- 生成网络总结
研三小学渣
学习笔记深度学习人工智能
AE(AutoEncoder)自编码器标准的AE由编码器(encoder)和解码器(decoder)两部分组成,。整个模型可以看作一个“压缩”与“解压”的过程:首先编码器将真实数据(真实样本)压缩为低维隐空间中的一个隐向量,该向量可以看作输入的“象征”;然后解码器将这个隐向量解压,得到生成数据(生成样本)。在训练过程中,会将生成样本与真实样本进行比较,朝着减小二者之间差异的方向去更新编码器和解码器
- 数据降维方法介绍(十二)
科技小白不能再白了
第八种方法:自编码器降维姓名:何源学号:21011210073学院:通信工程学院转载:基于自编码网络AutoEncoder完成数据降维并且提取数据的本质特征【嵌牛导读】自编码器降维方法简介【嵌牛鼻子】自编码器【嵌牛提问】自编码器降维原理是什么?【嵌牛正文】数据降维的意思是什么?一维数据我们可以认为它是一个点,二维数据是一条线,三维数据是一个面,但四维数据我们就想象不到了,但这并不意味着不存在。对于
- 深入理解vqvae
Adenialzz
人工智能机器学习计算机视觉
深入理解vqvaeTL;DR:通过vectorquantize技术,训练一个离散的codebook,实现了图片的离散表征。vqvae可以实现图片的离散压缩和还原,在图片自回归生成、StableDiffusion中,有重要的应用。从AE和VAE说起AE(AutoEncoder,自编码器)是非常经典的一种自监督表征学习方法,它由编码器encoder和解码器decoder构成,编码器提取输入图像的低维特
- Autoencoder 有什么用?
脏小明
autoencoder可以用来初始化神经网络的权重(即预训练:pre-training)和降维。如果在做autoencoder的时候激活函数为linear的话,那么这就相当于在做PCA了。
- AutoEncoder自动编码器、VAE变分自编码器、VQVAE量子化(离散化)的自编码器
丁希希哇
AIGC阅读学习算法深度学习人工智能pytorch
文章目录AutoEncoder自动编码器(一)AutoEncoder的基本架构(二)AutoEncoder的概率理解(三)AutoEncoder的局限VAE变分自编码器(VariationalAutoEncoder)(一)VAE简介(二)VAE的概率理解(三)VAE与AE(三)VAE与GAN(四)VAE的损失函数VQVAE量子化(离散化)的自编码器(一)VQVAE简介(二)VQVAE与VAE(三)
- PyTorch][chapter 13[李宏毅深度学习][Semi-supervised Linear Methods-2]
明朝百晓生
深度学习pytorch人工智能
前言:接上篇CSDN这里面重点讲下面4个方面目录:PCA-AnotherPointofview(SVD)PCA和AutoEncoder的关系PCA的缺点PCAPython例子一PCA-AnotherPointofview以手写数字7的图像为例,它由不同的笔画结构组成,分别为则手写数字7可以表示为上图1.1损失函数我们要找到一组向量使得最小(公式1.1)有论文证明过,这个最优解就是SVD奇异分解结果
- latent-diffusion model环境配置--我转载的
gaoenyang760525
人工智能深度学习
latent-diffusionmodel环境配置,这可能是你能够找到的最细的博客了_latentdiffusionmodel训练autoencoder-CSDN博客前言最近在研究diffusion模型,并对目前最火的stable-diffusion模型很感兴趣,又因为stable-diffusion是一种latent-diffusion模型,故尝试复现latent-diffusionmodel,
- VITS:Conditional Variational Autoencoder with Adversarial Learning forEnd-to-End Text-to-Speech——TTS
pied_piperG
语音识别音频深度学习机器学习神经网络VAE
笔记地址:https://flowus.cn/share/4c8c251b-cb8e-4f21-aa9e-139c1c3cf883【FlowUs息流】Vits论文地址:proceedings.mlr.pressAbstract与传统的two-stageTTS(即文字→mel频谱→声音)相比,是一种parallelend-to-endTTS,提升了效率且声音自然。其它parallel方法主要存在音质
- 深入学习卷积神经网络(CNN)的原理知识
AAI机器之心
cnn人工智能KNN深度学习机器学习神经网络tensorflow
在深度学习领域中,已经经过验证的成熟算法,目前主要有深度卷积网络(DNN)和递归网络(RNN),在图像识别,视频识别,语音识别领域取得了巨大的成功,正是由于这些成功,能促成了当前深度学习的大热。与此相对应的,在深度学习研究领域,最热门的是AutoEncoder、RBM、DBN等产生式网络架构,但是这些研究领域,虽然论文比较多,但是重量级应用还没有出现,是否能取得成功还具有不确定性。但是有一些比较初
- 【AI】深度学习在编码中的应用(4)
giszz
人工智能人工智能
目录一、基于自编码器的架构二、基于可逆网络的架构三、基于GAN模型的架构四、多层结构图像压缩框架今天学习和梳理基础架构设计的4种模式:一、基于自编码器的架构在人工智能应用中,自编码器(Autoencoder,AE)是一种无监督的神经网络模型,用于学习输入数据的编码表示(即特征),并能够从这种编码表示中重构原始数据。自编码器通常用于数据降维、特征学习、去噪等任务。在基础架构设计中,基于自编码器的架构
- 无监督神经网络原理与实现
10岁的小屁孩
机器学习神经网络人工智能
目录网络结构训练目标Python实现无监督神经网络通过学习输入数据本身的内在结构,而不需要标签信息,它可以用于特征提取、降维等任务。网络结构无监督学习中的一个常见结构是自编码器(Autoencoder)。自编码器旨在通过一种无监督的方式学习数据的有效表示(即编码)。它由两部分组成:编码器(Encoder)和解码器(Decoder)。编码器将输入数据压缩成一个低维表示,而解码器则将这个低维表示重构回
- 变分自编码器(Variational AutoEncoder,VAE)
溯源006
深度学习相关算法学习人工智能深度学习stablediffusionDALL·E2Imagen
1从AE谈起说到编码器这块,不可避免地要讲起AE(AutoEncoder)自编码器。它的结构下图所示:据图可知,AE通过自监督的训练方式,能够将输入的原始特征通过编码encoder后得到潜在的特征编码,实现了自动化的特征工程,并且达到了降维和泛化的目的。而后通过对进行decoder后,我们可以重构输出。一个良好的AE最好的状态就是解码器的输出能够完美地或者近似恢复出原来的输入,即。为此,训练AE所
- 深度学习--AutoEncoder异常值处理
Stitch的实习日记
深度学习深度学习人工智能
整体的算法思路:1.将正常样本与异常样本切分为:训练集X,训练集Y,测试集X,测试集Y2.AutoEncoder建模:建模3.用正样本数据训练AutoEncoder:因为AutoEncoder是要想办法复现原有数据,因此要确保AutoEncoder看到的都只是自身正常的数据,这样当异常的数据到来时,就会出现很突兀的状况,这也是我们要的效果。4.计算阈值:因为异常样本会造成很突兀的效果,但是突兀的程
- 降噪自编码器(Denoising Autoencoder)
不做梵高417
denoisingautoencoder
降噪自编码器(DenoisingAutoencoder)是一种用于无监督学习的神经网络模型。与普通的自编码器不同,降噪自编码器的目标是通过在输入数据中引入噪声,然后尝试从具有噪声的输入中重建原始无噪声数据。以下是降噪自编码器的主要特点和工作原理:1.噪声引入:在训练阶段,降噪自编码器将输入数据添加一些噪声,例如高斯噪声或随机失活(randomdropout)。这样的操作迫使网络学习对输入的噪声具有
- 乘骐骥以驰骋兮,来吾道夫先路——2023年大模型技术基础架构盘点与开源工作速览
中杯可乐多加冰
前沿资讯分享大模型GPTFalcon百川LLM
目录一、模型基本架构1.1、自回归(Autoregressive)模型架构1.2、自编码(Autoencoder)模型架构1.3、完整的编码-解码模型架构二、典型开源工作速览2.1、LLaMA-22.2、baichuan-22.3、Falcon2.4、BLOOM最后在过去的一年里,大模型技术在人工智能领域取得了巨大的进展和突破,成为业界瞩目的焦点。从优化的学习算法到激动人心的应用案例,从推动科研的
- 利用自编码器(AutoEncoder, AE),对图像或信号进行降维和聚类,并将隐空间在2D空间中可视化,通过Matlab编程实现
学兔兔VIP
深度学习机器学习算法人工智能聚类信息可视化深度学习
自编码器(AutoEncoder)是一种无监督学习方法,用于对数据进行降维和聚类。它通过学习输入数据的低维表示来重构输入数据,同时保持数据的分布不变。在图像或信号处理中,自编码器可以用于提取特征、压缩数据以及可视化隐藏空间。首先,我们需要构建一个自编码器模型。自编码器由两部分组成:编码器和解码器。编码器将输入数据映射到低维表示,解码器将低维表示还原为原始数据。为了使编码器能够学习到数据的分布,我们
- 深度神经网络的特征表示,神经网络识别图像原理
快乐的小荣荣
神经网络dnn人工智能
有哪些深度神经网络模型?目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。递归神经网络实际.上包含了两种神经网络。一种是循环神经网络(RecurrentNeuralNetwork);另一种是结构递归神经网络(RecursiveNeuralNetwork),它使用相似的网络结构
- 自编码器AE全方位探析:构建、训练、推理与多平台部署
工业甲酰苯胺
人工智能分布式数据库
本文深入探讨了自编码器(AE)的核心概念、类型、应用场景及实战演示。通过理论分析和实践结合,我们详细解释了自动编码器的工作原理和数学基础,并通过具体代码示例展示了从模型构建、训练到多平台推理部署的全过程。一、自编码器简介自编码器的定义自编码器(Autoencoder,AE)是一种数据的压缩算法,其中压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。自编码器通常用于学习高效的编码,在神经网络
- 一种简单的自编码器PyTorch代码实现
赵卓不凡
深度学习图像处理pytorch
1.引言对于许多新接触深度学习爱好者来说,玩AutoEncoder总是很有趣的,因为它具有简单的处理逻辑、简易的网络架构,方便可视化潜在的特征空间。在本文中,我将从头开始介绍一个简单的AutoEncoder模型,以及一些可视化潜在特征空间的一些的方法,以便使本文变得生动有趣。闲话少说,我们直接开始吧!2.数据集介绍在本文中,我们使用FashionMNIST数据集来完成此任务。以下是Kaggle上数
- 一文弄懂自编码器 -- Autoencoders
赵卓不凡
深度学习计算机视觉人工智能深度学习机器学习
1.引言近年来,自编码器(Autoencoder)一词在许多人工智能相关的研究论文、期刊和学位论文中被频繁提及。自动编码器于1980年推出,是一种用于神经网络的无监督学习技术,可以从未被标注的训练集中学习。本文重点介绍自编码器的概念、相关变体及其应用,闲话少说,我们直接开始吧!2.原理介绍自编码器神经网络是一种无监督的机器学习算法,它的主要目的为将输入层的数据压缩成较短的格式,我们也可以称为潜在空
- 【论文复现】RoSteALS: Robust Steganography using Autoencoder Latent Space-2023-CVPR
岁月漫长_
图像隐写论文复现论文阅读
代码复现代码链接:https://github.com/TuBui/RoSteALS一定要按照dockerfile,requirements.txt和requirements2.txt配置环境需要补充的库:pip安装:omegaconfslackslackclientbchlib(0.14.0版本)einopsimagenet-cconda安装:scikit-image,matplotlib按照作
- PyTorch深度学习实战(27)——变分自编码器(Variational Autoencoder, VAE)
盼小辉丶
PyTorch深度学习深度学习pytorch人工智能
PyTorch深度学习实战(27)——变分自编码器0.前言1.变分自编码器1.1自编码器的局限性1.2VAE工作原理1.3VAE构建策略1.4KL散度1.5重参数化技巧2.构建VAE小结系列链接0.前言变分自编码器(VariationalAutoencoder,VAE)是一种生成模型,结合了自编码器和概率模型的思想,通过学习输入数据的潜分布,能够生成新的样本。与传统的自编码器不同,变分自编码器引入
- 【代码精读】Variational Autoencoder (VAE) 变分自编码器
minipuding
代码精读pythonpytorch深度学习
文章目录【代码精读】VariationalAutoencoder(VAE)变分自编码器1.代码来源:2.代码结构3.代码精读in``models``package3.1.base.py3.2.vanilla_vae.py【代码精读】VariationalAutoencoder(VAE)变分自编码器本篇博客不会很详细介绍VAE的原理,而是用“知其然”的方式直接上代码。1.代码来源:PyTorch-V
- Masked Autoencoders Are Scalable Vision Learners 2021-11-13
不想读Paper
ViT作为Backbone,用类似BERT的方式进行自监督预训练,通过随机遮盖大部分patch让encoder更好地“理解”图片。重点以及和BEIT的区别其实把BERT模型搬到视觉领域,也已经有之前的一篇工作BEIT了。而且BEIT中也使用了AutoEncoder,但是和MAE的区别是,这里的AE是作为一个tokenizer使用,而下面的Transformer重现的也是token而不是原图。BEI
- AutoEncoder个人记录
小趴菜日记
人工智能算法机器学习
原理最常见的降维算法有主成分分析法PCA,通过对协方差矩阵进行特征分解而得到数据的主要成分,但是PCA本质上是一种线性变换,提取特征的能力极为有限。AutoEncoder把长度为d_in输入特征向量变换到长度为d_out的输出向量,借助于深层神经网络的非线性特征提取能力,自编码器可以获得良好的数据表示,甚至可以更加完美的恢复出输入。Encoder:把高维输入x编码成低维的隐藏向量h(使神经网络学习
- PyTorch深度学习实战(25)——自编码器(Autoencoder)
盼小辉丶
深度学习pytorch人工智能
PyTorch深度学习实战(25)——自编码器0.前言1.自编码器2.使用PyTorch实现自编码器小结系列链接0.前言自编码器(Autoencoder)是一种无监督学习的神经网络模型,用于数据的特征提取和降维,它由一个编码器(Encoder)和一个解码器(Decoder)组成,通过将输入数据压缩到低维表示,然后再重构出原始数据。在本节中,我们将学习如何使用自编码器,以在低维空间表示图像,学习以较
- PyTorch深度学习实战(26)——卷积自编码器(Convolutional Autoencoder)
盼小辉丶
PyTorch深度学习深度学习pytorch人工智能
PyTorch深度学习实战(26)——卷积自编码器0.前言1.卷积自编码器2.使用t-SNE对相似图像进行分组小结系列链接0.前言我们已经学习了自编码器(AutoEncoder)的原理,并使用PyTorch搭建了全连接自编码器,但我们使用的数据集较为简单,每张图像只有一个通道(每张图像都为黑白图像)且图像相对较小(28x28)。但在现实场景中,图像数据通常为彩色图像(3个通道)且图像尺寸通常较大。
- 论文笔记《NeuralField-LDM: Scene Generation with Hierarchical Latent Diffusion Models》
浅度断墨
论文阅读
paper:https://arxiv.org/abs/2304.09787code:问就是没有code!主旨:用两个autoencoder
- Keras文档自动编码器Autoencoder训练不收敛的问题。
041c14885cdd
在尝试BuildingAutoencodersinKeras这一自动编码器文档代码的时候,发现直接复制手册中的代码,最简编码器模型、深度编码器的损失无法收敛,尝试后发现是因为代码中的优化器为‘adadelta’,改为‘adam’即可达到损失函数收敛。autoencoder.compile(optimizer='adam',loss='binary_crossentropy')
- 【论文阅读】RoSteALS: Robust Steganography using Autoencoder Latent Space-2023-CVPR
岁月漫长_
图像隐写论文阅读论文阅读
摘要RoSteALS使用一个轻量级的秘密编码器将秘密信息映射到图像的潜空间中,并通过对潜空间进行微小的偏移来嵌入秘密信息。该方法使用预训练的自编码器作为基础模型,不需要学习图像分布,因此训练过程简单且效果良好。方法架构图:训练期间只更新秘密编码器和秘密解码器,图像的编码器和解码器是锁定的说明使用自编码器VQGAN利用编码器将秘密信息映射到图像的潜在层中,使用Res50作为解码器,当平均验证损失停止
- jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque
qiaolevip
每天进步一点点学习永无止境跨域众观千象
XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
- mysql 分区查询优化
annan211
java分区优化mysql
分区查询优化
引入分区可以给查询带来一定的优势,但同时也会引入一些bug.
分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区,通过分区过滤可以让查询扫描更少的数据。
所以,对于访问分区表来说,很重要的一点是要在where 条件中带入分区,让优化器过滤掉无需访问的分区。
可以通过查看explain执行计划,是否携带 partitions
- MYSQL存储过程中使用游标
chicony
Mysql存储过程
DELIMITER $$
DROP PROCEDURE IF EXISTS getUserInfo $$
CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为:getUserInfo-- 参数为:date_day日期格式:2008-03-08-- BEGINdecla
- mysql 和 sqlite 区别
Array_06
sqlite
转载:
http://www.cnblogs.com/ygm900/p/3460663.html
mysql 和 sqlite 区别
SQLITE是单机数据库。功能简约,小型化,追求最大磁盘效率
MYSQL是完善的服务器数据库。功能全面,综合化,追求最大并发效率
MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装,例如网站访问量比较大的。而sq
- pinyin4j使用
oloz
pinyin4j
首先需要pinyin4j的jar包支持;jar包已上传至附件内
方法一:把汉字转换为拼音;例如:编程转换后则为biancheng
/**
* 将汉字转换为全拼
* @param src 你的需要转换的汉字
* @param isUPPERCASE 是否转换为大写的拼音; true:转换为大写;fal
- 微博发送私信
随意而生
微博
在前面文章中说了如和获取登陆时候所需要的cookie,现在只要拿到最后登陆所需要的cookie,然后抓包分析一下微博私信发送界面
http://weibo.com/message/history?uid=****&name=****
可以发现其发送提交的Post请求和其中的数据,
让后用程序模拟发送POST请求中的数据,带着cookie发送到私信的接入口,就可以实现发私信的功能了。
- jsp
香水浓
jsp
JSP初始化
容器载入JSP文件后,它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务,复写jspInit()方法就行了
JSP执行
这一阶段描述了JSP生命周期中一切与请求相关的交互行为,直到被销毁。
当JSP网页完成初始化后
- 在 Windows 上安装 SVN Subversion 服务端
AdyZhang
SVN
在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号
最佳阅读效果请访问原地址:http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx
现在的Subversion已经足够稳定,而且已经进入了它的黄金时段。我们看到大量的项目都在使
- android开发中如何使用 alertDialog从listView中删除数据?
aijuans
android
我现在使用listView展示了很多的配置信息,我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据,( ArrayAdapter ,ArrayList,listView 全部删除),我知道在 下面的onItemLongClick 方法中 参数 arg2 是选中的序号,但是我不知道如何继续处理下去 1 2 3
- jdk-6u26-linux-x64.bin 安装
baalwolf
linux
1.上传安装文件(jdk-6u26-linux-x64.bin)
2.修改权限
[root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin
3.执行安装文件
[root@localhost ~]# cd /usr/local
[root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
- MongoDB经典面试题集锦
BigBird2012
mongodb
1.什么是NoSQL数据库?NoSQL和RDBMS有什么区别?在哪些情况下使用和不使用NoSQL数据库?
NoSQL是非关系型数据库,NoSQL = Not Only SQL。
关系型数据库采用的结构化的数据,NoSQL采用的是键值对的方式存储数据。
在处理非结构化/半结构化的大数据时;在水平方向上进行扩展时;随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。
在考虑数据库的成熟
- JavaScript异步编程Promise模式的6个特性
bijian1013
JavaScriptPromise
Promise是一个非常有价值的构造器,能够帮助你避免使用镶套匿名方法,而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。
在我们开始正式介绍之前,我们想看看Javascript Promise的样子:
var p = new Promise(function(r
- [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager
bit1129
zookeeper
ClientWatchManager接口
//接口的唯一方法materialize用于确定那些Watcher需要被通知
//确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path
public interface ClientWatchManager {
/**
* Return a set of watchers that should
- 【Scala十五】Scala核心九:隐式转换之二
bit1129
scala
隐式转换存在的必要性,
在Java Swing中,按钮点击事件的处理,转换为Scala的的写法如下:
val button = new JButton
button.addActionListener(
new ActionListener {
def actionPerformed(event: ActionEvent) {
- Android JSON数据的解析与封装小Demo
ronin47
转自:http://www.open-open.com/lib/view/open1420529336406.html
package com.example.jsondemo;
import org.json.JSONArray;
import org.json.JSONException;
import org.json.JSONObject;
impor
- [设计]字体创意设计方法谈
brotherlamp
UIui自学ui视频ui教程ui资料
从古至今,文字在我们的生活中是必不可少的事物,我们不能想象没有文字的世界将会是怎样。在平面设计中,UI设计师在文字上所花的心思和功夫最多,因为文字能直观地表达UI设计师所的意念。在文字上的创造设计,直接反映出平面作品的主题。
如设计一幅戴尔笔记本电脑的广告海报,假设海报上没有出现“戴尔”两个文字,即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
- 单调队列-用一个长度为k的窗在整数数列上移动,求窗里面所包含的数的最大值
bylijinnan
java算法面试题
import java.util.LinkedList;
/*
单调队列 滑动窗口
单调队列是这样的一个队列:队列里面的元素是有序的,是递增或者递减
题目:给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k.
要求:f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1
问题的另一种描述就
- struts2处理一个form多个submit
chiangfai
struts2
web应用中,为完成不同工作,一个jsp的form标签可能有多个submit。如下代码:
<s:form action="submit" method="post" namespace="/my">
<s:textfield name="msg" label="叙述:">
- shell查找上个月,陷阱及野路子
chenchao051
shell
date -d "-1 month" +%F
以上这段代码,假如在2012/10/31执行,结果并不会出现你预计的9月份,而是会出现八月份,原因是10月份有31天,9月份30天,所以-1 month在10月份看来要减去31天,所以直接到了8月31日这天,这不靠谱。
野路子解决:假设当天日期大于15号
- mysql导出数据中文乱码问题
daizj
mysql中文乱码导数据
解决mysql导入导出数据乱码问题方法:
1、进入mysql,通过如下命令查看数据库编码方式:
mysql> show variables like 'character_set_%';
+--------------------------+----------------------------------------+
| Variable_name&nbs
- SAE部署Smarty出现:Uncaught exception 'SmartyException' with message 'unable to write
dcj3sjt126com
PHPsmartysae
对于SAE出现的问题:Uncaught exception 'SmartyException' with message 'unable to write file...。
官方给出了详细的FAQ:http://sae.sina.com.cn/?m=faqs&catId=11#show_213
解决方案为:
01
$path
- 《教父》系列台词
dcj3sjt126com
Your love is also your weak point.
你的所爱同时也是你的弱点。
If anything in this life is certain, if history has taught us anything, it is
that you can kill anyone.
不顾家的人永远不可能成为一个真正的男人。 &
- mongodb安装与使用
dyy_gusi
mongo
一.MongoDB安装和启动,widndows和linux基本相同
1.下载数据库,
linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz
2.解压文件,并且放置到合适的位置
tar -vxf mongodb-linux-x86_64-ubun
- Git排除目录
geeksun
git
在Git的版本控制中,可能有些文件是不需要加入控制的,那我们在提交代码时就需要忽略这些文件,下面讲讲应该怎么给Git配置一些忽略规则。
有三种方法可以忽略掉这些文件,这三种方法都能达到目的,只不过适用情景不一样。
1. 针对单一工程排除文件
这种方式会让这个工程的所有修改者在克隆代码的同时,也能克隆到过滤规则,而不用自己再写一份,这就能保证所有修改者应用的都是同一
- Ubuntu 创建开机自启动脚本的方法
hongtoushizi
ubuntu
转载自: http://rongjih.blog.163.com/blog/static/33574461201111504843245/
Ubuntu 创建开机自启动脚本的步骤如下:
1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。
2) 设置脚本文件的权限 $ sudo chmod 755
- 第八章 流量复制/AB测试/协程
jinnianshilongnian
nginxluacoroutine
流量复制
在实际开发中经常涉及到项目的升级,而该升级不能简单的上线就完事了,需要验证该升级是否兼容老的上线,因此可能需要并行运行两个项目一段时间进行数据比对和校验,待没问题后再进行上线。这其实就需要进行流量复制,把流量复制到其他服务器上,一种方式是使用如tcpcopy引流;另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
- 电商系统商品表设计
lkl
DROP TABLE IF EXISTS `category`; -- 类目表
/*!40101 SET @saved_cs_client = @@character_set_client */;
/*!40101 SET character_set_client = utf8 */;
CREATE TABLE `category` (
`id` int(11) NOT NUL
- 修改phpMyAdmin导入SQL文件的大小限制
pda158
sqlmysql
用phpMyAdmin导入mysql数据库时,我的10M的
数据库不能导入,提示mysql数据库最大只能导入2M。
phpMyAdmin数据库导入出错: You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
- Tomcat性能调优方案
Sobfist
apachejvmtomcat应用服务器
一、操作系统调优
对于操作系统优化来说,是尽可能的增大可使用的内存容量、提高CPU的频率,保证文件系统的读写速率等。经过压力测试验证,在并发连接很多的情况下,CPU的处理能力越强,系统运行速度越快。。
【适用场景】 任何项目。
二、Java虚拟机调优
应该选择SUN的JVM,在满足项目需要的前提下,尽量选用版本较高的JVM,一般来说高版本产品在速度和效率上比低版本会有改进。
J
- SQLServer学习笔记
vipbooks
数据结构xml
1、create database school 创建数据库school
2、drop database school 删除数据库school
3、use school 连接到school数据库,使其成为当前数据库
4、create table class(classID int primary key identity not null)
创建一个名为class的表,其有一