错;
解决方法:
 
- GMT时间格式转换
adminjun
GMT时间转换
普通的时间转换问题我这里就不再罗嗦了,我想大家应该都会那种低级的转换问题吧,现在我向大家总结一下如何转换GMT时间格式,这种格式的转换方法网上还不是很多,所以有必要总结一下,也算给有需要的朋友一个小小的帮助啦。
1、可以使用
SimpleDateFormat SimpleDateFormat
EEE-三位星期
d-天
MMM-月
yyyy-四位年
- Oracle数据库新装连接串问题
aijuans
oracle数据库
割接新装了数据库,客户端登陆无问题,apache/cgi-bin程序有问题,sqlnet.log日志如下:
Fatal NI connect error 12170.
VERSION INFORMATION: TNS for Linux: Version 10.2.0.4.0 - Product
- 回顾java数组复制
ayaoxinchao
java数组
在写这篇文章之前,也看了一些别人写的,基本上都是大同小异。文章是对java数组复制基础知识的回顾,算是作为学习笔记,供以后自己翻阅。首先,简单想一下这个问题:为什么要复制数组?我的个人理解:在我们在利用一个数组时,在每一次使用,我们都希望它的值是初始值。这时我们就要对数组进行复制,以达到原始数组值的安全性。java数组复制大致分为3种方式:①for循环方式 ②clone方式 ③arrayCopy方
- java web会话监听并使用spring注入
bewithme
Java Web
在java web应用中,当你想在建立会话或移除会话时,让系统做某些事情,比如说,统计在线用户,每当有用户登录时,或退出时,那么可以用下面这个监听器来监听。
import java.util.ArrayList;
import java.ut
- NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用)
bijian1013
redis数据库NoSQL
一 .Redis常用命令
Redis提供了丰富的命令对数据库和各种数据库类型进行操作,这些命令可以在Linux终端使用。
a.键值相关命令
b.服务器相关命令
1.键值相关命令
&
- java枚举序列化问题
bingyingao
java枚举序列化
对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题:
1.加一个枚举值
新机器代码读分布式缓存中老对象,没有问题,不会抛异常。
老机器代码读分布式缓存中新对像,反序列化会中断,所以在所有机器发布完成之前要避免出现新对象,或者提前让老机器拥有新增枚举的jar。
2.删一个枚举值
新机器代码读分布式缓存中老对象,反序列
- 【Spark七十八】Spark Kyro序列化
bit1129
spark
当使用SparkContext的saveAsObjectFile方法将对象序列化到文件,以及通过objectFile方法将对象从文件反序列出来的时候,Spark默认使用Java的序列化以及反序列化机制,通常情况下,这种序列化机制是很低效的,Spark支持使用Kyro作为对象的序列化和反序列化机制,序列化的速度比java更快,但是使用Kyro时要注意,Kyro目前还是有些bug。
Spark
- Hybridizing OO and Functional Design
bookjovi
erlanghaskell
推荐博文:
Tell Above, and Ask Below - Hybridizing OO and Functional Design
文章中把OO和FP讲的深入透彻,里面把smalltalk和haskell作为典型的两种编程范式代表语言,此点本人极为同意,smalltalk可以说是最能体现OO设计的面向对象语言,smalltalk的作者Alan kay也是OO的最早先驱,
- Java-Collections Framework学习与总结-HashMap
BrokenDreams
Collections
开发中常常会用到这样一种数据结构,根据一个关键字,找到所需的信息。这个过程有点像查字典,拿到一个key,去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类),基本上支持字典表的操作。后来引入了Map接口,更好的描述的这种数据结构。
&nb
- 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility
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/
/**
* 业务逻辑:项目经理只能处理500以下的费用申请,部门经理是1000,总经理不设限。简单起见,只同意“Tom”的申请
* bylijinnan
*/
abstract class Handler {
/*
- Android中启动外部程序
cherishLC
android
1、启动外部程序
引用自:
http://blog.csdn.net/linxcool/article/details/7692374
//方法一
Intent intent=new Intent();
//包名 包名+类名(全路径)
intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
- summary_keep_rate
coollyj
SUM
BEGIN
/*DECLARE minDate varchar(20) ;
DECLARE maxDate varchar(20) ;*/
DECLARE stkDate varchar(20) ;
DECLARE done int default -1;
/* 游标中 注册服务器地址 */
DE
- hadoop hdfs 添加数据目录出错
daizj
hadoophdfs扩容
由于原来配置的hadoop data目录快要用满了,故准备修改配置文件增加数据目录,以便扩容,但由于疏忽,把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录,但未创建实际目录,重启datanode服务时,报如下错误:
2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
- grep 目录级联查找
dongwei_6688
grep
在Mac或者Linux下使用grep进行文件内容查找时,如果给定的目标搜索路径是当前目录,那么它默认只搜索当前目录下的文件,而不会搜索其下面子目录中的文件内容,如果想级联搜索下级目录,需要使用一个“-r”参数:
grep -n -r "GET" .
上面的命令将会找出当前目录“.”及当前目录中所有下级目录
- yii 修改模块使用的布局文件
dcj3sjt126com
yiilayouts
方法一:yii模块默认使用系统当前的主题布局文件,如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件; 如果未配置主题,那么 yii的模块就使用 protected/views/layouts 下的布局文件, 总之默认不是使用自身目录 pr
- 设计模式之单例模式
come_for_dream
设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
今天该来的面试还没来,这个店估计不会来电话了,安静下来写写博客也不错,没事翻了翻小易哥的博客甚至与大牛们之间的差距,基础知识不扎实建起来的楼再高也只能是危楼罢了,陈下心回归基础把以前学过的东西总结一下。
*********************************
- 8、数组
豆豆咖啡
二维数组数组一维数组
一、概念
数组是同一种类型数据的集合。其实数组就是一个容器。
二、好处
可以自动给数组中的元素从0开始编号,方便操作这些元素
三、格式
//一维数组
1,元素类型[] 变量名 = new 元素类型[元素的个数]
int[] arr =
- Decode Ways
hcx2013
decode
A message containing letters from A-Z is being encoded to numbers using the following mapping:
'A' -> 1
'B' -> 2
...
'Z' -> 26
Given an encoded message containing digits, det
- Spring4.1新特性——异步调度和事件机制的异常处理
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- squid3(高命中率)缓存服务器配置
liyonghui160com
系统:centos 5.x
需要的软件:squid-3.0.STABLE25.tar.gz
1.下载squid
wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz
tar zxf squid-3.0.STABLE25.tar.gz &&
- 避免Java应用中NullPointerException的技巧和最佳实践
pda158
java
1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法,而非未知对象。 总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的,调用a.equals(b)和调用b.equals(a)是完全相同的,这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针,这种调用可能导致一个空指针异常
Object unk
- 如何在Swift语言中创建http请求
shoothao
httpswift
概述:本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。
如果你对Objective-C比较了解的话,对于如何创建http请求你一定驾轻就熟了,而新语言Swift与其相比只有语法上的区别。但是,对才接触到这个崭新平台的初学者来说,他们仍然想知道“如何在Swift语言中创建http请求?”。
在这里,我将作出一些建议来回答上述问题。常见的
- Spring事务的传播方式
uule
spring事务
传播方式:
新建事务
required
required_new - 挂起当前
非事务方式运行
supports
&nbs