- webmsxyw x-s分析
考古学家lx(李玺)
爬虫案例合集javascript前端html
近期又更新了,先是改了x-s生成,然后又加上了a1校验。后面可能会全参校验,比如再加上gid、deviceId、profileData、x-s-common、smidV2之类。估计以后不能写了,大家且看且珍惜吧。之前相关的文章都被下架了危!文章目录X-swindow._webmsxywShanksdecode_garp_dc33b补环境X-s生成流程坑备注JS代码Python请求X-s还是先找x-
- pythonmatplotlib绘图小提琴_Matplotlib提琴图
weixin_39797393
小提琴图类似于箱形图,除了它们还显示不同值的数据的概率密度。这些图包括数据中位数的标记和表示四分位数范围的框,如标准框图中所示。在该箱图上叠加的是核密度估计。与箱形图一样,小提琴图用于表示跨不同“类别”的可变分布(或样本分布)的比较。小提琴图形比普通图形更具信息性。事实上,虽然箱形图仅显示平均值/中位数和四分位数范围等汇总统计量,但小提琴图显示了数据的完整分布。importmatplotlib.p
- MicrobeCensus:快速估计宏基因组数据中的平均基因组大小
邪恶的凹凸曼
笔记算法
MicrobeCensus:快速估计宏基因组数据中的平均基因组大小在微生物组学研究中,了解微生物群落的平均基因组大小(AGS)对于揭示群落结构和功能至关重要。今天,我将为大家介绍一个非常实用的工具——MicrobeCensus。它能够从宏基因组数据中快速估计微生物群落的平均基因组大小,帮助我们更好地理解微生物群落的组成和功能。接下来,我将详细分享如何安装和使用这个强大的工具。一、为什么选择Micr
- 【25年新算法】DOA-LSSVM梦境优化算法优化最小二乘支持向量机回归预测,DOA-LSSVM回归预测,多变量输入模型。梦境优化算法(DOA)-2025年3月SCI一区新算法,该算法结合了一个基
智能算法及其模型预测
支持向量机回归算法
【25年新算法】DOA-LSSVM梦境优化算法优化最小二乘支持向量机回归预测,DOA-LSSVM回归预测,多变量输入模型。梦境优化算法(DOA)-2025年3月SCI一区新算法,该算法结合了一个基本的记忆策略,一个遗忘和补充策略,以平衡探索和利用,值得一试!该成果由YifanLang于2025年3月发表在SCI一区Top期刊《ComputerMethodsinAppliedMechanicsand
- 【深度学习】Adam优化器
九筠
机器学习深度学习人工智能
目录1什么是Adam1.1基本概念1.2Adam的数学理解1.2.1计算一阶矩估计(mean)1.2.2计算二阶矩估计(uncenteredvariance)1.2.3矫正一阶矩估计(mean)和二阶矩估计(uncenteredvariance)的偏差1.2.4更新模型参数1.3Adam的简单理解2Adam优化算法怎么用2.1导入所需的库和模块2.2定义模型和损失函数2.3定义优化器2.4在训练循
- YOLOv11快速上手:如何在本地使用TorchServe部署目标检测模型
SYC_MORE
YOLOv11系列教程:模型训练优化与部署全攻略TorchServeYOLOv11教程模型部署与推理TorchServe应用目标检测模型训练YOLO模型导出
引言YOLOv11是最新的目标检测模型,以其高效和准确著称,广泛应用于图像分割、姿态估计等任务。本文将详细介绍如何使用YOLOv11训练你的第一个目标检测模型,并通过TorchServe在本地进行部署,实现模型的快速推理。环境准备在开始之前,确保你的开发环境满足以下要求:Python版本:3.8或以上PyTorch:1.9或以上CUDA:如果使用GPU,加速训练和推理TorchServe:用于模型
- 清影2.0(AI视频生成)技术浅析(四):计算机视觉(CV)
爱研究的小牛
AIGC—视频AIGC——图像AIGC—计算机视觉人工智能音视频AIGC深度学习机器学习
清影2.0是一个基于人工智能的视频生成平台,其核心计算机视觉(CV)技术包括图像处理与增强、动作捕捉与平滑等。这些技术通过深度学习、生成对抗网络(GAN)、光流估计等方法,实现了高质量的视频生成和编辑。1.清影2.0概述清影2.0的核心目标是通过计算机视觉技术生成高质量的视频内容,其主要功能包括:图像处理与增强:提升视频帧的质量和清晰度。动作捕捉与平滑:捕捉视频中的动作并生成平滑的过渡。2.图像处
- Git通讲-第四章:Git的未来与我的感悟
焦糖酒
Git通讲git
前言这估计就是本系列的最后一篇文章了,我将在这篇中为系列做个总结,探讨一下git的未来,分享下我洋洋洒洒写了这么多篇文章下来的个人感悟。Git的未来Git不仅是一个强大且灵活的分布式版本控制系统,而且在过去的十几年中不断发展。其未来发展方向体现在两大方面:核心功能的改进和与生态系统中其他工具的整合。Git的持续发展随着技术的发展和用户需求的变化,Git的开发者们不断对其进行优化和扩展。比如,近年来
- 【CCM-SLAM论文阅读笔记】
随机取名字
协同SLAM论文阅读slam
CCM-SLAM论文阅读笔记整体框架结构如图所示:单智能体只负责采集图像数据,运行实时视觉里程计VO以估计当前位姿和环境地图,由于单智能体计算资源有限,负责生成的局部地图只包含当前N个最近的关键帧。服务器负责地图管理、地点识别、地图融合和全局BA优化。所有局部地图使用本地里程计框架,地图信息在从一个本地里程计到另一个本地里程计框架的相对坐标中进行交换。CCM-SLAM不假设任何关于智能体初始位置的
- Spark MLlib中的机器学习算法及其应用场景
Java资深爱好者
深度学习推荐算法
SparkMLlib是ApacheSpark框架中的一个机器学习库,提供了丰富的机器学习算法和工具,用于处理和分析大规模数据。以下是SparkMLlib中的机器学习算法及其应用场景的详细描述:一、SparkMLlib中的机器学习算法分类算法:逻辑回归:用于二分类问题,通过最大化对数似然函数来估计模型参数。支持向量机(SVM):用于分类和回归问题,通过寻找一个超平面来最大化不同类别之间的间隔。决策树
- 高并发技巧-redis热key问题处理技巧
小二上酒8
java开发语言redis缓存数据库
热key问题,简单来说就是对某一资源的访问量过高问题,再简单一点来说就是对某个资源访问的qps过高,而解决访问量高的问题通常我们使用分布式缓存,最常见的就是redis,这个资源对应redis的一个key简称热key。热key在开发中是非常常见的,比如各种app的榜单,活动页面上的一些资源。虽然redis号称单节点能扛住10Wqps,但是开发中肯定不能这样去估计,毕竟安全第一,比如5000似乎就可能
- 【机器学习】向量化使得简单线性回归性能提升
若兰幽竹
机器学习机器学习线性回归人工智能
向量化使得简单线性回归性能提升一、摘要二、向量化运算概述三、向量化运算在简单线性回归中的应用四、性能测试与结果分析一、摘要本文主要讲述了向量化运算在简单线性回归算法中的应用。通过回顾传统for循环方式实现的简单线性回归算法,介绍了如何通过最小二乘法计算a的值。然而,这种方式在计算性能上存在效率较低的问题。为了提高性能,视频引入了向量化运算的概念,即将计算过程从循环方式转变为向量之间的计算。通过向量
- 25/2/16 <算法笔记> DirectPose
青椒大仙KI11
视觉计算机视觉
DirectPose是一种直接从图像中预测物体的6DoF(位姿:6DegreesofFreedom)姿态的方法,包括平移和平面旋转。它在目标检测、机器人视觉、增强现实(AR)和自动驾驶等领域中具有广泛应用。相比于传统的位姿估计方法,DirectPose试图简化复杂的处理流程,采用端到端的方式直接从图像中输出位姿参数。1.DirectPose是什么?DirectPose是一种端到端的神经网络方法,旨
- Matlab 点云移动最小二乘法(MLS)
大鱼BIGFISH
点云数据处理matlab最小二乘法点云移动最小二乘法(MLS)
文章目录一、简介二、实现代码三、实现效果参考文献一、简介我们要明白MLS是想用一组基函数来局部近似我们的目标函数,它非常类似于我们所学的泰勒公式,只不过它是基于局部的。这里我们以一维的MLS为例,其具体的原理如下所述:假设Ω为范数向量空间,而u为Ω内场变量的标量。为了形成一个近似函数uau^au
- r语言 面板数据回归_R语言 之回归分析
你的麦克疯
r语言面板数据回归
回归分析(regressionanalysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛,下列表格向我们展示了回归的不同类型以及其用途。本章为R语言回归分析之上部分,主要向读者们展示如何运用R语言完成ols(普通最小二乘)回归:简单线性回归、多项式回归、多元线性回归的语言编程示例,以及检验回归分析中统计假设的方法。回归类型用途简单线性用一个量化的解释变量来预测一
- 一文读懂MUSIC算法DOA估计的数学原理并仿真
迎风打盹儿
阵列信号处理MUSIC算法DOA估计阵列信号处理信号子空间噪声子空间
一文读懂MUSIC算法DOA估计的数学原理并仿真文章目录前言一、DOA估计基本原理二、MATLAB仿真总结前言MUSIC(MultipleSignalClassification)算法于1979年由R.O.Schmidt提出,是阵列信号处理中广泛应用的经典DOA(DirectionofArrival)估计算法,凭借其超分辨的估计性能受到广泛关注。本文将从数学公式推导的角度出发系统阐述MUSIC算法
- 基于MUSIC算法的DOA估计Matlab仿真
fpga和matlab
★MATLAB算法仿真经验板块1:通信与信号处理matlabMUSIC算法DOA估计
up目录一、理论基础二、核心程序三、测试结果一、理论基础阵列信号处理是信号处理领域内的一个重要分支,在近些年来得到了迅速发展。波达方向(DirectionofArrival,DOA)估计是阵列信号处理的一个重要的研究领域,在雷达、通信、声纳、地震学等领域都有着广泛的应用前景。在DOA估计的发展过程中,人们对高分辨DOA估计算法一直有很大的研究兴趣,并在这一领域取得了很多重要的进展。阵列信号处理主要
- 在瑞芯微RK3588平台上使用RKNN部署YOLOv8Pose模型的C++实战指南
机 _ 长
YOLO系列模型有效涨点改进深度学习落地实战YOLOc++开发语言
在人工智能和计算机视觉领域,人体姿态估计是一项极具挑战性的任务,它对于理解人类行为、增强人机交互等方面具有重要意义。YOLOv8Pose作为YOLO系列中的新成员,以其高效和准确性在人体姿态估计任务中脱颖而出。本文将详细介绍如何在瑞芯微RK3588平台上,使用RKNN(RockchipNeuralNetworkToolkit)框架部署YOLOv8Pose模型,并进行C++代码的编译和运行。注本文全
- YOLOv8 Pose使用RKNN进行推理
い不靠譜︶朱Sir
实用项目部署YOLO人工智能pythonlinuxpip
关注微信公众号:朱sir的小站,发送202411081即可免费获取源代码下载链接一、简单介绍YOLOv8-Pose是一种基于YOLOv8架构的姿态估计模型,能够识别图像中的关键点位置,这些关键点通常表示人体的关节、特征点或其他显著位置。该模型在COCO关键点数据集上训练,适合多种姿势估计任务。二、ONNX推理1.首先需要先将Pytorch模型转换为Onnx模型,下载pt模型这里给出官方的权重下载地
- 使用rknn进行yolo11-pose部署
点PY
深度学习模型部署pytorch深度学习人工智能
文章目录概要生成ONNX生成RKNN实测效果概要使用RKNN进行YOLOv11Pose部署的必要性在于,RKNN能将YOLOv11Pose模型转化为适合Rockchip硬件平台(如RV1109、RV1126)执行的格式,充分利用其AI加速功能,显著提高推理速度和效率。此外,RKNN提供模型优化(如量化)功能,有助于减少计算资源消耗,提升实时处理能力,特别适合在嵌入式设备上进行高效、低功耗的姿态估计
- 线性回归理论
狂踹瘸子那条好脚
python
###线性回归与Softmax回归####线性回归线性回归是一种用于估计连续值的回归方法。它的应用场景非常广泛,比如在房地产市场中,参观一个房子后,我们可以通过线性回归模型来估计房子的价格,从而决定出价。线性回归的核心思想是通过训练数据来学习参数,使得模型的预测值与真实值之间的差异最小化。在神经网络中,线性回归可以看作是一个单层神经网络。通过损失函数来衡量预测值与真实值之间的差异,常用的损失函数包
- MapEX - Mind the map! Accounting for existing maps when estimating online HDMaps from sensors.
zisuina_2
python深度学习3d
MapEX加入地图编码的MAP检测论文链接MapEX背景与动机:HD地图的重要性与高成本:HD地图是自动驾驶的关键组成部分,但其采集和维护成本极高。现有方法的局限性:现有方法主要依赖传感器数据生成HD地图,但通常忽略了已有的HD地图资源。当前方法最多只是对低质量地图进行地理定位或使用通用的已知地图数据库,效率和效果都有限。提出的解决方案:充分利用现有地图:在HD地图估计中引入现有HD地图资源,具体
- 腿足机器人之五- 粒子滤波
shichaog
腿足机器人机器人
腿足机器人之五粒子滤波直方图滤波粒子滤波上一篇博客使用的是高斯分布结合贝叶斯准则来估计机器人状态,本篇是基于直方图和粒子滤波器这两种无参滤波器估计机器人状态。直方图方法将状态空间分解成有限多个区域,并用直方图表示后验概率。直方图为每个区域分配一个单独的累积概率;可以将其视为对连续密度函数的逐段常数近似。第二种技术通过有限多个样本来表示后验概率。由此产生的滤波器被称为粒子滤波器,在某些机器人问题中获
- OpenCV的卡尔曼滤波器:实现和应用
雪域Code
opencv人工智能计算机视觉C/C++
OpenCV的卡尔曼滤波器:实现和应用卡尔曼滤波器(Kalmanfilter)是一种最优估计的算法,在众多领域有着广泛的应用,如控制系统、通信系统、机器人等。OpenCV作为一个计算机视觉库,也提供了对卡尔曼滤波器的支持。本文将介绍OpenCV中卡尔曼滤波器的基本原理、实现方法以及在图像处理中的应用。一、卡尔曼滤波器简介卡尔曼滤波器是一种用于状态估计和信号滤波的算法,主要针对线性、高斯分布的系统。
- RNA-seq 差异分析的细节详解 (8)
后端
引言本系列将开展全新的转录组分析专栏,主要针对使用DESeq2时可能出现的问题和方法进行展开描述。想要学习更多内容可以添加文末的学习交流群或客服QQ:941844452。Wald检验的各个步骤DESeq函数依次运行以下函数:dds<-estimateSizeFactors(dds)dds<-estimateDispersions(dds)dds<-nbinomWaldTest(dds)用于估计尺寸
- Pytorch实现之在LSGAN中结合重建损失
这张生成的图像能检测吗
GAN系列优质GAN模型训练自己的数据集pytorch人工智能python
简介简介:这篇论文在LSGAN的基础上结合了重建损失来产生通过传统不良数据检测(BDD)机制的人工测量。这篇博客的主要内容是关于实现了重建损失与LSGAN的结合。论文题目:FalseDataInjectionAttacksBasedonLeastSquaresGenerativeAdversarialNetworkswithReconstructionLoss(基于重构损失最小二乘生成对抗网络的虚
- 用nodejs后端接收微信小程序上传的图片并转储
芙老哥
node.js微信小程序后端
记录一下毕设制作过程中遇到的问题和解决方法(1)需求:点击头像选择图片进行上传,图片存储到云服务器的images子目录下方法:wxml文件这个没什么好说的,就一个view组件加上点击事件就好(要是这都不会估计也不会直接搜我这个文章页面的js文件wx.chooseMedia的官方文档(wx.chooseMedia(Objectobject)|微信开放文档(qq.com)wx.uploadFile的官
- AWS Solutions Architect Associate 备考大纲
apa45866
数据库
脑子一热决定学个AWS的证书。以下是Lynda.com的培训课程给出的学习大纲,我参考了一下别的学习资料,感觉靠谱,于是整理出来贴在这里。太长不看版:AWS最主要的4个服务类别是Storage,Compute,Database和Network。其中Storage和Compute的各项服务是SolutionsArchitect考试的重中之重。EC2和IAM估计是考的最多的。下面给出各个服务类别的考试
- 用realsense d435i传感器在实际环境中跑ORB_SLAM3,顺带解决一部分编译问题
睫力上爬
SLAM日常折腾传感器ORB_SLAM3
是的ORB_SLAM3来了,时隔五年,它来带的惊喜到底是啥呢?一个完全依赖于最大后验估计(MAP)的单/双目惯导融合系统高回召的地点识别功能(High-recallplacerecognition)第一个完整的多地图系统(multi-map)一个抽象的相机模型表示论文地址论文细节今天不说,今天主要先拿到代码,并且用自己的传感器试试实际效果编译终端拉代码记得提前安装好OpenCV,Eigen,和Pa
- 【NTN 卫星通信】聊聊低轨卫星通信
一只好奇的猫2
NTN卫星通信5G
NTN,非对地网络一般指卫星通信系统,最近两年开始比较热门的一个通讯系统。包括国外和国内都在推进研发中。国外的包括马斯克的StarLink、美国另外一个公司的OneWeb等都在推动低轨卫星网络的发展。国内最近2年也在研发中,一些大型的卫星通信研究所,大型的通信设备供应商等都在加紧研发,估计2-3年后会开始商用。NTN的几个大的形态1、从卫星轨道的高度看,可以分为高轨卫星,地球同步卫星和低轨卫星,高
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/pwd@192.168.0.5:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理