- 【DL经典回顾】激活函数大汇总(四)(Softmax & Softplus附代码和详细公式)
夺命猪头
python机器学习人工智能神经网络numpy
激活函数大汇总(四)(Softmax&Softplus附代码和详细公式)更多激活函数见激活函数大汇总列表一、引言欢迎来到我们深入探索神经网络核心组成部分——激活函数的系列博客。在人工智能的世界里,激活函数扮演着不可或缺的角色,它们决定着神经元的输出,并且影响着网络的学习能力与表现力。鉴于激活函数的重要性和多样性,我们将通过几篇文章的形式,本篇详细介绍两种激活函数,旨在帮助读者深入了解各种激活函数的
- LLM 的Top-P参数 是在LLM中的每一层发挥作用,还是最后一层?
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpython人工智能算法机器学习transformer自然语言处理
LLM的Top-P参数是在LLM中的每一层发挥作用,还是最后一层?Top-P(核采样)是在大语言模型(LLM)生成文本的最后一步发挥作用,具体来说是在模型输出**原始分数(Logits)**之后、应用Softmax函数生成概率分布之前进行筛选。它的作用机制与Temperature(温度)类似,但逻辑不同,以下从技术原理、代码实现和应用场景三个维度展开说明:一、技术原理:仅作用于生成阶段的最后一步1
- 华为OD技术面试高频考点(算法篇、AI方向)
一、Transformer核心机制:自注意力(Self-Attention)公式:Attention=softmax(QK^T/√d_k)v运作原理:1.Q/K/V矩阵:输入向量通过线性变换生成Query(查询)、Key(键)、Value(值)2.注意力权重:Softmax(QKT/√d_k)→计算词与词之间的关联度3.输出:权重与Value加权求和→捕获长距离依赖-优势:并行计算、全局上下文感知
- SIGMOD论文解读|在自下而上优化中添加布隆过滤器
Gauss松鼠会
技术交流数据库gaussdbdatabase
6月22日至27日,2025ACMSIGMOD/PODS国际学术会议在德国柏林举行。25日,华为多伦多分布式调度和数据引擎实验室主任工程师TimothyZeyl受邀出席,就入选的《IncludingBloomFiltersinBottom-upOptimization》论文进行了解读该论文创新性地首次提出了在自下而上的优化器的基于成本的优化过程中添加布隆过滤器(BloomFilter)的技术。该技
- 2.线性神经网络--Softmax回归
温柔济沧海
深度学习神经网络回归人工智能
2.1从零实现Softmax回归#数据集导入importtorchimporttorchvisionfromtorchvisionimporttransformsimportmatplotlib.pyplotaspltfromtqdmimporttqdmfromtorch.utils.dataimportDataLoader#####################################
- Pytorch:nn.Linear中是否自动应用softmax函数
浩瀚之水_csdn
深度学习目标检测#Pytorch框架pytorch人工智能python
在本文中,我们将介绍Pytorch中的nn.Linear模块以及它是否自动应用softmax函数。nn.Linear是Pytorch中用于定义线性转换的模块,常用于神经网络的全连接层。一、什么是nn.Linearnn.Linear是PyTorch中的一个类,它是实现线性变换的模块。nn.Linear的主要作用是将输入张量和权重矩阵相乘,再添加偏置,生成输出张量。我们来看一个简单的示例,展示如何使用
- 预训练语言模型之:Encoder-only PLM
抱抱宝
大模型语言模型人工智能自然语言处理
1.基础架构:TransformerEncoder所有模型的基石都是TransformerEncoder结构,其核心是自注意力机制:Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk
- 【动手学深度学习】4.2~4.3 多层感知机的实现
XiaoJ1234567
《动手学深度学习》深度学习人工智能MLP多层感知机
目录4.2.多层感知机的从零开始实现1)初始化模型参数2)激活函数3)模型4)损失函数5)训练4.3.多层感知机的简洁实现1)模型2)小结.4.2.多层感知机的从零开始实现现在让我们实现一个多层感知机。为了与之前softmax回归获得的结果进行比较,我们将继续使用Fashion-MNIST图像分类数据集。importtorchfromtorchimportnnfromd2limporttorcha
- BERT-NER-Pytorch 深度学习教程
富茉钰Ida
BERT-NER-Pytorch深度学习教程BERT-NER-PytorchChineseNER(NamedEntityRecognition)usingBERT(Softmax,CRF,Span)项目地址:https://gitcode.com/gh_mirrors/be/BERT-NER-Pytorch1.项目介绍BERT-NER-Pytorch是一个基于PyTorch实现的中文命名实体识别(
- 激活层为softmax时,CrossEntropy损失函数对激活层输入Z的梯度
Jcldcdmf
AI机器学习损失函数交叉熵softmax
∂L∂Z=y^−y\frac{\partialL}{\partialZ}=\hat{y}-y∂Z∂L=y^−y其中yyy为真实值,采用one-hot编码,y^\hat{y}y^为softmax输出的预测值证明:\textbf{证明:}证明:根据softmax公式:y^i=ezi∑j=1nezj\hat{y}_i=\frac{e^{z_i}}{\sum_{j=1}^ne^{z_j}}y^i=∑j=1
- 理解Logits、Softmax和softmax_cross_entropy_with_logits的区别
1010n111
机器学习
理解Logits、Softmax和softmax_cross_entropy_with_logits的区别技术背景在机器学习尤其是深度学习中,分类问题是一个常见的任务。在解决分类问题时,我们需要将模型的输出转换为概率分布,以便确定每个类别的可能性。同时,我们需要一个损失函数来衡量模型预测结果与真实标签之间的差异,从而进行模型的训练和优化。在TensorFlow中,logits、softmax和so
- LLM输出优化秘籍:Dify参数调节技巧大揭秘!
AI大模型-大飞
人工智能机器学习大模型AI大模型程序员语言模型大模型教程
引言随着大语言模型(LLM)在文本生成、对话系统等领域的广泛应用,参数调节已成为开发者必须掌握的核心技能。本文深入解析温度(Temperature)、TopP、TopK等关键参数的作用机制,并提供面向不同场景的配置策略,帮助开发者实现生成质量与多样性的精准控制。一、核心参数详解1.温度(Temperature)作用机制:通过softmax函数调整预测分布调节范围:0-1效果对比:温度值生成质量多样
- MSE做多分类任务如何
用「考试打分」来类比,秒懂为啥多分类任务很少用MSE,以及硬用会出啥问题~一、多分类任务的「常规操作」:交叉熵vsMSE1.多分类任务长啥样?例子:手写数字识别(0-9共10类)、动物图片分类(猫/狗/鸟等)。目标:模型输出每个类别的概率,选概率最高的作为预测结果。2.交叉熵为啥是「标配」?输出:配合softmax激活函数,输出每个类别的概率(和为1)。判卷逻辑:看「预测概率是否接近真实类别」,比
- PyTorch张量操作中dim参数的核心原理与应用技巧:
AI扶我青云志
pytorch人工智能
今天在搭建神经网络模型中重写forward函数时,对输出结果在最后一个维度上应用Softmax函数,将输出转化为概率分布。但对于dim的概念不是很熟悉,经过查阅后整理了一下内容。PyTorch张量操作精解:深入理解dim参数的维度规则与实践应用在PyTorch中,张量(Tensor)的维度操作是深度学习模型实现的基础。dim参数作为高频出现的核心概念,其取值逻辑直接影响张量运算的结果。本文将从维度
- 26 - UFO模块
Leo Chaw
深度学习算法实现人工智能深度学习pytorch计算机视觉
论文《UFO-ViT:HighPerformanceLinearVisionTransformerwithoutSoftmax》1、作用UFO-ViT旨在解决传统Transformer在视觉任务中所面临的主要挑战之一:SA机制的计算资源需求随输入尺寸的平方增长,这使得处理高分辨率输入变得不切实际。UFO-ViT通过提出一种新的SA机制,消除了非线性操作,实现了对计算复杂度的线性控制,同时保持了高性
- 多分类与多标签分类的损失函数
麦格芬230
自然语言处理
使用神经网络处理多分类任务时,一般采用softmax作为输出层的激活函数,使用categorical_crossentropy(多类别交叉熵损失函数)作为损失函数,输出层包含k个神经元对应k个类别。在多标签分类任务中,一般采用sigmoid作为输出层的激活函数,使用binary_crossentropy(二分类交叉熵损失函数)作为损失函数,就是将最后分类层的每个输出节点使用sigmoid激活函数激
- 缩放点积模型:如何巧妙化解Softmax梯度消失难题?
摘取一颗天上星️
深度学习损失函数标准点积梯度消失
在Transformer模型中,缩放点积注意力(ScaledDot-ProductAttention)通过一个看似简单的操作——除以维度的平方根——解决了Softmax梯度消失的核心问题。本文将深入剖析其背后的数学原理和实际效果。一、问题根源:标准点积的Softmax为何梯度消失?假设查询向量q和键向量kᵢ的维度为dₖ,且其元素服从均值为0、方差为1的独立分布。点积qᵀkᵢ的方差为:Var(qᵀk
- 机器学习专栏(36):逻辑回归与Softmax回归全解析(附完整代码与可视化)
Sonal_Lynn
人工智能专题机器学习逻辑回归回归
目录一、逻辑回归:概率世界的"温度计"1.1核心原理:从线性到概率的魔法转换1.2Sigmoid函数:概率转换的核心引擎1.3实战案例:鸢尾花二分类二、模型训练:损失函数的艺术2.1对数损失函数解析2.2正则化实战技巧三、Softmax回归:多分类的终极武器3.1数学原理深度解析3.2多分类实战技巧四、工业级应用指南4.1特征工程黄金法则4.2模型评估矩阵4.3超参数调优模板五、避坑指南:常见误区
- 【OpenCV】cv::exp函数详解
浩瀚之水_csdn
#OpenCV学习opencv人工智能计算机视觉
cv::exp是OpenCV中用于对矩阵中的每个元素进行自然指数运算(即ex)的函数,常用于图像增强、概率计算或机器学习中的激活函数(如Softmax)。以下是详细解析:函数原型voidcv::exp(InputArraysrc,OutputArraydst);参数说明:src:输入矩阵(CV_32F或CV_64F类型)。dst:输出矩阵,大小和通道数与src相同,数据类型自动匹配为CV_32F或
- KV Cache:大模型推理加速的核心机制
非常大模型
大模型语言模型人工智能
当AI模型生成文本时,它们经常会重复许多相同的计算,这会降低速度。KVCache是一种技术,它可以通过记住之前步骤中的重要信息来加快此过程。模型无需从头开始重新计算所有内容,而是重复使用已经计算过的内容,从而使文本生成更快、更高效。从矩阵运算角度理解KVCache让我们从最基础的注意力机制开始。标准的self-attention计算公式大家都很熟悉:Attention(Q,K,V)=softmax
- 人工智能与大模型技术:从理论到实践的黄金指南
NIHILISM DAMN
人工智能python人工智能
一、破解技术迷雾:大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型,通过自注意力机制(Self-Attention)实现了序列建模的突破。其核心公式可表示为:Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ(Query)、KK(Key)、V
- 人工智能与大模型技术:从理论到实践的黄金指南
NIHILISM DAMN
人工智能python人工智能
一、破解技术迷雾:大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型,通过自注意力机制(Self-Attention)实现了序列建模的突破。其核心公式可表示为:Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ(Query)、KK(Key)、V
- triton学习笔记2: 循环优化术
Puzzles8:Longsoftmaxpuzzles8是计算batch的softmax,题目如下:Softmaxofabatchoflogits.Usesoneprogramblockaxis.BlocksizeB0representsthebatchofxoflengthN0.BlocklogitlengthT.ProcessitB1Float32[4,200]:x_max=x.max(1,k
- 人工智能与大模型技术:从理论到实践的黄金指南
张家铭02
人工智能python人工智能
一、破解技术迷雾:大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型,通过自注意力机制(Self-Attention)实现了序列建模的突破。其核心公式可表示为:Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ(Query)、KK(Key)、V
- 【Text2SQL 论文】CodeS:Text2SQL 领域的开源语言模型
yubinCloud
Text2SQLText2SQL自然语言处理语言模型深度学习人工智能
论文:CodeS:TowardsBuildingOpen-sourceLanguageModelsforText-to-SQL⭐⭐⭐⭐arXiv:2402.16347,SIGMOD2024人大Code:CodeS|GitHub一、论文速读本文提出一个开源的专门用于Text2SQL任务的LLM——CodeS,有多个参数规模的版本(1B~15B),它是基于StarCdoer基座模型,使用Text2SQ
- 【知识点】大模型面试题汇总(持续更新)
XD742971636
深度学习机器学习大模型深度学习面试题
1.ScaledDot-ProductAttention中的缩放因子(√d)作用问题:为什么计算QK内积后要除以√d?答案:•核心原因:防止点积结果过大导致softmax进入饱和区(梯度消失)。•数学解释:假设Q、K的每个维度是独立零均值、方差为1的随机变量,点积结果的方差为d。缩放后方差恢复为1,稳定梯度。•替代方案:初始化时缩小参数方差(如除以√d),但动态缩放更鲁棒。2.Q/K使用不同权重矩
- 大模型中的KV Cache
为啥全要学
大模型pythonkv缓存python大模型kv缓存
1.KVCache的定义与核心原理KVCache(Key-ValueCache)是一种在Transformer架构的大模型推理阶段使用的优化技术,通过缓存自注意力机制中的键(Key)和值(Value)矩阵,避免重复计算,从而显著提升推理效率。原理:自注意力机制:在Transformer中,注意力计算基于公式:Attention(Q,K,V)=softmax(QK⊤dk)V=∑i=1nwivi(加权
- python pytorch 模型构造函数、连接函数 通俗版
Python虫
pythonpytorch开发语言人工智能
目录前言一、模型定义函数1.`nn.Linear`(全连接层)2.`nn.Conv2d`(卷积层)3.`nn.LSTM`(长短时记忆网络)二、连接函数1.`nn.ReLU`(激活函数)2.nn.Sigmoid3.nn.Softmax三、组合示例(搭积木).分类模型模板2.生成模型模板**五、常见问题**Q1:为什么要有激活函数?Q2:全连接层和卷积层有什么区别?Q3:如何选择激活函数?前言最近压力
- 电商直播实时字幕生成:语音-视觉同步对齐技术详解与实战
燃灯工作室
Ai神经网络机器学习深度学习学习pytorch
一、技术原理与数学建模1.1多模态特征同步机制核心公式:声学特征提取:X_audio=CNN1D(MFCC(wav))视觉特征提取:X_vision=ResNet(frame)同步对齐:A=softmax((X_audioW_q)(X_visionW_k)^T/√d)案例:口红试色直播中,当主播拿起特定色号时,系统同步生成"#502豆沙色薄涂示范"的字幕。通过交叉注意力机制对齐唇部运动区域(视觉)
- pytorch验算CrossEntropyLoss ,BCELoss 和 BCEWithLogitsLoss
咕噜咕噜day
pytorch相关CrossEntropyloBCELossBCEWithLogitsBCE_交叉熵_BCEWit
一.手动计算、log_softmax+nll_loss、nn.CrossEntropyLoss三种方式计算交叉熵:(classtorch.nn.CrossEntropyLoss(weight=None,size_average=None,ignore_index=-100,reduce=None,reduction=‘elementwise_mean’)功能:将输入经过softmax激活函数之后,
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s