拔丝红薯有点儿咸
拔丝红薯有点儿咸

OpenMMLab AI实战营 课程笔记2

OpenMMLab AI实战营 课程笔记2_第1张图片

视觉任务的难点是像素整体呈现出的结果和个别像素的值没有直接关联，难以遵循具体的规则设计算法。

OpenMMLab AI实战营 课程笔记2_第2张图片

保留边缘轮廓的一些信息，应用于图像分类。

OpenMMLab AI实战营 课程笔记2_第3张图片

不仅学习分类，还学习如何产生合适分类的特征。深度学习的思想。

OpenMMLab AI实战营 课程笔记2_第4张图片

课程内容：

1、函数如何设计

2、如何求解一个好的参数，达到好的效果

OpenMMLab AI实战营 课程笔记2_第5张图片

开端。AlexNet

OpenMMLab AI实战营 课程笔记2_第6张图片

OpenMMLab AI实战营 课程笔记2_第7张图片

VGG将5*5拆解成3*3。更少的参数。

OpenMMLab AI实战营 课程笔记2_第8张图片

配合边界填充保持分辨率。卷几层后进行一次降采样。

OpenMMLab AI实战营 课程笔记2_第9张图片

GoogleNet参数量大大减少。

人们逐渐发现精度退化问题

OpenMMLab AI实战营 课程笔记2_第10张图片

OpenMMLab AI实战营 课程笔记2_第11张图片

基于此思想，提出来残差学习

OpenMMLab AI实战营 课程笔记2_第12张图片

OpenMMLab AI实战营 课程笔记2_第13张图片

OpenMMLab AI实战营 课程笔记2_第14张图片

OpenMMLab AI实战营 课程笔记2_第15张图片

计算技巧：残差模块加了一层，计算量更小。

1.ResNet是深浅模型的集成

OpenMMLab AI实战营 课程笔记2_第16张图片

2.残差链接让损失曲面更平滑

OpenMMLab AI实战营 课程笔记2_第17张图片

3.ResNet后续改进

OpenMMLab AI实战营 课程笔记2_第18张图片

OpenMMLab AI实战营 课程笔记2_第19张图片

OpenMMLab AI实战营 课程笔记2_第20张图片

OpenMMLab AI实战营 课程笔记2_第21张图片

范式未改变，精度有提高。

图像分类&视觉基础模型发展

OpenMMLab AI实战营 课程笔记2_第22张图片

轻量化卷积神经网络

OpenMMLab AI实战营 课程笔记2_第23张图片

多个多通道

OpenMMLab AI实战营 课程笔记2_第24张图片

降低模型参数量和计算量的方法

OpenMMLab AI实战营 课程笔记2_第25张图片

例如：

OpenMMLab AI实战营 课程笔记2_第26张图片

OpenMMLab AI实战营 课程笔记2_第27张图片

真正轻量化——可分离卷积

OpenMMLab AI实战营 课程笔记2_第28张图片

介于可分离卷积和一般卷积中间还有分组卷积

OpenMMLab AI实战营 课程笔记2_第29张图片

Vision Transformers

自然语言领域发家，后引入图像领域

OpenMMLab AI实战营 课程笔记2_第30张图片

之前卷积里特征是常数，注意力机制中特征是输入的函数。

OpenMMLab AI实战营 课程笔记2_第31张图片

OpenMMLab AI实战营 课程笔记2_第32张图片

OpenMMLab AI实战营 课程笔记2_第33张图片

OpenMMLab AI实战营 课程笔记2_第34张图片

OpenMMLab AI实战营 课程笔记2_第35张图片

模型学习

OpenMMLab AI实战营 课程笔记2_第36张图片

OpenMMLab AI实战营 课程笔记2_第37张图片

监督学习

OpenMMLab AI实战营 课程笔记2_第38张图片

OpenMMLab AI实战营 课程笔记2_第39张图片

基于梯度下降训练神经网络的整体流程

OpenMMLab AI实战营 课程笔记2_第40张图片

初始化参数，从数据集中采集一个batch（无放回采样），数据处理（增强等）得到四维数组，前传计算损失，反传计算参数梯度，梯度下降更新参数，用优化器增加一些策略技巧

学习率与优化策略

OpenMMLab AI实战营 课程笔记2_第41张图片

OpenMMLab AI实战营 课程笔记2_第42张图片

OpenMMLab AI实战营 课程笔记2_第43张图片

OpenMMLab AI实战营 课程笔记2_第44张图片

OpenMMLab AI实战营 课程笔记2_第45张图片

是一个经验结论。

OpenMMLab AI实战营 课程笔记2_第46张图片

OpenMMLab AI实战营 课程笔记2_第47张图片

数据增强

OpenMMLab AI实战营 课程笔记2_第48张图片

OpenMMLab AI实战营 课程笔记2_第49张图片

像素级别/2

OpenMMLab AI实战营 课程笔记2_第50张图片

自监督学习

自监督学习：基于无标注的数据学习

OpenMMLab AI实战营 课程笔记2_第51张图片

OpenMMLab AI实战营 课程笔记2_第52张图片

基于代理任务

OpenMMLab AI实战营 课程笔记2_第53张图片

基于对比学习

OpenMMLab AI实战营 课程笔记2_第54张图片

基于掩码学习

OpenMMLab AI实战营 课程笔记2_第55张图片

你可能感兴趣的:(人工智能,深度学习)

  • 自然语言处理（NLP）与机器学习：深度探索两者的关系 听忆. 自然语言处理机器学习人工智能
    自然语言处理（NLP）与机器学习：深度探索两者的关系1.自然语言处理(NLP)的概述NLP的主要任务包括：2.机器学习(ML)的概述机器学习的主要类型包括：3.NLP与机器学习的关系1.机器学习驱动NLP任务2.深度学习与NLP的结合4.NLP和ML的相互促进5.挑战与未来展望边走、边悟迟早会好自然语言处理（NLP）与机器学习（ML）有着密切的关系，二者结合在一起可以实现自动化文本分析、语音识别、
  • 如何有效管理机器学习与人工智能 听忆. 人工智能机器学习
    如何有效管理机器学习与人工智能1.模型开发阶段的风险管理a.数据质量与偏见管理b.模型透明性与可解释性c.偏见与公平性测试2.部署阶段的风险管理a.安全与隐私保护b.实时监控与反馈机制c.模型回滚与更新机制3.运营阶段的风险管理a.道德与合规性管理b.风险预测与预防c.人机协同与决策支持4.持续学习与改进a.持续学习与模型更新b.社区参与与开源合作总结边走、边悟迟早会好管理机器学习（ML）和人工智
  • AI模型：追求全能还是专精？ vvvae1234 人工智能
    近日，OpenAI预计在秋季推出代号为“草莓”的新AI。从专注于数学问题到处理主观营销策略，"草莓"模型展现出惊人的多样性。而这种全能型AI是否代表了未来趋势？相比专攻于某一领域的专业型AI产品，全能型AI产品是否一定具有更广阔的经济市场、吸引更多用户喜爱呢？关于全能型人工智能（AI）与专业型AI模型的讨论涉及多个维度，包括它们的评估、可扩展性、以及道德规范等。以下是对这两类AI产品的优劣、潜力与
  • 【深度学习】embedding的简单理解 旅途中的宽~ 深度学习笔记深度学习embedding
    文章目录一、简单理解二、其他通俗理解一、简单理解特征嵌入，将数据转换（降维）为固定大小的特征表示（矢量），以便于处理和计算（如求距离）。例如，针对用于说话者识别的语音信号训练的模型可以允许您将语音片段转换为数字向量，使得来自相同说话者的另一片段与原始向量具有小的距离（例如，欧几里德距离）。embedding的主要目的是对（稀疏）特征进行降维，它降维的方式可以类比为一个全连接层（没有激活函数），通过
  • 关于人工智能（AI）的研究报告 川师_King 物联网与射频识别
    《关于人工智能（AI）的研究报告》一、引言在当今科技飞速发展的时代，人工智能（ArtificialIntelligence，简称AI）已经成为了全球范围内最受关注的领域之一。从智能手机中的语音助手到自动驾驶汽车，从医疗诊断到金融风险评估，AI正在以惊人的速度改变着我们的生活和工作方式。本研究报告将深入探讨人工智能的发展历程、技术原理、应用领域以及未来发展趋势。二、人工智能的发展历程（一）起源与早期
  • Datawhale X 李宏毅苹果书AI夏令营深度学习详解进阶Task02 z are 人工智能深度学习
    目录一、自适应学习率二、学习率调度三、优化总结四、分类五、问题与解答本文了解到梯度下降是深度学习中最为基础的优化算法，其核心思想是沿着损失函数的梯度方向更新模型参数，以最小化损失值。公式如下：θt+1←θt-η*∇θL(θt)其中，θ表示模型参数，η表示学习率，L表示损失函数，∇θL表示损失函数关于参数的梯度。然而，梯度下降在复杂误差表面上存在局限性。例如，在鞍点或局部最小值处，梯度接近零，导致模
  • 深度学习中Embedding的理解 普通攻击往后拉 神经网络基础模型关键点NN技巧深度学习embedding人工智能
    Embedding这个概念翻译过来的意思就是嵌入，就是把一个大的东西想办法嵌入到一个小的地方。在深度学习领域，Embedding一般用于代表某个类目的全部相关信息，表现形式为一个向量。1、Embedding常见的操作有两个：加法和拼接，含义完全不同Embedding的加法一般用于同类目的不同物品的合集表示。这个可以按照one-hot的思维去理解。为什么用one-hot而不用二进制去表示不同物品呢？
  • 深度学习速通系列:贝叶思&SVM Ven% 支持向量机人工智能深度学习算法机器学习
    贝叶斯（Bayesian）方法和支持向量机（SVM，SupportVectorMachine）是两种不同的机器学习算法，它们在解决分类和回归问题时有着不同的原理和应用场景贝叶斯方法：贝叶斯方法基于贝叶斯定理，这是一种利用已知信息（先验概率）来预测未知事件（后验概率）的概率方法。它通常用于分类问题，特别是当数据集较小或存在类别不平衡时。贝叶斯方法可以处理不确定性，并且可以通过增加新的数据来更新先验概
  • SK Hynix明年将开发基于96/128 GB DDR5的CXL 2.0内存解决方案 吴脑的键客 人工智能人工智能gpu算力
    SKHynix正致力于为人工智能领域开发基于DDR5的CXL2.0内存解决方案，尤其是针对"内存饥渴型"LLM。CXL指的是ComputeExpressLink，这是一种互联技术，可以在CPU和GPU之间实现更快的数据传输，但在人工智能领域，它实际上是CPU和加速器之间的数据传输。与传统的PCIe接口相比，CXL的优势在于它能让GPU直接访问系统内存，从而显著提升性能。鉴于现代内存技术无法满足大规
  • 生成式人工智能的演变 拉达曼迪斯II AI创业AIGC学习人工智能AI编程aiAI写作科技
    生成式人工智能的历史如今，人工智能(AI)无处不在，无人能避免。它将成为下一个大事件，就像2007年的智能手机和1990年代初的互联网一样，改变游戏规则。尤其是OpenAI推出ChatGPT后，生成式人工智能引起了轰动。你知道它自20世纪50年代就已存在吗？那时，它还没有现在这么先进和强大。尽管人工智能仍处于早期阶段，但它已经改变了我们的生活和工作方式。要了解生成式人工智能的兴起，我们必须探索人工
  • 机器学习和深度学习·贝叶斯优化和optuna 0xMayL #深度学习机器学习#模型评估机器学习深度学习人工智能
    贝叶斯优化贝叶斯优化的思想先验：取点似然：假设分布取了n个点之后…后验：近似取得极值贝叶斯优化的数学过程在贝叶斯优化的数学过程当中，我们主要执行以下几个步骤：1定义需要估计的f(x)f(x)f(x)以及xxx的定义域2取出有限的n个xxx上的值，求解出这些xxx对应的f(x)f(x)f(x)（求解观测值）3根据有限的观测值，对函数分布进行假设（该假设被称为贝叶斯优化中的先验知识），得出该假设分布上
  • 微软CEO谈AI平台范式转移、AI发展趋势及资本市场动态 JackieZhengChina 人工智能microsoft人工智能
    为大家整理编辑了近期微软CEO萨提亚·纳德拉(SatyaNadella)著名科技KOLBenThompson播客采访的精华内容。在采访中，萨提亚·纳德拉(SatyaNadella)畅谈了人工智能平台范式转移、与OpenAI等合作伙伴的关系、AI未来五年的发展方向、以及资本市场的趋势。萨提亚·纳德拉的很多回答都堪称四两拨千斤，他回应了巨头的“赢者通吃”质疑、微软如何看待关于AI的未来投资、以及整个行
  • 《中国人工智能学会通讯》——7.17 篇章语义分析方法概述 weixin_33941350 人工智能
    7.17篇章语义分析方法概述篇章语义分析主要有以下三个主流的研究方向。以篇章结构为核心此类研究工作的目标是识别不同文本块之间的语义关系，例如条件关系、对比关系等，亦称为修辞关系识别。根据是否需要将文本分割为一系列彼此不相交的覆盖序列，可以将本类方法进一步分成两大类：第一类以修辞结构理论（RhetoricalStructureTheory）和篇章图树库（DiscourseGraphBank）为代表，
  • 【ShuQiHere】《机器学习的进化史『下』：从神经网络到深度学习的飞跃》 ShuQiHere 机器学习深度学习神经网络
    【ShuQiHere】引言：神经网络与深度学习的兴起在上篇文章中，我们回顾了机器学习的起源与传统模型的发展历程，如线性回归、逻辑回归和支持向量机（SVM）。然而，随着数据规模的急剧增长和计算能力的提升，传统模型在处理复杂问题时显得力不从心。在这种背景下，神经网络重新进入了研究者们的视野，并逐步演变为深度学习，成为解决复杂问题的强大工具。今天，我们将进一步探索从神经网络到深度学习的进化历程，揭示这些
  • PyTorch深度学习实战（27）—— PyTorch分布式训练 shangjg3 PyTorch深度学习实战深度学习pytorch分布式python
    本节将详细介绍如何进行神经网络的分布式训练。其中1.1将结合MPI介绍分布式训练的基本流程，1.2与1.3将分别介绍如何使用torch.distributed以及Horovod进行神经网络的分布式训练。1PyTorch分布式训练1.1使用MPI进行分布式训练下面讲解如何利用MPI进行PyTorch的分布式训练。这里主要介绍的是数据并行的分布式方法：每一块GPU都有同一个模型的副本，仅加载不同的数据
  • PyTorch Geometric（torch_geometric）简介 小桥流水---人工智能 机器学习算法深度学习人工智能pytorch人工智能python
    在深入探讨PyTorchGeometric（通常简称为PyG）之前，我们先了解一下它的背景和应用。PyG是基于PyTorch的一个扩展库，专为图数据和图网络模型设计。图网络是深度学习领域的一种强大工具，它能够处理结构化数据，如社交网络、分子结构、交通网络等。PyTorchGeometric的主要功能数据处理与加载：图数据的简化表示：PyG提供了一种高效的方式来表示和存储图数据。主要是通过Data对
  • 深入理解PyTorch中的`torch.topk`函数！！！（个人总结，为了方便我自己复习，要是同时也能帮助到大家就更好了） 小桥流水---人工智能 人工智能深度学习机器学习算法pytorch人工智能python
    torch.topk深入理解PyTorch中的`torch.topk`函数1.`torch.topk`函数概述函数签名返回值2.基本用法示例1：找到一维张量的最大值示例2：在二维张量的指定维度上操作3.高级应用4.结论深入理解PyTorch中的torch.topk函数在深度学习和数据处理中，经常需要对数据进行排序并提取最重要的部分。PyTorch提供了一个非常有用的函数torch.topk，它能够
  • 在 PyTorch 中，`permute` 方法是一个强大的工具，用于重排张量的维度。 小桥流水---人工智能 人工智能机器学习算法深度学习pytorch人工智能python
    在PyTorch中，permute方法是一个强大的工具，用于重排张量的维度。这在深度学习中非常有用，尤其是在处理具有多维数据（如图像、视频或复杂数组）的神经网络时。PyTorch中的permute方法详解1.permute方法概述在PyTorch中，permute方法允许用户重新排列张量的维度。这与NumPy的transpose方法类似，但提供了更灵活的多维重排能力。该方法非常有用，例如，当你需要
  • PyTorch概述 fydw_715 pytorchpytorch人工智能python
    PyTorch是一个开源的机器学习框架，由Facebook的人工智能研究团队开发。它广泛用于深度学习和神经网络的研究和开发。PyTorch以其动态计算图、灵活性和简单易用的接口而闻名，深受研究人员和开发者的喜爱。以下是PyTorch的一些重要模块及其功能：torch简介：这是PyTorch的核心库，提供了张量（tensor）操作的基本功能。功能：支持张量的创建、操作和转换，涵盖数学运算、线性代数操
  • [Scene Graph] 图神经网络的核心方法——Message Passing 风中摇曳的小萝卜 SceneGraph神经网络深度学习机器学习人工智能
    GNN中的MessagePassing方法解析一、GNN中是如何实现特征学习的？深度学习方法的兴起是从计算图像处理（ComputerVision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据（structureddata）十分有效，例如，图像和体素数据。但是，CNN的处理方式对于类似图（graph）数据则并不适用。对于一个图而言，类似图像像素的邻
  • 基于深度学习的分子生成 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的分子生成是一项结合化学、计算科学与人工智能的新兴领域，旨在利用深度学习模型来生成具有特定性质的分子结构。该技术在药物发现、材料科学和合成化学等领域具有广泛的应用前景。以下是详细的介绍：1.背景与动机化学空间的广阔性：分子化学空间非常庞大，可能包含10^60以上的不同分子结构。传统的分子设计方法主要依赖于实验和规则生成，这在探索巨大化学空间时显得效率低下且成本高昂。药物发现的挑战：在药
  • iZotope Ozone 11 Advanced：专业音频制作与母带处理的巅峰之作 平安喜乐616 音视频iZotopeOzone顶级音频后期制作软件
    iZotopeOzone11Advanced是一款专为音频工程师、制作人和音乐人设计的顶级音频后期制作软件，无论是Mac还是Windows平台，都能为用户提供无与伦比的音频处理体验。该软件集成了最先进的人工智能技术和一系列精密的音频处理工具，让音频作品的最终声音效果达到广播级甚至更高水准。智能化音频处理：Ozone11Advanced的核心优势在于其智能化的音频处理技术。通过AIMasterAss
  • 国产智能搜索MindSearch∶ 能够在不到3分钟内收集并整合300多页相关信息？ 百态老人 人工智能笔记
    MindSearch是一款由上海人工智能实验室推出的国产智能搜索工具，具有强大的自然语言处理和机器学习能力，旨在提供高效、精准的信息检索服务。它能够通过自然语言查询快速在各种文件格式（如PDF、DOCX、TXT）中找到所需信息，并利用人工智能技术提供即时答案和相关搜索结果。MindSearch不仅是一个独立的搜索引擎平台，还提供了一个开源的AI搜索引擎框架，用户可以使用闭源或开源的大语言模型（LL
  • 在Ubuntu 18.04上如何从默认的APT仓库安装MongoDB 白如意i linuxubuntumongodblinux
    前些天发现了一个巨牛的人工智能学习网站，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。介绍MongoDB，也被称为Mongo，是一种常用于现代Web应用程序的免费开源NoSQL文档数据库。在本教程中，您将安装MongoDB，管理其服务，并可选择启用远程访问。先决条件要按照本教程操作，您需要：一个Ubuntu18.04服务器，按照此初始服务器设置教程进行设置，包括一个sudo非根用户和防
  • python 数据分析 损失数值 如何放到csv中呢 人工智能 深度神经网络，Pytorch ,tensorflow zhangfeng1133 python人工智能数据分析
    损失数值如何放到csv中呢在Python中，使用`csv`模块将数据写入CSV文件是一种常见的操作。从你提供的代码片段来看，你想要将损失数值写入名为`middle_losse.csv`的文件中。但是，你提供的代码片段中存在一些需要修改的地方，以确保数据能够正确地写入CSV文件。首先，`csv.writer`对象的`writerows`方法需要一个可迭代对象，例如列表的列表，而不是单个列表。如果你的
  • 【IEEE出版 | 往届会后三个月检索】第五届大数据、人工智能与软件工程国际研讨会（ICBASE 2024，9月20-22） i嗑盐の小F 国际学术会议大数据人工智能软件工程机器学习深度学习算法
    第五届大数据、人工智能与软件工程国际研讨会（ICBASE2024）将于2024年09月20-22日在中国温州隆重举行。会议主要围绕大数据、人工智能与软件工程等研究领域展开讨论。会议旨在为从事大数据、人工智能与软件工程研究的专家学者、工程技术人员、技术研发人员提供一个共享科研成果和前沿技术，了解学术发展趋势，拓宽研究思路，加强学术研究和探讨，促进学术成果产业化合作的平台。大会诚邀国内外高校、科研机构
  • 【浙江工业大学、中国人工智能学会自然计算与数字智能城市专委会联合主办|ACM独立出版|往届均已见刊并完成EI、SCOPUS检索】第四届机器学习与计算机应用国际学术会议(ICMLCA 2023) 艾思科蓝 AiScholar 人工智能机器学习信息与通信图像处理人机交互计算机视觉数据分析
    第四届机器学习与计算机应用国际学术会议(ICMLCA2023)定于2023年10月27-29日在中国杭州隆重举行。本届会议将主要关注机器学习和计算机应用面临的新的挑战问题和研究方向，着力反映国际机器学习和计算机应用相关技术研究的新进展。大会网站：https://ais.cn/u/iMrIjq（更多会议详情）截稿时间：以官网信息为准收录检索：EICompendex，Scopus【往届已见刊并完成EI
  • FlexibleBI智能化质量管理系统：让制造更高效、精准 三坐标CMM质量数据系统 制造大数据人工智能
    在现代制造业中，质量管理不仅仅是一个追求卓越的标志，更是企业保持竞争力的核心。我们推出的智能化质量管理系统，通过先进的人工智能技术赋能，为企业带来前所未有的预测能力，助力制造商在竞争激烈的市场中立于不败之地。FlexibleBI1.人工智能赋能的质量预测我们的系统使用先进的人工智能算法，对制造过程中的尺寸数据进行深度分析。与市场上现有的一些高端软件类似，但我们不局限于这些已有的框架。系统能预测潜在
  • 基于深度学习的人类行为模仿 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的人类行为模仿是指利用深度学习技术构建模型，使计算机系统能够学习、理解、并模仿人类的行为。通过模拟人类的动作、决策过程、情感反应等行为，相关技术在机器人、虚拟助手、人机交互等领域具有广泛的应用前景。1.背景与意义1.1人类行为的复杂性多模态数据：人类行为包含视觉、听觉、触觉、语言等多种感知信息，如何综合分析这些多模态数据以理解和模仿人类行为是一个挑战。情境依赖性：人类行为通常依赖于特定
  • 忘掉 Siri 吧：苹果可能会推出拥有自己AI“个性”的机器人设备｜TodayAI TodayAI日报 TodayAI日报人工智能机器人苹果
    近日，知名科技记者MarkGurman报道称，苹果公司（Apple）正计划进军机器人领域，推出旨在解决“第一世界问题”的新产品。据Gurman透露，苹果还可能利用生成式AI技术，为其机器人设备打造一个全新的“个性化”人工智能助理。这一AI助理将类似于Siri，但专为苹果实验室正在开发的机器人设备量身定制。并非Siri替代品，而是“AI小弟”根据Gurman的说法，这款新型AI助理并不是为了取代Si
  • apache ftpserver-CentOS config gengzg apache
    <server xmlns="http://mina.apache.org/ftpserver/spring/v1" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation=" http://mina.apache.o
  • 优化MySQL数据库性能的八种方法 AILIKES sqlmysql
    1、选取最适用的字段属性 　　MySQL可以很好的支持大数据量的存取，但是一般说来，数据库中的表越小，在它上面执行的查询也就会越快。因此，在创建表的时候，为了获得更好的 性能，我们可以将表中字段的宽度设得尽可能小。例如，在定义邮政编码这个字段时，如果将其设置为CHAR(255),显然给数据库增加了不必要的空间，甚至使用VARCHAR这种类型也是多余的，因为CHAR(6)就可以很
  • JeeSite 企业信息化快速开发平台 Kai_Ge JeeSite
    JeeSite 企业信息化快速开发平台 平台简介 JeeSite是基于多个优秀的开源项目，高度整合封装而成的高效，高性能，强安全性的开源Java EE快速开发平台。 JeeSite本身是以Spring Framework为核心容器，Spring MVC为模型视图控制器，MyBatis为数据访问层， Apache Shiro为权限授权层，Ehcahe对常用数据进行缓存，Activit为工作流
  • 通过Spring Mail Api发送邮件 120153216 邮件main
    原文地址：http://www.open-open.com/lib/view/open1346857871615.html 使用Java Mail API来发送邮件也很容易实现，但是最近公司一个同事封装的邮件API实在让我无法接受，于是便打算改用Spring Mail API来发送邮件，顺便记录下这篇文章。 【Spring Mail API】 Spring Mail API都在org.spri
  • Pysvn 程序员使用指南 2002wmj SVN
    源文件:http://ju.outofmemory.cn/entry/35762 这是一篇关于pysvn模块的指南. 完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html. pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个. 该
  • 在SQLSERVER中查找被阻塞和正在被阻塞的SQL 357029540 SQL Server
    SELECT  R.session_id AS BlockedSessionID ,          S.session_id AS BlockingSessionID ,          Q1.text AS Block
  • Intent 常用的用法备忘 7454103 .netandroidGoogleBlogF#
    Intent     应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作（比如：view,edit,dial），以及程序执行到该动作时所需要的资料 。都指定好后，只要调用startActivity()，Android系统 会自动寻找最符合你指定要求的应用 程序，并执行该程序。 下面列出几种Intent 的用法 显示网页:
  • Spring定时器时间配置 adminjun spring时间配置定时器
    红圈中的值由6个数字组成，中间用空格分隔。第一个数字表示定时任务执行时间的秒，第二个数字表示分钟，第三个数字表示小时，后面三个数字表示日，月，年，< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" /> 测试的时候，由于是每天定时执行，所以后面三个数
  • POJ 2421 Constructing Roads 最小生成树 aijuans 最小生成树
    来源：http://poj.org/problem?id=2421 题意：还是给你n个点，然后求最小生成树。特殊之处在于有一些点之间已经连上了边。 思路：对于已经有边的点，特殊标记一下，加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在，又保证了所求的结果正确。 代码： #include <iostream> #include <cstdio>
  • 重构笔记——提取方法（Extract Method） ayaoxinchao java重构提炼函数局部变量提取方法
    提取方法（Extract Method）是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候，这时候就可以用提取方法这种重构手法。   下面是我学习这个重构手法的笔记：   提取方法看起来好像仅仅是将被提取方法中的一段代码，放到目标方法中。其实，当方法足够复杂的时候，提取方法也会变得复杂。当然，如果提取方法这种重构手法无法进行时，就可能需要选择其他
  • 为UILabel添加点击事件 bewithme UILabel
        默认情况下UILabel是不支持点击事件的，网上查了查居然没有一个是完整的答案，现在我提供一个完整的代码。   UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
  • NoSQL数据库之Redis数据库管理(PHP-REDIS实例) bijian1013 redis数据库NoSQL
    一.redis.php <?php //实例化 $redis = new Redis(); //连接服务器 $redis->connect("localhost"); //授权 $redis->auth("lamplijie"); //相关操
  • SecureCRT使用备注 bingyingao secureCRT每页行数
    SecureCRT日志和卷屏行数设置 一、使用securecrt时，设置自动日志记录功能。 1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径），命名为Logs； 2、点击Options -> Global Options -> Default Session -> Edite Default Sett
  • 【Scala九】Scala核心三：泛型 bit1129 scala
    泛型类 package spark.examples.scala.generics class GenericClass[K, V](val k: K, val v: V) { def print() { println(k + "," + v) } } object GenericClass { def main(args: Arr
  • 素数与音乐 bookjovi 素数数学haskell
        由于一直在看haskell，不可避免的接触到了很多数学知识，其中数论最多，如素数，斐波那契数列等，很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。     闲暇之余，从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
  • Java-Collections Framework学习与总结-IdentityHashMap BrokenDreams Collections
            这篇总结一下java.util.IdentityHashMap。从类名上可以猜到，这个类本质应该还是一个散列表，只是前面有Identity修饰，是一种特殊的HashMap。         简单的说，IdentityHashMap和HashM
  • 读《研磨设计模式》-代码笔记-享元模式-Flyweight bylijinnan java设计模式
    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/ import java.util.ArrayList; import java.util.Collection; import java.util.HashMap; import java.util.List; import java
  • PS人像润饰&调色教程集锦 cherishLC PS
      1、仿制图章沿轮廓润饰——柔化图像，凸显轮廓 http://www.howzhi.com/course/retouching/   新建一个透明图层，使用仿制图章不断Alt+鼠标左键选点，设置透明度为21%，大小为修饰区域的1/3左右（比如胳膊宽度的1/3），再沿纹理方向（比如胳膊方向）进行修饰。   所有修饰完成后，对该润饰图层添加噪声，噪声大小应该和
  • 更新多个字段的UPDATE语句 crabdave update
    更新多个字段的UPDATE语句                    update tableA a set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
  • hive实例讲解实现in和not in子句 daizj hivenot inin
    本文转自：http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html 当前hive不支持 in或not in 中包含查询子句的语法，所以只能通过left join实现。 假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户，字段只有一个uid)，这两个表都包含
  • 一道24点的10+种非人类解法（2,3,10,10） dsjt 算法
    这是人类算24点的方法？！！！ 事件缘由：今天晚上突然看到一条24点状态，当时惊为天人，这NM叫人啊？以下是那条状态 朱明西 : 24点，算2 3 10 10，我LX炮狗等面对四张牌痛不欲生，结果跑跑同学扫了一眼说，算出来了，2的10次方减10的3次方。。我草这是人类的算24点啊。。 然后么。。。我就在深夜很得瑟的问室友求室友算 刚出完题，文哥的暴走之旅开始了 5秒后
  • 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题 dcj3sjt126com yiiframework
    在使用 YIi的路径管理工具时，发现了一个问题。                    <?php         
  • 对象与关系之间的矛盾：“阻抗失配”效应[转] come_for_dream 对象
    概述   “阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库（RDBMS）存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年，而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。   “阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括：类的层次关系必须绑定为关系模式（将对象
  • 学习编程那点事 gcq511120594 编程互联网
    一年前的夏天，我还在纠结要不要改行，要不要去学php？能学到真本事吗？改行能成功吗？太多的问题，我终于不顾一切，下定决心，辞去了工作，来到传说中的帝都。老师给的乘车方式还算有效，很顺利的就到了学校，赶巧了，正好学校搬到了新校区。先安顿了下来，过了个轻松的周末，第一次到帝都，逛逛吧！ 接下来的周一，是我噩梦的开始，学习内容对我这个零基础的人来说，除了勉强完成老师布置的作业外，我已经没有时间和精力去
  • Reverse Linked List II hcx2013 list
    Reverse a linked list from position m to n. Do it in-place and in one-pass. For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4, return 
  • Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介 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
  • Hadoop集群工具distcp liyonghui160com
        1. 环境描述 两个集群：rock 和 stone rock无kerberos权限认证，stone有要求认证。 1. 从rock复制到stone，采用hdfs Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端，即源端问题：报版本
  • 一个备份MySQL数据库的简单Shell脚本 pda158 mysql脚本
    　　主脚本（用于备份mysql数据库）： 　　该Shell脚本可以自动备份 数据库。只要复制粘贴本脚本到文本编辑器中，输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。 　　 1. 分别建立目录“backup”和“oldbackup” 　　#mkdir /backup 　　#mkdir /oldbackup 　
  • 300个涵盖IT各方面的免费资源（中）——设计与编码篇 shoothao IT资源图标库图片库色彩板字体
    A. 免费的设计资源 Freebbble:来自于Dribbble的免费的高质量作品。 Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。 Graphic Burger:每个像素点都做得很细的绝佳的设计资源。 Pixel Buddha:免费和优质资源的专业社区。 Premium Pixels:为那些有创意的人提供免费的素材。
  • thrift总结 - 跨语言服务开发 uule thrift
    官网 官网JAVA例子 thrift入门介绍 IBM-Apache Thrift - 可伸缩的跨语言服务开发框架 Thrift入门及Java实例演示 thrift的使用介绍   RPC    POM： <dependency> <groupId>org.apache.thrift</groupId>
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他