元宝的技术日常
元宝的技术日常

MobileNet -- 卷积神经网络

1、MobileNet 出现解决的问题

MobileNet 是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，网络设计的核心深度可分离卷积，可以在牺牲较小性能的前提下有效的减少参数量和计算量。深度可分离卷积将传统的卷积运算用两步卷积运算代替：Depthwise convolution (深度可分离)与Pointwise convolution(1 * 1卷积)。

2、MobileNet 介绍

MobileNet V1

从图中可以明确的看出，由于输入图片为三通道，Depthwise conv的卷积核数目为3，但卷积核通道数目为1；而传统的卷积方法也会有3个卷积核，但卷积核通道数目3。可以看出MobileNet V1从 Inception的分组卷积的思想中，又做了进一步的分组，直接将按照输入图像的通道数目做拆分，有多少个通道，就拆分为多少个组。

后续的MobileNet-v2主要增加了残差结构，同时在Depthwise convolution之前添加一层Pointwise convolution，优化了带宽的使用，进一步提高了在嵌入式设备上的性能。可分离卷积如下图所示：


MobileNet_v2

3、参考资料

  • 回顾和总结卷积神经网络的发展过程

  • 卷积神经网络发展历史及各种卷积神经网络模型简介

你可能感兴趣的:(MobileNet -- 卷积神经网络)

  • 人脸识别算法赋能园区无人超市安防升级 智驱力人工智能 算法人工智能边缘计算人脸识别智慧园区智慧工地智慧煤矿
    人脸识别算法赋能园区无人超市安防升级正文在园区无人超市的运营管理中，传统安防手段依赖人工巡检或基础监控设备，存在响应滞后、误报率高、环境适应性差等问题。本文从技术背景、实现路径、功能优势及应用场景四个维度，阐述如何通过人脸识别检测、人员入侵算法及疲劳检测算法的协同应用，构建高效、精准的智能安防体系。一、技术背景：视觉分析算法的核心支撑人脸识别算法基于深度学习的卷积神经网络（CNN）模型，通过提取面
  • OpenCV边缘填充方式详解 慕婉0307 opencv基础opencv计算机视觉人工智能
    一、边缘填充概述在图像处理中，边缘填充（BorderPadding）是一项基础而重要的技术，特别是在进行卷积操作（如滤波、边缘检测等）时，处理图像边缘像素需要用到周围的像素值。由于图像边缘的像素没有完整的邻域，因此需要通过某种方式对图像边界进行扩展。边缘填充的主要应用场景包括：图像滤波（如高斯滤波、中值滤波等）卷积神经网络（CNN）中的卷积层形态学操作（如膨胀、腐蚀）图像特征提取二、OpenCV中
  • Day41 Python打卡训练营
    知识回顾1.数据增强2.卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：1.输入→卷积层→Batch归一化层（可选）→池化层→激活函数→下一层2.Flatten->Dense(withDropout，可选)->Dense(Output)importtorchimporttorc
  • 深度学习在人脸识别中的应用及Python实现 loop_syntax648 机器学习-深度学习
    人脸识别是一种通过计算机技术识别和验证人脸的方法，近年来深度学习在人脸识别领域取得了显著的进展。深度学习模型能够学习和提取人脸图像中的高级特征，从而实现准确的人脸识别。本文将介绍深度学习在人脸识别中的应用，并提供Python实现的源代码。深度学习模型通常基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）进行人脸识别。CNN是一种专门用于处理图像和视觉数据的神经网络模型
  • 60天python训练营打卡day41 tan90�= python60天打卡python开发语言
    学习目标：60天python训练营打卡学习内容：DAY41简单CNN知识回顾1.数据增强2.卷积神经网络定义的写法3.batch归一化：调整一个批次的分布，常用与图像数据4.特征图：只有卷积操作输出的才叫特征图5.调度器：直接修改基础学习率卷积操作常见流程如下：输入→卷积层→Batch归一化层（可选）→池化层→激活函数→下一层2.Flatten->Dense(withDropout，可选)->De
  • 【深度学习加速探秘】Winograd 卷积算法：让计算效率 “飞” 起来 heimeiyingwang 算法深度学习算法人工智能
    一、为什么需要Winograd卷积算法？从“卷积计算瓶颈”说起在深度学习领域，卷积神经网络（CNN）被广泛应用于图像识别、目标检测、语义分割等任务。然而，卷积操作作为CNN的核心计算单元，其计算量巨大，消耗大量的时间和计算资源。随着模型规模不断增大，传统卷积算法的计算效率成为限制深度学习发展的一大瓶颈。Winograd卷积算法的出现，犹如一把利刃，直击传统卷积计算的痛点。它通过巧妙的数学变换，大幅
  • 第五章 卷积神经网络（CNN） AI拉呱 机器学习深度学习实例讲解与分析
    第五章卷积神经网络（CNN）5.1卷积神经网络的组成层在卷积神经网络中，有3种最主要的层：卷积运算层池化层全连接层一个完整的神经网络就是由这三种层叠加组成的。结构示例拿CIFAR-10数据集举例，一个典型的该数据集上的卷积神经网络分类器应该有[INPUT-CONV-RELU-POOL-FC]的结构，INPUT[32*32*3]包含原始图片数据中的全部像素，长宽都是32，有RGB3个颜色通道。CON
  • 探秘 Drain3：一款高效日志异常检测神器 尚舰舸Elsie
    探秘Drain3：一款高效日志异常检测神器去发现同类优质开源项目:https://gitcode.com/项目简介是一个基于深度学习的日志异常检测系统，由LogPAI团队开发并开源。它旨在帮助运维人员和数据科学家快速发现系统日志中的异常行为，从而及时预测和处理潜在的问题，提升系统的稳定性和安全性。技术分析Drain3的核心技术是利用一维卷积神经网络（1DConvolutionalNeuralNet
  • 微算法科技(NASDAQ：MLGO)采用量子卷积神经网络(QCNN)，检测区块链中的DDoS攻击 MicroTech2025 量子计算区块链
    随着区块链技术的广泛应用，其安全性问题日益凸显。DDoS攻击作为一种常见的网络攻击手段，也对区块链网络构成了严重威胁。传统的检测方法在应对复杂多变的DDoS攻击时存在一定局限性，而量子计算的发展为解决这一问题带来了新的契机。微算法科技(NASDAQ：MLGO)深入研究量子卷积神经网络(QCNN)，并对其在检测区块链中的DDoS攻击方面进行了一系列创新改进。量子卷积神经网络（QCNN）是结合了量子计
  • 道路点云分割+边界提取+中心线方法总结 asdbhkasgb 相关论文深度学习计算机视觉人工智能算法3d
    1.FastLIDAR-basedRoadDetectionUsingFullyConvolutionalNeuralNetworks2017流程点云数据转换为俯视图图像从激光雷达获取的点云数据是无结构的，因此需要先将其转换为适合全卷积神经网络（FCN）处理的格式。具体来说，作者在激光雷达的XY平面上创建一个网格，并将点云中的每个点分配到相应的网格单元。对每个网格单元计算一些基础统计数据，例如：平
  • 基于深度学习的智能图像语义分割系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能python分类音视频机器学习sklearn
    前言图像语义分割是计算机视觉领域中的一个重要任务，其目标是将图像中的每个像素分配到预定义的语义类别中。这一技术在自动驾驶、医学影像分析、机器人视觉等多个领域有着广泛的应用。近年来，深度学习技术，尤其是卷积神经网络（CNN）及其变体，为图像语义分割带来了显著的改进。本文将详细介绍基于深度学习的智能图像语义分割系统的原理、实现方法以及实际应用案例。一、图像语义分割的基本概念1.1什么是图像语义分割？图
  • 基于深度学习的特征映射模块（FMS）实现与分析 RockLiu@805 深度学习模块机器视觉深度学习人工智能
    基于深度学习的特征映射模块（FMS）实现与分析引言在现代计算机视觉任务中，特征提取是至关重要的一步。传统的CNN虽然在很多任务上表现良好，但面对复杂图像信息时仍显得力不从心。为了解决这一问题，研究者们不断探索新的方法和技术，以更高效地捕捉和表示图像中的特征。今天，我将带大家深入探索一个结合了深度学习与小波变换的特征映射模块（FMS）。该模块不仅利用了传统的卷积神经网络（CNN），还引入了离散小波变
  • 探秘卷积神经网络（CNN）：从原理到实战的深度解析 LNL13 cnn人工智能神经网络
    在图像识别、视频处理等领域，卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）如同一位“超级侦探”，能够精准捕捉图像中的关键信息，实现对目标的快速识别与分析。从医疗影像诊断到自动驾驶中的路况感知，CNN凭借独特的架构设计和强大的特征提取能力，成为深度学习领域的中流砥柱。接下来，让我们深入探索CNN的奥秘。一、CNN的诞生背景与核心优势传统的神经网络，如多层感知机（ML
  • 搜索引擎蜘蛛的智能抓取策略：技术解构与动态博弈的深层逻辑 我爱学习558 搜索引擎蜘蛛2搜索引擎pythonjavascript
    搜索引擎蜘蛛的抓取过程远非简单的页面下载，而是一场融合了计算机科学、博弈论和信息经济学的复杂系统工程。其技术实现中暗藏着搜索引擎对网络空间认知范式的根本性转变。###一、多模态解析引擎的量子化演进现代蜘蛛的解析引擎已突破传统HTML解析的局限，形成多模态感知架构：**1.时空感知型解析器**-**视觉权重建模**：通过卷积神经网络(CNN)分析页面视觉热区，将首屏内容权重提升37%-**交互深度预
  • Python实现简单的深度学习实践 master_chenchengg pythonpythonPythonpython开发IT
    Python实现简单的深度学习实践Python：通往深度学习世界的钥匙动手搭建你的第一个神经网络模型从零开始，用Python解析MNIST手写数字识别超越基础：使用Keras快速构建卷积神经网络实战演练：训练一个简单的图像分类器Python：通往深度学习世界的钥匙在当今这个数据驱动的时代，Python无疑成为了打开深度学习大门的金钥匙。它不仅语法简洁、易于上手，而且拥有强大的社区支持和丰富的库资源
  • 八种常见的神经网络介绍 EdmundXjs 技术专栏神经网络人工智能深度学习
      在深度学习的世界里，各种神经网络模型层出不穷，每一种都有其独特的魅力和优势。今天，以下是八种常见的神经网络模型及其特点介绍，让我们来看看它们是如何在人工智能领域大放异彩的。概述（八大神经网络）卷积神经网络（CNN）：适用于图像、音频等网格数据处理。通过卷积层提取局部特征，池化层降维，广泛用于图像分类、目标检测。特点是参数共享和权值的局部连接，减少了模型复杂度。循环神经网络（RNN）：擅长处理序
  • 基于CNN卷积神经网络识别汉字合集-视频介绍下自取 no_work 深度学习cnn人工智能神经网络
    内容包括：含ShuffleNet等多个模型的手写中文汉字识别摄像头版109含ShuffleNet等多个模型的手写中文汉字识别摄像头版_哔哩哔哩_bilibili本代码用的python语言，pytorch深度学习框架运行，环境的安装可以参考博客：深度学习环境安装教程-anaconda-python-pytorch_动手学习深度学习的环境安装-CSDN博客代码总共分成三个部分，01py文件是划分数据集
  • 卷积神经网络CNN
    一、图像概念图像是人类视觉的基础，是自然景物的客观反映，是人类认识世界和人类本身的重要源泉。简单讲：图像是由像素点组成的，每个像素点的取值范围在[0,255]。像素值越接近于0，颜色越暗，接近于黑色；像素值越接近255，颜色越亮，接近于白色。在计算机中，按照颜色和灰度的多少可以将图像分为四种基本类型：①二值图像②灰度图像③索引图像④真彩色RGB图像（深度学习中使用较多）。图像类型通道数像素值范围主
  • Incremental Transformer Structure EnhancedImage Inpainting with Masking Positional Encoding笔记 毕设做完了吗？ transformer笔记深度学习
    摘要：近年来，图像修复取得了重大进展。然而，恢复具有生动纹理和合理结构的损坏图像仍然具有挑战性。由于卷积神经网络（CNN）的感受野有限，一些特定方法只能处理常规纹理，同时失去整体结构。另一方面，基于注意力的模型可以更好地学习结构恢复的长程依赖性，但它们受到大图像尺寸推理的大量计算的限制。为了解决这些问题，我们建议利用一个额外的结构恢复器来促进图像的增量修复。所提出的模型在固定的低分辨率草图空间中，
  • 基于PyQt5与CNN的枸杞/沙棘果图像分类系统 #define TUNE false 人工智能深度学习qtcnn
    摘要本文介绍了一套基于PyTorch和PyQt5的枸杞与沙棘果实识别系统。该系统采用卷积神经网络模型，实现了90%以上的识别准确率，响应时间小于500ms，显著提升了传统人工分拣效率。系统具备以下特点：1）可视化交互界面，包含分类显示区、控制面板和参数调节功能；2）支持置信度阈值动态调整（50%-95%）；3）提供单图/批量图像处理能力。文章详细解析了系统架构、核心模块代码及功能实现，同时指出了当
  • Flask与计算机视觉：图像识别API开发 后端开发笔记 flask计算机视觉pythonai
    Flask与计算机视觉：图像识别API开发关键词：Flask框架、计算机视觉、图像识别、API开发、卷积神经网络（CNN）摘要：本文将带你探索如何用轻量级Web框架Flask搭建一个图像识别API。我们会从基础概念讲起，用“快递站”“图片翻译官”等生活化比喻解释技术原理，结合Python代码实战演示从模型加载到接口响应的完整流程，最后讨论实际应用场景和未来趋势。无论你是Web开发新手还是计算机视觉
  • 【图像处理入门】11. 深度学习初探：从CNN到GAN的视觉智能之旅 小米玄戒Andrew 图像处理：从入门到专家深度学习图像处理cnn计算机视觉CVGAN
    摘要深度学习为图像处理注入了革命性动力。本文将系统讲解卷积神经网络（CNN）的核心原理，通过PyTorch实现图像分类实战；深入解析迁移学习的高效应用策略，利用预训练模型提升自定义任务性能；最后揭开生成对抗网络（GAN）的神秘面纱，展示图像生成与增强的前沿技术。结合代码案例与可视化分析，帮助读者跨越传统算法与深度学习的技术鸿沟。一、卷积神经网络（CNN）基础与实战1.CNN的核心组件与工作原理1.
  • 《基于超声的深度学习模型用于降低BI-RADS 4A乳腺病变的恶性率》论文笔记 MobileNet 往事随风、、 论文笔记机器学习深度学习论文阅读人工智能机器学习健康医疗
    《APPLICATIONOFDEEPLEARNINGTOREDUCETHERATEOFMALIGNANCYAMONGBI-RADS4ABREASTLESIONSBASEDONULTRASONOGRAPHY》《基于超声的深度学习模型用于降低BI-RADS4A乳腺病变的恶性率》原文地址：链接文章目录摘要简介方法患者图像获取与处理深度学习模型统计分析结果讨论结论摘要本研究旨在开发一个基于超声（US）图像
  • 深度学习“炼丹”实战：用LeNet驯服MNIST“神兽” AI妈妈手把手 深度学习人工智能LeNetcnn模型训练学习笔记MNIST
    宝子们，在深度学习的神秘世界里，咱们就像一群“炼丹师”，而模型就是咱们精心炼制的“丹药”，数据集则是炼丹的“原材料”。今天，咱们就用经典的LeNet卷积神经网络模型，在MNIST手写数字数据集这个“原材料宝库”里，炼制出一颗能精准识别数字的“神奇丹药”！LeNet网络结构回顾，见：深度学习图像分类六大经典网络结构全解析一、MNIST数据集：炼丹的“珍贵原料”MNIST数据集可是深度学习界的“老牌明
  • 基于深度学习的智能图像分割系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能python机器学习tensorflow神经网络sklearn
    前言图像分割是计算机视觉领域中的一个核心任务，其目标是将图像划分为多个有意义的区域或对象。图像分割在医学影像分析、自动驾驶、安防监控等多个领域有着广泛的应用。近年来，深度学习技术，尤其是卷积神经网络（CNN）及其变体，为图像分割带来了显著的改进。本文将详细介绍基于深度学习的智能图像分割系统的原理、实现方法以及实际应用案例。一、图像分割的基本概念1.1什么是图像分割？图像分割是一种将图像划分为多个互
  • 基于深度学习的智能图像风格转换系统：技术与实践 Blossom.118 机器学习与人工智能深度学习人工智能机器学习机器人神经网络pythonsklearn
    前言图像风格转换是一种将一张图像的内容与另一张图像的风格相结合的技术，广泛应用于艺术创作、图像编辑和视觉特效等领域。近年来，深度学习技术，尤其是卷积神经网络（CNN）和生成对抗网络（GAN），为图像风格转换带来了革命性的进展。本文将详细介绍基于深度学习的智能图像风格转换系统的原理、实现方法以及实际应用案例。一、图像风格转换的基本概念1.1什么是图像风格转换？图像风格转换是一种图像处理技术，其目标是
  • 【Python】深度学习-VGG19网络 宅男很神经 python开发语言
    第一章：VGG的哲学根基——一场由简约与深度引领的革命在卷积神经网络（ConvolutionalNeuralNetwork,CNN）的璀璨星河中，VGG（VisualGeometryGroup）网络家族的出现，并非一次技术上的偶然突变，而是一场深刻的、影响至今的哲学革命。它并非以奇诡的结构或复杂的数学技巧取胜，恰恰相反，它以一种近乎禁欲主义的简约和对“深度”这一核心要素的极致追求，为后续网络架构的
  • VGG-19（Visual Geometry Group）模型
    VGG-19是由牛津大学视觉几何组和GoogleDeepMind的研究人员在2014年提出的一个非常经典的深度卷积神经网络模型。一核心结构（1）深度：模型名称中的"19"指的是模型拥有19层带有权重的层（通常指：16个卷积层+3个全连接层=19。如果严格数带参数的层，输入层和ReLU激活层不计入深度统计）。（2）简单范式：VGG系列模型（包括VGG-11，VGG-13，VGG-16，VGG-19）
  • pytorch都有哪些神经网络，都哪些情况使用这些神经网络 zhiSiBuYu0517 pythonpytorch神经网络人工智能
    PyTorch提供了多种神经网络类型，适用于不同的场景，以下是一些常见的神经网络及其适用情况：前馈神经网络（FeedforwardNeuralNetwork,FNN）结构：由输入层、若干隐藏层和输出层组成，每一层都连接到下一层。适用场景：用于分类和回归问题，适合结构化数据或特征明显的数据集。卷积神经网络（ConvolutionalNeuralNetwork,CNN）结构：包含卷积层和池化层，通过卷
  • [论文阅读]PIDNet: A Real-time Semantic Segmentation Network Inspired by PID Controllers 颜笑晏晏 论文阅读
    1.摘要双分支网络结构已显示出其对实时语义分割任务的效率性和有效性。然而，低级细节和高级语义的直接融合将导致细节特征容易被周围上下文信息淹没，即本文中的超调(overshoot)，这限制了现有两个分支模型的准确性的提高。在本文中，我们在卷积神经网络（CNN）和比例积分微分（PID）控制器之间架起了桥梁，并揭示了双分支网络只是一个比例积分（PI）控制器，当然也会存在类似的超调问题。为了解决这个问题，
  • SQL的各种连接查询 xieke90 UNION ALLUNION外连接内连接JOIN
    一、内连接   概念：内连接就是使用比较运算符根据每个表共有的列的值匹配两个表中的行。                 内连接（join 或者inner join ）       SQL语法：       select * fron
  • java编程思想--复用类 百合不是茶 java继承代理组合final类
          复用类看着标题都不知道是什么,再加上java编程思想翻译的比价难懂,所以知道现在才看这本软件界的奇书   一:组合语法:就是将对象的引用放到新类中即可     代码:     package com.wj.reuse; /** * * @author Administrator 组
  • [开源与生态系统]国产CPU的生态系统 comsci cpu
          计算机要从娃娃抓起...而孩子最喜欢玩游戏....       要让国产CPU在国内市场形成自己的生态系统和产业链,国家和企业就不能够忘记游戏这个非常关键的环节....       投入一些资金和资源,人力和政策,让游
  • JVM内存区域划分Eden Space、Survivor Space、Tenured Gen，Perm Gen解释 商人shang jvm内存
    jvm区域总体分两类，heap区和非heap区。heap区又分：Eden Space（伊甸园）、Survivor Space(幸存者区)、Tenured Gen（老年代-养老区）。 非heap区又分：Code Cache(代码缓存区)、Perm Gen（永久代）、Jvm Stack(java虚拟机栈)、Local Method Statck(本地方法栈)。 HotSpot虚拟机GC算法采用分代收
  • 页面上调用 QQ oloz qq
    <A href="tencent://message/?uin=707321921&amp;Site=有事Q我&amp;Menu=yes">   <img style="border:0px;" src=http://wpa.qq.com/pa?p=1:707321921:1></a>
  • 一些问题 文强chu 问题
    1.eclipse 导出 doc  出现“The Javadoc command does not exist.” javadoc command 选择 jdk/bin/javadoc.exe 2.tomcate 配置 web 项目 ..... SQL:3.mysql  * 必须得放前面 否则  select&nbs
  • 生活没有安全感 小桔子 生活孤独安全感
           圈子好小，身边朋友没几个，交心的更是少之又少。在深圳，除了男朋友，没几个亲密的人。不知不觉男朋友成了唯一的依靠，毫不夸张的说，业余生活的全部。现在感情好，也很幸福的。但是说不准难免人心会变嘛，不发生什么大家都乐融融，发生什么很难处理。我想说如果不幸被分手(无论原因如何)，生活难免变化很大，在深圳，我没交心的朋友。明
  • php 基础语法 aichenglong php 基本语法
    1 .1 php变量必须以$开头 <?php $a=” b”; echo ?> 1 .2 php基本数据库类型 Integer  float/double Boolean string 1 .3 复合数据类型 数组array和对象 object 1 .4 特殊数据类型  null 资源类型(resource)    $co
  • mybatis tools 配置详解 AILIKES mybatis
    MyBatis Generator中文文档 MyBatis Generator中文文档地址： http://generator.sturgeon.mopaas.com/ 该中文文档由于尽可能和原文内容一致，所以有些地方如果不熟悉，看中文版的文档的也会有一定的障碍，所以本章根据该中文文档以及实际应用，使用通俗的语言来讲解详细的配置。 本文使用Markdown进行编辑，但是博客显示效
  • 继承与多态的探讨 百合不是茶 JAVA面向对象 继承 对象
    继承 extends   多态 继承是面向对象最经常使用的特征之一：继承语法是通过继承发、基类的域和方法 //继承就是从现有的类中生成一个新的类，这个新类拥有现有类的所有extends是使用继承的关键字：     在A类中定义属性和方法； class A{ //定义属性 int age； //定义方法 public void go
  • JS的undefined与null的实例 bijian1013 JavaScriptJavaScript
    <form name="theform" id="theform"> </form> <script language="javascript"> var a alert(typeof(b)); //这里提示undefined if(theform.datas
  • TDD实践（一） bijian1013 java敏捷TDD
    一.TDD概述         TDD：测试驱动开发，它的基本思想就是在开发功能代码之前，先编写测试代码。也就是说在明确要开发某个功能后，首先思考如何对这个功能进行测试，并完成测试代码的编写，然后编写相关的代码满足这些测试用例。然后循环进行添加其他功能，直到完全部功能的开发。     
  • [Maven学习笔记十]Maven Profile与资源文件过滤器 bit1129 maven
    什么是Maven Profile Maven Profile的含义是针对编译打包环境和编译打包目的配置定制，可以在不同的环境上选择相应的配置，例如DB信息，可以根据是为开发环境编译打包，还是为生产环境编译打包，动态的选择正确的DB配置信息   Profile的激活机制 1.Profile可以手工激活，比如在Intellij Idea的Maven Project视图中可以选择一个P
  • 【Hive八】Hive用户自定义生成表函数(UDTF) bit1129 hive
    1. 什么是UDTF   UDTF，是User Defined Table-Generating Functions，一眼看上去，貌似是用户自定义生成表函数，这个生成表不应该理解为生成了一个HQL Table， 貌似更应该理解为生成了类似关系表的二维行数据集   2. 如何实现UDTF 继承org.apache.hadoop.hive.ql.udf.generic
  • tfs restful api 加auth 2.0认计 ronin47
    　　目前思考如何给tfs的ngx-tfs api增加安全性。有如下两点： 　　一是基于客户端的ip设置。这个比较容易实现。 　　二是基于OAuth2.0认证，这个需要lua，实现起来相对于一来说，有些难度。 　　现在重点介绍第二种方法实现思路。 　　 前言：我们使用Nginx的Lua中间件建立了OAuth2认证和授权层。如果你也有此打算，阅读下面的文档，实现自动化并获得收益。SeatGe
  • jdk环境变量配置 byalias javajdk
    进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置： 1、下载jdk（http://java.sun.com/javase/downloads/index.jsp），我下载的版本是：jdk-7u79-windows-x64.exe 2、安装jdk-7u79-windows-x64.exe 3、配置环境变量：右击"计算机"-->&quo
  • 《代码大全》表驱动法-Table Driven Approach-2 bylijinnan java
    package com.ljn.base; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.Collections; import java.uti
  • SQL 数值四舍五入 小数点后保留2位 chicony 四舍五入
    1.round() 函数是四舍五入用，第一个参数是我们要被操作的数据，第二个参数是设置我们四舍五入之后小数点后显示几位。 2.numeric 函数的2个参数，第一个表示数据长度，第二个参数表示小数点后位数。 例如： 　　select   cast(round(12.5,2)   as   numeric(5,2))  
  • c++运算符重载 CrazyMizzz C++
    一、加+，减-，乘*，除/ 的运算符重载 Rational operator*(const Rational &x) const{ return Rational(x.a * this->a); } 在这里只写乘法的，加减除的写法类似 二、<<输出,>>输入的运算符重载      &nb
  • hive DDL语法汇总 daizj hive修改列DDL修改表
    hive DDL语法汇总 １、对表重命名 hive> ALTER TABLE table_name RENAME TO new_table_name;   2、修改表备注 hive> ALTER TABLE table_name SET TBLPROPERTIES ('comment' = new_comm
  • jbox使用说明 dcj3sjt126com Web
    参考网址：http://www.kudystudio.com/jbox/jbox-demo.html jBox v2.3 beta [ 点击下载]  技术交流QQGroup：172543951 100521167 [2011-11-11] jBox v2.3 正式版 - [调整&修复] IE6下有iframe或页面有active、applet控件
  • UISegmentedControl 开发笔记 dcj3sjt126com
      //    typedef NS_ENUM(NSInteger, UISegmentedControlStyle) {     //        UISegmentedControlStylePlain,     // large plain   &
  • Slick生成表映射文件 ekian scala
    Scala添加SLICK进行数据库操作，需在sbt文件上添加slick-codegen包 "com.typesafe.slick" %% "slick-codegen" % slickVersion 因为我是连接SQL Server数据库，还需添加slick-extensions，jtds包 "com.typesa
  • ES-TEST gengzg test
    package com.MarkNum; import java.io.IOException; import java.util.Date; import java.util.HashMap; import java.util.Map; import javax.servlet.ServletException; import javax.servlet.annotation
  • 为何外键不再推荐使用 hugh.wang mysqlDB
    表的关联，是一种逻辑关系，并不需要进行物理上的“硬关联”，而且你所期望的关联，其实只是其数据上存在一定的联系而已，而这种联系实际上是在设计之初就定义好的固有逻辑。 在业务代码中实现的时候，只要按照设计之初的这种固有关联逻辑来处理数据即可，并不需要在数据库层面进行“硬关联”，因为在数据库层面通过使用外键的方式进行“硬关联”，会带来很多额外的资源消耗来进行一致性和完整性校验，即使很多时候我们并不
  • 领域驱动设计 julyflame VODAO设计模式DTOpo
    概念： VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。 DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提高分布式调用的性能和降低网络负载，但在这里，我泛指用于展示层与服务层之间的数据传输对
  • 单例设计模式 hm4123660 javaSingleton单例设计模式懒汉式饿汉式
           单例模式是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例类的特殊类。通过单例模式可以保证系统中一个类只有一个实例而且该实例易于外界访问，从而方便对实例个数的控制并节约系统源。如果希望在系统中某个类的对象只能存在一个，单例模式是最好的解决方案。      &nb
  • logback zhb8015 loglogback
    一、logback的介绍      Logback是由log4j创始人设计的又一个开源日志组件。logback当前分成三个模块：logback-core,logback- classic和logback-access。logback-core是其它两个模块的基础模块。logback-classic是log4j的一个 改良版本。此外logback-class
  • 整合Kafka到Spark Streaming——代码示例和挑战 Stark_Summer sparkstormzookeeperPARALLELISMprocessing
    作者Michael G. Noll是瑞士的一位工程师和研究员，效力于Verisign，是Verisign实验室的大规模数据分析基础设施（基础Hadoop）的技术主管。本文，Michael详细的演示了如何将Kafka整合到Spark Streaming中。 期间， Michael还提到了将Kafka整合到 Spark Streaming中的一些现状，非常值得阅读，虽然有一些信息在Spark 1.2版
  • spring-master-slave-commondao 王新春 DAOspringdataSourceslavemaster
    互联网的web项目，都有个特点：请求的并发量高，其中请求最耗时的db操作，又是系统优化的重中之重。 为此，往往搭建 db的 一主多从库的 数据库架构。作为web的DAO层，要保证针对主库进行写操作，对多个从库进行读操作。当然在一些请求中，为了避免主从复制的延迟导致的数据不一致性，部分的读操作也要到主库上。（这种需求一般通过业务垂直分开，比如下单业务的代码所部署的机器，读去应该也要从主库读取数
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他