- Python OpenCV图像处理:从基础到高级的全方位指南
极客代码
玩转Python开发语言pythonopencv图像处理计算机视觉
目录第一部分:PythonOpenCV图像处理基础1.1OpenCV简介1.2PythonOpenCV安装1.3实战案例:图像显示与保存1.4注意事项第二部分:PythonOpenCV图像处理高级技巧2.1图像变换2.2图像增强2.3图像复原第三部分:PythonOpenCV图像处理实战项目3.1图像滤波3.2图像分割3.3图像特征提取第四部分:PythonOpenCV图像处理注意事项与优化策略4
- MATLAB车牌定位和识别系统
清风明月来几时
图像算法处理matlab开发语言
有很多方法可以实现MATLAB车牌的定位和识别系统。以下是一种可能的实现步骤:车牌定位:使用图像处理技术(如边缘检测、区域生长或颜色分割)来检测图像中的车牌区域。使用形态学操作来排除不符合车牌形状的区域。对车牌区域进行裁剪或调整大小,以便后续的识别。车牌识别:将车牌图像转换为灰度图像。使用图像处理技术(如二值化、滤波或增强)来减少噪音并突出字符。使用字符分割算法将车牌中的字符分开。使用特征提取方法
- 【机器学习】Python与深度学习的完美结合——深度学习在医学影像诊断中的惊人表现
空白诗
机器学习深度学习人工智能python
个人主页:空白诗文章目录一、引言二、深度学习在医学影像诊断中的突破1.技术原理2.实际应用3.性能表现三、深度学习在医学影像诊断中的惊人表现1.提高疾病诊断准确率2.辅助制定治疗方案四、深度学习对医疗行业的影响和推动作用一、引言随着人工智能技术的不断发展,深度学习在医学影像诊断领域的应用日益广泛,其强大的特征提取能力和高效的学习机制为医学影像诊断带来了革命性的突破。本文将深入探讨深度学习在医学影像
- 毕设项目 基于特征熵值分析的网站分类系统实现(源码+论文)
iuidfds
毕业设计毕设
文章目录0项目说明1研究目的2研究方法3研究结论4各模块介绍4.1爬虫模块功能与技术4.2网页处理模块功能与技术4.3特征提取与文本特征表示模块功能与技术4.4分类器模块功能与技术5项目源码6论文目录7最后0项目说明基于特征熵值分析的网站分类系统实现提示:适合用于课程设计或毕业设计,工作量达标,源码开放1研究目的本设计对KNN算法的缺陷产生原因进行详细地分析,并针对缺陷对算法进行了引入属性熵值等一
- 在COD领域,图像中提取的高频和低频信息分别代表什么?
Wils0nEdwards
计算机视觉人工智能
在CamouflagedObjectDetection(COD)领域中,图像中的高频和低频信息在特征提取和物体检测中有着不同的含义和作用。COD的本质是解决目标在视觉上与背景高度相似的问题,因此合理利用图像的频率信息(高频和低频)有助于提高检测效果。高频信息高频信息指的是图像中变化迅速的部分,通常包括细节、边缘和纹理等特征。在COD中:高频信息代表图像中的边缘、细节和纹理特征。这些特征对于分割伪装
- SSD目标检测系统
月见樽
首发于个人博客系统结构system.pngSSD识别系统也是一种单步物体识别系统,即将提取物体位置和判断物体类别融合在一起进行,其最主要的特点是识别器用于判断物体的特征不仅仅来自于神经网络的输出,还来自于神经网络的中间结果。该系统分为以下几个部分:神经网络部分:用作特征提取器,提取图像特征识别器:根据神经网络提取的特征,生成包含物品位置和类别信息的候选框(使用卷积实现)后处理:对识别器提取出的候选
- 汽车智能驾驶算法汇总
芊言芊语
汽车算法
汽车智能驾驶算法是自动驾驶技术的核心,它们集成了多个学科的知识,包括计算机视觉、机器学习、控制理论、路径规划等。以下是对汽车智能驾驶算法的一个详细汇总,内容分为几个关键部分进行阐述。一、计算机视觉算法计算机视觉是智能驾驶算法中用于识别和理解环境的关键技术。它主要包括图像处理、特征提取和对象识别等步骤。图像处理:通过摄像头等设备获取车辆前方的图像,然后进行预处理,如灰度化、二值化、滤波等操作,以提高
- 如何用RoBERTa高效提取事件文本结构特征:多层次上下文建模与特征融合
大多_C
人工智能
基于RoBERTa-BASE的特征提取器,提取事件文本数据的结构特征(如段落和篇章结构)涉及多个步骤。RoBERTa作为一种预训练语言模型,可以很好地捕捉输入文本的上下文和依赖关系。具体步骤如下:1.文本预处理在提取事件文本的结构特征之前,需要对文本进行适当的预处理。这一步包括:分句和分段处理:将事件文本拆分为不同的句子或段落,并对每个句子/段落进行标记。每个段落可以视为一个独立的输入序列。Tok
- Pointnet++改进即插即用系列:全网首发DilatedReparamBlock |即插即用,提升特征提取模块性能
AICurator
Pointnet++改进专栏python深度学习pytorch
简介:1.该教程提供大量的首发改进的方式,降低上手难度,多种结构改进,助力寻找创新点!2.本篇文章对Pointnet++特征提取模块进行改进,加入DilatedReparamBlock,提升性能。3.专栏持续更新,紧随最新的研究内容。目录1.理论介绍2.修改步骤2.1步骤一2.2步骤二2.3步骤三1.理论介绍近年来,大核卷积神经网络(ConvNets)得到了广泛的研究关注,但有两个尚未解决的关键问
- YOLOv9独家原创改进|使用可改变核卷积AKConv改进RepNCSPELAN4
今天炼丹了吗
YOLOv9涨点改进专栏人工智能机器学习python深度学习YOLO目标检测
专栏介绍:YOLOv9改进系列|包含深度学习最新创新,主力高效涨点!!!一、改进点介绍AKConv是一种具有任意数量的参数和任意采样形状的可变卷积核,对不规则特征有更好的提取效果。RepNCSPELAN4是YOLOv9中的特征提取模块,类似YOLOv5和v8中的C2f与C3模块。二、RepNCSPELAN4-AKConv模块详解2.1模块简介RepNCSPELAN4-AKConv的主要思想:使用A
- 图像预处理之图像去重
江小皮不皮
计算机视觉opencv人工智能图像去重直方图
图像预处理之图像去重图像去重介绍方法基于直方图进行图像比对基于哈希法基于ORG进行图像特征提取基于机器学习批量去重图像去重介绍图像去重通常指的是完全相同的图像,即内容完全相同,颜色、尺寸、方向等都相同。但是在实际应用中,也有相似图像去重的需求,即内容大致相同,颜色、尺寸、方向等可能有所不同。因此,图像去重指的可以是完全一样的图像,也可以是相似的图像。图像去重的方法有以下几种:方法哈希法:通过计算图
- 深度学习特征提取魔改版太强了!发文香饽饽!
深度之眼
深度学习干货人工智能干货人工智能深度学习机器学习论文特征提取
要说CV领域经久不衰的研究热点,特征提取可以占一席,毕竟SLAM、三维重建等重要应用的底层都离不开它。再加上近几年深度学习兴起,用深度学习做特征提取逐渐成了主流,比传统算法无论是性能、准确性还是效率都更胜一筹。目前比较常见的深度学习特征提取方法有基于transformer、基于CNN、基于LSTM以及基于GAN,都发展的比较成熟。但为了追求更快速、准确、鲁棒的特征点提取,研究者们开始致力于改进深度
- 人脸识别技术框架
weixin_30314813
人工智能
1、人脸检测(确定人脸的位置)。2、人脸关键点(确定眼睛,嘴角等特征位置)。3、人脸几何校正(把人脸通过缩放、旋转、拉伸等图像变化到一个比较标准的大小位置)。4、人脸光学校正(滤波,去除一些对光照敏感的面部特征)。5、人脸特征提取(包括LBP,HOG,Gabor等)。6、人脸识别转载于:https://www.cnblogs.com/lanye/p/3620621.html
- 目标检测-YOLOv4
wydxry
深度学习目标检测YOLO目标跟踪
YOLOv4介绍YOLOv4是YOLO系列的第四个版本,继承了YOLOv3的高效性,并通过大量优化和改进,在目标检测任务中实现了更高的精度和速度。相比YOLOv3,YOLOv4在框架设计、特征提取、训练策略等方面进行了全面升级。它在保持实时检测的同时,显著提升了检测性能,尤其在复杂场景中的表现尤为出色。相比YOLOv3的改进与优势改进的Backbone(CSPDarknet-53)YOLOv4使用
- Python中的深度学习神经网络
2301_78297473
深度学习python神经网络
文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
- c++ +Opencv实现车牌自动识别
听忆.
人工智能计算机视觉
c+++Opencv实现车牌自动识别1.图像预处理2.车牌定位3.字符分割4.字符识别完整流程概述:边走、边悟迟早会好要用C++和OpenCV实现车牌自动识别,主要流程分为几个步骤:图像预处理:提高车牌区域的可见度,方便后续的车牌定位与字符识别。车牌定位:通过图像处理和特征提取,定位车牌在图像中的位置。字符分割:将车牌区域中的字符逐个分割出来。字符识别:利用机器学习算法或者OCR(光学字符识别)技
- 『点云处理任务 』用PCL库 还是 深度学习模型?
爱钓鱼的歪猴
点云深度学习人工智能pcl库
深度学习和PCL库都可以用来做点云处理任务,但是二者侧重点有所不同。1、PCL库(点云库)是一个专门用于点云处理和三维几何分析的开源类库,常用于以下任务:1、点云滤波:用于去除噪音、下采样和平滑等操作,入统计滤波、体素滤波和高斯滤波等。2、特征提取和描述:用于捕获地点云数据的表面特征,入法线估计、曲率计算、局部特征描述子(如FPFH、SHOT)等。3、点云配准:,用于将不同视角或不同时间的点云数据
- 点云从入门到精通技术详解100篇-点云特征学习模型及其在配准中的应用
格图素书
学习
目录前言应用前景国内外研究现状点云特征提取算法研究现状点云配准算法研究现状相关理论基础2.1深度学习2.1.1深度学习概述2.1.2自编码器2.1.3稀疏编码2.1.4受限玻尔兹曼机2.2多层感知机2.2.1多层感知机概述2.2.2感知器与多层感知机2.2.3多层感知机的训练2.3点云配准方法2.3.1无点对应关系的点云配准方法2.3.2基于对应关系的点云配准方法2.4评价指标2.4.1点云配准评
- 如何在3D无序抓取中应用深度学习算法?
道亦无名
人工智能3d深度学习算法
在3D无序抓取中,深度学习算法的应用极大地提升了系统的识别精度和效率。以下是深度学习算法在3D无序抓取中的具体应用方式:一、物体识别图像预处理:首先,通过3D相机获取的点云数据或深度图像需要进行预处理,包括去噪、滤波、分割等步骤,以提高后续处理的准确性。特征提取:利用深度学习算法(如卷积神经网络CNN)对预处理后的图像进行特征提取。这些特征可以是物体的形状、纹理、边缘等,有助于区分不同的物体。分类
- YOLO缺陷检测学习笔记(2)
tt555555555555
YOLO缺陷检测学习笔记YOLO学习笔记
YOLO缺陷检测学习笔记(2)残差连接1.**YOLO的残差连接结构**2.**YOLO使用残差连接的目的**3.**YOLO中的残差块**4.**YOLOv3和YOLOv4的残差连接架构**YOLO网络架构概述1.特征提取网络2.预测头(DetectionHead)3.后处理(Post-processing)YOLOv3/v4的改进YOLOv3YOLOv4SoftmaxSoftmax的性质:So
- Fréchet Inception Distance(FID)原理
代维7
生成式模型计算机视觉
原理概述:FID的核心思想是通过比较真实图像和生成图像在Inception模型特征空间中的分布差异,来评估生成模型的性能。它假设从真实数据和生成数据中提取的特征都近似服从高斯分布。具体步骤:特征提取:使用预训练的Inception模型分别对真实图像和生成图像进行处理,得到各自的特征向量。计算均值和协方差:对于真实图像的特征向量集合,计算其均值向量μreal\mu_{real}μreal和协方差矩阵
- javacv从入门到精通——第三章:基本使用
ayou_llf
javacvjavaopencv语音识别音视频视频编解码
了解javacv的基本结构JavaCV的基本结构如下:JavaCV核心类:JavaCV核心类是JavaCV库的核心,它包括了JavaCV的所有功能和特性,可以用来进行计算机视觉和人工智能任务的开发和实现。JavaCV核心类的主要功能包括:视频捕获、视频编解码、图像处理、人脸检测、特征提取等。基本数据类型:JavaCV库支持多种基本数据类型,包括整数、浮点数、布尔类型等,这些基本数据类型是进行计算机
- 回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序 CNN-WOA-LSSVM
机器不会学习CL
回归预测智能优化算法回归cnn支持向量机
回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序CNN-WOA-LSSVM文章目录一、基本原理1.数据预处理2.特征提取(CNN)3.参数优化(WOA)4.模型训练(LSSVM)5.模型评估和优化6.预测总结二、实验结果三、核心代码四、代码获取五、总结回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序CNN-WOA-LSSV
- 基于CNN-BiLSTM-Adaboost风电功率预测研究(Matlab代码实现)
创新优化代码学习
cnnmatlab人工智能
欢迎来到本博客❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。本文目录如下:目录⛳️赠与读者1概述一、研究背景与意义二、研究方法1.数据准备与预处理2.CNN特征提取3.BiLSTM序列建模4.Adaboost集成学习5.模型训练与评估三、研究优势四、未来展望2运行结果3参考文献4Matlab代码、数据⛳️赠与读者做科研,涉及到一个深在的思想系
- YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合EMAttention和ParNetAttention形成全新的EPA注意力机制和C2f_EPA(全网独家创新)
小李学AI
YOLOv10有效涨点专栏YOLO深度学习计算机视觉人工智能目标检测机器学习神经网络
1.EPAAttention介绍EPAAttention注意力机制综合了EMAttention和ParNetAttention的优势,能够更有效地提取图像特征。(1).综合性与多样性EPAAttention结合了两种不同的注意力机制,充分利用了EMAttention的分组归一化和特征增强能力,以及ParNetAttention的空间注意力和全局特征提取能力。通过这种多样化的组合,EPAAttent
- 人脸识别设计
melonbo
项目分享深度学习人脸识别openface
总体思路人脸识别使用的算法思路为:首先,定位一张图像中所有的人脸位置;其次,对于同一张脸,当光线改变或者朝向方位改变时,算法还能判断是同一张脸;然后找到每一张脸不同于其他脸的独特之处,比如脸的大小、眉毛的弯曲程度,并表示出来;最后,通过把表示出来的脸的特征数据与数据库中的所有的人脸特征进行匹配,确定图像中人的身份信息。模型介绍OpenFace是一个基于深度神经网络的人脸识别和面部特征提取系统,它主
- spark应用程序转换_4.Spark特征提取、转换和选择 - 简书
weixin_39956182
spark应用程序转换
在实际机器学习项目中,我们获取的数据往往是不规范、不一致、有很多缺失数据,甚至不少错误数据,这些数据有时又称为脏数据或噪音,在模型训练前,务必对这些脏数据进行处理,否则,再好的模型,也只能脏数据进,脏数据出。这章我们主要介绍对数据处理涉及的一些操作,主要包括:特征提取特征转换特征选择4.1特征提取特征提取一般指从原始数据中抽取特征。4.1.1词频-逆向文件频率(TF-IDF)词频-逆向文件频率(T
- spark mllib 特征学习笔记 (一)
路人与大师
spark-ml学习笔记
PySparkMLlib特征处理详解PySparkMLlib提供了丰富的特征处理工具,帮助我们进行特征提取、转换和选择。以下是PySparkMLlib中常用的特征处理类及其简要介绍。1.BinarizerBinarizer是将连续特征二值化的转换器。frompyspark.ml.featureimportBinarizerbinarizer=Binarizer(threshold=0.5,inpu
- 【Python机器学习】NLP概述——深度处理
zhangbin_237
Python机器学习python机器学习自然语言处理人工智能机器人
自然语言处理流水线的各个阶段可以看作是层,就像是前馈神经网络中的层一样。深度学习就是通过在传统的两层机器学习模型架构(特征提取+建模)中添加额外的处理层来创建更复杂的模型和行为。上图中,前四层对应于聊天机器人流水线中的前两个阶段(特征提取和特征分析)。例如,词性标注(POS标注)是在聊天机器人流水线的分析阶段生成特征的一种方法。POS标签由默认的SpaCY流水线自动生成,该流水线包括上图中所有的前
- 一个全自动病理处理分析工具——CLAM
qq_42894217
病理图像分析python计算机视觉深度学习分类
文章目录1.简介2.环境配置2.1环境创建2.2安装依赖2.3安装预训练编码器3.数据集准备4.数据处理4.1全自动数据预处理4.2半自动数据预处理step1:设置分割参数step2:执行预分割step3:调整分割参数step4:批量分割5.特征提取6.模型训练6.1数据集划分6.2模型训练6.3模型验证6.4热图可视化1.简介CLAM是一种基于深度学习的数据高效、弱监督的全幻灯片(WSI)级的全
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置