- 为什么VAE效果不好,但VAE+diffusion效果就好了?
AndrewHZ
深度学习新浪潮算法计算机视觉深度学习扩散模型VAE生成式模型技术分析
1.什么是VAE?VAE(VariationalAutoencoder,变分自编码器)是一种基于概率生成模型的深度学习框架,主要用于数据生成和潜在空间建模。它结合了自编码器(Autoencoder)的结构和变分推断(VariationalInference)的思想,能够从数据中学习有意义的潜在表示,并生成与训练数据相似的新样本。VAE的核心思想编码-解码结构类似传统自编码器,VAE包含两个部分:编
- (十)Ubuntu 20.04+akiaaa大神 Stable Diffusion整合包 AI绘画教程-外挂VAE模型等快捷设置教程
浪淘沙jkp
stablediffusionAI作画
一、说明我们在运行Stable-Diffusion-webuiclip时初始快捷设置为如图所示我们需要显示“外挂VAE模型”以及“clip终止层数”的快捷设置,我们需要在设置中设置参数二、参数设置依次点击设置---》用户界面---》快捷设置列表然后再下拉菜单中选择这两部居然不行,没有出现想要的效果,后来我后天bashwebui.sh-f了一下下,就可以了看下图
- 【人工智能基础】生成模型:让数据“无中生有”的神奇魔法
roman_日积跬步-终至千里
#人工智能基础知识人工智能
文章目录一、生成模型的发展脉络二、生成模型的基本原理三、主要生成模型及其逻辑1、生成对抗网络(GAN)2、变分自编码器(VAE)3、扩散模型(DPM)4、基于能量的模型(EBM)5、正规化流(NF)四、生成模型对比分析五、生成模型的应用拓展一、生成模型的发展脉络在深度学习尚未兴起的时期,计算机视觉领域的传统图像生成算法主要依赖纹理合成和纹理映射等技术。这些算法基于手工设计的特征进行图像构建,然而,
- AIGC技术研究与应用 ---- 下一代人工智能:新范式!新生产力!(2.1-大模型发展历程 之 背景与开端)
shiter
AI重制版】人工智能系统解决方案与技术架构人工智能AIGC深度学习
文章大纲按照目标不同,AI大模型可分为四类,多模态为未来方向NLP大模型CV大模型科学计算大模型多模态大模型2022年是大模型技术的拐点,前期技术铺垫奠定了基础生成式模型的开端VAE与GANVAEGAN参考文献与学习路径GPT系列模型解析前序文章模型进化券商研报陆奇演讲按照目标不同,AI大模型可分为四类,多模态为未来方向NLP大模型自然语言处理(NaturalLanguageProcessing,
- Stable Diffusion(SD)系列模型及关联算法深度解析
Liudef06
StableDiffusionstablediffusion算法
一、基础模型架构演进SDv1.5核心架构:基于LatentDiffusionModel(LDM),通过VAE将图像压缩至潜空间进行扩散训练,支持512x512分辨率生成,兼容二次元与写实风格混合创作12。训练数据:使用LAION-5B数据集过滤后的子集,文本编码器为CLIPViT-L/1434。局限性:对复杂光影和材质的细节刻画能力较弱,高分辨率生成需依赖外部放大工具28。
- 开源文生视频模型:通义万相2.1-文生视频-14B 详情介绍与使用
zhangjiaofa
DeepSeekR1&AI人工智能大模型开源音视频通义万相Wan2.1文生视频
目录Wan2.1简介关键特性SOTA性能支持消费级GPU多任务处理视觉文本生成强大的视频VAE最新消息
- 扩散模型基本概念
AndrewHZ
深度学习新浪潮扩散模型计算机视觉流形学习生成式模型深度学习次深度学习人工智能
1.核心思想从最原始的DDPM来讲,扩散模型是用变分估计训练的马尔可夫链,相当于VAE+流模型。与标准化流相比,扩散模型的正向过程为预先定义的加噪过程,负责将图像x∼p(x)x\sim{p(x)}x∼
- VQ-Diffusion 深度解析与实战指南
晏灵昀Odette
VQ-Diffusion深度解析与实战指南VQ-Diffusion项目地址:https://gitcode.com/gh_mirrors/vqd/VQ-Diffusion1.项目介绍VQ-Diffusion是一个用于文本到图像合成的深度学习模型,基于矢量量化变分自编码器(VQ-VAE)和去噪扩散概率模型(DenoisingDiffusionProbabilisticModel)。该模型通过将DDP
- [AI] [ComfyUI]理解ComyUI的基本原理及其图像生成技术
技术小甜甜
AI探索者人工智能AI作画
ComyUI作为一种图像生成框架,其背后的核心技术基于潜在空间的概念,并通过各种深度学习模块实现高效的图像生成与本地部署。本文将详细探讨ComyUI的基本原理,涵盖其在图像生成中的关键概念,包括潜在空间、VAE模块、噪声处理以及CLIP编码器节点的作用。1.潜在空间的存在与生成效率什么是潜在空间?潜在空间(LatentSpace)是指数据压缩后的低维空间。在图像生成中,潜在空间的引入极大地提高了生
- AIGC生图技术剖析:文本生成图像的核心算法与创新应用
喵手
零基础学JavaAIGC算法
全文目录:开篇语前言AIGC技术核心:从文本到图像的转换1.文本编码与语义提取2.生成对抗网络(GAN)3.变分自编码器(VAE)4.融合模型:CLIP+VQ-GAN核心算法示例:使用Python生成图像使用OpenAI的DALL-E生成图像解释AIGC在多个领域的应用前景1.艺术创作2.广告设计3.虚拟现实(VR)与增强现实(AR)4.游戏开发总结:AIGC生图技术的未来文末开篇语哈喽,各位小伙
- 深度学习的前沿与挑战:从基础到最新进展
Jason_Orton
深度学习人工智能数据挖掘机器学习
目录引言什么是深度学习?深度学习的工作原理深度学习的关键技术1.卷积神经网络(CNN)2.循环神经网络(RNN)3.生成对抗网络(GAN)4.变分自编码器(VAE)5.自注意力机制与Transformer深度学习的应用1.计算机视觉2.自然语言处理(NLP)3.语音识别与合成4.推荐系统5.医学影像分析深度学习面临的挑战结语引言深度学习(DeepLearning)近年来成为人工智能领域的核心技术之
- AIGC从入门到实战:ChatGPT 需要懂得写提示词的人
AI天才研究院
计算AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
AIGC从入门到实战:ChatGPT需要懂得写提示词的人第1章:AIGC概述1.1AIGC的基本概念AIGC(AI-GeneratedContent),即人工智能生成内容,是指利用人工智能技术,如生成对抗网络(GAN)、变分自编码器(VAE)等,生成具有高质量、多样化、个性化的文本、图像、音频等多媒体内容。AIGC技术已经广泛应用于内容创作、智能推荐、游戏开发、虚拟现实等多个领域,极大地提升了内容
- Pytorch实现之GIEGAN(生成器信息增强GAN)训练自己的数据集
这张生成的图像能检测吗
GAN系列pytorch生成对抗网络人工智能深度学习计算机视觉机器学习python
简介简介:在训练数据样本之前首先利用VAE来推断潜在空间中不同类的分布,用于后续的训练,并使用它来初始化GAN。与ACGAN和BAGAN不同的是,提出的GIEGAN有一个分类器结构,这个分类器主要判断生成的图像或者样本图像属于哪个类,而鉴别器仅判断图像是来自于生成器还是真实样本。论文题目:GeneratorInformationEnhancementGenerativeAdversarialNet
- 变分边界详解
半度、
算法
起因当时看VAE论文时有这么一段,但是看完直接一头雾水,这都那跟哪,第一个公式咋做的变换就变出那么一堆。网上搜了很多博客都语焉不详,只好自己来写一篇,希望能解答后来人的疑惑。公式1参考文章:证据下界(ELBO)、EM算法、变分推断、变分自编码器(VAE)和混合高斯模型(GMM)解释一下,我们之前都是用MLE计算损失,logp(x∣θ)logp(x|\theta)logp(x∣θ)和logpθ(x)
- 个性化音乐生成:生成式AI在音乐推荐与创作中的应用
二进制独立开发
非纯粹GenAIGenAI与Python人工智能python语言模型自然语言处理生成对抗网络知识图谱神经网络
文章目录引言生成式AI与个性化音乐生成1.变分自编码器(VAE)2.生成对抗网络(GAN)3.Transformer模型4.扩散模型(DiffusionModels)技术实现1.音乐特征提取2.基于VAE的音乐生成3.基于Transformer的音乐生成4.基于扩散模型的音乐生成业务分析1.用户体验提升2.音乐创作工具3.音乐推荐系统4.技术挑战结论引言随着生成式人工智能(GenerativeAI
- 讯飞绘镜(ai生成视频)技术浅析(五):视频生成
爱研究的小牛
AIGC—视频人工智能音视频AIGC深度学习
讯飞绘镜(AI生成视频)是一种先进的AI视频生成技术,能够将静态的分镜画面转换为动态视频,并使画面中的元素按照一定的逻辑和动作进行动态展示。一、讯飞绘镜视频生成技术概述讯飞绘镜的视频生成技术主要包含以下几个核心模块:1.视频生成模型:包括生成对抗网络(GAN)、变分自编码器(VAE)、扩散模型(DiffusionModels)等。2.分镜转换模块:将静态分镜画面转换为动态视频。3.动作与逻辑控制模
- Stable Diffusion使用样例实践(二)
Allen-Steven
SD创作实践stablediffusionai
其中采用StableDiffusionwebui项目,模型为C站模型。需要模型的可以私我。细节上可以多训练几次,得到满意的为准。SD用例实践二、人物类1.现实人物(女性)(训练库:realisticVisionV60B1_v51VAE.safetensors)prompt:Animageofayoungwomaninacasualoutdoorsettingleaningonamodernchai
- Mac M1 Comfyui 使用MMAudio遇到的问题解决?
福葫芦
macos
问题1:AssertionError:TorchnotcompiledwithCUDAenabled?解决办法:修改代码以CPU运行第一步:找到/ComfyUI/custom_nodes/ComfyUI-MMAudio/mmaudio/ext/autoencoder/vae.py文件中的下面这两行代码self.data_mean=nn.Buffer(torch.tensor(DATA_MEAN_1
- 重参数化(Reparameterization)的原理
读思辨
Python深度学习知识python人工智能
重参数化(Reparameterization)的原理重参数化是变分自编码器(VAE)中用来解决可微分性问题的一种技术。在VAE中,我们的目标是最大化观测数据的边缘对数似然,这涉及到一个隐含变量zzz的积分或求和。因为隐含变量是从某个分布中采样的,这直接导致了当我们尝试使用梯度下降方法优化VAE的参数时,由于采样操作的随机性,无法直接对其求导。重参数化技巧通过将随机采样过程转换为确定性的操作来解决
- Python实现复原毫米波雷达呼吸波形的示例
go5463158465
python算法机器学习python开发语言
以下是一个使用Python实现复原毫米波雷达呼吸波形的示例,该示例将涉及模型算法在重建损失和KL(Kullback-Leibler)损失之间的平衡问题。我们将使用深度学习中的变分自编码器(VAE)作为模型来进行呼吸波形的复原,因为VAE可以很好地处理重建和潜在空间分布的问题。步骤概述数据准备:生成或加载毫米波雷达的呼吸波形数据。定义VAE模型:包括编码器和解码器。定义损失函数:结合重建损失和KL损
- AIGC算法工程师 面试八股文
沉迷单车的追风少年
DiffusionModels与深度学习面试经验记录AIGCstablediffusion面试八股文
目录八股文1、简述DDPM的算法原理2、什么是重参数化技巧?DiffusionModels和VAE中的重参数化技巧是如何使用的?VAE中的重参数化技巧DiffusionModels中的重参数化技巧3、什么是马尔可夫过程?DDPM中的马尔可夫链是如何定义的?马尔可夫过程DDPM马尔可夫链4、为什么DDPM前向过程中前期加噪少,后期加噪多?5、VAE和DiffusionModels中的变分推断是什么?
- 【diffusers极速入门(四)】EMA 操作是什么?
多恩Stone
DiffusionAIGCTransformer人工智能深度学习pytorchpythonAIGCdiffusers
系列文章目录【diffusers极速入门(一)】pipeline实际调用的是什么?call方法!【diffusers极速入门(二)】如何得到扩散去噪的中间结果?Pipelinecallbacks管道回调函数【diffusers极速入门(三)】生成的图像尺寸与UNet和VAE之间的关系本文将介绍diffusers中常见的EMA操作。提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档文章
- 【diffusers极速入门(六)】缓存梯度和自动放缩学习率以及代码详解
多恩Stone
AIGCDiffusion编程学习diffuserspytorchAIDeeplearningAIGCpython
系列文章目录【diffusers极速入门(一)】pipeline实际调用的是什么?call方法!【diffusers极速入门(二)】如何得到扩散去噪的中间结果?Pipelinecallbacks管道回调函数【diffusers极速入门(三)】生成的图像尺寸与UNet和VAE之间的关系【diffusers极速入门(四)】EMA操作是什么?【diffusers极速入门(五)】扩散模型中的Schedul
- LTX-Video 高效视频生成模型,一键处理图片&文字
LTX-Video是由Lightricks在2024年开发的一种视频生成模型,这种模型采用了transformer和Video-VAE技术,能够高效生成高分辨率视频。此外,LTX-Video支持多种视频生成方式,包括从文本到视频和从图像到视频。教程链接:https://go.openbayes.com/K15J2使用云平台:OpenBayeshttp://openbayes.com/console
- 高校为什么需要AIGC大数据实验室?
泰迪智能科技01
AIGCAIGC大数据
AIGC大数据实验室是一个专注于人工智能生成内容(AIGC)和大数据相关技术研究、开发与应用的创新实验平台。AIGC主要研究方向包括:AIGC技术创新、大数据处理与分析、AIGC与大数据融合应用。AIGC技术创新:探索如何利用人工智能算法,如深度学习中的生成对抗网络(GAN)、变分自编码器(VAE)、基于Transformer架构的语言模型(如GPT系列)等,来高效地生成高质量的文本、图像、音频、
- 探索Stable Diffusion:AI在艺术创作中的无限可能
master_chenchengg
AI技术探讨AI人工智能AIGC行业分析
探索StableDiffusion:AI在艺术创作中的无限可能引言一、StableDiffusion简介定义与历史技术原理概述二、工作原理深入解析扩散模型基础逆向扩散过程详解潜空间与变分自编码器(VAE)U-Net架构的作用三、StableDiffusion与艺术创作的融合创作自由度的提升个性化风格的实现跨媒介艺术的可能性四、案例研究艺术家应用StableDiffusion的实例与传统艺术形式的对
- 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
- Stable Diffusion
Covirtue
人工智能pythonstablediffusion
StableDiffusion是一种基于深度学习的文本到图像生成模型,其原理主要基于扩散模型(DiffusionModel)的变体,即潜在扩散模型(LatentDiffusionModel,LDM)。原理一、技术架构与组成StableDiffusion由三个主要部分组成:变分自编码器(VAE)、U-Net和一个文本编码器。变分自编码器(VAE):VAE是一种生成模型,用于将图像压缩到低维的潜在空间
- stable diffusion webui学习总结(3):参数设置
shanesu
stablediffusion学习
一、2.5D偏卡通风格参数设置:步骤1、文生图模型:darkSushiMixMixVAE:vae-ft-mse-840000-ema-pruned正面提示词:(masterpiece,highquality,highres,illustration),blurrybackground,[(whitebackground:1.2)::5],(see-through:0.85),shining,Mov
- 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
- 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&