- (SPP-Net)CNN处理图片时resize图片尺寸的问题小结
kgbkqLjm
DeepLearning
目前已知SPP和RoIpoolingCNN中卷积层Conv_Layer对图片size并没有限制,而全连接层FC_Layer则相反.SPP-Net(空间金字塔池化网络)背景SPP-Net是出自2015年发表在IEEE上的论文-《SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition》.在SPP诞生之前,所有的神经网络都
- 目标检测 Faster-RCNN
石中璇
深度学习
文章目录标题目标检测算法:Faster-RCNNR-CNNRegionProposals候选区域RCNN结构原理RCNN存在的问题用SPP-Net改进(spatialpyramidpoolinglayer空间金字塔池化)FastR-CNNFastR-CNN结构图FastR-CNN的缺陷FasterR-CNN标题目标检测算法:Faster-RCNNR-CNNRegionProposals候选区域原先
- 目标检测-Two Stage-SPP Net
学海一叶
目标检测目标检测人工智能计算机视觉深度学习算法
文章目录前言一、SPPNet的网络结构和流程二、SPP的创新点总结前言SPPNet:SpatialPyramidPoolingNet(空间金字塔池化网络)SPP-Net是出自何凯明教授于2015年发表在IEEE上的论文-《SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition》前文目标检测-TwoStage-RCNN
- 目标检测算法总览
王二小、
目标检测算法理论目标检测
目标检测算法分类基于深度学习的目标检测算法主要分为两类:Twostage和Onestage。1)TowStage先进行区域生成,该区域称之为regionproposal(简称RP,一个有可能包含待检物体的预选框),再通过卷积神经网络进行样本分类。任务流程:生成RP-->特征提取-->分类/定位回归。常见towstage目标检测算法有:R-CNN、SPP-Net、FastR-CNN、FasterR-
- SPP Net 目标检测网络学习笔记 (附代码)
无妄无望
人工智能计算机视觉深度学习
论文地址:https://arxiv.org/pdf/1406.4729.pdf代码地址:1.是什么?SPPNet是何凯明团队在R-CNN的基础上提出的一种网络模型,其核心思想是空间金字塔池化(SpatialPyramidPooling,SPP)。它主要解决了R-CNN不能适应不同尺寸的输入的问题。SPP-Net通过在最后的特征图与全连接层之间加入一种特殊的机制转换一下,使得网络可以适应不同尺寸的
- 目标检测算法(三)YOLOv5 SPPF层的前身SPP-NET精细分析和讲解并附源码地址
Snu77
目标检测专栏深度学习目标检测计算机视觉人工智能
SPP-NET(SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition)是一篇由KaimingHe、XiangyuZhang、ShaoqingRen和JianSun等人于2014年提出的论文,旨在提高深度卷积神经网络在图像分类和目标检测任务中的性能在传统的卷积神经网络中,通常使用全连接层来将卷积和池化层提取的特征映射
- 空间金字塔池化网络SPPNet详解
zuo668
参考:https://cloud.tencent.com/developer/article/1441559前言SPP-Net是出自2015年发表在IEEE上的论文-《SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition》,这篇论文解决之前深度神经网络的一个大难题,即输入数据的维度一定要固定。一、什么是空间金字塔池
- 论文精读:SPPnet:Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition
樱花的浪漫
目标检测深度学习cnn计算机视觉
1.提出背景现有的深度卷积神经网络(CNN)需要一个固定大小的(例如,224×224)的输入图像。这一要求是“人工的”,可能会降低对任意大小/尺度的图像或子图像的识别精度。2.做了什么作者为网络配备了另一种池化策略,“空间金字塔池化”,以消除上述需求。新的网络结构,称为SPP-net,可以生成一个固定长度的表示,而不管图像的大小/规模。金字塔池对对象变形也具有鲁棒性。有了这些优点,SPP-net一
- SPPNet:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
hustlx
论文笔记
金字塔池化层有如下的三个优点第一:他可以解决输入图片大小不一造成的缺陷。第二:由于把一个featuremap从不同的角度进行特征提取,再聚合的特点,显示了算法的robust的特性。第三:同时也在objectrecongtion增加了精度。其实,你也可以这样想,最牛掰的地方是因为在卷积层的后面对每一张图片都进行了多方面的特征提取,他就可以提高任务的精度。如何利用SPP-Net进行物体检测识别?具体算
- SPPNet网络模型
bingJiaJia
深度学习SPPNet目标检测
上篇文章详细阐述了R-CNN网络模型,本篇本章本来准备阐述Fast-RCNN模型的,介于SPP-Net模型有许多技巧性的技术可以在不同模型上使用,所以本篇详细分析下SPP-NetSPPNet论文:https://arxiv.org/abs/1406.4729SPPNet论文翻译:https://blog.csdn.net/mengduanhonglou/article/details/784706
- 【计算机视觉 | 图像模型】常见的计算机视觉 image model(CNNs & Transformers) 的介绍合集(十)
旅途中的宽~
图像模型常见算法的介绍合集计算机视觉人工智能算法CNNTransformer
文章目录一、GreedyNAS-A二、ASLFeat三、GreedyNAS-B四、Twins-PCPVT五、MoGA-A六、MoGA-C七、Visformer八、Multi-HeadsofMixedAttention九、LocalViT十、SPP-Net十一、TheIkshanaHypothesisofHumanSceneUnderstandingMechanism十二、DetNASNet十三、T
- 浅析目标检测入门算法:YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4
德彪稳坐倒骑驴
目标检测人工智能计算机视觉YOLO深度学习
本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识,从而知晓YOLOv1到YOLOv4的发展源流和历史演进,进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括:YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。R-CNN候选区域SPP-Net和R-CNN最大区别是什么?先提取特征,再对候选区域做处理?FastR-C
- 【目标检测】SPP-Net论文理解(超详细版本)
旅途中的宽~
目标检测经典论文导读目标检测深度学习计算机视觉SPPNet
目录:目标检测—SPP-Net论文一、初步认识二、研究背景三、研究动机1.关于图像尺寸的理解2.关于为何全连接层需要固定输入四、SPP-Net作出的改进1.与传统CNN的对比2.与R-CNN的对比1)R-CNN模型2)SPP-Net模型五、SPP-Net中的难点六、原始图像中的ROI如何映射到特征图七、ROI池化层八、总结一、初步认识SPP-Net是出自2015年发表在IEEE上的论文,全名为《S
- 深度学习目标检测算法梳理
学渣在路上
深度学习工作经验笔记
梳理目标:整理自己在入门深度学习目标检测领域时读取的一些论文和对一些论文方法的见解。便于自己记忆和梳理思路,仅供参考。发展历程:思路整理:阅读过的内容:R-CNN、SPP-Net、FastR-CNN、FasterR-CNN、YOLOv1、SSD、YOLOv2、FPN、MaskR-CNN、YOLOv3基于传统机器学习的目标检测方式:在梳理深度学习目标检测前,个人还是喜欢首先梳理一下传统机器学习的目标
- 深度学习之路(三):SPP-Net
遇见木子绿
上回书详细的介绍了R-CNN的前世今生,在文章的最后同样抛出了R-CNN中的不足点:其一是检测的精度相对而言比较低,这主要是图像归一化时对图像过度拉伸造成的,其二是检测速度慢,这个是由于每张图像需要分割成2000多个特征区域,然后依次进入卷积网络造成的。发现问题下一步就是要解决问题。首先我们来说一下为什么要进行图像的归一化。这样做的目的是因为R-CNN采用的是Alexnet网络,而需要特别注意的是
- 人工智能详细笔记:计算机视觉、目标检测与R-CNN系列 YOLO系列模型
北岛寒沫
计算机视觉人工智能目标检测
文章目录计算机视觉目标检测目标检测概述传统的目标检测方法R-CNN模型SPP-Net模型FastR-CNN模型FasterR-CNN模型YOLOV1YOLOV2YOLOV3计算机视觉计算机视觉概述:计算机视觉是一种利用计算机算法和数学模型来模拟和自动化人类视觉的学科领域。计算机视觉的地位:计算机视觉(CV)与自然语言处理(NLP)、语音识别(SR)并列为机器学习方向的三大热点方向。计算机视觉的常见
- 人工智能学习之路-目标检测(SPP-Net)
taylor_tiger
相对于r-cnn,spp-net改进了以下内容:1)使用一次cnn提取所有的特征,不再对2000个特征框分别使用cnn克服了r-cnn中的特征提取的空间和时间的消耗2)通过空间金字塔池化将预选框统一为相同的尺寸,提高了特征提取的质量
- 目标检测的算法
黎燃(主号)
前端技术专栏算法目标检测人工智能
基于深度学习的目标检测算法分为2类:TwoStage和OneStage。TwoStage:先预设一个区域,改区域称为regionproposal,即一个可能包含待检测物体的预选框(简称RP),再通过卷积神经网络进行样本分类计算。流程是:特征提取->生成RP->分类/回归定位。常见的TwoStage算法有:R-CNN、SPP-Net、FastR-CNN、FasterR-CNN、R-FCN等。OneS
- 神经网络学习(五)----常见的网络结构对比
红枣燕麦
学习总结神经网络学习深度学习
1.常见的R-CNN系列上图网络是自底向上卷积,然后使用最后一层特征图进行预测,像SPP-Net,FastR-CNN,FasterR-CNN就是采用这种方式,即仅采用网络最后一层的特征。以VGG16为例子,假如feat_stride=16,表示若原图大小是1000600,经过网络后最深一层的特征图大小是6040,可理解为特征图上一像素点映射原图中一个1616的区域;那原图中有一个小于1616大小的
- 综述
snowhou
目标分类、定位、检测分类:是什么?定位:在哪里?是什么?(单个目标)检测:在哪里?分别是什么?(多个目标)传统目标检测1.利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域;2.提取候选区域相关的视觉特征。比如人脸检测常用的Harr特征;行人检测和普通目标检测常用的HOG特征等;3.利用分类器进行识别,比如常用的SVM模型基于深度学习的目标检测1.基于区域提名的,如R-CNN、SPP-net、F
- (3)SPP-Net:精进特征提取 + 开拓多尺度训练
Abandon_first
#多阶段物体检测计算机视觉卷积神经网络
SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition2015年文章目录AbstractIntroductionDeepNetworkswithSpatialParamidPoolingConvolutionalLayersandFeatureMapsTheSpatialPyramidPoolingLayerTrai
- 目标检测简介
Acewh
目标检测计算机视觉深度学习
目录一.简介1.目标检测核心问题2.目标检测任务二.评估指标1.IOU交并比2.分类模型评估指标(1).准确率accuracy(2).召回率recall(3).精确率precision(4).F值(5).ROC和AUC3.AP值示例4.mAP平均精确率三.算法分类1.两阶段目标检测方法(1).R-CNN(2).SPP-Net(3).FastR-CNN(4).FasterR-CNN2.单阶段目标检测
- 【目标检测】SPP-Net中候选区域在原图和feature map之间的映射关系
旅途中的宽~
目标检测经典论文导读目标检测计算机视觉featuremap映射
目录:候选区域在原图和featuremap之间的映射关系一、问题转化1.什么是感受野?以及感受野大小如何计算?2.感受野上的坐标映射3.论文中关于特征映射的讲解二、何凯明演讲的PPT三、PPT上的公式推导四、SPP-Net中ROI映射做法详解1.引入2.如何映射?3.对应点之间的映射公式是什么?五、参考文献一、问题转化这部分的计算其实就是感受野大小的计算。1.什么是感受野?以及感受野大小如何计算?
- [目标检测]——基础介绍
Star星屹程序设计
计算机视觉
目标检测(ObjectDetection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。一、目标检测算法分类1、两步走的目标检测先找出候选的一些区域,而后对区域进行调整、分类代表算法:R-CNN、SPP-net、FastR-CN
- 目标检测算法(2)SPP-net
weixin_33801856
人工智能
本文是使用深度学习进行目标检测系列的第二篇,主要介绍SPP-net:SpatialPyramidPoolinginDeepConvolutionalNetworksforVisualRecognition,即空间金字塔池化网络,用以解决卷积神经网络中固定输入大小的问题。一、算法动机及尝试解决的问题1.传统的卷积神经网络的输入通常是一个固定大小(比如\(224x224\)的图像,因此当我们任意输入一
- 对Fast R-CNN指出Spp-net不能fine tune的一些理解
hututufandou
深度学习目标检测计算机视觉
最近在阅读目标识别相关的论文,在FastR-CNN论文中发现了这么一段: 说的是Rbg大神认为何凯明大神提出的SPP-net不能fine-tune全连接层前面的卷积层网络,百思不得其解,以下是我继续阅读论文后的一些看法: 无论是在RCNN还是SPP-net中,都是将经过proposal区域框出来的ROI直接处理,无论是直接过svm+bbxregression还是经过ROIPooling等等
- 重温R-CNN系列, SPP-NET, YOLO系列, SSD, R-FCN等目标检测方法(一)
conleyCV
深度学习基础R-CNN目标检测CNN
0.序言1.R-CNN系列R-CNNSPP-netFastR-CNNFasterR-CNN0.序言前段时间从相关滤波的目标跟踪方向转到目标检测算法这边来,最初的方向都是往深度学习方向靠近,结合的是计算机视觉,也就是图像目标检测与跟着,其他的方面也不太适合个人去学,从某专栏,一路从RCNN看起,主要看的就是R-CNN、FastR-CNN、FasterR-CNN、YOLO、SSD和YOLO2,最近YO
- 目标检测汇总
lx_xin
深度学习相关深度学习目标检测
SPPNet:SPP-Net论文详解-CSDN博客https://blog.csdn.net/v1_vivian/article/details/73275259基于深度学习的目标检测技术演进:R-CNN、FastR-CNN、FasterR-CNN-Madcola-博客园https://www.cnblogs.com/skyfsm/p/6806246.htmlSSD:深度学习笔记(七)SSD论文阅
- 目标检测之选择性搜索-Selective Search
查里王
在基于深度学习的目标检测算法的综述那一节中我们提到基于区域提名的目标检测中广泛使用的选择性搜索算法。并且该算法后来被应用到了R-CNN,SPP-Net,FastR-CNN中。因此我认为还是有研究的必要。传统的目标检测算法大多数以图像识别为基础。一般可以在图片上使用穷举法或者滑动窗口选出所有物体可能出现的区域框,对这些区域框提取特征并进行使用图像识别分类方法,得到所有分类成功的区域后,通过非极大值抑
- 同r做一个窗口_目标检测(Object Detection):R-CNN/SPPnet/R-FCN/Yolo/SSD
weixin_39886205
同r做一个窗口
这篇文章我是Survey目标检测(ObjectDetection)系列论文的一个总结。包括R-CNN系列、SPP-net、R-FCN、YOLO系列、SSD、DenseBox等。基本概念目标识别:对给定图像做分类,比如输入一张动物的图片,让算法判断是某种动物或者含有多种动物。目标检测:目标检测通常包括判断物体的位置和大小(Boundingbox)、及判断物体的类别。BoundingBox:输出边界,
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_