- Python中的深度学习神经网络
2301_78297473
深度学习python神经网络
文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
- 模型剪枝综述
发狂的小花
人工智能#模型部署深度学习人工智能模型部署模型剪枝性能优化
目录1深度神经网络的稀疏性:2剪枝算法分类:3具体的剪枝方法包括:4剪枝算法流程:5几种常见的剪枝算法:6结构化剪枝和非结构化剪枝各有其优缺点:7剪枝算法对模型精度的影响8影响剪枝算法对模型精度的因素模型压缩中的剪枝算法是一种应用广泛的模型压缩方法,其通过剔除模型中“不重要”的权重,来减少模型的参数量和计算量,同时尽量保证模型的精度不受影响。模型剪枝的核心是模型中的权重、激活、梯度等是稀疏的,减少
- 图像处理之蒸馏
醉后才知酒浓
面试题OpenCV图像处理人工智能计算机视觉深度学习
蒸馏什么是蒸馏蒸馏技术分类什么是轨迹一致性蒸馏(TCD)什么是蒸馏在图像处理领域,蒸馏是一种模型压缩和知识迁移的技术。它的基本思想是利用一个大型且复杂的模型(教师模型)来指导一个小型且简单的模型(学生模型)的训练。教师模型通常具有较高的性能和准确性,但由于其复杂性和计算成本,可能不适合在资源受限的环境中使用。因此,蒸馏的目标是将教师模型的知识转移到学生模型中,以便在保持或接近教师模型性能的同时,降
- 英伟达如何通过剪枝和蒸馏技术让Llama 3.1模型“瘦身“?
蒜鸭
人工智能算法机器学习
英伟达如何通过剪枝和蒸馏技术让Llama3.1模型"瘦身"?大家好,我是蒜鸭。今天我们来聊聊英伟达最近在大语言模型优化方面的一项有趣研究。随着Meta发布Llama3.1系列模型,如何在保持模型性能的同时缩小其体积成为了业界关注的焦点。英伟达研究团队通过结构化权重剪枝和知识蒸馏技术,成功将Llama3.18B模型压缩为4B参数的小型语言模型,并取得了不俗的效果。让我们一起来深入探讨这项技术的原理和
- 大模型训练和推理
李明朔
AIGC深度学习人工智能
文章目录一、NLP基础1.Tokenizer2.positionencoding3.注意力机制与transformer架构二、大模型训练1.SFT训练2.RLHF训练3.分布式并行训练技术(1)模型并行(2)数据并行4.MoE技术4.PEFT训练5.上下文扩展技术三、大模型推理1.模型压缩(1)剪枝(2)量化2.显存优化技术3.调度优化技术4.请求优化技术5.采样和解码加速6.模型并行策略7.其他
- 基于深度学习的高效模型压缩
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的高效模型压缩技术在确保模型性能的同时,显著减少了模型的存储需求和计算复杂度,从而使得深度学习模型能够更好地适应资源受限的环境(如移动设备、嵌入式系统)并加快推理速度。以下是关于高效模型压缩的详细讨论:1.模型压缩的背景与挑战随着深度学习模型的不断发展,模型规模和复杂性大幅增加,特别是在计算机视觉、自然语言处理等领域,模型通常包含数以亿计的参数。这种大规模模型虽然能够实现高精度,但其计
- 【机器学习】机器学习与大模型在人工智能领域的融合应用与性能优化新探索
E绵绵
Everything人工智能机器学习大模型pythonAIGC应用科技
文章目录引言机器学习与大模型的基本概念机器学习概述监督学习无监督学习强化学习大模型概述GPT-3BERTResNetTransformer机器学习与大模型的融合应用自然语言处理文本生成文本分类机器翻译图像识别自动驾驶医学影像分析语音识别智能助手语音转文字大模型性能优化的新探索模型压缩权重剪枝量化知识蒸馏分布式训练数据并行模型并行异步训练高效推理模型裁剪缓存机制专用硬件未来展望跨领域应用智能化系统人
- 大模型量化技术原理-LLM.int8()、GPTQ
吃果冻不吐果冻皮
动手学大模型人工智能
近年来,随着Transformer、MOE架构的提出,使得深度学习模型轻松突破上万亿规模参数,从而导致模型变得越来越大,因此,我们需要一些大模型压缩技术来降低模型部署的成本,并提升模型的推理性能。模型压缩主要分为如下几类:剪枝(Pruning)知识蒸馏(KnowledgeDistillation)量化之前也写过一些文章涉及大模型量化相关的内容。基于LLaMA-7B/Bloomz-7B1-mt复现开
- 模型压缩开源项目:阿里-tinyNAS/微软NNI/华为-vega
清风2022
tinyNAS神经网络AutoMLvega
文章目录阿里-TinyNAS使用流程步骤一:搜索模型结构步骤二:导出模型结果步骤三:使用搜索的模型结构图像分类任务目标检测任务华为-vega简介定位优点缺点微软NNI简介定位优点缺点阿里-TinyNAShttps://github.com/alibaba/lightweight-neural-architecture-search聚焦NAS,进行合理的模块划分;更偏向算法使用平台,搜索得到精度较好
- 自然语言处理 | (13)kenLM统计语言模型构建与应用
CoreJT
自然语言处理自然语言处理(NLP)kenLM工具库统计语言模型n-gram智能纠错
本篇博客中我们将学习如何使用KenLM工具构建统计语言模型,并使用它完成一个典型的'智能纠错'文本任务。目录1.实验准备2.训练数据3.训练语言模型4.模型压缩5.模型加载6.智能纠错1.实验准备安装依赖#安装依赖!aptinstalllibboost-all-dev!aptinstalllibbz2-dev!aptinstalllibeigen3-dev下载KenLM并编译#下载kenlm压缩包
- 今日arXiv最热NLP大模型论文:微软提出SliceGPT,删除25%模型参数,性能几乎无损
夕小瑶
自然语言处理人工智能
引言:探索大型语言模型的高效压缩方法随着大型语言模型(LLMs)在自然语言处理领域的广泛应用,它们对计算和内存资源的巨大需求成为了一个不容忽视的问题。为了缓解这些资源限制,研究者们提出了多种模型压缩方法,其中剪枝(pruning)技术因其在后训练阶段应用的潜力而备受关注。然而,现有的剪枝技术面临着需要额外数据结构支持和在当前硬件上受限的加速效果等挑战。在这篇博客中,我们将探讨一种新的剪枝方案——S
- 不容错过|大模型等各行业最新赛事汇总,速递给你!
会议之眼
人工智能阿里云微信
比赛动态1、AICAS2024大挑战:通用算力大模型推理性能软硬协同优化挑战赛比赛简介:选手基于通义千问-7B大语言模型,可从多角度提出相关方法(如模型压缩,参数稀疏,精度量化和结构剪枝等),并结合Arm架构硬件特性和开源软件资源(比如硬件BF16,矢量矩阵乘,ArmComputeLibrary等)来系统优化提升大模型在硬件上的推理性能。最终通过赛题组委会指定的测试方案获取选手的优化方法的评分。初
- Yolov8_obb旋转框检测,模型剪枝压缩
早茶和猫
旋转框模型剪枝YOLO剪枝目标检测算法人工智能
Yolov8_obb模型压缩之模型剪枝一、剪枝原理和pipleline参考:yolov5模型压缩之模型剪枝模型压缩(二)yolov5剪枝本次使用稀疏训练对channel维度进行剪枝,来自论文LearningEfficientConvolutionalNetworksThroughNetworkSlimming。其实原理很容易理解,我们知道bn层中存在两个可训练参数γ,β,输入经过bn获得归一化后的
- Threejs in autonomous driving -(2)模型精简
土肥圆_c1ab
在开发准备阶段建模同学都会提供一个车模,从前段考量一般来说超过100kb都算是大文件了,这个模型一般是obj+mtl文件,这两个一般都会超过MB。推动精简的话都非常都难。精简方案删减模型的顶点和面片模型压缩第一种专业性比较强,我们是搞不定的,那么就可以从第二种思路为出发点。通过万能的搜索引擎搜索我们可以找到被誉为3d业界的json格式的gltf。gltf简介。这里推荐两个工具obj2gltfhtt
- 训练和部署之间的区别-模型压缩
An_ich
深度学习python开发语言人工智能网络算法深度学习机器学习
神经网络训练神经网络训练的本质就是找到一个f(x),只不过是一个参数量很大的f(x)那么神经网络训练和部署之间的区别就是减少参数量为什么要减少参数量1.大模型不方便进行部署,网络的推断速度比较慢2.对于移动端等设备也没有这么强的算力3.对于网络训练的结果,也就是网络训练中学习到的知识和网络参数量两者的关系不是线性的,知识和参数量之间的关系更趋向于一个log函数怎样减少参数量1.减小参数的精度例如将
- AI模型压缩技术
SugarPPig
人工智能人工智能
模型压缩技术是指通过一系列方法和技巧,减小深度学习模型的大小和计算量,同时尽量保持模型的性能。这对于在资源受限的设备上部署模型、减少模型传输和存储成本以及提高模型推理速度都非常有用。以下是一些常见的模型压缩技术:参数剪枝(Pruning):通过删除模型中不重要的参数来减小模型的大小。剪枝方法可以基于参数的重要性进行选择,例如,通过设置阈值来删除小于该阈值的参数。量化(Quantization):将
- 和GPT讨论知识蒸馏的基本概念
Mighty_Crane
gpt人工智能
User帮我解释一下知识蒸馏、教师学生网络、逆向蒸馏等概念ChatGPT知识蒸馏(KnowledgeDistillation)是一种模型压缩技术。在这个过程中,一个大型、复杂的模型(通常称为“教师”模型)被用来训练一个更小、更简单的模型(称为“学生”模型)。学生模型不仅学习从数据到输出的映射,还学习模仿教师模型的行为,这通常能提高其性能。逆向蒸馏(ReverseDistillation)是其中的一
- 第五节课 LMDeploy 大模型量化部署实践(笔记)
幽径微澜
书生·浦语大模型实战营(笔记笔记python
来源:(5)LMDeploy大模型量化部署实践_哔哩哔哩_bilibili课程文档:https://github.com/InternLM/tutorial/blob/main/lmdeploy/lmdeploy.md1.大模型部署背景(1)模型部署定义将训练好的模型在特定软硬件环境中启动的过程,使模型能够接收输入并返回预测结果为了满足性能和效率的要求,常常对需要对模型进行优化,例如模型压缩和硬件
- 【书生·浦语大模型实战营05】《(5)LMDeploy 大模型量化部署实践》学习笔记
songyuc
学习笔记
《(5)LMDeploy大模型量化部署实践》课程文档:《LMDeploy的量化和部署》1、大模型部署背景1.1模型部署定义将训练好的模型在特定软硬件环境中启动的过程,使模型能够接收输入并返回预测结果为了满足性能和效率的需求,常常需要对模型进行优化,例如模型压缩和硬件加速产品形态云端、边缘计算端、移动端1.2大模型特点内存开销巨大庞大的参数量。7B模型仅权重就需要14+G显存采用自回归生成token
- Model Compression and Acceleration Overview
Ada's
认知智能认知计算片上互联边缘计算系统科学神经科学认知科学专题《智能芯片》
模型压缩、模型加速模型压缩方法:能够有效降低参数冗余减少存储占用、通信带宽、计算复杂度利部署线性或非线性量化:1/2bits,int8和fp16等;结构或非结构剪枝:deepcompression,channelpruning和networkslimming等;网络结构搜索(NAS:NetworkArchitectureSearch):DARTS,DetNAS、NAS-FCOS、Proxyless
- 初识人工智能,一文读懂过拟合&欠拟合和模型压缩的知识文集(3)
普修罗双战士
人工智能专栏人工智能机器学习自然语言处理语言模型人机交互计算机视觉
作者简介,普修罗双战士,一直追求不断学习和成长,在技术的道路上持续探索和实践。多年互联网行业从业经验,历任核心研发工程师,项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一人工智能专栏人工智能专业知识学习二人工智能专栏人工智能专业知识学习三人工智能专栏人工智能专业知识学习四人工智能专栏人工智能专业知识学习五人工智能专栏人工智能专业知识学习六人工智能专栏人工智能专业知
- 对 MODNet 其他模块的剪枝探索
Maitre Chen
剪枝算法深度学习人工智能计算机视觉
写在前面先前笔者分享了《对MODNet主干网络MobileNetV2的剪枝探索》,没想到被选为了CSDN每天值得看系列,因为笔者开设的专栏《MODNet-Compression探索之旅》仅仅只是记录笔者在模型压缩领域的探索历程,对此笔者深感荣幸,非常感谢官方大大的认可!!!接下来,笔者会加倍努力,创作更多优质文章,为社区贡献更多有价值、有意思的内容!!!!本文将分享笔者对MODNet网络结构内部其
- Knowledge Distillation (1) 模块替换之bert-of-theseus-上篇
小蛋子
更好的阅读体验请跳转至KnowledgeDistillation(1)模块替换之bert-of-theseus-上篇如果忒修斯的船上的木头被逐渐替换,直到所有的木头都不是原来的木头,那这艘船还是原来的那艘船吗?-普鲁塔克最近遇到一个需要对算法加速的场景,了解到了一个比较简洁实用的方法:Bert-of-theseus,了解了原理后参考代码实验后,验证了其有效性,所以总结一下。模型压缩模型在设计之初都
- 改进yolov7网络(从轻量化方面的8个方法)
qhchao
YOLO网络计算机视觉
当谈到目标检测领域时,YOLOv7(YouOnlyLookOncev7)是一种非常流行的深度学习网络模型。虽然YOLOv7已经在精度和速度方面取得了显著的改进,但我们仍然可以从轻量化角度来进一步优化该模型。以下是8条关于如何从轻量化角度改进YOLOv7网络的建议:1.模型压缩:使用轻量化的模型压缩技术,如剪枝(pruning)和量化(quantization),来减小YOLOv7的模型大小。通过剪
- 本地模型能力适配
道亦无名
人工智能人工智能
本地模型能力适配是指将多模态大模型应用于本地设备或特定场景时,需要进行的一种技术处理。由于多模态大模型通常需要较大的计算资源和存储空间,直接将其部署到本地设备上可能会面临性能和效率的瓶颈。因此,需要进行本地模型能力适配,以适应本地设备的计算能力和存储限制。具体来说,本地模型能力适配可以通过以下几种方式实现:模型压缩:通过减少模型的大小和计算复杂度,使其更加适合本地设备的计算和存储能力。例如,可以使
- 将大模型与小模型结合的8种常用策略分享,附17篇案例论文和代码
深度之眼
人工智能干货深度学习干货机器学习人工智能深度学习大模型小模型
现在我们对大模型的研究逐渐转向了“降耗增效”,通过结合高性能低耗资的小模型,实现更高效的计算和内存利用,达到满足特定场景的需求、降低成本和提高效率、提升系统性能以及增强适应性和扩展性的目的。那么如何将大模型与小模型结合?目前较常用的策略有模型压缩(蒸馏、剪枝)、提示语压缩、联合推理、迁移学习、权值共享、集成学习等。咱们今天就来简单聊聊这8种策略。部分策略的具体步骤以及每种策略相关的参考论文我也放上
- Knowledge Distilling,知识蒸馏
FeynmanMa
Distillingtheknowledgeinaneuralnetwork1.Motivationknowledge_distilling_title.jpg论文作者比较大名鼎鼎了。Motivation一部分来自模型压缩[2],一部分源自作者认为大部分机器学习采用ensemble方法或者学习一个很大的模型来取得比较好的结果,但会给实际应用预测带来很大的压力,而且实际上模型之间也是有信息冗余的。希
- 大模型听课笔记——书生·浦语(5)
亲爱的阿基米德^
笔记
LMDeploy的量化和部署1大模型部署简介模型部署:将训练好的模型在特定软硬件环境中启动的过程,使模型能够接受输入并返回结果。为了满足性能和效率的需求。常常需要对模型进行优化,例如模型压缩和硬件加速产品形态:云端、变韵计算端、移动端计算设备:CPU、GPU、NPU、TPU等大模型的特点:内存开销巨大庞大的参数量采用自回归生成token,需要缓存Attentiondek/v,带来巨大的内存开销动态
- 【书生·浦语】大模型实战营——第五课笔记
Horace_01
笔记人工智能python语言模型
教程文档:https://github.com/InternLM/tutorial/blob/main/lmdeploy/lmdeploy.md视频链接:https://www.bilibili.com/video/BV1iW4y1A77P大模型部署背景关于模型部署通常需要模型压缩和硬件加速大模型的特点1、显存、内存花销巨大2、动态shape,输入输出数量不定3、相对视觉模型,LLM结构简单,大部
- YOLOv3剪枝压缩99.04%参数,精度不变
MidasKing
目标检测caffec++深度学习计算机视觉神经网络
基于LearningEfficientConvolutionalNetworksThroughNetworkSlimming(ICCV2017)论文的模型压缩。目前有很多的开源实现,基于各种方法对YOLOv3进行裁剪和压缩,例如:[SlimYOLOv3][YOLOv3-model-pruning][YOLOv3-complete-pruning]等等...数据集收费卡口的车辆车轮数据,2266训练
- [星球大战]阿纳金的背叛
comsci
本来杰迪圣殿的长老是不同意让阿纳金接受训练的.........
但是由于政治原因,长老会妥协了...这给邪恶的力量带来了机会
所以......现代的地球联邦接受了这个教训...绝对不让某些年轻人进入学院
- 看懂它,你就可以任性的玩耍了!
aijuans
JavaScript
javascript作为前端开发的标配技能,如果不掌握好它的三大特点:1.原型 2.作用域 3. 闭包 ,又怎么可以说你学好了这门语言呢?如果标配的技能都没有撑握好,怎么可以任性的玩耍呢?怎么验证自己学好了以上三个基本点呢,我找到一段不错的代码,稍加改动,如果能够读懂它,那么你就可以任性了。
function jClass(b
- Java常用工具包 Jodd
Kai_Ge
javajodd
Jodd 是一个开源的 Java 工具集, 包含一些实用的工具类和小型框架。简单,却很强大! 写道 Jodd = Tools + IoC + MVC + DB + AOP + TX + JSON + HTML < 1.5 Mb
Jodd 被分成众多模块,按需选择,其中
工具类模块有:
jodd-core &nb
- SpringMvc下载
120153216
springMVC
@RequestMapping(value = WebUrlConstant.DOWNLOAD)
public void download(HttpServletRequest request,HttpServletResponse response,String fileName) {
OutputStream os = null;
InputStream is = null;
- Python 标准异常总结
2002wmj
python
Python标准异常总结
AssertionError 断言语句(assert)失败 AttributeError 尝试访问未知的对象属性 EOFError 用户输入文件末尾标志EOF(Ctrl+d) FloatingPointError 浮点计算错误 GeneratorExit generator.close()方法被调用的时候 ImportError 导入模块失
- SQL函数返回临时表结构的数据用于查询
357029540
SQL Server
这两天在做一个查询的SQL,这个SQL的一个条件是通过游标实现另外两张表查询出一个多条数据,这些数据都是INT类型,然后用IN条件进行查询,并且查询这两张表需要通过外部传入参数才能查询出所需数据,于是想到了用SQL函数返回值,并且也这样做了,由于是返回多条数据,所以把查询出来的INT类型值都拼接为了字符串,这时就遇到问题了,在查询SQL中因为条件是INT值,SQL函数的CAST和CONVERST都
- java 时间格式化 | 比较大小| 时区 个人笔记
7454103
javaeclipsetomcatcMyEclipse
个人总结! 不当之处多多包含!
引用 1.0 如何设置 tomcat 的时区:
位置:(catalina.bat---JAVA_OPTS 下面加上)
set JAVA_OPT
- 时间获取Clander的用法
adminjun
Clander时间
/**
* 得到几天前的时间
* @param d
* @param day
* @return
*/
public static Date getDateBefore(Date d,int day){
Calend
- JVM初探与设置
aijuans
java
JVM是Java Virtual Machine(Java虚拟机)的缩写,JVM是一种用于计算设备的规范,它是一个虚构出来的计算机,是通过在实际的计算机上仿真模拟各种计算机功能来实现的。Java虚拟机包括一套字节码指令集、一组寄存器、一个栈、一个垃圾回收堆和一个存储方法域。 JVM屏蔽了与具体操作系统平台相关的信息,使Java程序只需生成在Java虚拟机上运行的目标代码(字节码),就可以在多种平台
- SQL中ON和WHERE的区别
avords
SQL中ON和WHERE的区别
数据库在通过连接两张或多张表来返回记录时,都会生成一张中间的临时表,然后再将这张临时表返回给用户。 www.2cto.com 在使用left jion时,on和where条件的区别如下: 1、 on条件是在生成临时表时使用的条件,它不管on中的条件是否为真,都会返回左边表中的记录。
- 说说自信
houxinyou
工作生活
自信的来源分为两种,一种是源于实力,一种源于头脑.实力是一个综合的评定,有自身的能力,能利用的资源等.比如我想去月亮上,要身体素质过硬,还要有飞船等等一系列的东西.这些都属于实力的一部分.而头脑不同,只要你头脑够简单就可以了!同样要上月亮上,你想,我一跳,1米,我多跳几下,跳个几年,应该就到了!什么?你说我会往下掉?你笨呀你!找个东西踩一下不就行了吗?
无论工作还
- WEBLOGIC事务超时设置
bijian1013
weblogicjta事务超时
系统中统计数据,由于调用统计过程,执行时间超过了weblogic设置的时间,提示如下错误:
统计数据出错!
原因:The transaction is no longer active - status: 'Rolling Back. [Reason=weblogic.transaction.internal
- 两年已过去,再看该如何快速融入新团队
bingyingao
java互联网融入架构新团队
偶得的空闲,翻到了两年前的帖子
该如何快速融入一个新团队,有所感触,就记下来,为下一个两年后的今天做参考。
时隔两年半之后的今天,再来看当初的这个博客,别有一番滋味。而我已经于今年三月份离开了当初所在的团队,加入另外的一个项目组,2011年的这篇博客之后的时光,我很好的融入了那个团队,而直到现在和同事们关系都特别好。大家在短短一年半的时间离一起经历了一
- 【Spark七十七】Spark分析Nginx和Apache的access.log
bit1129
apache
Spark分析Nginx和Apache的access.log,第一个问题是要对Nginx和Apache的access.log文件进行按行解析,按行解析就的方法是正则表达式:
Nginx的access.log解析正则表达式
val PATTERN = """([^ ]*) ([^ ]*) ([^ ]*) (\\[.*\\]) (\&q
- Erlang patch
bookjovi
erlang
Totally five patchs committed to erlang otp, just small patchs.
IMO, erlang really is a interesting programming language, I really like its concurrency feature.
but the functional programming style
- log4j日志路径中加入日期
bro_feng
javalog4j
要用log4j使用记录日志,日志路径有每日的日期,文件大小5M新增文件。
实现方式
log4j:
<appender name="serviceLog"
class="org.apache.log4j.RollingFileAppender">
<param name="Encoding" v
- 读《研磨设计模式》-代码笔记-桥接模式
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/
/**
* 个人觉得关于桥接模式的例子,蜡笔和毛笔这个例子是最贴切的:http://www.cnblogs.com/zhenyulu/articles/67016.html
* 笔和颜色是可分离的,蜡笔把两者耦合在一起了:一支蜡笔只有一种
- windows7下SVN和Eclipse插件安装
chenyu19891124
eclipse插件
今天花了一天时间弄SVN和Eclipse插件的安装,今天弄好了。svn插件和Eclipse整合有两种方式,一种是直接下载插件包,二种是通过Eclipse在线更新。由于之前Eclipse版本和svn插件版本有差别,始终是没装上。最后在网上找到了适合的版本。所用的环境系统:windows7JDK:1.7svn插件包版本:1.8.16Eclipse:3.7.2工具下载地址:Eclipse下在地址:htt
- [转帖]工作流引擎设计思路
comsci
设计模式工作应用服务器workflow企业应用
作为国内的同行,我非常希望在流程设计方面和大家交流,刚发现篇好文(那么好的文章,现在才发现,可惜),关于流程设计的一些原理,个人觉得本文站得高,看得远,比俺的文章有深度,转载如下
=================================================================================
自开博以来不断有朋友来探讨工作流引擎该如何
- Linux 查看内存,CPU及硬盘大小的方法
daizj
linuxcpu内存硬盘大小
一、查看CPU信息的命令
[root@R4 ~]# cat /proc/cpuinfo |grep "model name" && cat /proc/cpuinfo |grep "physical id"
model name : Intel(R) Xeon(R) CPU X5450 @ 3.00GHz
model name :
- linux 踢出在线用户
dongwei_6688
linux
两个步骤:
1.用w命令找到要踢出的用户,比如下面:
[root@localhost ~]# w
18:16:55 up 39 days, 8:27, 3 users, load average: 0.03, 0.03, 0.00
USER TTY FROM LOGIN@ IDLE JCPU PCPU WHAT
- 放手吧,就像不曾拥有过一样
dcj3sjt126com
内容提要:
静悠悠编著的《放手吧就像不曾拥有过一样》集结“全球华语世界最舒缓心灵”的精华故事,触碰生命最深层次的感动,献给全世界亿万读者。《放手吧就像不曾拥有过一样》的作者衷心地祝愿每一位读者都给自己一个重新出发的理由,将那些令你痛苦的、扛起的、背负的,一并都放下吧!把憔悴的面容换做一种清淡的微笑,把沉重的步伐调节成春天五线谱上的音符,让自己踏着轻快的节奏,在人生的海面上悠然漂荡,享受宁静与
- php二进制安全的含义
dcj3sjt126com
PHP
PHP里,有string的概念。
string里,每个字符的大小为byte(与PHP相比,Java的每个字符为Character,是UTF8字符,C语言的每个字符可以在编译时选择)。
byte里,有ASCII代码的字符,例如ABC,123,abc,也有一些特殊字符,例如回车,退格之类的。
特殊字符很多是不能显示的。或者说,他们的显示方式没有标准,例如编码65到哪儿都是字母A,编码97到哪儿都是字符
- Linux下禁用T440s,X240的一体化触摸板(touchpad)
gashero
linuxThinkPad触摸板
自打1月买了Thinkpad T440s就一直很火大,其中最让人恼火的莫过于触摸板。
Thinkpad的经典就包括用了小红点(TrackPoint)。但是小红点只能定位,还是需要鼠标的左右键的。但是自打T440s等开始启用了一体化触摸板,不再有实体的按键了。问题是要是好用也行。
实际使用中,触摸板一堆问题,比如定位有抖动,以及按键时会有飘逸。这就导致了单击经常就
- graph_dfs
hcx2013
Graph
package edu.xidian.graph;
class MyStack {
private final int SIZE = 20;
private int[] st;
private int top;
public MyStack() {
st = new int[SIZE];
top = -1;
}
public void push(i
- Spring4.1新特性——Spring核心部分及其他
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- 配置HiveServer2的安全策略之自定义用户名密码验证
liyonghui160com
具体从网上看
http://doc.mapr.com/display/MapR/Using+HiveServer2#UsingHiveServer2-ConfiguringCustomAuthentication
LDAP Authentication using OpenLDAP
Setting
- 一位30多的程序员生涯经验总结
pda158
编程工作生活咨询
1.客户在接触到产品之后,才会真正明白自己的需求。
这是我在我的第一份工作上面学来的。只有当我们给客户展示产品的时候,他们才会意识到哪些是必须的。给出一个功能性原型设计远远比一张长长的文字表格要好。 2.只要有充足的时间,所有安全防御系统都将失败。
安全防御现如今是全世界都在关注的大课题、大挑战。我们必须时时刻刻积极完善它,因为黑客只要有一次成功,就可以彻底打败你。 3.
- 分布式web服务架构的演变
自由的奴隶
linuxWeb应用服务器互联网
最开始,由于某些想法,于是在互联网上搭建了一个网站,这个时候甚至有可能主机都是租借的,但由于这篇文章我们只关注架构的演变历程,因此就假设这个时候已经是托管了一台主机,并且有一定的带宽了,这个时候由于网站具备了一定的特色,吸引了部分人访问,逐渐你发现系统的压力越来越高,响应速度越来越慢,而这个时候比较明显的是数据库和应用互相影响,应用出问题了,数据库也很容易出现问题,而数据库出问题的时候,应用也容易
- 初探Druid连接池之二——慢SQL日志记录
xingsan_zhang
日志连接池druid慢SQL
由于工作原因,这里先不说连接数据库部分的配置,后面会补上,直接进入慢SQL日志记录。
1.applicationContext.xml中增加如下配置:
<bean abstract="true" id="mysql_database" class="com.alibaba.druid.pool.DruidDataSourc