- 基于深度学习的手写数字和符号识别系统:YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
YOLO实战营
深度学习YOLOui人工智能目标检测计算机视觉
1.引言随着人工智能和深度学习技术的发展,手写数字和符号识别已经成为计算机视觉领域的重要研究方向。手写识别在很多实际应用中扮演着关键角色,例如邮政编码识别、表单自动处理和智能教育系统等。传统的手写识别方法通常依赖于复杂的特征工程,而深度学习则能够自动从数据中学习到特征,极大地提高了识别精度和速度。本文将介绍如何构建一个基于YOLO系列模型(YOLOv5、YOLOv6、YOLOv7、YOLOv8、Y
- YOLOv5改进策略|YOLOv5 ⾃主检查和跟踪相关的任务|基于视觉的⽆⼈⽔⾯舰艇⾃主导航 极端海洋条件
斌擎人工智能官方账号
YOLO人工智能YOLOv5目标检测计算机视觉深度学习自主导航
目录介绍解决方案目标检测的视觉结论视觉感知是无人水面舰艇(USV)自主导航的重要组成部分,特别是与自主检查和跟踪相关的任务。这些任务涉及基于视觉的导航技术来识别导航目标。海洋环境中极端天气条件下的能⻅度降低使得基于视觉的方法难以正常工作。为了克服这些问题,本文提出了一种基于视觉的自主导航框架,用于在极端海洋条件下跟踪目标物体。所提出的框架由一个集成感知管道组成,该管道使用生成对抗网络(GAN)来消
- 智慧城管新突破:陌讯动态量化技术实现端侧模型压缩20倍
2501_92487735
目标跟踪人工智能计算机视觉算法目标检测视觉检测边缘计算
开篇痛点深夜暴雨中的违规占道经营检测误报率超60%,光照反射干扰导致传统YOLOv5召回率暴跌——这是某省会城市智慧城管项目的真实困境。当算法工程师面对复杂城市场景时,环境干扰、小目标密集、实时性要求构成三重技术难关。技术解析:陌讯自适应多模态架构传统单阶段检测器在雨天场景失效的核心原因,在于固定感受野难以适应尺度突变目标。陌讯算法引入动态梯度调制机制,通过特征金字塔的跨层权重自适应调整,显著提升
- yolov5推理简单代码(网上找了好多,最终找到了)
a2488220557
YOLO计算机视觉opencv
#yolov5#导包importtorchimportcv2frommultiprocessingimportProcess,Manager,Value#下面两个是yolov5文件夹里面的代码fromutils.generalimportnon_max_suppressionfrommodels.experimentalimportattempt_load#确保在进行对象检测时,边界框的位置可以与
- 手绘电路图的节点和端点检测一个简化版的算法实现框架
zhangfeng1133
算法
于论文描述,我将提供一个简化版的算法实现框架,用于手绘电路图的节点和端点检测,并整合生成电路原理图。以下代码结合了YOLOv5目标检测和传统图像处理技术,符合论文中提到的98.2%mAP和92%节点识别准确率的关键指标。核心算法实现(Python+OpenCV+YOLOv5)importcv2importnumpyasnpimporttorchfromyolov5importYOLOv5#需要安装
- 目标检测-YOLOv5
wydxry
深度学习目标检测YOLO人工智能深度学习
YOLOv5介绍YOLOv5是YOLO系列的第五个版本,由Ultralytics团队发布。虽然YOLOv5并非JosephRedmon原团队发布,但它在YOLOv4的基础上进行了重要的优化和改进,成为了深度学习目标检测领域中的热门模型之一。YOLOv5的优势不仅体现在其性能上,还包括其简洁易用、部署便捷的特点。相较于YOLOv4,YOLOv5对于代码框架的重构、推理速度的提升,以及模型的轻量化等方
- 仓库货物检测:基于YOLOv5的深度学习应用与UI界面开发
YOLO实战营
YOLO深度学习ui目标跟踪目标检测人工智能
一、引言随着电商和物流行业的快速发展,仓库货物管理已经成为企业运营中至关重要的环节。为了提高仓库管理的效率和准确性,越来越多的企业开始应用自动化技术来完成货物的盘点、分类、分拣等任务。传统的货物管理方式通常依赖人工检查,不仅效率低下,而且容易出现误差。为了克服这些问题,利用计算机视觉和深度学习技术来实现仓库货物的自动化检测成为了一种有效的解决方案。本博客将介绍如何使用YOLOv5进行仓库货物检测,
- 工服误检率高达40%?陌讯改进YOLOv7实战降噪50%
2501_92487859
YOLO算法视觉检测目标检测计算机视觉
开篇痛点:工业场景的视觉检测困境在工地、化工厂等高危场景,传统视觉算法面临三重挑战:环境干扰:强光/阴影导致工服颜色失真目标微小:安全帽反光标识仅占图像0.1%像素遮挡密集:工人簇拥时漏检率超35%(数据来源:CVPR2023工业检测白皮书)行业真相:某安监部门实测显示,开源YOLOv5在雾天场景误报率高达41%技术解析:陌讯算法的三大创新设计1.多模态特征融合架构#伪代码示例:可见光+红外特征融
- 考场/工厂违规用机难捕捉?3维度优化方案部署成本直降40%
2501_92487762
视觉检测计算机视觉算法目标检测
开篇痛点工业场景中传统玩手机识别面临三重挑战:小目标检测(手机平均像素占比<0.5%)、遮挡干扰(人手/物体遮挡率超60%)、实时性要求(需200ms内响应)。某安检企业反馈,开源YOLOv5在车间场景误报率高达34%。技术解析:双流特征融合架构陌讯算法创新性融合双路径特征(图1):#陌讯核心代码逻辑(简化版)defdual_path_fusion(backbone):shallow_path=C
- 传统检测响应慢?陌讯多模态引擎提速90+FPS实战
2501_92473147
算法计算机视觉目标检测
开篇痛点:实时目标检测在安防监控中的核心挑战在安防监控领域,实时目标检测是保障公共安全的关键技术。然而,传统算法如YOLOv5或开源框架MMDetection常面临两大痛点:误报率高(复杂光照或遮挡场景下检测不稳定)和响应延迟(高分辨率视频流处理FPS低于30)。实测数据显示,城市交通监控系统误报率达15%,导致安保资源浪费;客户反馈表明,延迟超100ms时,目标跟踪可能失效。这些问题源于算法泛化
- 模型训练与部署注意事项篇---resize
Atticus-Orion
图像处理篇深度学习篇模型训练与部署注意事项篇深度学习计算机视觉人工智能
图像大小的影响在YOLOv系列模型的训练和推理部署过程中,图像大小的选择是影响模型性能(精度、速度、泛化能力)的关键因素之一。两者的关系既相互关联,又存在一定的灵活性,具体可从以下几个方面详细分析:一、核心关系:训练与推理图像大小的“基准一致性”YOLOv模型(如YOLOv5、v7、v8等)的训练和推理图像大小通常以**“基准尺寸”**为核心关联,即训练时设定的图像尺寸会作为模型设计的基础,而推理
- 街道垃圾识别难?陌讯视觉算法实测准确率突破95%
2501_92487900
算法边缘计算目标检测视觉检测计算机视觉
开篇痛点:街道垃圾识别的技术挑战在智慧城市和环保监管场景中,街道垃圾的实时检测一直是个难题。传统视觉算法(如YOLOv5、FasterR-CNN)在复杂街道场景下表现不佳,主要面临以下问题:光照干扰:早晚光线变化导致误检(如阴影被识别为垃圾)小目标漏检:饮料瓶、烟头等小物体在640x640输入下仅占10x10像素遮挡问题:垃圾桶周边堆积物造成特征混淆某环保科技公司实测数据显示,开源模型在真实场景中
- 占道识别漏检率 30%?陌讯多模态算法实测优化
2501_92487926
算法ai计算机视觉视觉检测
开篇:占道经营识别的三大技术痛点在城市管理智能化进程中,占道经营自动识别系统常面临三大核心难题:一是早晚光线剧变导致传统模型mAP骤降15-20%;二是流动摊贩与行人的特征混淆,误判率高达28%;三是密集场景下检测速度跌破15FPS,无法满足实时性要求[1]。某一线城市试点数据显示,基于开源YOLOv5的识别系统日均漏检事件超300起,人工复核成本占总投入的42%。这些问题的根源在于传统算法采用单
- 重型机械识别漏检率高?陌讯算法实测降 35%
在重型机械作业场景中,传统视觉识别系统常面临三大痛点:大型设备遮挡严重导致漏检率超20%、金属表面反光使特征提取失效、多机型混合作业时模型泛化能力不足。某港口集团曾反馈,其基于开源YOLOv5部署的机械监控系统,在暴雨天气下误报率飙升至37%,直接影响作业调度效率[实测数据来源:某港口2024年Q1运维报告]。技术解析:陌讯算法的三重突破陌讯视觉算法针对重型机械识别的特殊性,采用了创新的"动态注意
- YOLOv5基础 | 万字长文带你深度解析yolov5s.yaml配置文件
小哥谈
YOLO算法:基础+进阶+改进YOLO人工智能目标检测机器学习计算机视觉深度学习
前言:Hello大家好,我是小哥谈。配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用,属于初学者必知必会的文件!在YOLOv5-6.0版本源码中,配置了5种不同大小的网络模型,分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,其中YOLOv5n是网络深度和宽度最小但检测速度最快的模型,其他4种模型都是在YOLOv5n的基础上不断加
- 万字长文带你搞懂yolov5和yolov8以及目标检测相关面试
起个别名
C++YOLO目标检测目标跟踪
一、与yoloV4相比,yoloV5的改进输入端:在模型训练阶段,使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放基准网络:使用了FOCUS结构和CSP结构Neck网络:在Backbone和最后的Head输出层之间插入FPN_PAN结构Head输出层:训练时的损失函数GIOU_Loss,预测筛选框的DIOU_nms二、yolov5网络结构预处理在模型预处理阶段,使用了Mosaic数据增强
- yolov5训练失败总结
BTU_YC
深度学习pythonpytorch
yolov5训练失败总结版本原因:在进行训练时,出现如下报错:UserWarning:Detectedcalloflr_scheduler.step()beforeoptimizer.step().InPyTorch1.1.0andlater,youshouldcallthemintheoppositeorder:optimizer.step()beforelr_scheduler.step().
- YOLO学习笔记 | 从YOLOv5到YOLOv11:技术演进与核心改进
北斗猿
YOLO学习从零到1YOLO目标检测算法python计算机视觉
从YOLOv5到YOLOv11:技术演进与核心改进深度解析一、YOLO系列发展概述YOLO(YouOnlyLookOnce)目标检测算法自2016年诞生以来,凭借其"单次检测"的独特理念和卓越的实时性能,持续引领着计算机视觉领域的技术革新。从JosephRedmon的初代YOLO到AlexeyBochkovskiy的YOLOv4,再到Ultralytics团队的YOLOv5及后续系列,这一算法家族
- yolov5/v7/v8/v9/v10环境详细配置教程(Windows+conda+pycharm)
视觉算法er
深度学习环境配置YOLO目标检测人工智能深度学习condapycharm
一、所需环境配置1.1.虚拟环境创建首先,打开AnacondaPrompt命令窗口,创建一个新的虚拟环境,后面的包都在这个环境中安装。创建命令是:我的习惯是使用3.8版本的python,你也可以换成更高版本;condacreate-nyolopython=3.8输入命令后,运行结果如下:输入y即可;1.2.激活虚拟环境安装完成后,即可激活虚拟环境,输入以下命令即可;condaactivateyol
- YOLOv7 技术详解(Real-Time Dynamic Label Assignment + Model Scaling)
要努力啊啊啊
计算机视觉YOLO人工智能深度学习计算机视觉目标跟踪
✅YOLOv7技术详解(Real-TimeDynamicLabelAssignment+ModelScaling)一、前言YOLOv7是AlexeyBochkovskiy团队后续维护者提出的一种高性能目标检测模型,在YOLOv5基础上引入了多项结构优化和训练策略改进:✅模型集成(ModelIntegration)✅动态标签分配(ExtendAssigner)✅支持重参数化模块(ReparamBlo
- 基于深度学习的草莓成熟度检测系统:YOLOv5 + UI界面 + 数据集
YOLO实战营
深度学习YOLO实战项目深度学习YOLOui人工智能目标跟踪
引言随着农业科技的发展,智能化的农业生产方式正逐步替代传统农业。果实的成熟度检测对于农业生产的管理至关重要,尤其是在果蔬的采摘、分拣和运输过程中。草莓作为一种广泛种植且受消费者喜爱的水果,其成熟度检测一直是农业智能化的重要研究方向。传统的草莓成熟度检测方法大多依赖人工经验,劳动强度大且容易出现误差,因此,基于计算机视觉和深度学习的草莓成熟度自动检测系统成为了一种理想选择。深度学习技术,尤其是卷积神
- RDK X5/X3 yolov5目标检测从环境搭建到设备集成
激萌の小宅
YOLOYOLO目标检测人工智能
1、RDKX5yolov5目标检测之训练环境搭建2、RDKX5yolov5目标检测之pt转onnx3、RDKX5yolov5目标检测之开发机环境部署4、RDKX5yolov5目标检测之onnx转bin5、RDKX5yolov5目标检测之开发板运行
- 基于YOLOv5的监控摄像头遮挡检测系统:从数据集到UI界面的完整实现
芯作者
D2:YOLOYOLO神经网络
实时守护监控设备安全,智能识别遮挡攻击的AI解决方案一、问题背景与系统价值在安防监控领域,摄像头遮挡是常见的恶意攻击手段——统计显示35%的安防失效源于摄像头被遮挡。传统方案依赖人工巡查,效率低下且响应延迟。本文将带你构建完整的AI遮挡检测系统,核心创新点:双模检测机制:YOLOv5目标检测+背景建模异常分析轻量化部署:模型量化压缩至1.8MB动态学习:运行时自动更新异常样本库二、系统架构设计[视
- Windows系统部署YOLOv5 v6.1版本的训练与推理环境保姆级教程
lujx_1024
windowsYOLO
文章目录一·概述二·依赖环境(`prerequisites`)2.1硬件环境2.2软件环境三·环境安装3.1创建并激活虚拟环境3.2安装`Pytorch`与`torchvision`3.3校验`Pytorch`安装3.4下载`YOLOv5``v6.1`源码3.5安装`YOLOv5`依赖3.6下载预训练模型3.7安装其他依赖3.8测试环境安装3.9测试训练流程四·参考链接一·概述本文档主要记录使用工
- 使用YOLOv5-ONNX-PyQT-EXE: 全栈式对象检测应用的构建与部署
使用YOLOv5-ONNX-PyQT-EXE:全栈式对象检测应用的构建与部署去发现同类优质开源项目:https://gitcode.com/在计算机视觉领域,实时对象检测是一个至关重要的任务。是一个开源项目,它将流行的YOLOv5对象检测模型集成到ONNX(OpenNeuralNetworkExchange)中,并通过PyQT构建了一个可执行的应用程序,使得非开发人员也能轻松地进行对象检测。项目简
- YOLOv5-7.0解决报错 wandb: Network error (TransientError), entering retry loop.
Paper Clouds
Yolo目标检测YOLO人工智能机器学习pythonpytorch深度学习目标检测
前言最近在复习yolov5目标检测代码时用了yolov5的最新7.0版本,之前用的是5.0版本,这一新版本相对于之前做了一些提升,对于package的兼容也要好了很多,但也不是说下载了直接就能运行,实际使用过程中还是遇到了许多新的问题,下面就我自己碰到的问题提出解决方法。问题wandb是非常好用的可视化工具,但是国内的话,使用时常常会无法同步数据,需要借助魔法来连接服务器,而yolov5的源码恰恰
- Yolov5 ONNX Runtime 的 Python 部署
爱钓鱼的歪猴
#目标检测模型部署YOLO
这里使用的yolov56.2,使用export.py很方便地得到onnx格式的模型。然后用onnxruntime推理框架在Python上进行部署。主要是为了测试模型的准确,模型部署的最终是用C++部署,从而部署在嵌入式设备等。整个代码分为四个部分:1、对输入进行预处理;2、onnxruntime推理得到输出;3、对输出进行后处理4、画预测框代码的难点是nms处理。代码尚存在的缺陷是,将输入图像处理
- YOLO + OpenVINO 在英特尔平台部署实战:性能调优与跨架构加速全流程指南
YOLO+OpenVINO在英特尔平台部署实战:性能调优与跨架构加速全流程指南关键词:YOLOv5、YOLOv8、OpenVINO、英特尔部署、IR模型、异构加速、CPU推理、VPU、GPU、多设备调度、边缘计算摘要:本篇文章聚焦如何使用OpenVINO在英特尔平台高效部署YOLO系列目标检测模型,结合当前主流的YOLOv5与YOLOv8架构,详解模型格式转换、推理接口调用、多设备异构调度与性能优
- 目标检测——YOLO11算法解读
lishanlu136
#目标检测目标检测YOLO11YOLO系列算法解读
作者:Ultralytics公司代码:https://github.com/ultralytics/ultralyticsYOLO系列算法解读:YOLOv1通俗易懂版解读、SSD算法解读、YOLOv2算法解读、YOLOv3算法解读、YOLOv4算法解读、YOLOv5算法解读、YOLOR算法解读、YOLOX算法解读、YOLOv6算法解读、YOLOv7算法解读、
- C++、OpenVINO部署YOLOv5模型的指南(Windows)
马里马里奥-
c++openvinoopencv
C++、OpenVINO部署YOLOv5模型的指南(Windows)一、环境准备硬件要求软件配置二、模型转换流程1.导出ONNX模型2.转换为OpenVINOIR格式三、C++推理实现核心代码结构后处理关键算法四、性能优化技巧五、常见问题解答1:输出形状不匹配2:推理速度不达标六、部署效果展示七、结语一、环境准备硬件要求Intel第6代以上CPU16GB内存50GB可用磁盘空间软件配置Visual
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理