小坤兽
小坤兽

深度学习-6.卷积神经网络CNN

卷积神经网络

  • 卷积运算
    • 数学上的卷积
  • 动机
    • 稀疏交互
    • 参数共享
    • 等变表示
  • 池化
  • 无限强的先验
  • 基本卷积函数的变体
  • 结构化输出
  • 数据类型

卷积运算

数学上的卷积

数学上的卷积是一种对两个实变函数的数学运算。公式为 s ( t ) = ∫ x ( a ) w ( t − a ) d a s(t) = \int x(a)w(t - a)\mathbb{d}a s(t)=∫x(a)w(t−a)da

动机

稀疏交互

深度学习-6.卷积神经网络CNN_第1张图片
如上图所示，上半部分为卷积，下半部分为矩阵乘法。显而易见的是由卷积产生的连接是稀疏的，只有三个单元会受到 x 3 x_3 x3​的影响。这样就允许网络可以只通过描述稀疏交互的基石来高效地描述多个变量的复杂交互。

深度学习-6.卷积神经网络CNN_第2张图片
从上往下看，一个输出单元 s 3 s_3 s3​受到 x 1 , x 2 , x 3 x_1,x_2,x_3 x1​,x2​,x3​的影响，这被称为接受域，也可以很好的说明稀疏性。

参数共享

因为一层卷积函数的卷积核只有一个，所以在不同的位置所采用的参数是完全相同的。

等变表示

等变：若 f ( g ( x ) ) = g ( f ( x ) ) f(g(x)) = g(f(x)) f(g(x))=g(f(x))，则称 f ( x ) f(x) f(x)对于变换 g g g具有等变性。
参数共享的特殊形式可以使神经网络具有对平移等变的性质。同时在边缘检测上相较于矩阵运算提升了数万倍效率。

池化

卷积网络的一个典型层包含三层：卷积 → \rightarrow →探测（整流） → \rightarrow →池化

  • 池化函数对于少量平移时，具有近似不变性
  • 池化综合了全部邻居的反馈，使得池化单元少于探测单元
  • 池化可能会使一些利用自顶向下的神经网络结构变得复杂，如玻尔兹曼机和自编码器

无限强的先验

一个无限强的先验需要对一些参数的概率置零并且完全禁止对这些参数赋值，无论数据对这些参数的值给出了多大的支持。
将CNN作为无限强的先验会导致极大的计算浪费，但能更好地帮助我们观测其是如何工作的。
其中一个关键的洞察是卷积和池化可能会导致欠拟合。

基本卷积函数的变体

  • 添加步长
  • 零填充
  • 非共享卷积（局部连接）：
  • 平铺卷积
  • 以下三层分别为局部连接、平铺卷积、普通卷积
  • 深度学习-6.卷积神经网络CNN_第3张图片

结构化输出

卷积神经网络可以输出高位结构化对象，而不仅是一个类别标签。

数据类型

单通道 多通道
1d 音频波形 骨架动画数据
2d 使用傅里叶变换后的音频数据 彩色图像数据
3d 提及数据（医学影像） 彩色视频

你可能感兴趣的:(deep,learning,深度学习,cnn,神经网络)

  • PyTorch 深度学习实战（12）：Actor-Critic 算法与策略优化 进取星辰 PyTorch深度学习实战深度学习pytorch算法
    在上一篇文章中，我们介绍了强化学习的基本概念，并使用深度Q网络（DQN）解决了CartPole问题。本文将深入探讨Actor-Critic算法，这是一种结合了策略梯度（PolicyGradient）和值函数（ValueFunction）的强化学习方法。我们将使用PyTorch实现Actor-Critic算法，并应用于经典的CartPole问题。一、Actor-Critic算法基础Actor-Cri
  • PyTorch 深度学习实战（17）：Asynchronous Advantage Actor-Critic (A3C) 算法与并行训练 进取星辰 PyTorch深度学习实战深度学习pytorch算法
    在上一篇文章中，我们深入探讨了SoftActor-Critic(SAC)算法及其在平衡探索与利用方面的优势。本文将介绍强化学习领域的重要里程碑——AsynchronousAdvantageActor-Critic(A3C)算法，并展示如何利用PyTorch实现并行化训练来加速学习过程。一、A3C算法原理A3C算法由DeepMind于2016年提出，通过异步并行的多个智能体（Worker）与环境交互
  • 自建 DeepSeek 时代已来，联网搜索如何高效实现 云原生
    作者：张添翼（澄潭）开源LLM的新纪元：DeepSeek带来的技术平权随着DeepSeek等高质量开源大模型的涌现，企业自建智能问答系统的成本已降低90%以上。基于7B/13B参数量的模型在常规GPU服务器上即可获得商业级响应效果，配合Higress开源AI网关的增强能力，开发者可快速构建具备实时联网搜索能力的智能问答系统。Higress：零代码增强LLM的瑞士军刀Higress作为云原生API网
  • DeepSeek 3FS 与 JuiceFS：架构与特性比较 运维人工智能
    近期，DeepSeek开源了其文件系统Fire-FlyerFileSystem(3FS)，使得文件系统这一有着70多年历时的“古老”的技术，又获得了各方的关注。在AI业务中，企业需要处理大量的文本、图像、视频等非结构化数据，还需要应对数据量的爆炸式增长，分布式文件系统因此成为AI训练的关键存储技术。本文旨在通过深入分析3FS的实现机制，并与JuiceFS进行对比，以帮助用户理解两种文件系统的区别及
  • 最新NPU芯片详解及应用场景 美好的事情总会发生 AI嵌入式硬件硬件工程linux人工智能ai
    近年来，NPU（神经网络处理器）技术快速发展，各大厂商推出多款高性能AI加速芯片，覆盖从端侧设备到云端数据中心的多样化需求。以下是NPU芯片及其核心特点与应用场景的详细说明：1.苹果M3系列芯片（M3/M3Pro/M3Max）NPU架构：第二代16核神经网络引擎，采用台积电3nm工艺。算力：18TOPS（每秒万亿次操作），较M2提升40%。技术亮点：支持混合精度计算（FP16/INT8），动态分配
  • DeepSeek 训练数据模板生成指南 He.Tech 开发语言
    DeepSeek训练数据模板生成指南（一次生成多条高质量数据集）一、核心数据格式规范1.基础结构（JSONL格式）每条数据需包含prompt（输入指令）和completion（期望输出）两个核心字段，采用单行JSON格式存储：{"prompt":"如何评估基金的投资风险？","completion":"基金风险评估需关注：1.历史波动率...2.最大回撤..."}{"prompt":"用Pytho
  • A l密码学（Deepseek) Small踢倒coffee_氕氘氚 经验分享笔记
    我：qwertyuiopasdfghjklzxcvbnmdeepseek:深度思考中．Okay,let'ssee.Theuserinputis"qwertyuiopasdfghjklzxcvbnm".Atfirstglance,itlookslikeajumbledsequenceofletterswithsomespacesormaybeothercharactersinbetween.Letm
  • 7招教你掌握用DeepSeek辅助论文写作的提示词技巧 学境思源AcademicIdeas 学境思源AI写作ChatGPT人工智能
    随着人工智能技术的快速发展，大模型（如DeepSeek、ChatGPT等）已经成为论文写作的重要辅助工具。合理运用提示词（Prompt），不仅能极大提高写作效率，还能辅助生成高质量的学术内容。今天的内容将分享如何利用DeepSeek的提示词技巧，助力论文写作。1.明确写作目标，让AI理解你的需求在使用大模型时，清晰的写作目标至关重要。一个好的提示词应当包括：写作主题、内容范围、格式要求、风格倾向等
  • 毕业论文需要进行几次AIGC检测？ kexiaoya2013 人工智能AIGC论文阅读论文笔记
    每到毕业季，许多同学都会面临论文查重的困扰。尤其是今年Deepseek的爆火，学校对论文AIGC检测也越来越严格。那么，毕业论文AIGC检测究竟需要做几次呢？一、检测次数受哪些因素影响1、学校政策部分高校提供1-2次免费检测机会，有的则要求自己检测合格后才能提交。检测前，务必提前了解所在院校的检测规则。若学校未明确，建议至少自查2次（初稿+定稿）。2、AI率波动如果首次AI率检测结果超过或接近学校
  • 【pytorch(cuda)】基于DQN算法的无人机三维城市空间航线规划（Python代码实现） wlz249 pythonpytorch算法
    欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录⛳️赠与读者1概述一、研究背景与意义二、DQN算法概述三、基于DQN的无人机三维航线规划方法1.环境建模2.状态与动作定义3.奖励函数设计4.深度神经网络训练5.航线规划四、研究挑战与展望2运行结果3参考文献4Python代码实现⛳️赠与读者‍做科研，涉及到一个深在的
  • 李开复：AI 2.0 时代的机遇 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
    人工智能，深度学习，Transformer，大模型，通用人工智能，AI2.0，应用场景，未来趋势1.背景介绍人工智能（AI）技术近年来发展迅速，从语音识别、图像识别到自然语言处理等领域取得了突破性进展。其中，深度学习作为人工智能的核心技术之一，推动了AI技术的飞速发展。然而，深度学习模型的训练成本高、数据依赖性强、可解释性差等问题仍然制约着AI技术的进一步发展。李开复先生在《AI2.0时代的机遇》
  • C#学习笔记（3）： 调用YOLOv8 playerofIE c#学习笔记YOLOpython
    最近做的项目需要C#编写上位机程序，同时也要使用yolo进行深度学习检测。使用pythonnet调用写好的py文件，C#代码如下:Runtime.PythonDLL="python310.dll";PythonEngine.Initialize();using(Py.GIL()){dynamicsys=Py.Import("sys");dynamictorch=Py.Import("torch")
  • DeepSeek + 飞书多维表格：批量生成爆款文案 meisongqing 飞书人工智能DeepSeek
    一、操作步骤创建飞书多维表格登录飞书，新建多维表格，建议简化表格结构，保留核心列（如“链接”“关键词”“提示词”等）。设计智能字段：通过“字段类型”添加AI功能列，例如“标题生成”“金句提炼”“概要输出”等，调用DeepSeekR1处理数据。配置DeepSeekR1模型在表格中新增列，选择“DeepSeek-R1”作为字段类型，设置全局提示词（如“生成七言绝句”或“提炼文章核心亮点”）。通过公式引
  • DeepSeek重构产业生态：餐饮、金融与短视频的智能跃迁 放逐者-保持本心，方可放逐 其他重构金融
    引言：智能时代的产业共振在数字技术浪潮席卷全球的当下，DeepSeek作为人工智能领域的重要参与者，正以其强大的算法能力和多模态交互特性，深度渗透至餐饮、金融、短视频等民生关键领域。从长江之畔的烟火气到陆家嘴的金融脉搏，从市井小店的智能排班到跨国银行的风险定价，从美食博主的AI替身到探店经济的虚实融合，DeepSeek不仅重塑了传统行业的运营逻辑，更在消费升级与技术创新的交汇处，催生出新的商业范式
  • 50个Deepseek写材料详细指令，从此告别加班，赶紧收藏！ 小杰~ 人工智能大数据
    政策解读材料根据最新的【政策名称】，生成一份政策解读材料，重点突出政策的核心内容、实施意义以及对【具体领域】的影响。行业发展趋势分析报告撰写一篇关于【行业名称】发展趋势的分析报告，结合当前市场数据和专家观点，预测未来3-5年的发展方向。工作效率提升建议书以“如何提升【单位名称】的工作效率”为主题，写一份详细的建议书，包括现状分析、问题提出、解决方案以及预期效果评估。项目汇报材料根据【项目名称】的进
  • YOLOv8 的简介 及C#中如何简单应用YOLOv8 码上有潜 YOLOv8YOLO
    YOLOv8是YOLO（YouOnlyLookOnce）系列中的最新版本，是一种用于目标检测和图像分割的深度学习模型。YOLO模型以其快速和准确的目标检测性能而著称，广泛应用于实时应用程序中。主要特点高效性：YOLOv8在保持高检测速度的同时，进一步提高了检测精度。端到端训练：可以直接从图像输入端到分类结果输出，简化了训练和部署过程。改进的架构：包括更深的网络结构、更复杂的特征提取方法以及更高效的
  • llama.cpp 和 LLM（大语言模型） 这个懒人 llama语言模型人工智能
    llama.cpp和LLM（大语言模型）的介绍，以及两者的关联与区别：1.LLM（LargeLanguageModel，大语言模型）定义：LLM是基于深度学习技术（如Transformer架构）构建的超大参数量的自然语言处理模型。它通过海量文本数据训练，能够生成连贯、语义丰富的文本，完成问答、创作、推理等任务。特点：参数规模大：如GPT-3（1750亿参数）、Llama-65B（650亿参数）等。
  • 注意力机制+多尺度卷积 一只小小的土拨鼠 解构前沿：文献精读深度学习python人工智能YOLO深度学习
    多尺度卷积先提供丰富的特征信息，注意力机制再从中筛选出关键信息，这样结合起来，不仅可以进一步提高模型的识别精度和效率，显著提升模型性能，还可以增强模型的可解释性。MPARN:multi-scalepathattentionresidualnetworkforfaultdiagnosisofrotatingmachines方法：论文介绍了一种用于旋转机械故障诊断的多尺度卷积神经网络结构，称为多尺度路
  • BioDeepAV：一个多模态基准数据集，包含超过1600个深度伪造视频，用于评估深度伪造检测器在面对未知生成器时的性能。 数据集
    2024-11-29,由罗马尼亚布加勒斯特大学创建BioDeepAV数据集，它专门设计来评估最先进的深度伪造检测器在面对未见过的深度伪造生成器时的泛化能力，这对于提高检测器的鲁棒性和适应性具有重要意义。一、研究背景：随着生成模型的快速发展，深度伪造内容的逼真度不断提高，人们越来越难以在线检测出被操纵的媒体内容，从而容易受到各种诈骗的欺骗。这不仅对个人隐私构成威胁，也对社会信任和民主构成挑战。目前遇
  • 你真的会用AI吗？（附DeepSeek高阶玩法教程）（清华） 航锦234 pdf人工智能
    DeepSeek资料链接：https://pan.quark.cn/s/b469ed4018ff家人们，DeepSeek真厉害啊，各大资本巨头纷纷入驻，电信移动也抢着参与其中，就连普通人也开始利用DeepDeek日入过万，登上媒体热搜。今年真的是AI变革的一年！雷军一直在说，风口比努力更重要，站在风口上，猪也能起飞。而AI很明显就是现在的风口！然而，现在绝大多数人还只是把DeepSeek当成聊天和
  • 构建未来智能：在Mojo模型中自定义模型架构的艺术 2401_85761003 mojo架构
    构建未来智能：在Mojo模型中自定义模型架构的艺术在深度学习的世界里，模型架构的设计往往决定了算法的性能和适用性。Mojo模型，作为一个假想中的高级机器学习框架，允许用户实现自定义的模型架构来解决特定的问题。本文将深入探讨如何在Mojo模型中实现自定义模型架构，并提供详细的步骤和代码示例，以帮助读者掌握这一强大的技术。自定义模型架构的重要性灵活性自定义模型架构提供了设计适合特定问题需求的模型的灵活
  • DeepSeek 与各类常见软件的详细搭配使用方法 潇杨爱吃粉 python开发语言vscode
    一、与开发工具集成（以VSCode为例）**1.通过插件调用DeepSeek**步骤：安装插件在VSCode扩展商店中搜索安装CodeGPT或Cursor（内置AI功能）。配置API密钥打开插件设置，找到APIKey输入框。登录DeepSeek官网获取API密钥（需注册账号并订阅服务）。粘贴密钥并保存。使用场景代码生成：选中代码片段，右键选择AskDeepSeek，输入需求如“优化这段代码”。问题
  • 第4章：二房东都怕你知道：用DeepSeek让隔断房电表不再吃人 m0_65737849 运维前端网络
    第4章：二房东都怕你知道：用DeepSeek让隔断房电表不再吃人——前电力稽查工程师的隐蔽战场纪实4.1租约里的隐藏税上海某城中村的调查报告触目惊心：67%的隔断房存在电表加速现象，普通单间月耗电量竟高达287度——相当于每天开着1.5匹空调连续制冷15小时。国家电网反窃电实验室的对比测试显示，改装电表的计量误差可达+43%，这意味着租客每年要白白多付794元电费，足够买下24杯星冰乐。上周我收到
  • 第1章：家庭电费直降40%：DeepSeek让冰箱学会“偷电“的合法攻略 m0_65737849 运维
    第1章：家庭电费直降40%：DeepSeek让冰箱学会"偷电"的合法攻略——前电网调度工程师的四年零事故实践方案1.1藏在压缩机里的消费陷阱打开中国家庭的电费单，冰箱的耗电量永远在“看不见的第三位”：国网能源研究院2024年报告显示，1级能效双开门冰箱年均耗电438度，相当于每天悄悄消耗1.2元。更惊人的是，其中62%的电力浪费发生在夜间——当保鲜室传感器检测到温度回升0.5℃时，压缩机会以2.3
  • 智能科技助力健康生活：开启体育与健身的新纪元 inscode_010
    最新接入DeepSeek-V3模型，点击下载最新版本InsCodeAIIDE智能科技助力健康生活：开启体育与健身的新纪元在现代社会，科技的迅猛发展不仅改变了我们的生活方式，也深刻影响了体育与健身领域。从智能穿戴设备到虚拟现实训练系统，技术的进步为人们提供了前所未有的健身体验。而今天，我们将探讨一款强大的智能化工具——它不仅仅适用于编程开发，更能在体育与健身领域发挥巨大作用，帮助我们实现更加高效、科
  • 大模型与自然语言理解（NLU）：差异与联系 技术流 Gavin AIoTpython语言模型ai
    近年来，人工智能领域取得了显著进展，尤其是在自然语言处理（NLP）方面。大模型和自然语言理解（NLU）作为NLP的两个重要分支，常常被提及，但它们之间存在着本质区别。1.定义与目标大模型:通常指拥有庞大参数规模（数十亿甚至数千亿）的深度学习模型，例如GPT-3、LaMDA等。它们通过海量文本数据进行训练，旨在学习语言的统计规律，并能够生成流畅、连贯的文本。NLU:是NLP的一个子领域，专注于让机器
  • vue3修改el-tree样式 不想上班只想要钱 前端vuevue.jsjavascriptelementui
    vue3修改el-tree样式:deep(.el-tree){width:100%;.el-tree-node{.el-tree-node__content{height:32px;.hightlight{color:#189cf1;}.el-tree-node__expand-icon{//transform:rotate(0);transform-origin:center;backgroun
  • 论文阅读：Deep Stacked Hierarchical Multi-patch Network for Image Deblurring 行走的歌 文献阅读图像处理计算机视觉机器学习深度学习图像去雨图像处理
    这是一篇去模糊的文章，后来发现直接套用不合适，无法获取到相应的特征，遂作罢，简单记录一下。2019CVPR：DMPHN这篇文章是2019CVPR的一篇去模糊方向的文章，师兄分享的时候看了一下，后来也发现这个网络结构在很多workshop以及文章中都见过。文章：ArXiv代码：Github在去模糊领域，目前的多尺度和尺度循环模型存在一些问题：1)由粗到细方案中的去卷积/上采样操作导致运行时间昂贵;2
  • 论文笔记：Deep Algorithm Unrolling for Blind Image Deblurring 爱学习的小菜鸡 论文笔记去模糊图像处理神经网络
    这是一篇CVPR2020的去模糊论文，主要是通过传统与深度相结合，将迭代次数变成神经网络的层数，使网络结构的网络结构更加具有解释性。主要贡献：DeepUnrollingforBlindImageDeblurring(DUBLID)：提出一种可解释的神经网络结构叫做DUBLID，首先提出一种迭代算法，该算法被认为是梯度域中传统的广义全变分正则方法(generalizedTV-regularizeda
  • PyTorch 生态概览：为什么选择动态计算图框架？ 小诸葛IT课堂 pytorch人工智能python
    一、PyTorch的核心价值PyTorch作为深度学习框架的后起之秀，通过动态计算图技术革新了传统的静态图模式。其核心优势体现在：动态灵活性：代码即模型，支持即时调试Python原生支持：无缝衔接Python生态高效的GPU加速：通过CUDA实现透明的硬件加速活跃的社区生态：GitHub贡献者超1.8万人，日均更新100+次二、动态计算图VS静态计算图对比#动态计算图示例（PyTorch）impo
  • 基本数据类型和引用类型的初始值 3213213333332132 java基础
    package com.array; /** * @Description 测试初始值 * @author FuJianyong * 2015-1-22上午10:31:53 */ public class ArrayTest { ArrayTest at; String str; byte bt; short s; int i; long
  • 摘抄笔记--《编写高质量代码：改善Java程序的151个建议》 白糖_ 高质量代码
            记得3年前刚到公司，同桌同事见我无事可做就借我看《编写高质量代码：改善Java程序的151个建议》这本书，当时看了几页没上心就没研究了。到上个月在公司偶然看到，于是乎又找来看看，我的天，真是非常多的干货，对于我这种静不下心的人真是帮助莫大呀。           看完整本书，也记了不少笔记
  • 【备忘】Django 常用命令及最佳实践 dongwei_6688 django
    注意：本文基于 Django 1.8.2 版本   生成数据库迁移脚本（python 脚本） python manage.py makemigrations polls  说明：polls 是你的应用名字，运行该命令时需要根据你的应用名字进行调整   查看该次迁移需要执行的 SQL 语句（只查看语句，并不应用到数据库上）： python manage.p
  • 阶乘算法之一N! 末尾有多少个零 周凡杨 java算法阶乘面试效率
                                     &n
  • spring注入servlet g21121 Spring注入
    传统的配置方法是无法将bean或属性直接注入到servlet中的，配置代理servlet亦比较麻烦，这里其实有比较简单的方法，其实就是在servlet的init()方法中加入要注入的内容： ServletContext application = getServletContext(); WebApplicationContext wac = WebApplicationContextUtil
  • Jenkins 命令行操作说明文档 510888780 centos
    假设Jenkins的URL为http://22.11.140.38:9080/jenkins/ 基本的格式为 java 基本的格式为 java -jar jenkins-cli.jar [-s JENKINS_URL] command [options][args] 下面具体介绍各个命令的作用及基本使用方法 1. &nb
  • UnicodeBlock检测中文用法 布衣凌宇 UnicodeBlock
    /**  * 判断输入的是汉字  */ public static boolean isChinese(char c) {        Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);    
  • java下实现调用oracle的存储过程和函数 aijuans javaorale
    1.创建表：STOCK_PRICES     2.插入测试数据：     3.建立一个返回游标：  PKG_PUB_UTILS   4.创建和存储过程：P_GET_PRICE     5.创建函数：   6.JAVA调用存储过程返回结果集 JDBCoracle10G_INVO
  • Velocity Toolbox antlove 模板toolboxvelocity
    velocity.VelocityUtil package velocity; import org.apache.velocity.Template; import org.apache.velocity.app.Velocity; import org.apache.velocity.app.VelocityEngine; import org.apache.velocity.c
  • JAVA正则表达式匹配基础 百合不是茶 java正则表达式的匹配
      正则表达式;提高程序的性能,简化代码,提高代码的可读性,简化对字符串的操作   正则表达式的用途; 字符串的匹配 字符串的分割 字符串的查找 字符串的替换       正则表达式的验证语法     [a] //[]表示这个字符只出现一次 ,[a] 表示a只出现一
  • 是否使用EL表达式的配置 bijian1013 jspweb.xmlELEasyTemplate
            今天在开发过程中发现一个细节问题，由于前端采用EasyTemplate模板方法实现数据展示，但老是不能正常显示出来。后来发现竟是EL将我的EasyTemplate的${...}解释执行了，导致我的模板不能正常展示后台数据。         网
  • 精通Oracle10编程SQL(1-3)PLSQL基础 bijian1013 oracle数据库plsql
    --只包含执行部分的PL/SQL块 --set serveroutput off begin dbms_output.put_line('Hello,everyone!'); end; select * from emp; --包含定义部分和执行部分的PL/SQL块 declare v_ename varchar2(5); begin select
  • 【Nginx三】Nginx作为反向代理服务器 bit1129 nginx
    Nginx一个常用的功能是作为代理服务器。代理服务器通常完成如下的功能：   接受客户端请求 将请求转发给被代理的服务器 从被代理的服务器获得响应结果 把响应结果返回给客户端 实例 本文把Nginx配置成一个简单的代理服务器 对于静态的html和图片，直接从Nginx获取 对于动态的页面，例如JSP或者Servlet，Nginx则将请求转发给Res
  • Plugin execution not covered by lifecycle configuration: org.apache.maven.plugin blackproof maven报错
    转：http://stackoverflow.com/questions/6352208/how-to-solve-plugin-execution-not-covered-by-lifecycle-configuration-for-sprin   maven报错： Plugin execution not covered by lifecycle configuration:
  • 发布docker程序到marathon ronin47 docker 发布应用
    1 发布docker程序到marathon 1.1 搭建私有docker registry 1.1.1 安装docker regisry docker pull docker-registry docker run -t -p 5000:5000 docker-registry 下载docker镜像并发布到私有registry docker pull consol/tomcat-8.0
  • java-57-用两个栈实现队列&&用两个队列实现一个栈 bylijinnan java
    import java.util.ArrayList; import java.util.List; import java.util.Stack; /* * Q 57 用两个栈实现队列 */ public class QueueImplementByTwoStacks { private Stack<Integer> stack1; pr
  • Nginx配置性能优化 cfyme nginx
    转载地址：http://blog.csdn.net/xifeijian/article/details/20956605   大多数的Nginx安装指南告诉你如下基础知识——通过apt-get安装，修改这里或那里的几行配置，好了，你已经有了一个Web服务器了。而且，在大多数情况下，一个常规安装的nginx对你的网站来说已经能很好地工作了。然而，如果你真的想挤压出Nginx的性能，你必
  • [JAVA图形图像]JAVA体系需要稳扎稳打,逐步推进图像图形处理技术 comsci java
         对图形图像进行精确处理，需要大量的数学工具，即使是从底层硬件模拟层开始设计，也离不开大量的数学工具包，因为我认为，JAVA语言体系在图形图像处理模块上面的研发工作，需要从开发一些基础的，类似实时数学函数构造器和解析器的软件包入手，而不是急于利用第三方代码工具来实现一个不严格的图形图像处理软件......   &nb
  • MonkeyRunner的使用 dai_lm androidMonkeyRunner
    要使用MonkeyRunner，就要学习使用Python，哎 先抄一段官方doc里的代码 作用是启动一个程序（应该是启动程序默认的Activity），然后按MENU键，并截屏 # Imports the monkeyrunner modules used by this program from com.android.monkeyrunner import MonkeyRun
  • Hadoop-- 海量文件的分布式计算处理方案 datamachine mapreducehadoop分布式计算
    csdn的一个关于hadoop的分布式处理方案，存档。 原帖：http://blog.csdn.net/calvinxiu/article/details/1506112。     Hadoop 是Google MapReduce的一个Java实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同ja
  • 以資料庫驗證登入 dcj3sjt126com yii
    以資料庫驗證登入 由於 Yii 內定的原始框架程式, 採用綁定在UserIdentity.php 的 demo 與 admin 帳號密碼:    public function authenticate()    {        $users=array( &nbs
  • github做webhooks：[2]php版本自动触发更新 dcj3sjt126com githubgitwebhooks
    上次已经说过了如何在github控制面板做查看url的返回信息了。这次就到了直接贴钩子代码的时候了。 工具/原料 git github 方法/步骤   在github的setting里面的webhooks里把我们的url地址填进去。   钩子更新的代码如下： error_reportin
  • Eos开发常用表达式 蕃薯耀 Eos开发Eos入门Eos开发常用表达式
    Eos开发常用表达式 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2014年8月18日 15:03:35 星期一     &
  • SpringSecurity3.X--SpEL 表达式 hanqunfeng SpringSecurity
    使用 Spring 表达式语言配置访问控制，要实现这一功能的直接方式是在<http>配置元素上添加 use-expressions 属性：   <http auto-config="true" use-expressions="true"> 这样就会在投票器中自动增加一个投票器：org.springframework
  • Redis vs Memcache IXHONG redis
    1. Redis中，并不是所有的数据都一直存储在内存中的，这是和Memcached相比一个最大的区别。 2. Redis不仅仅支持简单的k/v类型的数据，同时还提供list，set，hash等数据结构的存储。 3. Redis支持数据的备份，即master-slave模式的数据备份。 4. Redis支持数据的持久化，可以将内存中的数据保持在磁盘中，重启的时候可以再次加载进行使用。 Red
  • Python - 装饰器使用过程中的误区解读 kvhur JavaScriptjqueryhtml5css
    大家都知道装饰器是一个很著名的设计模式，经常被用于AOP(面向切面编程)的场景，较为经典的有插入日志，性能测试，事务处理，Web权限校验， Cache等。 原文链接：http://www.gbtags.com/gb/share/5563.htm Python语言本身提供了装饰器语法（@），典型的装饰器实现如下：   @function_wrapper de
  • 架构师之mybatis-----update 带case when 针对多种情况更新 nannan408 case when
    1.前言.    如题. 2. 代码.   <update id="batchUpdate" parameterType="java.util.List"> <foreach collection="list" item="list" index=&
  • Algorithm算法视频教程 栏目记者 Algorithm算法
    课程：Algorithm算法视频教程 百度网盘下载地址： http://pan.baidu.com/s/1qWFjjQW 密码: 2mji 程序写的好不好,还得看算法屌不屌！Algorithm算法博大精深。 一、课程内容： 课时1、算法的基本概念 + Sequential search 课时2、Binary search 课时3、Hash table 课时4、Algor
  • C语言算法之冒泡排序 qiufeihu c算法
    任意输入10个数字由小到大进行排序。 代码： #include <stdio.h> int main() { int i,j,t,a[11]; /*定义变量及数组为基本类型*/ for(i = 1;i < 11;i++){ scanf("%d",&a[i]); /*从键盘中输入10个数*/ } for
  • JSP异常处理 wyzuomumu Webjsp
    1.在可能发生异常的网页中通过指令将HTTP请求转发给另一个专门处理异常的网页中: <%@ page errorPage="errors.jsp"%>   2.在处理异常的网页中做如下声明： errors.jsp: <%@ page isErrorPage="true"%>，这样设置完后就可以在网页中直接访问exc
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他