- 探索 Qwen3-0.6B:轻量级大模型的技术突破与应用潜力
在大模型技术飞速发展的今天,轻量化、高性能的模型成为业界关注的焦点。Qwen3-0.6B作为阿里推出的轻量级大模型,凭借其独特的技术架构和卓越性能,在众多模型中脱颖而出。本文将深入探讨Qwen3-0.6B的技术特性、优势以及应用场景,带你领略这款轻量级大模型的魅力。一、Qwen3-0.6B核心技术架构Qwen3-0.6B基于Transformer架构进行优化,采用了一系列先进的技术手段,在保证模型
- Transformer模型压缩:结构化剪枝与混合精度量化研究
pk_xz123456
仿真模型机器学习深度学习transformer剪枝深度学习
Transformer模型压缩:结构化剪枝与混合精度量化研究摘要本文针对Transformer模型在实际部署中面临的计算资源消耗大、内存占用高和推理延迟等问题,提出了一种结合结构化剪枝与混合精度量化的综合压缩方案。我们首先分析了Transformer模型的结构特点及其在计算效率方面的瓶颈,然后系统地研究了结构化剪枝和混合精度量化的理论基础与实现方法。通过实验验证,我们的方法在保持模型性能的同时显著
- 李宏毅2025《机器学习》第四讲-Transformer架构的演进
Transformer架构的演进与替代方案:从RNN到Mamba的技术思辨Transformer作为当前AI领域的标准架构,其设计并非凭空而来,也并非没有缺点。本次讨论的核心便是:新兴的架构,如MAMA,是如何针对Transformer的弱点进行改进,并试图提供一个更优的解决方案的。要理解架构的演进,我们必须首先明确一个核心原则:每一种神经网络架构,都有其存在的技术理由。CNN(卷积神经网络):为
- Longformer: The Long-Document Transformer(2020-4-10)
不负韶华ღ
深度学习(NLP)transformer深度学习人工智能
模型介绍目前基于Transformer的预训练模型在各项NLP任务纷纷取得更好的效果,这些成功的部分原因在于Self-Attention机制,它运行模型能够快速便捷地从整个文本序列中捕获重要信息。然而传统的Self-Attention机制的时空复杂度与文本的序列长度呈平方的关系,这在很大程度上限制了模型的输入不能太长,因此需要将过长的文档进行截断传入模型进行处理,例如BERT中能够接受的最大序列长
- 机器学习19-Transformer和AlexNet思考
坐吃山猪
机器学习机器学习transformer人工智能
Transformer和AlexNet思考关于Transformer和AlexNet发展的一些思考1-核心知识点Word2Vec的作用是什么,和Transformer的诞生有什么关系吗?AlexNet的主要核心思路是什么,为什么表现那么好?现在有什么比AlexNet更优秀的算法2-思路整理1-Word2Vec的作用是什么,和Transformer的诞生有什么关系吗?Word2Vec的作用Word2
- 文末含资料链接!YOLOv11性能飞跃:深度融合iRMB注意力机制,实战教程助你突破检测极限!
博导ai君
深度学习教学-附源码YOLO
文章目录1.介绍:揭秘iRMB——轻量化与高性能的完美融合1.1摘要:洞察iRMB的设计哲学与卓越表现1.2简单描述:深入剖析iRMB的构造与工作原理核心灵感:CNN与Transformer的珠联璧合iRMB的核心结构:短距离与长距离的协同设计理念:实用、统一、有效、高效1.3模块结构:iRMB的内部构造图(概念描述)2.代码解析:逐行揭秘iRMB的魔法2.1`LayerNorm2d`:为2D数据
- Teacher Forcing--------一种用于序列生成任务的训练技巧
AI扶我青云志
自然语言处理人工智能
好的,我们来详细介绍一下TeacherForcing,这是一种在训练序列生成模型(如循环神经网络RNN、长短期记忆网络LSTM、门控循环单元GRU、以及后来的Transformer)时常用的重要技术。核心概念目标:训练一个模型,使其能够根据给定的输入序列(如前一个词、图像编码、时间步数据等)预测下一个输出元素(如下一个词、下一个音符、下一个时间点的值等)。这在机器翻译、文本摘要、对话生成、语音合成
- Python 库 包 sentence-transformers
音程
机器学习人工智能python开发语言
sentence-transformers是一个非常流行的Python库,专门用于将文本(句子、段落、文档)转换为高质量的语义向量(嵌入)。它基于Transformer架构(如BERT、RoBERTa、DistilBERT等)的预训练模型,并在大量语义相似性数据上进行了微调,能够捕捉句子之间的深层语义关系。什么是sentence-transformers?项目地址:https://www.sber
- 【AI智能推荐系统】第二篇:深度学习在推荐系统中的架构设计与优化实践
DeepFaye
人工智能深度学习
第二篇:深度学习在推荐系统中的架构设计与优化实践提示语:“从Wide&Deep到Transformer,深度推荐模型如何突破性能瓶颈?本文将揭秘Netflix、淘宝都在用的深度学习推荐架构,手把手教你设计高精度推荐系统!”目录深度学习推荐系统的核心优势主流深度学习推荐架构解析2.1Wide&Deep模型2.2DeepFM与xDeepFM2.3神经协同过滤(NCF)2.4基于Transformer的
- 【图像超分】论文复现:密集残差链接Transformer!DRCT的Pytorch源码复现,跑通超分源码,获得指标、模型复杂度、结果可视化,核心模块拆解与源码对应,注释详细!
十小大
超分辨率重建(理论+实战科研+应用)pytorch深度学习超分辨率重建图像处理计算机视觉pythontransformer
请先看【专栏介绍文章】:【超分辨率(Super-Resolution)】关于【超分辨率重建】专栏的相关说明,包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等)完整代码和训练好的模型权重文件下载链接见本文底部,订阅专栏免费获取!本文亮点:跑通DRCT源码,获得与论文一致的PSNR/SSIM、Params、超分可视化结果,修正论文中FLOPs的计
- Transformer已死?2025年十大替代架构实战评测
前言前些天发现了一个巨牛的人工智能免费学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站封面图建议:十大架构3D渲染图环绕碎裂的Transformer图标,背景为动态性能雷达图副标题:实测推理速度/显存占用/长文本能力,附迁移成本决策树一、争议源起:Transformer的时代性局限(2025版)graphLRA[Transformer痛点]-->B[显存黑洞:千亿模型推理需1.6
- 多模态大模型:技术原理与实战 看清GPT的进化史和创新点
AI天才研究院
AgenticAI实战计算AI人工智能与大数据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
多模态大模型:技术原理与实战看清GPT的进化史和创新点1.背景介绍1.1人工智能的发展历程1.1.1早期人工智能1.1.2机器学习时代1.1.3深度学习的崛起1.2自然语言处理的演进1.2.1基于规则的方法1.2.2统计机器学习方法1.2.3深度学习方法1.3大语言模型的出现1.3.1Transformer架构的提出1.3.2GPT系列模型的发展1.3.3多模态大模型的兴起2.核心概念与联系2.1
- 聚焦的伟力:注意力机制与Transformer的创世纪
田园Coder
人工智能科普人工智能科普
当LSTM和GRU凭借其精密的门控系统,成功驯服了时间的长河,让神经网络能够跨越数十甚至数百步记住关键信息,并在机器翻译、文本生成等领域大放异彩时,一个看似微小却影响深远的瓶颈逐渐浮出水面,尤其是在序列到序列(Seq2Seq)框架中。在标准的Seq2Seq模型(如用于神经机器翻译)里,编码器(通常是一个RNN如LSTM)需要将整个输入序列(如一个英语句子)的信息压缩成一个固定长度的上下文向量(Co
- 《卷积神经网络到Vision Transformer:计算机视觉的十年架构革命》
HeartException
人工智能学习
前言前些天发现了一个巨牛的人工智能免费学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站题目《卷积神经网络到VisionTransformer:计算机视觉的十年架构革命》展开深度解析,全文采用技术演进史+架构对比+产业影响的三段式结构,附关键数据与趋势预测:卷积神经网络到VisionTransformer:计算机视觉的十年架构革命副标题:从局部感知到全局建模,一场改变AI视觉基石的
- YOLO融合synergisticNet中的模块
今天炼丹了吗
YOLOv11与自研模型专栏YOLO
YOLOv11v10v8使用教程:YOLOv11入门到入土使用教程YOLOv11改进汇总贴:YOLOv11及自研模型更新汇总《HyperSINet:ASynergeticInteractionNetworkCombinedWithConvolutionandTransformerforHyperspectralImageClassification》一、模块介绍论文链接:https://ieeex
- Happy-LLM 第二章 Transformer
HalukiSan
transformer深度学习人工智能
Transform架构图片来自[Happy-llm](happy-llm/docs/chapter2/第二章Transformer架构.mdatmain·datawhalechina/happy-llm),若加载不出来,请开梯子注意力机制前馈神经网络每一层的神经元都与上下两层的每一个神经元完全连接数据在其中只向前流动,用于处理静态的数据,进行图像识别或者分类,但是该网络没有记忆能力,数据在它里面没
- happy-llm 第二章 Transformer架构
weixin_38374194
transformer深度学习人工智能学习
文章目录一、注意力机制核心解析1.1注意力机制的本质与核心变量1.2注意力机制的数学推导1.3注意力机制的变种实现1.3.1自注意力(Self-Attention)1.3.2掩码自注意力(MaskedSelf-Attention)1.3.3多头注意力(Multi-HeadAttention)二、Encoder-Decoder架构详解2.1Seq2Seq任务与架构设计2.2核心组件解析2.2.1前馈
- Nystromformer:一种基于 Nyström 方法的自注意力近似算法
AI专题精讲
Paper阅读人工智能自然语言处理AI
1.摘要Transformer已经成为广泛自然语言处理任务中的强大工具。推动Transformer展现出卓越性能的一个关键组件是self-attention机制,它对每个token编码了其他token的影响或依赖关系。虽然self-attention机制具有诸多优势,但其在输入序列长度上的二次复杂度限制了其在较长序列上的应用——这是当前社区积极研究的一个主题。为了解决这一限制,我们提出了Nystr
- 【极光优化算法+分解对比】VMD-PLO-Transformer-LSTM多变量时间序列光伏功率预测Matlab代码
matlab科研助手
算法transformerlstm
✅作者简介:热爱数据处理、建模、算法设计的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击:Matlab科研工作室个人信条:格物致知。内容介绍光伏发电作为一种清洁能源,其功率预测对于电网稳定运行和电力系统调度至关重要。然而,光伏功率具有高度的非线性和波动性,传统的预测方法难以准确捕捉其动态特性。近年来,深度学习技术在时间序列预测领域取得了显著进展,为提高光伏功率预测精度提供了新的途径
- ConvNeXT:面向 2020 年代的卷积神经网络
摘要视觉识别的“咆哮二十年代”始于VisionTransformer(ViT)的引入,ViT很快取代了ConvNet,成为图像分类任务中的最新最强模型。然而,vanillaViT在应用于目标检测、语义分割等通用计算机视觉任务时面临困难。HierarchicalTransformer(如SwinTransformer)重新引入了若干ConvNet的先验知识,使Transformer成为实用的通用视觉
- 目标检测新纪元:DETR到Mamba实战解析
加油吧zkf
图像处理python分类人工智能目标检测
【实战分享】目标检测的“后DEⱯ”时代:DETR/DINO/RT-DETR及新型骨干网络探索(含示例代码)目标检测从YOLO、FasterR-CNN到Transformer结构的DETR,再到DINO、RT-DETR,近两年出现了许多新趋势:更高效的端到端结构、更少的手工设计(比如不再需要NMS)、以及新型轻量化骨干网络(比如Mamba、ConvNeXt、ViT等)被引入检测任务中。作为从事目标检
- 计算机视觉中的Transformer:ViT模型详解与代码实现
AI大模型应用工坊
计算机视觉transformer人工智能ai
计算机视觉中的Transformer:ViT模型详解与代码实现关键词:计算机视觉、Transformer、ViT、自注意力机制、图像分块摘要:传统卷积神经网络(CNN)统治计算机视觉领域多年,但2020年一篇《AnImageisWorth16x16Words:TransformersforImageRecognitionatScale》的论文打破了这一格局——它将NLP领域的Transformer
- LLM面试题14
三月七꧁ ꧂
破题·大模型面试语言模型人工智能数据库自然语言处理prompt
算法岗面试题介绍下Transformer模型。 Transformer本身是一个典型的encoder-decoder模型,Encoder端和Decoder端均有6个Block,Encoder端的Block包括两个模块,多头self-attention模块以及一个前馈神经网络模块;Decoder端的Block包括三个模块,Masked多头self-attention模块,多头Encoder-D
- RT‑DETR 系列发展时间顺序
要努力啊啊啊
计算机视觉深度学习计算机视觉目标检测人工智能
RT‑DETR系列发展时间顺序RT‑DETR系列是由百度提出的一系列基于Transformer的实时端到端目标检测器,以下列出了从提出到演化的主要milestone:时间线概览版本时间主要改进/特点DETR2020–05(论文)oai_citation:0‡labellerr.comoai_citation:1‡arxiv.orgTransformer架构首次用于端到端检测,无需NMSRT‑DET
- MOBILEVIT: 轻量级、通用且适用于移动设备的视觉Transformer
AI专题精讲
Paper阅读transformer深度学习人工智能计算机视觉
摘要轻量级卷积神经网络(CNN)是移动视觉任务的事实标准。它们的空间归纳偏置使得它们能够在不同的视觉任务中以较少的参数学习表示。然而,这些网络在空间上是局部的。为了学习全局表示,基于自注意力的视觉Transformer(ViT)被采用。与CNN不同,ViT是重量级的。本文提出了以下问题:是否有可能将CNN和ViT的优势结合起来,构建一个适用于移动视觉任务的轻量级低延迟网络?为此,我们介绍了Mobi
- 【LLM论文阅读】
一只齐刘海的猫
论文阅读
LLM论文阅读论文重点论文链接RopeRoFormer:EnhancedTransformerwithRotaryPositionEmbeddingRoPE论文阅读YarnUnderstandingYaRN:ExtendingContextWindowofLLMs论文YaRN笔记T5ExploringtheLimitsofTransferLearningwithaUnifiedText-to-Te
- Deepoc光电研发垂直大模型的技术实现突破与核心模块
Deepoch
无人机人工智能科技ai
一、模型架构与算法创新领域专用混合架构设计多模态Transformer扩展:在标准Transformer架构基础上,引入光子器件特性感知模块(如非线性光学参数编码器),支持光路拓扑结构与电磁场分布的联合建模,解决传统电芯片架构无法模拟光子干涉效应的难题。量子-光电混合计算层:通过量子线路模拟光子量子态演化,结合经典计算层优化参数搜索空间,实现NP难问题(如光子芯片布线优化)的指数级加速。物理约束的
- 目标检测在国防和政府的应用实例
MzKyle
计算机视觉目标检测人工智能计算机视觉
一、目标检测技术概述目标检测是计算机视觉的核心任务,通过算法对图像/视频中的物体进行识别与定位,当前主流技术包括:经典算法:YOLO系列(实时性强)、FasterR-CNN(精度高)、SSD(平衡速度与精度)技术升级:结合深度学习(CNN、Transformer)、多模态融合(视觉+红外+雷达)、边缘计算实时处理二、国防领域核心应用实例(一)军事侦察与监控系统无人机侦察与目标识别应用场景:战术无人
- C++:Testing-测试(必会知识点双语整理)
主要内容:代码缺陷(CodeDefects/Bugs)缺陷密度(DefectDensity-bugs/KLOC)单元测试(UnitTesting)集成测试(IntegrationTesting)系统测试(SystemTesting)验收测试(AcceptanceTesting)黑盒测试(Black-boxTesting)白盒测试(White-boxTesting)边缘案例测试(EdgeCaseTe
- BERT(Bidirectional Encoder Representations from Transformers)
jerwey
bert人工智能深度学习
BERT(BidirectionalEncoderRepresentationsfromTransformers)是由Google于2018年提出的一种基于Transformer架构的预训练语言模型,属于大型语言模型(LLM)的一种重要类型。其核心特点和技术定位如下:1.核心架构Encoder-Only结构:BERT仅使用Transformer的编码器(Encoder),通过多层堆叠捕捉文本的双向
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s