- 深度学习项目--基于DenseNet网络的“乳腺癌图像识别”,准确率90%+,pytorch复现
羊小猪~~
深度学习网络pytorch人工智能python机器学习分类
本文为365天深度学习训练营中的学习记录博客原作者:K同学啊前言如果说最经典的神经网络,ResNet肯定是一个,从ResNet发布后,很多人做了修改,denseNet网络无疑是最成功的一个,它采用密集型连接,将通道数连接在一起;本文是基于上一篇复现DenseNet121模型,做一个乳腺癌图像识别,效果还行,准确率0.9+;CNN经典网络之“DenseNet”简介,源码研究与复现(pytorch):
- 嵌入式人工智能应用- 第七章 人脸识别
数贾电子科技
嵌入式人工智能应用人工智能
嵌入式人工智能应用`文章目录嵌入式人工智能应用1人脸识别1.1dlib介绍1.2dlib特点1.3dlib的安装与编译2人脸识别原理2.1ResNet3代码部署3.1安装[CUDAToolkit12.8](https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=Ubunt
- PyTorch深度学习框架60天进阶学习计划 - 第18天:模型压缩技术
凡人的AI工具箱
深度学习pytorch学习python人工智能
PyTorch深度学习框架60天进阶学习计划-第18天:模型压缩技术目录模型压缩技术概述知识蒸馏详解软标签生成策略KL散度损失推导温度参数调节结构化剪枝技术通道剪枝评估准则L1-norm剪枝算法APoZ剪枝算法量化训练基础量化类型与精度PyTorch量化API剪枝与量化协同优化Torch.fx动态计算图修改自动化模型压缩流程实现实战案例:ResNet模型压缩性能评估与分析进阶挑战与思考1.模型压缩
- Bottleneck、CSP、DP结构详细介绍
CV工程师小朱
深度学习笔记人工智能深度学习CSP深度可分离残差网络
文章目录前言一、BottleneckDarknetBottleneck二、CSPCSP思想pp-picodet中的CSPLayerDP卷积前言本篇文章详细介绍了三种神经网络中常见的结构,bottleneck、CSP、DP,并附上了代码加深理解。一、BottleneckBottleneck出现在ResNet50/101/152这种深层网络中,基本思想就是先用1x1减少通道数再进行卷积最后再通过1x1
- 基于多种模型剪枝方法(L1-norm、Slimming、AutoSlim)的模型轻量化和模型压缩实现
踟蹰横渡口,彳亍上滩舟。
pytorch量化感知训练稀疏训练模型剪枝学习教程剪枝python深度学习
基于多种模型剪枝方法(L1-norm、Slimming、AutoSlim)的模型轻量化实现支持:VGG、MobileNet、Resnet、ShuffleNet等模型。代码下载地址:下载BackBonePrunerPruneRatioOriginal/Pruned/FinetunedAccuracyFLOPs(M)Params(M)MobileV2L1-Norm0.60.937/0.100/0.84
- 深度学习与普通神经网络有何区别?
是理不是里
深度学习神经网络人工智能
深度学习与普通神经网络的主要区别体现在以下几个方面:一、结构复杂度普通神经网络:通常指浅层结构,层数较少,一般为2-3层,包括输入层、一个或多个隐藏层、输出层。深度学习:强调通过5层以上的深度架构逐级抽象数据特征,包含多层神经网络,层数可能达到几十层甚至上百层。例如,ResNet(2015)包含152个卷积层。二、特征学习方式普通神经网络:特征提取通常依赖人工设计,需要领域专家的经验。这意味着在处
- 深度学习笔记——Resnet和迁移学习
肆——
深度学习深度学习笔记迁移学习
1.ResNet的提出深度学习与网络深度的挑战:在深度学习中,网络的“深度”(即层数)通常与模型的能力成正比。然而,随着网络深度的增加,一些问题也随之出现,最突出的是梯度消失/爆炸问题。这使得深层网络难以训练。梯度消失:梯度消失是指在训练深度神经网络时,通过多层传递的梯度(误差)变得非常小,接近于零。这导致网络中较早层的权重更新非常缓慢,甚至几乎不更新。梯度爆炸:梯度爆炸是指在训练深度神经网络时,
- Pytorch 第九回:卷积神经网络——ResNet模型
Start_Present
pytorchcnnpython分类深度学习
Pytorch第九回:卷积神经网络——ResNet模型本次开启深度学习第九回,基于Pytorch的ResNet卷积神经网络模型。这是分享的第四个卷积神经网络模型。该模型是基于解决因网络加深而出现的梯度消失和网络退化而进行设计的。接下来给大家分享具体思路。本次学习,借助的平台是PyCharm2024.1.3,python版本3.11numpy版本是1.26.4,pytorch版本2.0.0+cu11
- 每天五分钟深度学习pytorch:基于Pytorch搭建ResNet模型的残差块
每天五分钟玩转人工智能
深度学习框架pytorch深度学习pytorch人工智能ResNet机器学习
残差块我们分析一下这个残差块,x经过两个卷积层得到F(x),然后F(x)+x作为残差块的输出,此时就有一个问题,这个问题就是F(x)+x的维度问题,如果图片数据经过两个卷积层之后F(x)变小(height和weight变小)或者通道数发生了变化,那么此时F(x)是没有办法和x相加的,当然我们可以学习前面的GoogLeNet的方式,也就是说卷积之后的F(x)和x一样,大小不变,或者对x变道和F(x)
- 快速掌握EasyOCR应用实战指南
梦想画家
#python人工智能pythonpytorchEasyOCR
EasyOCR是一个开源的、支持多语言(28+种)和多文档格式(PDF/PNG/JPG/TIFF等)的OCR(光学字符识别)工具库,由HuggingFace团队维护。其目标是简化OCR的开发流程,提供易用、高性能的文本识别能力,适用于工业、教育、医疗等多个领域。EasyOCR核心组件解析1.特征提取(FeatureExtraction)技术模型:ResNet(残差网络)、VGG功能:将输入图像转换
- 深度学习篇---Opencv中的机器学习和深度学习
Ronin-Lotus
深度学习篇图像处理篇深度学习opencv机器学习python
文章目录前言一、OpenCV中的机器学习1.概述2.使用步骤步骤1:准备数据步骤2:创建模型步骤3:训练模型步骤4:预测3.优点简单易用轻量级实时性4.缺点特征依赖性能有限二、OpenCV中的深度学习1.概述图像分类(如ResNet、MobileNet)目标检测(如YOLO、SSD)语义分割(如DeepLab)人脸检测(如OpenFace)2.使用步骤步骤1:加载模型步骤2:准备输入数据步骤3:推
- ResNet 改进:轻量级的混合本地信道注意机制MLCA
听风吹等浪起
AI改进系列深度学习opencv计算机视觉
目录1.MLCA注意力机制2.改进位置3.完整代码Tips:融入模块后的网络经过测试,可以直接使用,设置好输入和输出的图片维度即可1.MLCA注意力机制MLCA(MixedLocalChannelAttention)是一种轻量级的混合本地信道注意机制,旨在提升卷积神经网络(CNN)在图像处理任务中的性能。它通过结合局部和全局信息来增强特征表示能力,同时保持较低的计算复杂度。核心思想:MLCA的核心
- 人工智能基础知识
yzx991013
人工智能
首先分为两大类:一:机器视觉cv1.特征比较明显2.经典模型:cnn,resnet,deepface,yolov(1-12),vi-transformer。缺点:不能解决收听问题。3.落地,无人识别,轨道追踪,无人驾驶,(主要解决看的东西)。二:自然语言处理nlp(语音识别)处理(文本)方面解决(说和听的问题),RNN,LSTM,attention,transformer(基于规则的翻译,超越普通
- 深度学习进阶:TensorFlow实战指南
ELSON麦香包
本文还有配套的精品资源,点击获取简介:《TensorFlow实战Google深度学习框架》详细指导读者学习TensorFlow,涵盖基础概念、数据流图、API使用、张量和变量操作,深度学习基础如CNN和RNN,以及自定义层和优化算法。书中还提供使用TensorFlow构建和训练深度学习模型的实例,包括AlexNet、VGG、ResNet以及LSTM和GRU,并通过图像分类和文本情感分析等实战案例,
- 网络模型打印 参数量 模型计算量 FLOPs MACs 简单计算方法
L_egend_ing
Python网络python机器学习
目录网络模型打印模型参数量实现效果1实现效果2网络模型打印最简单的就是print(model)importtorchvision.modelsasmodelsnetwork=models.resnet18()print(network)当然,一般需求都比这个多,效果我放在文末尾了。继续往下看模型参数量参考github使用torchinfo,安装使用pipinstalltorchinfofromto
- PyTorch 中结合迁移学习和强化学习的完整实现方案
小赖同学啊
人工智能pytorch迁移学习人工智能
结合迁移学习(TransferLearning)和强化学习(ReinforcementLearning,RL)是解决复杂任务的有效方法。迁移学习可以利用预训练模型的知识加速训练,而强化学习则通过与环境的交互优化策略。以下是如何在PyTorch中结合迁移学习和强化学习的完整实现方案。1.场景描述假设我们有一个任务:训练一个机器人手臂抓取物体。我们可以利用迁移学习从一个预训练的视觉模型(如ResNet
- 模型参数超 RFdiffusion 5 倍!英伟达等发布 Proteina,从头设计蛋白质主链性能达 SOTA
hyperai
自上个世纪以来,科学家们便投身于依据氨基酸序列来预测蛋白质结构的探索之中,并怀揣着利用氨基酸创造全新蛋白质、构建生命蓝图的愿景。然而,这项宏伟的使命在时间的长河中进展缓慢,直至近几年,随着AI技术的迅猛发展,才如同被注入强劲动力,驶入发展快车道。自2016年以来,由分子之心创始人兼首席科学家许锦波等人开启的一场科技革命,正悄然改变着这一领域。他们开创性地将深度残差网络ResNet架构引入结构预测领
- 【Elasticsearch】一文读懂ES向量搜索:原理剖析与技术全景
程序员大任
ElasticSearchelasticsearch
注:本文若未说明ES版本则为7.10,其他版本会特别标记,由于ES版本不同,部分差异较大,具体请以官方文档为准一、向量搜索的核心原理1.1向量化表示的本质现代AI技术将文本、图像等非结构化数据转化为高维向量(通常128-1024维),这些向量在数学空间中携带语义特征。如:文本嵌入(Embedding):BERT等模型生成768维向量图像特征:ResNet提取2048维特征向量1.2向量搜索简介向量
- 【大模型】大模型分类
IT古董
人工智能人工智能大模型
大模型(LargeModels)通常指参数量巨大、计算能力强大的机器学习模型,尤其在自然语言处理(NLP)、计算机视觉(CV)等领域表现突出。以下是大模型的常见分类方式:1.按应用领域分类自然语言处理(NLP)模型如GPT-3、BERT、T5等,主要用于文本生成、翻译、问答等任务。计算机视觉(CV)模型如ResNet、EfficientNet、VisionTransformer(ViT)等,用于图
- 深度学习重要论文阅读笔记 ResNet (2025.2.26)
北岛寒沫
逐界星辰2025计算机科研深度学习论文阅读笔记
文章目录问题背景数据预处理神经网络模型模型性能知识点积累英语单词积累问题背景随着神经网络变得更深(层数变多),模型的训练过程也会变得更加困难。当神经网络的深度增加,就会出现梯度消失和梯度下降现象,妨碍模型的收敛。不过,这种情况可以通过归一化的模型初始化和中间的归一化层基本解决。但是,尽管在增加了归一化技术的情况下很深的神经网络可以收敛,又出现了另外一个问题,即随着模型深度的增加,模型的准确率反而下
- 自动驾驶之BEVDet
maxruan
BEV自动驾驶自动驾驶人工智能机器学习
BEVDet主要分为4个模块:1、图像视图编码器(Image-viewEncoder):就是一个图像特征提取的网络,由主干网络backbone+颈部网络neck构成。经典主干网络比如resnet,SwinTransformer等。neck有==FPN==,PAFPN等。例如输入环视图像,记作Tensor([bs,N,3,H,W]),提取多尺度特征;其中bs=batchsize,N=环视图像的个数,
- Pytorch(5): LeNet,ResNet,RNN,LSTM代码
weixin_51182518
rnn卷积深度学习python
1、LeNet5与ResNet18实战第一部分:LeNet5代码:importtorchfromtorchimportnnfromtorch.nnimportfunctionalasFclassLenet5(nn.Module):def__init__(self):super(Lenet5,self).__init__()self.conv_unit=nn.Sequential(nn.Conv2d
- 【深度学习】PYTORCH框架中采用训练数据“CIFAR-10”实现RESNET50
别出BUG求求了
深度学习深度学习pytorchcifar-10resnet50神经网络
一、ResNet网络结构二、基本块三、RESNET50代码实现resnet50.pyimporttorchimporttorch.nnasnnfromtorch.nnimportfunctionalasFclassResNet50BasicBlock(nn.Module):def__init__(self,in_channel,outs,kernerl_size,stride,padding):s
- ResNet代码详解与具体实现
墨小傲
python人工智能神经网络深度学习
现在在搞一个项目,想将目前模型架构中的vgg换成resnet网络,所以写了这篇文章。代码都是官网的代码,只是对内容进行了解释。1.BasicBlock类中的init()函数是先定义网络架构,forward()的函数是前向传播,实现的功能就是残差块,importtorch.nnasnnimportmathimporttorch.utils.model_zooasmodel_zoo#这个文件内包括6中
- cap4:YoloV5的TensorRT部署指南(python版)
我是一个对称矩阵
TensorRT全流程部署指南YOLOpython人工智能TensorRT模型部署
《TensorRT全流程部署指南》专栏文章目录:《TensorRT全流程部署指南》专栏主页cap1:TensorRT介绍及CUDA环境安装cap2:1000分类的ResNet的TensorRT部署指南(python版)cap3:自定义数据集训练ResNet的TensorRT部署指南(python版)cap4:YoloV5目标检测任务的TensorRT部署指南(python版)cap5:YoloV5
- DeepSeek混合精度训练核心技术解析与实践指南
燃灯工作室
Deepseek数据挖掘语音识别计算机视觉目标检测机器学习人工智能
1.主题背景1.1Why混合精度训练(价值)混合精度训练通过结合FP16和FP32数据格式,在保证模型精度的前提下实现:40-60%显存占用降低(ResNet50案例:从7.8GB降至4.2GB)1.5-3倍训练速度提升(BERT-Large案例:从8h缩短至5h)突破大模型训练显存瓶颈(GPT-3训练显存需求从3TB降至1.8TB)1.2行业定位属于深度学习基础设施层的训练优化技术,处于模型开发
- 深度学习革命背后:DBN、AlexNet、GAN 等神级架构,究竟藏着怎样的 AI 崛起密码?(附deepseek)
universe_code
人工智能python深度学习经验分享
深度学习革命**3.深度学习革命(2006年至今)****2006年:深度学习奠基——深度信念网络(DBN)****2012年:AlexNet崛起****2014年:架构创新潮****生成对抗网络(GAN)****残差网络(ResNet)****Transformer****总结**补充(deepseek)一、核心技术原理1.**混合专家架构(MoE)**2.**多头潜在注意力(MLA)**3.*
- 【深度学习】计算机视觉(CV)-图像分类-ResNet(Residual Network,残差网络)
IT古董
深度学习人工智能深度学习计算机视觉分类
ResNet(ResidualNetwork,残差网络)是一种深度卷积神经网络(CNN)架构,由何恺明(KaimingHe)等人在2015年提出,最初用于ImageNet竞赛,并在分类任务上取得了冠军。ResNet的核心思想是残差学习(ResidualLearning),它通过跳跃连接(SkipConnections)解决了深度神经网络训练中的梯度消失和梯度爆炸问题,使得非常深的网络(如50层、1
- 【深入探讨 ResNet:解决深度神经网络训练问题的革命性架构】
机器学习司猫白
深度学习人工智能resnet神经网络残差
深入探讨ResNet:解决深度神经网络训练问题的革命性架构随着深度学习的快速发展,卷积神经网络(CNN)已经成为图像识别、目标检测等计算机视觉任务的主力军。然而,随着网络层数的增加,训练深层网络变得愈加困难,主要问题是“梯度消失”和“梯度爆炸”问题。幸运的是,ResNet(ResidualNetworks)通过引入“残差学习”概念,成功地解决了这些问题,极大地推动了深度学习的发展。本文将详细介绍R
- ViT和Transformer
Landon9
transformer深度学习人工智能
AttentionIsAllYouNeedVit在图像领域直接使用transformer,如果将2d图像直接转为一维向量,会面临参数两过大的问题。后来会思考在卷积之后再使用transformer,例如resNet50模型中,最后一层仅为14×14大小的矩阵。而本文是直接采用transformer模型,只需要对图片做一下预处理。ViT是将图像分为多个16×16的patch一张图像可以被分成多个小的图
- tomcat基础与部署发布
暗黑小菠萝
Tomcat java web
从51cto搬家了,以后会更新在这里方便自己查看。
做项目一直用tomcat,都是配置到eclipse中使用,这几天有时间整理一下使用心得,有一些自己配置遇到的细节问题。
Tomcat:一个Servlets和JSP页面的容器,以提供网站服务。
一、Tomcat安装
安装方式:①运行.exe安装包
&n
- 网站架构发展的过程
ayaoxinchao
数据库应用服务器网站架构
1.初始阶段网站架构:应用程序、数据库、文件等资源在同一个服务器上
2.应用服务和数据服务分离:应用服务器、数据库服务器、文件服务器
3.使用缓存改善网站性能:为应用服务器提供本地缓存,但受限于应用服务器的内存容量,可以使用专门的缓存服务器,提供分布式缓存服务器架构
4.使用应用服务器集群改善网站的并发处理能力:使用负载均衡调度服务器,将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
- [信息与安全]数据库的备份问题
comsci
数据库
如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题
如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?
是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?
&n
- 使用maven tomcat plugin插件debug关联源代码
商人shang
mavendebug查看源码tomcat-plugin
*首先需要配置好'''maven-tomcat7-plugin''',参见[[Maven开发Web项目]]的'''Tomcat'''部分。
*配置好后,在[[Eclipse]]中打开'''Debug Configurations'''界面,在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
- 大访问量高并发
oloz
大访问量高并发
大访问量高并发的网站主要压力还是在于数据库的操作上,尽量避免频繁的请求数据库。下面简
要列出几点解决方案:
01、优化你的代码和查询语句,合理使用索引
02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中
03、采用服务器集群、负载均衡分担大访问量高并发压力
04、数据读写分离
05、合理选用框架,合理架构(推荐分布式架构)。
- cache 服务器
小猪猪08
cache
Cache 即高速缓存.那么cache是怎么样提高系统性能与运行速度呢?是不是在任何情况下用cache都能提高性能?是不是cache用的越多就越好呢?我在近期开发的项目中有所体会,写下来当作总结也希望能跟大家一起探讨探讨,有错误的地方希望大家批评指正。
1.Cache 是怎么样工作的?
Cache 是分配在服务器上
- mysql存储过程
香水浓
mysql
Description:插入大量测试数据
use xmpl;
drop procedure if exists mockup_test_data_sp;
create procedure mockup_test_data_sp(
in number_of_records int
)
begin
declare cnt int;
declare name varch
- CSS的class、id、css文件名的常用命名规则
agevs
JavaScriptUI框架Ajaxcss
CSS的class、id、css文件名的常用命名规则
(一)常用的CSS命名规则
头:header
内容:content/container
尾:footer
导航:nav
侧栏:sidebar
栏目:column
页面外围控制整体布局宽度:wrapper
左右中:left right
- 全局数据源
AILIKES
javatomcatmysqljdbcJNDI
实验目的:为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象,还是创建了两个数据源对象。
1:将diuid和mysql驱动包(druid-1.0.2.jar和mysql-connector-java-5.1.15.jar)copy至%TOMCAT_HOME%/lib下;2:配置数据源,将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下:&l
- MYSQL的随机查询的实现方法
baalwolf
mysql
MYSQL的随机抽取实现方法。举个例子,要从tablename表中随机提取一条记录,大家一般的写法就是:SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是,后来我查了一下MYSQL的官方手册,里面针对RAND()的提示大概意思就是,在ORDER BY从句里面不能使用RAND()函数,因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中,
- JAVA的getBytes()方法
bijian1013
javaeclipseunixOS
在Java中,String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下,返回的东西不一样!
String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示,如:
byte[] b_gbk = "
- AngularJS中操作Cookies
bijian1013
JavaScriptAngularJSCookies
如果你的应用足够大、足够复杂,那么你很快就会遇到这样一咱种情况:你需要在客户端存储一些状态信息,这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。
幸运的是,这种方式已经一去不复返了,在所有现代浏览器中几乎
- [Maven学习笔记五]Maven聚合和继承特性
bit1129
maven
Maven聚合
在实际的项目中,一个项目通常会划分为多个模块,为了说明问题,以用户登陆这个小web应用为例。通常一个web应用分为三个模块:
1. 模型和数据持久化层user-core,
2. 业务逻辑层user-service以
3. web展现层user-web,
user-service依赖于user-core
user-web依赖于user-core和use
- 【JVM七】JVM知识点总结
bit1129
jvm
1. JVM运行模式
1.1 JVM运行时分为-server和-client两种模式,在32位机器上只有client模式的JVM。通常,64位的JVM默认都是使用server模式,因为server模式的JVM虽然启动慢点,但是,在运行过程,JVM会尽可能的进行优化
1.2 JVM分为三种字节码解释执行方式:mixed mode, interpret mode以及compiler
- linux下查看nginx、apache、mysql、php的编译参数
ronin47
在linux平台下的应用,最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用,在手工编译完以后,在其他一些情况下(如:新增模块),往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。
1、nginx
[root@361way ~]# /App/nginx/sbin/nginx -V
nginx: nginx version: nginx/
- unity中运用Resources.Load的方法?
brotherlamp
unity视频unity资料unity自学unityunity教程
问:unity中运用Resources.Load的方法?
答:Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置
1、unity实时替换的物体即是依据环境条件
- 线段树-入门
bylijinnan
java算法线段树
/**
* 线段树入门
* 问题:已知线段[2,5] [4,6] [0,7];求点2,4,7分别出现了多少次
* 以下代码建立的线段树用链表来保存,且树的叶子结点类似[i,i]
*
* 参考链接:http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18
* @author lijinna
- 全选与反选
chicony
全选
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>全选与反选</title>
- vim一些简单记录
chenchao051
vim
mac在/usr/share/vim/vimrc linux在/etc/vimrc
1、问:后退键不能删除数据,不能往后退怎么办?
答:在vimrc中加入set backspace=2
2、问:如何控制tab键的缩进?
答:在vimrc中加入set tabstop=4 (任何
- Sublime Text 快捷键
daizj
快捷键sublime
[size=large][/size]Sublime Text快捷键:Ctrl+Shift+P:打开命令面板Ctrl+P:搜索项目中的文件Ctrl+G:跳转到第几行Ctrl+W:关闭当前打开文件Ctrl+Shift+W:关闭所有打开文件Ctrl+Shift+V:粘贴并格式化Ctrl+D:选择单词,重复可增加选择下一个相同的单词Ctrl+L:选择行,重复可依次增加选择下一行Ctrl+Shift+L:
- php 引用(&)详解
dcj3sjt126com
PHP
在PHP 中引用的意思是:不同的名字访问同一个变量内容. 与C语言中的指针是有差别的.C语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容 复制代码代码如下:
<?
$a="ABC";
$b =&$a;
echo
- SVN中trunk,branches,tags用法详解
dcj3sjt126com
SVN
Subversion有一个很标准的目录结构,是这样的。比如项目是proj,svn地址为svn://proj/,那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局,trunk为主开发目录,branches为分支开发目录,tags为tag存档目录(不允许修改)。但是具体这几个目录应该如何使用,svn并没有明确的规范,更多的还是用户自己的习惯。
- 对软件设计的思考
e200702084
设计模式数据结构算法ssh活动
软件设计的宏观与微观
软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发,也要从微观上把握软件之间的开发。宏观上,可以应用面向对象设计,采用流行的SSH架构,采用web层,业务逻辑层,持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上,对于一个类,甚至方法的调用,从计算机的角度模拟程序的运行情况。了解内存分配,参数传
- 同步、异步、阻塞、非阻塞
geeksun
非阻塞
同步、异步、阻塞、非阻塞这几个概念有时有点混淆,在此文试图解释一下。
同步:发出方法调用后,当没有返回结果,当前线程会一直在等待(阻塞)状态。
场景:打电话,营业厅窗口办业务、B/S架构的http请求-响应模式。
异步:方法调用后不立即返回结果,调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后,当前线程不会阻塞,会继续执行其他任务。
实现:
- Reverse SSH Tunnel 反向打洞實錄
hongtoushizi
ssh
實際的操作步驟:
# 首先,在客戶那理的機器下指令連回我們自己的 Server,並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port
ssh -NfR 12345:localhost:22
[email protected]
# 然後在 myhost 的機器上連自己的 12345 port,就可以連回在客戶那的機器
ssh localhost -p 1
- Hibernate中的缓存
Josh_Persistence
一级缓存Hiberante缓存查询缓存二级缓存
Hibernate中的缓存
一、Hiberante中常见的三大缓存:一级缓存,二级缓存和查询缓存。
Hibernate中提供了两级Cache,第一级别的缓存是Session级别的缓存,它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的,一般情况下无需进行干预;第二级别的缓存是SessionFactory级别的缓存,它是属于进程范围或群集范围的缓存。这一级别的缓存
- 对象关系行为模式之延迟加载
home198979
PHP架构延迟加载
形象化设计模式实战 HELLO!架构
一、概念
Lazy Load:一个对象,它虽然不包含所需要的所有数据,但是知道怎么获取这些数据。
延迟加载貌似很简单,就是在数据需要时再从数据库获取,减少数据库的消耗。但这其中还是有不少技巧的。
二、实现延迟加载
实现Lazy Load主要有四种方法:延迟初始化、虚
- xml 验证
pengfeicao521
xmlxml解析
有些字符,xml不能识别,用jdom或者dom4j解析的时候就报错
public static void testPattern() {
// 含有非法字符的串
String str = "Jamey친ÑԂ
- div设置半透明效果
spjich
css半透明
为div设置如下样式:
div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}
说明:
1、filter:对win IE设置半透明滤镜效果,filter:alpha(Opacity=80)代表该对象80%半透明,火狐浏览器不认2、-moz-opaci
- 你真的了解单例模式么?
w574240966
java单例设计模式jvm
单例模式,很多初学者认为单例模式很简单,并且认为自己已经掌握了这种设计模式。但事实上,你真的了解单例模式了么。
一,单例模式的5中写法。(回字的四种写法,哈哈。)
1,懒汉式
(1)线程不安全的懒汉式
public cla