- 深度学习笔记——模型部署
好评笔记
深度学习笔记深度学习笔记人工智能transformer模型部署大模型部署大模型
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文简要概括模型部署的知识点,包括步骤和部署方式。文章目录模型部署模型部署的关键步骤常见的模型部署方式优势与挑战总结边缘端部署方案总结历史文章机器学习深度学习模型部署模型部署是指将训练好的机器学习或深度学习模型集成到生产环境中,使其能够在实际应用中处理实时数据和提供预测服务。模型部署的流程涉及模型的封装、部署环境的选择、部
- AI自动采集教学行为——用AI来做机器学习部分和深度学习部分(含torch和cuda)包含机器学习模型和bert模型的使用
东方-教育技术博主
人工智能应用人工智能机器学习深度学习
文章目录数据清洗机器学习深度学习代码没问题之后的文件下载bert环境配置太麻烦,改用飞浆的bert飞浆失败-接着bert,用谷歌AIbert的使用数据清洗要遍历当前文件夹下从1.x1sx到8.x1sx的所有文件,提取“句子”列,‘标注’列和‘上下文情境’这三列按顺序把excel中的这三列拼接在一起。合并输出成一个xlsx文件。importosimportpandasaspd#获取当前脚本所在的目录
- 【机器学习 & 深度学习】开发工具Anaconda的安装与使用
为梦而生~
机器学习python实战机器学习深度学习pythoncondapycharm人工智能
个人主页:为梦而生~关注我一起学习吧!专栏:机器学习:相对完整的机器学习基础教学!机器学习python实战:用python带你感受真实的机器学习深度学习:现代人工智能的主流技术介绍往期推荐:【机器学习&深度学习】神经网络简述【机器学习&深度学习】卷积神经网络学习笔记【Python基础&机器学习】Python环境搭建(适合新手阅读的超详细教程)文章目录前言安装Anaconda关于Anaconda的介
- 机器学习笔记(3.1)
临渊——摸鱼
算法数学建模机器学习python数据挖掘
机器学习笔记系列文章目录文章目录机器学习笔记系列文章目录第三节标准库第三方库基础模块机器学习深度学习平台使用pip安装扩展包常用镜像源什么是Anaconda为什么要用Anaconda如何使用Anaconda第四节思想问题1.避免对业务的轻视2.明白可以为和不可以为业务背景与目标把握数据1.是否有数据2.有多少数据3.是什么样的数据4.标签总结第五节找到数据数据探索数据清洗1.缺失值的处理2.异常值
- 【Python基础 & 机器学习】Python环境搭建(适合新手阅读的超详细教程)
为梦而生~
机器学习python实战python机器学习开发语言人工智能数据挖掘pycharm
个人主页:为梦而生~关注我一起学习吧!重要专栏:机器学习:相对完整的机器学习基础教学!机器学习python实战:用python带你感受真实的机器学习深度学习:现代人工智能的主流技术介绍python网络爬虫从基础到实战:Python的主流应用领域之一,也可以与人工智能领域相结合的技术往期推荐:【机器学习&深度学习】神经网络简述【机器学习&深度学习】卷积神经网络简述【python爬虫开发实战&情感分析
- AI绘画探索人工智能的未来
Aileen_0v0
科技探索AI作画人工智能开源动画图形渲染游戏美术硬件架构
个人主页:Aileen_0v0热门专栏:华为鸿蒙系统学习|计算机网络|数据结构与算法个人格言:“没有罗马,那就自己创造罗马~”accusesbofsth.控告文章目录`AI绘画``前言``Al的应用领域`机器学习深度学习自然语言处理计算机视觉AI与大数据,云计算结合AIGC`Al绘画简介`游戏开发动漫图片制作广告设计艺术创作教育培训工业设计宠物行业AI绘画前言Al的发展可以追溯到20世纪50年代,
- 计算机设计大赛 垃圾邮件(短信)分类算法实现 机器学习 深度学习
iuerfee
python
文章目录0前言2垃圾短信/邮件分类算法原理2.1常用的分类器-贝叶斯分类器3数据集介绍4数据预处理5特征提取6训练分类器7综合测试结果8其他模型方法9最后0前言优质竞赛项目系列,今天要分享的是垃圾邮件(短信)分类算法实现机器学习深度学习该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:4分更多资料,项目分享:https:
- 计算机毕业设计选题参考 算法方向机器学习深度学习预测(博文底部xv获取)
mqdlff_python
课程设计算法机器学习毕业设计计算机毕设
基于深度学习的农业病虫害识别基于U-Net模型的细胞图像分割检测基于bert的旅游文本情感分析研究基于bert的经济文本情感分析基于PythonOpenCV的车牌定位追踪识别系统医学图像识别:基于卷积神经网络的病癌细胞识别基于word2vec+textcnn的微博评论情感分析研究基于线性回归XGBoost+LRGBDT+LR的信用卡用户逾期行为预测基于卷积神经网络的评论情感分析系统GUI界面基于b
- 【深度学习】初识深度学习
wmh1024
深度学习人工智能
初识深度学习什么是深度学习关系:人工智能机器学习深度学习卷积神经网络深度学习和机器学习的关系:机器学习:随着数据量增加会改进性能的算法深度学习:使用多层神经网络学习。深度学习是机器学习的子集。传统系统和深度学习的区别:传统编程系统:定义规则,输入数据获取输出(定义f(x)、x求得y)深度学习系统:输入答案和数据,输出规则(定义x、y求得f(x),且f(x)具有泛化性)规则f(x)规则f(x)数据x
- Python数据分析案例37——基于分位数神经网络(QRNN)的汇率预测
阡之尘埃
Python数据分析案例python神经网络深度学习概率密度估计汇率预测
案例背景我导师的研究方向是少有的做"分位数回归"方向,作为研究机器学习深度学习方向的我自然就继承了这个特色,改进出了很多特殊结合方法,我会结合各种机器学习方法和各种分位数回归的方法。之前写过分位数随机森林,分位数XGboost,分位数Lightgbm的文章:Xgboost和Lightgbm结合分位数回归(机器学习与传统统计学结合)本次带来一个小案例,分位数神经网络,神经网络是最简单的MLP架构,也
- 李宏毅机器学习-PCA
Zhuanshan_
机器学习人工智能
视频链接:李宏毅2020机器学习深度学习(完整版)国语用最直观的方式告诉你:什么是主成分分析PCA【中字】主成分分析法(PCA)|分步步骤解析看完你就懂了!无监督学习做什么无监督学习主要做两件事情:聚类&降维:比如说下图的树木,只有输入图片,没有标签,我们希望通过一个函数抽象的表达他们,于是抽出一个更抽象的表述生成器:也就是无中生有,我们有很多图片,但不知道是怎么生成的,于是需要一个好的函数,将刚
- 机器学习 -- k近邻算法
北堂飘霜
AIpython机器学习近邻算法人工智能
场景我学习Python的初衷是学习人工智能,满足现有的业务场景。所以必须要看看机器学习这一块。今天看了很久,做个总结。机器学习分为深度学习和传统机器学习深度学习深度学习模型通常非常复杂,包含多层神经网络,每一层都包含大量的神经元(节点)。这些模型可以包含数百万甚至数十亿个参数。深度学习模型可以自动学习数据的特征表示,而无需手动设计特征。通过多层神经网络,深度学习模型可以逐层提取和组合特征,从而更好
- 阿里云服务器可以做什么?阿里云服务器十大应用场景
gla2018
阿里云服务器阿里云服务器云计算
阿里云服务器可以干什么?服务器的用途有很多,常见的有网站、小程序、视频服务器、手机APP等,例如微信基于腾讯云服务器,淘宝基于阿里云服务器,阿里云百科来说下阿里云服务器十大用途:阿里云服务器十大使用场景阿里云服务器可以干嘛?有什么用途?搭建网站需要服务器、手机APP需要服务器支撑、小程序需要服务器、数据库运行在服务器上、机器学习深度学习需要GPU服务器、运行Python爬虫需要服务器支撑、短视频流
- 2023/12 拜个师傅带你学算法写论文
AI研习星球
算法学习和辅导论文历程算法人工智能数据挖掘算法辅导论文辅导神经网络深度学习
文章目录1.自我介绍2.你是否遇到如下问题3.解决方案4.Tips5.同学的学习历程(每日更新)2023/12/222023/12/212023/12/202023/12/192023/12/18关注公众号:『AI学习星球』算法学习、4对1辅导、论文辅导或核心期刊可以通过公众号或CSDN滴滴我1.自我介绍本人是985大学计算机硕士毕业,已经工作了8年。在国内大厂工作,目前仍奋战在机器学习深度学习一
- 人工智能-机器学习-深度学习 概念整理
洛杉矶县牛肉板面
深度学习机器学习深度学习人工智能
目录1.人工智能-ArtificialIntelligence2.机器学习-MachineLearning3.深度学习-DeepLearning4.人工智能机器学习深度学习三者之间的关系5.人工智能的流派6.特征工程-FeatureEngineering7.表示学习8.贡献度分配9.独热码10.word2vec11.神经网络12.端到端学习1.人工智能-ArtificialIntelligence
- 机器学习深度学习代码逐行解读网站
IT北辰
机器学习机器学习深度学习人工智能
机器学习深度学习代码逐行解读网站github地址:https://github.com/labmlai/annotated_deep_learning_paper_implementations视化网站:https://nn.labml.ai/
- 大创项目推荐 垃圾邮件(短信)分类算法实现 机器学习 深度学习
laafeer
python
文章目录0前言2垃圾短信/邮件分类算法原理2.1常用的分类器-贝叶斯分类器3数据集介绍4数据预处理5特征提取6训练分类器7综合测试结果8其他模型方法9最后0前言优质竞赛项目系列,今天要分享的是垃圾邮件(短信)分类算法实现机器学习深度学习该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:4分更多资料,项目分享:https:
- 深度学习初学者,这些东西你必须了解
我会飞james
姓名:张瀚铎学号:17021211233【嵌牛导读】:深度学习是计算机领域中目前非常火的话题,不仅在学术界有很多论文,在业界也有很多实际运用。本篇博客主要介绍了三种基本的深度学习的架构,并对深度学习的原理作了简单的描述。本篇文章翻译自Medium上一篇入门介绍。【嵌牛鼻子】:大数据机器学习深度学习【嵌牛提问】:深度学习的初学者需要了解的东西?【嵌牛正文】:深度学习是计算机领域中目前非常火的话题,不
- [PyTorch][chapter 1][李宏毅深度学习-AI 简介]
明朝百晓生
深度学习pytorch人工智能
前言:李宏毅深度学习从2017-2023的系列课程总结内容章节强化学习11李宏毅机器学习【2017】40李宏毅机器学习深度学习(完整版)国语【2020】119李宏毅大佬的深度学习与机器学【2022】90李宏毅机器学习完整课程【2023】43总结303目录:AI发展历史AI应用AI工程简介AI模型一AI发展史主要分为三大阶段1950-1980:人工智能概念提出后,相继取得了一批令人瞩目的研究成果80
- 2022最新版-李宏毅机器学习深度学习课程-P51 BERT的各种变体
QwQllly
李宏毅机器学习深度学习深度学习机器学习bert
之前讲的是如何进行fine-tune,现在讲解如何进行pre-train,如何得到一个pretrain好的模型。CoVe其实最早的跟预训练有关的模型,应该是CoVe,是一个基于翻译任务的一个模型,其用encoder的模块做预训练。但是CoVe需要大量的翻译对,这是不容易获得的,能不能通过一大段没有标注的语料进行预训练呢?因为有监督的标注是十分费时费力的,因此采用自监督的方法。即给定一个无标签的语料
- 计算机毕业设计之Python+Spark+Flink考研测与推荐系统 考研大数据分析 考研推荐系统 考研预测系统 考研大数据可视化 考研爬虫可视化 考研数据分析
计算机毕业设计大神
开发技术前端:vue.js后端:springboot+mybatis-plus数据库:mysql算法(机器学习、深度学习):协同过滤算法(基于用户、基于物品全部实现)、KNN爬虫:python、requests、chrome_driver大数据分析:spark、echarts特色/创新点结合百度地图api展示大学地理位置信息;通过KNN等机器学习深度学习算法进行预测;通过协同过滤算法(基于用户+基
- 2022最新版-李宏毅机器学习深度学习课程-P49 GPT的野望
QwQllly
李宏毅机器学习深度学习机器学习深度学习人工智能
GPT→类似于TransformerEncoder训练任务:PredictNextToken使用MASK-attention,不断预测“下一个token”。可以用GPT生成文章。HowtouseGPT?给出描述和例子给出前半段,补上后半段In-contextLearning(noGD)结果目前看起来状况是,有些任务它还真的学会了,举例来说2这个加减法,你给它一个数字加另外一个数字,它真的可以得到,
- #deep_learning_month4_week1_Convolution_model_Application
PerfectDemoT
deep_learning_month4_week1_Convolution_model_Application标签:机器学习深度学习代码已上传github:https://github.com/PerfectDemoT/my_deeplearning_homework[TOC]说明:这是month4_week1的第一个作业,这里用tensorflow构建了一个拥有两个卷基层,两个池化层,一个全连
- 2022最新版-李宏毅机器学习深度学习课程-P50 BERT的预训练和微调
QwQllly
李宏毅机器学习深度学习深度学习机器学习bert人工智能自然语言处理
模型输入无标签文本(Textwithoutannotation),通过消耗大量计算资源预训练(Pre-train)得到一个可以读懂文本的模型,在遇到有监督的任务是微调(Fine-tune)即可。最具代表性是BERT,预训练模型现在命名基本上是源自于动画片《芝麻街》。芝麻街人物经典的预训练模型:ELMo:EmbeddingsfromLanguageModelsBERT:BidirectionalEn
- 【目标检测】01-物体检测基础知识&模型评价指标-深度学习pytorch之物体检测实战-学习笔记
暖焱
#深度学习目标检测
01-物体检测基础知识&模型评价指标物体检测基础知识机器学习深度学习深度学习发展历程深度学习的核心因素深度学习在计算机视觉中的应用计算机视觉计算机视觉任务物体检测技术发展历程RCNN之前RCNN之后两阶算法优点缺点典型算法多阶算法一阶算法优点缺点典型算法Anchor典型算法无Anchor算法评价指标IoU(IntersectionoverUnion)mAP(meanAveragePrecision
- 2022最新版-李宏毅机器学习深度学习课程-P34 自注意力机制类别总结
QwQllly
李宏毅机器学习深度学习机器学习深度学习人工智能
在课程的transformer视频中,李老师详细介绍了部分self-attention内容,但是self-attention其实还有各种各样的变化形式:一、Self-attention运算存在的问题在self-attention中,假设输入序列(query)长度是N,为了捕捉每个value或者token之间的关系,需要产生N个key与之对应,并将query与key之间做dot-product,就可
- 2022最新版-李宏毅机器学习深度学习课程-P46 自监督学习Self-supervised Learning(BERT)
QwQllly
深度学习机器学习学习
一、概述:自监督学习模型与芝麻街参数量ELMO:94MBERT:340MGPT-2:1542MMegatron:8BT5:11BTuringNLG:17BGPT-3:175BSwitchTransformer:1.6T二、Self-supervisedLearning⇒UnsupervisedLearning的一种“自监督学习”数据本身没有标签,所以属于无监督学习;但是训练过程中实际上“有标签”,
- [转载] python标准库系列教程(三)——operator库详细教程
ey_snail
参考链接:Python中的Inplace运算符|2(ixor(),iand(),ipow()等)python进阶教程机器学习深度学习长按二维码关注进入正文Python基础学习:operator模块声明:functools,itertools,operator是Python标准库为我们提供的支持函数式编程的三大模块,合理的使用这三个模块,我们可以写出更加简洁可读的Pythonic代码,本次的系列文章
- 2022最新版-李宏毅机器学习深度学习课程-P26 自注意力机制
QwQllly
李宏毅机器学习深度学习机器学习深度学习人工智能
一、应用情境输入任意长度个向量进行处理。从输入看文字处理(自然语言处理)将word表示为向量one-hotword-embedding声音信号处理每个时间窗口(Window,25ms)视为帧(Frame),视为向量图每个节点视为一个向量Socialgraph(社交网络图)分子式【one-hot】从输出看√输入输出数量相等【每个向量都有一个标签】⇒sequenceLabeling词性标注(POSta
- 2022最新版-李宏毅机器学习深度学习课程-P32 Transformer
QwQllly
李宏毅机器学习深度学习深度学习机器学习transformer
一、seq2seq1.含义输入一个序列,机器输出另一个序列,输出序列长度由机器决定。文本翻译:文本至文本;语音识别:语音至文本;语音合成:文本至语音;聊天机器人:语音至语音。2.应用自然语言处理(NLP问题),不过seq2seq有时候不一定是最佳的解决方法。语音辨识输入是声音讯号的一串的vector,输出是语音辨识的结果,也就是输出的这段声音讯号,所对应的文字⇒输出的长度由机器自己决定机器翻译机器
- 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