- 【激活函数总结】Pytorch中的激活函数详解: ReLU、Leaky ReLU、Sigmoid、Tanh 以及 Softmax
阿_旭
深度学习知识点pytorch人工智能python激活函数深度学习
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.
- 两种常用损失函数:nn.CrossEntropyLoss 与 nn.TripletMarginLoss
大多_C
人工智能算法python机器学习
两种用于模型训练的损失函数:nn.CrossEntropyLoss和nn.TripletMarginLoss。它们在对比学习和分类任务中各自扮演不同的角色。接下来是对这两种损失函数的详细介绍。1.nn.CrossEntropyLossnn.CrossEntropyLoss是PyTorch提供的交叉熵损失函数,通常用于多分类任务中。它结合了softmax激活函数和负对数似然损失(NegativeLo
- 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
- 理解Softmax函数的原理和实现
Ven%
深度学习基础动手自然语言处理人工智能深度学习机器学习python
Softmax函数是机器学习和深度学习中非常基础且重要的一个概念,特别是在处理分类问题时。它的作用是将一个向量中的元素值转换成概率分布,使得每个元素的值都在0到1之间,并且所有元素值的总和为1。原理Softmax函数的数学表达式定义如下:softmax(zi)=ezi∑jezj\text{softmax}(z_i)=\frac{e^{z_i}}{\sum_{j}e^{z_j}}softmax(zi
- 【论文简介】Circle Loss: A Unified Perspective of Pair Similarity Optimization
萝莉狼
machinelearningcirclelossdeepfeaturelearning
CircleLoss:AUnifiedPerspectiveofPairSimilarityOptimization旷世cvpr2020的一篇文章,站在更高的视角,统一了deepfeaturelearning的两大基础loss:基于class-levellabel的loss(如softmax+crossentropy)和基于pair-wiselabel的loss(如tripletloss),指出了
- Transformer面试真题详解——覆盖99%的Transformer面试问题(建议收藏)
爱睡觉的咋
LLMtransformer深度学习人工智能
文章目录1.请简述一下Transformer的基本结构和原理2.Transformer为什么使用多头注意力机制3.Transformer计算attention为什么选择点乘而不是加法?两个计算复杂度和效果上有什么区别?4.为什么在softmax之后要对attention进行scaled(为什么除以d_k的平方根)5.在计算attentionscore时,如何对padding做mask操作6.简单介
- 基于Python的机器学习系列(18):梯度提升分类(Gradient Boosting Classification)
会飞的Anthony
信息系统机器学习人工智能机器学习python分类
简介梯度提升(GradientBoosting)是一种集成学习方法,通过逐步添加新的预测器来改进模型。在回归问题中,我们使用梯度来最小化残差。在分类问题中,我们可以利用梯度提升来进行二分类或多分类任务。与回归不同,分类问题需要使用如softmax这样的概率模型来处理类别标签。梯度提升分类的工作原理梯度提升分类的基本步骤与回归类似,但在分类任务中,我们使用概率模型来处理预测结果:初始化模型:选择一个
- Datawhale X 李宏毅苹果书 AI夏令营 进阶 Task2-自适应学习率+分类
沙雕是沙雕是沙雕
人工智能学习深度学习
目录1.自适应学习率1.1AdaGrad1.2RMSProp1.3Adam1.4学习率调度1.5优化策略的总结2.分类2.1分类与回归的关系2.2带有softmax的分类2.3分类损失1.自适应学习率传统的梯度下降方法在优化过程中常常面临学习率设置不当的问题。固定的学习率在训练初期可能过大,导致模型训练不稳定,而在后期可能过小,导致训练速度缓慢。为了克服这些问题,自适应学习率方法应运而生。这些方法
- VLDB 2024 即将来袭!创邻科技将带来精彩分享
创邻科技
科技
8月26-30日,数据库领域最权威、影响力最大的顶级盛会之一,VLDB2024来了!VLDB(InternationalConferenceonVeryLargeDatabases)是数据管理、可扩展数据科学和数据库研究人员、厂商、应用开发者以及用户广泛参与的年度国际论坛,它与SIGMOD、ICDE被公认为数据管理与数据库领域的三大国际顶尖学术会议。2024年是VLDB举办50周年的重要年份。今年
- YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10结合全新多尺度动态增强注意力机制DSAttention(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神经网络
1.DSAttention介绍DSAttention注意力机制在图像特征提取中具有以下优点:(1).全局信息捕捉能力:DSAttention机制通过使用软注意力机制(SoftmaxAttention)来计算特征图的全局相关性。这种方式能够更好地捕捉图像中的全局信息,有助于增强对复杂场景或大尺度物体的识别能力。(2).多尺度信息融合:该机制引入了多尺度卷积操作,包括不同大小的卷积核(如5x5、1x7
- keras.optimizers优化器中文文档
地上悬河
python开发语言后端
优化器optimizers优化器是编译Keras模型必要的两个参数之一model=Sequential()model.add(Dense(64,init='uniform',input_dim=10))model.add(Activation('tanh'))model.add(Activation('softmax'))sgd=SGD(lr=0.01,decay=1e-6,momentum=0.
- 深度学习——第8章 深层神经网络(DNN)
曲入冥
深度学习深度学习神经网络dnn机器学习人工智能
第8章深层神经网络(DNN)目录8.1神经网络为什么要深?8.2深层神经网络标记符号8.3正向传播8.4反向传播8.5多分类Softmax8.6总结上一课是实战内容,我们使用Python一步步搭建了一个最简单的神经网络模型,只包含单层隐藏层。并使用这个简单模型对非线性可分的样本集进行分类,最终得到了不错的分类效果。本节将继续从深度神经网络入手,介绍深层神经网络的数学原理和推导过程。8.1神经网络为
- 如何使用Python绘制常见的几种激活函数?
神笔馬良
python开发语言
问题描述:如何使用Python绘制常见的几种激活函数?(sigmoid、Tanh、Relu、LeakyRelu、ELU、Softplus、Softmax、Smish)解答:这里八种不同的激活函数,使用了不同的颜色进行了绘制。#importpandasaspd#fromscipyimportstatsimportmathimportmatplotlib.pyplotaspltimportnumpya
- 从零实现softmax回归【基于Pytorch】
卡仕达酱
回归pytorch人工智能机器学习python
参考资料:沐神——动手学深度学习importtorchimporttorchvisionfrommatplotlibimportpyplotaspltfromtorch.utilsimportdatafromtorchvisionimporttransformsfromd2limporttorchasd2lfromIPythonimportdisplaydefget_dataloader_work
- 深度学习基础之《TensorFlow框架(4)—Operation》
csj50
机器学习深度学习
一、常见的OP1、举例类型实例标量运算add,sub,mul,div,exp,log,greater,less,equal向量运算concat,slice,splot,canstant,rank,shape,shuffle矩阵运算matmul,matrixinverse,matrixdateminant带状态的运算variable,assgin,assginadd神经网络组件softmax,sig
- CrossEntropyLoss in Pytorch
xljdt1
inmathematicssoftmaxfunction(normalizedexponentialfunction)crossentropyinpytorchNLLLosscrossentropylossdoc:Thiscriterioncombinesnn.LogSoftmax()andnn.NLLLoss()inonesingleclass.importtorchimporttorch.nn
- 多元分类及其pytorch实现
o0Orange
分类数据挖掘人工智能
相比起逻辑回归的二分类,多元分类使用softmax来替代了sigmoid,假如需要分k类,那么应该有k个输入值1...k,然后输出k个概率,且概率之和为1。顺便给出softmax的定义:i=e^i/e^limportmatplotlib.pyplotaspltimporttorchfromtorchimportnn,optimimporttorch.nn.functionalasFunc#500*
- 序贯Sequential模型
光光小丸子
通过向Sequential模型传递一个layer的list来构造该模型model=Sequential([Dense(32,input_shape=(784,)),Activation('relu'),Dense(10),Activation('softmax'),])model.compile(optimizer='rmsprop',loss='categorical_crossentropy'
- Cross-lingual Transfer of Monolingual Representations
ltochange
clipboard.png假设有两种语言L1和L2,L1既有大量无标签数据又有下游任务的监督数据,L2只有大量无标签数据,整个流程可分为一下四步:在L1无标签的数据集上,训练一个单语的bert,任务为masked语言模型(MLM)和下一句话预测(NSP)冻结第1步训练好的bert中的transformer部分(embedding层和softmax层除外),在L2无标签的数据集上从头开始训练新的be
- 机器学习:Softmax介绍及代码实现
是Dream呀
机器学习笔记神经网络机器学习人工智能python
Softmax原理Softmax函数用于将分类结果归一化,形成一个概率分布。作用类似于二分类中的Sigmoid函数。对于一个k维向量z,我们想把这个结果转换为一个k个类别的概率分布p(z)。softmax可以用于实现上述结果,具体计算公式为:对于k维向量z来说,其中zi∈Rzi∈R,我们使用指数函数变换可以将元素的取值范围变换到(0,+∞)(0,+∞),之后我们再所有元素求和将结果缩放到[0,1]
- 2-1 动手学深度学习v2-Softmax回归-笔记
Alkali!
深度学习/机器学习入门深度学习回归笔记
回归VS分类回归估计一个连续值分类预测一个离散类别从回归到多类分类回归单连续数值输出输出的区间:自然区间R\mathbb{R}R损失:跟真实值的区别分类通常多个输出(这个输出的个数是等于类别的个数)输出的第iii个元素是用来预测第iii类的置信度从回归到多类分类——均方损失对类别进行一位有效编码(因为类别不是一个数,可能是一个字符串等等)假设我们有nnn个类别,我们可以用最简单的一位有效编码来进行
- 在CE和MSE损失函数中使用置信度的方法
UndefindX
深度学习python机器学习
以下是在一个半监督情景中weak_output_ul为弱扰动出来的logits,strong_output_ul为强扰动出来的logits两者尺寸都可看作[8,2,256,256]CE:weak_x_ul=self.encoder(A_ul,B_ul)weak_output_ul=self.main_decoder(weak_x_ul)weak_targets=F.softmax(weak_out
- 机器学习:SVM、softmax、Dropout及最大池化max_pool介绍
是Dream呀
机器学习笔记深度学习机器学习支持向量机人工智能
一、利用线性SVM进行分类train_data:(train_num,3072)训练流程初始化权重W:(3072,10)梯度dW:(3072,10)train_data和权重相乘得到score(10,)对应每个类别的分数2.1对于每个score中的分数i,如果是正确的类别对应的score跳过2.2如果是其他的类别,计算margin=score[i]-correct_score+12.3如果其他的m
- 【深度学习】:Softmax实现手写数字识别
X.AI666
深度学习深度学习人工智能
清华大学驭风计划课程链接学堂在线-精品在线课程学习平台(xuetangx.com)代码和报告均为本人自己实现(实验满分),只展示任务实验结果,如果需要报告或者代码可以私聊博主有任何疑问或者问题,也欢迎私信博主,大家可以相互讨论交流哟~~Softmax实现手写数字识别相关知识点:numpy科学计算包,如向量化操作,广播机制等1简介本次案例中,你需要用python实现Softmax回归方法,用于MNI
- 解锁机器学习多类分类之门:Softmax函数的全面指南
程序员Chino的日记
机器学习分类人工智能
1.引言Softmax函数的定义和基本概念Softmax函数,也称为归一化指数函数,是一个将向量映射到另一个向量的函数,其中输出向量的元素值代表了一个概率分布。在机器学习中,特别是在处理多类分类问题时,Softmax函数扮演着至关重要的角色。它可以将未归一化的数值转换成一个概率分布,使得每个类别都有一个对应的概率值,且所有类别的概率之和为1。Softmax在机器学习中的重要性在机器学习的多类分类问
- 深度学习中的激活函数、损失函数、优化算法
Chealkeo
DL-def自然语言处理深度学习神经网络
深度学习中的激活函数、损失函数、优化算法DL小将激活函数sigmoidtanhrelugelusoftmax损失函数分类问题常用的损失函数回归问题常用的损失函数优化算法随机梯度下降SGDAdam牛顿法DL小将本文对深度学习中的激活函数、损失函数和常用到的优化算法进行总结分析、记录学习。优化算法用来更新模参数,经过一系列计算并通过激活函数得
- 刘知远LLM——神经网络基础
李日音
神经网络人工智能深度学习
文章目录神经网络基础基本构成如何训练?Word2Vec例子负采样:循环神经网络RNN门控计算单元GRU长短时记忆网络LSTM遗忘门输入门输出门双向RNN卷积神经网络CNNpytorch实战神经网络基础基本构成全称:人工神经网络。启发于生物神经细胞单个神经元单层神经网络前向计算激活函数的作用:没有激活函数的话,多层神经网络就会退化为单层输出层线性输出:回归问题sigmoid:二分类softmax:多
- 神经网络 | 常见的激活函数
半亩花海
神经网络学习笔记深度学习神经网络人工智能
Hi,大家好,我是半亩花海。本文主要介绍神经网络中必要的激活函数的定义、分类、作用以及常见的激活函数的功能。目录一、激活函数定义二、激活函数分类三、常见的几种激活函数1.Sigmoid函数(1)公式(2)图像(3)优点与不足2.Tanh函数(1)公式(2)图像(3)优点与不足3.ReLU函数(1)公式(2)图像(3)优点与不足4.Softmax函数(1)公式(2)图像(3)特点与不足一、激活函数定
- 李沐《动手学深度学习》注意力机制
丁希希哇
李沐《动手学深度学习》学习笔记深度学习人工智能算法pytorch
系列文章李沐《动手学深度学习》预备知识张量操作及数据处理李沐《动手学深度学习》预备知识线性代数及微积分李沐《动手学深度学习》线性神经网络线性回归李沐《动手学深度学习》线性神经网络softmax回归李沐《动手学深度学习》多层感知机模型概念和代码实现李沐《动手学深度学习》多层感知机深度学习相关概念李沐《动手学深度学习》深度学习计算李沐《动手学深度学习》卷积神经网络相关基础概念李沐《动手学深度学习》卷积
- Lightning Attention-2: A Free Lunch for Handling Unlimited Sequence Lengths in Large Language Models
UnknownBody
LLM语言模型人工智能机器学习
本文是LLM系列文章,针对《LightningAttention-2:AFreeLunchforHandlingUnlimitedSequenceLengthsinLargeLanguageModels》的翻译。LightningAttention-2:处理大型语言模型中无限序列长度的免费午餐摘要1引言2相关工作3方法4实验5结论摘要线性注意力是一种有效的注意力机制,最近成为传统softmax注意
- 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