- 【04】深度学习——训练的常见问题 | 过拟合欠拟合应对策略 | 过拟合欠拟合示例 | 正则化 | Dropout方法 | Dropout的代码实现 | 梯度消失和爆炸 | 模型文件的读写
花落指尖❀
#深度学习深度学习人工智能目标检测神经网络cnn
深度学习1.常见的分类问题1.1模型架构设计1.2万能近似定理1.3宽度or深度1.4过拟合问题1.5欠拟合问题1.6相互关系2.过拟合欠拟合应对策略2.1问题的本源2.2数据集大小的选择2.3数据增广2.4使用验证集2.5模型选择2.6K折交叉验证2.7提前终止3.过拟合欠拟合示例3.1导入库3.2数据生成3.3数据划分3.4模型定义3.5辅助函数3.6可视化4.正则化4.1深度学习中的正则化4
- 深度学习算法,该如何深入,举例说明
liyy614
深度学习
深度学习算法的深入学习可以从理论和实践两个方面进行。理论上,深入理解深度学习需要掌握数学基础(如线性代数、概率论、微积分)、机器学习基础和深度学习框架原理。实践上,可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数:理解向量、矩阵、特征值和特征向量等,对于理解神经网络的权重和偏置矩阵至关重要。概率论:用于理解模型的不确定性,如Dropout等正则化技术。微积分:理解梯度下降等优化算
- 6. 深度学习中的正则化技术:防止过拟合
Network_Engineer
机器学习深度学习人工智能
引言过拟合是深度学习模型在训练过程中常遇到的挑战。过拟合会导致模型在训练数据上表现良好,但在新数据上表现不佳。为了防止过拟合,研究者们提出了多种正则化技术,如L1/L2正则化、Dropout、数据增强等。这些技术通过约束模型的复杂度或增加数据的多样性,有效提高了模型的泛化能力。本篇博文将深入探讨这些正则化技术的原理、应用及其在实际深度学习任务中的效果。1.过拟合的原因与影响过拟合通常发生在模型的复
- 3.关于Detr
安逸sgr
Transformer计算机视觉目标检测transformer
关于Detr模型架构总体架构classTransformer(nn.Module):def__init__(self,d_model=512,nhead=8,num_encoder_layers=6,num_decoder_layers=6,dim_feedforward=2048,dropout=0.1,activation="relu",normalize_before=False,retur
- PyTorch踩坑记录1
普通攻击往后拉
troch陶器神经网络基础模型关键点pytorch人工智能python
1model.eval()无法关闭dropout因为model.eval()控制self.training参数,只有用nn.Dropout(0.5)声明才能在调用model.eval()后关闭,用F.dropout(x,p=0.5)是没办法自动关闭的,需要手动把self.training的参数传入到F.dropout()里才行。网上查到是因为model.eval()会影响继承nn.module类的
- PyTorch使用Tricks:Dropout,R-Dropout和Multi-Sample Dropout等 !!
JOYCE_Leo16
计算机视觉pytorch人工智能python深度学习神经网络
文章目录1、为什么使用Dropout?2、Dropout的拓展1:R-Dropout3、Dropout的拓展2:Multi-SampleDropout4、Dropout的拓展3:DropConnect5、Dropout的拓展4:Standout6、Dropout的拓展5:GaussianDropout1、为什么使用Dropout?Dropout是一种在神经网络训练过程中用于防止过拟合的技术。在训练
- 一文带你了解单细胞数据基因集打分的所有算法
生信宝库
上一周Immugent写了一篇一文解决单细胞亚群注释的所有问题,引出了单细胞测序技术的面临的几大未解决的技术难题,其中最主要的一个问题就是由于测序深度不足产生的"dropout"现象。这使得很多情况下所见非所得,傻傻分不清有些基因表达量很低,是因为没有测到还是本身没有表达。对于这种现象很多研究者给出了自己的解决方法,其中最主要的一大类就是通过对包含多个基因的基因集综合打分来评估细胞的某一项功能,比
- scIMC:scRNA-seq插补方法基准
tzc_fly
单细胞多组学分析人工智能
在scRNA-seq中一个主要的挑战即为“dropout”事件,它扭曲了基因表达,显著影响了单细胞转录组的下游分析。为了解决这个问题,已经做了很多努力,并开发了几种基于模型和基于深度学习的scRNA-seq插补方法。但是,目前还缺乏对现有方法进行全面、系统的比较。在这项工作中,作者使用6个模拟和2个真实的scRNA-seq数据集,从以下四个方面全面评估和比较了总共12种可用的插补方法:1.基因表达
- 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
- java class interface_java abstract class interface之间的区别介绍
weixin_39672011
javaclassinterface
javaabstractclassinterface之间的区别介绍更新时间:2012年11月28日14:39:31作者:含有abstract修饰符的class即为抽象类,abstract类不能创建的实例对象,abstractclass类中定义抽象方法必须在具体(Concrete)子类中实现,所以,不能有抽象构造方法或抽象静态方法含有abstract修饰符的class即为抽象类,abstract类不
- Graph Contrastive Learning with Augmentations
tutoujiehegaosou
Graph笔记
GraphCL学习笔记Abstract提出GNN对自监督学习和pre-training较少。本文提出了GraphCL框架,用于学习图的无监督表示。设计四种类型的数据增强,在不同的settings(learningrate,batchsize,dropout参数)下,研究这四种增强对不同数据集的影响。Introduction大多数graph-level的任务场景,GNN都是在监督的情况下进行端到端的
- 一个用于验证在GPU上训练模型比在CPU上快的代码||TensorFlow||神经网络
@Duang~
机器学习tensorflow人工智能python
importtimeimporttensorflowastffromkerasimportlayers#创建一个大规模模型model=tf.keras.Sequential()model.add(layers.Dense(1000,activation='relu',input_shape=(10000,)))model.add(layers.Dropout(0.5))model.add(laye
- haiku实现TemplatePairStack类
qq_27390023
python人工智能开发语言
TemplatePairStack是实现蛋白质结构模版pair_act特征表示的类:通过layer_stack.layer_stack(c.num_block)(block)堆叠c.num_block(配置文件中为2)block函数,每个block对输入pair_act和pair_mask执行计算流程:TriangleAttention—>dropout->TriangleAttention—>d
- 「深度学习」dropout 技术
Sternstunden
深度学习深度学习人工智能神经网络机器学习
一、工作原理1.正则化网络dropout将遍历网络的每一层,并设置消除神经网络中节点的概率。1.每个节点保留/消除的概率为0.5:2.消除节点:3.得到一个规模更小的神经网络:2.dropout技术最常用:反向随机失活"Inverteddropout"以三层网络(l=3)为例:keep-prob=0.8#保留某个隐藏单元的概率#生成随机矩阵,每个单元对应值为1的概率是0.8,用于决定第三层哪些元素
- 周记:2019第26周(6.24-6.30)
孙文辉已被占用
1工作:主要是写文档,一个产品说明书,2个专利交底书2学习:《DeepLearning》7/20(chapters)看完第7章(RegularizationforDeepLearning),这章和下一章讲的优化方法应该是深度学习最重要的理论基础了,好多面试题都会问到。记录一下各种降低模型错误率的方法,包括添加正则化项,数据集扩增,多任务学习,earlystoping,dropout,稀疏表示。理论
- 卷积神经网络之优化参数(剪子包袱锤)
the sourth wind
CVgputensorflow神经网络python卷积神经网络
目录一.优化参数的三个方法1.手动修改2.for循环调参3.KerasTunner自动调参工具介绍1.安装2.准备训练数据和加载的库3.创建HyperParameters对象以及模型生成函数4.创建Hyperband对象4.开始优化5.获取最佳模型6.结果显示二.注释1.为什么二次调参无效,不起作用?(避坑)2.dropout的意义3.WARNING:tensorflow:Callbacksmet
- Pytorch: nn.dropout
湫兮之风
pytorchpytorch人工智能python深度学习机器学习
Dropout是一种用于深度学习模型的正则化技术,旨在减少模型对特定训练样本的过度拟合。其主要作用包括:减少过拟合:Dropout阻止神经网络对某些特定输入值过度依赖,从而提高模型的泛化能力。通过随机地失活神经元(将其输出设为零),模型在训练期间不会过度依赖于任何一个神经元,减少了复杂模型在训练数据上的过拟合风险。提高模型的鲁棒性:Dropout可以使模型对输入的微小变化更加鲁棒,因为模型不会过分
- 每周一段之段落仿写-181007
Zeroun_Ph
InextinctionofMingdynastyfingersarealreadybeingpointed:atemperor,atofficers,atcivilians.Butthelessonofdoomalsocarriesawarningthatstretcheswellbeyondtheperiod’sborders.Concrete,onwhichthenon-actofthewh
- Keras学习笔记3——keras.layers
winter_python
python
目录0.函数1.全连接层2.激活层3.Dropout层4.Flatten层5.Reshape层6.卷积层Conv2DLocallyConnected2D7.池化层8.循环层RNNSimpleRNNGRULSTMConvLSTM2DSimpleRNNCellGRUCellLSTMCellCuDNNGRUCuDNNLSTM9.嵌入层10.融合层MergeAddSubtractMultiplyAvera
- Bi-Lstm+crf命名实体识别任务中crf的作用
sunshine2853
深度学习lstm人工智能crf
这是一段使用百度ernie-1.0做特征提取的Bi-Lstm+crf的代码:classERNIE_LSTM_CRF(nn.Module):"""ernie_lstm_crfmodel"""def__init__(self,ernie_config,tagset_size,embedding_dim,hidden_dim,rnn_layers,dropout_ratio,dropout1,use_c
- 《动手学深度学习(PyTorch版)》笔记4.6
南七澄江
深度学习笔记python深度学习pytorch笔记算法python人工智能
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过。Chapter4MultilayerPerceptron4.6DropoutRegularization4.6.1ReexamineOverfitting当面对更多的特征而样本不足时
- DropBlock
圆圆栗子君
人工智能算法
一、Dropout和DropBlock在2D的数据中,dropout的效果并不好(图像具有空间局部依赖,在局部范围内,少量的像素特征值被drop掉,并不太影响整个模型的预测)就是说,dropout只能随机的把多处的某一点神经元给丢掉,但是图像附近删除某一点,在其范围内,因为相似的比较多,在大范围看来,丢失的这一点对模型没什么影响,不会影响模型的预测,就像把一个小狗身上好多点,也不会影响别人知道他是
- 深度学习(6)--Keras项目详解
GodFishhh
深度学习python深度学习人工智能
目录一.项目介绍二.项目流程详解2.1.导入所需要的工具包2.2.输入参数2.3.获取图像路径并遍历读取数据2.4.数据集的切分和标签转换2.5.网络模型构建2.6.绘制结果曲线并将结果保存到本地三.完整代码四.首次运行结果五.学习率对结果的影响六.Dropout操作对结果的影响七.权重初始化对结果的影响7.1.RandomNormal7.2.TruncatedNormal(推荐)八.正则化对结果
- Dropout原理解析
yxyou_1124
毕设深度学习机器学习人工智能
**1.Dropout简介**1.1Dropout出现的原因在机器学习的模型中,如果模型的参数太多,而训练样本又太少,训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题,过拟合具体表现在:模型在训练数据上损失函数较小,预测准确率较高;但是在测试数据上损失函数比较大,预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合,那么得到的模型几乎不能用。为了解决过拟合问题
- 【DeepLearning-7】 CNN 和Transformer的混合神经网络结构
风筝超冷
神经网络cnntransformer
构造函数__init__def__init__(self,channel,dim,depth=2,kernel_size=3,patch_size=(2,2),mlp_dim=int(64*2),dropout=0.):初始化函数定义了网络的主要结构和参数。channel:输入特征的通道数。dim:Transformer部分的特征维度。depth:Transformer的层数。kernel_siz
- 自然语言NLP学习
wangqiaowq
自然语言处理学习人工智能
2-7门控循环单元(GRU)_哔哩哔哩_bilibiliGRULSTM双向RNNCNN卷积神经网络输入层转化为向量表示dropoutppl标量在物理学和数学中,标量(Scalar)是一个只有大小、没有方向的量。它只用一个数值就可以完全描述,且满足交换律。例如,质量、温度、时间、体积、密度、功、能量等都是标量。在向量代数中,标量与向量是相对的概念,标量可以与向量相乘,从而改变向量的长度但不改变其方向
- (深度学习)目标检测常见术语
kgbkqLjm
DeepLearning
文章目录AnchorIoU(Intersectionoverunion)NMS(Non-maxsuppression)RP(RegionProposal)BN(BatchNormalization)CEL(CrossEntropyLoss)SoftmaxLogisticRegressionEarlyStoppingDropoutMomentumandlearningdecayAnchor简言之就是
- 学习笔记-李沐动手学深度学习(四)(12-13,权重衰退、L2正则化、Dropout)
kgbkqLjm
李沐动手学深度学习学习笔记深度学习
总结【trick】过拟合及正则化项参数的理解实际数据都有噪音,一般有噪音后,模型实际学习到的权重w就会比理论上w的最优解(即没有噪音时)大。(QA中讲的)【好问题】(1)不使用正则化(真正学习到的w=13理论上的w=0.01,相差的还是很大)(2)正则化权重lambd=3:明显已经减轻了过拟合的程度(但学到的w是0.3还是比实际的w=0.01偏大的多)因为实际上数据中有很多噪音,模型在学习时也会受
- Tensorflow高阶内容(五)- Deep Learning
BingshengTian_Mamba
深度学习DLtensorflowtensorflow神经网络深度学习
高阶内容5.1Classification分类学习5.2什么是过拟合(Overfitting)5.3Dropout解决Overfitting5.4什么是卷积神经网络CNN(ConvolutionalNeuralNetwork)5.5CNN卷积神经网络15.6CNN卷积神经网络25.7CNN卷积神经网络35.8Saver保存读取5.9什么是循环神经网络RNN(RecurrentNeuralNetwo
- 【DeepLearning-5】基于Transformer架构的自定义神经网络类
风筝超冷
transformer神经网络深度学习
类定义classUserDefined(nn.Module):UserDefined是一个自定义的神经网络类,继承自PyTorch的nn.Module基类。构造函数__init__def__init__(self,dim,depth,heads,dim_head,mlp_dim,dropout=0.):__init__方法是类的构造函数,用于初始化UserDefined实例。dim:特征的维度。d
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input 
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
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/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟