- YOLOv8数据增强
热心小张
研究生yolov8
1.找到augment.py(ultralytics/data/augment.py),修改对应内容#TransformsT=[A.Blur(p=0.01),A.MedianBlur(p=0.01),A.ToGray(p=0.01),A.CLAHE(p=0.01),A.RandomBrightnessContrast(p=0.0),A.RandomGamma(p=0.0),A.ImageCompr
- 计算机视觉中的数据增强方法总结
CV技术指南(公众号)
CV技术总结计算机视觉深度学习卷积神经网络
前言:在计算机视觉方向,数据增强的本质是人为地引入人视觉上的先验知识,可以很好地提升模型的性能,目前基本成为模型的标配。最近几年逐渐出了很多新的数据增强方法,在本文将对数据增强做一个总结。本文介绍了数据增强的作用,数据增强的分类,数据增强的常用方法,一些特殊的方法,如Cutout,RandomErasing,Mixup,Hide-and-Seek,CutMix,GridMask,FenceMask
- 第3篇:LangChain的架构总览与设计理念
Gemini技术窝
langchain架构大数据人工智能AIGCnlp
LangChain库是一个专为自然语言处理(NLP)设计的强大工具包,致力于简化复杂语言模型链的构建和执行。在本文中,我们将深入解析LangChain库的架构,详细列出其核心组件、设计理念及其在不同场景中的应用,并讨论其优缺点。文章目录1.LangChain库简介2.核心组件2.1数据输入模块作用2.2数据预处理模块作用2.3数据增强模块作用2.4数据加载与批处理模块作用2.5模型训练模块作用2.
- pytorh基础知识和函数的学习:torchvision.transforms()
深蓝海拓
机器视觉和人工智能学习学习pytorch
transforms是PyTorch的torchvision库中用于图像处理的一个模块。它提供了一组工具,用于在图像数据集上进行常见的预处理和数据增强操作,以便更好地训练深度学习模型。以下是一些常用的torchvision.transforms转换:基础图像转换:transforms.ToTensor():将PIL图像或NumPy数组转换为PyTorch的张量,并将像素值范围从[0,255]缩放到
- 深度学习速通系列:鲁棒性和稳定性
Ven%
深度学习速通系列深度学习自然语言处理人工智能pythonnlp
在机器学习中,鲁棒性和稳定性是评估模型性能的两个关键指标,它们对于确保模型在实际应用中的可靠性至关重要。鲁棒性(Robustness)定义:鲁棒性指的是模型对于输入数据的扰动、噪声、异常值或对抗性攻击的抵抗能力。一个鲁棒的模型能够在面对这些不利因素时保持其性能。提高鲁棒性的方法:数据增强:通过对训练数据进行变换(如旋转、缩放、裁剪等),使模型能够更好地泛化到未见过的数据。对抗训练:在训练过程中引入
- 6. 深度学习中的正则化技术:防止过拟合
Network_Engineer
机器学习深度学习人工智能
引言过拟合是深度学习模型在训练过程中常遇到的挑战。过拟合会导致模型在训练数据上表现良好,但在新数据上表现不佳。为了防止过拟合,研究者们提出了多种正则化技术,如L1/L2正则化、Dropout、数据增强等。这些技术通过约束模型的复杂度或增加数据的多样性,有效提高了模型的泛化能力。本篇博文将深入探讨这些正则化技术的原理、应用及其在实际深度学习任务中的效果。1.过拟合的原因与影响过拟合通常发生在模型的复
- 经典网络训练图像分类模型一
三十度角阳光的问候
分类数据挖掘人工智能
目录数据预处理部分:网络模块设置:网络模型保存与测试数据读取与预处理操作制作好数据源:读取标签对应的实际名字加载models中提供的模型,并且直接用训练的好权重当做初始化参数模型参数更新把模型输出层改成自己的设置哪些层需要训练优化器设置数据预处理部分:-数据增强:torchvision中transforms模块自带功能,比较实用-数据预处理:torchvision中transforms也帮我们实现
- 训练过程训练集的准确率都低于验证集和测试集的准确率可能的原因
Wils0nEdwards
python人工智能深度学习
每一个epoch训练集的准确率都低于验证集和测试集的准确率,这种现象不太常见,可能有以下几个原因:1.数据增强过强如果你在训练集上使用了较强的数据增强(如随机翻转、ColorJitter等),而验证集和测试集仅进行了基础的预处理。这会导致训练集的样本更具挑战性,模型在训练集上的表现不如在验证集和测试集上的表现。2.训练和验证集分布差异训练集、验证集和测试集的分布可能存在差异。如果训练集包含更多的噪
- caffe/PyTorch/TensorFlow 在Jupyter Notebook GPU中运用
俊俏的萌妹纸
caffe人工智能深度学习
在JupyterNotebook中使用Caffe框架并利用GPU加速,可以实现多种效果和目的,主要集中在深度学习领域。以下是一些主要的应用场景:快速训练模型:GPU加速可以显著提高模型训练的速度。对于大型数据集和复杂的神经网络结构,使用GPU可以大大减少训练时间。实时数据增强:在训练过程中,可以实时地对输入数据进行变换和增强,以提高模型的泛化能力。GPU加速使得这些操作更加高效。大规模数据处理:深
- 4. 生成对抗网络(GAN):生成模型的崛起
Network_Engineer
机器学习python深度学习机器学习算法人工智能
引言生成对抗网络(GAN)是近年来深度学习领域中最具创新性和影响力的模型之一。GAN通过生成器和判别器的对抗性训练,能够生成逼真的图像、音频、文本等数据,广泛应用于图像生成、数据增强、风格迁移等任务中。本篇博文将深入解析GAN的基本原理、训练过程,以及其在各类生成任务中的应用。1.GAN的基本架构生成对抗网络(GAN)由两个核心部分组成:生成器(Generator)和判别器(Discriminat
- 深度学习100问44:如何避免模型出现过拟合现象
不断持续学习ing
人工智能自然语言处理机器学习
嘿,想让你的模型不出现过拟合现象?来看看这些妙招吧!一、增加数据量这就好比让学生多做各种不同的练习题。数据多了,模型就能学到更普遍的规律,而不是只记住那一点点数据里的小细节。你可以去收集更多真实的数据,或者用数据增强的办法。就像在图像识别里,把图片转一转、翻一翻、剪一剪,这样数据就变得更多样啦。二、简化模型要是模型太复杂,那就像盖了一座超级华丽的城堡,容易记住一些不该记的东西。那就把模型弄得简单点
- PyTorch库学习之torch.repeat_interleave函数
Midsummer-逐梦
#torchpytorch学习人工智能
PyTorch库学习之torch.repeat_interleave函数一、简介torch.repeat_interleave是PyTorch库中的一个函数,它用于重复张量中的元素。这个函数可以沿着指定的维度重复张量中的每个元素,返回一个新的张量。当不指定维度时,会将输入张量展平,并重复每个元素。这个函数在处理序列数据或生成数据增强样本时非常有用。二、语法和参数语法:torch.repeat_in
- 第T10周:数据增强
OreoCC
深度学习人工智能tensorflow2
>-**本文为[365天深度学习训练营]中的学习记录博客**>-**原作者:[K同学啊]**第10周:数据增强难度:夯实基础⭐⭐语言:Python3、TensorFlow2要求:学会在代码中使用数据增强手段来提高acc请探索更多的数据增强手段并记录在本教程中,你将学会如何进行数据增强,并通过数据增强用少量数据达到非常非常棒的识别准确率。我将展示两种数据增强方式,以及如何自定义数据增强方式并将其放到
- Datawhale AI夏令营-task03
ghost_him
人工智能
DatawhaleAI夏令营-task03笔记来源:DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术,尤其是在处理图像和视频数据时。**数据增强的目的是通过人工方式增加训练数据的多样性,从而提高模型的泛化能力,使其能够在未见过的数据上表现得更好。**数据增强涉及对原始数据进行一系列的变换操作,生成新的训练样本。这些变换模拟了真实世界中的变化,对于图像而言,数
- 基于PIL实现亮度、噪声、随机黑块数据增强
小陈phd
pythonnumpy人工智能
importosimportshutilfromPILimportImage,ImageEnhanceimportnumpyasnpimportrandomfromtqdmimporttqdm#ColorJitteringfunctiondefapply_color_jitter(image,brightness=0.5,contrast=0.5,saturation=0.5):"""Applyc
- 图像数据增强
菜鸟瞎编
一、做随机亮度、对比度、饱和度修改,使用tensorflowAPI核心部分是aug_op函数,这可是菜鸟的心血啊!#coding:utf-8importtensorflowastfimportcv2importrandomimportsysimportosimportshutil#os.environ["CUDA_VISIBLE_DEVICES"]=""defrandom_normal(img,m
- 基于Diffusion Model的数据增强方法应用——毕业设计 其三
大鸟仙童
课程设计计算机视觉深度学习
文章目录题目简介前言StableDiffusionLatentdiffusion自动编码器(VAE)U-NetText-EncoderStableDiffusion的推理过程从零开始配置实验环境IDEAnacondaCUDA和CuDNNCuDNNStableDiffusion的本地部署运行测试总结题目简介笔者个人的毕业设计课题如下:简介:使用预训练的DiffusionModel图像生成模型生成图像
- 【面经——《广州敏视数码科技有限公司》——图像处理算法工程师-深度学习方向】
有情怀的机械男
面试offer面经
目录笔试HR面专业面——60多分钟主管面反问:笔试8道题——简答题+1道编程苹果、香蕉、梨、菠萝,彩色图像如何进行分类?一辆带车牌的汽车,图像亮度整体呈现偏亮状态,如何去提高图像的清晰度?并设计一个准确定位车牌位置的方案。训练集和测试集各5000张,进行目标检测,写出选择的模型以及设计方案?样本量不足怎么去提高检测的准确性?数据增强梯度下降法的优化算法有哪些,各有什么优缺点?损失函数有哪些?优缺点
- 【论文阅读笔记】AutoAugment:Learning Augmentation Strategies from Data
少写代码少看论文多多睡觉
#论文阅读笔记论文阅读笔记
AutoAugment:LearningAugmentationStrategiesfromData摘要研究方法:本文描述了一种名为AutoAugment的简单程序,通过这个程序可以自动寻找改进的数据增强策略。研究设计了一个策略空间,其中策略包含多个子策略,在每个小批量数据中针对每张图片随机选择一个子策略。每个子策略由两个操作组成,每个操作是图像处理函数(如平移、旋转或剪切),以及应用这些函数的概
- 【论文阅读笔记】Contrastive Learning with Stronger Augmentations
少写代码少看论文多多睡觉
#论文阅读笔记论文阅读笔记
ContrastiveLearningwithStrongerAugmentations摘要基于提供的摘要,该论文的核心焦点是在对比学习领域提出的一个新框架——利用强数据增强的对比学习(ContrastiveLearningwithStrongerAugmentations,简称CLSA)。以下是对摘要的解析:问题陈述:表征学习(representationlearning)已在对比学习方法的推动
- 低资源学习与知识图谱:构建与应用
cooldream2009
AI技术知识图谱知识图谱人工智能低资源
目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域,低资源学习成为一个备受关注的话题,尤其是在少样本学习和零样本学习方面。这种学
- MogaNet实战:使用 MogaNet实现图像分类任务(二)
AI浩
图像分类人工智能人工智能深度学习计算机视觉
文章目录训练部分导入项目使用的库设置随机因子设置全局参数图像预处理与增强读取数据设置Loss设置模型设置优化器和学习率调整策略设置混合精度,DP多卡,EMA定义训练和验证函数训练函数验证函数调用训练和验证方法运行以及结果查看测试完整的代码在上一篇文章中完成了前期的准备工作,见链接:MogaNet实战:使用MogaNet实现图像分类任务(一)前期的工作主要是数据的准备,安装库文件,数据增强方式的讲解
- 科普:坐标系中几何变换及常见公式
9命怪猫
几何学计算机视觉几何学
几何变换”通常指的是对图像进行平移、旋转、缩放、翻转等操作,以改变图像的位置、大小和方向。这些几何变换常用于图像处理、计算机视觉和深度学习领域,用于数据增强、图像预处理、物体检测等任务。具体来说,几何变换包括以下几种主要操作:平移:将图像沿着水平和垂直方向移动一定的距离。旋转:围绕图像中心点或指定点进行旋转,改变图像的方向。缩放:按照指定的比例增大或缩小图像的尺寸。翻转:沿水平或垂直方向对图像进行
- 大模型注入领域知识,模型体验和Token重复知识
lichunericli
LLM人工智能语言模型
1如何给LLM注入领域知识?给LLM(低层次模型,如BERT、GPT等)注入领域知识的方法有很多。以下是一些建议:数据增强:在训练过程中,可以通过添加领域相关的数据来增强模型的训练数据。这可以包括从领域相关的文本中提取示例、对现有数据进行扩充或生成新的数据。迁移学习:使用预训练的LLM模型作为基础,然后在特定领域的数据上进行微调。这样可以利用预训练模型学到的通用知识,同时使其适应新领域。领域专家标
- stupid_brain
MORE_77
深度学习深度学习python人工智能
前言:本文用于记录本人AI新手期间犯的各种错误,时常更新。正文开始:读取数据的num_worker设置过少,以至于训练速度卡在读取数据上。训练集数据处理:数据增强有利于解决过拟合问题。模型:relu少写、batchnorm位置写错。test记得关闭梯度更新withtorch.no_grad():
- 基于轻量级模型YOLOX-Nano的菜品识别系统
钟良堂
笔记深度学习目标检测yolox-nano菜品识别
工程Gitee地址:https://gitee.com/zhong-liangtang/ncnn-android-yolox-nano一、YOLOX简介YOLOX是一个在2021年被旷视科技公司提出的高性能且无锚框(Anchor-free)的检测器,在YOLO系列的基础上吸收近年来目标检测学术界的最新成果,如解耦头(DecoupledHead)、数据增强、无锚框、标签分配策略SimOTA(Simp
- 论文笔记:NIPS 2020 Graph Contrastive Learning with Augmentations
饮冰l
图弱监督数据挖掘机器学习神经网络深度学习
前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说,本文提出了一种图对比学习框架来无监督的完成图表示学习,首先作者提出了基于各种先验信息的四种图数据增强方法。然后,作者分析了在四种不同的图数据增强条件下,不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战,本文的主要贡献如下:作者提出
- Graph Contrastive Learning with Augmentations
tutoujiehegaosou
Graph笔记
GraphCL学习笔记Abstract提出GNN对自监督学习和pre-training较少。本文提出了GraphCL框架,用于学习图的无监督表示。设计四种类型的数据增强,在不同的settings(learningrate,batchsize,dropout参数)下,研究这四种增强对不同数据集的影响。Introduction大多数graph-level的任务场景,GNN都是在监督的情况下进行端到端的
- Vim实战:使用 Vim实现图像分类任务(二)
静静AI学堂
图像分类实战vim分类深度学习
文章目录训练部分导入项目使用的库设置随机因子设置全局参数图像预处理与增强读取数据设置Loss设置模型设置优化器和学习率调整策略设置混合精度,DP多卡,EMA定义训练和验证函数训练函数验证函数调用训练和验证方法运行以及结果查看测试完整的代码在上一篇文章中完成了前期的准备工作,见链接:Vim实战:使用Vim实现图像分类任务(一)前期的工作主要是数据的准备,安装库文件,数据增强方式的讲解,模型的介绍和实
- imgaug数据增强神器:增强器一览
a flying bird
计算机视觉计算机视觉
官网:imgaug—imgaug0.4.0documentationhttps://imgaug.readthedocs.io/en/latest/github:GitHub-aleju/imgaug:Imageaugmentationformachinelearningexperiments.imgaug数据增强神器:增强器一览_iaa图像增强改变颜色-CSDN博客文章浏览阅读9.8k次,点赞3
- 强大的销售团队背后 竟然是大数据分析的身影
蓝儿唯美
数据分析
Mark Roberge是HubSpot的首席财务官,在招聘销售职位时使用了大量数据分析。但是科技并没有挤走直觉。
大家都知道数理学家实际上已经渗透到了各行各业。这些热衷数据的人们通过处理数据理解商业流程的各个方面,以重组弱点,增强优势。
Mark Roberge是美国HubSpot公司的首席财务官,HubSpot公司在构架集客营销现象方面出过一份力——因此他也是一位数理学家。他使用数据分析
- Haproxy+Keepalived高可用双机单活
bylijinnan
负载均衡keepalivedhaproxy高可用
我们的应用MyApp不支持集群,但要求双机单活(两台机器:master和slave):
1.正常情况下,只有master启动MyApp并提供服务
2.当master发生故障时,slave自动启动本机的MyApp,同时虚拟IP漂移至slave,保持对外提供服务的IP和端口不变
F5据说也能满足上面的需求,但F5的通常用法都是双机双活,单活的话还没研究过
服务器资源
10.7
- eclipse编辑器中文乱码问题解决
0624chenhong
eclipse乱码
使用Eclipse编辑文件经常出现中文乱码或者文件中有中文不能保存的问题,Eclipse提供了灵活的设置文件编码格式的选项,我们可以通过设置编码 格式解决乱码问题。在Eclipse可以从几个层面设置编码格式:Workspace、Project、Content Type、File
本文以Eclipse 3.3(英文)为例加以说明:
1. 设置Workspace的编码格式:
Windows-&g
- 基础篇--resources资源
不懂事的小屁孩
android
最近一直在做java开发,偶尔敲点android代码,突然发现有些基础给忘记了,今天用半天时间温顾一下resources的资源。
String.xml 字符串资源 涉及国际化问题
http://www.2cto.com/kf/201302/190394.html
string-array
- 接上篇补上window平台自动上传证书文件的批处理问卷
酷的飞上天空
window
@echo off
: host=服务器证书域名或ip,需要和部署时服务器的域名或ip一致 ou=公司名称, o=公司名称
set host=localhost
set ou=localhost
set o=localhost
set password=123456
set validity=3650
set salias=s
- 企业物联网大潮涌动:如何做好准备?
蓝儿唯美
企业
物联网的可能性也许是无限的。要找出架构师可以做好准备的领域然后利用日益连接的世界。
尽管物联网(IoT)还很新,企业架构师现在也应该为一个连接更加紧密的未来做好计划,而不是跟上闸门被打开后的集成挑战。“问题不在于物联网正在进入哪些领域,而是哪些地方物联网没有在企业推进,” Gartner研究总监Mike Walker说。
Gartner预测到2020年物联网设备安装量将达260亿,这些设备在全
- spring学习——数据库(mybatis持久化框架配置)
a-john
mybatis
Spring提供了一组数据访问框架,集成了多种数据访问技术。无论是JDBC,iBATIS(mybatis)还是Hibernate,Spring都能够帮助消除持久化代码中单调枯燥的数据访问逻辑。可以依赖Spring来处理底层的数据访问。
mybatis是一种Spring持久化框架,要使用mybatis,就要做好相应的配置:
1,配置数据源。有很多数据源可以选择,如:DBCP,JDBC,aliba
- Java静态代理、动态代理实例
aijuans
Java静态代理
采用Java代理模式,代理类通过调用委托类对象的方法,来提供特定的服务。委托类需要实现一个业务接口,代理类返回委托类的实例接口对象。
按照代理类的创建时期,可以分为:静态代理和动态代理。
所谓静态代理: 指程序员创建好代理类,编译时直接生成代理类的字节码文件。
所谓动态代理: 在程序运行时,通过反射机制动态生成代理类。
一、静态代理类实例:
1、Serivce.ja
- Struts1与Struts2的12点区别
asia007
Struts1与Struts2
1) 在Action实现类方面的对比:Struts 1要求Action类继承一个抽象基类;Struts 1的一个具体问题是使用抽象类编程而不是接口。Struts 2 Action类可以实现一个Action接口,也可以实现其他接口,使可选和定制的服务成为可能。Struts 2提供一个ActionSupport基类去实现常用的接口。即使Action接口不是必须实现的,只有一个包含execute方法的P
- 初学者要多看看帮助文档 不要用js来写Jquery的代码
百合不是茶
jqueryjs
解析json数据的时候需要将解析的数据写到文本框中, 出现了用js来写Jquery代码的问题;
1, JQuery的赋值 有问题
代码如下: data.username 表示的是: 网易
$("#use
- 经理怎么和员工搞好关系和信任
bijian1013
团队项目管理管理
产品经理应该有坚实的专业基础,这里的基础包括产品方向和产品策略的把握,包括设计,也包括对技术的理解和见识,对运营和市场的敏感,以及良好的沟通和协作能力。换言之,既然是产品经理,整个产品的方方面面都应该能摸得出门道。这也不懂那也不懂,如何让人信服?如何让自己懂?就是不断学习,不仅仅从书本中,更从平时和各种角色的沟通
- 如何为rich:tree不同类型节点设置右键菜单
sunjing
contextMenutreeRichfaces
组合使用target和targetSelector就可以啦,如下: <rich:tree id="ruleTree" value="#{treeAction.ruleTree}" var="node" nodeType="#{node.type}"
selectionChangeListener=&qu
- 【Redis二】Redis2.8.17搭建主从复制环境
bit1129
redis
开始使用Redis2.8.17
Redis第一篇在Redis2.4.5上搭建主从复制环境,对它的主从复制的工作机制,真正的惊呆了。不知道Redis2.8.17的主从复制机制是怎样的,Redis到了2.4.5这个版本,主从复制还做成那样,Impossible is nothing! 本篇把主从复制环境再搭一遍看看效果,这次在Unbuntu上用官方支持的版本。 Ubuntu上安装Red
- JSONObject转换JSON--将Date转换为指定格式
白糖_
JSONObject
项目中,经常会用JSONObject插件将JavaBean或List<JavaBean>转换为JSON格式的字符串,而JavaBean的属性有时候会有java.util.Date这个类型的时间对象,这时JSONObject默认会将Date属性转换成这样的格式:
{"nanos":0,"time":-27076233600000,
- JavaScript语言精粹读书笔记
braveCS
JavaScript
【经典用法】:
//①定义新方法
Function .prototype.method=function(name, func){
this.prototype[name]=func;
return this;
}
//②给Object增加一个create方法,这个方法创建一个使用原对
- 编程之美-找符合条件的整数 用字符串来表示大整数避免溢出
bylijinnan
编程之美
import java.util.LinkedList;
public class FindInteger {
/**
* 编程之美 找符合条件的整数 用字符串来表示大整数避免溢出
* 题目:任意给定一个正整数N,求一个最小的正整数M(M>1),使得N*M的十进制表示形式里只含有1和0
*
* 假设当前正在搜索由0,1组成的K位十进制数
- 读书笔记
chengxuyuancsdn
读书笔记
1、Struts访问资源
2、把静态参数传递给一个动作
3、<result>type属性
4、s:iterator、s:if c:forEach
5、StringBuilder和StringBuffer
6、spring配置拦截器
1、访问资源
(1)通过ServletActionContext对象和实现ServletContextAware,ServletReque
- [通讯与电力]光网城市建设的一些问题
comsci
问题
信号防护的问题,前面已经说过了,这里要说光网交换机与市电保障的关系
我们过去用的ADSL线路,因为是电话线,在小区和街道电力中断的情况下,只要在家里用笔记本电脑+蓄电池,连接ADSL,同样可以上网........
 
- oracle 空间RESUMABLE
daizj
oracle空间不足RESUMABLE错误挂起
空间RESUMABLE操作 转
Oracle从9i开始引入这个功能,当出现空间不足等相关的错误时,Oracle可以不是马上返回错误信息,并回滚当前的操作,而是将操作挂起,直到挂起时间超过RESUMABLE TIMEOUT,或者空间不足的错误被解决。
这一篇简单介绍空间RESUMABLE的例子。
第一次碰到这个特性是在一次安装9i数据库的过程中,在利用D
- 重构第一次写的线程池
dieslrae
线程池 python
最近没有什么学习欲望,修改之前的线程池的计划一直搁置,这几天比较闲,还是做了一次重构,由之前的2个类拆分为现在的4个类.
1、首先是工作线程类:TaskThread,此类为一个工作线程,用于完成一个工作任务,提供等待(wait),继续(proceed),绑定任务(bindTask)等方法
#!/usr/bin/env python
# -*- coding:utf8 -*-
- C语言学习六指针
dcj3sjt126com
c
初识指针,简单示例程序:
/*
指针就是地址,地址就是指针
地址就是内存单元的编号
指针变量是存放地址的变量
指针和指针变量是两个不同的概念
但是要注意: 通常我们叙述时会把指针变量简称为指针,实际它们含义并不一样
*/
# include <stdio.h>
int main(void)
{
int * p; // p是变量的名字, int *
- yii2 beforeSave afterSave beforeDelete
dcj3sjt126com
delete
public function afterSave($insert, $changedAttributes)
{
parent::afterSave($insert, $changedAttributes);
if($insert) {
//这里是新增数据
} else {
//这里是更新数据
}
}
 
- timertask
shuizhaosi888
timertask
java.util.Timer timer = new java.util.Timer(true);
// true 说明这个timer以daemon方式运行(优先级低,
// 程序结束timer也自动结束),注意,javax.swing
// 包中也有一个Timer类,如果import中用到swing包,
// 要注意名字的冲突。
TimerTask task = new
- Spring Security(13)——session管理
234390216
sessionSpring Security攻击保护超时
session管理
目录
1.1 检测session超时
1.2 concurrency-control
1.3 session 固定攻击保护
 
- 公司项目NODEJS实践0.3[ mongo / session ...]
逐行分析JS源代码
mongodbsessionnodejs
http://www.upopen.cn
一、前言
书接上回,我们搭建了WEB服务端路由、模板等功能,完成了register 通过ajax与后端的通信,今天主要完成数据与mongodb的存取,实现注册 / 登录 /
- pojo.vo.po.domain区别
LiaoJuncai
javaVOPOJOjavabeandomain
POJO = "Plain Old Java Object",是MartinFowler等发明的一个术语,用来表示普通的Java对象,不是JavaBean, EntityBean 或者 SessionBean。POJO不但当任何特殊的角色,也不实现任何特殊的Java框架的接口如,EJB, JDBC等等。
即POJO是一个简单的普通的Java对象,它包含业务逻辑
- Windows Error Code
OhMyCC
windows
0 操作成功完成.
1 功能错误.
2 系统找不到指定的文件.
3 系统找不到指定的路径.
4 系统无法打开文件.
5 拒绝访问.
6 句柄无效.
7 存储控制块被损坏.
8 存储空间不足, 无法处理此命令.
9 存储控制块地址无效.
10 环境错误.
11 试图加载格式错误的程序.
12 访问码无效.
13 数据无效.
14 存储器不足, 无法完成此操作.
15 系
- 在storm集群环境下发布Topology
roadrunners
集群stormtopologyspoutbolt
storm的topology设计和开发就略过了。本章主要来说说如何在storm的集群环境中,通过storm的管理命令来发布和管理集群中的topology。
1、打包
打包插件是使用maven提供的maven-shade-plugin,详细见maven-shade-plugin。
<plugin>
<groupId>org.apache.maven.
- 为什么不允许代码里出现“魔数”
tomcat_oracle
java
在一个新项目中,我最先做的事情之一,就是建立使用诸如Checkstyle和Findbugs之类工具的准则。目的是制定一些代码规范,以及避免通过静态代码分析就能够检测到的bug。 迟早会有人给出案例说这样太离谱了。其中的一个案例是Checkstyle的魔数检查。它会对任何没有定义常量就使用的数字字面量给出警告,除了-1、0、1和2。 很多开发者在这个检查方面都有问题,这可以从结果
- zoj 3511 Cake Robbery(线段树)
阿尔萨斯
线段树
题目链接:zoj 3511 Cake Robbery
题目大意:就是有一个N边形的蛋糕,切M刀,从中挑选一块边数最多的,保证没有两条边重叠。
解题思路:有多少个顶点即为有多少条边,所以直接按照切刀切掉点的个数排序,然后用线段树维护剩下的还有哪些点。
#include <cstdio>
#include <cstring>
#include <vector&