- YOLOv8重磅升级:引入DenseOne密集网络革新主干设计,重塑YOLO目标检测性能新高度
程序员杨弋
YOLO目标检测人工智能
随着深度学习技术的不断进步,目标检测作为计算机视觉领域的重要任务之一,其性能和应用范围也在不断扩大。作为目标检测领域的佼佼者,YOLO(YouOnlyLookOnce)系列算法以其出色的性能和实时性受到了广泛关注。而最近提出的YOLOv8更是在前代版本的基础上进行了多项优化,进一步提升了检测精度和速度。然而,尽管YOLOv8已经取得了显著的进步,但在处理复杂场景和遮挡问题时,仍然存在一定的挑战。为
- 深度学习驱动的极端天气预测:时空数据异常检测与应用全解析(基于Python + TensorFlow)
AI_DL_CODE
深度学习pythontensorflow人工智能天气预测
摘要:时空数据异常检测在气象领域识别偏离正常模式的数据点,对极端天气预测至关重要。深度学习,尤其是LSTM网络,因其强大的特征学习能力在该领域显示出巨大潜力。通过整合多源气象数据,深度学习模型能够自动挖掘复杂模式和非线性关系,提高预测准确性。然而,挑战依然存在,包括数据质量问题、模型可解释性不足以及极端天气的内在复杂性和不确定性。未来,通过模型架构创新、训练算法优化以及探索深度学习在气候预测、气象
- 基于深度学习的人脸表情识别系统:YOLOv5 + YOLOv8 + YOLOv10 + UI界面 + 数据集
2025年数学建模美赛
深度学习YOLOui分类人工智能
引言随着人工智能的飞速发展,深度学习技术已广泛应用于各个领域,尤其是在计算机视觉领域。人脸识别和表情识别是其中的一个重要应用,能够在多种场景下提供重要的信息,例如安全监控、情感分析、智能客服、健康监测等。在人脸表情识别任务中,准确识别人脸的情感状态(如高兴、愤怒、悲伤等)是一个极具挑战性的任务。随着YOLO系列算法的不断进步,YOLOv5、YOLOv8和YOLOv10的推出大大提高了目标检测的精度
- 基于YOLOv8深度学习的人脸年龄检测识别系统
2025年数学建模美赛
YOLO深度学习人工智能ui数据挖掘分类
引言随着人工智能和计算机视觉的飞速发展,人脸分析技术在年龄检测领域取得了显著进展。人脸年龄检测系统在安全监控、广告推荐、健康监测等领域有广泛应用。本文将基于YOLOv8目标检测模型和UI界面,开发一个完整的人脸年龄检测识别系统。我们将详细介绍项目的技术实现、数据集构建、模型训练以及UI设计,并附上完整代码。目录引言系统架构设计数据准备公开人脸年龄数据集数据标注格式数据目录结构模型训练YOLOv8环
- 基于深度学习的人脸表情识别系统(YOLOv10+UI界面+数据集)
2025年数学建模美赛
深度学习YOLOui计算机视觉人工智能目标跟踪
在本篇博客中,我们将详细介绍如何构建一个基于深度学习的人脸表情识别系统。该系统主要由三部分组成:YOLOv10(深度学习模型)进行表情识别、UI界面展示识别结果以及数据集的准备和训练过程。我们将从系统架构、数据准备、模型训练、UI设计等多个方面进行全面讲解,最终实现一个能够实时识别并展示人脸表情的系统。目录1.系统架构2.数据集准备2.1FER2013数据集2.2数据预处理3.YOLOv10模型概
- 基于深度学习的人脸表情识别系统:YOLOv8 + UI界面 + 数据集完整实现
2025年数学建模美赛
深度学习YOLOui人工智能代码
1.引言近年来,人脸表情识别在情感计算、智能人机交互、心理学研究等领域有着广泛的应用。深度学习的快速发展,使得高效、准确的人脸表情识别成为可能。通过利用卷积神经网络(CNN)和目标检测技术,可以实现实时、精准的人脸表情识别。本文将基于YOLOv8构建一个完整的人脸表情识别系统。系统集成了数据集准备、YOLOv8模型训练、实时推理以及基于PyQt5的图形用户界面(UI)。通过本文,你将学习如何实现一
- AI大模型应用架构(ALLMA)白皮书解读
百度_开发者中心
人工智能大模型数据库自然语言处理
随着人工智能技术的不断发展,AI大模型成为推动生产、生活方式变革,助推产业智能化转型升级,驱动数字经济高质量发展等社会经济发展方面的新引擎。为了全面展示AI大模型的发展全貌,为各界提供新思路,本文将对AI大模型应用架构(ALLMA)白皮书进行解读。一、AI大模型应用架构(ALLMA)的内涵AI大模型应用架构(ALLMA)是一种基于深度学习的人工智能应用架构,旨在通过大规模无标注数据预训练、指令微调
- Web APP 阶段性综述
预测模型的开发与应用研究
APPconstructionwebapp
WebAPP阶段性综述当前,WebAPP主要应用于电脑端,常被用于部署数据分析、机器学习及深度学习等高算力需求的任务。在医学与生物信息学领域,WebAPP扮演着重要角色。在生物信息学领域,诸多工具以WebAPP的形式呈现,相较之下,医学领域的此类应用数量相对较少。在医学和生物信息学的学术论文中,WebAPP是展示研究成果的有效工具,并且还能部署到网络上,服务于实际应用场景。ShinyAPP平台特性
- 气象海洋水文领域Python机器学习及深度学习实践应用能力提升
AAIshangyanxiu
农林生态遥感编程算法统计语言大气科学python机器学习深度学习
Python是功能强大、免费、开源,实现面向对象的编程语言,能够在不同操作系统和平台使用,简洁的语法和解释性语言使其成为理想的脚本语言。除了标准库,还有丰富的第三方库,Python在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能。上述优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为气象、海洋和水文
- 【昇思25天学习打卡营打卡指南-第一天】基本介绍与快速入门
JeffDingAI
MindSpore学习
昇思MindSpore介绍昇思MindSpore是一个全场景深度学习框架,旨在实现易开发、高效执行、全场景统一部署三大目标。其中,易开发表现为API友好、调试难度低;高效执行包括计算效率、数据预处理效率和分布式训练效率;全场景则指框架同时支持云、边缘以及端侧场景。昇思MindSpore总体架构如下图所示:ModelZoo(模型库):ModelZoo提供可用的深度学习算法网络,也欢迎更多开发者贡献新
- NLP-语义解析(Text2SQL):技术路线【Seq2Seq、模板槽位填充、中间表达、强化学习、图网络】
u013250861
#自然语言处理人工智能
目前关于NL2SQL技术路线的发展主要包含以下几种:Seq2Seq方法:在深度学习的研究背景下,很多研究人员将Text-to-SQL看作一个类似神经机器翻译的任务,主要采取Seq2Seq的模型框架。基线模型Seq2Seq在加入Attention、Copying等机制后,能够在ATIS、GeoQuery数据集上达到84%的精确匹配,但是在WikiSQL数据集上只能达到23.3%的精确匹配,37.0%
- PyTorch 中的 expand 操作详解:用法、原理与技巧
专业发呆业余科研
深度模型底层原理pytorch人工智能python深度学习机器学习
在使用PyTorch进行深度学习时,张量形状与广播机制常常是让初学者感到困惑的地方。我们需要时常面对多维张量,并在批量、通道、空间位置等多个维度之间做运算。如果能熟练掌握各种维度变换操作——包括unsqueeze、expand、view/reshape、transpose/permute等,可以帮助我们灵活地操纵张量,写出高效而简洁的矩阵化(vectorized)代码。本文将重点聚焦于expand
- 注意力池化层:从概念到实现及应用
专业发呆业余科研
深度模型底层原理python人工智能transformer深度学习自然语言处理图像处理
引言在现代深度学习模型中,注意力机制已经成为一个不可或缺的组件,特别是在处理自然语言和视觉数据时。多头注意力机制(MultiheadAttention)是Transformer模型的核心,它通过多个注意力头来捕捉序列中不同部分之间的关系。然而,在多模态模型中,如何有效地将图像特征和文本特征结合起来一直是一个挑战。注意力池化层(AttentionPoolingLayer)提供了一种有效的解决方案,通
- 深入解析昇腾AI CPU算子开发:基于AI CPU引擎的自定义算子实现与优化
快撑死的鱼
华为昇腾AscendC的算子开发系统学习人工智能
深入解析昇腾AICPU算子开发:基于AICPU引擎的自定义算子实现与优化随着深度学习模型复杂性的不断提升,AI处理器需要更强大的算力和更高效的计算架构来支撑模型的训练和推理。在华为昇腾AI处理器的架构中,AICPU承担着重要的计算任务,特别是针对标量和向量等通用计算的支持。AICPU算子开发成为开发者优化模型性能的重要步骤,而TBE(TensorBoostEngine)工具也为开发者提供了便捷的算
- 【AI系统】混合并行
ZOMI酱
人工智能
混合并行混合并行(HybridParallel)是一种用于分布式计算的高级策略,它结合了数据并行和模型并行的优势,以更高效地利用计算资源,解决深度学习中的大模型训练问题。混合并行不仅能提高计算效率,还能在有限的硬件资源下处理更大的模型和数据集。在深度学习中,数据并行和模型并行各自有其适用的场景和局限性。数据并行适用于训练样本较多而模型较小的情况,通过将数据集分割成多个子集并在不同的设备上同时训练来
- BladeDISC++:Dynamic Shape AI 编译器下的显存优化技术
人工智能机器学习分布式阿里云
近年来,随着深度学习技术的迅猛发展,越来越多的模型展现出动态特性,这引发了对动态形状深度学习编译器(DynamicShapeAICompiler)的广泛关注。本文将介绍阿里云PAI团队近期发布的BladeDISC++项目,探讨在动态场景下如何优化深度学习训练任务的显存峰值,主要内容包括以下三个部分:DynamicShape场景下显存优化的背景与挑战BladeDISC++的创新解决方案Llama2模
- 【TVM 教程】为 x86 CPU 自动调优卷积网络
ApacheTVM是一个深度的深度学习编译框架,适用于CPU、GPU和各种机器学习加速芯片。更多TVM中文文档可访问→https://tvm.hyper.ai/作者:YaoWang,EddieYan本文介绍如何为x86CPU调优卷积神经网络。注意,本教程不会在Windows或最新版本的macOS上运行。如需运行,请将本教程的主体放在ifname=="__main__":代码块中。importosi
- 交叉熵损失与二元交叉熵损失:区别、联系及实现细节
专业发呆业余科研
深度模型底层原理人工智能深度学习python
在机器学习和深度学习中,交叉熵损失(Cross-EntropyLoss)和二元交叉熵损失(BinaryCross-EntropyLoss)是两种常用的损失函数,它们在分类任务中发挥着重要作用。本文将详细介绍这两种损失函数的区别和联系,并通过具体的代码示例来说明它们的实现细节。交叉熵损失(Cross-EntropyLoss)常用于多类分类问题,即每个样本只能属于一个类别,但总类别数量较多。例如,在手
- 深度学习YOLOv3压双黄线期末项目
yzx991013
giitYOLO
一、引言实现功能目录一、引言实现功能打开视频连续检测车辆能检测到道路中间的双黄线能检测出车辆是否压双黄线当车辆压到双黄线时给出提示要求使用多线程实现功能二、技术栈概览三、代码功能深度剖析视频文件选择功能(choosevideo函数)四、项目亮点提炼五、总结与展望1.打开视频2.连续检测车辆3.能检测到道路中间的双黄线4.能检测出车辆是否压双黄线5.当车辆压到双黄线时给出提示6.要求使用多线程实现功
- 深度定制:Embedding与Reranker模型的微调艺术
从零开始学习人工智能
embedding人工智能
微调是深度学习中的一种常见做法,它允许模型在预训练的基础上进一步学习特定任务的特定特征。对于Embedding模型,微调的目的是让模型更适配特定的数据集,从而取得更好的召回效果。这通常涉及到使用特定的数据集对模型进行额外的训练,以便模型能够学习到数据集中的特定语义关系。微调过程可以使用不同的库和框架来实现,例如sentence-transformers库,它提供了便捷的API来调整Embeddin
- 【机器学习】—时序数据分析:机器学习与深度学习在预测、金融、气象等领域的应用
云边有个稻草人
热门文章机器学习数据分析深度学习笔记
云边有个稻草人-CSDN博客目录引言1.时序数据分析基础1.1时序数据的特点1.2时序数据分析的常见方法2.深度学习与时序数据分析2.1深度学习在时序数据分析中的应用2.1.1LSTM(长短期记忆网络)2.2深度学习在金融市场预测中的应用2.2.1股票市场预测2.3深度学习在设备故障检测中的应用3.强化学习与时序数据分析3.1强化学习的基本概念3.2强化学习在金融市场中的应用3.3强化学习在设备故
- 使用 AI 在医疗影像分析中的应用探索
摘要医疗影像分析是AI在医疗领域的重要应用方向,能够提高诊断效率,减少误诊率。本文将深入探讨AI技术在医疗影像数据分析中的应用,包括核心算法、关键实现步骤和实际案例,并提供一个基于卷积神经网络(CNN)的图像分类Demo。引言随着医疗影像数据的爆炸式增长,传统的人工分析已无法满足高效、精准诊断的需求。AI技术通过深度学习算法,在医疗影像的识别、分类和标注中发挥了重要作用。本文章将结合技术实现与案例
- 【机器学习】---神经架构搜索(NAS)
Undoom
机器学习Python机器学习架构人工智能python
这里写目录标题引言1.什么是神经架构搜索(NAS)1.1为什么需要NAS?2.NAS的三大组件2.1搜索空间搜索空间设计的考虑因素:2.2搜索策略2.3性能估计3.NAS的主要方法3.1基于强化学习的NAS3.2基于进化算法的NAS3.3基于梯度的NAS4.NAS的应用5.实现一个简单的NAS框架6.总结引言随着深度学习的成功应用,神经网络架构的设计变得越来越复杂。模型的性能不仅依赖于数据和训练方
- 【C#深度学习之路】如何使用C#读取pickle类型的大模型文件
来瓶霸王防脱发
C#深度学习之路c#机器学习
【C#深度学习之路】如何使用C#读取pickle类型的大模型文件背景Pickle文件的结构及读取思路读取方法以压缩文件的方式加载Pickle类型文件读取Header的内容读取tensor的权重值该方法的不足总结本文为原创文章,若需要转载,请注明出处。原文地址:https://blog.csdn.net/qq_30270773/article/details/141367057项目对应的Github
- 【C#深度学习之路】如何使用C#实现Yolov8模型的训练和推理
来瓶霸王防脱发
C#深度学习之路c#机器学习图像处理视觉检测YOLO
【C#深度学习之路】如何使用C#实现Yolov8模型的训练和推理项目背景算法实现模型结构项目展望写在最后项目下载链接本文为原创文章,若需要转载,请注明出处。原文地址:https://blog.csdn.net/qq_30270773/article/details/143529308项目对应的Github地址:https://github.com/IntptrMax/YoloSharpC#深度学习
- 【C#深度学习之路】如何使用C#实现Yolov11模型的训练和推理
来瓶霸王防脱发
C#深度学习之路c#深度学习YOLO
【C#深度学习之路】如何使用C#实现Yolov11模型的训练和推理项目背景算法实现模型结构项目展望写在最后项目下载链接本文为原创文章,若需要转载,请注明出处。原文地址:https://blog.csdn.net/qq_30270773/article/details/143722404项目对应的Github地址:https://github.com/IntptrMax/YoloSharpC#深度学
- AlexNet:开启深度学习图像识别新纪元
池央
深度学习人工智能
一、引言在深度学习的璀璨星空中,AlexNet无疑是一颗极为耀眼的明星。它于2012年横空出世,并在ImageNet竞赛中一举夺冠,这一历史性的突破彻底改变了计算机视觉领域的发展轨迹,让全世界深刻认识到深度卷积神经网络在图像识别任务中的巨大潜力,从而掀起了深度学习研究与应用的热潮。二、AlexNet网络架构详解(一)输入层AlexNet的输入图像通常为224x224x3的彩色图像。这一尺寸的确定是
- 拯救者电脑安装Windows和Ubuntu双系统遇到黑屏或者花屏问题的解决方法,亲测有效
我爱猪肉炖粉条
ubuntu深度学习
最近想在电脑上跑深度学习,有一定基础的都知道,ubuntu更适合gpu、apex以及其他加速的使用,如果在Windows上总是遇到各种各样的问题,所以我给电脑安装了双系统。装系统的过程此处忽略,随便找个教程都可以。总结一下就是在C盘压缩一定的空间(比如80G),然后通过U盘工具制作一个Ubuntu启动盘,把系统安装到压缩的那个盘里。我使用的电脑是拯救者R7000P,英伟达RTX2060,AMD处理
- AI大模型
荆州克莱
面试题汇总与解析技术css3springcloudspringbootspring
系列简书文章目录https://www.jianshu.com/p/d47d5cdc8a3e本篇目录AI大模型什么是AI大模型AI大模型,通常指的是在人工智能领域中,特别是机器学习和深度学习范畴内,具有巨大参数量和复杂结构的模型。这些模型通过使用大规模数据集和先进的计算硬件进行训练,能够学习到数据中的复杂模式和特征,从而在多种任务上展现出卓越的性能。特点包括:参数量大:AI大模型的参数数量往往达到
- 深度学习:从基础到实践(上、下册)(安德鲁·格拉斯纳)
fyjgfyjfg
深度学习人工智能
(pdf):python33+(0m深度学习概述:深度学习是机器学习的一个分支,它试图通过使用深层神经网络来模拟人脑的学习过程。随机性与基础统计学:在深度学习中,随机性起着重要作用,了解基础统计学有助于更好地理解深度学习中的随机过程和不确定性。训练与测试:深度学习模型的训练过程包括使用训练数据来优化模型参数,而测试过程则使用测试数据来评估模型的性能。过拟合与欠拟合:过拟合是指模型在训练数据上表现过
- 书其实只有三类
西蜀石兰
类
一个人一辈子其实只读三种书,知识类、技能类、修心类。
知识类的书可以让我们活得更明白。类似十万个为什么这种书籍,我一直不太乐意去读,因为单纯的知识是没法做事的,就像知道地球转速是多少一样(我肯定不知道),这种所谓的知识,除非用到,普通人掌握了完全是一种负担,维基百科能找到的东西,为什么去记忆?
知识类的书,每个方面都涉及些,让自己显得不那么没文化,仅此而已。社会认为的学识渊博,肯定不是站在
- 《TCP/IP 详解,卷1:协议》学习笔记、吐槽及其他
bylijinnan
tcp
《TCP/IP 详解,卷1:协议》是经典,但不适合初学者。它更像是一本字典,适合学过网络的人温习和查阅一些记不清的概念。
这本书,我看的版本是机械工业出版社、范建华等译的。这本书在我看来,翻译得一般,甚至有明显的错误。如果英文熟练,看原版更好:
http://pcvr.nl/tcpip/
下面是我的一些笔记,包括我看书时有疑问的地方,也有对该书的吐槽,有不对的地方请指正:
1.
- Linux—— 静态IP跟动态IP设置
eksliang
linuxIP
一.在终端输入
vi /etc/sysconfig/network-scripts/ifcfg-eth0
静态ip模板如下:
DEVICE="eth0" #网卡名称
BOOTPROTO="static" #静态IP(必须)
HWADDR="00:0C:29:B5:65:CA" #网卡mac地址
IPV6INIT=&q
- Informatica update strategy transformation
18289753290
更新策略组件: 标记你的数据进入target里面做什么操作,一般会和lookup配合使用,有时候用0,1,1代表 forward rejected rows被选中,rejected row是输出在错误文件里,不想看到reject输出,将错误输出到文件,因为有时候数据库原因导致某些column不能update,reject就会output到错误文件里面供查看,在workflow的
- 使用Scrapy时出现虽然队列里有很多Request但是却不下载,造成假死状态
酷的飞上天空
request
现象就是:
程序运行一段时间,可能是几十分钟或者几个小时,然后后台日志里面就不出现下载页面的信息,一直显示上一分钟抓取了0个网页的信息。
刚开始已经猜到是某些下载线程没有正常执行回调方法引起程序一直以为线程还未下载完成,但是水平有限研究源码未果。
经过不停的google终于发现一个有价值的信息,是给twisted提出的一个bugfix
连接地址如下http://twistedmatrix.
- 利用预测分析技术来进行辅助医疗
蓝儿唯美
医疗
2014年,克利夫兰诊所(Cleveland Clinic)想要更有效地控制其手术中心做膝关节置换手术的费用。整个系统每年大约进行2600例此类手术,所以,即使降低很少一部分成本,都可以为诊 所和病人节约大量的资金。为了找到适合的解决方案,供应商将视野投向了预测分析技术和工具,但其分析团队还必须花时间向医生解释基于数据的治疗方案意味着 什么。
克利夫兰诊所负责企业信息管理和分析的医疗
- java 线程(一):基础篇
DavidIsOK
java多线程线程
&nbs
- Tomcat服务器框架之Servlet开发分析
aijuans
servlet
最近使用Tomcat做web服务器,使用Servlet技术做开发时,对Tomcat的框架的简易分析:
疑问: 为什么我们在继承HttpServlet类之后,覆盖doGet(HttpServletRequest req, HttpServetResponse rep)方法后,该方法会自动被Tomcat服务器调用,doGet方法的参数有谁传递过来?怎样传递?
分析之我见: doGet方法的
- 揭秘玖富的粉丝营销之谜 与小米粉丝社区类似
aoyouzi
揭秘玖富的粉丝营销之谜
玖富旗下悟空理财凭借着一个微信公众号上线当天成交量即破百万,第七天成交量单日破了1000万;第23天时,累计成交量超1个亿……至今成立不到10个月,粉丝已经超过500万,月交易额突破10亿,而玖富平台目前的总用户数也已经超过了1800万,位居P2P平台第一位。很多互联网金融创业者慕名前来学习效仿,但是却鲜有成功者,玖富的粉丝营销对外至今仍然是个谜。
近日,一直坚持微信粉丝营销
- Java web的会话跟踪技术
百合不是茶
url会话Cookie会话Seession会话Java Web隐藏域会话
会话跟踪主要是用在用户页面点击不同的页面时,需要用到的技术点
会话:多次请求与响应的过程
1,url地址传递参数,实现页面跟踪技术
格式:传一个参数的
url?名=值
传两个参数的
url?名=值 &名=值
关键代码
- web.xml之Servlet配置
bijian1013
javaweb.xmlServlet配置
定义:
<servlet>
<servlet-name>myservlet</servlet-name>
<servlet-class>com.myapp.controller.MyFirstServlet</servlet-class>
<init-param>
<param-name>
- 利用svnsync实现SVN同步备份
sunjing
SVN同步E000022svnsync镜像
1. 在备份SVN服务器上建立版本库
svnadmin create test
2. 创建pre-revprop-change文件
cd test/hooks/
cp pre-revprop-change.tmpl pre-revprop-change
3. 修改pre-revprop-
- 【分布式数据一致性三】MongoDB读写一致性
bit1129
mongodb
本系列文章结合MongoDB,探讨分布式数据库的数据一致性,这个系列文章包括:
数据一致性概述与CAP
最终一致性(Eventually Consistency)
网络分裂(Network Partition)问题
多数据中心(Multi Data Center)
多个写者(Multi Writer)最终一致性
一致性图表(Consistency Chart)
数据
- Anychart图表组件-Flash图转IMG普通图的方法
白糖_
Flash
问题背景:项目使用的是Anychart图表组件,渲染出来的图是Flash的,往往一个页面有时候会有多个flash图,而需求是让我们做一个打印预览和打印功能,让多个Flash图在一个页面上打印出来。
那么我们打印预览的思路是获取页面的body元素,然后在打印预览界面通过$("body").append(html)的形式显示预览效果,结果让人大跌眼镜:Flash是
- Window 80端口被占用 WHY?
bozch
端口占用window
平时在启动一些可能使用80端口软件的时候,会提示80端口已经被其他软件占用,那一般又会有那些软件占用这些端口呢?
下面坐下总结:
1、web服务器是最经常见的占用80端口的,例如:tomcat , apache , IIS , Php等等;
2
- 编程之美-数组的最大值和最小值-分治法(两种形式)
bylijinnan
编程之美
import java.util.Arrays;
public class MinMaxInArray {
/**
* 编程之美 数组的最大值和最小值 分治法
* 两种形式
*/
public static void main(String[] args) {
int[] t={11,23,34,4,6,7,8,1,2,23};
int[]
- Perl正则表达式
chenbowen00
正则表达式perl
首先我们应该知道 Perl 程序中,正则表达式有三种存在形式,他们分别是:
匹配:m/<regexp>;/ (还可以简写为 /<regexp>;/ ,略去 m)
替换:s/<pattern>;/<replacement>;/
转化:tr/<pattern>;/<replacemnt>;
- [宇宙与天文]行星议会是否具有本行星大气层以外的权力呢?
comsci
举个例子: 地球,地球上由200多个国家选举出一个代表地球联合体的议会,那么现在地球联合体遇到一个问题,地球这颗星球上面的矿产资源快要采掘完了....那么地球议会全体投票,一致通过一项带有法律性质的议案,既批准地球上的国家用各种技术手段在地球以外开采矿产资源和其它资源........
&
- Oracle Profile 使用详解
daizj
oracleprofile资源限制
Oracle Profile 使用详解 转
一、目的:
Oracle系统中的profile可以用来对用户所能使用的数据库资源进行限制,使用Create Profile命令创建一个Profile,用它来实现对数据库资源的限制使用,如果把该profile分配给用户,则该用户所能使用的数据库资源都在该profile的限制之内。
二、条件:
创建profile必须要有CREATE PROFIL
- How HipChat Stores And Indexes Billions Of Messages Using ElasticSearch & Redis
dengkane
elasticsearchLucene
This article is from an interview with Zuhaib Siddique, a production engineer at HipChat, makers of group chat and IM for teams.
HipChat started in an unusual space, one you might not
- 循环小示例,菲波拉契序列,循环解一元二次方程以及switch示例程序
dcj3sjt126com
c算法
# include <stdio.h>
int main(void)
{
int n;
int i;
int f1, f2, f3;
f1 = 1;
f2 = 1;
printf("请输入您需要求的想的序列:");
scanf("%d", &n);
for (i=3; i<n; i
- macbook的lamp环境
dcj3sjt126com
lamp
sudo vim /etc/apache2/httpd.conf
/Library/WebServer/Documents
是默认的网站根目录
重启Mac上的Apache服务
这个命令很早以前就查过了,但是每次使用的时候还是要在网上查:
停止服务:sudo /usr/sbin/apachectl stop
开启服务:s
- java ArrayList源码 下
shuizhaosi888
ArrayList源码
版本 jdk-7u71-windows-x64
JavaSE7 ArrayList源码上:http://flyouwith.iteye.com/blog/2166890
/**
* 从这个列表中移除所有c中包含元素
*/
public boolean removeAll(Collection<?> c) {
- Spring Security(08)——intercept-url配置
234390216
Spring Securityintercept-url访问权限访问协议请求方法
intercept-url配置
目录
1.1 指定拦截的url
1.2 指定访问权限
1.3 指定访问协议
1.4 指定请求方法
1.1 &n
- Linux环境下的oracle安装
jayung
oracle
linux系统下的oracle安装
本文档是Linux(redhat6.x、centos6.x、redhat7.x) 64位操作系统安装Oracle 11g(Oracle Database 11g Enterprise Edition Release 11.2.0.4.0 - 64bit Production),本文基于各种网络资料精心整理而成,共享给有需要的朋友。如有问题可联系:QQ:52-7
- hotspot虚拟机
leichenlei
javaHotSpotjvm虚拟机文档
JVM参数
http://docs.oracle.com/javase/6/docs/technotes/guides/vm/index.html
JVM工具
http://docs.oracle.com/javase/6/docs/technotes/tools/index.html
JVM垃圾回收
http://www.oracle.com
- 读《Node.js项目实践:构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活”
noaighost
Webnode.js
读《Node.js项目实践:构建可扩展的Web应用》
——引编程慢慢变成系统化的“砌砖活”
眼里的Node.JS
初初接触node是一年前的事,那时候年少不更事。还在纠结什么语言可以编写出牛逼的程序,想必每个码农都会经历这个月经性的问题:微信用什么语言写的?facebook为什么推荐系统这么智能,用什么语言写的?dota2的外挂这么牛逼,用什么语言写的?……用什么语言写这句话,困扰人也是阻碍
- 快速开发Android应用
rensanning
android
Android应用开发过程中,经常会遇到很多常见的类似问题,解决这些问题需要花时间,其实很多问题已经有了成熟的解决方案,比如很多第三方的开源lib,参考
Android Libraries 和
Android UI/UX Libraries。
编码越少,Bug越少,效率自然会高。
但可能由于 根本没听说过、听说过但没用过、特殊原因不能用、自己已经有了解决方案等等原因,这些成熟的解决
- 理解Java中的弱引用
tomcat_oracle
java工作面试
不久之前,我
面试了一些求职Java高级开发工程师的应聘者。我常常会面试他们说,“你能给我介绍一些Java中得弱引用吗?”,如果面试者这样说,“嗯,是不是垃圾回收有关的?”,我就会基本满意了,我并不期待回答是一篇诘究本末的论文描述。 然而事与愿违,我很吃惊的发现,在将近20多个有着平均5年开发经验和高学历背景的应聘者中,居然只有两个人知道弱引用的存在,但是在这两个人之中只有一个人真正了
- 标签输出html标签" target="_blank">关于标签输出html标签
xshdch
jsp
http://back-888888.iteye.com/blog/1181202
关于<c:out value=""/>标签的使用,其中有一个属性是escapeXml默认是true(将html标签当做转移字符,直接显示不在浏览器上面进行解析),当设置escapeXml属性值为false的时候就是不过滤xml,这样就能在浏览器上解析html标签,
&nb