- 使用rknn进行facenet部署
点PY
深度学习模型部署rknn人脸识别
文章目录开源仓库pth转onnxnetron可视化onnx转rknnC++实现开源仓库https://github.com/bubbliiiing/facenet-pytorchpth转onnx修改facenet网络的forward函数代码修改前defforward(self,x,mode="predict"):ifmode==
- 数值型特征处理 - 归一化和分桶
Ivanqhz
设计模式javaspark大数据分布式
归一化概述归一化,好像是把数据缩放到某个范围内,比如0到1或者标准化处理。而分桶可能是指把连续的数值分成不同的区间,比如年龄段分成0-18,19-30这样的区间消除特征间的量纲差异,使不同特征具有可比性,适用于依赖距离或梯度的模型(如SVM、神经网络、KNN)最大最小归一化(Min-MaxScaling)将数据线性映射到[0,1]计算公式:xnorm=x−xminxmax−xminx_{norm}
- OpenCV:视频背景减除
Quz
计算机视觉opencv音视频人工智能计算机视觉
目录简述1.MOG1.1主要特点1.2代码示例1.3运行效果2.MOG22.1主要特点2.2代码示例2.3运行效果3.KNN4.GMG5.CNT6.LSBP7.如何选择适合的接口?7.1考虑场景的动态性7.2考虑光照变化情况7.3考虑实时性要求7.4考虑物体特征7.5考虑阴影影响8.资源下载简述在计算机视觉领域,背景减除广泛应用于目标检测、视频监控、运动分析等任务。OpenCV提供了多种背景减除算
- 【人工智能-初级】第20章 使用 Matplotlib 和 Seaborn 进行数据可视化
若北辰
人工智能信息可视化人工智能matplotlib
【人工智能-初级】系列专栏【人工智能-初级】第1章人工智能概述【人工智能-初级】第2章机器学习入门:从线性回归开始【人工智能-初级】第3章k-最近邻算法(KNN):分类和Python实现【人工智能-初级】第4章用Python实现逻辑回归:从数据到模型【人工智能-初级】第5章支持向量机(SVM):原理解析与代码实现【人工智能-初级】第6章决策树和随机森林:浅显易懂的介绍及Python实践【人工智能-
- ubuntu22.04,瑞芯微RK3568部署YOLOv5(纯干货版)
今夕是何年,
视觉算法部署YOLO人工智能深度学习
目录1,训练自己的数据集转换为onnx2,onnx格式→rknn格式3,3588平台部署1,训练自己的数据集转换为onnx在Anaconda的yolov5,进入yolov5根目录,终端运行如下pythonmodels/export.py--weightxx.pt#此处为需要转换模型的相对路径当然也可以是绝对路径如runs/train/exp/weight/best.pt若出现模块不存在的情况,只需
- KNN算法:从思想到实现(附代码)
lihuayong
人工智能机器学习算法KNN算法分类问题回归问题
引言K最近邻算法(KNearestNeighbors,KNN)是一种简单而有效的机器学习算法,用于分类和回归问题。其核心思想基于“近朱者赤,近墨者黑”,即通过测量不同特征值之间的距离来进行分类或预测数值。本文将详细介绍KNN的核心概念、使用方法及其在sklearn中的实现,并展示如何自己动手编写一个简单的KNN算法。新样本寻找K个最近邻分类问题:多数表决回归问题:均值计算KNN核心思想如何做一个样
- 必知!10大机器学习算法
人工智能
必知!10大机器学习算法7分钟阅读2025年02月06日“机器学习是一门让计算机在没有明确编程的情况下采取行动的科学。”——吴恩达近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】1.K最近邻(KNN)KNN是一种简单却强大的分类算法,它依据数据点之间的邻近程度来判断类别归属。具体做法是,
- 细说机器学习算法之ROC曲线用于模型评估
Melancholy 啊
机器学习算法人工智能数据挖掘python
系列文章目录第一章:Pyhton机器学习算法之KNN第二章:Pyhton机器学习算法之K—Means第三章:Pyhton机器学习算法之随机森林第四章:Pyhton机器学习算法之线性回归第五章:Pyhton机器学习算法之有监督学习与无监督学习第六章:Pyhton机器学习算法之朴素贝叶斯第七章:Pyhton机器学习算法之XGBoost第八章:Pyhton机器学习算法之GBDT第九章:Pyhton机器学
- 使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测。
Jam-Young
scikit-learnpython信息可视化
使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测。#导入鸢尾花数据集fromsklearn.datasetsimportload_iris,fetch_20newsgroups#数据化可视包importseabornassnsimportmatplotlib.pyplotaspltimportpandasaspdfromsklearn.model_selectio
- 使用 Python 和 scikit-learn 实现 KNN 分类:以鸢尾花数据集为例
弥树子
pythonscikit-learn分类
在机器学习的世界里,K-NearestNeighbors(KNN)算法是一种简单而强大的分类方法。它基于一个直观的想法:相似的数据点往往属于同一类别。本文将通过Python的scikit-learn库实现KNN分类,以经典的鸢尾花数据集为例,展示从数据加载到模型评估的完整流程。1.KNN算法简介KNN是一种监督学习算法,主要用于分类和回归任务。它的工作原理非常简单:对于一个新的数据点,算法会查找训
- machine learning knn算法之使用KNN对鸢尾花数据集进行分类
知识鱼丸
machinelearning机器学习算法分类
通过导入必要的scikit-learn导入必要的库,加载给定的数据,划分测试集和训练集之后训练预测和评估即可具体代码如下:importnumpyasnpfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardS
- 使用scikit-learn中的KNN包实现对鸢尾花数据集的预测。
灵封~
scikit-learn机器学习人工智能
导入必要的库和数据集#导入鸢尾花数据集fromsklearn.datasetsimportload_iris#数据化可视包importpandasaspdfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportMinMaxScaler,StandardScalerfromsklearn.neig
- 使用scikit-learn中的KNN包实现对鸢尾花数据集的预测
辞落山
scikit-learnpython机器学习
引言K最近邻(KNN)算法是一种简单且直观的分类算法。它通过计算数据点之间的距离来对新样本进行分类。鸢尾花数据集是一个经典的机器学习数据集,包含了三种不同类型的鸢尾花,每种类型由四个特征(花萼长度、花萼宽度、花瓣长度和花瓣宽度)描述。本文将使用scikit-learn中的KNN算法对该数据集进行分类预测。KNN算法概述KNN算法的核心思想是:对于一个未知类别的样本,通过计算该样本与已知样本的距离,
- python鸢尾花数据集knn_【python+机器学习1】python 实现 KNN
weixin_39629269
python鸢尾花数据集knn
欢迎关注哈希大数据微信公众号【哈希大数据】1KNN算法基本介绍K-NearestNeighbor(k最邻近分类算法),简称KNN,是最简单的一种有监督的机器学习算法。也是一种懒惰学习算法,即开始训练仅仅是保存所有样本集的信息,直到测试样本到达才开始进行分类决策。KNN算法的核心思想:要想确定测试样本属于哪一类,就先寻找所有训练样本中与该测试样本“距离”最近的前K个样本,然后判断这K个样本中大部分所
- 【机器学习】使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测
加德霍克
机器学习人工智能python学习作业
一、KNN算法概念K最近邻(K-NearestNeighbor,KNN)分类算法是数据挖掘分类技术中最简单的方法之一,是著名的模式识别统计学方法,在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一,也是基于实例的学习方法中最基本的,又是最好的文本分类算法之一。二、对鸢尾花数据集进行预测1、代码示例:fromsklearn.datasetsimportl
- RK3568笔记二十九:RTMP推流
殷忆枫
RK3568学习笔记笔记
若该文为原创文章,转载请注明原文出处。基于RK3568的RTMP推流测试,此代码是基于勇哥的github代码修改的,源码地址MontaukLaw/3568_rknn_rtmp:rk3568的推理+推流(github.com)感兴趣的可以clone下来测试。也可以下载修改后的代码测试。Yinyifeng18/rk3568_rknn_rtmp:正点原子RK3568RTMP公网推流(github.com
- 超简单|Python实现机器学习算法——KNN
birdcome
python机器学习KNN算法
超简单|Python实现机器学习算法——KNNKNN算法简介算法实现步骤如何用python实现KNN算法Scikit-learn算法库实现KNN分类器Sklearn建模流程KNN算法简介KNN算法(k近邻算法)是一种有监督分类算法,它的原理非常简单,下面以一个简单的例子引入。已知两种酒的标签:赤霞珠和黑皮诺,在这个情景中,我们对酒进行分类的依据是酒精浓度和颜色深度,如下图所示:红色代表赤霞珠,紫色
- 【RKNN系列】常用函数:使用RGA加速画框
jcfszxc
RKNN系列Rockchiprknn-toolkit2c++RKNN
以下是针对convert_and_draw_rectangle函数的详细使用说明:convert_and_draw_rectangle函数功能在给定的图像数据上使用RGA(RockchipGraphicsAcceleration)绘制矩形框。语法IM_STATUSconvert_and_draw_rectangle(uint8_t*dst_data,intwidth,intheight,const
- 2. 下载rknn-toolkit2项目
jcfszxc
RKNN系列rknn-toolkit2RKNN
官网链接:https://github.com/airockchip/rknn-toolkit2安装好git:[[1.Git的安装]]下载项目:gitclonehttps://github.com/airockchip/rknn-toolkit2.git或者直接去github下载压缩文件,解压即可。
- 3. 测试Docker镜像
jcfszxc
RKNN系列RKNNrknn-toolkit2
运行命令进入Docker镜像:dockerrun-t-i--privileged\-v/dev/bus/usb:/dev/bus/usb\-v/path/to/your/project:/examples\rknn-toolkit2:2.1.0-cp38\/bin/bash参数解释:dockerrun:这是Docker的基本命令,用于创建和启动一个新的容器。-t:分配一个伪终端(pseudo-TT
- 1. 下载安装RKNN的docker镜像
jcfszxc
RKNN系列c++Rockchip
安装好docker:1.Docker的安装进入网盘,下载镜像文件:网盘链接:https://console.zbox.filez.com/l/I00fc3密码:rknn下载最新的版本,当前最新版本2.1.0,([[2024-09-01]]):下载路径:GPU-Group01的分享/RKNPU2SDK/2.1.0/release/rknn-toolkit2-2.1.0-cp38-docker.tar
- 机器学习实战笔记5——线性判别分析
绍少阿
机器学习笔记可视化机器学习python人工智能
任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、逻辑回归14、深度学习线性判别分析(LDA)Ⅰ核心思想对于同样一件事,站在不同的角度,我们往往会有不同的看法,而降维思想,亦是如此。同上节课一样,我们还是学习降维的算法,只是提供了一种新的角度,由上
- 理论+实践,一文带你读懂线性回归的评价指标
木东居士
关于作者:饼干同学,某人工智能公司交付开发工程师/建模科学家。专注于AI工程化及场景落地,希望和大家分享成长中的专业知识与思考感悟。0x00前言:本篇内容是线性回归系列的第三篇。在《模型之母:简单线性回归&最小二乘法》、《模型之母:简单线性回归&最小二乘法》中我们学习了简单线性回归、最小二乘法,并完成了代码的实现。在结尾,我们抛出了一个问题:在之前的kNN算法(分类问题)中,使用分类准确度来评价算
- 毕设项目 基于特征熵值分析的网站分类系统实现(源码+论文)
iuidfds
毕业设计毕设
文章目录0项目说明1研究目的2研究方法3研究结论4各模块介绍4.1爬虫模块功能与技术4.2网页处理模块功能与技术4.3特征提取与文本特征表示模块功能与技术4.4分类器模块功能与技术5项目源码6论文目录7最后0项目说明基于特征熵值分析的网站分类系统实现提示:适合用于课程设计或毕业设计,工作量达标,源码开放1研究目的本设计对KNN算法的缺陷产生原因进行详细地分析,并针对缺陷对算法进行了引入属性熵值等一
- 【机器学习】K近邻
可口的冰可乐
机器学习机器学习人工智能
2.K近邻K近邻算法(KNN)的基本思想是通过计算待分类样本与训练集中所有样本之间的距离,选取距离最近的K个样本,根据这些样本的标签进行分类或回归。KNN属于非参数学习算法,因为它不假设数据的分布形式,主要依赖距离度量来进行决策。优点简单易懂:KNN算法非常直观,容易理解和实现。无假设:KNN算法对数据没有假设,适用于复杂分布的数据集。适用于多类分类问题:KNN能够处理多类分类问题,只需在投票过程
- 高通成都linux engineer intern 一面面经
2301_78234743
java
题解|#KNN算法#在*******里有个叫《题解--2024华南理工校赛.pdf》的文件高通成都linuxengineerintern一面面经两个面试官共25min就结束了,面试氛围还可以,问的很快。1.自我介绍2.问对高通了解多少3.对牛客鼠人传(第四十四集,2024/4/22)刷题:尝试补昨天D,题解看了半天似懂非懂,遂放弃改天再补。做题老是把复杂的问题想简单,简单的问题想复京东物流管理培训
- knn分类代码实现(超详解)
小锐->技术成就梦想,梦想成就辉煌。
python分类机器学习算法
本文未赘述原理,觉得知道knn的优秀的同志们都有一定的了解,直接上代码,本代码作为一个参考,希望大家能够结合本人的代码自己去做一遍,虽然可以直接调knn或有数据集,本文呈现的更多的是底层。1.创建knn.py#定义一个knn函数,后期方便调用.classKNN(object):def__init__(self,k=3):#定义内置函数,方便自己传参,默认k值为3self.k=k#用于整个函数可以使
- K近邻(KNN)算法详解及Python实现
天明豆豆
K近邻(KNN)算法详解及Python实现今天浏览网页看到一篇用Python实现K近邻(KNN)算法的详解教程,果断收藏下来,虽然是五年前的文章,可能有些语法已经不适合,但文章语法思路还是可以值得借鉴的,收藏之后以后慢慢研究。KNN依然是一种监督学习算法KNN(KNearestNeighbors,K近邻)算法是机器学习所有算法中理论最简单,最好理解的。KNN是一种基于实例的学习,通过计算新数据与训
- 每天一个数据分析题(五百一十二)- 数据标准化
跟着紫枫学姐学CDA
数据分析题库数据分析数据挖掘
在完整的机器学习流程中,数据标准化(DataStandardization)一直是一项重要的处理流程。不同模型对于数据是否标准化的敏感程度不同,以下哪个模型对变量是否标准化不敏感?A.决策树B.KNNC.K-MeansD.SVM数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,S
- R语言 机器学习 KNN 2个例子
waterHBO
r语言机器学习开发语言
代码的写法,参考来源是这本书:MachineLearningwithR,2ndEdition.pdf相关的资源我已经上传了,包括代码,数据,以及这行本书。下载链接–免积分下载。https://download.csdn.net/download/waterHBO/896756871.第一个例子,代码和过程,全部来自书上#我根据书中第三章KNN的内容来做的。#第3章,KNN,K-NearestNei
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
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/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置