- Kesci:Tensorflow 实现 LSTM——时间序列预测
萧居士
TensorflowLSTM时间序列预测
LSTMhttps://www.kesci.com/home/project/5a38a9c00e1fc52691fd9c72这篇文章将讲解如何使用lstm进行时间序列方面的预测,重点讲lstm的应用,原理部分可参考以下两篇文章:UnderstandingLSTMNetworksLSTM学习笔记编程环境:python3.7,tensorflow1.14本文所用的数据集来自于kesci平台,由云脑机
- 卷积神经网络-解释1
weixin_33749242
人工智能数据结构与算法
[翻译]神经网络的直观解释2017/07/2717:36这篇文章原地址为AnIntuitiveExplanationofConvolutionalNeuralNetworks,卷积神经网络的讲解非常通俗易懂。什么是卷积神经网络?为什么它们很重要?卷积神经网络(ConvNets或者CNNs)属于神经网络的范畴,已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通
- 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
- Nginx
best keyl
nginx服务器
1.Nginx介绍Nginx:engineX,2002年开发,分为社区版和商业版(nginxplus)2019年3月11日F5Networks6.7亿美元的价格收购Nginx是免费的、开源的、高性能的HTTP和反向代理服务器、邮件代理服务器、以及TCP/UDP代理服务器解决C10K问题(10KConnections)Nginx官网:http://nginx.orgnginx的其它的二次发行版:Te
- DOM CSS: Understanding the Intersection of HTML and Style
lly202406
开发语言
DOMCSS:UnderstandingtheIntersectionofHTMLandStyleIntroductionTheDocumentObjectModel(DOM)andCascadingStyleSheets(CSS)aretwofundamentalcomponentsofwebdevelopment.DOMprovidesastructuredrepresentationofHT
- 【论文阅读】Model Stealing Attacks Against Inductive Graph Neural Networks(2021)
Bosenya12
科研学习模型窃取论文阅读图神经网络模型窃取
摘要Manyreal-worlddata(真实世界的数据)comeintheformofgraphs(以图片的形式).Graphneuralnetworks(GNNs图神经网络),anewfamilyofmachinelearning(ML)models,havebeenproposedtofullyleveragegraphdata(充分利用图数据)tobuildpowerfulapplicat
- 【论文阅读】GLiRA: Black-Box Membership Inference Attack via Knowledge Distillation
Bosenya12
模型窃取科研学习论文阅读知识蒸馏成员推理攻击黑盒
摘要While(虽然)DeepNeuralNetworks(DNNs)havedemonstratedremarkableperformanceintasksrelatedtoperception(感知)andcontrol(控制),therearestillseveralunresolvedconcerns(未解决的问题)regardingtheprivacyoftheirtrainingdat
- Magenta——利用深度学习生成音乐和艺术内容
爱研究的小牛
AIGC深度学习人工智能
一、Magenta介绍Magenta是由Google的Brain团队开发的一个开源研究项目,旨在探索机器学习在艺术和音乐创作中的应用。Magenta利用深度学习模型生成音乐、图像和其他形式的艺术作品,并提供相关工具和库,以便开发者和艺术家能够创作出更具创意的内容。二、Magenta核心功能与使用音乐生成:Magenta通过RecurrentNeuralNetworks(RNN)、Transform
- 鸿蒙开发电话服务:【@ohos.telephony.observer (observer)】
爱桥代码的程序媛
鸿蒙开发学习笔录harmonyos鸿蒙开发鸿蒙OpenHarmony程序员电话服务移动开发
observer说明:本模块首批接口从APIversion6开始支持。后续版本的新增接口,采用上角标单独标记接口的起始版本。导入模块importobserverfrom'@ohos.telephony.observer'observer.on(‘networkStateChange’)on(type:‘networkStateChange’,callback:Callback):void;订阅网络
- Conditional Flow Matching: Simulation-Free Dynamic Optimal Transport论文阅读笔记
猪猪想上树
论文阅读笔记
ConditionalFlowMatching:Simulation-FreeDynamicOptimalTransport笔记发现问题连续正规化流(CNF)是一种有吸引力的生成式建模技术,但在基于模拟的最大似然训练中受到了限制。解决问题介绍一种新的条件流匹配(CFM),一种针对CNFs的免模拟训练目标。具有稳定的回归目标,用于扩散模型中的随机流,但享有确定性流模型的有效推断。与扩散模型和CNF目
- UNDERSTANDING HTML WITH LARGE LANGUAGE MODELS
liferecords
LLM语言模型人工智能自然语言处理
UNDERSTANDINGHTMLWITHLARGELANGUAGEMODELS相关链接:arXiv关键字:大型语言模型、HTML理解、Web自动化、自然语言处理、机器学习摘要大型语言模型(LLMs)在各种自然语言任务上表现出色。然而,它们在HTML理解方面的能力——即解析网页的原始HTML,对于自动化基于Web的任务、爬取和浏览器辅助检索等应用——尚未被充分探索。我们为HTML理解模型(经过微调
- 线性代数在卷积神经网络(CNN)中的体现
科学的N次方
人工智能线性代数cnn人工智能
案例:深度学习中的卷积神经网络(CNN)在图像识别领域,卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一个广泛应用深度学习模型,它在人脸识别、物体识别、医学图像分析等方面取得了显著成效。CNN中的核心操作——卷积,就是一个直接体现线性代数应用的例子。假设我们正在训练一个用于识别猫和狗的图像分类器,原始输入是一幅RGB彩色图片,可以将其视为一个高度、宽度和通道数(R
- linux无法获取到ip
yangqjiayou
linuxlinux无法自动获取ip无法自动获取ip
1.无法获取到ip原因:网络未开启首先开启网络:servicenetworkstart或servicenetworkrestartIfconfig-a只显示了本地的ip127.0.0.1,如果ifconfig不可用可以用ipadd获取不到ip则申请ipdhclienteth1eth1为网卡名称如果提示已经启动则释放ipdhclienteth1-r
- 生成对抗网络——cgan
尼古拉斯·two_dog
生成对抗网络——GAN深度学习gan
GAN:生成对抗网络(GenerativeAdversarialNetworks[4])主要由生成器(generator)和判别器(discriminator)组成。它的原理也比较清晰,generator负责输入随机噪声z,输出一个图片G(z),而真实样本x,判别器D则用尽全力希望把真实样本和虚假样本区分开来。而G则希望产生的G(z)以假乱真,欺骗判别器,让其判断不出来。从而有了这么一种对抗的关系
- 机器学习、深度学习、神经网络之间的关系
你好,工程师
AI机器学习
机器学习(MachineLearning)、深度学习(DeepLearning)和神经网络(NeuralNetworks)之间存在密切的关系,它们可以被看作是一种逐层递进的关系。下面简要介绍它们之间的关系:机器学习(MachineLearning):机器学习是一种人工智能的分支,关注如何通过数据让计算机系统从经验中学习,提高性能。机器学习算法可以分为监督学习、无监督学习、半监督学习和强化学习等不同
- Mastering Convolutional Neural Networks: A Comprehensive Practical Exploration
Bio大恐龙
人工智能深度学习数据可视化机器学习
ConvolutionalNeuralNetworks(CNNs)haverevolutionizedthefieldofcomputervisionandimagerecognition,enablinggroundbreakingadvancementsinvariousdomains.Thesepowerfuldeeplearningmodelshaveproventheirprowessi
- Chapter 8 - 18. Congestion Management in TCP Storage Networks
mounter625
Linuxkernel网络web安全安全linuxkernel
ComparisonwithLosslessNetworksRecallthatinFibreChannelfabrics(explainedinChapter3,“DetectingCongestioninFibreChannelFabrics”)andlosslessEthernetnetworks(explainedinChapter7),whenthesourceofcongestioni
- Chapter 8 - 12. Congestion Management in TCP Storage Networks
mounter625
Linuxkerneltcp/ip网络网络协议linuxkernel
ComparisonwithRoCEv2NetworksRoCEv2CongestionManagement(explainedinChapter7)usesthesamemechanismasECNinTCP/IPnetworks.CompareFigure8-103withFigure7-17inChapter7.YoucannoticethatSteps1to4arethesame.Thed
- IPQ6010 vs IPQ9574 Platform Comparison|1588 TSN in WiFi6 WiFi7
linux
IPQ6010vsIPQ9574PlatformComparison|Achieve1588TSNinWiFi6WiFi7HardwareIntherealmofsynchronizationstandardsforwirednetworks,twoprominenttechnologies,IEEE1588(802.1AS)andTime-SensitiveNetworks(TSN),playp
- 论文阅读笔记《SimpleShot: Revisiting Nearest-Neighbor Classification for Few-Shot Learning》
深视
论文阅读笔记#小样本学习深度学习小样本学习
小样本学习&元学习经典论文整理||持续更新核心思想 本文提出一种基于最近邻方法的小样本学习算法(SimpleShot),作者指出目前大量的小样本学习算法都采用了元学习的方案,而作者却发现使用简单的特征提取器+最近邻分类器的方法就能实现非常优异的小样本分类效果。本文首先用特征提取网络fθf_{\theta}fθ+线性分类器在一个基础数据集上对网络进行训练,将训练得到的特征提取网络增加一个简单的特征
- 探索卷积神经网络的奇妙世界-JSP
hkmaike
cnn人工智能神经网络
卷积神经网络(ConvolutionalNeuralNetworks,CNNs)是一种深度学习模型,被广泛用于图像识别、语音识别、自然语言处理等领域。它的特殊结构使得它在处理具有空间结构的数据时表现出色。本文将深入介绍卷积神经网络的原理、应用和未来发展方向。卷积神经网络的基本结构卷积神经网络的核心是卷积层(ConvolutionalLayer)。卷积层通过滤波器(Filter)在输入数据上进行滑动
- 深度学习发展里程碑事件2006-2024
科学禅道
深度学习模型专栏深度学习人工智能
2006-2024年,深度学习发展经历众多的里程碑事件,一次次地刺激着人们的神经,带来巨大的兴奋。电影还在继续,好戏在后面,期待……2006年深度信念网络(DBNs):GeoffreyHinton与他的学生在《Science》杂志上发表文章介绍深度信念网络(DeepBeliefNetworks,DBNs),该方法利用无监督预训练来解决深层神经网络训练中的梯度消失问题,有效地训练深层次模型。2009
- Chapter 8 - 15. Congestion Management in TCP Storage Networks
mounter625
Linuxkerneltcp/ipphp网络linuxkernel
UserActionsAfterlearningthestatesofqueueutilization,thefollowingaretheactionsthatadminsandoperatorscantakewhileusingTCPtransportforstoragetraffic.了解了队列利用率的状态后,管理员和操作员在使用TCP传输存储流量时可以采取以下措施。1.Likeanyoth
- Chapter 8 - 14. Congestion Management in TCP Storage Networks
mounter625
Linuxkerneltcp/ip网络linuxkernel
QueueUtilizationConsiderationsTCP/IPnetworkstypicallyaimfornon-emptyqueuessothatthequeuesalwayshavepacketsfortransmissionwithoutkeepingthelinkidle.Thisachievesahightransmissionrateandreturnsoninvestme
- Chapter 8 - 13. Congestion Management in TCP Storage Networks
mounter625
Linuxkerneltcp/ipphp网络协议linuxkernel
SwitchBufferManagementRecallthatduringnetworkcongestion,aTCPsenderreliesonthefollowingeventsforreducingitstransmissionrate.回想一下,在网络拥塞期间,TCP发送端依靠以下事件来降低传输速率。1.Whenthesenderdetectspacketlossbecauseofthe
- CVPR 2023: Revisiting Residual Networks for Adversarial Robustness
结构化文摘
人工智能3d
我们使用以下6个分类标准对本文的研究选题进行分析:基于MECE原则,以及您提供的论文摘要,以下是对抗鲁棒性研究的六个分类标准:1.提高鲁棒性的重点:对抗训练方法:针对现有架构开发新的对抗训练算法/策略。架构设计:修改网络结构、组件或缩放方式,以获得固有的鲁棒性。2.架构修改级别:块级:更改网络内单个构建块的设计(例如,残差块)。网络缩放:更改网络的深度、宽度和其他宏观缩放参数。3.设计方法:经验实
- 深度学习模型:GAN(生成对抗网络)
缘起性空、
生成对抗网络人工智能神经网络
简述生成对抗网络(GenerativeAdversarialNetworks,简称GAN)是一种深度学习模型,由IanGoodfellow于2014年提出。它的主要目标是生成与真实数据分布相似的新数据。GAN在许多领域都取得了显著的成功,如图像生成、图像到图像的转换、文本生成等。IanGoodfellow(图片来自网络)此外,GAN模型还衍生出了多种变体,如CGAN、LAPGAN、DCGAN、In
- YOLOV8改进系列指南
魔鬼面具
YOLO
基于Ultralytics的YOLOV8改进项目.(69.9¥)为了感谢各位对V8项目的支持,本项目的赠品是yolov5-PAGCP通道剪枝算法.具体使用教程专栏改进汇总二次创新系列ultralytics/cfg/models/v8/yolov8-RevCol.yaml使用(ICLR2023)ReversibleColumnNetworks对yolov8主干进行重设计,里面的支持更换不同的C2f-
- 记录下:OS X上修改网卡IP、MASK、网关服务器IP
liulilittle
Extension服务器tcp/ip网络
方法一:(未必可用,某些系统上无法执行成功)sudonetworksetup-setmanualen0192.168.0.22255.255.255.0192.168.0.23常见错误:(某些系统执行失败时)en0isnotarecognizednetworkservice.**Error:Theparameterswerenotvalid.方法二:(可靠方法)sudoifconfigen0ine
- 【论文阅读笔记】(2015 ICML)Unsupervised Learning of Video Representations using LSTMs
小吴同学真棒
学习人工智能LSTM动作识别无监督自监督self-supervised
UnsupervisedLearningofVideoRepresentationsusingLSTMs(2015ICML)NitishSrivastava,ElmanMansimov,RuslanSalakhutdinovNotesContributionsOurmodelusesanencoderLSTMtomapaninputsequenceintoafixedlengthrepresent
- java线程Thread和Runnable区别和联系
zx_code
javajvmthread多线程Runnable
我们都晓得java实现线程2种方式,一个是继承Thread,另一个是实现Runnable。
模拟窗口买票,第一例子继承thread,代码如下
package thread;
public class ThreadTest {
public static void main(String[] args) {
Thread1 t1 = new Thread1(
- 【转】JSON与XML的区别比较
丁_新
jsonxml
1.定义介绍
(1).XML定义
扩展标记语言 (Extensible Markup Language, XML) ,用于标记电子文件使其具有结构性的标记语言,可以用来标记数据、定义数据类型,是一种允许用户对自己的标记语言进行定义的源语言。 XML使用DTD(document type definition)文档类型定义来组织数据;格式统一,跨平台和语言,早已成为业界公认的标准。
XML是标
- c++ 实现五种基础的排序算法
CrazyMizzz
C++c算法
#include<iostream>
using namespace std;
//辅助函数,交换两数之值
template<class T>
void mySwap(T &x, T &y){
T temp = x;
x = y;
y = temp;
}
const int size = 10;
//一、用直接插入排
- 我的软件
麦田的设计者
我的软件音乐类娱乐放松
这是我写的一款app软件,耗时三个月,是一个根据央视节目开门大吉改变的,提供音调,猜歌曲名。1、手机拥有者在android手机市场下载本APP,同意权限,安装到手机上。2、游客初次进入时会有引导页面提醒用户注册。(同时软件自动播放背景音乐)。3、用户登录到主页后,会有五个模块。a、点击不胫而走,用户得到开门大吉首页部分新闻,点击进入有新闻详情。b、
- linux awk命令详解
被触发
linux awk
awk是行处理器: 相比较屏幕处理的优点,在处理庞大文件时不会出现内存溢出或是处理缓慢的问题,通常用来格式化文本信息
awk处理过程: 依次对每一行进行处理,然后输出
awk命令形式:
awk [-F|-f|-v] ‘BEGIN{} //{command1; command2} END{}’ file
[-F|-f|-v]大参数,-F指定分隔符,-f调用脚本,-v定义变量 var=val
- 各种语言比较
_wy_
编程语言
Java Ruby PHP 擅长领域
- oracle 中数据类型为clob的编辑
知了ing
oracle clob
public void updateKpiStatus(String kpiStatus,String taskId){
Connection dbc=null;
Statement stmt=null;
PreparedStatement ps=null;
try {
dbc = new DBConn().getNewConnection();
//stmt = db
- 分布式服务框架 Zookeeper -- 管理分布式环境中的数据
矮蛋蛋
zookeeper
原文地址:
http://www.ibm.com/developerworks/cn/opensource/os-cn-zookeeper/
安装和配置详解
本文介绍的 Zookeeper 是以 3.2.2 这个稳定版本为基础,最新的版本可以通过官网 http://hadoop.apache.org/zookeeper/来获取,Zookeeper 的安装非常简单,下面将从单机模式和集群模式两
- tomcat数据源
alafqq
tomcat
数据库
JNDI(Java Naming and Directory Interface,Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。
没有使用JNDI时我用要这样连接数据库:
03. Class.forName("com.mysql.jdbc.Driver");
04. conn
- 遍历的方法
百合不是茶
遍历
遍历
在java的泛
- linux查看硬件信息的命令
bijian1013
linux
linux查看硬件信息的命令
一.查看CPU:
cat /proc/cpuinfo
二.查看内存:
free
三.查看硬盘:
df
linux下查看硬件信息
1、lspci 列出所有PCI 设备;
lspci - list all PCI devices:列出机器中的PCI设备(声卡、显卡、Modem、网卡、USB、主板集成设备也能
- java常见的ClassNotFoundException
bijian1013
java
1.java.lang.ClassNotFoundException: org.apache.commons.logging.LogFactory 添加包common-logging.jar2.java.lang.ClassNotFoundException: javax.transaction.Synchronization
- 【Gson五】日期对象的序列化和反序列化
bit1129
反序列化
对日期类型的数据进行序列化和反序列化时,需要考虑如下问题:
1. 序列化时,Date对象序列化的字符串日期格式如何
2. 反序列化时,把日期字符串序列化为Date对象,也需要考虑日期格式问题
3. Date A -> str -> Date B,A和B对象是否equals
默认序列化和反序列化
import com
- 【Spark八十六】Spark Streaming之DStream vs. InputDStream
bit1129
Stream
1. DStream的类说明文档:
/**
* A Discretized Stream (DStream), the basic abstraction in Spark Streaming, is a continuous
* sequence of RDDs (of the same type) representing a continuous st
- 通过nginx获取header信息
ronin47
nginx header
1. 提取整个的Cookies内容到一个变量,然后可以在需要时引用,比如记录到日志里面,
if ( $http_cookie ~* "(.*)$") {
set $all_cookie $1;
}
变量$all_cookie就获得了cookie的值,可以用于运算了
- java-65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
bylijinnan
java
参考了网上的http://blog.csdn.net/peasking_dd/article/details/6342984
写了个java版的:
public class Print_1_To_NDigit {
/**
* Q65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
* 1.使用字符串
- Netty源码学习-ReplayingDecoder
bylijinnan
javanetty
ReplayingDecoder是FrameDecoder的子类,不熟悉FrameDecoder的,可以先看看
http://bylijinnan.iteye.com/blog/1982618
API说,ReplayingDecoder简化了操作,比如:
FrameDecoder在decode时,需要判断数据是否接收完全:
public class IntegerH
- js特殊字符过滤
cngolon
js特殊字符js特殊字符过滤
1.js中用正则表达式 过滤特殊字符, 校验所有输入域是否含有特殊符号function stripscript(s) { var pattern = new RegExp("[`~!@#$^&*()=|{}':;',\\[\\].<>/?~!@#¥……&*()——|{}【】‘;:”“'。,、?]"
- hibernate使用sql查询
ctrain
Hibernate
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import org.hibernate.Hibernate;
import org.hibernate.SQLQuery;
import org.hibernate.Session;
import org.hibernate.Transa
- linux shell脚本中切换用户执行命令方法
daizj
linuxshell命令切换用户
经常在写shell脚本时,会碰到要以另外一个用户来执行相关命令,其方法简单记下:
1、执行单个命令:su - user -c "command"
如:下面命令是以test用户在/data目录下创建test123目录
[root@slave19 /data]# su - test -c "mkdir /data/test123" 
- 好的代码里只要一个 return 语句
dcj3sjt126com
return
别再这样写了:public boolean foo() { if (true) { return true; } else { return false;
- Android动画效果学习
dcj3sjt126com
android
1、透明动画效果
方法一:代码实现
public View onCreateView(LayoutInflater inflater, ViewGroup container, Bundle savedInstanceState)
{
View rootView = inflater.inflate(R.layout.fragment_main, container, fals
- linux复习笔记之bash shell (4)管道命令
eksliang
linux管道命令汇总linux管道命令linux常用管道命令
转载请出自出处:
http://eksliang.iteye.com/blog/2105461
bash命令执行的完毕以后,通常这个命令都会有返回结果,怎么对这个返回的结果做一些操作呢?那就得用管道命令‘|’。
上面那段话,简单说了下管道命令的作用,那什么事管道命令呢?
答:非常的经典的一句话,记住了,何为管
- Android系统中自定义按键的短按、双击、长按事件
gqdy365
android
在项目中碰到这样的问题:
由于系统中的按键在底层做了重新定义或者新增了按键,此时需要在APP层对按键事件(keyevent)做分解处理,模拟Android系统做法,把keyevent分解成:
1、单击事件:就是普通key的单击;
2、双击事件:500ms内同一按键单击两次;
3、长按事件:同一按键长按超过1000ms(系统中长按事件为500ms);
4、组合按键:两个以上按键同时按住;
- asp.net获取站点根目录下子目录的名称
hvt
.netC#asp.nethovertreeWeb Forms
使用Visual Studio建立一个.aspx文件(Web Forms),例如hovertree.aspx,在页面上加入一个ListBox代码如下:
<asp:ListBox runat="server" ID="lbKeleyiFolder" />
那么在页面上显示根目录子文件夹的代码如下:
string[] m_sub
- Eclipse程序员要掌握的常用快捷键
justjavac
javaeclipse快捷键ide
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 写道 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可
- c++编程随记
lx.asymmetric
C++笔记
为了字体更好看,改变了格式……
&&运算符:
#include<iostream>
using namespace std;
int main(){
int a=-1,b=4,k;
k=(++a<0)&&!(b--
- linux标准IO缓冲机制研究
音频数据
linux
一、什么是缓存I/O(Buffered I/O)缓存I/O又被称作标准I/O,大多数文件系统默认I/O操作都是缓存I/O。在Linux的缓存I/O机制中,操作系统会将I/O的数据缓存在文件系统的页缓存(page cache)中,也就是说,数据会先被拷贝到操作系统内核的缓冲区中,然后才会从操作系统内核的缓冲区拷贝到应用程序的地址空间。1.缓存I/O有以下优点:A.缓存I/O使用了操作系统内核缓冲区,
- 随想 生活
暗黑小菠萝
生活
其实账户之前就申请了,但是决定要自己更新一些东西看也是最近。从毕业到现在已经一年了。没有进步是假的,但是有多大的进步可能只有我自己知道。
毕业的时候班里12个女生,真正最后做到软件开发的只要两个包括我,PS:我不是说测试不好。当时因为考研完全放弃找工作,考研失败,我想这只是我的借口。那个时候才想到为什么大学的时候不能好好的学习技术,增强自己的实战能力,以至于后来找工作比较费劲。我
- 我认为POJO是一个错误的概念
windshome
javaPOJO编程J2EE设计
这篇内容其实没有经过太多的深思熟虑,只是个人一时的感觉。从个人风格上来讲,我倾向简单质朴的设计开发理念;从方法论上,我更加倾向自顶向下的设计;从做事情的目标上来看,我追求质量优先,更愿意使用较为保守和稳妥的理念和方法。
&