- 【2025CVPR】SEC-Prompt:少样本增量学习中的语义互补提示模型详解
清风AI
生成对抗网络人工智能神经网络pcm目标跟踪深度学习计算机视觉
目录一、研究背景:少样本增量学习的挑战二、SEC-Prompt核心原理1.自适应层次化查询(AdaptiveHierarchicalQuery)2.语义互补提示机制(1)判别性提示(D-Prompt)(2)非判别性提示(ND-Prompt)3.训练策略创新(1)判别性提示聚类损失(2)ND-Prompt数据增强三、模型架构图解四、关键创新点五、实验结果对比1.ImageNet-R结果2.CUB20
- Python 爬虫实战:GitHub 热门项目分析(Star 趋势 + 技术栈聚类)
Python核芯
Python爬虫实战项目python爬虫github
前言今天我们要一起完成一个实战项目:通过爬取GitHub热门项目,分析它们的Star趋势以及技术栈聚类。这个项目不仅能让我们熟悉GitHubAPI的使用,还能锻炼我们数据处理和可视化的能力。GitHub作为全球最大的代码托管平台,拥有海量的开源项目。通过分析这些项目的Star趋势和技术栈,我们可以了解当前热门的技术方向,这对我们的技术选型和职业发展都有很大的帮助。本文将分为以下几个部分:爬取Git
- 《dlib库中的聚类》算法详解:从原理到实践
A小庞
算法算法聚类数据挖掘机器学习c++
一、dlib库与聚类算法的关联1.1dlib库的核心功能dlib是一个基于C++的机器学习和计算机视觉工具库,其聚类算法模块提供了多种高效的无监督学习工具。聚类算法在dlib中主要用于:数据分组:将相似的数据点划分为同一簇。特征分析:通过聚类结果发现数据潜在的结构。降维辅助:结合聚类结果进行特征选择或数据压缩。dlib支持的经典聚类算法包括K-Means和ChineseWhispers,适用于图像
- FAISS 简介及其与 GPT 的对接(RAG)
言之。
AIfaissgpteasyui
什么是FAISS?FAISS(FacebookAISimilaritySearch)是FacebookAI团队开发的一个高效的相似性搜索和密集向量聚类的库。它主要用于:大规模向量相似性搜索高维向量最近邻检索向量聚类https://github.com/facebookresearch/faissFAISS特别适合处理高维向量数据,能够快速找到与查询向量最相似的向量,广泛应用于推荐系统、图像检索、自
- AI人工智能 神经网络
马里亚纳海沟网
人工智能神经网络深度学习笔记运维全文检索搜索引擎
**AI人工智能神经网络概述**神经网络是并行计算设备,它们试图构建大脑的计算机模型。背后的主要目标是开发一个系统来执行各种计算任务比传统系统更快。这些任务包括模式识别和分类,近似,优化和数据聚类什么是人工神经网络(ANN)人工神经网络(ANN)是一个高效的计算系统,其核心主题是借用生物神经网络的类比。人工神经网络也被称为人工神经系统,并行分布式处理系统和连接系统。ANN获取了大量以某种模式相互连
- 机器学习-- 聚类
SunsPlanter
机器学习机器学习聚类人工智能
什么是聚类?Clustering可以简单地说,对有标注的数据分类,就是逻辑回归(属于有监督分类),对无标注的数据分类,就是聚类(属于无监督分类)聚类是一种无监督学习技术,其目标是根据样本之间的相似性将未标记的数据分组。比如,在一个假设的患者研究中,研究人员正在评估一项新的治疗方案。在试验期间,患者每周会报告自身症状的频率以及严重程度。研究人员可以使用聚类分析将对治疗反应相似的患者归为同一类。图1展
- 【python数据分析】数据建模之Kmeans聚类
斑点鱼 SpotFish
python数据建模聚类python数据分析
K-means聚类:最常用的机器学习聚类算法,且为典型的基于距离的聚类算法。K均值:基于原型的、划分的距离技术,它试图发现用户指定个数(K)的簇以欧式距离作为相似度测度Kmeans聚类案例分析:make_blobs聚类数据生成器#导入模块from sklearn.cluster import KMeansfromsklearn.datasetsimportmake_blobs#创建数据x,y_tr
- 【Python学习】可视化图表-使用matplotlib绘制不同种类散点图
西攻城狮北
Python实用案例python学习matplotlib可视化图形
一、引言在数据可视化领域,散点图是一种极其强大的工具,它能够直观地展示变量之间的关系、数据分布的模式以及潜在的聚类情况等。通过散点图,我们可以轻松地发现数据中的异常值、相关性以及其他隐藏的特征。Python的matplotlib库提供了丰富而灵活的功能,可以帮助我们绘制出各种类型的散点图,以满足不同的数据分析和展示需求。本文将深入探讨如何使用matplotlib绘制多种类型的散点图,并提供详细的代
- 【Transformer论文】通过蒙面多模态聚类预测学习视听语音表示
Wwwilling
推荐系统论文阅读Transformer系列论文transformer聚类多模态
文献题目:LEARNINGAUDIO-VISUALSPEECHREPRESENTATIONBYMASKEDMULTIMODALCLUSTERPREDICTION发表时间:2022发表期刊:ICLR摘要语音的视频记录包含相关的音频和视觉信息,为从说话者的嘴唇运动和产生的声音中学习语音表示提供了强大的信号。我们介绍了视听隐藏单元BERT(AV-HuBERT),这是一种用于视听语音的自我监督表示学习框架
- 蜂鸟代理IP+云手机:跨境电商多账号运营的“隐形风控引擎”
IP管家
大数据网络网络协议tcp/ip安全ip
在亚马逊、TikTokShop等平台的严苛风控下,跨境电商多账号运营长期面临“设备关联封号”“IP污染限流”“地域画像矛盾”三大痛点。传统方案账号存活率不足35%,而蜂鸟代理IP与云手机技术的协同,通过IP层隔离+设备层虚拟化+行为层仿真三重防护,将账号存活率提升至95%以上,运营成本降低80%。本文从实战角度解析其技术赋能逻辑与场景化策略。一、风控核心痛点与破局逻辑平台风控机制的本质设备指纹聚类
- python读取sas数据集_SASpy模块,利用Python操作SAS
SASpy模块打通了Python与SAS之间的连接。有了SASpy模块,我们就能够在Python中操控SAS。本文将首先介绍SASpy模块的一些基本方法,最后通过一个聚类分析的例子,来展示如何在Python中调用SAS的机器学习过程,以及对聚类结果的可视化。SASpy模块特点1、需要Python3.X及以上,SAS9.4及以上,需要Java环境;2、无论是本地SAS还是远程服务器上的SAS,都可以
- 《聚类算法》入门--大白话篇:像整理房间一样给数据分类
一、什么是聚类算法?想象一下你的衣柜里堆满了衣服,但你不想一件件整理。聚类算法就像一个聪明的助手,它能自动帮你把衣服分成几堆:T恤放一堆、裤子放一堆、外套放一堆。它通过观察衣服的颜色、大小、款式这些特征,把相似的放在一起,不相似的分开。在计算机世界里,聚类算法就是帮我们把杂乱的数据分成有意义的组。它不需要提前知道答案(这就是"无监督学习"),而是像侦探一样,从数据中发现隐藏的规律。二、最常见的三种
- 高斯混合模型(Gaussian Mixture Model, GMM)
不想秃头的程序
神经网络语音识别人工智能深度学习网络
高斯混合模型(GaussianMixtureModel,GMM)是一种概率模型,用于表示数据点由多个高斯分布(GaussianDistribution)混合生成的过程。它广泛应用于聚类分析、密度估计、图像分割、语音识别等领域,尤其适合处理非球形簇或多模态数据。以下是GMM的详细介绍:一、核心思想GMM假设数据是由多个高斯分布混合生成的,每个高斯分布代表一个簇(Cluster),并引入隐变量(Lat
- Python 数据挖掘实战: 关联规则与聚类分析,解锁数据价值的钥匙
清水白石008
pythonPython题库python数据挖掘动画
Python数据挖掘实战:关联规则与聚类分析,解锁数据价值的钥匙引言在数字化浪潮席卷全球的今天,数据已成为企业和组织最重要的战略资产。海量数据蕴藏着巨大的价值,等待我们去挖掘和发现。数据挖掘(DataMining),作为从海量数据中提取有价值知识和模式的关键技术,正日益受到各行各业的重视。它如同探矿者的火眼金睛,能够穿透数据的迷雾,发现隐藏在背后的规律和趋势,为商业决策、科学研究和社会发展提供强有
- 高斯混合模型GMM&K均值(十三-1)——K均值是高斯混合模型的特例
phoenix@Capricornus
模式识别与机器学习均值算法机器学习算法
EM算法与K均值算法的关系K均值可以看成是高斯混合模型的特例。对K均值算法与EM算法进行比较后,可以发现它们之间有很大的相似性。K均值算法将数据点硬(hard)分配到聚类中,每个数据点唯一地与一个聚类相关联,而EM算法基于后验概率进行软(soft)分配。事实上,可以从EM算法推导出K均值算法。考虑一个高斯混合模型,其中混合分量的协方差矩阵由σ2I{\sigma^2}Iσ2I给出,其中σ2{\sig
- 《Python数据分析与挖掘实战》Chapter8中医证型关联规则挖掘笔记
茫茫大地真干净
机器学习Python数据挖掘
最近在学习《Python数据分析与挖掘实战》中的案例,写写自己的心得。代码分为两大部分:1.读取数据并进行聚类分析2.应用Apriori关联规则挖掘规律1.聚类部分函数分析:defprogrammer_1():datafile="C:/Users/longming/Desktop/chapter8/data/data.xls"processedfile="C:/Users/longming/Des
- 顺序内聚是指模块内的处理元素密切相关,并且必须按照特定的顺序执行,前一个处理元素的输出是下一个处理元素的输入
Bol5261
JVM(JavaVirtualMachine)JMM(JavaMemoryModel)JMS(JavaMessageService)服务器
该模块的内聚类型为顺序内聚。顺序内聚是指模块内的处理元素密切相关,并且必须按照特定的顺序执行,前一个处理元素的输出是下一个处理元素的输入。这种内聚类型比功能内聚稍弱,但仍然具有较高的内聚性。根据模块内聚的分类标准,当模块中各个处理元素密切相关于同一功能,且必须顺序执行,前一处理元素的输出直接作为下一处理元素的输入时,这种内聚类型属于顺序内聚(SequentialCohesion)。模块内聚类型对比
- Prompt Engineering终极手册:构建高效AI提示词库的完整技术路线
LCG元
大模型prompt人工智能
目录一、提示词库构建核心架构二、关键技术实现步骤1.数据采集与清洗2.提示词向量化编码3.聚类分析与分类存储三、API服务化部署四、性能优化方案五、监控与持续优化六、应用效果展示本文将深入探讨构建企业级AI提示词库的完整技术方案,含数据处理、模型训练、部署监控全流程代码实现在AI应用爆炸式增长的今天,提示词质量直接决定模型输出效果。本文将手把手教你构建企业级提示词库,涵盖以下核心技术环节:一、提示
- 【PyCharm 使用技巧】PyCharm 基本功能详解 || 【Jupyter Notebook】如何进入其它盘,如D盘?H盘?|| 【机器学习】聚类算法详解及其应用 || 道路交通流量模拟预测
追光者♂
Python从入门到人工智能工具技巧解决办法百题千解计划(项目实战案例)PyCharm使用技巧Jupyter如何进入其它盘聚类算法练习PyCharm详解时空交通流预测模拟
作者主页:追光者♂个人简介:在读计算机专业硕士研究生、CSDN-人工智能领域新星创作者、2022年CSDN博客之星人工智能领域TOP4、阿里云社区专家博主【无限进步,一起追光!】欢迎点赞收藏⭐留言本篇的目录一,是请看目录四——PyCharm基础设置回顾的续篇,继续记录讲解PyCharm的基本功能。目录二回顾了在使用Jupyter时的问题。目录三练习了机器学习算法中的聚类算法。目录一、再次了解PyC
- k近邻算法(kNearest Neighbors) 原理与代码实例讲解
AI大模型应用实战
javapythonjavascriptkotlingolang架构人工智能
k-近邻算法,聚类,分类,分离散数据,决策边界,邻域,机器学习,监督学习k-近邻算法(k-NearestNeighbors)-原理与代码实例讲解k-近邻算法(k-NearestNeighbors,简称kNN)是一种简单的监督学习方法,它在机器学习领域有着广泛的应用。kNN算法的核心思想是:在特征空间中,如果一个样本附近的k个最近邻样本的大多数属于某个类别,则该样本也属于这个类别。这种基于局部决策的
- 算法思想之广度优先搜索(BFS)及示例(亲子游戏)
墨鸦_Cormorant
算法算法宽度优先游戏
广度优先搜索广度优先算法,又称广度优先搜索算法,是最简便的图的算法之一,其特点是:在扫描数据空间时,每个点以最短路径生成广度优先生成树。广度优先搜索这种算法遍历整个图的所有节点并记录,直至找到所需结果为止,是一种盲目算法,但它还有一个非常重要的特性一最佳解,即当所有的边长相等,它就是最佳解,若在距离聚类算法中,应用广度优先搜索此特性去搜寻数据对象的同类,则可以有效地提高聚类速度。此外,可以把网格单
- DAY 17 常见聚类算法
yizhimie37
python训练营打卡笔记机器学习
@浙大疏锦行https://blog.csdn.net/weixin_45655710day17笔记全流程(可点开下载)#导入必要的库importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsimportwarnings#忽略警告信息,使输出更整洁warnings.filterwarnings("ign
- 【人工智能-练习】三个案例搞明白机器学习中的三大任务:分类、回归、聚类
若北辰
人工智能分类回归
文章目录一、分类任务结果代码解释导入必要的库配置字体生成模拟数据集拆分数据集数据标准化逻辑回归分类器预测并计算准确率绘制分类效果定义决策边界绘制函数绘制训练集和测试集的分类效果二、回归结果代码解释1.导入库2.设置Matplotlib的字体3.生成模拟数据集4.将数据集划分为训练集和测试集5.数据标准化6.定义线性回归模型7.预测8.计算均方误差(MSE)9.绘制回归预测效果图训练集上的预测效果测
- 从0开始学习R语言--Day27--空间自相关
Chef_Chen
学习
有的时候,我们在数据进行分组时,会发现用正常的聚类分析的方法和思维,分组的情况不是很理想。其实这是因为我们常常会忽略一个问题:假设我们正在分析的数据是真实的,那么它也肯定在一定程度上符合客观规律。而如果我们正在分析的数据中,有真实的客观空间数据时,可以考虑用空间自相关的方法去分析。例如我们在分析城市犯罪率的时候,用聚类分析的思维,我们可能会思考不同城市的犯罪特征是什么,是否有相似点,亦或是试图把城
- Task01. 时序数据与 PyPOTS 介绍
三分梦~
python机器学习时序数据库数据挖掘
Task01.时序数据与PyPOTS介绍Task01.时序数据与PyPOTS介绍1.时间序列数据介绍️举例:与i.i.d数据的区别示例:1.1时间序列数据的类型1.2常见时间序列数据示例1.3时间序列研究与应用方向主要任务:1.预测(Forecasting)2.分类(Classification)3.聚类(Clustering)4.异常检测(AnomalyDetection)5.时间序列生成(Ge
- python scipy简介
凤枭香
Python图像处理pythonscipy开发语言图像处理
scipyscipy是一个python开源的数学计算库,可以应用于数学、科学以及工程领域,它是基于numpy的科学计算库。主要包含了统计学、最优化、线性代数、积分、傅里叶变换、信号处理和图像处理以及常微分方程的求解以及其他科学工程中所用到的计算。scipy模块介绍scipy主要通过下面这些包来实现数学算法和科学计算,后面对于scipy的讲解主要也是基于这些包来实现的cluster:包含聚类算法co
- 【无标题】
书桐先生
python前端开发语言
✅什么是KMeans聚类?为什么要用它?通俗解释:KMeans聚类就像“自动分类器”,它根据像素的灰度值,把整张图分成亮度不同的几类区域。比如,把黑色背景、亮一点的重影、最亮的主影区分开。为什么用它:图像中的亮度差异很明显:背景暗(低灰度)重影比背景亮但比主影暗主影最亮KMeans可以自动分组像素,不需要手动设阈值,适应性强,适用于批量图像处理。✅什么是“形态学去噪”?用来干什么?通俗解释:形态学
- 【数据挖掘】期末复习模拟题(暨考试题)
chaser&upper
数据分析随笔小记数据挖掘python聚类
数据挖掘-期末复习试题挑战全网最全题库单选题多选题判断题填空题程序填空sigmoid曼哈顿距离泰坦尼克号披萨价格预测鸢尾花DBSCN密度聚类决策树购物表单-关联规则火龙果-关联分析数据非线性映射高斯朴素贝叶斯分类器手写数字识别k1-10聚类平均偏差程序分析PM2.5线性回归Titanic数据清洗KNN鸢尾花Kmeans聚类KNN电影分类频繁k项集混淆矩阵OverlookMOOC总结挑战全网最全题库
- Datawhale组队学习 - 202505 - PyPOTS - Task01时序数据与PyPOTS
来两个炸鸡腿
学习python人工智能
系列文章目录Task01-时序数据与PyPOTS文章目录系列文章目录前言1时间序列数据1.1时间序列数据的类型1.2时间序列数据示例1.3时间序列的研究与应用方向1.3.1预测Forecasting1.3.2分类Classification1.3.3聚类Clustering1.3.4异常监测AnomalyDetection1.3.5时间序列生成Generation1.3.6插补Imputation
- python中Scikit-learn模块介绍
不会仰游的河马君
pythonpythonscikit-learn开发语言
Scikit-learn是Python中一个开源的机器学习库,它提供了简单高效的工具,用于数据挖掘和数据分析。该库包含了各种分类、回归、聚类算法,以及数据预处理、模型选择、模型评估等功能。Scikit-learn的特点是接口统一、使用简单、运行高效,并且有一个活跃的社区不断维护和更新。它广泛应用于数据科学、机器学习、人工智能等领域。应用和发展趋势Scikit-learn在机器学习和数据科学领域的应
- 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