- 深度学习应用 - 大规模深度学习篇
绎岚科技
深度学习算法机器学习深度学习人工智能算法机器学习
序言在科技日新月异的今天,人工智能(AI\text{AI}AI)已成为推动社会进步与产业升级的关键力量。其中,深度学习作为AI领域的璀璨明珠,凭借其强大的数据处理能力和特征学习能力,正引领着一场前所未有的智能革命。大规模深度学习,作为深度学习技术的前沿阵地,更是将这一技术的潜力发挥到了极致。它不仅能够处理海量数据,还能在复杂场景中挖掘出更深层次的规律和知识,为科学研究、工业制造、医疗健康、智慧城市
- sentence-bert_pytorch语义文本相似度算法模型
技术瘾君子1573
bertpytorch人工智能语义文本相似度模型
目录Sentence-BERT论文模型结构算法原理环境配置Docker(方法一)Dockerfile(方法二)Anaconda(方法三)数据集训练单机多卡单机单卡推理result精度应用场景算法类别热点应用行业源码仓库及问题反馈参考资料Sentence-BERT论文Sentence-BERT:SentenceEmbeddingsusingSiameseBERT-Networkshttps://ar
- 百度飞浆目标检测PPYOLOE模型在PC端、Jetson上的部署(python)
代码能跑就可以
百度目标检测python学习计算机视觉笔记
部署目标检测模型前,需要配置好paddlepaddle的环境:开始使用_飞桨-源于产业实践的开源深度学习平台(paddlepaddle.org.cn)PC端和Jetson板卡端的部署方法相同,如下(直接放置部署和测试代码):importpaddle.inferenceimportcv2importnumpyasnpimporttimefrompaddle.inferenceimportConfig
- AI学习指南深度学习篇-门控循环单元的调参和优化
俞兆鹏
AI学习指南ai
AI学习指南深度学习篇:门控循环单元的调参和优化引言神经网络在处理序列数据(如文本、时间序列等)方面展现出了强大的能力。门控循环单元(GRU)是循环神经网络(RNN)的一种变体,具有较为简单的结构和强大的性能。为了充分发挥GRU的潜力,调参和优化过程至关重要。本文将深入探讨GRU中的调参技巧、训练过程优化及避免过拟合的方法。一、门控循环单元(GRU)简介1.1GRU的结构GRU的结构相对简单,它利
- 基于yolov8的玉米病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的玉米病害检测系统是一款利用前沿深度学习技术开发的智能农业工具。该系统以YOLOv8为核心算法,通过大量玉米病害图片的训练,能够精准识别玉米害虫病害。该系统具备高效、准确的检测能力,支持图片、批量图片、视频以及实时摄像头等多种输入方式,为农户提供了极大的便利。用户只需简单操作,即可快速获取病害识别结果及相应的防治建议,有助于及时采取措施,有效控制病害扩散,提升农业生产的
- Datawhale AI夏令营第五期魔搭-CV竞赛方向Task1笔记--初识yolo模型
切记 我是一个 温柔的 刀客
YOLO目标检测机器学习
DatawhaleAI夏令营第五期魔搭-CV竞赛方向Task1笔记–初识yolo模型作者:福州大学我是一个温柔的刀客2024/8/221.赛题简介本赛题最终目标是开发一套智能识别系统,能够自动检测和分类城市管理中的违规行为。该系统应利用先进的图像处理和计算机视觉技术,通过对摄像头捕获的视频进行分析,自动准确识别违规行为,并及时向管理部门发出告警,以实现更高效的城市管理。本质上是属于CV中的目标检测
- 【论文阅读】Purloining Deep Learning Models Developed for an Ultrasound Scanner to a Competitor Machine
Bosenya12
科研学习模型窃取论文阅读深度学习人工智能模型安全
TheArtoftheSteal:PurloiningDeepLearningModelsDevelopedforanUltrasoundScannertoaCompetitorMachine(2024)摘要Atransferfunctionapproach(传递函数方法)hasrecentlyproveneffectiveforcalibratingdeeplearning(DL)algorit
- Open3D mesh 拉普拉斯laplacian滤波
白葵新
3d算法python计算机视觉人工智能
目录一、概述1.1原理1.2实现步骤1.3应用场景二、代码实现2.1关键函数参数详解返回值2.2完整代码三、实现效果3.1加入噪点的mesh3.2迭代10次3.3迭代100次Open3D点云算法汇总及实战案例汇总的目录地址:Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客一、概述拉普拉斯滤波(LaplacianSmoothing)是一种常用的网格平滑技术,通过对网格顶点的位置进
- Windows下快速安装Open3D-0.18.0(python版本)详细教程
白葵新
python计算机视觉算法图像处理windows3d
目录一、Open3D简介1.1主要用途1.2应用领域二、安装Open3D2.1激活环境2.2安装open3d2.3测试安装是否成功三、测试代码3.1代码3.2显示效果Open3D专栏算法目录Open3D点云算法与点云深度学习案例汇总(长期更新)-CSDN博客一、Open3D简介Open3D是一个强大的开源库,专门用于处理和可视化3D数据,如点云、网格和RGB-D图像。它提供了丰富的功能和工具,广泛
- 每天五分钟计算机视觉:Siamese深度神经网络模型和FaceNet的关系
幻风_huanfeng
计算机视觉计算机视觉dnn人工智能SiameseFaceNet神经网络
本文重点在前面的课程中,我们学习了Siamese深度神经网络模型和FaceNet,二者都可以完成人脸识别任务,本文进行整理学习,理清二者的区别和联系。基本概念与原理Siamese深度神经网络模型Siamese网络,又称孪生网络,由两个结构相同且权重共享的神经网络组成。这两个网络分别处理输入的对比样本,通过比较两个输入样本的特征向量来判断它们的相似度。在人脸识别中,Siamese网络通过计算输入人脸
- 学习收获(第27周)
王府凤
这周的学习内容,主要是在工作中遇到一个新案子,围绕这个案子充实了一下自己的知识容量。案子主要还是破产清算相关事宜,但与之前不同的是,这次从判断是否符合申请强制破产的条件这一程序开始,而不简简单单是对申请文件的一个梳理,因此在破产相关法律问题的细节上进行了一次深度学习:1、申请条件:拟申请破产的公司根据相关法律规定,满足不能清偿到期债务、并且资产不足以清偿全部债务或者明显缺乏清偿能力这两个条件时方可
- 《Motion Forecasting with Dual Consistency and Multi-Pseudo-Target Supervision》论文阅读之DCMS
山水之间2018
无人驾驶PaperReading大数据轨迹预测自动驾驶人工智能
目录摘要1简介2相关工作3.方法3.1结构3.2双重一致性约束3.3多伪目标监督3.4学习4实验4.1实验装置4.2实验结果4.3消融研究4.4泛化能力5限制6结论DCMS:具有双重一致性和多伪目标监督的运动预测香港科技大学暂无代码。摘要我们提出了一种具有双重一致性约束和多伪目标监督的运动预测新框架。运动预测任务通过结合过去的空间和时间信息来预测车辆的未来轨迹。DCMS的一个关键设计是提出双重一致
- 【Tools】计算机视觉(CV)技术的优势和挑战。
音乐学家方大刚
工具计算机视觉人工智能
我们从不正视那个问题那一些是非题总让人伤透脑筋我会期待爱盛开那一个黎明一定会有美丽的爱情范玮琪《是非题》计算机视觉(CV)技术是一种模拟人类视觉系统的能力,通过使用计算机算法和图像处理技术,让计算机能够理解和解释图像和视频。它在许多领域都有广泛的应用,包括医疗诊断、安全监控、自动驾驶、人脸识别等。下面是计算机视觉技术的优势和挑战的一些例子:优势:高速处理:计算机视觉可以快速处理大量的图像和视频数据
- Ulord深度学习3:区块链应用场景解析
luckfang
Ulord深度学习第三课对区块链的应用场景做了剖析,让我们对区块链有了更形象的了解。1、金融领域(1)互联网金融方面:在股权众筹、P2P网络借贷、互联网保险等领域,我们最担心的是自己的资金托管和用途方面,区块链可以在去中心化系统中永远记载资金流向,具有天然的信用体系,使这些业务脱离中介担保机构。(2)证券及银行业务:区块链智能合约及可编程的特点,可以使证券及银行的结算免去繁琐的工作流程,极大地降低
- 深度学习100问29:rnn语言模型与传统的语言模型有何不同
不断持续学习ing
人工智能自然语言处理机器学习
嘿,你知道RNNLM和传统语言模型有啥不一样吗?传统语言模型就像个记性不太好的小伙伴。比如那种n-gram语言模型,它只能记住前面几个词,再多就不行啦,就像脑袋里的小抽屉只能装那么点东西。但RNNLM可不一样,它就像有个超级强大的记忆宝盒。通过循环连接的隐藏层,它能记住老长老长一段历史信息呢,说不定能想起好久好久以前出现的词。就好像它有个神奇的小本本,把看到过的词都记下来,随时能翻出来用。传统语言
- 时序预测相关论文阅读笔记
能力越小责任越小YA
论文阅读笔记时序预测Transformer
笔记链接:【有道云笔记】读论文(记录)https://note.youdao.com/s/52ugLbot用于个人学习记录。
- windows系统huggingface连接不上的解决方案
herosunly
windowshuggingface连接不上解决方案
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委,编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
- 深度学习100问43:什么是过拟合
不断持续学习ing
人工智能自然语言处理机器学习
嘿,咱来聊聊过拟合是什么。想象一下,有个机器学习的模型就像一个学生在准备考试。如果这个模型对训练数据就像学生把课本上的题目背得超级熟,在训练数据上表现得那叫一个棒,就像学生在做课本上的题时成绩超高。但是呢,一旦碰到新的、从来没见过的数据,就傻眼了,表现得一塌糊涂。这时候就可以说这个模型过拟合啦。为啥会过拟合呢?一方面可能是这个模型太复杂了,就像学生学得太“死”,记住了训练数据里的一些小噪声和特别的
- 深度学习中的梯度消失和梯度爆炸问题
码上飞扬
深度学习人工智能梯度消失梯度爆炸
在深度学习领域,随着模型层数的增加,我们常常会遇到两个棘手的问题:梯度消失(VanishingGradients)和梯度爆炸(ExplodingGradients)。这两个问题严重影响了深度神经网络的训练效率和性能。本文将详细介绍这两个问题,并通过实例帮助读者更好地理解。一、梯度消失问题梯度消失是深度学习中的一大难题,尤其在训练深度神经网络时显得尤为棘手。这一问题的本质在于,当我们在训练过程中通过
- 深度学习_模型调用预测
you_are_my_sunshine*
推荐算法深度学习人工智能
概要应用场景:用户流失本文将介绍模型调用预测的步骤,这里深度学习模型使用的是自定义的deepfm代码导包importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsfromcollectionsimportdefaultdictfromscipyimportstatsfromscipyimportsign
- 【论文阅读|cryoET】本周粗读汇总
吃吃今天努力学习了吗
冷冻电镜三维重建论文阅读
论文1:CryoDRGN-ET:深度重建生成网络以可视化细胞内动态生物分子Abstract虽然冷冻电子断层扫描可以以分子分辨率揭示结构,但图像处理算法仍然是解决原位生物分子结构异质性的瓶颈。本文介绍CryoDRGN-ET用于cryoET断层图的异质重建。CryoDRGN-ET直接从子断层扫描倾斜系列图像中学习三维密度图的深度生成模型,并且可以捕获成分和构象不同的状态。通过原位恢复肺炎支原体核糖体中
- Your Diffusion Model is Secretly a Zero-Shot Classifier论文阅读笔记
Rising_Flashlight
论文阅读笔记计算机视觉
YourDiffusionModelisSecretlyaZero-ShotClassifier论文阅读笔记这篇文章我感觉在智源大会上听到无数个大佬讨论,包括OpenAISora团队负责人,谢赛宁,好像还有杨植麟。虽然这个文章好像似乎被引量不是特别高,但是和AI甚至人类理解很本质的问题很相关,即是不是要通过生成来构建理解的问题,文章的做法也很巧妙,感觉是一些学者灵机一动的产物,好好学习一个!摘要这
- 【论文阅读】QUEEN: Query Unlearning against Model Extraction(2024)
Bosenya12
科研学习模型窃取论文阅读提取攻击模型安全
摘要Modelextractionattacks(模型提取攻击)currentlyposeanon-negligiblethreat(不可忽视的威胁)tothesecurity(安全性)andprivacy(隐私性)ofdeeplearningmodels.Byqueryingthemodelwithasmalldataset(通过小数据集查询模型)andusingthequeryresultsa
- 如何开发针对不平衡分类的成本敏感神经网络 python
背包客研究
不平衡学习分类神经网络python
如何开发针对不平衡分类的成本敏感神经网络深度学习神经网络是一类灵活的机器学习算法,可以在各种问题上表现良好。神经网络使用误差反向传播算法进行训练,该算法涉及计算模型在训练数据集上产生的误差,并根据这些误差的比例更新模型权重。这种训练方法的局限性在于,每个类别的示例都被视为相同,对于不平衡的数据集,这意味着模型对一个类别的适应性要强得多,而对另一个类别的适应性则弱得多。反向传播算法可以更新,以根据类
- 读《深度学习:走向核心素养》
qingqianshiguan
3.教师组织学生研讨和交流,增加学生之间的深度互动这是实现深度学习的关键环节。深度学习的场域,是多人共同参与的场域,学生在参与的过程中能够对话沟通、共同思考。学生们的身份相同,年龄相仿,认知方式也相似,彼此更加熟悉,更加容易接受对方的观点。同时,学生思考问题的角度、思维方式可以与同伴互相启发。学生进行调查与分析、提出方案或规划的讨论过程,就是表达自己观点和开阔思路的过程,也是学生个体之间、小组之间
- nvidia cuda镜像说明
九品神元师
linux人工智能python运维
nvidia/cuda:11.1.1-cudnn8-runtime:这是一个运行时镜像,适用于在已安装CUDA11.1.1和cuDNN8的环境中运行深度学习应用程序。该镜像包含运行时所需的库和工具,但不包含开发工具或头文件。nvidia/cuda:11.1.1-cudnn8-devel:这是一个开发镜像,适用于在已安装CUDA11.1.1和cuDNN8的环境中进行深度学习模型的开发。该镜像包含了编
- 通义千问-VL-Chat-Int4
九品神元师
python开发语言
Qwen-VL是阿里云研发的大规模视觉语言模型(LargeVisionLanguageModel,LVLM)。Qwen-VL可以以图像、文本、检测框作为输入,并以文本和检测框作为输出。Qwen-VL系列模型性能强大,具备多语言对话、多图交错对话等能力,并支持中文开放域定位和细粒度图像识别与理解。安装要求(Requirements)python3.8及以上版本pytorch2.0及以上版本建议使用C
- 解惑深度学习中的困惑度Perplexity
Axlsss
深度学习统计知识深度学习人工智能数学建模
困惑度的定义困惑度(Perplexity)是衡量语言模型好坏的一个常用指标。语言模型(languagemodel)可以预测序列(比如一个句子)中每个时间步词元(比如一个句子中的逐个单词)的概率分布,继而计算一个序列的概率。一个好的语言模型应该有更高的概率生成一个好的序列,即生成的序列不应该让人感到很困惑,困惑度的核心思想是:序列生成的概率越大,其困惑度越小,因此可以使用困惑度这个指标来评估语言模型
- 深度学习奥秘解锁:AI大模型技能提升指南
AGI大模型老王
人工智能深度学习语言模型算法大模型AI大模型
文章目录每日一句正能量前言AI大模型学习的理论基础AI大模型的训练与优化AI大模型在特定领域的应用AI大模型学习的伦理与社会影响未来发展趋势与挑战后记**前言**随着人工智能技术的快速发展,AI大模型学习正成为一项备受关注的研究领域。为了提高模型的准确性和效率,研究者们需要具备深厚的数学基础和编程能力,并对特定领域的业务场景有深入的了解。通过不断优化模型结构和算法,AI大模型学习正为人类的生活和工
- 洞见数据价值,激活组织活力,让决策更精准的智慧地产开源了。
ai产品老杨
安全开源vue.js人工智能前端
智慧地产视觉监控平台是一款功能强大且简单易用的实时算法视频监控系统。它的愿景是最底层打通各大芯片厂商相互间的壁垒,省去繁琐重复的适配流程,实现芯片、算法、应用的全流程组合,从而大大减少企业级应用约95%的开发成本。通过计算机视觉和人工智能技术,搭建智能钢丝绳检测系统、井筒检测分析系统、余煤检测分析系统,提高检测准确度,降低工人在线的劳动强度,有效提高检测标准、避免客制化生产下,人工有可能存在的工作
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
 
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
 
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
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
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不