- YOLOv8重磅升级:引入DenseOne密集网络革新主干设计,重塑YOLO目标检测性能新高度
程序员杨弋
YOLO目标检测人工智能
随着深度学习技术的不断进步,目标检测作为计算机视觉领域的重要任务之一,其性能和应用范围也在不断扩大。作为目标检测领域的佼佼者,YOLO(YouOnlyLookOnce)系列算法以其出色的性能和实时性受到了广泛关注。而最近提出的YOLOv8更是在前代版本的基础上进行了多项优化,进一步提升了检测精度和速度。然而,尽管YOLOv8已经取得了显著的进步,但在处理复杂场景和遮挡问题时,仍然存在一定的挑战。为
- 深度学习驱动的极端天气预测:时空数据异常检测与应用全解析(基于Python + TensorFlow)
AI_DL_CODE
深度学习pythontensorflow人工智能天气预测
摘要:时空数据异常检测在气象领域识别偏离正常模式的数据点,对极端天气预测至关重要。深度学习,尤其是LSTM网络,因其强大的特征学习能力在该领域显示出巨大潜力。通过整合多源气象数据,深度学习模型能够自动挖掘复杂模式和非线性关系,提高预测准确性。然而,挑战依然存在,包括数据质量问题、模型可解释性不足以及极端天气的内在复杂性和不确定性。未来,通过模型架构创新、训练算法优化以及探索深度学习在气候预测、气象
- 基于深度学习的人脸表情识别系统:YOLOv5 + YOLOv8 + YOLOv10 + UI界面 + 数据集
2025年数学建模美赛
深度学习YOLOui分类人工智能
引言随着人工智能的飞速发展,深度学习技术已广泛应用于各个领域,尤其是在计算机视觉领域。人脸识别和表情识别是其中的一个重要应用,能够在多种场景下提供重要的信息,例如安全监控、情感分析、智能客服、健康监测等。在人脸表情识别任务中,准确识别人脸的情感状态(如高兴、愤怒、悲伤等)是一个极具挑战性的任务。随着YOLO系列算法的不断进步,YOLOv5、YOLOv8和YOLOv10的推出大大提高了目标检测的精度
- 基于YOLOv8深度学习的人脸年龄检测识别系统
2025年数学建模美赛
YOLO深度学习人工智能ui数据挖掘分类
引言随着人工智能和计算机视觉的飞速发展,人脸分析技术在年龄检测领域取得了显著进展。人脸年龄检测系统在安全监控、广告推荐、健康监测等领域有广泛应用。本文将基于YOLOv8目标检测模型和UI界面,开发一个完整的人脸年龄检测识别系统。我们将详细介绍项目的技术实现、数据集构建、模型训练以及UI设计,并附上完整代码。目录引言系统架构设计数据准备公开人脸年龄数据集数据标注格式数据目录结构模型训练YOLOv8环
- 基于深度学习的人脸表情识别系统(YOLOv10+UI界面+数据集)
2025年数学建模美赛
深度学习YOLOui计算机视觉人工智能目标跟踪
在本篇博客中,我们将详细介绍如何构建一个基于深度学习的人脸表情识别系统。该系统主要由三部分组成:YOLOv10(深度学习模型)进行表情识别、UI界面展示识别结果以及数据集的准备和训练过程。我们将从系统架构、数据准备、模型训练、UI设计等多个方面进行全面讲解,最终实现一个能够实时识别并展示人脸表情的系统。目录1.系统架构2.数据集准备2.1FER2013数据集2.2数据预处理3.YOLOv10模型概
- 基于深度学习的人脸表情识别系统:YOLOv8 + UI界面 + 数据集完整实现
2025年数学建模美赛
深度学习YOLOui人工智能代码
1.引言近年来,人脸表情识别在情感计算、智能人机交互、心理学研究等领域有着广泛的应用。深度学习的快速发展,使得高效、准确的人脸表情识别成为可能。通过利用卷积神经网络(CNN)和目标检测技术,可以实现实时、精准的人脸表情识别。本文将基于YOLOv8构建一个完整的人脸表情识别系统。系统集成了数据集准备、YOLOv8模型训练、实时推理以及基于PyQt5的图形用户界面(UI)。通过本文,你将学习如何实现一
- 【机器学习】从零开始,用线性代数解锁智能时代的钥匙!
eclipsercp
工具毕业设计python机器学习线性代数人工智能
【机器学习】从零开始,用线性代数解锁智能时代的钥匙!文章目录【机器学习】从零开始,用线性代数解锁智能时代的钥匙!引言在这个数据驱动的时代,机器学习已经成为解锁智能科技的关键。但你是否曾被复杂的数学公式和算法搞得晕头转向?别担心,这篇文章将带你从零开始,用最直观的方式掌握线性代数——机器学习的核心武器!线性代数:机器学习的基石向量:数据的基本单元Python代码示例:向量操作矩阵:多维数据的集合Py
- 【机器学习】聚类【Ⅰ】基础知识与距离度量
不牌不改
【机器学习】聚类机器学习算法
主要来自周志华《机器学习》一书,数学推导主要来自简书博主“形式运算”的原创博客,包含自己的理解。有任何的书写错误、排版错误、概念错误等,希望大家包含指正。由于字数限制,分成五篇博客。【机器学习】聚类【Ⅰ】基础知识与距离度量【机器学习】聚类【Ⅱ】原型聚类经典算法【机器学习】聚类【Ⅲ】高斯混合模型讲解【机器学习】聚类【Ⅳ】高斯混合模型数学推导【机器学习】聚类【Ⅴ】密度聚类与层次聚类聚类1聚类任务在“无
- AI大模型应用架构(ALLMA)白皮书解读
百度_开发者中心
人工智能大模型数据库自然语言处理
随着人工智能技术的不断发展,AI大模型成为推动生产、生活方式变革,助推产业智能化转型升级,驱动数字经济高质量发展等社会经济发展方面的新引擎。为了全面展示AI大模型的发展全貌,为各界提供新思路,本文将对AI大模型应用架构(ALLMA)白皮书进行解读。一、AI大模型应用架构(ALLMA)的内涵AI大模型应用架构(ALLMA)是一种基于深度学习的人工智能应用架构,旨在通过大规模无标注数据预训练、指令微调
- Web APP 阶段性综述
预测模型的开发与应用研究
APPconstructionwebapp
WebAPP阶段性综述当前,WebAPP主要应用于电脑端,常被用于部署数据分析、机器学习及深度学习等高算力需求的任务。在医学与生物信息学领域,WebAPP扮演着重要角色。在生物信息学领域,诸多工具以WebAPP的形式呈现,相较之下,医学领域的此类应用数量相对较少。在医学和生物信息学的学术论文中,WebAPP是展示研究成果的有效工具,并且还能部署到网络上,服务于实际应用场景。ShinyAPP平台特性
- Python pandas离散化方法优化与应用实例
python慕遥
Python数据分析Pandas数据科学pythonpandas机器学习
大家好,在数据分析中,离散化是将连续数据划分为不同区间的一种重要方法。这种方法可以更好地理解数据分布、简化分析、或在分类建模中对特征进行转换。在Python的Pandas库中,cut和qcut是两个强大的工具,分别用于基于固定区间和基于分位数对数据进行离散化。它们的灵活性和易用性使其在数据处理过程中十分常用。离散化可以将复杂的连续数据转化为更直观的区间,帮助快速发现数据分布规律,并且在机器学习中,
- Pandas数据预处理:处理缺失值 - 插值法
代码艺术巧匠
pandasPython
Pandas数据预处理:处理缺失值-插值法在数据分析和机器学习任务中,处理缺失值是一个常见的挑战。缺失值可能由于多种原因而产生,例如数据采集过程中的错误、设备故障或者用户不完整的输入。为了有效地处理缺失值,插值法是一种常用的技术。在本文中,我们将使用Python中的Pandas库来演示如何使用插值法处理缺失值。首先,我们需要导入Pandas库并加载包含缺失值的数据集。假设我们有一个名为df的数据框
- 气象海洋水文领域Python机器学习及深度学习实践应用能力提升
AAIshangyanxiu
农林生态遥感编程算法统计语言大气科学python机器学习深度学习
Python是功能强大、免费、开源,实现面向对象的编程语言,能够在不同操作系统和平台使用,简洁的语法和解释性语言使其成为理想的脚本语言。除了标准库,还有丰富的第三方库,Python在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能。上述优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为气象、海洋和水文
- 记录一个LLM+API类型的临床预测模型APP(糖尿病Cox预测模型)的过程
预测模型的开发与应用研究
APPconstructionwebapp
记录一个LLM+API类型的临床预测模型APP(糖尿病Cox预测模型)的构建过程LLM代表的是大语言模型,API代表的是机器学习模型,LLM+API是说将机器学习模型以API的形式引入到LLM,让机器学习模型以对话的方式与用户交流而服务于临床实践的APP形式,是区别与streamlit等具有可视化界面的APP的另外一种APP形式,其优点是结合了LLM丰富的知识储备和对用户需求的理解能力,以及机器学
- 【昇思25天学习打卡营打卡指南-第一天】基本介绍与快速入门
JeffDingAI
MindSpore学习
昇思MindSpore介绍昇思MindSpore是一个全场景深度学习框架,旨在实现易开发、高效执行、全场景统一部署三大目标。其中,易开发表现为API友好、调试难度低;高效执行包括计算效率、数据预处理效率和分布式训练效率;全场景则指框架同时支持云、边缘以及端侧场景。昇思MindSpore总体架构如下图所示:ModelZoo(模型库):ModelZoo提供可用的深度学习算法网络,也欢迎更多开发者贡献新
- python训练模型损失值6000多_机器学习中的 7 大损失函数实战总结(附Python演练)...
weixin_39700394
介绍想象一下-你已经在给定的数据集上训练了机器学习模型,并准备好将它交付给客户。但是,你如何确定该模型能够提供最佳结果?是否有指标或技术可以帮助你快速评估数据集上的模型?当然是有的,简而言之,机器学习中损失函数可以解决以上问题。损失函数是我们喜欢使用的机器学习算法的核心。但大多数初学者和爱好者不清楚如何以及在何处使用它们。它们并不难理解,反而可以增强你对机器学习算法的理解。那么,什么是损失函数,你
- NLP-语义解析(Text2SQL):技术路线【Seq2Seq、模板槽位填充、中间表达、强化学习、图网络】
u013250861
#自然语言处理人工智能
目前关于NL2SQL技术路线的发展主要包含以下几种:Seq2Seq方法:在深度学习的研究背景下,很多研究人员将Text-to-SQL看作一个类似神经机器翻译的任务,主要采取Seq2Seq的模型框架。基线模型Seq2Seq在加入Attention、Copying等机制后,能够在ATIS、GeoQuery数据集上达到84%的精确匹配,但是在WikiSQL数据集上只能达到23.3%的精确匹配,37.0%
- PyTorch 中的 expand 操作详解:用法、原理与技巧
专业发呆业余科研
深度模型底层原理pytorch人工智能python深度学习机器学习
在使用PyTorch进行深度学习时,张量形状与广播机制常常是让初学者感到困惑的地方。我们需要时常面对多维张量,并在批量、通道、空间位置等多个维度之间做运算。如果能熟练掌握各种维度变换操作——包括unsqueeze、expand、view/reshape、transpose/permute等,可以帮助我们灵活地操纵张量,写出高效而简洁的矩阵化(vectorized)代码。本文将重点聚焦于expand
- 注意力池化层:从概念到实现及应用
专业发呆业余科研
深度模型底层原理python人工智能transformer深度学习自然语言处理图像处理
引言在现代深度学习模型中,注意力机制已经成为一个不可或缺的组件,特别是在处理自然语言和视觉数据时。多头注意力机制(MultiheadAttention)是Transformer模型的核心,它通过多个注意力头来捕捉序列中不同部分之间的关系。然而,在多模态模型中,如何有效地将图像特征和文本特征结合起来一直是一个挑战。注意力池化层(AttentionPoolingLayer)提供了一种有效的解决方案,通
- 深入解析昇腾AI CPU算子开发:基于AI CPU引擎的自定义算子实现与优化
快撑死的鱼
华为昇腾AscendC的算子开发系统学习人工智能
深入解析昇腾AICPU算子开发:基于AICPU引擎的自定义算子实现与优化随着深度学习模型复杂性的不断提升,AI处理器需要更强大的算力和更高效的计算架构来支撑模型的训练和推理。在华为昇腾AI处理器的架构中,AICPU承担着重要的计算任务,特别是针对标量和向量等通用计算的支持。AICPU算子开发成为开发者优化模型性能的重要步骤,而TBE(TensorBoostEngine)工具也为开发者提供了便捷的算
- 【AI系统】混合并行
ZOMI酱
人工智能
混合并行混合并行(HybridParallel)是一种用于分布式计算的高级策略,它结合了数据并行和模型并行的优势,以更高效地利用计算资源,解决深度学习中的大模型训练问题。混合并行不仅能提高计算效率,还能在有限的硬件资源下处理更大的模型和数据集。在深度学习中,数据并行和模型并行各自有其适用的场景和局限性。数据并行适用于训练样本较多而模型较小的情况,通过将数据集分割成多个子集并在不同的设备上同时训练来
- 【机器学习实战入门项目】基于机器学习的鸢尾花分类项目
精通代码大仙
数据挖掘python深度学习机器学习分类人工智能大数据数据挖掘算法python
基于机器学习的鸢尾花分类项目介绍:本项目利用机器学习模型对鸢尾花进行分类。鸢尾花数据集是一个著名的机器学习数据集,包含三种类别的花朵:Setosa、Versicolor和Virginica,每种类别由四个特征描述:萼片长度、萼片宽度、花瓣长度和花瓣宽度。什么是机器学习?机器学习是关于从数据中学习预测或提取知识的过程。它是人工智能的一个子领域。机器学习算法基于样本数据(即训练数据)构建模型,并根据训
- BladeDISC++:Dynamic Shape AI 编译器下的显存优化技术
人工智能机器学习分布式阿里云
近年来,随着深度学习技术的迅猛发展,越来越多的模型展现出动态特性,这引发了对动态形状深度学习编译器(DynamicShapeAICompiler)的广泛关注。本文将介绍阿里云PAI团队近期发布的BladeDISC++项目,探讨在动态场景下如何优化深度学习训练任务的显存峰值,主要内容包括以下三个部分:DynamicShape场景下显存优化的背景与挑战BladeDISC++的创新解决方案Llama2模
- 【TVM 教程】为 x86 CPU 自动调优卷积网络
ApacheTVM是一个深度的深度学习编译框架,适用于CPU、GPU和各种机器学习加速芯片。更多TVM中文文档可访问→https://tvm.hyper.ai/作者:YaoWang,EddieYan本文介绍如何为x86CPU调优卷积神经网络。注意,本教程不会在Windows或最新版本的macOS上运行。如需运行,请将本教程的主体放在ifname=="__main__":代码块中。importosi
- AI Agent:一场智能革命的开始
TechubNews
人工智能
在当今科技日新月异的时代,AI(人工智能)技术正以前所未有的速度改变着我们的生活和工作方式。其中,AIAgent作为AI领域的一个新兴分支,正逐渐展现出其巨大的潜力和价值。本文将深入探讨AIAgent的发展现状、核心优势以及未来的发展方向,带您领略这一前沿技术的无限魅力。一、AIAgent的发展现状:技术突破与广泛应用近年来,随着大数据、云计算和机器学习等技术的飞速发展,AIAgent的技术水平得
- 国产替代 | 星环科技Sophon替代SAS,助力大型国有银行智能化营销
数据挖掘
分布式架构的|国产智能分析工具在银行交易中,20%的头部优质客户会给银行贡献80%的利润,而赢得一个新客户的成本是保留一个老客户的5至6倍。某大型国有银行在面临此类数据挖掘的业务时,使用的是SAS产品。由于SAS是集中式的,对单台服务器要求太高,算力无法支撑需求,且无法支持可视化的机器学习,对于业务人员来说使用门槛过高。在经过产品选型后,决定采用星环科技的智能分析工具Sophon替换原有SAS,用
- 交叉熵损失与二元交叉熵损失:区别、联系及实现细节
专业发呆业余科研
深度模型底层原理人工智能深度学习python
在机器学习和深度学习中,交叉熵损失(Cross-EntropyLoss)和二元交叉熵损失(BinaryCross-EntropyLoss)是两种常用的损失函数,它们在分类任务中发挥着重要作用。本文将详细介绍这两种损失函数的区别和联系,并通过具体的代码示例来说明它们的实现细节。交叉熵损失(Cross-EntropyLoss)常用于多类分类问题,即每个样本只能属于一个类别,但总类别数量较多。例如,在手
- KDD 2024 | 美团技术团队精选论文解读 & 论文分享会预告
美团机器学习深度学习
ACMSIGKDD(KnowledgeDiscoveryandDataMining,简称KDD)是数据挖掘领域的国际顶级会议。KDDCup比赛是由SIGKDD主办的数据挖掘研究领域的国际顶级赛事,从1997年开始,每年举办一次,是目前数据挖掘领域最有影响力的赛事。本文精选了美团技术团队被KDD2024收录的5篇长文进行解读,覆盖了用户意图感知、机器学习&运筹优化、在线控制实验、联合广告模型、实时调
- llama.cpp部署
法号:行颠
机器学习机器学习
llama.cpp介绍部署介绍大模型的研究分为训练和推理两个部分:训练的过程,实际上就是在寻找模型参数,使得模型的损失函数最小化;推理结果最优化的过程;训练完成之后,模型的参数就固定了,这时候就可以使用模型进行推理,对外提供服务。llama.cpp主要解决的是推理过程中的性能问题。主要有两点优化:llama.cpp使用的是C语言写的机器学习张量库ggmlllama.cpp提供了模型量化的工具计算类
- Kubeflow:云原生机器学习工作流自动化开源框架详解
gs80140
AI基础知识科谱人工智能Kubeflow
Kubeflow是一个开源的机器学习(ML)工作流自动化平台,旨在将机器学习工作流部署到Kubernetes之上,实现从实验到生产的一站式解决方案。它提供了针对容器化机器学习任务的工具链,能够自动化地管理、部署和监控模型的整个生命周期。Kubeflow的核心组件Notebooks(交互式开发环境)支持JupyterNotebooks,通过Kubernetes集群进行计算资源的扩展和管理。Pipel
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_