- 文章精读篇——用于遥感小样本语义分割的可学习Prompt
LiXiang like coding吗
学习prompt人工智能
题目:LearnablePromptforFew-ShotSemanticSegmentationinRemoteSensingDomain会议:CVPR2024Workshop论文:10.48550/arXiv.2404.10307相关竞赛:https://codalab.lisn.upsaclay.fr/competitions/17568年份:2024任务背景小样本语义分割(Few-shot
- 第十三站:卷积神经网络(CNN)的优化
武狐肆骸
机器学习cnn人工智能神经网络
前言:在上一期我们构建了基本的卷积神经网络之后,接下来我们将学习一些提升网络性能的技巧和方法。这些优化技术包括数据增强、网络架构的改进、正则化技术。1.数据增强(DataAugmentation)数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换,可以生成更多的训练样本,帮助模型避免过拟合。常见的数据增强方法:旋转(Rotation):随机旋转图像,增强模型对旋转变换
- 《深度剖析:生成对抗网络中生成器与判别器的高效协作之道》
程序猿阿伟
生成对抗网络人工智能机器学习
在人工智能的前沿领域,生成对抗网络(GAN)以其独特的对抗学习机制,为数据生成和处理带来了革命性的变革。生成器与判别器作为GAN的核心组件,它们之间的协作效率直接决定了GAN在图像生成、数据增强、风格迁移等众多应用中的表现。深入探究二者如何实现更高效的协作,不仅是优化GAN性能的关键,也为解锁人工智能更多创新应用场景提供了可能。生成器与判别器:GAN的核心架构解析生成器(Generator)的使命
- 计算机视觉实战|Mask2Former实战:轻松掌握全景分割、实例分割与语义分割
紫雾凌寒
AI炼金厂#计算机视觉计算机视觉python深度学习mask2formertransformerpytorch
一、引言上一篇文章《计算机视觉|Mask2Former:开启实例分割新范式》,我们学习了Mask2Former的框架原理、优缺点以及应用领域。今天要带大家一起探索一个强大的图像分割工具——Mask2Former。作为一名技术博主,我的目标是让复杂的概念变得简单易懂,即使你是刚入门的小白,也能通过这篇文章学会使用Mask2Former进行全景分割、实例分割和语义分割。我会用通俗的语言一步步讲解,还会
- 动态视觉SLAM的亿点点思考(含20项最新开源代码链接)[上篇]
3D视觉工坊
3D视觉从入门到精通人工智能
作者:泡椒味的口香糖|来源:3D视觉工坊添加微信:dddvisiona,备注:SLAM,拉你入群。文末附行业细分群。0.笔者个人体会动态环境下的视觉SLAM一直都是研究的重点和难点,但最近动态SLAM的paper越来越少,感觉主要原因是动态SLAM的框架已经固化,很难做出大的创新。现有的模板基本就是使用目标检测或者语义分割网络剔除动态特征点,然后用几何一致性做进一步的验证。笔者最近也在思考突破口,
- 对比学习小综述
wintercoming111
学习
对比学习的目标是将相似样本的表示(Representation)拉近,不相似样本的表示拉远。通过数据增强、损失函数、表示学习目标等步骤实现。分类(1)基于单视角的方法(InstanceDiscrimination)典型代表:SimCLR,MoCo特点:将每个样本视为一个独立类,无需额外的标注信息。适用场景:数据无标注或弱标注的场景。(2)基于聚类的方法(Clustering-BasedContra
- 大语言模型:从开发到运行的深度解构
nbsaas-boot
语言模型人工智能自然语言处理
一、LLM开发训练的全流程解析1.数据工程的炼金术数据采集:构建涵盖网页文本(CommonCrawl)、书籍、论文、代码等领域的超大规模语料库,典型规模可达数十TB。例如GPT-4的训练数据包含超过13万亿token数据清洗:通过质量过滤(去除低质内容)、去重(MinHash算法)、毒性检测(NSFW内容识别)等步骤构建高质量数据集数据增强:引入代码数据提升逻辑性(如GitHub代码)、多语言数据
- 人工智能训练师如何做图像数据标注,从情感分析和实体分析两个个场景分析
小宝哥Code
人工智能训练师人工智能
在人工智能训练中,图像情感分析和图像实体分析是两个重要的应用场景。高质量的图像数据标注对于训练情感识别模型和目标检测/语义分割模型至关重要。本指南将详细介绍:情感分析标注(EmotionAnalysis)实体分析标注(EntityRecognition)自动化标注工具Python代码示例数据格式与存储标注数据质量评估1.情感分析(EmotionAnalysis)标注1.1情感分析简介图像情感分析(
- 吐血整理!训练时数据增强策略调整,让模型性能飙升
盼达思文体科创
经验分享
吐血整理!训练时数据增强策略调整,让模型性能飙升引言你是否遇到过模型训练效果不佳,明明投入了大量数据,可模型的准确率、泛化能力就是提不上去?其实啊,很多时候问题就出在数据增强策略上。不合理的数据增强方式,就像给运动员吃错了补药,不仅起不到提升效果,还可能适得其反。今天我就来和你好好聊聊训练时数据增强策略的调整,让你的模型也能“脱胎换骨”!核心内容策略选择误区:80%的人都会犯的错场景化描述:你满心
- MONAI 1.4新版本发布,抢先体验MAISI扩散模型以及VISTA交互式分割模型
Tina姐
Monai人工智能
MONAI1.4新版本发布,抢先体验MAISI扩散模型以及VISTA交互式分割模型上周,MONAI发布了备受期待的1.4版本,这是时隔一年的重大更新。新版本带来了一系列令人兴奋的新功能和改进,让我们一起来看看:MAISI:这是一个最先进的3D潜在扩散模型(3DLatentDiffusionModel),专为生成高质量的合成CT图像而设计,无论是否带有解剖标注。MAISI在数据增强和创建逼真的医学成
- 商汤绝影端到端自动驾驶的迭代优化
AGI大模型与大数据研究院
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
自动驾驶,端到端,迭代优化,深度学习,感知,规划,控制,模型训练,数据增强,模型微调1.背景介绍随着人工智能和计算机视觉技术的飞速发展,自动驾驶汽车从科幻走进了现实。商汤科技推出的绝影端到端自动驾驶系统,就是其中的佼佼者。本文将深入剖析商汤绝影端到端自动驾驶系统的迭代优化过程,帮助读者理解其背后的技术原理和架构设计。2.核心概念与联系商汤绝影端到端自动驾驶系统的核心架构如下:graphLRA[感知
- 使用多模态大语言模型进行深度学习的图像、文本和语音数据增强
数行天下
人工智能语言模型深度学习人工智能自然语言处理
在过去的五年里,研究方向已从传统的机器学习(ML)和深度学习(DL)方法转向利用大语言模型(LLMs),包括多模态方法,用于数据增强,以提高泛化能力,并在训练深度卷积神经网络时防止过拟合。然而,现有的综述文章主要集中于机器学习和深度学习技术或有限的模态(如文本或图像),在涵盖LLM方法的最新进展和多模态应用方面仍存在空白。本文通过探索利用多模态LLMs进行图像、文本和语音数据增强的最新文献,填补了
- 景联文科技数据处理平台:支持高质量图像标注服务
景联文科技
人工智能科技计算机视觉
图像标注是计算机视觉领域中不可或缺的一环,它通过为图像添加标签来帮助机器学习算法理解图像内容。这一过程对于创建高质量的训练数据集至关重要,使得AI模型能够准确地识别和分类现实世界中的物体。常见的图像标注类型:边界框标注:这是最常用的标注方式之一,通常用于物体检测任务。通过绘制矩形框来确定图像中目标物体的位置,可以是二维或三维形式。分割标注:包括语义分割(同一类别的所有实例被视为整体)和实例分割(每
- Python实战:解析labelme标注数据——如何将数据转换为COCO格式
程序员杨弋
Python全栈工程师学习指南python开发语言
在计算机视觉中,标注数据是非常重要的,而Labelme是一个简单易用的自由标注工具,被广泛应用于图像语义分割、目标检测、实例分割等领域,然而标注数据并不总是以我们需要的格式存在,因此需要进行适当的转换,本文将详细介绍如何将Labelme标注数据转换为COCO格式。首先需要安装相关的Python库,包括labelme、numpy、matplotlib、pillow等,在安装完成后设置数据路径,并读取
- yolo数据增强
攀神
YOLOpython开发语言
importosimportcv2importnumpyasnpimportalbumentationsasA#定义数据增强的变换,可以根据需要自定义transform=A.Compose([A.HorizontalFlip(p=0.5),#水平翻转A.RandomBrightnessContrast(p=0.5),#随机亮度和对比度A.Rotate(limit=15,p=0.5),#随机旋转A.
- 计算机视觉四大任务模型汇总
Zero_one_ws
《神经网络与深度学习》理论计算机视觉人工智能深度学习图像分类图像目标检测目标分割关键点检测
计算机视觉中有四大核心任务:1-分类任务、2-目标检测任务、3-目标分割任务和4-关键点检测任务文章1:一文读懂计算机视觉4大任务文章2:图像的目标分割任务:语义分割和实例分割不同任务之间相关但不完全相同,因此不同的任务最好选择相应的模型,话不多说,看表:(注:表中github链接并不一定是模型的正式版本,只是本文用于展示模型的网络结构和应用)1-分类任务模型序号模型ipynb模型的github链
- 【语义分割专题文章】
BoostingIsm
Segmentationpython
本栏聚焦在语义分割的相关算法,专栏内文章的代码均已实现。一、数据篇【遥感】【道路】篇:【语义分割】【专题系列】一、MassachusettsRoadsDataset马萨诸塞州道路数据集获取二、CNN篇Unet(2015):【语义分割】【专题系列】二、Unet语义分割代码实战PSPNet(2017):【语义分割】【专题系列】三、PSPNet语义分割代码实战Linknet(2017)FPN(Featu
- 深度学习语义分割实战:ResNet 与 ViT 结合的模型解析
高山仰星
深度学习
1.引言语义分割是计算机视觉中的重要任务,其目标是将输入图像中的每个像素分类到特定的类别。本项目结合了ResNet(ResidualNetwork)和ViT(VisionTransformer),构建了高性能的语义分割模型。本文将详细解析该模型的架构、训练流程及其应用。2.语义分割模型解析本项目采用ResNet和ViT结合的方式进行语义分割,并使用CBAM注意力机制增强特征提取能力。涉及的核心文件
- python工具方法 19 语义分割结果转labelme标注(可用于大图裁剪)
万里鹏程转瞬至
python工具方法labelme语义分割opencvpng转labelme标注
将语义分割结果进行转换为labelme标注后,可用再次进行调整,然后重新生成标注数据。此外,对于一些实例分割的coco数据,也可以将img和mask裁剪成小图后,重新利用这份代码重新生成标签绘图,然后再转coco数据。语义分割结果转labelme标注,本质上是利用opencv的多边形拟合功能,在进行拟合时发现对于中空图形的孔洞区域会拟合出背景区域的多边形,因此需要对背景区域进行计算区分,此代码生成
- 使用U-Net处理Postdam数据集进行语义分割任务 如何从准备数据到训练和评估一个基于U-Net的模型。训练使用遥感影像分析研究语义分割数据集
计算机C9硕士_算法工程师
语义分割unet
使用U-Net处理Postdam数据集进行语义分割任务如何从准备数据到训练和评估一个基于U-Net的模型。训练使用遥感影像分析研究数据集文章目录1.安装依赖2.数据准备创建自定义的数据加载器3.模型定义4.训练模型5.可视化预测结果Postdam数据集遥感影像-语义分割数据集:Postdam数据集像素大小512*512训练图片为.tif标签图片为.tif数据集(train3678张val920张)
- NLP_[2]-认识文本预处理
闵少搞AI
NLP自然语言处理人工智能
文章目录1认识文本预处理1文本预处理及其作用2.文本预处理中包含的主要环节2.1文本处理的基本方法2.2文本张量表示方法2.3文本语料的数据分析2.4文本特征处理2.5数据增强方法2.6重要说明2文本处理的基本方法1.什么是分词2什么是命名实体识别3什么是词性标注¶1认识文本预处理1文本预处理及其作用文本语料在输送给模型钱一般需要一系列的预处理工作才能符合模型输入的要求,如将文本转化成模型需要的张
- Day 6 真假美猴王:AI质检的“火眼金睛”与“乌龙大赏”--美的AI质检员一夜“开除”50名老师傅!只因发现肉眼看不见的0.01mm致命气泡!
泛泛不谈
智能制造暗黑进化史制造经验分享
目录一、血腥开场:微波炉内胆的“隐形杀手”二、死亡案例:AI把工人影子当“缺陷”三、AI质检段位表:从“睁眼瞎”到“钛合金眼”四、乐高教学:3步训练“AI质检员”五、装逼话术实战指南六、专业名词扫盲:AI质检黑话手册1.GAN(造假大师)2.数据增强(AI的“PS术”)3.F1Score(AI的“考试成绩”)4.迁移学习(AI的“抄作业”)5.边缘计算(AI的“现场办案”)课堂小结:AI质检是什么
- 人工智能训练师如何做业务数据处理?
小宝哥Code
人工智能训练师人工智能python机器学习
以下是人工智能训练师处理业务数据的完整技术方案,结合Python代码示例和最佳实践:一、业务数据处理核心流程graphTDA[数据理解]-->B[数据清洗]B-->C[特征工程]C-->D[数据分割]D-->E[数据增强]E-->F[数据存储]二、关键步骤与Python实现1.数据理解与探索importpandasaspdimportsweetvizassv#加载数据df=pd.read_csv(
- MobileNetV2: Inverted Residuals and Linear Bottlenecks
TAICHIFEI
Paper人工智能计算机视觉
Link:https://arxiv.org/abs/1801.04381这篇文章是一篇关于MobileNetV2的学术论文,主要介绍了MobileNetV2的架构设计及其在图像分类、目标检测和语义分割任务中的应用。以下是对这些核心内容的简要概述:MobileNetV2架构设计:提出了一种新的神经网络模块——倒残差结构(InvertedResiduals),其中的快捷连接位于瓶颈层之间。使用轻量级
- 一、TensorFlow的建模流程
李建军
TensorFlowtensorflow人工智能python
1.数据准备与预处理:加载数据:使用内置数据集或自定义数据。预处理:归一化、调整维度、数据增强。划分数据集:训练集、验证集、测试集。转换为Dataset对象:利用tf.data优化数据流水线。importtensorflowastffromtensorflow.kerasimportlayers#加载MNIST数据集(x_train,y_train),(x_test,y_test)=tf.kera
- 第17节课:搜索引擎优化(SEO)——提升网站可见度的策略
学问小小谢
HTML学习笔记搜索引擎html学习前端交互html5
目录SEO的重要性元数据:网站的门面``标签``标签``标签内容可访问性结构化数据如何使用结构化数据实践:优化您的网站以提高SEO示例:优化网页标题和描述示例:使用结构化数据增强SEO结语在互联网信息泛滥的时代,确保你的网站能够被搜索引擎正确索引并排名靠前是至关重要的。搜索引擎优化(SEO)是一系列技术和策略的集合,旨在提高网站在搜索引擎结果页面(SERP)中的排名。本节课将探讨SEO的基础,包括
- 基于深度学习的物体分割技术:从理论到实践
人工智能_SYBH
深度学习人工智能神经网络机器学习lstm
1.引言物体分割(ObjectSegmentation)是计算机视觉中的一项核心任务,其目标是将图像中的不同物体或区域分离出来,通常分为语义分割和实例分割两种类型。随着深度学习的迅猛发展,尤其是卷积神经网络(CNN)的应用,物体分割技术已取得了显著的进展。它被广泛应用于医学影像分析、自动驾驶、视频监控、机器人感知等领域。在本篇博客中,我们将深入探讨基于深度学习的物体分割技术,介绍其发展历程、核心原
- 使用 Python 的 LSTM 进行股市预测
无水先生
数据分析深度学习人工智能综合pythonlstm开发语言
目录一、说明二、为什么需要时间序列模型?三、下载数据3.1从Alphavantage获取数据3.1从Kaggle获取数据3.3数据探索3.4数据可视化四、将数据拆分为训练集和测试集五、数据标准化六、通过平均进行一步预测6.1标准平均值6.2指数移动平均线6.3如果指数移动平均线这么好,为什么还需要更好的模型?6.4预测未来不止一步七、LSTM简介:预测未来的股票走势7.1数据生成器7.2数据增强7
- 深度学习模型在汽车自动驾驶领域的应用
eso1983
深度学习汽车自动驾驶
汽车自动驾驶是一个高度复杂的系统,深度学习和计算技术在其中扮演核心角色。今天简单介绍一下自动驾驶领域常用的深度学习模型及其计算原理的解析。1.深度学习模型分类及应用场景1.1视觉感知模型CNN(卷积神经网络)应用:图像分类、物体检测(车辆、行人、交通标志)、语义分割(道路、车道线)。典型模型:YOLO:实时目标检测,低延迟特性适合自动驾驶。MaskR-CNN:结合检测与像素级分割,用于精确场景理解
- DeepSeek V3 模型微调(SFT)技术详解
zhangjiaofa
大模型DeepSeek模型微调
DeepSeekV3模型微调(SFT)技术详解目录引言背景知识2.1深度学习与预训练模型2.2微调(Fine-tuning)的概念2.3监督微调(SupervisedFine-tuning,SFT)DeepSeekV3模型概述3.1模型架构3.2预训练任务3.3模型性能监督微调(SFT)技术详解4.1数据准备4.1.1数据收集与清洗4.1.2数据标注4.1.3数据增强4.2模型初始化4.2.1预训
- [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