- 自学人工智能大模型,满足7B模型的训练和微调以及推理,预算3万,如何选购电脑
岁月的眸
人工智能
如果你的预算是3万元人民币,希望训练和微调7B参数规模的人工智能大模型(如LLaMA、Mistral等),你需要一台高性能的深度学习工作站。在这个预算范围内,以下是推荐的配置:1.关键硬件配置(1)GPU(显卡)推荐显卡:NVIDIARTX4090(24GBVRAM)或者RTX3090(24GBVRAM)理由:7B模型推理:24GB显存足够跑7B模型的推理,但全参数训练可能吃力,适合LoRA等微调
- 多模态大模型(LMMs)与大语言模型(LLMs)的比较
大F的智能小课
底层技术解析人工智能语言模型
前言现在的大模型分为两大类:大语言模型(LargeLanguageModels,简称LLMs)和多模态大模型(LargeMultimodalModels,简称LMMs)。本文将从基础定义、输入数据、应用场景、训练过程这几方面讨论下两者的区别。基础定义LLMs(LargeLanguageModels,大型语言模型)-深度学习的应用之一,是基于深度学习的大规模机器学习模型,通常由数十亿到数万亿个参数构
- 【学术投稿-2025年计算机视觉研究进展与应用国际学术会议 (ACVRA 2025)】CSS样式解析:行内、内部与外部样式的区别与优先级分析
禁默
前端学术会议css前端
简介2025年计算机视觉研究进展与应用(ACVRA2025)将于2025年2月28-3月2日在中国广州召开,会议将汇聚世界各地的顶尖学者、研究人员和行业专家,聚焦计算机视觉领域的最新研究动态与应用成就。本次会议将探讨前沿技术,包括深度学习、多模态学习、图像和视频分析、3D重建等,以及其在智能交通、医疗影像、增强现实和自动化等多个实际应用中的创新转化。会议官网:www.acvra.org目录前言一、
- 小白零基础学习深度学习之张量
爱理科的小王子
学习深度学习人工智能
1.张量PyTorch中的张量(Tensor)就是一种用来存储数据的“盒子”,这个盒子可以有不同的形状和大小,里面可以装各种数字。张量是PyTorch中最基本的东西,就像乐高积木一样,你可以用它来搭建各种复杂的模型。2.张量的用途存储数据:你可以把张量当作一个容器,用来存储各种数据。比如,一张图片可以用一个三维张量来表示,其中第一维是颜色通道(红、绿、蓝),第二维和第三维是图片的宽度和高度。进行计
- 深度学习-情感分析
小赖同学啊
人工智能深度学习人工智能
以下将分别使用PyTorch和TensorFlow框架实现基于深度学习的情感分析,这里以影评的情感分析为例,数据集使用IMDB影评数据集。使用PyTorch实现1.安装必要的库pipinstalltorchtorchtextspacypython-mspacydownloaden_core_web_sm2.代码实现importtorchimporttorch.nnasnnimporttorch.o
- 【深度学习】常见模型-GPT(Generative Pre-trained Transformer,生成式预训练 Transformer)
IT古董
深度学习人工智能深度学习gpttransformer
GPT(GenerativePre-trainedTransformer)1️⃣什么是GPT?GPT(GenerativePre-trainedTransformer,生成式预训练Transformer)是由OpenAI开发的基于Transformer解码器(Decoder)的自回归(Autoregressive)语言模型。它能够通过大量无监督数据预训练,然后微调(Fine-tuning)以适应特
- DeepSeek 实现原理探析
rockmelodies
人工智能aideepseek深度学习
DeepSeek实现原理探析引言DeepSeek是一种基于深度学习的智能搜索技术,它通过结合自然语言处理(NLP)、信息检索(IR)和机器学习(ML)等多领域的技术,旨在提供更加精准、智能的搜索结果。本文将深入探讨DeepSeek的实现原理,分析其核心技术及其在实际应用中的表现。一、DeepSeek的核心技术自然语言处理(NLP)词嵌入(WordEmbedding):DeepSeek使用如Word
- 深度学习视频教程推荐
yunTrans
DeepLearning深度学习视频神经网络
推荐一个深度学习视频教程,中文,推导详细。老先生娓娓道来,将神经网络、深度学习讲的非常透彻。由复旦大学吴立德老师教授的课程:http://www.youku.com/playlist_show/id_21508721.html
- 基于深度学习的商品推荐
SEU-WYL
深度学习dnn深度学习人工智能dnn
基于深度学习的商品推荐系统利用深度学习技术对用户的行为和商品的特征进行分析和建模,从而向用户推荐最相关的商品。这类系统在电子商务、社交媒体和内容推荐等领域中具有广泛应用。以下是对这一领域的系统介绍:1.任务和目标商品推荐系统的主要任务和目标包括:个性化推荐:根据用户的兴趣和行为,向用户推荐个性化的商品列表。提高用户体验:通过精准推荐,提高用户的购物体验和满意度。增加销售额:通过推荐相关商品,增加用
- 常见的深度学习模型总结
编码时空的诗意行者
深度学习人工智能
1.深度前馈神经网络(DeepFeedforwardNetworks)发明时间:2006年左右,随着计算能力的提升和大数据集的可用性增加,深度学习开始兴起。发明动机:解决传统机器学习模型在复杂数据上的局限性,如线性模型无法处理非线性关系的数据。模型特点:由多个隐藏层组成的神经网络,每一层的节点与下一层的节点完全连接。应用场景:分类、回归、语音识别、图像识别等。2.卷积神经网络(Convolutio
- 深度学习 视频推荐
小赖同学啊
人工智能深度学习音视频人工智能
以下为你呈现一个基于深度学习实现视频推荐的简化代码示例。这里我们使用的是协同过滤思想结合神经网络的方式,借助TensorFlow和Keras库来构建模型。在这个示例中,假设已有用户对视频的评分数据,目标是预测用户对未评分视频的评分,进而为用户推荐可能感兴趣的视频。1.环境准备要确保你已经安装了必要的库,如numpy、pandas、tensorflow等,可以使用以下命令进行安装:pipinstal
- 23、深度学习-自学之路-激活函数relu、tanh、sigmoid、softmax函数的正向传播和反向梯度。
小宇爱
深度学习-自学之路深度学习人工智能
在使用这个非线性激活函数的时候,其实我们重点还是学习的是他们的正向怎么传播,以及反向怎么传递的。如下图所示:第一:relu函数的正向传播函数是:当输入值(隐藏层)值大于了,就输出自己本身的值。反向梯度传播:当输出值大于0,那么反向梯度值就等于输出值乘以1如果小于0,那反向梯度值就等于0.通俗的来说就是,如果输入值是0或小于0,那么输出值的反向增强就没有。如果输入值大于0,那么输出值的方向增强就有。
- 基于深度学习的半导体检测与预测算法研究(二)
埃菲尔铁塔_CV算法
深度学习人工智能神经网络opencv计算机视觉python
摘要随着半导体行业的飞速发展,对生产过程中的检测和性能预测提出了更高要求。深度学习凭借其强大的数据处理和特征提取能力,在半导体领域展现出巨大的应用潜力。本文详细探讨了深度学习在半导体缺陷检测、工艺参数预测等方面的应用原理和方法,介绍了常见的深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)及其变体在半导体数据处理中的应用,分析了模型训练与优化的关键技术,并通过实际案例验证了深度学习算法在
- 基于深度学习的半导体算法原理及应用
埃菲尔铁塔_CV算法
算法机器学习人工智能计算机视觉深度学习python
摘要随着半导体产业的持续发展,深度学习技术在该领域的应用日益广泛且深入。本文全面阐述了基于深度学习的半导体算法原理,涵盖卷积神经网络(CNN)、循环神经网络(RNN)及其变体长短时记忆网络(LSTM)和门控循环单元(GRU)等在半导体制造过程监测、缺陷检测、性能预测等方面的应用。详细分析了这些算法处理半导体相关数据的机制,探讨了算法实现中的关键技术,如数据预处理、模型训练与优化等。通过实际案例展示
- 计算机视觉国内外研究现状(综述)
埃菲尔铁塔_CV算法
计算机视觉
1.国内外研究进展1.2.1特征提取研究进展特征提取是图像处理的一个重要环节,是进行身份识别和行为识别的重要部分。近年来,针对不同特征的提取,国内外学者提出了许多特征提取算法,同样特征提取的效果大都不错。但是在复杂的猪舍环境中提取猪的特征还是比较困难的。下面针对几种目前常用的特征提取算法进行一些介绍。(1)传统的特征提取算法传统特征提取算法已经发展了很久,现阶段比较成熟,是深度学习算法出来之前研究
- 联想Y7000 2024版本笔记本 RTX4060安装ubuntu22.04双系统及深度学习环境配置
七七@你一起学习
深度学习python
目录1..制作启动盘2.Windows磁盘分区,删除原来ubuntu的启动项3.四个设置4.安装ubuntu5.ubuntu系统配置1..制作启动盘先下载镜像文件,注意版本对应。Rufus-轻松创建USB启动盘用rufus制作时,需要注意选择正确的分区类型和系统类型。不然安装的系统会有问题!2.Windows磁盘分区,删除原来ubuntu的启动项手把手教你调整电脑磁盘的分区大小_调整分区大小-CS
- 精通LangChain:如何使用Unstructured处理多种格式的图像文档
hshahtjtbh
langchainpython
#引言随着人工智能和深度学习的快速发展,文档图像分析(DocumentImageAnalysis,DIA)在许多领域中变得至关重要。然而,处理多种图像格式的文档仍然是一个挑战。本文将介绍如何使用Unstructured库,通过LangChain框架加载和处理多种格式的图像文档,帮助您在DIA任务中实现更高效的工作流程。#主要内容##安装Unstructured在开始之前,确保安装了Unstruct
- 【人工智能】Python中的深度学习优化器:从SGD到Adam
蒙娜丽宁
Python杂谈人工智能人工智能python深度学习
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在深度学习模型的训练过程中,优化器起着至关重要的作用,它决定了模型的收敛速度以及最终的性能。本文将介绍深度学习中常用的优化器,从传统的随机梯度下降(SGD)到现代的自适应优化器(如Adam)。我们将深入探讨每种优化器的原理、优缺点,并通过Python实现
- 大语言模型的分类及本地部署所需的硬件配置要求
Kelaru
LLM基础知识语言模型分类人工智能
1、大语言模型概念及作用大语言模型:(LargeLanguageModel,LLM)是一种基于深度学习的人工智能模型,它能够理解和生成自然语言[1]。简单来说,它就像一个“超级大脑”,能够处理各种语言任务,比如写文章、回答问题、翻译语言等;它通过训练大量的文本数据,学习语言的结构、语法、语义以及上下文关联,从而能够理解和生成与人类语言相似的文本。举个例子:如果你问它一个问题,比如:“为什么天空是蓝
- 深度学习练手小例子——cifar10数据集分类问题
☆cwlulu
深度学习分类人工智能
CIFAR-10是一个经典的计算机视觉数据集,广泛用于图像分类任务。它包含10个类别的60,000张彩色图像,每张图像的大小是32x32像素。数据集被分为50,000张训练图像和10,000张测试图像。每个类别包含6,000张图像,具体类别包括:飞机(airplane)汽车(automobile)鸟(bird)猫(cat)鹿(deer)狗(dog)青蛙(frog)马(horse)船(ship)卡车
- 毕设项目 基于深度学习的人脸表情识别(源码+论文)
nange12330a
毕业设计毕设大数据
文章目录0前言1项目运行效果2技术介绍2.1技术概括2.2目前表情识别实现技术3深度学习表情识别实现过程3.1网络架构3.2数据3.3实现流程3.4部分实现代码4最后0前言这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计
- Java也能玩转机器学习?从零搭建你的第一个模型
prince_zxill
人工智能与机器学习教程java机器学习开发语言人工智能边缘计算
Java也能玩转机器学习?从零搭建你的第一个模型引言:一、打破认知:Java也能玩转机器学习1.1为什么选择Java?1.1.1无缝集成1.1.2JVM的跨平台优势1.1.3高性能计算能力1.1.4多线程与分布式计算1.2主流Java机器学习库全景1.2.1基础数值计算库1.2.2传统机器学习框架1.2.3深度学习生态1.2.4特殊领域工具1.3企业级机器学习架构1.3.1典型技术栈组合1.3.2
- 基于深度学习YOLOv5的海洋动物检测系统
深度学习&目标检测实战项目
深度学习YOLO目标跟踪人工智能目标检测计算机视觉
1.引言随着人工智能技术的快速发展,深度学习在图像处理领域的应用逐渐展现出强大的能力,尤其是在目标检测任务上。YOLO(YouOnlyLookOnce)系列模型作为一种高效的目标检测算法,以其实时性和高精度在许多领域得到了广泛应用。海洋动物的检测任务也因此受益,借助深度学习模型,我们可以实时、自动地检测海洋中的动物,有助于海洋生态研究、环境保护以及水下监测等多个领域。本文将详细介绍如何基于YOLO
- AI基础 -- AI学习路径图
sz66cm
人工智能学习
人工智能从数学到大语言模型构建教程第一部分:AI基础与数学准备1.绪论:人工智能的过去、现在与未来人工智能的定义与发展简史从符号主义到统计学习、再到深度学习与大模型的变迁本书内容概览与学习路径指引2.线性代数与矩阵运算向量与矩阵的基本概念矩阵分解(特征值分解、奇异值分解)张量运算简介(为后续深度学习做准备)在机器学习和深度学习中的应用示例3.概率论与统计基础随机变量、分布与期望方差贝叶斯理论与最大
- 【PyTorch】transpose() 和 permute() 函数:交换张量维度
彬彬侠
PyTorch基础transposepermute调整张量维度pytorchpython
在PyTorch中,transpose和permute都是用于调整张量维度的函数。它们在很多深度学习任务中非常有用,尤其是在处理张量维度和进行矩阵操作时。1.transpose函数transpose函数用来交换张量的两个维度。它接受两个参数,即需要交换的两个维度的索引。这个操作不会改变张量的数据本身,只是改变了张量的视图。语法torch.transpose(input,dim0,dim1)inpu
- 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
- 基于YOLOv5、YOLOv8和YOLOv10的车站行李监控系统:深度学习应用与实现
深度学习&目标检测实战项目
YOLO深度学习人工智能目标检测目标跟踪
引言在现代车站,行李监控是一项至关重要的安全任务。随着交通安全要求的不断提高,尤其是在车站等人流密集的场所,及时检测和识别行李不仅有助于防止行李遗失或误取,还能有效地减少潜在的安全威胁。传统的人工检查方法已经无法满足快速响应和高精度的需求,而基于深度学习的目标检测技术,特别是YOLO(YouOnlyLookOnce)系列算法,成为了高效解决此类问题的理想选择。YOLO系列算法(包括YOLOv5、Y
- 一个好玩的python库rembg,可以自行做成抠图工具,本文附上用法和模型
cocosgirl
python开发语言
rembg在图像处理领域,背景移除是一个常见且重要的任务。无论是电商平台的商品展示、社交媒体中的个性化头像生成,还是其他需要图像透明背景的场景,背景移除都扮演着关键角色。Python中的rembg库就是一个强大的工具,它基于深度学习技术,能够准确、快速地移除图像背景。本文详细介绍rembg库的安装、基本用法。Github仓库地址:github.com/danielgatis/rembg安装需求:p
- 【ai】李沐 动手深度学学v2 环境安装:anaconda3、pycharm、d2
等风来不如迎风去
AI入门与实战人工智能
cuda-toolkitcuda_12.5.0_windows_network.exe官方课程网站第二版资源下载release版本pycharm版本李沐【动手学深度学习v2PyTorch版】课程笔记CUDA选择11,实际下载12.5.0
- 使用rembg库提取图像前景(移除图像背景),并构建web应用
万里鹏程转瞬至
深度学习python库使用深度学习高级实践前端深度学习在线抠图
1、图像中的前景与背景在深度学习图像处理领域中,图像内容可以被定义为前景与背景两部分,其中感兴趣图形的被定义为前景,不感兴趣区域的背景。如在目标检测中,被框出来的目标则被定义为前景。此外,前景识别也可以理解外显著性识别,具体可以查看https://zhuanlan.zhihu.com/p/441836726。本博文所涉及的rembg库,就是基于显著性提取模型u2net所实现的。在传统图像处理中,前
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s