enki0815
enki0815

OpenMMLab实战营打卡-第2课

1.介绍

传统方法：设计图像特征（1990s-2000s）

OpenMMLab实战营打卡-第2课_第1张图片

特征工程的天花板

OpenMMLab实战营打卡-第2课_第2张图片

从特征工程到特征学习

OpenMMLab实战营打卡-第2课_第3张图片

层次化特征的实现方式

OpenMMLab实战营打卡-第2课_第4张图片

AlexNet的诞生

OpenMMLab实战营打卡-第2课_第5张图片

2.课程内容

OpenMMLab实战营打卡-第2课_第6张图片

2.1 模型设计

卷积神经网络

轻量化神经网络

神经结构搜索

Transformer

2.1.1 模型介绍

AlexNet（2012）

OpenMMLab实战营打卡-第2课_第7张图片

Going Deeper(2012-2014)

OpenMMLab实战营打卡-第2课_第8张图片

VGG(2014)

OpenMMLab实战营打卡-第2课_第9张图片
OpenMMLab实战营打卡-第2课_第10张图片

GoogleNet(2014)

OpenMMLab实战营打卡-第2课_第11张图片

实验的反直觉

OpenMMLab实战营打卡-第2课_第12张图片
OpenMMLab实战营打卡-第2课_第13张图片

ResNet34:

OpenMMLab实战营打卡-第2课_第14张图片
OpenMMLab实战营打卡-第2课_第15张图片
OpenMMLab实战营打卡-第2课_第16张图片

SeResNet

OpenMMLab实战营打卡-第2课_第17张图片

神经结构搜索

OpenMMLab实战营打卡-第2课_第18张图片

Vision Transformers

OpenMMLab实战营打卡-第2课_第19张图片

ConvNeXt(2022)

OpenMMLab实战营打卡-第2课_第20张图片

2.1.2 轻量化卷积神经网络

卷积的参数量

OpenMMLab实战营打卡-第2课_第21张图片

卷积的计算量

OpenMMLab实战营打卡-第2课_第22张图片

降低模型参数量和计算量的方法

OpenMMLab实战营打卡-第2课_第23张图片

MobileNet V1/V2/V3

OpenMMLab实战营打卡-第2课_第24张图片

ResNeXt 分组卷积

OpenMMLab实战营打卡-第2课_第25张图片

Vision Transformers

注意力机制 Attention Mechanism

OpenMMLab实战营打卡-第2课_第26张图片
OpenMMLab实战营打卡-第2课_第27张图片
OpenMMLab实战营打卡-第2课_第28张图片

1D数据上的Attention

OpenMMLab实战营打卡-第2课_第29张图片

2.2 模型学习

2.2.1 监督学习：基于标注数据学习

损失函数

随机梯度下降算法

视觉模型常用训练技巧

OpenMMLab实战营打卡-第2课_第30张图片

优化目标&随机梯度下降

OpenMMLab实战营打卡-第2课_第31张图片

基于梯度下降训练神经网络的整体流程

OpenMMLab实战营打卡-第2课_第32张图片

学习率与优化器策略

权重初始化

OpenMMLab实战营打卡-第2课_第33张图片

学习率对训练的影响

OpenMMLab实战营打卡-第2课_第34张图片

学习率策略：

学习率退火Annealing

OpenMMLab实战营打卡-第2课_第35张图片

学习率升温

OpenMMLab实战营打卡-第2课_第36张图片

自适应梯度算法

OpenMMLab实战营打卡-第2课_第37张图片

正则化与权重衰减 Weight Decay

OpenMMLab实战营打卡-第2课_第38张图片

模型权重平均 EMA

OpenMMLab实战营打卡-第2课_第39张图片

数据增强 Data Augmentation

OpenMMLab实战营打卡-第2课_第40张图片

组合数据增强 AutoAugment & RandAugment

OpenMMLab实战营打卡-第2课_第41张图片

组合图像 Mixup & CutMix

OpenMMLab实战营打卡-第2课_第42张图片

标签平滑 Label Smoothing

OpenMMLab实战营打卡-第2课_第43张图片

2.2.2 自监督学习：基于无标注的数据学习

OpenMMLab实战营打卡-第2课_第44张图片

基于代理任务

基于对比学习

基于掩码学习

你可能感兴趣的:(opencv,cnn)

  • opencv 绘图函数 chosen13 OpenCv学习opencv绘图函数
    //opencv绘图函数//CV_EXPORTS_Wvoidline(CV_IN_OUTMat&img,Pointpt1,Pointpt2,constScalar&color,//intthickness=1,intlineType=8,intshift=0);//参数解释//.Mat&img:输入输出图像//.Pointpt1和pt2:二维Point类的点坐标,由Point指定//.Scalar
  • OpenCV绘图函数（11）计算文本字符串在特定字体、尺寸和厚度下的大小的函数getTextSize()的使用 jndingxin OpenCVopencvwebpack人工智能
    操作系统：ubuntu22.04OpenCV版本：OpenCV4.9IDE:VisualStudioCode编程语言：C++11算法描述计算一个文本字符串的宽度和高度。函数cv::getTextSize计算并返回包含指定文本的矩形框的尺寸。也就是说，下面的代码渲染一些文本、包围它的紧密矩形框以及基线：Stringtext="Funnytextinsidethebox";intfontFace=FO
  • opencv学习（十一）之绘图函数 梧桐栖鸦 OpenCV基础opencv2/3基础教程opencv直线circleellipsefillpolyopencv绘图函数
    opencv中提供了很多绘图函数，在进行图像处理，对感兴趣区域进行标定时，就需要利用这些绘图函数。现在集中做一个归纳介绍。1.PointPoint常用来指定一幅二维图像中的点。如Pointpt;pt.x=10;pt.y=8;或Pointpt=Point(10,8);其指向的是在图像中(10,8)位置的一个像素点。查找Point引用可以在”core.hpp”文件发现如下语句：typedefPoint
  • OpenCV绘图函数详解及其用法示例 Bill66 opencv人工智能计算机视觉OpenCV常用绘图函数OpenCV绘图函数详解OpenCV绘图函数示例
    MFC类库中的CDC类有划线，画矩形，画椭圆，画多边形，文字等绘图函数，OpenCV也有类似的绘图函数。二者的区别在于MFC画图是在一定的区域内绘制图形，而OpenCV则是在图像上绘制，主要用于图像标注。OpenCV的常用绘图函数有arrowedLine，circle,drawContours,drawMarker,drawMarker,ellipse,fillConvexPoly,fillPol
  • Yololov5+Pyqt5+Opencv 实时城市积水报警系统 机器懒得学习 opencv人工智能计算机视觉
    在现代城市生活中，积水问题不仅影响交通和人们的日常生活，还可能对城市基础设施造成潜在的威胁。为了快速、准确地识别和应对积水问题，使用计算机视觉技术进行智能积水检测成为一个重要的解决方案。在这篇博客中，我将带你一步步实现一个基于YOLOv5的积水检测系统，帮助你轻松应对城市积水挑战。完整代码：PyQt5+YoloV5实现积水检测系统目录积水检测的挑战使用YOLOv5的解决方案代码实现：从加载模型到检
  • [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
  • cv2 画多边形不填充_opencv 画图 虎哥说衣不二 cv2画多边形不填充
    learningopencv第6章第1题解决方案前言opencv提供了丰富的函数用以图形绘制，包括矩形，线条，椭圆和多边形等，本篇文章对opencv的基本绘图函数做了一些介绍和说明。椭圆绘制绘制椭圆的函数说明和参数说明如下：voidellipse(InputOutputArrayimg,Pointcenter,Sizeaxes,doubleangle,doublestartAngle,double
  • opencv绘图函数 Sun-Flower 图像处理opencvopencv绘图函数cvPutTextcvFillPolycvEllipseB
    在OpenCV中，有几个基本的绘图函数，如果自学的话，可以在网上很多的函数参数解析以及代码。官方参考网站：http://wiki.opencv.org.cn/index.php/Cxcore%E7%BB%98%E5%9B%BE%E5%87%BD%E6%95%B0#DrawContourshttp://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutori
  • 关于vscode配置opencv writ
    痛点不在这里，需要明白内在的编译逻辑，而不是表层现象。诸如此类问题今后有很多，不可能每次都翻箱倒柜，需要做的是从容面对，仔细分析，找出问题的根源所在。话不多说，直接给出配置的具体方法，这是一个通用版本，只要你是使用的ubutu系统，且安装的是C++版本的opencv基本上都可以通过该方法来实现。1step：首先新建文件夹，并在该文件下创建cpp文件，然后使用vscode打开该文件夹。2step：利
  • opencv编译4.2失败 江河地笑 opencvwebpackjavascript
    错误[92%]BuildingCXXobjectmodules/tracking/CMakeFiles/opencv_tracking.dir/src/trackerFeature.cpp.o[92%]BuildingCXXobjectmodules/tracking/CMakeFiles/opencv_tracking.dir/src/trackerFeatureSet.cpp.o[92%]Bu
  • ubuntu 安装opencv（3.4.16） 江河地笑 ubuntuopencvlinux
    查看版本，终端opencv_version卸载sudoapt-getremovelibopencv-devsudoapt-getautoremovesudorm-rf/usr/local/include/opencv4sudorm-rf/usr/local/lib/libopencv*sudorm-rf/usr/local/bin/opencv*sudorm-rf/usr/local/share/
  • 【无标题】 江河地笑 webpack前端react.js
    CMakeErrorinrpg_vikit/vikit_common/CMakeLists.txt:IMPORTED_LOCATIONnotsetforimportedtarget"opencv_videostab"configuration"Release".CMakeErrorinrpg_vikit/vikit_common/CMakeLists.txt:IMPORTED_LOCATIONno
  • DeepArt——AI美术创作工具，能够帮助生成视觉内容 爱研究的小牛 AIGC人工智能深度学习
    一、DeepArt的介绍DeepArt是一种基于深度学习的艺术风格迁移应用，能够将输入图像转换成具有特定艺术风格的输出图像。它的核心技术主要依赖于深度卷积神经网络（CNN）和风格迁移算法，能够将著名艺术作品的风格应用到用户的照片或图像上，从而创造出独具特色的艺术效果。二、DeepArt的使用选择内容图像和风格图像：用户首先需要上传一张内容图像，即他们希望转换成艺术风格的图像。接着，可以从提供的艺术
  • 基于霜冰优化算法(RIME)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现） 程序辅导帮 算法cnnmatlab
    欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录⛳️赠与读者1概述一、研究背景与意义二、技术概述1.霜冰优化算法（RIME）2.卷积神经网络（CNN）3.双向门控循环单元（BiGRU）4.注意力机制（AttentionMechanism）三、研究内容与方法四、预期成果与贡献五、结论与展望2运行结果3参考文献4Mat
  • OpenCV Lesson 1 : Recognize Mat 0010000100 OpenCVopencv
    RecognizeMatOpenCVhasbeenaroundsince2001.InthosedaysthelibrarywasbuiltaroundaCinterfaceandtostoretheimageinthememorytheyusedaCstructurecalledIplImage.Thisistheoneyou’llseeinmostoftheoldertutorialsande
  • OpenCV：图像几何变换 0010000100 机器视觉opencv计算机视觉图像处理
    图像几何变换importnumpyasnpimportcv2ascvimportmatplotlib.pyplotaspltimg=cv.imread('book.jpg')rows,cols,ch=img.shapepts1=np.float32([[151,332],[882,272],[119,1368],[1242,1188]])pts2=np.float32([[0,0],[300,0]
  • 深度学习与OpenCV：解锁计算机视觉的无限可能 程序员-李旭亮 深度学习
    在科技日新月异的今天，计算机视觉作为人工智能领域的一颗璀璨明珠，正以前所未有的速度改变着我们的生活与工作方式。而《深度学习》与OpenCV，作为这一领域的两大重要工具，更是为计算机视觉的入门与深入探索铺设了坚实的基石。本文将带您一窥这两者的魅力，探索它们如何携手开启计算机视觉的无限可能。深度学习：智能的催化剂深度学习，作为机器学习的一个分支，其核心在于通过构建深层次的神经网络模型，模拟人脑的学习过
  • EmguCV学习笔记 VB.Net和C# 下的OpenCv开发 VB.Net 目录 VB.Net EmguCV计算机视觉Emgucvopencvvb.net
    版权声明：本文为博主原创文章，转载请在显著位置标明本文出处以及作者网名，未经作者允许不得用于商业目的。EmguCV是一个基于OpenCV的开源免费的跨平台计算机视觉库,它向C#和VB.NET开发者提供了OpenCV库的大部分功能。教程VB.net版本请访问：EmguCV学习笔记VB.Net目录-CSDN博客教程C#版本请访问：EmguCV学习笔记C#目录-CSDN博客笔者的博客网址：https:/
  • 在Python中使用OpenCV录制视频并保存 baidu_huihui opencv人工智能计算机视觉
    在Python中使用OpenCV录制视频并保存的基本步骤如下：使用cv2.VideoCapture(0)来获取默认摄像头。使用cv2.VideoWriter来创建视频写入对象。循环读取摄像头的帧，并使用write方法写入视频文件。当不再需要视频写入对象时，使用release方法释放资源。以下是一个简单的示例代码：importcv2#定义视频捕捉对象cap=cv2.VideoCapture(0)#获
  • EMGU.CV入门（十四、图像轮廓） LyRics1996 计算机视觉opencv图像处理EMGU.CVc#
    一、轮廓1.1边缘和轮廓的区别边缘：离散的，断开的轮廓：整体的，连续的边缘检测主要是通过一些手段检测数字图像中明暗变化剧烈（即梯度变化比较大）像素点，偏向于图像中像素点的变化。如canny边缘检测，结果通常保存在和源图片一样尺寸和类型的边缘图中。轮廓检测指检测图像中的对象边界，更偏向于关注上层语义对象。如OpenCV中的findContours()函数，它会得到每一个轮廓并以点向量方式存储，除此也
  • Python深度学习：构建下一代智能系统 2401_83402415 pythonpython深度学习开发语言Transformer模型目标检测算法Attention
    近年来，伴随着以卷积神经网络（CNN）为代表的深度学习的快速发展，人工智能迈入了第三次发展浪潮，AI技术在各个领域中的应用越来越广泛。为了帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术，本文讲解注意力机制、Transformer模型（BERT、GPT-1/2/3/3.5/4、DETR、ViT、SwinTransformer等）、生成式模型（变分自编码器VAE、生成式对抗网络GA
  • 相机标定和图像配准 lqjun0827 算法数码相机
    相机标定和图像配准介绍1.相机标定代码说明：注意事项：使用标定结果处理图像：代码说明：注意事项：2.图像配准代码说明：注意事项：介绍基础知识参考：相机的内参和外参1.相机标定相机标定是计算机视觉中的一个重要步骤，它用于确定相机的内部参数（如焦距、主点坐标、畸变参数）和外部参数（如相机在世界坐标系中的位置和方向）。以下是一个使用OpenCV库进行相机标定的Python代码示例：importnumpy
  • 实现CNN对mnist手写数字分类 文哥的学习日记
    本文使用的tensorflow版本：1.4tensorflow安装：pipinstalltensorflow1、CNN哇咔咔，熟悉的味道，自己第一次接触tensorflow也是写的CNN的例子，当时对于CNN也是一知半解，经过了一年，终于差不多搞清楚了CNN的原理。CNN中需要理解的主要有两点，稀疏连接SparseConnectivity（每个神经元仅与前一层部分神经元相连接）以及参数共享Para
  • 卷积神经网络-解释1 weixin_33749242 人工智能数据结构与算法
    [翻译]神经网络的直观解释2017/07/2717:36这篇文章原地址为AnIntuitiveExplanationofConvolutionalNeuralNetworks，卷积神经网络的讲解非常通俗易懂。什么是卷积神经网络？为什么它们很重要？卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通
  • 见过最好的神经网络CNN解释 罗晨晖 卷积神经网络CNN计算机视觉深度学习
    什么是卷积神经网络？为什么它们很重要？卷积神经网络（ConvNets或者CNNs）属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。卷积神经网络可以成功识别人脸、物体和交通信号，从而为机器人和自动驾驶汽车提供视力。在上图中，卷积神经网络可以识别场景，也可以提供相关的标签，比如“桥梁”、“火车”和“网球”；而下图展示了卷积神经网络可以用来识别日常物体、人和动物。最近，卷积神经网络
  • 基于OpenCV-Python实现人脸识别-----摄像头捕获人脸图像显示中文乱码问题 匹数 opencvpython人工智能
    基于OpenCV-Python实现人脸识别时，为了使图像上显示识别到人员的中文名字，做了几次尝试，使用PIL.Image和OpenCV图像格式相互转换解决：使用OpenCV将图片灰度化，对加载的灰度化图使用分类器中的detectMultiScale()函数查找目标人脸，并使用for循环实现矩形框和圆形框框住查找到的人脸。再使用OpenCV中识别器face.LBPHFaceRecognizer()方
  • 基于灰狼优化算法(GWO)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现） qq_551705769 算法cnnmatlab
    欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录⛳️赠与读者1概述一、研究背景与意义二、算法原理与模型构建1.灰狼优化算法(GWO)2.CNN-BiGRU-Attention模型3.GWO优化CNN-BiGRU-Attention模型三、研究步骤与实现1.数据预处理2.模型构建与训练3.性能评估四、研究展望与挑战2
  • 使用OpenCV库来捕获摄像头视频流，并按指定格式保存 不是浮云笙 基础常见知识opencv计算机视觉
    今天我们来使用OpenCV库来捕获摄像头视频流，并将其保存为AVI格式的视频文件，代码的主要功能包括：初始化摄像头捕获对象。设置视频编解码器和输出文件路径。循环读取视频帧，处理并保存到文件中。显示处理后的视频帧。按下'q'键退出程序。释放资源并关闭所有窗口。运行环境需要安装OpenCV库，可以通过pipinstallopencv-python安装。下面这份代码的保存视频的格式是AVIimportn
  • 基于白鲸优化算法(BWO)优化CNN-BiGUR-Attention风电功率预测研究（Matlab代码实现） 科研_研学社 算法cnnmatlab
    欢迎来到本博客❤️❤️博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。⛳️座右铭：行百里者，半于九十。本文目录如下：目录⛳️赠与读者1概述一、研究背景与意义二、算法介绍1.白鲸优化算法（BWO）2.卷积神经网络（CNN）3.双向门控循环单元（BiGRU）4.注意力机制（Attention）三、模型构建与优化1.模型结构2.模型优化四、实验结果与分析五、结论与展望2运行结果3参考文献4M
  • OPenCV和OPenGL的区别 zxz520zmg opencv人工智能计算机视觉
    OPenCV主要用来处理图像和视频，还涉及到一些机器学习的算法。专注于从图像中获取信息是用机器来理解图像。比如：视频降噪、运动物体的跟踪、目标识别（比如人脸识别）。OPenGL主要用于三维图形的渲染。专注于用机器绘制图像给人看。Graphics，3D绘图。Opencv是从图像到数据OpenGL是从数据到图像
  • Java常用排序算法/程序员必须掌握的8大排序算法 cugfy java
    分类： 1）插入排序（直接插入排序、希尔排序） 2）交换排序（冒泡排序、快速排序） 3）选择排序（直接选择排序、堆排序） 4）归并排序 5）分配排序（基数排序） 所需辅助空间最多：归并排序 所需辅助空间最少：堆排序 平均速度最快：快速排序 不稳定：快速排序，希尔排序，堆排序。 先来看看8种排序之间的关系：   1.直接插入排序 （1
  • 【Spark102】Spark存储模块BlockManager剖析 bit1129 manager
    Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
  • linux 查看端口被占用情况详解 daizj linux端口占用netstatlsof
    经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序   1、lsof -i:port port为端口号   [root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080 COMMAND   PID USER   FD   TY
  • Hosts文件使用 周凡杨 hostslocahost
         一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
  • java excel工具 g21121 Java excel
    直接上代码，一看就懂，利用的是jxl： import java.io.File; import java.io.IOException; import jxl.Cell; import jxl.Sheet; import jxl.Workbook; import jxl.read.biff.BiffException; import jxl.write.Label; import
  • web报表工具finereport常用函数的用法总结（数组函数） 老A不折腾 finereportweb报表函数总结
    ADD2ARRAY ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。 示例： ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7]. ADDARRAY([3,4, 1, 5, 7], "测试&q
  • 游戏服务器网络带宽负载计算 墙头上一根草 服务器
    家庭所安装的4M，8M宽带。其中M是指，Mbits/S 其中要提前说明的是： 8bits = 1Byte 即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。 8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。 我是在计算我们网络流量时想到的
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans Spring 3 系列
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • 高性能mysql 之 选择存储引擎(一) annan211 mysqlInnoDBMySQL引擎存储引擎
    1 没有特殊情况，应尽可能使用InnoDB存储引擎。   原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她   被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃   恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
  • UDP网络编程 百合不是茶 UDP编程局域网组播
      UDP是基于无连接的,不可靠的传输   与TCP/IP相反       UDP实现私聊,发送方式客户端,接受方式服务器 package netUDP_sc; import java.net.DatagramPacket; import java.net.DatagramSocket; import java.net.Ine
  • JQuery对象的val()方法执行结果分析 bijian1013 JavaScriptjsjquery
            JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。        
  • http请求测试实例（采用json-lib解析） bijian1013 jsonhttp
            由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。 package com; import java.util.HashMap; import java.util.Map; import
  • 【RPC框架Hessian四】Hessian与Spring集成 bit1129 hessian
    在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。   定义模型、接口和服务器端代码 |---Model    &nb
  • 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析 bit1129 Mahout
    1.Mahout环境搭建  1.下载Mahout http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz    2.解压Mahout  3. 配置环境变量 vim /etc/profile export HADOOP_HOME=/home
  • nginx负载tomcat遇非80时的转发问题 ronin47
    　　nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port        详细如下： 　　 该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的： ? 1 2 3 4 5
  • java-17-在一个字符串中找到第一个只出现一次的字符 bylijinnan java
    public class FirstShowOnlyOnceElement { /**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b * 1.int[] count:count[i]表示i对应字符出现的次数 * 2.将26个英文字母映射：a-z <--> 0-25 * 3.假设全部字母都是小写 */ pu
  • mongoDB 复制集 开窍的石头 mongodb
    mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题             mo
  • [宇宙与天文]宇宙时代的经济学 comsci 经济
        宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。      在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源      以目前地球上国家的经济发展水平来讲，
  • Git忽略文件 Cwind git
         有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。 ==== ==== ==== 一些牢骚
  • MySQL连接数据库的必须配置 dashuaifu mysql连接数据库配置
    MySQL连接数据库的必须配置   1.driverClass：com.mysql.jdbc.Driver   2.jdbcUrl：jdbc:mysql://localhost:3306/dbname   3.user：username   4.password：password   其中1是驱动名；2是url，这里的‘dbna
  • 一生要养成的60个习惯 dcj3sjt126com 习惯
    一生要养成的60个习惯 第1篇 让你更受大家欢迎的习惯 1 守时，不准时赴约,让别人等,会失去很多机会。 如何做到： ①该起床时就起床， ②养成任何事情都提前15分钟的习惯。 ③带本可以随时阅读的书，如果早了就拿出来读读。 ④有条理，生活没条理最容易耽误时间。 ⑤提前计划：将重要和不重要的事情岔开。 ⑥今天就准备好明天要穿的衣服。 ⑦按时睡觉，这会让按时起床更容易。 2 注重
  • [介绍]Yii 是什么 dcj3sjt126com PHPyii2
    Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。 Yii 最适合做什么？ Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
  • Linux SSH常用总结 eksliang linux sshSSHD
    转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机   格式： ssh name@remoteserver 例如： ssh [email protected]   二、连接到远程主机指定的端口   格式： ssh name@remoteserver -p 22 例如： ssh i
  • 快速上传头像到服务端工具类FaceUtil gundumw100 android
    快速迭代用 import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOExceptio
  • jQuery入门之怎么使用 ini JavaScripthtmljqueryWebcss
    jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？   首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
  • 带filter的hbase查询优化 kane_xie 查询优化hbaseRandomRowFilter
    问题描述 hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。   问题原因 直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
  • java设计模式-单例模式 men4661273 java单例枚举反射IOC
             单例模式1，饿汉模式 //饿汉式单例类.在类初始化时，已经自行实例化 public class Singleton1 { //私有的默认构造函数 private Singleton1() {} //已经自行实例化 private static final Singleton1 singl
  • mongodb 查询某一天所有信息的3种方法，根据日期查询 qiaolevip 每天进步一点点学习永无止境mongodb纵观千象
    // mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。 // 第一种方式： coll.aggregate([ {$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}}, {$match:{sendDate: '2015-
  • 二维数组转换成JSON tangqi609567707 java二维数组json
    原文出处：http://blog.csdn.net/springsen/article/details/7833596 public class Demo {     public static void main(String[] args) {        String[][] blogL
  • erlang supervisor wudixiaotie erlang
    定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他