- Pytorch ResNet Fashion-Mnist
hyhchaos
pytorch实现ResNetonFashion-MNISTfrom__future__importprint_functionimporttorchimporttimeimporttorch.nnasnnimporttorch.nn.functionalasFimporttorchvisionimporttorchvision.transformsastransformsfromtorchimp
- 基于PyTorch的ResNet50的10分类模型
Covirtue
人工智能pythonPytorchpytorch分类人工智能
使用PyTorch框架构建一个基于ResNet50的10分类模型并进行训练,需要首先确保已经安装了PyTorch和必要的库(如torchvision,用于加载预训练的ResNet50模型)。以下是一个简单的步骤指导,包括模型构建、数据加载、训练循环和测试过程。第一步:导入必要的库importtorchimporttorch.nnasnnimporttorch.optimasoptimfromtor
- VIT论文阅读: A Image is Worth 16x16 Words
Undefined游侠
论文阅读
简介在2024年,大家都知道了transformer的故事,但是在4年前,CNN和Transformer谁才是CV的未来,还没有那么确定。在简介部分,作者提到了一个令人失望的事实,在基于imagenet的实验中发现,transformer的表现差于同尺寸的ResNet。作者把原因归结到biastranslationequivarianceandlocality,这些CNN具有,但是transfor
- Unet 高阶分割网络实战、多类别分割、迁移学习(deeplab、resnet101等等)
听风吹等浪起
图像分割计算机视觉人工智能
1、前言Unet图像分割之前介绍了不少,具体可以参考图像分割专栏为了实现多类别的自适应分割,前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来,保存在txt文本里,这样txt里面就会有类似012...等等的灰度值。而有几个灰度值,就代表分割要分出几个类别。具体可以参考:Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
- 深度学习(16)--基于经典网络架构resnet训练图像分类模型
GodFishhh
深度学习深度学习python人工智能pytorch
目录一.项目介绍二.项目流程详解2.1.引入所需的工具包2.2.数据读取和预处理2.3.加载resnet152模型2.4.初始化模型2.5.设置需要更新的参数2.6.训练模块设置2.7.再次训练所有层2.8.测试网络效果三.完整代码一.项目介绍使用PyTorch工具包调用经典网络架构resnet训练图像分类模型,用于分辨不同类型的花二.项目流程详解2.1.引入所需的工具包importosimpor
- (7)PyTorch预训练
顽皮的石头7788121
(1)直接加载预训练模型如果我们使用的模型和原模型完全一样,那么我们可以直接加载别人训练好的模型:my_resnet=MyResNet(*args,**kwargs)my_resnet.load_state_dict(torch.load("my_resnet.pth"))当然这样的加载方法是基于PyTorch推荐的存储模型的方法:torch.save(my_resnet.state_dict()
- DS Wannabe之5-AM Project: DS 30day int prep day14
wendyponcho
MachineLearning深度学习机器学习人工智能
Q1.WhatisAlexnet?Q2.WhatisVGGNet?Q3.WhatisVGG16?Q4.WhatisResNet?AttheILSVRC2015,so-calledResidualNeuralNetwork(ResNet)bytheKaimingHeetalintroducedtheanovelarchitecturewith“skipconnections”andfeaturesh
- 基于PaddlePaddle2.0的蝴蝶图像识别分类
bianhuaHYQ
笔记python图像识别人工智能
基于PaddlePaddle2.0的蝴蝶图像识别分类——利用预训练残差网络ResNet101模型分类资源来源如下:https://aistudio.baidu.com/aistudio/education/group/info/119391.蝴蝶识别分类任务概述本项目将利用人工智能技术来对蝴蝶图像进行分类,需要能对蝴蝶的类别、属性进行细粒度的识别分类。相关研究工作者能够根据采集到的蝴蝶图片,快速识
- MIT-BEVFusion系列七--量化2_Camera、Fuser、Decoder网络的量化
端木的AI探索屋
自动驾驶算法python人工智能网络
目录Camera量化CameraBackbone(Resnet50)量化替换量化层,增加residual_quantizer,修改bottleneck的前向对Add操作进行量化CameraNeck(GeneralizedLSSFPN)量化将Conv2d模块替换为QuantConv2d模块CameraNeck中添加对拼接操作的量化替换CameraNeck中的ForwardCameraVTransfo
- CNN网络的宽度和深度
zhnidj
CNN网络的宽度和深度都很重要ResNet、DenseNet解决的是如何让网络更深且避免梯度消失、网络退化各类组卷积的方法解决的是如何让网络以更高效的方式变得更宽
- Unet+ResNet 实战分割项目、多尺度训练、多类别分割
听风吹等浪起
图像分割人工智能计算机视觉
1.介绍传统的Unet网络,特征提取的backbone采用的是vgg模型,vgg的相关介绍和实战参考以前的博文:pytorch搭建VGG网络VGG的特征提取能力其实是不弱的,但网络较为臃肿,容易产生梯度消失或者梯度爆炸的问题。而Resnet可以解决这一问题,参考:ResNet训练CIFAR10数据集,并做图片分类本章在之前文章的基础上,只是将Unet的backbone进行替换,将vgg换成了res
- 深度学习的新进展:从图像识别到自然语言处理
一休哥助手
话题深度学习自然语言处理人工智能
导语:深度学习作为人工智能领域的重要分支,近年来取得了巨大的突破和进展。从最初的图像识别到如今的自然语言处理,深度学习正逐渐渗透到我们日常生活的方方面面。本文将带您一探深度学习的新进展,了解其在图像识别和自然语言处理领域的应用。一、图像识别:从精确度到实时性的提升深度学习在图像识别领域的应用已经取得了令人瞩目的成果。从最早的AlexNet到如今的ResNet、Inception等模型,深度学习模型
- 卷积神经网络(CNN)
栉风沐雪
深度学习cnn人工智能神经网络
本文仅在理论方面讲述CNN相关的知识,并给出AlexNet,Agg,ResNet等网络结构的代码。1.构成由输入层、卷积层、池化层、全连接层构成。输入层:输入数据卷积层:提取图像特征池化层:压缩特征全连接层:为输出准备,形同一维神经网络,下文不另起文笔描述2.神经网络与CNN对比左边为神经网络,右边为卷积神经网络。均采用的时较为简单的结构,卷积神经网络是对基础神经网络的延申,由一维扩展到三位空间,
- 《动手学深度学习(PyTorch版)》笔记7.6
南七澄江
深度学习笔记python深度学习pytorch笔记算法人工智能python
注:书中对代码的讲解并不详细,本文对很多细节做了详细注释。另外,书上的源代码是在JupyterNotebook上运行的,较为分散,本文将代码集中起来,并加以完善,全部用vscode在python3.9.18下测试通过,同时对于书上部分章节也做了整合。Chapter7ModernConvolutionalNeuralNetworks7.6ResidualNetworks(ResNet)随着我们设计越
- 深度学习知识点汇总-目标检测(1)
深度学习模型优化
8.1R-FCNR-FCN属于two-stage的目标检测算法。backbone部分RPN,这里使用ResNet。head部分R-FCN,使用全连接网络。其中ResNet-101+R-FCN的方法在PASCALVOC2007测试数据集的mmAP达到83.6%。图1人脸检测R-FCN的核心思想得到目标多个特征。假设我们只有一个特征图用来检测右眼。那么我们可以使用它定位人脸吗?应该可以。因为右眼应该在
- 探秘深度学习的巅峰之作:ResNet101与其在图像识别领域的革命性应用
程序员Chino的日记
深度学习人工智能
引言深度学习和图像识别的世界已经被深度卷积神经网络的引入所革命化,而在这些网络中,ResNet101架构作为一个重要的里程碑脱颖而出。本文旨在详细探讨ResNet101架构、其设计、功能和应用。ResNet革命2015年在计算机视觉和模式识别会议(CVPR)上介绍的ResNet(残差网络)家族,标志着深度学习图像识别的一个转折点。这些网络引入了残差学习的概念,解决了深度神经网络中的梯度消失问题,使
- 深度学习的进展
李建军
软件使用深度学习人工智能
深度学习近年来的进展在各个领域均展现出非凡的实力,以下将进一步详述几个关键领域的具体突破和应用:1.计算机视觉图像分类与识别:随着深度卷积神经网络的发展,如AlexNet、VGG、Inception系列、ResNet以及DenseNet等模型,图像分类准确率显著提高。尤其是ImageNet大规模视觉识别挑战赛上,错误率逐年降低,现在已经接近人类水平。目标检测:RCNN系列(FastRCNN、Fas
- 「竞赛调研」GeoLifeCLEF 2022 x FGVC9 - 任务及解决方案
Sternstunden
竞赛计算机视觉机器学习人工智能
任务说明本次竞赛的目标是预测植物和动物物种的地理分布,比赛方提供了来自法国和美国的1.6M个地理定位的观测数据,涵盖17K个物种(其中9K个为植物物种,8K个为动物物种)。解决方案rank1-SensioTeam总体概述团队集成了3个模型:1.一个双模态网络。团队使用Nir+G+B,在预训练的resnet34上,将其最后一层堆叠到一个3层FCN(包含环境向量+纬度+经度+国家+海拔平均值+最大-最
- 常见分类网络的结构
hzhj
计算机视觉
VGG16图片来自这里MobilenetV3small和large版本参数,图片来着这里Resnet图片来自这里
- 人工智能:破局与创新的较量,谁将主宰未来?
猫之角
一、AI发展趋势1.1数据驱动的增长AI的快速发展离不开大量数据的支撑。随着5G、物联网等技术的普及,数据的采集、传输和处理能力得到了极大提升。这使得数据驱动的AI技术取得了突破性进展,尤其是在计算机视觉、自然语言处理等领域。1.2深度学习与神经网络的创新深度学习作为AI的核心技术之一,其基于神经网络的算法在近年来得到了快速发展。从LeNet、AlexNet到ResNet,再到GPT、BERT等模
- [动手学深度学习-PyTorch版]-5.11卷积神经网络-残差网络(ResNet)
蒸饺与白茶
5.11残差网络(ResNet)让我们先思考一个问题:对神经网络模型添加新的层,充分训练后的模型是否只可能更有效地降低训练误差?理论上,原模型解的空间只是新模型解的空间的子空间。也就是说,如果我们能将新添加的层训练成恒等映射f(x)=x,新模型和原模型将同样有效。由于新模型可能得出更优的解来拟合训练数据集,因此添加层似乎更容易降低训练误差。然而在实践中,添加过多的层后训练误差往往不降反升。即使利用
- Deeplearning with pytorch p1ch2
风与海的半神
深度学习
Deeplearningwithpytorchp1ch2AlexNet&ResNetResNet&resnet101AlexNet&ResNetResNet&resnet101ResNet:residualnetworksresnet101多层神经网络结构,今天的主要收获如下更改jupyter默认文件路径;torchvision中的models,transforms模块;PIL的Image模块;t
- pytorch gpu推理、onnxruntime gpu推理、tensorrt gpu推理比较,及安装教程,有详细代码解释
idealmu
pytorch人工智能python
需要下载的测试用的文件测试图片:https://upload.wikimedia.org/wikipedia/commons/2/26/YellowLabradorLooking_new.jpg-Odog.jpg类别文件:https://raw.githubusercontent.com/Lasagne/Recipes/master/examples/resnet50/imagenet_class
- 【RT-DETR有效改进】利用YOLO-MS的MSBlock模块改进ResNet中的Bottleneck(RT-DETR深度改进)
Snu77
RT-DETR有效改进专栏YOLO深度学习目标检测人工智能计算机视觉pythonRT-DETR
欢迎大家订阅本专栏,一起学习RT-DETR一、本文介绍本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块(其其实不能算是Conv但是其应该是一整个模块),我们将其用于替换我们ResNet中Basic组合出一种新的结构,来替换我们网络中的模块可以达到一种轻量化的作用,我将其用于我的数据集上实验,其在轻量网络结构的同时,却能够提高一定的mAP精度,所以这是一种
- OBB头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
迪菲赫尔曼
YOLOv8改进实战YOLOultralytics旋转目标检测OBB原创改进
左图:ResNet的一个模块。右图:复杂度大致相同的ResNeXt模块,基数(cardinality)为32。图中的一层表示为(输入通道数,滤波器大小,输出通道数)。1.思路ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型,但ResNeXt有个特别之处:它采用了多个并行的“组”来处理数据,而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的特征
- python运行报错_AttributeError: module ‘tensorflow‘ has no attribute ‘contrib‘
阿罗的小小仓库
代码调试过程中遇到的问题python开发语言
问题描述:File"/data/Code/resnet.py",line23,ininitializer=tf.contrib.layers.xavier_initializer_conv2d()AttributeError:module'tensorflow'hasnoattribute'contrib'问题分析:这个错误是因为代码中使用了TensorFlow1.x的风格,而在TensorFlo
- 分割头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
迪菲赫尔曼
YOLOv8改进实战YOLO深度学习目标检测人工智能计算机视觉
左图:ResNet的一个模块。右图:复杂度大致相同的ResNeXt模块,基数(cardinality)为32。图中的一层表示为(输入通道数,滤波器大小,输出通道数)。1.思路ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型,但ResNeXt有个特别之处:它采用了多个并行的“组”来处理数据,而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的特征
- PyTorch学习:加载模型和参数
TravelingLight77
DLPytorchpytorch深度学习神经网络
1.直接加载模型和参数加载别人训练好的模型:#保存和加载整个模型torch.save(model_object,'resnet.pth')model=torch.load('resnet.pth')2.分别加载网络的结构和参数#将my_resnet模型储存为my_resnet.pthtorch.save(my_resnet.state_dict(),"my_resnet.pth")#加载resne
- 铁轨语义分割(Unet结合resnet系列)
论搬砖的艺术
深度学习深度学习
数据介绍一类是图片,一类是图像标签。引入库,处理数据importtorch.nnasnnimporttorchimporttorch.nn.functionalasFimportosfromPILimportImageimporttorchfromtorch.utils.dataimportDatasetimporttorchvision.transformsastransformsfromtor
- TensorFlow2实战-系列教程14:Resnet实战2
机器学习杨卓越
TensorFlowtensorflow人工智能pythonresnet深度学习计算机视觉
TensorFlow2实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在JupyterNotebook中进行本篇文章配套的代码资源已经上传Resnet实战1Resnet实战2Resnet实战34、训练脚本train.py解读------创建模型defget_model():model=resnet50.ResNet50()ifconfig.model=="resnet34":m
- Java实现的简单双向Map,支持重复Value
superlxw1234
java双向map
关键字:Java双向Map、DualHashBidiMap
有个需求,需要根据即时修改Map结构中的Value值,比如,将Map中所有value=V1的记录改成value=V2,key保持不变。
数据量比较大,遍历Map性能太差,这就需要根据Value先找到Key,然后去修改。
即:既要根据Key找Value,又要根据Value
- PL/SQL触发器基础及例子
百合不是茶
oracle数据库触发器PL/SQL编程
触发器的简介;
触发器的定义就是说某个条件成立的时候,触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用,也不能调用。触发器和过程函数类似 过程函数必须要调用,
一个表中最多只能有12个触发器类型的,触发器和过程函数相似 触发器不需要调用直接执行,
触发时间:指明触发器何时执行,该值可取:
before:表示在数据库动作之前触发
- [时空与探索]穿越时空的一些问题
comsci
问题
我们还没有进行过任何数学形式上的证明,仅仅是一个猜想.....
这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
- easy ui datagrid上移下移一行
商人shang
js上移下移easyuidatagrid
/**
* 向上移动一行
*
* @param dg
* @param row
*/
function moveupRow(dg, row) {
var datagrid = $(dg);
var index = datagrid.datagrid("getRowIndex", row);
if (isFirstRow(dg, row)) {
- Java反射
oloz
反射
本人菜鸟,今天恰好有时间,写写博客,总结复习一下java反射方面的知识,欢迎大家探讨交流学习指教
首先看看java中的Class
package demo;
public class ClassTest {
/*先了解java中的Class*/
public static void main(String[] args) {
//任何一个类都
- springMVC 使用JSR-303 Validation验证
杨白白
springmvc
JSR-303是一个数据验证的规范,但是spring并没有对其进行实现,Hibernate Validator是实现了这一规范的,通过此这个实现来讲SpringMVC对JSR-303的支持。
JSR-303的校验是基于注解的,首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。
登录需要验证类
public class Login {
@NotEmpty
- log4j
香水浓
log4j
log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE
#log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML
#console
log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender
log4
- 使用ajax和history.pushState无刷新改变页面URL
agevs
jquery框架Ajaxhtml5chrome
表现
如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时,细心的你会发现页面之间的点击是通过ajax异步请求的,同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。
是什么有这么强大的功能呢?
HTML5里引用了新的API,history.pushState和history.replaceState,就是通过
- centos中文乱码
AILIKES
centosOSssh
一、CentOS系统访问 g.cn ,发现中文乱码。
于是用以前的方式:yum -y install fonts-chinese
CentOS系统安装后,还是不能显示中文字体。我使用 gedit 编辑源码,其中文注释也为乱码。
后来,终于找到以下方法可以解决,需要两个中文支持的包:
fonts-chinese-3.02-12.
- 触发器
baalwolf
触发器
触发器(trigger):监视某种情况,并触发某种操作。
触发器创建语法四要素:1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete)
语法:
create trigger triggerName
after/before 
- JS正则表达式的i m g
bijian1013
JavaScript正则表达式
g:表示全局(global)模式,即模式将被应用于所有字符串,而非在发现第一个匹配项时立即停止。 i:表示不区分大小写(case-insensitive)模式,即在确定匹配项时忽略模式与字符串的大小写。 m:表示
- HTML5模式和Hashbang模式
bijian1013
JavaScriptAngularJSHashbang模式HTML5模式
我们可以用$locationProvider来配置$location服务(可以采用注入的方式,就像AngularJS中其他所有东西一样)。这里provider的两个参数很有意思,介绍如下。
html5Mode
一个布尔值,标识$location服务是否运行在HTML5模式下。
ha
- [Maven学习笔记六]Maven生命周期
bit1129
maven
从mvn test的输出开始说起
当我们在user-core中执行mvn test时,执行的输出如下:
/software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
- 【Hadoop七】基于Yarn的Hadoop Map Reduce容错
bit1129
hadoop
运行于Yarn的Map Reduce作业,可能发生失败的点包括
Task Failure
Application Master Failure
Node Manager Failure
Resource Manager Failure
1. Task Failure
任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
- 记一次数据推送的异常解决端口解决
ronin47
记一次数据推送的异常解决
需求:从db获取数据然后推送到B
程序开发完成,上jboss,刚开始报了很多错,逐一解决,可最后显示连接不到数据库。机房的同事说可以ping 通。
自已画了个图,逐一排除,把linux 防火墙 和 setenforce 设置最低。
service iptables stop
- 巧用视错觉-UI更有趣
brotherlamp
UIui视频ui教程ui自学ui资料
我们每个人在生活中都曾感受过视错觉(optical illusion)的魅力。
视错觉现象是双眼跟我们开的一个玩笑,而我们往往还心甘情愿地接受我们看到的假象。其实不止如此,视觉错现象的背后还有一个重要的科学原理——格式塔原理。
格式塔原理解释了人们如何以视觉方式感觉物体,以及图像的结构,视角,大小等要素是如何影响我们的视觉的。
在下面这篇文章中,我们首先会简单介绍一下格式塔原理中的基本概念,
- 线段树-poj1177-N个矩形求边长(离散化+扫描线)
bylijinnan
数据结构算法线段树
package com.ljn.base;
import java.util.Arrays;
import java.util.Comparator;
import java.util.Set;
import java.util.TreeSet;
/**
* POJ 1177 (线段树+离散化+扫描线),题目链接为http://poj.org/problem?id=1177
- HTTP协议详解
chicony
http协议
引言
- Scala设计模式
chenchao051
设计模式scala
Scala设计模式
我的话: 在国外网站上看到一篇文章,里面详细描述了很多设计模式,并且用Java及Scala两种语言描述,清晰的让我们看到各种常规的设计模式,在Scala中是如何在语言特性层面直接支持的。基于文章很nice,我利用今天的空闲时间将其翻译,希望大家能一起学习,讨论。翻译
- 安装mysql
daizj
mysql安装
安装mysql
(1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps (强制删除)
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i MySQL-server-5.5.31-2.el
- HTTP状态码大全
dcj3sjt126com
http状态码
完整的 HTTP 1.1规范说明书来自于RFC 2616,你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性,因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端,支持协议版本可以通过调用request
- asihttprequest上传图片
dcj3sjt126com
ASIHTTPRequest
NSURL *url =@"yourURL";
ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url];
[currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
- C语言中,关键字static的作用
e200702084
C++cC#
在C语言中,关键字static有三个明显的作用:
1)在函数体,局部的static变量。生存期为程序的整个生命周期,(它存活多长时间);作用域却在函数体内(它在什么地方能被访问(空间))。
一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区,函数调用结束后并不释放单元,但是在其它的作用域的无法访问。当再次调用这个函数时,这个局部的静态变量还存活,而且用在它的访
- win7/8使用curl
geeksun
win7
1. WIN7/8下要使用curl,需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。 下载地址:
http://curl.haxx.se/download.html 请选择不带SSL的版本,否则还需要安装SSL的支持包 2. 可以给Windows增加c
- Creating a Shared Repository; Users Sharing The Repository
hongtoushizi
git
转载自:
http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section:
git init –bare
git clone
git remote
git pull
git p
- Java实现字符串反转的8种或9种方法
Josh_Persistence
异或反转递归反转二分交换反转java字符串反转栈反转
注:对于第7种使用异或的方式来实现字符串的反转,如果不太看得明白的,可以参照另一篇博客:
http://josh-persistence.iteye.com/blog/2205768
/**
*
*/
package com.wsheng.aggregator.algorithm.string;
import java.util.Stack;
/**
- 代码实现任意容量倒水问题
home198979
PHP算法倒水
形象化设计模式实战 HELLO!架构 redis命令源码解析
倒水问题:有两个杯子,一个A升,一个B升,水有无限多,现要求利用这两杯子装C
- Druid datasource
zhb8015
druid
推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证,稳定可靠。 它最重要的特点是:监控、扩展和性能。 下载和Maven配置看这里: http
- 两种启动监听器ApplicationListener和ServletContextListener
spjich
javaspring框架
引言:有时候需要在项目初始化的时候进行一系列工作,比如初始化一个线程池,初始化配置文件,初始化缓存等等,这时候就需要用到启动监听器,下面分别介绍一下两种常用的项目启动监听器
ServletContextListener
特点: 依赖于sevlet容器,需要配置web.xml
使用方法:
public class StartListener implements
- JavaScript Rounding Methods of the Math object
何不笑
JavaScriptMath
The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(), Math.floor(), and Math.round() — handle rounding in differen