- 个人学习笔记7-6:动手学深度学习pytorch版-李沐
浪子L
深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络(fullyconvolutionalnetwork,FCN)采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积(transposedconvolution)实现的,输出的类别预测与输入图像在像素级别上具有一一对应关系:通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
- 基于VGG的猫狗识别
卑微小鹿
tensorflowtensorflow
由于猫和狗的数据在这里,所以就做了一下分类的神经网络1、首先进行图像处理:importcsvimportglobimportosimportrandomos.environ['TF_CPP_MIN_LOG_LEVEL']='2'importtensorflowastffromtensorflowimportkerasfromtensorflow.kerasimportlayersimportnum
- 9. 卷积神经网络工程实践
路小漫
小姐姐归来,带着蜜汁微笑,啦啦啦~这次讲的应该是一些成功的神经网络架构,毕竟我们不能总重复造轮子,借鉴很重要AlexNet结构AlexNet的架构如图,有5个卷积层问题1输入是:227×227×3的图像第一层(卷积层1):96个大小为11×11的滤波器,步长为4问题:卷积层的输出是?*答案:55×55×96问题2问题:这一层的超参数的个数是多少?答案:(11×11×3)×96=35k问题3输入:2
- 深度学习框架 人工智能操作系统 训练&前向推理 PyTorch Tensorflow MindSpore caffe 张量加速引擎TBE 深度学习编译器 多面体 polyhedral AI集群框架
EwenWanW
深度学习人工智能pytorch深度学习编译器
深度学习框架人工智能操作系统训练&前向推理深度学习框架发展到今天,目前在架构上大体已经基本上成熟并且逐渐趋同。无论是国外的Tensorflow、PyTorch,亦或是国内最近开源的MegEngine、MindSpore,目前基本上都是支持EagerMode和GraphMode两种模式。AI嵌入式框架OneFlow&清华计图Jittor&华为深度学习框架MindSpore&旷视深度学习框架MegEn
- Caffeine 与 Guava Cache
雨季里的向日葵
java
一、概要1.1背景在项目开发中,为提升系统性能,减少IO开销,本地缓存是必不可少的。最常见的本地缓存是Guava和Caffeine,Caffeine是基于GoogleGuavaCache设计经验改进的结果,相较于Guava在性能和命中率上更具有效率。1.2应用场景愿意消耗一些内存空间来提升速度预料到某些键会被多次查询缓存中存放的数据总量不会超出内存容量二、GuavaCache2.1GuavaCac
- OSError: [WinError 126] 找不到指定的模块---caffe2_detectron_ops_gpu.dll
努力的小柚
python运行问题pythonpytorch
代码复现记录:问题:OSError:[WinError126]找不到指定的模块。Errorloading"C:\Anaconda\Anaconda3\envs\TIN\lib\site-packages\torch\lib\caffe2_detectron_ops_gpu.dll"oroneofitsdependencies.在搜索很多关于无法查找到caffe2_detectron_ops_gpu
- caffe/PyTorch/TensorFlow 在Jupyter Notebook GPU中运用
俊俏的萌妹纸
caffe人工智能深度学习
在JupyterNotebook中使用Caffe框架并利用GPU加速,可以实现多种效果和目的,主要集中在深度学习领域。以下是一些主要的应用场景:快速训练模型:GPU加速可以显著提高模型训练的速度。对于大型数据集和复杂的神经网络结构,使用GPU可以大大减少训练时间。实时数据增强:在训练过程中,可以实时地对输入数据进行变换和增强,以提高模型的泛化能力。GPU加速使得这些操作更加高效。大规模数据处理:深
- 基于示例详细讲解模型PTQ量化的步骤(含代码)
LQS2020
卷积神经网络python
详细探讨模型PTQ量化每个步骤,涉及更多的技术细节和实际计算方法,以便更好地理解PTQ(Post-TrainingQuantization,训练后量化)的全过程。1.模型训练我们假设已经训练了一个卷积神经网络(CNN),例如VGG-16。训练完成后,我们得到了一个以32位浮点数表示的模型权重和激活值。2.收集统计信息在量化之前,我们需要从模型中收集统计信息,以帮助确定量化的参数。收集权重和激活的统
- Linux下Caffe、Docker、Tensorflow、PyTorch环境搭建(CentOS 7)
SnailTyan
文章作者:Tyan博客:noahsnail.com|CSDN|注:模型的训练、测试、部署都可以通过Docker环境完成,环境问题会更少。1.CUDA8.0安装CUDA8.0Configenvvariables#CUDAPATHexportPATH="/usr/local/cuda-8.0/bin:$PATH"#CUDALDLIBRARY_PATHexportLD_LIBRARY_PATH="/us
- 论文阅读瞎记(四) Cascade R-CNN: Delving into High Quality Object Detection 2017
码大哥
深度学习人工智能
概述在物体检测中1,IOU阈值被用于判定正负样本。在低IOU阈值比如0.5的状态下训练模型经常产生噪音预测,然而检测效果会随着IOU增加而降低。两个主要因素:1.训练时的过拟合,正样本指数消失2.检测器最优IOU与输入假设的不匹配。一个单阶段的物体检测器CascadeR-CNN被提出用于解决这些问题。网络由一个检测序列组成,这些序列训练时会伴随IOU增长从而对FP样本更加有选择性地判别。检测器一个
- 目标检测:Cascade R-CNN: Delving into High Quality Object Detection - 2017【方法解读】
智维探境
AI与SLAM论文解析目标检测cnnCascadeR-CNN
查看新版本论文:目标检测:CascadeR-CNN:HighQualityObjectDetectionandInstanceSegmentation-2019【方法解读】目录摘要:1.引言2.相关工作3.对象检测3.1.边界框回归3.2.分类3.3.检测质量4.级联R-CNN4.1.级联边界框回归4.2.级联检测摘要:在目标检测中,需要一个交并比(IoU)阈值来定义正样本和负样本。使用低IoU阈
- 基于深度学习的手势识别系统
毕设宇航
深度学习人工智能手势识别
基于深度学习网络的手势识别系统完整源码+数据集+报告+PPT全套信息【python设计开发】基于深度学习的手势图像识别处理系统【包括】代码PPT报告2需求分析2.1要求(1)用Python语言实现程序设计;(2)初识深度学习和图像处理技术;(3)了解深度神经网络(DeepNeuralNetworks,简称DNN)相关知识;(4)【难点】了解LeNet-5卷积神经网络模型,并进行模型训练;(5)【难
- 打印出ckpt里的所有变量和值
yalesaleng
参考:http://blog.csdn.net/helei001/article/details/56489658fromtensorflow.pythonimportpywrap_tensorflowimportosimportnumpyasnpimporttensorlayerastl#print出ckpt里的所有变量model_dir='./logs_vgg16/case_64'checkp
- VGG16滤镜可视化和类激活图
LIjin_1006
人工智能神经网络深度学习cnn
这个用keras2.2.4+tensorflow1.15.0importkeraskeras.__version__fromkeras.applicationsimportVGG16fromkerasimportbackendasKimportnumpyasnpfromkerasimportmodelsimportmatplotlib.pyplotaspltimporttensorflowastf
- 计算机设计大赛 题目:基于卷积神经网络的手写字符识别 - 深度学习
iuerfee
python
文章目录0前言1简介2LeNet-5模型的介绍2.1结构解析2.2C1层2.3S2层S2层和C3层连接2.4F6与C5层3写数字识别算法模型的构建3.1输入层设计3.2激活函数的选取3.3卷积层设计3.4降采样层3.5输出层设计4网络模型的总体结构5部分实现代码6在线手写识别7最后0前言优质竞赛项目系列,今天要分享的是基于卷积神经网络的手写字符识别该项目较为新颖,适合作为竞赛课题方向,学长非常推荐
- JVM级缓存本地缓存Caffeine
旺仔爱Java
JVM专题jvmJVM缓存本地缓存CaffeineGuavaCache
JVM级缓存本地缓存Caffeine和GuavaCache前言一、创建缓存的代码逻辑二、Caffeine的优化方面淘汰算法W-TinyLFU三、Caffeine的业务使用总结前言最新的Java面试题,技术栈涉及Java基础、集合、多线程、Mysql、分布式、Spring全家桶、MyBatis、Dubbo、缓存、消息队列、Linux…等等,会持续更新。一、创建缓存的代码逻辑Caffeine:publ
- 深度学习,人工智能总结
qq_14827935
人工智能深度学习
1,入门建议少看书,多看csdn上帖子总结(主要就是BP神经网络,CNN,rnn),建立宏观的概念和主要框架,书可以作为进阶补充作为工具书查阅。2,目前的神经网络还处于前牛顿时代,就是实践中图像识别效果很好,但是原理不太清楚3,现在的人工智能有点像通信行业2g时代,从2012年alexnet到openai的chatgpt,未来还有很长的发展潜力。丰田不是汽车的发明者,但现在销量最高。oepnai在
- 大疆的raw图噪声合成:Towards General Low-Light Raw Noise Synthesis and Modeling
tony365
降噪pytorch计算机视觉人工智能
文章目录TowardsGeneralLow-LightRawNoiseSynthesisandModeling1dd2信号相关噪声建模3信号无关噪声:生成器和一致性损失(L1和vgg内容损失)4判别器5总结TowardsGeneralLow-LightRawNoiseSynthesisandModeling1dd作者说极暗场景下物理方法仿真不好。作者提出的方法,对于信号相关的噪声使用物理方法建模,
- 计算机设计大赛 深度学习图像风格迁移
iuerfee
python
文章目录0前言1VGG网络2风格迁移3内容损失4风格损失5主代码实现6迁移模型实现7效果展示8最后0前言优质竞赛项目系列,今天要分享的是深度学习图像风格迁移-opencvpython该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:4分更多资料,项目分享:https://gitee.com/dancheng-senior
- Unet 高阶分割网络实战、多类别分割、迁移学习(deeplab、resnet101等等)
听风吹等浪起
图像分割计算机视觉人工智能
1、前言Unet图像分割之前介绍了不少,具体可以参考图像分割专栏为了实现多类别的自适应分割,前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来,保存在txt文本里,这样txt里面就会有类似012...等等的灰度值。而有几个灰度值,就代表分割要分出几个类别。具体可以参考:Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
- 面试redis篇-04缓存雪崩
卡搜偶
缓存面试redis
原理缓存雪崩:是指在同一时段大量的缓存key同时失效或者Redis服务宕机,导致大量请求到达数据库,带来巨大压力。解决方案:给不同的Key的TTL添加随机值利用Redis集群提高服务的可用性(哨兵模式、集群模式)给缓存业务添加降级限流策略(ngxin或springcloudgateway)给业务添加多级缓存(Guava或Caffeine)问答面试官:什么是缓存雪崩?怎么解决?回答:缓存雪崩意思是设
- 深度学习主流开源框架:Caffe、TensorFlow、Pytorch、Theano、Keras、MXNet、Chainer
seasonsyy
深度学习小知识深度学习开源框架pytorch
2.6深度学习主流开源框架表2.1深度学习主流框架参数对比框架关键词总结框架关键词基本数据结构(都是高维数组)Caffe“在工业中应用较为广泛”,“编译安装麻烦一点”BlobTensorFlow“安装简单pip”TensorPytorch“定位:快速实验研究”,“简单”,“灵活”TensorTheanoד用于处理大规模神经网络的训练”,“不支持移动设备”,“不能应用于工业环境”,“编译复杂模型时
- 卷积,步长,池化,1×1 卷积层,最大汇聚层和平均汇聚层
QTreeY123
深度学习神经网络人工智能cnnpytorch
目录一:回顾二:卷积神经网络举个例子三:卷积互相关运算卷积层学习卷积核四:填充五:步幅六:多输入多输出通道七:1×1卷积层为什么需要1*1的卷积核?八:最大汇聚层和平均汇聚层九:Lenet介绍十:总结所有项目代码+UI界面一:回顾上一篇介绍了深度学习中的层和块以及参数管理,深度学习模型由层和块组成。层是神经网络的基本组成部分,它接受输入并将其转换为输出。块由多层组成,通常用于表示更复杂的操作,例如
- 【深度学习】使用tensorflow实现VGG19网络
杨得江-君临天下wyj
网络协议网络
【深度学习】使用tensorflow实现VGG19网络本文章向大家介绍【深度学习】使用tensorflow实现VGG19网络,主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。VGG网络与AlexNet类似,也是一种CNN,VGG在2014年的ILSVRClocalizationandclassification两个问题上分别取得了第一名和
- AlexNet的出现推动深度学习的巨大发展
科学禅道
深度学习模型专栏深度学习人工智能
尽管AlexNet(2012)的代码只比LeNet(1998)多出几行,但学术界花了很多年才接受深度学习这一概念,并应用其出色的实验结果。AlexNet(由AlexKrizhevsky、IlyaSutskever和GeoffreyHinton共同设计)在架构上相对于早先的LeNet-5等浅层神经网络并没有显著增加代码行数,但其在深度学习领域的重要突破在于其对深层卷积神经网络的实际应用和验证。Ale
- ChatGPT魔法1: 背后的原理
王丰博
GPTchatgpt
1.AI的三个阶段1)上世纪50~60年代,计算机刚刚产生2)Machinelearning3)Deeplearning,有神经网络,最有代表性的是ChatGPT,GPT(GenerativePre-TrainedTransformer)2.深度神经网络llyaSutskever:做图像识别,使用了GPT去并行计算及训练。Alexnet数据库已经label好的(李飞飞)GPU算力3.GPT3.1T
- R-CNN、Fast R-CNN、Faster R-CNN实现
今 晚 打 老 虎
面试之CV基础知识深度学习点滴
R-CNN:传统的目标检测算法:使用穷举法(不同大小比例的滑窗)进行区域选择,时间复杂度高对提取的区域进行特征提取(HOG或者SIFT),对光照、背景等鲁棒性差使用分类器对提取的特征进行分类(SVM或Adaboost)R-CNN的过程:采用SelectiveSearch生成类别独立的候选区域使用AlexNet来提取特征,输入是227*227*3,输出是4096将4096维的特征向量送入SVM来分类
- 深度学习-分类任务---经典网络
丁引
网络深度学习
文章目录经典网络1LeNet51.1模型结构1.2模型结构1.3模型特性2AlexNet2.1模型介绍2.2模型结构2.3模型解读2.4模型特性3可视化ZFNet-转置卷积3.1基本的思想及其过程3.2卷积与转置卷积3.3卷积可视化3.4ZFNet和AlexNet比较4VGGNet4.1模型结构4.2模型特点5NetworkinNetwork5.1模型结构5.2模型创新点6GoogleNet6.1
- vgg19-dcbb9e9d.pth文件网盘下载
Sherry_Yue
pytorchVGG
VGG19pth文件网盘链接官网下载地址(特别慢):https://download.pytorch.org/models/vgg19-dcbb9e9d.pth网盘下载地址:链接:https://pan.baidu.com/s/1Z0H1E9vv3aL5u4BHUw5LdA提取码:bwma
- DFM-无监督图像匹配
alex1801
深度学习图像配准匹配图像拼接
DFM:APerformanceBaselineforDeepFeatureMatching(深度特征匹配的性能基准)2021.06.14摘要提出了一种新的图像匹配方法,利用现成的深度神经网络提取的学习特征来获得良好的图像匹配效果。该方法使用预训练的VGG结构作为特征提取器,不需要任何额外的训练来提高匹配。灵感来自心理学领域成熟的概念,如心理旋转,初始扭曲是作为初步几何变换估计的结果而执行的(an
- 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