- GPU与FPGA加速:硬件赋能AI应用
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
GPU与FPGA加速:硬件赋能AI应用1.背景介绍1.1人工智能的兴起人工智能(AI)在过去几年中经历了爆炸式增长,成为推动科技创新的核心动力。从语音识别和计算机视觉,到自然语言处理和推荐系统,AI已广泛应用于各个领域。然而,训练和部署AI模型需要大量计算资源,这对传统的CPU架构提出了巨大挑战。1.2硬件加速的必要性为满足AI算法对计算能力的巨大需求,硬件加速技术应运而生。专用硬件如GPU(图形
- 三维扫描自动化智能检测系统:为品质护航,为效率加速
CASAIM
人工智能3d计算机视觉
产品质量是企业的生命线。然而,传统的检测方式往往依赖人工操作,不仅效率低下,还容易因人为因素导致检测结果不准确。自动化智能检测系统是一种集成了先进传感器技术、图像处理算法和人工智能的高科技设备。它能够自动识别和检测物体的尺寸、形状质量指标,并实时生成检测报告。通过智能化的检测流程,企业可以实现生产过程的全自动化质量控制,确保每一项产品都符合高标准的质量要求。CASAIM作为快速批量处理的自动化智能
- 生成对抗网络(GAN):从概念到代码实践(附代码)
全栈你个大西瓜
人工智能计算机视觉人工智能GAN网络对抗学习手势识别生成器与鉴别器生成对抗网络
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- MTCNN 人脸检测技术揭秘:原理、实现与实战(附代码)
全栈你个大西瓜
人工智能计算机视觉人工智能MTCNN人脸检测卷积神经网络
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- 目前(2025年2月)计算机视觉(CV)领域一些表现优异的深度学习模型
空空转念
深度学习系列计算机视觉深度学习人工智能
按任务类型分类介绍:图像分类CoCa:结合对比学习和生成学习,通过对比损失对齐图像和文本嵌入,并使用标题生成损失预测文本标记。它在图像分类、跨模态检索和图像描述等任务中表现出色,且仅需极少的任务特定微调。PaLI:这是一个多模态模型,结合了40亿参数的视觉Transformer(ViT)和多种大型语言模型(LLM),并在包含100多种语言的100亿图像和文本数据集上进行训练。PaLI在图像描述、视
- 图像处理:模拟色差的生成
何以为皇
图像处理人工智能
图像处理:模拟色差的实战案例在做瓷砖瑕疵检测的过程中,需要检测色差。但在实际生产环境中,瓷砖色差检测的数据量较少,无法直接获取足够的数据来训练和优化深度学习模型。于是就考虑通过人为生成色差数据的方式来扩充数据集,进行色差的模拟。1.什么是色差?色差(ColorDifference)是指两种颜色之间的视觉差异。在色彩科学中,CIEDE2000是目前最先进的色差计算方法之一。然而,CIEDE1976也
- 人工智能:从基础到前沿
顾漂亮
人工智能深度学习windows
目录目录1.引言2.人工智能基础2.1什么是人工智能?2.2人工智能的历史2.3人工智能的分类3.机器学习3.1机器学习概述3.2监督学习3.3无监督学习3.4强化学习4.深度学习4.1深度学习概述4.2神经网络基础4.3卷积神经网络(CNN)4.4循环神经网络(RNN)5.自然语言处理(NLP)5.1NLP概述5.2文本预处理5.3词嵌入5.4语言模型6.计算机视觉6.1计算机视觉概述6.2图像
- C语言图像处理技术:从基础到高级应用
南城游子
本文还有配套的精品资源,点击获取简介:C语言在图像处理领域拥有丰富的应用,涉及计算机视觉和数字信号处理。本课程深入探讨C语言进行图像处理的各项核心技术,包括像素操作、色彩模型理解、滤波算法、色彩空间转换、边缘检测、以及图像变换等。通过详细解析,学习者将掌握如何使用C语言和OpenCV库来实现高效的图像处理,并能够解决实际问题。1.像素操作与图像基本组成数字图像处理是现代计算机视觉和图像理解的基础,
- 计算机视觉CV学习路线
我喝AD钙
我的学习笔记计算机视觉学习人工智能
计算机视觉CV学习路线1.基础准备(可参考mooc学习)2.计算机视觉基础知识(可参考mooc学习、计算机图形学)3.经典计算机视觉算法(可参考吴恩达机器学习课程、国内外计算机图形学课程)4.深度学习基础(参考吴恩达和TF、Keras官网手册)5.深度学习在计算机视觉中的应用(李飞飞课程、arxiv论文原文和解析博客,实战参考gitee/github)6.现代计算机视觉技术(arxiv论文原文和解
- 不要再搜索字符画了,手把手教你自己使用Python实现图片转字符画
Haku Coder
python开发语言
Python实现图片转字符画本文所涉及以下知识点:Windows命令行操作Python基础pillow库的使用argparse库的使用(官方参考文献)PIL是一个python图像处理库,是本次使用的重点工具,可以使用pipinstallpillow命令来安装pillow(PIL)库。图片转字符画的原理字符画是一系列字符的组合,我们可以把字符看作是比较大块的像素,一个字符能表现一种颜色(为了简化可以
- IEEE Signal Processing Letters(SPL)投稿经验分享
yellow7-
期刊投稿经验分享IEEE期刊
很幸运,研究生期间第一篇论文很顺利就中辽!!(SCI三区)研一暑假投的IEEESignalProcessingLetters(简称SPL),折腾了三个月成功被接收啦!话不多说,直接上干货。(博主方向:计算机视觉)论文投稿时间点分享2019.8.26初稿提交;2019.8.31安排AE;2019.8.31换了个AE;2019.11.6发催稿邮件给AE;2019.11.7AE回催稿信,系统上由InPe
- 计算机视觉与深度学习实战:以Python为工具,基于帧间差法进行视频目标检测
好知识传播者
Python实例开发实战计算机视觉深度学习python基于帧间差法进行视频目标检测
一、引言随着科技的飞速发展,计算机视觉和深度学习已成为当今科技领域的热门话题。它们不仅在科研领域取得了显著的成果,而且在安防监控、智能交通、医疗影像分析、工业自动化等领域得到了广泛的应用。本文旨在探讨计算机视觉与深度学习的实战应用,特别是以Python为工具,基于帧间差法进行视频目标检测的方法。二、计算机视觉概述计算机视觉是一门研究如何使机器从数字图像或视频中提取、分析和理解有用信息的学科。它涉及
- 机器学习库
Welosthesightof
笔记
机器学习一個很棒的機器學習框架、庫和軟件的精選列表(按語言)。靈感來自於awesome-php。计算机视觉Scikit-Image-Python中图像处理算法的集合。Scikit-Opt-Python中的群智能(Python中的遗传算法、粒子群优化、模拟退火、蚁群算法、免疫算法、人工鱼群算法)SimpleCV-一个开源计算机视觉框架,可以访问多个高性能计算机视觉库,例如OpenCV。用Python
- 直播美颜SDK的底层技术解析:图像处理与深度学习的结合
美狐美颜sdk
美颜API直播美颜SDK美颜SDK图像处理深度学习人工智能美颜API视频美颜SDK直播美颜SDK滤镜sdk
直播美颜SDK通过高效的图像处理技术和深度学习算法,使得用户在直播过程中可以获得更为自然、精致的美颜效果。本文将深入解析直播美颜SDK的底层技术,探讨图像处理与深度学习如何在这一领域实现完美结合,提升用户体验并推动行业创新。一、直播美颜SDK的基本概述图像处理是直播美颜SDK的核心技术之一,它主要负责对图像进行预处理、特征提取以及美颜效果的实时合成。在直播美颜SDK中,图像处理技术包含多个关键步骤
- 清影2.0(AI视频生成)技术浅析(四):计算机视觉(CV)
爱研究的小牛
AIGC—视频AIGC——图像AIGC—计算机视觉人工智能音视频AIGC深度学习机器学习
清影2.0是一个基于人工智能的视频生成平台,其核心计算机视觉(CV)技术包括图像处理与增强、动作捕捉与平滑等。这些技术通过深度学习、生成对抗网络(GAN)、光流估计等方法,实现了高质量的视频生成和编辑。1.清影2.0概述清影2.0的核心目标是通过计算机视觉技术生成高质量的视频内容,其主要功能包括:图像处理与增强:提升视频帧的质量和清晰度。动作捕捉与平滑:捕捉视频中的动作并生成平滑的过渡。2.图像处
- 常用特征检测算法SURF、SIFT、ORB和FAST
super尚
图像处理算法人工智能计算机视觉
特征检测算法SURF算法特征检测的视觉不变性是一个非常重要的概念。但是要解决尺度不变性问题,难度相当大。为解决这一问题,计算机视觉界引入了尺度不变特征的概念。它的理念是,不仅在任何尺度下拍摄的物体都能检测到一致的关键点,而且每个被检测的特征点都对应一个尺度因子。理想情况下,对于两幅图像中不同尺度的的同一个物体点,计算得到的两个尺度因子之间的比率应该等于图像尺度的比率。近几年,人们提出了多种尺度不变
- 计算机视觉之图像处理-----SIFT、SURF、FAST、ORB 特征提取算法深度解析
三年呀
计算机视觉图像处理算法深度学习python目标检测机器学习
SIFT、SURF、FAST、ORB特征提取算法深度解析前言在图像处理领域亦或是计算机视觉中,首先我们需要先理解几个名词:什么是尺度不变?在实际场景中,同一物体可能出现在不同距离(如远处的山和近处的树),导致其在图像中的尺度不同,也引出了多尺度的概念。算法检测到的特征在图像缩放(放大或缩小)后仍能被正确识别和匹配,即尺度不变性。什么是旋转不变?物体在现实中的朝向可能任意(如手机横屏/竖屏拍摄同一物
- 深度学习模型:原理、架构与应用
一ge科研小菜菜
工具深度学习
深度学习(DeepLearning)是机器学习中的一个分支,基于人工神经网络的发展,尤其是多层神经网络的研究,使其在语音识别、图像处理、自然语言处理等领域取得了显著进展。深度学习的核心是通过大量数据的训练,学习到数据的内在结构和模式,并且具备自动从复杂的输入中提取特征的能力。本文将从深度学习的基本原理、常见模型、训练技巧、应用领域及其面临的挑战等方面进行详细探讨,帮助理解深度学习模型如何在现代科技
- 基于深度学习的焊缝缺陷检测识别系统:YOLOv10 + UI界面 + 数据集
深度学习&目标检测实战项目
深度学习YOLOui目标跟踪分类人工智能
1.引言1.1背景介绍焊接是现代工业制造中的重要工艺之一,其质量直接影响产品的安全性、耐用性和可靠性。然而,由于焊接工艺的复杂性,在实际应用中不可避免地会出现焊缝缺陷,如气孔、裂纹、未熔合等。这些缺陷不仅降低了焊接质量,还可能导致严重的安全事故。因此,如何高效、准确地检测焊缝缺陷成为工业领域的重要研究课题。传统的焊缝缺陷检测方法主要依赖于人工经验或简单的图像处理技术。这些方法不仅效率低下,而且受主
- 基于深度学习的钢材表面缺陷检测系统:UI界面 + R-CNN + 数据集
深度学习&目标检测实战项目
R-CNN检测系统深度学习uir语言开发语言计算机视觉cnn人工智能
在制造业中,钢材表面缺陷的检测是保证产品质量和生产效率的关键环节。随着工业自动化水平的提高,传统的人工检测已经无法满足快速、精确的检测要求。基于深度学习的钢材表面缺陷检测系统能够通过计算机视觉自动识别钢材表面的缺陷类型和位置,极大地提升了检测的准确性和效率。本文将详细介绍如何基于深度学习、R-CNN算法和自定义数据集构建一个钢材表面缺陷检测系统。内容涵盖从数据准备、R-CNN模型训练到UI界面设计
- Cavishape: Python编程与图像处理的艺术之作
laforet
本文还有配套的精品资源,点击获取简介:Cavishape可能是一个以Python编写的创新软件项目,它的名称和标签暗示着该项目具有非传统的设计和创新的特性。项目的主要元素可能与图形用户界面设计和图像处理相关,特别是以鱼形为设计元素。它可能采用了面向对象编程方法,图形界面可能利用了Python的GUI库,图像处理方面可能涉及特定的图形生成算法。项目可能使用了版本控制,如Git,并强调测试与调试的重要
- MATLAB图像处理
陈辰学长
图像处理matlab计算机视觉
MATLAB图像处理MATLAB,作为美国MathWorks公司出品的商业数学软件,以其强大的矩阵运算能力和丰富的函数库,在图像处理领域得到了广泛的应用。MATLAB不仅提供了基础的图像处理功能,还通过图像处理工具箱(ImageProcessingToolbox)等高级工具,为用户提供了从图像读取、显示、转换到高级分析和处理的一系列功能。以下将详细介绍MATLAB在图像处理方面的应用。一、MATL
- MATLAB 图像处理:阈值分割检测裂纹和划痕
PixelDyno
图像处理matlab计算机视觉Matlab
MATLAB图像处理:阈值分割检测裂纹和划痕阈值分割是一种常见的图像处理技术,可以将图像分成不同的区域。在裂纹和划痕检测中,阈值分割可以帮助我们将图像中的裂纹和划痕区域分离出来。本文将介绍如何使用MATLAB进行阈值分割裂纹和划痕检测。读入图像首先,我们需要读入一张待处理的图像。可以使用MATLAB的imread函数将图像读入到MATLAB中:img=imread('image.jpg');灰度化
- 图像检测分析难题?三维天地引入YOLO目标检测技术带来全新解决方案!
资讯分享周
YOLO目标检测人工智能
在当今的检验检测认证行业,利用图像检测技术分析样本的相关指标已经成为众多检验检测领域的重要需求。无论是医学影像诊断、材料科学、食品检测还是质量控制,都依赖于精确的图像分析来提高检测的效率和准确性。然而,传统的图像处理方法面临着诸多挑战,如庞大的数据量、复杂的特征提取、漫长的模型训练周期以及复杂的公式计算等。这些问题不仅限制了检测的效率,还对结果的准确性产生了负面影响。一、实际业务操作中的工作难点1
- 25/2/18 <算法笔记> ByteTrack
青椒大仙KI11
笔记
ByteTrack(发表在2021年)是一种高效且精确的**多目标跟踪(Multi-ObjectTracking,MOT)**算法。它属于目标跟踪领域中基于检测的类别(trackingbydetection),核心思想是利用目标检测器的高置信度和低置信度检测结果,通过简单的后处理策略实现高效和准确的目标跟踪。多目标跟踪(MOT)的主要目的是对视频或帧序列中的多个对象进行检测和跟踪。在MOT方法中通
- wav文件详解
满舅娘
wav文件详解分类:视频音频图像处理算法2013-10-1013:5066人阅读评论(0)收藏举报音频wav格式介绍ffmpeg目录(?)[+]工具我们这里使用的工具有ffmpeg,cooledit,ultraedit。音频文件我们以这音频文件为介绍例子文件链接http://pan.baidu.com/s/1j6fbt
- Vision Transformer(ViT):用 Transformer 颠覆图像识别
金外飞176
论文精读transformer深度学习人工智能
VisionTransformer(ViT):用Transformer颠覆图像识别在计算机视觉领域,卷积神经网络(CNN)长期以来一直是图像识别任务的主流架构。然而,近年来,自然语言处理(NLP)领域中大放异彩的Transformer架构也开始在图像识别中崭露头角。今天,我们将深入探讨一种创新的架构——VisionTransformer(ViT),它将Transformer的强大能力直接应用于图像
- YOLOv8到YOLOv11:深度解析目标检测架构的演进
金外飞176
技术前沿目标跟踪人工智能计算机视觉目标检测YOLO神经网络深度学习
YOLOv8到YOLOv11:深度解析目标检测架构的演进在计算机视觉领域,YOLO(YouOnlyLookOnce)系列模型一直是实时目标检测领域的佼佼者。从2015年的YOLOv1到2024年的YOLOv11,这一系列模型经历了快速的迭代和发展,不断刷新着目标检测的性能和效率。然而,由于部分YOLO版本缺乏详细的学术论文和架构图,研究人员和开发者在理解这些模型的工作原理时往往面临挑战。最近,一篇
- 基于立创·天空星开发板-GD32F407VET6-青春版,开发一款手持热成像仪。该设备将采集热红外传感器的数据,经过处理后在LCD屏幕上显示热图像,并提供用户交互界面。
嵌入式程序员小刘
物联网单片机嵌入式硬件开源
本项目基于立创·天空星开发板-GD32F407VET6-青春版,开发一款手持热成像仪。该设备将采集热红外传感器的数据,经过处理后在LCD屏幕上显示热图像,并提供用户交互界面。关注微信公众号,提前获取相关推文一、需求分析核心功能:热图像采集:读取热红外传感器数据。图像处理:将原始传感器数据转换为可显示的彩色或灰度热图像。图像显示:在LCD屏幕上实时显示热图像。温度测量:计算并显示图像中特定点的温度值
- Python从0到100(三十九):数据提取之正则(文末免费送书)
是Dream呀
pythonmysql开发语言
前言:零基础学Python:Python从0到100最新最全教程。想做这件事情很久了,这次我更新了自己所写过的所有博客,汇集成了Python从0到100,共一百节课,帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识,成为学习学习和学业的先行者!欢迎大家订阅专栏:零基础学Python:Python从0到100最新
- 深入浅出Java Annotation(元注解和自定义注解)
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制,用来将任何的信息或元数据(metadata)与程序元素(类、方法、成员变量等)进行关联。
更通俗的意思是为程序的元素(类、方法、成员变量)加上更直观更明了的说明,这些说明信息是与程序的业务逻辑无关,并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的,所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数,有两种非常不同的作用,他可以统计某个列值的数量,也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境:
MAC AIR,OS X 10.10,64位
历史:
过去 Mac 上的 Java 都是由 Apple 自己提供,只支持到 Java 6,并且OS X 10.7 开始系统并不自带(而是可选安装)(原自带的是1.6)。
后来 Apple 加入 OpenJDK 继续支持 Java 6,而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript (1)
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号,它有七类: 赋值运算符(=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=)、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性,避免落大部队太远,我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎,它们存储着JSON文档,MongoDB存着JSON文档,或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版,自行搜索。
1.2 Latex (MacTex):
系统环境:https://tug.org/mactex/
&nb
- Maven实战(四)生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期,它们分别为clean,default和site。 每个生命周期包含一些阶段,这些阶段是有顺序的,并且后面的阶段依赖于前面的阶段,用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例,它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题:在使用HTTP协议实现应用间接口通信时,服务端读取客户端请求过来的数据,会用到request.getInputStream(),第一次读取的时候可以读取到数据,但是接下来的读取操作都读取不到数据
原因: 1. 一个InputStream对象在被读取完成后,将无法被再次读取,始终返回-1; 2. InputStream并没有实现reset方法(可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多,但是比较杂乱。近日有空整理了一下,写出来跟大家分享一下,其中有错误和不足的地方,还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版,希望大家阅读之后,感觉好的话推荐给更多的人,让更多的人看到、纠正以及补充。
1.对查询进行优化,要尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据,因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API,它包含了如下几个内部类
首先分析它的内部类,从WatchRegistration开始,为指定的znode path注册一个Watcher,
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七:部分应用函数
bit1129
scala
何为部分应用函数?
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了,什么错都没报出来,只提示了Error listenerStart。为了调试,我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties,内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题,要求不用加减符号(包括负号)来实现加减法。
分析一下,先看最简单的情况,假设1+1,按二进制算的话结果是10,可以看到从右往左的第一位变为0,第二位由于进位变为1。
- 读《研磨设计模式》-代码笔记-状态模式-State
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/
/*
当一个对象的内在状态改变时允许改变其行为,这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中,可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小,该大小可以是dim3类型的(三维数组),只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常!!!GPU根本不会执行运算!!!
所以验证结果的正确性很重要!!!
在VS中创建CUDA项目会有一个模板,里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置,ParNew经常会出现停顿时间特别长的情况,有时候甚至长到令人发指的地步,例如请看如下日志:
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前,要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址:http://maven.apache.org/download.html,目前最新的是这个apache-maven-3.2.5-bin.zip,然后解压在任意位置,最好地址中不要带中文字符,这个做java 的都知道,地址中出现中文会出现很多
- PHP网站安全,避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中,我们经常需要将集合对象(List,Set)转换为数组对象,或者将数组对象转换为集合对象。Java提供了相互转换的工具,但是我们使用的时候需要注意,不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象,然后遍历数组,依次将数组中的元素放入到新的集合中,但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求,需要在一台主机上用nginx部署2个php应用,分别是wordpress和wiki,探索了半天,终于部署好了,下面把过程记录下来。
1. 在nginx下创建vhosts目录,用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置, 在http节点增加下面内容设置,用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种:useradd 和adduser . 本人尝试了useradd方法,步骤如下:
1:useradd
使用useradd时,如果后面不加任何参数的话,如:sudo useradd sysadm 创建出来的用户将是默认的三无用户:无home directory ,无密码,无系统shell。
顾应该如下操作:
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛,因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能;目前Lua也有几个JSON库,本人用过cjson、dkjson。其中cjson的语法严格(比如unicode \u0020\u7eaf),要求符合规范否则会解析失败(如\u002),而dkjson相对宽松,当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易,转载请注明出处:Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址:http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置:Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别?
pda158
linux
一、df显示文件系统的使用情况,与du比較,就是更全盘化。 最经常使用的就是 df -T,显示文件系统的使用情况并显示文件系统的类型。 举比例如以下: [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时,觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了,就写了一个工具类,用到了反射,可以把查询记录的值装到对应的VO里,也可以生成该VO的List。
使用时需要注意:
考虑到Android的性能问题,VO没有使用Setter和Getter,而是直接用public的属性。
表中的字段名需要和VO的属性名一样,要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表,在该笔记中用到的就是这张表,大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓