- 机器学习(1)机器学习类型和机器学习的主要概念
星影沉璧
深度学习驴车漂移机器学习人工智能
0.前提深度学习(DeepLearing)是机器学习(MachineLearning)领域中的一个新的研究方向,在如今的时代研究深度学习的大模型是十分热门的。我不知道有多少人有关注到最近openai的事件啊,说个比较让我惊讶的事情,一直在支持我做一些实验的老师今年在ICCV的A区发文章,直接给我看傻了,平常经常看到老师骑着电车在学校里面跑。既然深度学习是机器学习的一个子集,那想要入门深度学习,学习
- 2020-12-13 docker build for deepLearing env mxnet-cu10
罗志鹏_6145
dockerbuildfordeepLearingenvmxnet-cu10baseimagenvidia/cuda:10.1-cudnn7-runtime-ubuntu18.04pullimagedockerpull[OPTIONS]NAME[:TAG|@DIGEST]dockerpullnvidia/cuda:10.1-cudnn7-runtime-ubuntu18.04Untitled.pn
- AWS服务器密码登录设置
Greensue86
最近在aws申请了一个服务器,选择的AMI是DeepLearing的linux版本,该实例包含了深度学习所需要的安装包和环境。启动实例后按照aws官网指示的方法从mac登陆远程服务器:$sudossh-i~/.ssh/
[email protected]若每次都这样登陆比较麻烦,所以先设置密码登录,步骤如下:1.更改root用户的密码$sudopasswdroo
- 神经网络那些事之在现实生活中的应用
123liudong
书籍神经网络应用
https://github.com/123liudong/deeplearing_nocode_handbook.git神经网络是一种算法,但是它离我们每个人都很近,不知不觉神经网络已经渗透到了各个领域中并且已经得到大量的应用.也许你没注意到,下面我将介绍几个很常见的应用来告诉你神经网络到底有多么多么的强大!图像领域在未来的某个时间&某个地点,你发现了一张90年代关于自己一家人合照的照片.可是不
- 吴恩达老师DeepLearning系列课程最详细学习笔记之23—Jupyter Ipython笔记本的快速指南
james9668
吴恩达DeepLearning人工智能深度学习
教程是本人学习吴恩达老师DeepLearing系列课程中整理的最为详细的学习笔记。学习视频主要来自B站[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili?,以及DeepLearning官方网站DeepLearningbydeeplearning.ai|Coursera。该系列课程总共有180多个,我会将学习笔记陆续分享出来,为有兴趣深度学习的同仁提供便利。再次由衷
- 吴恩达老师DeepLearning系列课程最详细学习笔记之1—深度学习概念
james9668
吴恩达DeepLearning人工智能深度学习
教程是本人学习吴恩达老师DeepLearing系列课程中整理的最为详细的学习笔记。学习视频主要来自B站[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibili?,以及DeepLearning官方网站DeepLearningbydeeplearning.ai|Coursera。该系列课程总共有180多个,我会将学习笔记陆续分享出来,为有兴趣深度学习的同仁提供便利。再次由衷
- 深度学习和tensorflow学习总结---复习自用,大家看到不对的地方多多留言,互相交流
weixin_44140703
学习总结深度学习CNN机器学习学习总结复习自用
深度学习(DeepLearing)深度学习不需要人工提取特征-----模型的可解释性与机器学习区别:机器学习需要手动提取特征,需要大量领域专业知识。深度学习,通过训练大量数据自动得出模型,不需要人工提取特征环节。适合图像、语音、自然语言处理领域应用场景:物体识别场景识别人脸识别人脸身份认证自然语言处理文本识别语音识别加法运算:定义常量:tf.constant(常量值)定义变量:tf.Variabl
- 李宏毅机器学习笔记:Brief Introduction of Deep Learning + Backpropagation(后向传播算法)
TravelingLight77
ML
李宏毅老师的机器学习课程和吴恩达老师的机器学习课程都是都是ML和DL非常好的入门资料,在YouTube、网易云课堂、B站都能观看到相应的课程视频,接下来这一系列的博客我都将记录老师上课的笔记以及自己对这些知识内容的理解与补充。(本笔记配合李宏毅老师的视频一起使用效果更佳!)Lecture6:BriefIntroductionofDeepLearning本节课主要围绕DeepLearing三步骤:(
- 从Q-Learning到Deep-Q-Learning
ChanZany
神经网络机器学习神经网络算法python机器学习深度学习
DeepLearning定义深度学习(DeepLearing)由一组算法和技术构成,这些算法和技术试图发现数据的重要特征并对其高级抽象建模。深度学习的主要目标是通过对数据的自动学习来避免手动描述数据结构(如手写特征)。深度指的是通常具有两个或多个隐藏层的任何神经网络即(DNN)。大多数深度学习模型都基于人工神经网络(ANN),尽管它们也可以包含命题公式或在深度生成模型中分层组织的潜在变量,例如De
- DeepLearing—CV系列(十六)——基于Pytorch实现的编解码结构之Seq2Seq实现验证码识别
wa1tzy
深度学习AI深度学习人工智能神经网络pytorch机器学习
文章目录一、认识编解码网络(encoder-decoder)二、解编码网络结构2.1编码过程(Encoder)2.2解码过程(Decoder)2.3Seq2Seq生成对联的过程三、Seq2Seq网络的应用四、基于编解码模型实现的验证码识别4.1验证码识别的原理和过程五、代码5.1gen_num.py5.2sampling.py5.3nets.py5.4Train.py首先解释一下Seq2Seq的意
- DeepLearing4j深度学习之Yolo Tiny实现目标检测
victorkevin
d4j目标检测人工智能深度学习java
YoloTiny是Yolo2的简化版,虽然有点过时但对于很多物体检测的应用场景还是很管用,本示例利用DeepLearing4j构建Yolo算法实现目标检测,下图是本示例的网络结构://parametersmatchingthepretrainedTinyYOLOmodelintwidth=416;intheight=416;intnChannels=3;intgridWidth=13;intgri
- DeepLearing—CV系列(二十四)——Pytorch实现OCR识别图片转文字(1)——CTPN理论
wa1tzy
AIpytorchOCR算法计算机视觉pytorch深度学习OCR图像智能字符识别
文章目录一、OCR简介二、CTPN(ConnectionistTextProposalNetwork)连接文本提议网络2.1CTPN简介2.2CTPN模型创新点2.3CTPN与RPN网络结构的差异2.4CTPN网络结构2.4.1CTPN的整体结构与流程2.5如何通过FC层输出产生Textproposals?2.6竖直Anchor定位文字位置2.7文本线构造算法2.8CTPN的训练策略2.9CTPN
- DeepLearing—CV系列(十八)——图像分割之U-Net的Pytorch实现
wa1tzy
深度学习AI图像分割深度学习cvpytorch神经网络图像分割
文章目录一、nets.py二、Mydataset.py三、Train.py一、nets.pyimporttorchfromtorch.nnimportfunctionalasFclassCNNLayer(torch.nn.Module):def__init__(self,C_in,C_out):super(CNNLayer,self).__init__()self.layer=torch.nn.S
- 眼见不为“实”,人们更信任人工智能合成的假脸
、左耳
人工智能深度学习计算机视觉
常言道,耳听为虚,眼见为实。但是现在随着人工智能技术的发展,眼见可不一定为实。而造成这一结果的全都是因为深度伪造技术,简称深伪技术或者深度伪造。是DeepLearing(深度学习)和Fake(伪造)的混成词。一种基于人工智能的人体图像合成技术。而该技术的扩散与发展,引起了人们的担忧。2018年,英伟达利用人工智能技术合成了一些不存在的人脸照片,研究人员依靠一种被称之为生成对抗网络(Generati
- DeepLearing-GAN生成式对抗网络
RP_M
CV深度学习理论GANar网络深度学习
GAN生成对抗网络一、介绍GAN这一概念是由LanGoodfellow于2014年提出,GAN被深度学习先驱之一的YannLeCun称为“数十年来机器学习领域最有趣的想法。”原始GAN论文的链接为:https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1406.2661.pdf我们知道CNN、RNN是通过建立图像与输出之间的关系来判断结果的一
- DeepLearing学习笔记-Building your Deep Neural Network: Step by Step(第四周作业)
JasonLiu1919
deep-learning深度学习机器学习
1-背景:此前,我们已经介绍过单隐藏层的神经网络模型,本文要介绍的是多隐藏层的神经网络模型。采用非线性的如RELU激活函数符号说明:上标[l]表示层号,lth例如:a[L]是第Lth层的激活函数.W[L]和b[L]分别是Lth层的参数。上标(i)表示第ith个样本。例如:x(i)表示第ith个训练样本。下标i表示ith神经元位置。例如:a[l]i表示第lth层,第ith个神经元的激活函数。2-准备
- DeepLearing学习笔记-改善深层神经网络(第三周- 将batch-norm拟合进神经网络)
JasonLiu1919
deep-learning深度学习神经网络deep-learning
0-背景介绍如何将batch归一化引入到神经网络中1-流程如下:在计算z之后,才是之前介绍的batch归一化方法,对其进行归一化,再替代原来的z值,输入到下该层的激活函数中。其他隐藏层,操作类似。在实际中,可以直接使用框架中函数,而不必自己实现这些具体的细节。tf.batch_normalization()#进行batch归一化操作2-min-batch下的batch归一化:对于采用min-bat
- 小白零基础学习:详解梯度下降算法:完整原理+公式推导+视频讲解
追梦Hocking
深度学习机器学习
首先简单自我介绍一下,本人现在是国内某211大学2019级博士研究生,计算机科学与技术专业,研究方向和兴趣包括深度学习(CV)、图像处理、菌群仿生优化算法、元胞自动机等,愿与大家分享自己的学习心得!目前主要研究图像去雾算法和深度学习理论。如果要学习MachineLearning和DeepLearing,那么GradientDescentAlgorithm(梯度下降算法)是必须要掌握的!本篇博文是从
- 深度学习Deep Learning系列教程:01 基础知识
QilongPan
机器学习
前言:最近打算稍微系统的学习下deeplearing的一些理论知识,打算采用AndrewNg的网页教程UFLDLTutorial,据说这个教程写得浅显易懂,也不太长。不过在这这之前还是复习下machinelearning的基础知识,见教程网页。内容其实很短,每小节就那么几分钟,且讲得非常棒。教程中的一些术语:Modelrepresentation:其实就是指学习到的函数的表达形式,可以用矩阵表示。
- DeepLearing—CV系列(七)——多类多目标物体的侦测——R-CNN系列
wa1tzy
深度学习pytorchyolo
文章目录一、R-CNN二、FastR-CNN三、SPP-Net四、ASPP五、Faster-R-CNN5.1Convlayers5.2RegionProposalNetworks(RPN)5.3RoIpooling5.4Classification六、mask-R-CNN七、总结计算机视觉的任务:分类->分类+回归->目标侦测->实例分割单目标识别追踪:多目标识别追踪:R-CNN系列一、R-CNN
- DeepLearing—CV系列(十九)——图像分割之U^2-Net(效果极好)的Pytorch实现
wa1tzy
深度学习AI图像分割
文章目录一、u2net.py二、dataloader.py三、train.py四、test.py五、crop.py六、效果展示代码目录:卷积之后特征图计算公式和空洞卷积之后特征图计算公式:(1)普通卷积之后特征图计算公式:w=h=(n+2p-k)/s+1(2)进行空洞卷积后的计算公式:(3)进行池化后的特征图计算公式:(n-k)/s+1一、u2net.pyEN_1:2次卷积、5次下采样、1个空洞卷
- 安装tensonflow:在Windows10&Anaconda环境下(彻底解决ImportError : No Moduled Name "tensorflow"/_pywrap_ten等一类问题)
仙凡之谣
DeepLearing
版本:V2.0,2018-10-0918:42:52v3.0,2018.11.23这个帖子随着我的理解不断加深,会不断对以前描述不详实之处进行修改与更新写作动力:为了完成吴恩达教授的Deeplearing公开课的课后作业,需要在jupyternotebook中使用tensorflow模块。作为一个刚入坑的小白,第一次接触tf并不会配置,足足花了5天的时间才踩完所有的坑弄好,其中每个模块反反复复装了
- DeepLearing—CV系列(十)——多类多目标物体的侦测——YOLO系列之YOLOv2、YOLO9000算法详解
wa1tzy
深度学习AIyolo
文章目录前言一、YOLOv2的优化改进Better(预测更准确)1.1BatchNormalization(批归一化)1.2HighResolutionClassifier(大尺度预训练分类)1.3ConvolutionalWithAnchorBoxes(使用锚框卷积)1.4DimensionClusters(维度聚类)1.5Directlocationprediction(直接定位预测)1.6F
- DeepLearing—CV系列(十三)——YOLOv4完整核心理论详解
wa1tzy
深度学习AIyolo网络算法python计算机视觉神经网络
文章目录一、结构1.1网络结构图1.2YOLOv4的PAN结构1.3激活函数的思考1.3.1Mish激活函数1.3.2Swish激活函数二、损失2.1L1、L2、SMOPTH_L12.2IOU_LOSS的问题2.3GIOU_Loss2.4DIOU_Loss2.5CIOU_Loss2.6DIOU_nms三、训练3.1Dropblock3.2Mosaic数据增强3.3SAT自对抗训练(Self-adv
- [deeplearing-012] 深度学习的历史、解决问题、源码
未济2019
[0]参考文献http://www.cnblogs.com/skyfsm/p/8451834.htmlhttps://www.cnblogs.com/52machinelearning/p/5821591.html[1]Q:什么是深度学习?A:隐层数量多的神经网络,隐层从5~1000不等。[2]Q:深度学习的网络模型有哪些种类?A:图像处理的卷积神经网络CNN;自然语言处理的循环神经网络RNN;深
- logback 配置不同级别日志输出
summmer-
logback
logback节点配置详解请参考:http://www.cnblogs.com/DeepLearing/p/5663178.html配置不同级别日志输出模板如下:${log.pattern}${log.filePath}/debug.log${log.filePath}/debug/debug.%d{yyyy-MM-dd}.log.gz${log.maxHistory}${log.pattern}
- 硅谷最干货大会之一AI Frontiers 详解全球投资热区和5大应用趋势
机器之心V
记者|彭君韬(Tony)参与|AlexChen美国时间周五,位于硅谷的圣克拉拉会议中心,人头攒动,来自17个国家的1400多人参加了硅谷人工智能前沿大会AIFrontiers。这些人有着共同的兴趣:AI。这是AIFrontiers今年的第二场大会,为期三天。前百度首席人工智能科学家、Coursera和deeplearing.ai的创始人吴恩达,以及来自Google、Amazon、Facebook、
- .net 中 委托的解析、泛型解析、可变性解析、表达式和匿名方法基invoke的用法()
TianGaojie123abc
委托解析:http://www.cnblogs.com/DeepLearing/p/4594518.html.net泛型解析(上)http://www.cnblogs.com/DeepLearing/p/4554867.html#3211258.net可变性解析:http://www.cnblogs.com/DeepLearing/p/4592759.html.netLambda表达式和匿名方法:
- Deep learning笔记
Kylin-Xu
deeplearningdeeplearning
Deeplearning:一(基础知识_1)出处:http://www.cnblogs.com/tornadomeet欢迎转载或分享,但请务必声明文章出处。前言:最近打算稍微系统的学习下deeplearing的一些理论知识,打算采用AndrewNg的网页教程UFLDLTutorial,据说这个教程写得浅显易懂,也不太长。不过在这这之前还是复习下machinelearning的基础知识,见网页:ht
- DeepLearing—CV系列(十四)——YOLOv5理论详解+Pytorch源码解析
wa1tzy
深度学习AIyolo
文章目录一、前言——从YOLOv3到YOLOv5二、代码解析2.1运行起来项目detect.py2.2网络结构models/yolo.py2.3配置文件yolov5s.yaml2.4网络子结构models/common.py2.4.1Conv与Focus2.4.2Bottleneck与BottleneckCSP2.5训练train.py2.6打包成jit2.7打包成onnx先放官网大图YOLOv5
- apache ftpserver-CentOS config
gengzg
apache
<server xmlns="http://mina.apache.org/ftpserver/spring/v1"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="
http://mina.apache.o
- 优化MySQL数据库性能的八种方法
AILIKES
sqlmysql
1、选取最适用的字段属性 MySQL可以很好的支持大数据量的存取,但是一般说来,数据库中的表越小,在它上面执行的查询也就会越快。因此,在创建表的时候,为了获得更好的 性能,我们可以将表中字段的宽度设得尽可能小。例如,在定义邮政编码这个字段时,如果将其设置为CHAR(255),显然给数据库增加了不必要的空间,甚至使用VARCHAR这种类型也是多余的,因为CHAR(6)就可以很
- JeeSite 企业信息化快速开发平台
Kai_Ge
JeeSite
JeeSite 企业信息化快速开发平台
平台简介
JeeSite是基于多个优秀的开源项目,高度整合封装而成的高效,高性能,强安全性的开源Java EE快速开发平台。
JeeSite本身是以Spring Framework为核心容器,Spring MVC为模型视图控制器,MyBatis为数据访问层, Apache Shiro为权限授权层,Ehcahe对常用数据进行缓存,Activit为工作流
- 通过Spring Mail Api发送邮件
120153216
邮件main
原文地址:http://www.open-open.com/lib/view/open1346857871615.html
使用Java Mail API来发送邮件也很容易实现,但是最近公司一个同事封装的邮件API实在让我无法接受,于是便打算改用Spring Mail API来发送邮件,顺便记录下这篇文章。 【Spring Mail API】
Spring Mail API都在org.spri
- Pysvn 程序员使用指南
2002wmj
SVN
源文件:http://ju.outofmemory.cn/entry/35762
这是一篇关于pysvn模块的指南.
完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html.
pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个.
该
- 在SQLSERVER中查找被阻塞和正在被阻塞的SQL
357029540
SQL Server
SELECT R.session_id AS BlockedSessionID ,
S.session_id AS BlockingSessionID ,
Q1.text AS Block
- Intent 常用的用法备忘
7454103
.netandroidGoogleBlogF#
Intent
应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作(比如:view,edit,dial),以及程序执行到该动作时所需要的资料 。都指定好后,只要调用startActivity(),Android系统 会自动寻找最符合你指定要求的应用 程序,并执行该程序。
下面列出几种Intent 的用法
显示网页:
- Spring定时器时间配置
adminjun
spring时间配置定时器
红圈中的值由6个数字组成,中间用空格分隔。第一个数字表示定时任务执行时间的秒,第二个数字表示分钟,第三个数字表示小时,后面三个数字表示日,月,年,< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" />
测试的时候,由于是每天定时执行,所以后面三个数
- POJ 2421 Constructing Roads 最小生成树
aijuans
最小生成树
来源:http://poj.org/problem?id=2421
题意:还是给你n个点,然后求最小生成树。特殊之处在于有一些点之间已经连上了边。
思路:对于已经有边的点,特殊标记一下,加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在,又保证了所求的结果正确。
代码:
#include <iostream>
#include <cstdio>
- 重构笔记——提取方法(Extract Method)
ayaoxinchao
java重构提炼函数局部变量提取方法
提取方法(Extract Method)是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候,这时候就可以用提取方法这种重构手法。
下面是我学习这个重构手法的笔记:
提取方法看起来好像仅仅是将被提取方法中的一段代码,放到目标方法中。其实,当方法足够复杂的时候,提取方法也会变得复杂。当然,如果提取方法这种重构手法无法进行时,就可能需要选择其他
- 为UILabel添加点击事件
bewithme
UILabel
默认情况下UILabel是不支持点击事件的,网上查了查居然没有一个是完整的答案,现在我提供一个完整的代码。
UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
- NoSQL数据库之Redis数据库管理(PHP-REDIS实例)
bijian1013
redis数据库NoSQL
一.redis.php
<?php
//实例化
$redis = new Redis();
//连接服务器
$redis->connect("localhost");
//授权
$redis->auth("lamplijie");
//相关操
- SecureCRT使用备注
bingyingao
secureCRT每页行数
SecureCRT日志和卷屏行数设置
一、使用securecrt时,设置自动日志记录功能。
1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径),命名为Logs;
2、点击Options -> Global Options -> Default Session -> Edite Default Sett
- 【Scala九】Scala核心三:泛型
bit1129
scala
泛型类
package spark.examples.scala.generics
class GenericClass[K, V](val k: K, val v: V) {
def print() {
println(k + "," + v)
}
}
object GenericClass {
def main(args: Arr
- 素数与音乐
bookjovi
素数数学haskell
由于一直在看haskell,不可避免的接触到了很多数学知识,其中数论最多,如素数,斐波那契数列等,很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。
闲暇之余,从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
- Java-Collections Framework学习与总结-IdentityHashMap
BrokenDreams
Collections
这篇总结一下java.util.IdentityHashMap。从类名上可以猜到,这个类本质应该还是一个散列表,只是前面有Identity修饰,是一种特殊的HashMap。
简单的说,IdentityHashMap和HashM
- 读《研磨设计模式》-代码笔记-享元模式-Flyweight
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.Collection;
import java.util.HashMap;
import java.util.List;
import java
- PS人像润饰&调色教程集锦
cherishLC
PS
1、仿制图章沿轮廓润饰——柔化图像,凸显轮廓
http://www.howzhi.com/course/retouching/
新建一个透明图层,使用仿制图章不断Alt+鼠标左键选点,设置透明度为21%,大小为修饰区域的1/3左右(比如胳膊宽度的1/3),再沿纹理方向(比如胳膊方向)进行修饰。
所有修饰完成后,对该润饰图层添加噪声,噪声大小应该和
- 更新多个字段的UPDATE语句
crabdave
update
更新多个字段的UPDATE语句
update tableA a
set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
- hive实例讲解实现in和not in子句
daizj
hivenot inin
本文转自:http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html
当前hive不支持 in或not in 中包含查询子句的语法,所以只能通过left join实现。
假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户,字段只有一个uid),这两个表都包含
- 一道24点的10+种非人类解法(2,3,10,10)
dsjt
算法
这是人类算24点的方法?!!!
事件缘由:今天晚上突然看到一条24点状态,当时惊为天人,这NM叫人啊?以下是那条状态
朱明西 : 24点,算2 3 10 10,我LX炮狗等面对四张牌痛不欲生,结果跑跑同学扫了一眼说,算出来了,2的10次方减10的3次方。。我草这是人类的算24点啊。。
然后么。。。我就在深夜很得瑟的问室友求室友算
刚出完题,文哥的暴走之旅开始了
5秒后
- 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题
dcj3sjt126com
yiiframework
在使用 YIi的路径管理工具时,发现了一个问题。 <?php  
- 对象与关系之间的矛盾:“阻抗失配”效应[转]
come_for_dream
对象
概述
“阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库(RDBMS)存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年,而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。
“阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括:类的层次关系必须绑定为关系模式(将对象
- 学习编程那点事
gcq511120594
编程互联网
一年前的夏天,我还在纠结要不要改行,要不要去学php?能学到真本事吗?改行能成功吗?太多的问题,我终于不顾一切,下定决心,辞去了工作,来到传说中的帝都。老师给的乘车方式还算有效,很顺利的就到了学校,赶巧了,正好学校搬到了新校区。先安顿了下来,过了个轻松的周末,第一次到帝都,逛逛吧!
接下来的周一,是我噩梦的开始,学习内容对我这个零基础的人来说,除了勉强完成老师布置的作业外,我已经没有时间和精力去
- Reverse Linked List II
hcx2013
list
Reverse a linked list from position m to n. Do it in-place and in one-pass.
For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4,
return 
- Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介
jinnianshilongnian
spring 4.1
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
- Hadoop集群工具distcp
liyonghui160com
1. 环境描述
两个集群:rock 和 stone
rock无kerberos权限认证,stone有要求认证。
1. 从rock复制到stone,采用hdfs
Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端,即源端问题:报版本
- 一个备份MySQL数据库的简单Shell脚本
pda158
mysql脚本
主脚本(用于备份mysql数据库): 该Shell脚本可以自动备份
数据库。只要复制粘贴本脚本到文本编辑器中,输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。
1. 分别建立目录“backup”和“oldbackup” #mkdir /backup #mkdir /oldbackup
- 300个涵盖IT各方面的免费资源(中)——设计与编码篇
shoothao
IT资源图标库图片库色彩板字体
A. 免费的设计资源
Freebbble:来自于Dribbble的免费的高质量作品。
Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。
Graphic Burger:每个像素点都做得很细的绝佳的设计资源。
Pixel Buddha:免费和优质资源的专业社区。
Premium Pixels:为那些有创意的人提供免费的素材。
- thrift总结 - 跨语言服务开发
uule
thrift
官网
官网JAVA例子
thrift入门介绍
IBM-Apache Thrift - 可伸缩的跨语言服务开发框架
Thrift入门及Java实例演示
thrift的使用介绍
RPC
POM:
<dependency>
<groupId>org.apache.thrift</groupId>