- AlexNet:开启深度学习图像识别新纪元
池央
深度学习人工智能
一、引言在深度学习的璀璨星空中,AlexNet无疑是一颗极为耀眼的明星。它于2012年横空出世,并在ImageNet竞赛中一举夺冠,这一历史性的突破彻底改变了计算机视觉领域的发展轨迹,让全世界深刻认识到深度卷积神经网络在图像识别任务中的巨大潜力,从而掀起了深度学习研究与应用的热潮。二、AlexNet网络架构详解(一)输入层AlexNet的输入图像通常为224x224x3的彩色图像。这一尺寸的确定是
- 拯救者电脑安装Windows和Ubuntu双系统遇到黑屏或者花屏问题的解决方法,亲测有效
我爱猪肉炖粉条
ubuntu深度学习
最近想在电脑上跑深度学习,有一定基础的都知道,ubuntu更适合gpu、apex以及其他加速的使用,如果在Windows上总是遇到各种各样的问题,所以我给电脑安装了双系统。装系统的过程此处忽略,随便找个教程都可以。总结一下就是在C盘压缩一定的空间(比如80G),然后通过U盘工具制作一个Ubuntu启动盘,把系统安装到压缩的那个盘里。我使用的电脑是拯救者R7000P,英伟达RTX2060,AMD处理
- 小白也能懂的 Python 入门指南(1)——Python 的前世今生
荆州克莱
面试题汇总与解析springcloudspringbootspring技术css3
Lifeisshort.YouneedPython.——BruceEckel上边这句话是Python社区的名言,翻译过来就是“人生苦短,我用Python”,由此可见,Python在很多人心中已成为最中意的编程语言。在人工智能、机器学习日趋火热的时代,Python又赶上了一波AI的热潮,即使你没系统的学习过它,相信你也一定听说过吧,如果你也对Python产生了浓厚的兴趣,跟我一起来了解下它的前世今生
- AI大模型
荆州克莱
面试题汇总与解析技术css3springcloudspringbootspring
系列简书文章目录https://www.jianshu.com/p/d47d5cdc8a3e本篇目录AI大模型什么是AI大模型AI大模型,通常指的是在人工智能领域中,特别是机器学习和深度学习范畴内,具有巨大参数量和复杂结构的模型。这些模型通过使用大规模数据集和先进的计算硬件进行训练,能够学习到数据中的复杂模式和特征,从而在多种任务上展现出卓越的性能。特点包括:参数量大:AI大模型的参数数量往往达到
- 迎接2025年:人工智能引领的新时代变革
海森大数据
人工智能
随着科技的飞速发展,我们正站在新时代的门槛上,准备迎接由人工智能(AI)驱动的深刻变革。美国《福布斯》杂志的一篇文章《人人都必须为2025年的十大人工智能趋势做好准备》为我们描绘了未来几年AI领域的壮丽图景。这些趋势不仅预示着技术的革新,更反映了我们如何适应和塑造这个由AI主导的新世界。一、到2025年,人工智能将不再是威胁人类工作的“冷面杀手”,而是成为增强人类能力的得力助手。通过与AI的紧密合
- 深度学习:从基础到实践(上、下册)(安德鲁·格拉斯纳)
fyjgfyjfg
深度学习人工智能
(pdf):python33+(0m深度学习概述:深度学习是机器学习的一个分支,它试图通过使用深层神经网络来模拟人脑的学习过程。随机性与基础统计学:在深度学习中,随机性起着重要作用,了解基础统计学有助于更好地理解深度学习中的随机过程和不确定性。训练与测试:深度学习模型的训练过程包括使用训练数据来优化模型参数,而测试过程则使用测试数据来评估模型的性能。过拟合与欠拟合:过拟合是指模型在训练数据上表现过
- AI代理的分类体系与发展路径:从概念重构到基础设施升级
XianxinMao
人工智能
目前AI代理的定义过于宽泛,需要更详细的分类以促进研究和应用的发展当前定义的宽泛性AI代理(AIAgents)作为人工智能领域的重要概念,涵盖了从简单的自动化工具到复杂的自主决策系统的广泛范围。然而,这种宽泛的定义带来了诸多问题:概念模糊:不同研究者和开发者对AI代理的理解存在差异,缺乏统一标准,导致交流和合作困难。研究方向不明确:宽泛的定义使得研究人员难以聚焦具体问题,影响研究的深度和效率。应用
- # 边缘计算的未来:推动实时智能化应用的关键技术 随着物联网(IoT)、5G和人工智能(AI)的发展,边缘计算正在成为推动智能化应用的重要技术之一。通过在设备本地或网络边缘进行数据处理,边缘计算能够
小zzzzzzzz
人工智能边缘计算物联网
边缘计算的未来:推动实时智能化应用的关键技术随着物联网(IoT)、5G和人工智能(AI)的发展,边缘计算正在成为推动智能化应用的重要技术之一。通过在设备本地或网络边缘进行数据处理,边缘计算能够减少延迟、降低带宽消耗,并在需要快速决策的场景中提供实时响应能力。与云计算相比,边缘计算能够在网络的“边缘”进行更多的智能处理,从而优化整体系统的效率和可靠性。本文将探讨边缘计算的核心概念、应用场景、未来发展
- 智能视界·大模型驱动视频矩阵管理系统
大霸王龙
python音视频矩阵服务器python大数据大模型
开头先配两张ER图一张不带字段,一张带字段,剩下的内容按需拿取1.产品介绍产品名称:智能视界·大模型驱动视频矩阵管理系统主要功能:智能视频分析与识别功能介绍:该系统集成先进的人工智能大模型,能够实时对视频流进行深度分析,自动识别场景中的人物、车辆、异常行为(如入侵、徘徊、遗留物等)及特定事件(如火灾、烟雾等)。通过精准识别与分类,有效减少误报率,提升安全监控效率。使用方式:用户可通过直观的操作界面
- DeepSeek Artifacts:前端开发的新利器
人工智能
DeepSeekArtifacts:前端开发的新利器人工智能领域创新不断,DeepSeekV3便是其中备受瞩目的工具之一。这款轻量级模型凭借在大语言模型(LLM)排行榜上的优异表现,以及亲民的价格和卓越的性能,在人工智能社区中广受关注。然而,它的姊妹工具DeepSeekArtifacts却因截然不同的缘由引发了热议。在本文中,我们将深入探究DeepSeekArtifacts。这是HuggingFa
- 《量子计算对人工智能发展的深远影响》
cc++人工智能深度学习
在科技发展的浪潮中,量子计算与人工智能无疑是两颗璀璨的明星,二者的融合正引领着一场深刻的科技变革.量子计算的独特之处在于其利用量子比特的叠加和纠缠特性,能够实现并行计算,从而在处理复杂问题时展现出超越传统计算的巨大潜力.这种强大的计算能力为人工智能的发展带来了诸多积极影响。加速机器学习训练机器学习,尤其是深度学习,通常需要处理海量数据和复杂的模型训练,耗时极长。量子计算的并行性可使训练过程大幅加速
- Python基于YOLOv8和OpenCV实现车道线和车辆检测
old_power
计算机视觉YOLOopencv计算机视觉python
使用YOLOv8(YouOnlyLookOnce)和OpenCV实现车道线和车辆检测,目标是创建一个可以检测道路上的车道并识别车辆的系统,并估计它们与摄像头的距离。该项目结合了计算机视觉技术和深度学习物体检测。1、系统主要功能车道检测:使用边缘检测和霍夫线变换检测道路车道。汽车检测:使用YOLOv8模型识别汽车并在汽车周围绘制边界框。距离估计:使用边界框大小计算检测到的汽车与摄像头的距离。2、环境
- 2024年诺贝尔奖揭晓:机遇与挑战并存
人工智能aigcopenai
ChatGPT竟然也不相信诺贝尔奖结果!2024年诺贝尔奖对科研领域来说是个重要的时刻。诺贝尔奖可谓是科学界的“奥斯卡”,每年的获奖者都会引起广泛关注。今年,瑞典皇家科学院公布,约翰·J·霍普菲尔德和杰弗里·E·辛顿荣获诺贝尔物理学奖,这个消息让不少人感到惊讶。诺贝尔物理学奖:意外的突破一次颁奖的震撼诺贝尔奖的官方网站指出,霍普菲尔德和辛顿因其在人工神经网络和机器学习领域的基础性研究而获奖。他们的
- 每天五分钟深度学习框架pytorch:快速搭建VGG网络的基础模块VGG块
每天五分钟玩转人工智能
深度学习框架pytorch深度学习pytorch网络卷积神经网络卷积层人工智能
本文重点前面我们介绍了VGG神经网络,我们知道VGG是由许多的VGG块构成,那么本文我们将使用pytorch搭建VGG块代码实现:importtorchfromtorchimportnndefvgg_block(num_convs,in_channels,out_channels):net=[nn.Conv2d(in_channels,out_channels,kernel_size=3,padd
- 探秘6-DoF GraspNet:面向对象操纵的变分抓取生成
庞锦宇
探秘6-DoFGraspNet:面向对象操纵的变分抓取生成项目地址:https://gitcode.com/gh_mirrors/py/pytorch_6dof-graspnet在人工智能和机器人领域,我们正逐步接近让机器模拟人类的手部动作,实现精准的六自由度(6-DoF)物体抓取。6-DoFGraspNet是一项革新性的技术,现在,这个强大的工具已有了PyTorch实现。本文将详细介绍这一开源项
- 微软:全球每天网络攻击超6亿次
FreeBuf-
资讯microsoft
《2024年微软数字防御报告》揭示了一个复杂的全球网络安全格局,每天发生超过6亿次网络攻击。报告强调了勒索软件、网络钓鱼和身份泄露事件的增加,以及网络犯罪团伙和国家行为者之间的合作。它强调了人工智能在攻击和防御中的重要作用,敦促组织采取主动的、多层次的策略来应对这些不断演变的威胁。核心观点每天有6亿次网络攻击针对微软客户。勒索软件攻击比去年增加了2.75倍。技术诈骗激增400%,每天发生超过10万
- ChatRec的实践:交互式推荐系统的进步
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
交互式推荐系统,Chat-Rec,对话推荐,自然语言处理,机器学习,用户行为分析,个性化推荐1.背景介绍推荐系统作为互联网时代的重要技术支柱,在电商、社交媒体、内容平台等领域发挥着至关重要的作用。传统的推荐系统主要依赖于用户历史行为数据,例如浏览记录、购买历史等,通过协同过滤、内容过滤等算法,预测用户潜在的兴趣并提供个性化推荐。然而,随着用户需求的不断变化和个性化的程度不断提高,传统的推荐系统面临
- AI如何帮助电商企业进行数据分析
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
电商数据分析,人工智能,机器学习,深度学习,推荐系统,预测模型,客户画像1.背景介绍在当今数字化时代,电商行业蓬勃发展,数据成为企业最重要的资产。电商企业每天都会产生海量的数据,包括用户行为、商品信息、交易记录等。如何有效地分析这些数据,挖掘其中的价值,对于电商企业的运营、营销和发展至关重要。传统的数据分析方法往往难以应对海量数据的处理和复杂分析需求,而人工智能(AI)技术的出现为电商数据分析带来
- 大规模语言模型从理论到实践 大语言模型预训练数据
AI大模型应用之禅
AI大模型与大数据计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
大规模语言模型从理论到实践:大语言模型预训练数据关键词:大规模语言模型、预训练数据、数据集选择、数据清洗、数据增强、数据集评估、数据集扩展1.背景介绍1.1问题的由来随着深度学习和大规模神经网络的发展,大型语言模型(LargeLanguageModels,LLMs)成为了自然语言处理(NLP)领域的一项突破性技术。LLMs能够生成流畅且具有上下文关联性的文本,这得益于它们在海量文本数据上的预训练。
- 神经架构搜索在大模型效率优化中的应用
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
神经架构搜索,大模型,效率优化,自动机器学习,深度学习1.背景介绍近年来,深度学习模型取得了令人瞩目的成就,在图像识别、自然语言处理、语音识别等领域展现出强大的能力。然而,随着模型规模的不断扩大,训练和部署这些大模型也带来了巨大的挑战。计算资源消耗巨大:大模型的训练需要大量的计算资源,例如高性能GPU和TPU,这导致训练成本高昂,难以普及。内存占用量大:大模型的参数量庞大,需要大量的内存进行存储和
- 机器学习——逻辑回归
口_天_光健
python机器学习逻辑回归
逻辑回归技术文档目录简介逻辑回归的基本概念逻辑回归的数学原理逻辑回归的实现步骤代码示例逻辑回归的应用逻辑回归的优化方法逻辑回归的局限性逻辑回归的扩展与变体逻辑回归与其他算法的对比总结简介逻辑回归(LogisticRegression)是一种广泛应用于分类问题的统计方法。尽管名字中有“回归”二字,但逻辑回归实际上是一种分类算法,主要用于二分类问题,但也可以通过扩展用于多分类问题。逻辑回归通过使用逻辑
- 卷积神经网络(CNN):深度学习中的核心模型
任义礼智信
深度学习cnn人工智能
引言卷积神经网络(ConvolutionalNeuralNetworks,CNNs)是深度学习领域的一种重要模型,广泛应用于图像处理、计算机视觉、自然语言处理等多个领域。CNN凭借其卓越的特征提取能力和参数共享机制,已成为计算机视觉任务中最主流的算法之一。本文将深入探讨CNN的基本原理、结构组件、应用场景及其发展方向。CNN的基本原理CNN是一种特殊的前馈神经网络(FeedforwardNeura
- 【机器学习:十五、神经网络的编译和训练】
KeyPan
机器学习机器学习神经网络人工智能深度学习pytorchubuntulinux
1.TensorFlow实现代码TensorFlow是深度学习中最为广泛使用的框架之一,提供了灵活的接口来构建、编译和训练神经网络。以下是实现神经网络的一个完整代码示例,以“手写数字识别”为例:importtensorflowastffromtensorflow.kerasimportlayers,models#加载MNIST数据集(x_train,y_train),(x_test,y_test)
- 【机器学习:十六、其他的激活函数】
KeyPan
机器学习机器学习人工智能算法服务器运维ubuntu
1.Sigmoid激活函数的替代方案Sigmoid激活函数在神经网络中曾广泛使用,其数学公式为:σ(x)=11+e−x\sigma(x)=\frac{1}{1+e^{-x}}σ(x)=1+e−x1输出范围为(0,1),适合二分类问题。但随着深度学习的发展,Sigmoid函数逐渐被替代,主要原因包括:梯度消失问题:当输入绝对值较大时,梯度趋近于零,导致权重更新困难。非零中心问题:输出值始终为正,可能
- 深度学习图像算法中的网络架构:Backbone、Neck 和 Head 详解
肥猪猪爸
#深度学习深度学习算法人工智能数据结构神经网络计算机视觉机器学习
深度学习已经成为图像识别领域的核心技术,特别是在目标检测、图像分割等任务中,深度神经网络的应用取得了显著进展。在这些任务的网络架构中,通常可以分为三个主要部分:Backbone、Neck和Head。这些部分在整个网络中扮演着至关重要的角色,它们各自处理不同的任务,从特征提取到最终的预测输出,形成了一个完整的图像处理流程。本文将详细介绍这三部分的作用以及它们在目标检测和图像分割中的应用,帮助大家更好
- 当下是否入行AI ? 一场关于未来的赌注与机遇
dami_king
随笔人工智能
当下是否入行AI:一场关于未来的赌注与机遇在科技的浪潮中,人工智能(AI)无疑是最为汹涌的一波。它不仅改变了我们与机器互动的方式,还重塑了各行各业的面貌。面对这样的变革,许多人站在十字路口犹豫不决——现在进入AI领域还来得及吗?这个问题的答案,并非简单的“是”或“否”。今天,让我们一起深入探讨这个话题,看看对于想要投身AI的人来说,当下是不是一个好的时机。AI行业的现状与发展2024年,AI已经从
- 频域增强通道注意力机制EFCAM模型详解及代码复现
呆头鹅AI工作室
深度学习算法详解及代码复现深度学习人工智能神经网络condapython
背景与动机在深度学习领域,如何有效处理时间序列数据一直是一个重要的研究方向。近年来,频域分析技术在时间序列处理中展现出了巨大潜力,特别是离散余弦变换(DCT)因其能够高效捕捉低频信息并避免高频噪声干扰而受到广泛关注。FECAM模型的开发正是基于这一背景,旨在结合频域分析和通道注意力机制,以提高模型对时间序列数据的特征提取和表示能力。通过这种创新方法,FECAM模型能够更有效地捕捉时间序列中的关键特
- 大数据新视界 -- 大数据大厂之 Impala 性能优化:融合人工智能预测的资源预分配秘籍(上)(29 / 30)
青云交
大数据新视界#Impala之道大数据Impala人工智能预测资源预分配数据收集模型构建查询性能优化
亲爱的朋友们,热烈欢迎你们来到青云交的博客!能与你们在此邂逅,我满心欢喜,深感无比荣幸。在这个瞬息万变的时代,我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而我的博客,正是这样一个温暖美好的所在。在这里,你们不仅能够收获既富有趣味又极为实用的内容知识,还可以毫无拘束地畅所欲言,尽情分享自己独特的见解。我真诚地期待着你们的到来,愿我们能在这片小小的天地里共同成长,共同进步。本博客的精华专栏:大数
- AI代码生成器赋能软件原型快速构建:吴恩达的最佳实践指南
前端
快速构建软件原型对于验证想法、迭代产品至关重要。而随着人工智能技术的飞速发展,AI代码生成器等AI辅助编程工具的出现,为开发者提供了前所未有的效率提升。本文将结合吴恩达教授的观点,探讨如何利用AI工具,高效构建软件原型。吴恩达教授强调选择合适的技术栈并有效利用AI工具是关键,这将帮助开发者在短时间内完成原型开发,快速验证其想法。选择并精通“有主见”的技术栈:效率为王吴恩达教授推荐的技术栈——Pyt
- 从RNN到Transformer:生成式AI技术演变与未来展望
非著名架构师
人工智能rnntransformer
生成式人工智能(GenerativeAI)近年来取得了令人瞩目的进展,其背后的核心技术是自回归模型的不断演进。从传统的递归神经网络(RNN)到革命性的Transformer架构,本文将全面剖析这一技术发展历程。一、RNN:生成式模型的起点1.RNN的基本原理递归神经网络(RecurrentNeuralNetwork,RNN)是一种专为处理序列数据设计的神经网络架构。其核心思想是通过循环连接的隐藏状
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio