- 【心灵鸡汤】深度学习技能形成树:从零基础到AI专家的成长路径全解析
智算菩萨
人工智能深度学习
引言:技能树的生长哲学在这个人工智能浪潮汹涌的时代,深度学习犹如一棵参天大树,其根系深深扎入数学与计算科学的沃土,主干挺拔地承载着机器学习的核心理念,而枝叶则繁茂地延伸至计算机视觉、自然语言处理、强化学习等各个应用领域。对于初入此领域的新手而言,理解这棵技能树的生长规律,掌握其形成过程中的关键节点和发展阶段,将直接决定其在人工智能道路上能够走多远、攀多高。技能树的概念源于游戏设计,但在学习深度学习
- 多模态大模型的技术应用与未来展望:重构AI交互范式的新引擎
zhaoyi_he
重构人工智能
一、引言:为什么多模态是AI发展的下一场革命?过去十年,深度学习推动了计算机视觉和自然语言处理的飞跃,但两者的发展路径长期割裂。随着生成式AI和大模型时代的到来,**多模态大模型(MultimodalFoundationModels)**以统一的建模方式处理图像、文本、音频、视频等多源数据,重塑了“感知-认知-决策”链条,为AGI迈出关键一步。OpenAI的GPT-4o、Google的Gemini
- OpenCV 图像操作:颜色识别、替换与水印添加
目录引言代码实现1.导入必要的库2.图像加法3.图像直接相加4.颜色加权加法5.HSV颜色空间转换概念作用6.查找颜色范围对应的像素点7.与运算-生成掩膜8.添加水印9.主函数总结引言在计算机视觉领域,OpenCV是一个强大的库,提供了丰富的图像操作功能。本文将详细介绍如何使用OpenCV进行图像加法、颜色加权加法、HSV颜色空间转换、颜色范围查找、与运算生成掩膜以及添加水印等操作,并给出相应的P
- YOLO学习笔记 | 从YOLOv5到YOLOv11:技术演进与核心改进
北斗猿
YOLO学习从零到1YOLO目标检测算法python计算机视觉
从YOLOv5到YOLOv11:技术演进与核心改进深度解析一、YOLO系列发展概述YOLO(YouOnlyLookOnce)目标检测算法自2016年诞生以来,凭借其"单次检测"的独特理念和卓越的实时性能,持续引领着计算机视觉领域的技术革新。从JosephRedmon的初代YOLO到AlexeyBochkovskiy的YOLOv4,再到Ultralytics团队的YOLOv5及后续系列,这一算法家族
- 《卷积神经网络到Vision Transformer:计算机视觉的十年架构革命》
HeartException
人工智能学习
前言前些天发现了一个巨牛的人工智能免费学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站题目《卷积神经网络到VisionTransformer:计算机视觉的十年架构革命》展开深度解析,全文采用技术演进史+架构对比+产业影响的三段式结构,附关键数据与趋势预测:卷积神经网络到VisionTransformer:计算机视觉的十年架构革命副标题:从局部感知到全局建模,一场改变AI视觉基石的
- 目标检测:从基础原理到前沿技术全面解析
随机森林404
计算机视觉目标检测人工智能计算机视觉
引言在计算机视觉领域,目标检测是一项核心且极具挑战性的任务,它不仅要识别图像中有什么物体,还要确定这些物体在图像中的具体位置。随着人工智能技术的快速发展,目标检测已成为智能监控、自动驾驶、医疗影像分析等众多应用的基础技术。本文将全面介绍目标检测的基础概念、发展历程、关键技术、实践应用以及未来趋势,为读者提供系统性的知识框架。第一章目标检测概述1.1目标检测的定义与重要性目标检测(ObjectDet
- 【LangChain编程:从入门到实践】LangChain与其他框架的比较
AI天才研究院
AgenticAI实战计算AI人工智能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
【LangChain编程:从入门到实践】LangChain与其他框架的比较1.背景介绍1.1人工智能发展现状在当今时代,人工智能(AI)已经成为科技领域中最热门和最具革命性的话题之一。随着计算能力的不断提升和算法的持续优化,AI系统正在不断扩展其应用范围,包括自然语言处理、计算机视觉、决策系统等各个领域。1.2LangChain概述在这种背景下,LangChain作为一个新兴的AI框架应运而生。L
- PHP接单涨薪系列(九)之计算机视觉实战:PHP+Stable Diffusion接单指南(2025高溢价秘籍)
攻城狮凌霄
PHPPHP接单涨薪AIphp计算机视觉stablediffusion
案例场景某电商公司使用本方案后,产品图制作成本降低90%,广告转化率提升35%,单月节省设计费用超¥80,000。本文将彻底解密如何用PHP+AI视觉技术接取高单价设计外包,让你在竞争激烈的市场中脱颖而出!一、视觉设计市场的AI革命1.1传统设计vsAI设计设计任务传统流程AI流程需求沟通初稿设计反复修改最终交付AI生成微调即时交付2025年设计市场数据对比:指标传统设计AI设计提升幅度单图制作时
- 纹理贴图算法研究论文综述
点云SLAM
算法图形图像处理算法纹理贴图计算机图形学计算机视觉人工智能虚拟现实(VR)纹理贴图算法综述
纹理贴图(TextureMapping)是计算机图形学和计算机视觉中的核心技术,广泛应用于三维重建、游戏渲染、虚拟现实(VR)、增强现实(AR)等领域。对其算法的研究涵盖了纹理生成、映射、缝合、优化等多个方面。1.引言纹理贴图是指将二维图像纹理映射到三维几何表面上,以增强模型的视觉真实感。传统方法主要关注静态几何模型上的纹理生成与映射,而近年来,随着多视角图像重建、RGB-D扫描、神经渲染的发展,
- ConvNeXT:面向 2020 年代的卷积神经网络
摘要视觉识别的“咆哮二十年代”始于VisionTransformer(ViT)的引入,ViT很快取代了ConvNet,成为图像分类任务中的最新最强模型。然而,vanillaViT在应用于目标检测、语义分割等通用计算机视觉任务时面临困难。HierarchicalTransformer(如SwinTransformer)重新引入了若干ConvNet的先验知识,使Transformer成为实用的通用视觉
- 深度学习前置知识全面解析:从机器学习到深度学习的进阶之路
一、引言:人工智能时代的核心技术在当今这个数据爆炸的时代,人工智能(AI)已经成为推动社会进步的核心技术之一。作为AI领域最重要的分支,深度学习(DeepLearning)在计算机视觉、自然语言处理、语音识别等领域取得了突破性进展,彻底改变了我们与机器交互的方式。本教案将从机器学习的基础知识出发,系统性地介绍深度学习的核心概念、数学基础、网络架构和训练方法,为读者构建完整的知识体系框架。无论你是刚
- PyTorch实战:从零构建CNN模型,轻松搞定MNIST手写数字识别
PyTorch实战:从零构建CNN模型,轻松搞定MNIST手写数字识别大家好!欢迎来到我的深度学习博客!对于每个踏入计算机视觉领域的人来说,MNIST手写数字识别就像是编程世界的“Hello,World!”。它足够简单,能够让我们快速上手;也足够完整,可以帮我们走通一个深度学习项目的全流程。之前我们可能用Keras体验过“搭积木”式的快乐,今天,我们将换一个同样强大且灵活的框架——PyTorch,
- 计算机视觉中的Transformer:ViT模型详解与代码实现
AI大模型应用工坊
计算机视觉transformer人工智能ai
计算机视觉中的Transformer:ViT模型详解与代码实现关键词:计算机视觉、Transformer、ViT、自注意力机制、图像分块摘要:传统卷积神经网络(CNN)统治计算机视觉领域多年,但2020年一篇《AnImageisWorth16x16Words:TransformersforImageRecognitionatScale》的论文打破了这一格局——它将NLP领域的Transformer
- 《YOLO11的ONNX推理部署:多语言多架构实践指南》
空云风语
YOLO人工智能深度学习目标跟踪人工智能计算机视觉YOLO
引言:YOLO11与ONNX的相遇在计算机视觉的广袤星空中,目标检测始终是一颗耀眼的明星,其在自动驾驶、智能安防、工业检测、医疗影像分析等诸多领域都有着举足轻重的应用。想象一下,自动驾驶汽车需要实时准确地检测出道路上的车辆、行人、交通标志;智能安防系统要快速识别出监控画面中的异常行为和可疑人员;工业生产线上,需要精准检测产品的缺陷;医疗影像分析中,辅助医生检测病变区域。这些场景都对目标检测技术的准
- 【CVPR2024】计算机视觉|即插即用|DFAM:marine!不懂DFAM,别说你会做水下动物分割!
论文地址:http://arxiv.org/pdf/2404.04996v1代码地址:https://github.com/Drchip61/Dual_SAM关注UPCV缝合怪,分享最计算机视觉新即插即用模块,并提供配套的论文资料与代码。https://space.bilibili.com/473764881摘要本研究提出了一种新颖的特征学习框架,名为**Dual-SAM,用于高性能的海洋动物分割
- Python与Dlib库实现人脸技术实战
西域情歌
本文还有配套的精品资源,点击获取简介:本项目详细说明了如何使用Python结合Dlib库实现人脸检测、识别、数量检测和距离检测。利用Dlib提供的机器学习算法和计算机视觉功能,包括HOG特征检测、级联分类器、面部特征向量模型和关键点预测等,项目能够快速准确地在图像中检测和识别人脸。此外,还介绍了如何统计图像中的人脸数量以及如何计算人脸之间的距离。通过实际代码资源,开发者能够掌握实时人脸技术的应用,
- 视觉表征和多模态融合
一只齐刘海的猫
语言模型
视觉表征和多模态融合是当前人工智能领域的研究热点,特别是在计算机视觉和自然语言处理的交叉领域。视觉表征是指将图像或视频信息转化为模型可以处理的向量形式,而多模态融合则是将不同类型的数据(如视觉、文本、音频等)进行整合,以实现更全面、准确的信息理解和处理。视觉表征(VisualRepresentation)目的:将图像或视频数据转化为深度学习模型可以理解的特征向量。方法:卷积神经网络(CNN):传
- 【LLM论文阅读】
一只齐刘海的猫
论文阅读
LLM论文阅读论文重点论文链接RopeRoFormer:EnhancedTransformerwithRotaryPositionEmbeddingRoPE论文阅读YarnUnderstandingYaRN:ExtendingContextWindowofLLMs论文YaRN笔记T5ExploringtheLimitsofTransferLearningwithaUnifiedText-to-Te
- 从0到1掌握OpenCV!Python图像处理实战全解析(附代码+案例)
小张在编程
Python学习opencvpython图像处理
引言你有没有想过,手机里的美颜滤镜如何精准识别五官?监控摄像头如何在人流中锁定可疑目标?医学影像软件如何从CT片中快速标注病灶?这些“神奇操作”的背后,往往藏着一个低调的“图像处理神器”——OpenCV。作为Python生态中最受欢迎的计算机视觉库,它用一行行代码将抽象的像素点变成可操作的“数字画布”。今天,我们就从最基础的图像读写开始,手把手带你解锁OpenCV的“十八般武艺”,从图像处理小白变
- 目标检测在国防和政府的应用实例
MzKyle
计算机视觉目标检测人工智能计算机视觉
一、目标检测技术概述目标检测是计算机视觉的核心任务,通过算法对图像/视频中的物体进行识别与定位,当前主流技术包括:经典算法:YOLO系列(实时性强)、FasterR-CNN(精度高)、SSD(平衡速度与精度)技术升级:结合深度学习(CNN、Transformer)、多模态融合(视觉+红外+雷达)、边缘计算实时处理二、国防领域核心应用实例(一)军事侦察与监控系统无人机侦察与目标识别应用场景:战术无人
- VLA模型
一介绍在机器人领域,视觉-语言-动作(VLA)模型的发展经历了显著的演变,这得益于计算机视觉和自然语言处理领域的进步。VLA模型代表了一类旨在处理多模态输入的模型,整合了来自视觉、语言和动作的信息。这些模型对于实现具身智能至关重要,使机器人能够理解物理世界并与之互动。以下是VLA模型发展的时间线:早期阶段:计算机视觉和自然语言处理的集成大约在2015年开始,随着视觉问答(VQA)系统的出现。这些系
- Random Erasing:计算机视觉的「隐形斗篷」——遮挡艺术的对抗学习革命
星光银河
深度学习-代表性技术主题/概念层面计算机视觉学习人工智能cnn神经网络深度学习
当ImageNet冠军模型在真实世界的遮挡面前崩溃时(识别准确率骤降38%),中科院自动化研究所2017年提出的RandomErasing技术以一纸惊艳了学界。这种在图像中随机挖洞的简单操作,让ResNet-50在Partial-iNaturalist数据集上抗遮挡能力提升4.2倍,错误率降低59%,揭示了模型鲁棒性的深层密码。️遮挡困境:视觉模型的阿喀琉斯之踵图像识别鲁棒性演化史时代技术Imag
- AI人工智能与自动驾驶的协同创新模式
AI大模型应用之禅
人工智能自动驾驶机器学习ai
AI人工智能与自动驾驶的协同创新模式关键词:人工智能、自动驾驶、协同创新、深度学习、计算机视觉、传感器融合、决策系统摘要:本文深入探讨了人工智能与自动驾驶技术的协同创新模式。我们将从基础概念出发,逐步分析AI如何赋能自动驾驶系统,涵盖感知、决策和控制三大核心模块。文章将通过生动的比喻解释复杂技术原理,展示实际代码实现,并探讨未来发展趋势和挑战。通过这篇文章,读者将全面理解AI与自动驾驶如何相互促进
- 基于 OpenCV 的图像 ROI 切割实现
一、引言在计算机视觉领域,我们经常需要处理各种各样的图像数据。有时候,我们只对图像中的某一部分区域感兴趣,例如在一张人物照片中,我们可能只关注人物的脸部。在这种情况下,将我们感兴趣的区域从整个图像中切割出来,不仅可以节省计算量,还能提高程序的运行速度。这就是我们所说的ROI(RegionofInterest,感兴趣区域)切割。二、ROI切割的原理2.1图像数据的存储在使用OpenCV进行图像读取时
- 【Python】车牌自动识别
幽兰的天空
Pythonpythonopencv
实现车牌自动识别(LicensePlateRecognition,LPR)是计算机视觉和深度学习领域中的一个常见任务。用Python和OpenCV,结合其他深度学习库,可以建立一个简单的车牌识别系统。以下是一个基于这两者的基本实现思路和示例代码。实现步骤环境准备:安装必要的库:bashpipinstallopencv-pythonopencv-python-headlessnumpypillowp
- Python和OpenCV实现车牌识别的毕业设计案例
媛源啊
本文还有配套的精品资源,点击获取简介:本项目通过Python和OpenCV库,实现了一个实用的车牌识别系统,包含图像捕获、预处理、车牌定位、车牌分割和字符识别等步骤。系统提供了一键运行的完整代码,使学生能够快速掌握计算机视觉和深度学习应用。遇到的挑战和解决方案也进行了讨论,比如光照变化、车牌角度不一致和污损的处理,以及数据增强技术和模型参数优化。1.车牌识别系统的基本理论和应用1.1车牌识别的背景
- 【大模型面试】大模型Prompt Engineer面试题及参考答案
大模型知识
prompt人工智能开发语言pythonchatgpt深度学习大模型
一、基础概念类1.什么是大模型?大模型通常指具有庞大参数规模的机器学习模型,尤其是在自然语言处理(NLP)和计算机视觉等领域。这些模型能够学习到大量数据中的复杂模式和特征,具备强大的泛化能力,可在多种任务上表现出色,如GPT系列、BERT等。2.大模型与传统机器学习模型的区别是什么?传统机器学习模型参数规模相对较小,往往针对特定任务进行设计和训练,需要较多人工特征工程。而大模型参数数量庞大,通过在
- Segment Anything in High Quality之SAM-HQ论文阅读
qq_41627642
深度学习论文阅读论文阅读
摘要最近的SegmentAnythingModel(SAM)在扩展分割模型规模方面取得了重大突破,具备强大的零样本能力和灵活的提示机制。尽管SAM在训练时使用了11亿个掩码,其掩码预测质量在许多情况下仍不理想,尤其是对于结构复杂的目标。我们提出了HQ-SAM,使SAM能够精确地分割任意目标,同时保留其原有的可提示设计、高效性和零样本泛化能力。我们的设计充分复用并保留了SAM预训练的模型权重,仅引入
- AI产品经理技术篇:AI领域常用术语解析
让我看看好学吗
人工智能产品经理机器学习深度学习学习
作为AI产品经理,深入理解人工智能领域的核心术语是高效沟通、需求定义和产品落地的关键。无论是与算法工程师协作优化模型,还是向业务方解释技术方案,准确掌握专业术语能显著提升决策效率,避免因概念混淆导致的开发偏差。本文系统梳理了模型与算法、NLP(自然语言处理)、CV(计算机视觉)、数据处理、核心评估指标等领域的核心术语,帮助产品经理快速构建AI技术认知框架。目录1.基础概念2.模型与算法3.自然语言
- 【CVPR2025】计算机视觉|Salience DETR:显著性目标检测,精度暴涨!
论文地址:http://arxiv.org/pdf/2403.16131v1代码地址:https://github.com/xiuqhou/Salience-DETR关注UPCV缝合怪,分享最计算机视觉新即插即用模块,并提供配套的论文资料与代码。https://space.bilibili.com/473764881摘要本研究旨在解决类DETR方法中存在的计算负担重和对稳定查询选择依赖性高的问题。
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f