- YOLOv11性能评估全解析:从理论到实战的指标指南
芯作者
D2:YOLOYOLO计算机视觉
深入剖析目标检测核心指标,掌握模型优化的关键密码为什么需要性能评估指标?在目标检测领域,YOLO系列模型以其卓越的速度-精度平衡成为行业标杆。当我们训练或使用YOLOv11模型时,一个核心问题始终存在:如何量化模型的性能?性能评估指标正是回答这个问题的关键工具,它们不仅衡量模型效果,更是模型优化迭代的导航灯。本文将系统解析YOLOv11的七大核心评估指标,结合理论公式、可视化解释和实战代码,带您深
- 深度学习目标检测之YOLOv3实战(二)训练自己的图像数据
郎郎不会飞
深度学习目标识别python深度学习
深度学习目标检测之YOLOv3实战(二)训练自己的图像数据数据集准备数据集预处理原demo修改数据集训练目标检测补充二零二零年的大年初一,给大家拜个年,祝大家鼠年吉祥,万事如意,趁着喜气,把Yolov3训练自己的数据过程,记录一下,共勉共进。同样,无人机搭载山狗拍摄的视频,目标检测的种类是模型tank和airplane,部分效果图镇贴:数据集准备首先需要将自己的数据集准备好,不同场景下的目标数据尽
- YOLOv12 正式发布 | 检测效果超越YOLO11!!
论文地址:YOLOv12:Attention-CentricReal-TimeObjectDetectors代码地址:https://github.com/sunsmarterjie/yolov12提升YOLO框架的网络架构一直至关重要,尽管注意力机制在建模能力方面已被证明具有优越性,但长期以来一直专注于基于CNN的改进。这是因为基于注意力的模型无法与基于CNN的模型的速度相匹配。本文提出了一种以
- D-FINE模型详解及代码复现
清风AI
目标跟踪人工智能计算机视觉深度学习机器学习python神经网络
研究背景在实时目标检测领域的快速发展背景下,D-FINE作为一项突破性的方法应运而生。它超越了现有模型如YOLOv10、YOLO11及RT-DETRv1/v2/v3,重新定义了边界框回归任务,显著提升了实时目标检测的性能上限。D-FINE通过创新的细粒度分布优化(FDR)和全局最优定位自蒸馏(GO-LSD)机制,为目标检测领域带来了新的突破,为未来的研究奠定了基础。创新优势D-FINE模型在创新方
- 推荐系统的视频特征-视频关键帧特征提取与向量生成
总体流程概览视频文件(.mp4)↓关键帧抽取(FFmpeg/SceneDetect)↓帧图像(.jpg)↓图像模型提取特征(CLIP/CNN/ViT)↓多帧聚合成视频向量(均值池化等)↓向量库/推荐系统模型特征提取推荐:使用OpenAI的CLIP模型CLIP(ContrastiveLanguage-ImagePretraining)适合推荐系统做跨模态建模,对视频封面帧或场景帧提取效果非常好。✅1
- YOLOv11革命性升级:基于MobileNetv4的UIB和ExtraDW模块重构C3k2架构,实现移动端推理性能飞跃
博导ai君
深度学习教学-附源码YOLO重构
引言与背景概述在当今人工智能飞速发展的时代,目标检测技术已成为计算机视觉领域的核心技术之一。从自动驾驶汽车到智能安防系统,从移动端AR应用到工业质检,目标检测无处不在。然而,随着应用场景的多样化,特别是移动端和边缘设备的普及,对模型的计算效率提出了更为严苛的要求。YOLO(YouOnlyLookOnce)系列算法作为目标检测领域的领军者,一直在精度与速度之间寻求最佳平衡。从YOLOv1到最新的YO
- YOLOv11: AN OVERVIEW OF THE KEY ARCHITECTURAL ENHANCEMENTS目标检测论文精读(逐段解析)
昵称是6硬币
(持续更新)YOLO深度学习计算机视觉人工智能目标检测图像处理
YOLOv11:ANOVERVIEWOFTHEKEYARCHITECTURALENHANCEMENTS目标检测论文精读(逐段解析)论文地址:https://www.arxiv.org/abs/2410.17725RahimaKhanamandMuhammadHussainUltralytics公司发布CVPR2024论文写的比较简单,比较核心的改进包括:C3K2高效特征提取机制。对C2f模块的改进
- EasyFeature软件特性四:星云空天大模型
智绘中勘
人工智能深度学习信息可视化
随着智能遥感进入新纪元,数据处理与模型效率的挑战日益成为应用落地的关键瓶颈。EasyFeature软件以星云空天大模型为核心,构建了基于人机智能提示学习的多模态系统。通过海量高质量数据预训练,集成了包括遥感场景分类、快速目标检测、地物分类、变化检测等在内的丰富模型库,提供端到端的智能解译能力。EasyFeature完全实现国产化自主可控,涵盖全栈软硬件支撑与训推一体化流程,确保高效安全。其极简安装
- 人工智能-基础篇-10-什么是卷积神经网络CNN(网格状数据处理:输入层,卷积层,激活函数,池化层,全连接层,输出层等)
weisian151
人工智能人工智能cnn神经网络
卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种专为处理网格状数据(如图像、视频、音频)设计的深度学习模型。它通过模拟生物视觉机制,从原始数据中自动提取多层次的特征,最终实现高效的分类、检测或生成任务。1、核心概念与原理1、生物视觉启发局部感受野:模仿人类视觉皮层神经元仅响应局部区域刺激的特性,每个神经元关注输入数据的局部区域(如图像的一小块区域)。权值共享:同一
- CNN-GRU混合模型学习笔记
weixin_54372988
cnngru学习
GRU学习笔记CNN:卷积神经网络GRU(GateRecurrentUnit),门控循环单元CNN:卷积神经网络3个组成部分:1.卷积层——提取图像局部特征2.池化层——降维(防止过拟合)3.全连接层——输出结果一个卷积核扫完整张图片,得到每个小区域的特征值具体应用中通常有多个卷积核CNN可能有多层结构,如LeNet-5:卷积层–池化层–卷积层–池化层–卷积层–全连接层处理时间序列(1D序列):(
- CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比
Matlab科研辅导帮
cnngru人工智能
✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。个人主页:Matlab科研工作室个人信条:格物致知,求助可私信。内容介绍多变量时序预测在诸多领域扮演着至关重要的角色,例如金融、气象和工业控制等。近年来,深度学习方法在时序预测任务中取得了显著的进展。本文旨在系统地比较四种基于卷积神经网络(CNN)和循环神经网络(GRU)的不同架构,包
- YOLOv13:开启目标检测新时代,手把手教你实操
奔跑吧邓邓子
必备核心技能YOLO目标检测目标跟踪人工智能实操
目录一、YOLOv13初印象1.1YOLO系列发展脉络1.2YOLOv13独特之处二、前期准备工作2.1环境搭建2.2依赖安装三、深入使用指南3.1模型验证3.2模型训练3.3模型推理四、应用案例与拓展4.1实际场景应用展示4.2与其他技术结合思路五、总结与展望一、YOLOv13初印象1.1YOLO系列发展脉络YOLO(YouOnlyLookOnce)系列算法在目标检测领域中,就如同一位不断进化的
- 从入门到实战:YOLOv13 安装与使用全攻略
奔跑吧邓邓子
必备核心技能YOLO目标跟踪人工智能安装使用全攻略
目录一、YOLOv13简介1.1目标检测与YOLO系列1.2YOLOv13核心技术亮点1.3性能优势展现二、前期准备2.1系统环境要求2.2软件依赖安装三、安装流程3.1获取源码3.2环境搭建3.3安装验证四、使用指南4.1模型验证4.2模型训练4.3模型推理4.4模型导出五、应用案例与技巧5.1实际应用场景展示5.2常见问题与解决方法5.3优化技巧分享六、总结与展望6.1YOLOv13回顾6.2
- YOLOv13:目标检测的全面攻略与实战指南
奔跑吧邓邓子
必备核心技能YOLO目标检测目标跟踪人工智能全攻略实战
目录一、YOLOv13简介1.1YOLO系列发展回顾1.2YOLOv13的特点与优势二、YOLOv13原理剖析2.1HyperACE技术详解2.2FullPAD技术详解2.3轻量级卷积替换技术详解三、YOLOv13性能对比3.1与其他YOLO版本对比3.2实际应用场景对比四、YOLOv13项目结构与使用方式4.1仓库文件结构介绍4.2快速上手步骤五、YOLOv13优化技巧5.1数据增强技巧5.2锚
- CNN-LSTM神经网络多输入单输出回归预测【MATLAB】
沅_Yuan
炼丹师神经网络cnnlstm
1CNN(卷积神经网络)部分作用:特征提取:CNN主要用于从输入数据中提取空间特征。它能够处理图像、视频帧或其他形式的空间数据。组成部分:卷积层:使用卷积核对输入数据进行卷积操作,生成特征图。激活函数:通常使用ReLU(线性整流单元)激活函数,增加非线性。池化层:通过最大池化(MaxPooling)或平均池化(AveragePooling),减少特征图的尺寸,保留最重要的特征,减少计算复杂度。流程
- DAY 41 简单CNN
冬天给予的预感
cnn人工智能神经网络
知识回顾数据增强卷积神经网络定义的写法batch归一化:调整一个批次的分布,常用与图像数据特征图:只有卷积操作输出的才叫特征图调度器:直接修改基础学习率卷积操作常见流程如下:1.输入→卷积层→Batch归一化层(可选)→池化层→激活函数→下一层Flatten->Dense(withDropout,可选)->Dense(Output)importtorchimporttorch.nnasnnimpo
- Python打卡训练营-Day41-简单CNN
traMpo1ine
cnnpython深度学习
@浙大疏锦行知识回顾数据增强卷积神经网络定义的写法batch归一化:调整一个批次的分布,常用与图像数据特征图:只有卷积操作输出的才叫特征图调度器:直接修改基础学习率卷积操作常见流程如下:1.输入→卷积层→Batch归一化层(可选)→池化层→激活函数→下一层Flatten->Dense(withDropout,可选)->Dense(Output)这里相关的概念比较多,如果之前没有学习过复试班强化班中
- 番外篇 | SEAM-YOLO:引入SEAM系列注意力机制,提升遮挡小目标的检测性能
小哥谈
YOLOv8:从入门到实战YOLO深度学习人工智能机器学习计算机视觉神经网络
前言:Hello大家好,我是小哥谈。SEAM(Squeeze-and-ExcitationAttentionModule)系列注意力机制是一种高效的特征增强方法,特别适合处理遮挡和小目标检测问题。该机制通过建模通道间关系来自适应地重新校准通道特征响应。在遮挡小目标检测中的应用优势包括:1)通道注意力增强:SEAM通过全局平均池化捕获通道级全局信息,帮助网络在遮挡情况下仍能关注关键特征。2)多尺度特
- 目标追踪数据标注
sethrsinine
目标跟踪
在将YOLO(目标检测)和DeepSORT(目标追踪)结合时,数据标注需要同时满足检测和追踪的需求。以下是具体的分阶段标注策略和操作指南:一、标注的核心要求检测标注:每帧中目标的边界框(BoundingBox)和类别标签(如行人、车辆)。追踪标注:跨帧的目标ID(TrackID),确保同一目标在不同帧中ID一致。二、分阶段标注流程阶段1:视频预处理•目标:将视频转换为可标注的帧序列。•操作:使用F
- 浅谈卷积神经网络(CNN)
cyc&阿灿
cnn人工智能神经网络
卷积神经网络(ConvolutionalNeuralNetworks,CNN)作为深度学习领域最具影响力的架构之一,已在计算机视觉、自然语言处理、医学影像分析等领域取得了革命性突破。本文将系统全面地剖析CNN的核心原理、关键组件、经典模型、数学基础、训练技巧以及最新进展,通过理论解析与代码实践相结合的方式,帮助读者深入掌握这一重要技术。一、CNN基础与核心思想1.1传统神经网络的局限性在处理图像等
- 【目标检测】YOLOv13:超图增强的实时目标检测新标杆,值得收藏。
Carl_奕然
机器视觉与目标检测目标检测YOLO人工智能
一文掌握YOLOv13最新特性1、引言2、Yolov13详细讲解2.1发布时间与背景2.2相对于YOLOv12的核心提升2.2.1精度显著提升2.2.2轻量化与效率优化2.2.3高阶语义建模能力2.3架构设计与核心创新2.3.1超图自适应关联增强(HyperACE)2.3.2全流程聚合-分发(FullPAD)2.3.3轻量化模块设计2.4性能对比2.4代码示例2.4.1环境配置2.4.2训练代码2
- RDK X5/X3 yolov5目标检测从环境搭建到设备集成
激萌の小宅
YOLOYOLO目标检测人工智能
1、RDKX5yolov5目标检测之训练环境搭建2、RDKX5yolov5目标检测之pt转onnx3、RDKX5yolov5目标检测之开发机环境部署4、RDKX5yolov5目标检测之onnx转bin5、RDKX5yolov5目标检测之开发板运行
- 口罩检测数据集-1591张图片疫情防控管理 智能门禁系统 公共场所安全监控
cver123
数据集目标跟踪人工智能计算机视觉目标检测pytorch
口罩检测数据集-1591张图片已发布目标检测数据集合集(持续更新)口罩检测数据集介绍数据集概览包含类别应用场景数据样本展示文件结构与使用建议使用建议技术标签YOLOv8训练实战1.环境配置安装YOLOv8官方库ultralytics2.数据准备2.1数据标注格式(YOLO)2.2文件结构示例2.3创建data.yaml配置文件3.模型训练关键参数补充说明:4.模型验证与测试4.1验证模型性能关键参
- 基于YOLOv5的监控摄像头遮挡检测系统:从数据集到UI界面的完整实现
芯作者
D2:YOLOYOLO神经网络
实时守护监控设备安全,智能识别遮挡攻击的AI解决方案一、问题背景与系统价值在安防监控领域,摄像头遮挡是常见的恶意攻击手段——统计显示35%的安防失效源于摄像头被遮挡。传统方案依赖人工巡查,效率低下且响应延迟。本文将带你构建完整的AI遮挡检测系统,核心创新点:双模检测机制:YOLOv5目标检测+背景建模异常分析轻量化部署:模型量化压缩至1.8MB动态学习:运行时自动更新异常样本库二、系统架构设计[视
- 卷积神经网络
亿只小灿灿
Python算法与数据结构人工智能cnn人工智能神经网络
一、引言在当今人工智能的浪潮中,卷积神经网络(ConvolutionalNeuralNetwork,CNN)无疑是一颗璀璨的明星。它在图像识别、语音处理、自然语言处理等众多领域取得了巨大的成功,极大地推动了人工智能技术的发展。那么,什么是卷积神经网络?它的算法原理是什么?本文将深入探讨这些问题,并通过Python代码实现一个简单的卷积神经网络,以帮助读者更好地理解和掌握这一强大的技术。二、卷积神经
- 【2024 CVPR-Backbone】RepViT: Revisiting Mobile CNN From ViT Perspective
无敌悦悦王
文献阅读cnn人工智能神经网络计算机视觉图像处理python深度学习
摘要近期,轻量级视觉Transformer(ViT)在资源受限的移动设备上表现出比轻量级卷积神经网络(CNN)更优异的性能和更低的延迟。研究人员已发现轻量级ViT与轻量级CNN之间存在许多结构关联,但二者在模块结构、宏观和微观设计上的显著架构差异尚未得到充分研究。本研究从ViT视角重新审视轻量级CNN的高效设计,并强调其在移动设备上的应用前景。具体而言,我们通过整合轻量级ViT的高效架构设计,逐步
- Python编程:使用 YOLO 目标检测
倔强老吕
python开发语言
YOLO(YouOnlyLookOnce)是一种基于深度学习的实时目标检测算法,由JosephRedmon等人于2016年首次提出。与传统的两阶段目标检测方法(如R-CNN系列)不同,YOLO将目标检测任务视为一个单一的回归问题,直接在图像上进行一次推理即可预测边界框和类别概率。YOLO的核心思想单次前向传播(SingleShotDetection):YOLO只需对输入图像进行一次神经网络推理,就
- 基于YOLOv8和Faster R-CNN的输电线路异物目标检测项目 检测 输电线异物数据集 输电线缺陷数据集 绝缘子 如何使用YOLOv8和Faster R-CNN训练输电线路异物目标检测数据集
QQ67658008
YOLOr语言cnn输电线路绝缘子线路异物目标检测
电力篇-输电线路缺陷数据集输电线路异物目标检测数据集16000张5种检测目标:‘burst’-爆裂‘defect’-缺陷‘foreign_obj’-异物‘insulator’-绝缘体‘nest’-窝(巢)带标注-YOLO格式可直接用于YOLO系列目标检测算法模型训练如何使用YOLOv8和FasterR-CNN训练输电线路异物目标检测数据集的详细步骤和代码。假设数据集包含16000张图片和5种检测目
- 【day51】复习日
daomingwu017
Python打卡训练营内容python
内容来自@浙大疏锦行python打卡训练营@浙大疏锦行作业:day43的时候我们安排大家对自己找的数据集用简单cnn训练,现在可以尝试下借助这几天的知识来实现精度的进一步提高
- DAY 41 简单CNN
yizhimie37
python训练营打卡笔记深度学习
@浙大疏锦行https://blog.csdn.net/weixin_45655710知识回顾数据增强卷积神经网络定义的写法batch归一化:调整一个批次的分布,常用与图像数据特征图:只有卷积操作输出的才叫特征图调度器:直接修改基础学习率卷积操作常见流程如下:1.输入→卷积层→Batch归一化层(可选)→池化层→激活函数→下一层Flatten->Dense(withDropout,可选)->Den
- 面向对象面向过程
3213213333332132
java
面向对象:把要完成的一件事,通过对象间的协作实现。
面向过程:把要完成的一件事,通过循序依次调用各个模块实现。
我把大象装进冰箱这件事为例,用面向对象和面向过程实现,都是用java代码完成。
1、面向对象
package bigDemo.ObjectOriented;
/**
* 大象类
*
* @Description
* @author FuJian
- Java Hotspot: Remove the Permanent Generation
bookjovi
HotSpot
openjdk上关于hotspot将移除永久带的描述非常详细,http://openjdk.java.net/jeps/122
JEP 122: Remove the Permanent Generation
Author Jon Masamitsu
Organization Oracle
Created 2010/8/15
Updated 2011/
- 正则表达式向前查找向后查找,环绕或零宽断言
dcj3sjt126com
正则表达式
向前查找和向后查找
1. 向前查找:根据要匹配的字符序列后面存在一个特定的字符序列(肯定式向前查找)或不存在一个特定的序列(否定式向前查找)来决定是否匹配。.NET将向前查找称之为零宽度向前查找断言。
对于向前查找,出现在指定项之后的字符序列不会被正则表达式引擎返回。
2. 向后查找:一个要匹配的字符序列前面有或者没有指定的
- BaseDao
171815164
seda
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.SQLException;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
public class BaseDao {
public Conn
- Ant标签详解--Java命令
g21121
Java命令
这一篇主要介绍与java相关标签的使用 终于开始重头戏了,Java部分是我们关注的重点也是项目中用处最多的部分。
1
- [简单]代码片段_电梯数字排列
53873039oycg
代码
今天看电梯数字排列是9 18 26这样呈倒N排列的,写了个类似的打印例子,如下:
import java.util.Arrays;
public class 电梯数字排列_S3_Test {
public static void main(S
- Hessian原理
云端月影
hessian原理
Hessian 原理分析
一. 远程通讯协议的基本原理
网络通信需要做的就是将流从一台计算机传输到另外一台计算机,基于传输协议和网络 IO 来实现,其中传输协议比较出名的有 http 、 tcp 、 udp 等等, http 、 tcp 、 udp 都是在基于 Socket 概念上为某类应用场景而扩展出的传输协
- 区分Activity的四种加载模式----以及Intent的setFlags
aijuans
android
在多Activity开发中,有可能是自己应用之间的Activity跳转,或者夹带其他应用的可复用Activity。可能会希望跳转到原来某个Activity实例,而不是产生大量重复的Activity。
这需要为Activity配置特定的加载模式,而不是使用默认的加载模式。 加载模式分类及在哪里配置
Activity有四种加载模式:
standard
singleTop
- hibernate几个核心API及其查询分析
antonyup_2006
html.netHibernatexml配置管理
(一) org.hibernate.cfg.Configuration类
读取配置文件并创建唯一的SessionFactory对象.(一般,程序初始化hibernate时创建.)
Configuration co
- PL/SQL的流程控制
百合不是茶
oraclePL/SQL编程循环控制
PL/SQL也是一门高级语言,所以流程控制是必须要有的,oracle数据库的pl/sql比sqlserver数据库要难,很多pl/sql中有的sqlserver里面没有
流程控制;
分支语句 if 条件 then 结果 else 结果 end if ;
条件语句 case when 条件 then 结果;
循环语句 loop
- 强大的Mockito测试框架
bijian1013
mockito单元测试
一.自动生成Mock类 在需要Mock的属性上标记@Mock注解,然后@RunWith中配置Mockito的TestRunner或者在setUp()方法中显示调用MockitoAnnotations.initMocks(this);生成Mock类即可。二.自动注入Mock类到被测试类 &nbs
- 精通Oracle10编程SQL(11)开发子程序
bijian1013
oracle数据库plsql
/*
*开发子程序
*/
--子程序目是指被命名的PL/SQL块,这种块可以带有参数,可以在不同应用程序中多次调用
--PL/SQL有两种类型的子程序:过程和函数
--开发过程
--建立过程:不带任何参数
CREATE OR REPLACE PROCEDURE out_time
IS
BEGIN
DBMS_OUTPUT.put_line(systimestamp);
E
- 【EhCache一】EhCache版Hello World
bit1129
Hello world
本篇是EhCache系列的第一篇,总体介绍使用EhCache缓存进行CRUD的API的基本使用,更细节的内容包括EhCache源代码和设计、实现原理在接下来的文章中进行介绍
环境准备
1.新建Maven项目
2.添加EhCache的Maven依赖
<dependency>
<groupId>ne
- 学习EJB3基础知识笔记
白糖_
beanHibernatejbosswebserviceejb
最近项目进入系统测试阶段,全赖袁大虾领导有力,保持一周零bug记录,这也让自己腾出不少时间补充知识。花了两天时间把“传智播客EJB3.0”看完了,EJB基本的知识也有些了解,在这记录下EJB的部分知识,以供自己以后复习使用。
EJB是sun的服务器端组件模型,最大的用处是部署分布式应用程序。EJB (Enterprise JavaBean)是J2EE的一部分,定义了一个用于开发基
- angular.bootstrap
boyitech
AngularJSAngularJS APIangular中文api
angular.bootstrap
描述:
手动初始化angular。
这个函数会自动检测创建的module有没有被加载多次,如果有则会在浏览器的控制台打出警告日志,并且不会再次加载。这样可以避免在程序运行过程中许多奇怪的问题发生。
使用方法: angular .
- java-谷歌面试题-给定一个固定长度的数组,将递增整数序列写入这个数组。当写到数组尾部时,返回数组开始重新写,并覆盖先前写过的数
bylijinnan
java
public class SearchInShiftedArray {
/**
* 题目:给定一个固定长度的数组,将递增整数序列写入这个数组。当写到数组尾部时,返回数组开始重新写,并覆盖先前写过的数。
* 请在这个特殊数组中找出给定的整数。
* 解答:
* 其实就是“旋转数组”。旋转数组的最小元素见http://bylijinnan.iteye.com/bl
- 天使还是魔鬼?都是我们制造
ducklsl
生活教育情感
----------------------------剧透请原谅,有兴趣的朋友可以自己看看电影,互相讨论哦!!!
从厦门回来的动车上,无意中瞟到了书中推荐的几部关于儿童的电影。当然,这几部电影可能会另大家失望,并不是类似小鬼当家的电影,而是关于“坏小孩”的电影!
自己挑了两部先看了看,但是发现看完之后,心里久久不能平
- [机器智能与生物]研究生物智能的问题
comsci
生物
我想,人的神经网络和苍蝇的神经网络,并没有本质的区别...就是大规模拓扑系统和中小规模拓扑分析的区别....
但是,如果去研究活体人类的神经网络和脑系统,可能会受到一些法律和道德方面的限制,而且研究结果也不一定可靠,那么希望从事生物神经网络研究的朋友,不如把
- 获取Android Device的信息
dai_lm
android
String phoneInfo = "PRODUCT: " + android.os.Build.PRODUCT;
phoneInfo += ", CPU_ABI: " + android.os.Build.CPU_ABI;
phoneInfo += ", TAGS: " + android.os.Build.TAGS;
ph
- 最佳字符串匹配算法(Damerau-Levenshtein距离算法)的Java实现
datamachine
java算法字符串匹配
原文:http://www.javacodegeeks.com/2013/11/java-implementation-of-optimal-string-alignment.html------------------------------------------------------------------------------------------------------------
- 小学5年级英语单词背诵第一课
dcj3sjt126com
englishword
long 长的
show 给...看,出示
mouth 口,嘴
write 写
use 用,使用
take 拿,带来
hand 手
clever 聪明的
often 经常
wash 洗
slow 慢的
house 房子
water 水
clean 清洁的
supper 晚餐
out 在外
face 脸,
- macvim的使用实战
dcj3sjt126com
macvim
macvim用的是mac里面的vim, 只不过是一个GUI的APP, 相当于一个壳
1. 下载macvim
https://code.google.com/p/macvim/
2. 了解macvim
:h vim的使用帮助信息
:h macvim
- java二分法查找
蕃薯耀
java二分法查找二分法java二分法
java二分法查找
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月23日 11:40:03 星期二
http:/
- Spring Cache注解+Memcached
hanqunfeng
springmemcached
Spring3.1 Cache注解
依赖jar包:
<!-- simple-spring-memcached -->
<dependency>
<groupId>com.google.code.simple-spring-memcached</groupId>
<artifactId>simple-s
- apache commons io包快速入门
jackyrong
apache commons
原文参考
http://www.javacodegeeks.com/2014/10/apache-commons-io-tutorial.html
Apache Commons IO 包绝对是好东西,地址在http://commons.apache.org/proper/commons-io/,下面用例子分别介绍:
1) 工具类
2
- 如何学习编程
lampcy
java编程C++c
首先,我想说一下学习思想.学编程其实跟网络游戏有着类似的效果.开始的时候,你会对那些代码,函数等产生很大的兴趣,尤其是刚接触编程的人,刚学习第一种语言的人.可是,当你一步步深入的时候,你会发现你没有了以前那种斗志.就好象你在玩韩国泡菜网游似的,玩到一定程度,每天就是练级练级,完全是一个想冲到高级别的意志力在支持着你.而学编程就更难了,学了两个月后,总是觉得你好象全都学会了,却又什么都做不了,又没有
- 架构师之spring-----spring3.0新特性的bean加载控制@DependsOn和@Lazy
nannan408
Spring3
1.前言。
如题。
2.描述。
@DependsOn用于强制初始化其他Bean。可以修饰Bean类或方法,使用该Annotation时可以指定一个字符串数组作为参数,每个数组元素对应于一个强制初始化的Bean。
@DependsOn({"steelAxe","abc"})
@Comp
- Spring4+quartz2的配置和代码方式调度
Everyday都不同
代码配置spring4quartz2.x定时任务
前言:这些天简直被quartz虐哭。。因为quartz 2.x版本相比quartz1.x版本的API改动太多,所以,只好自己去查阅底层API……
quartz定时任务必须搞清楚几个概念:
JobDetail——处理类
Trigger——触发器,指定触发时间,必须要有JobDetail属性,即触发对象
Scheduler——调度器,组织处理类和触发器,配置方式一般只需指定触发
- Hibernate入门
tntxia
Hibernate
前言
使用面向对象的语言和关系型的数据库,开发起来很繁琐,费时。由于现在流行的数据库都不面向对象。Hibernate 是一个Java的ORM(Object/Relational Mapping)解决方案。
Hibernte不仅关心把Java对象对应到数据库的表中,而且提供了请求和检索的方法。简化了手工进行JDBC操作的流程。
如
- Math类
xiaoxing598
Math
一、Java中的数字(Math)类是final类,不可继承。
1、常数 PI:double圆周率 E:double自然对数
2、截取(注意方法的返回类型) double ceil(double d) 返回不小于d的最小整数 double floor(double d) 返回不大于d的整最大数 int round(float f) 返回四舍五入后的整数 long round