- 生成对抗网络(GAN)与深度生成模型实战
软考和人工智能学堂
人工智能Python开发经验#DeepSeek快速入门开发语言
1.生成模型基础与GAN原理1.1生成模型概览生成模型是深度学习中的重要分支,主要分为以下几类:变分自编码器(VAE):基于概率图模型的生成方法生成对抗网络(GAN):通过对抗训练学习数据分布自回归模型:PixelCNN、WaveNet等流模型(Flow-basedModels):基于可逆变换的精确密度估计扩散模型(DiffusionModels):最新兴起的生成方法1.2GAN核心思想GAN由生
- 变分自编码器的扩展模型:条件VAE
AI天才研究院
AIAgent应用开发LLM大模型落地实战指南AI大模型应用入门实战与进阶计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
变分自编码器的扩展模型:条件VAE作者:禅与计算机程序设计艺术1.背景介绍近年来,变分自编码器(VariationalAutoencoder,VAE)作为一种强大的生成式模型,在图像生成、文本生成等任务中展现出了卓越的性能。VAE通过学习数据分布的潜在表示,能够生成与训练数据相似的新样本。然而,标准的VAE模型无法对生成的内容进行控制,这限制了它在实际应用中的灵活性。为了解决这一问题,研究人员提出
- 生成式AI模型学习笔记
Humbunklung
机器学习人工智能学习笔记机器学习深度学习
文章目录生成式AI模型1.定义2.生成式模型与判别式模型3.深度生成式模型的类型3.1能量模型3.2变分自编码3.2.1变分自编码器(VariationalAutoencoder,VAE)简介3.2.2代码示例(以PyTorch为例)3.3生成对抗网络3.4流模型3.4.1流模型简介3.4.2NICE:开创性流模型3.4.3流模型与VAE、GAN的区别3.5自回归模型3.5.1自回归模型简介3.5
- 从 “被动拦截” 到 “智能预判”:下一代防火墙的五大核心技术突破
柏睿网络
人工智能
传统防火墙如同仅能按"剧本"执行的机械门卫,面对复杂多变的网络威胁时,常因规则滞后、检测粗放而陷入被动。下一代防火墙(NGFW)通过五大核心技术突破,构建起以"智能预判"为核心的主动防御体系,实现从"事后响应"到"事前阻断"的范式革命。一、AI驱动的威胁检测引擎:从规则匹配到行为建模技术突破机器学习驱动的异常检测抛弃传统的"特征码匹配"模式,采用无监督学习算法(如孤立森林、VAE变分自编码器)构建
- 创意无限!利用Cpolar和Flux.1实现远程AI图像生成功能
秋说
前后端项目开发(新手必知必会)内网穿透人工智能AI图像处理
文章目录前言1.本地部署ComfyUI2.下载Flux.1模型3.下载CLIP模型4.下载VAE模型5.演示文生图6.公网使用Flux.1大模型6.1创建远程连接公网地址7.固定远程访问公网地址前言Flux.1是一款免费开源的图像生成模型,通过ComfyUI,你可以轻松调用这款强大的工具。Flux.1由BlackForestLabs黑森林实验室推出,而这个团队可不简单——它是由StabilityA
- 【课堂笔记】生成对抗网络 Generative Adversarial Network(GAN)
zyq~
机器学习笔记生成对抗网络人工智能机器学习概率论GAN
文章目录问题背景原理更新过程判别器生成器问题背景 一方面,许多机器学习任务需要大量标注数据,但真实数据可能稀缺或昂贵(如医学影像、稀有事件数据)。如何在少量数据中达到一个很好的训练效果是一个很重要的问题。 另一方面,传统生成模型(如变分自编码器VAE)生成的样本往往模糊或缺乏多样性,难以捕捉真实数据的复杂分布(如高分辨率图像、复杂文本等)。 生成式对抗网络(GAN)提出了用生成器(Gener
- Comfyui基础文生图工作流所需的7个节点
AI魔法师9527
Comfyui工作流stablediffusion
1、大模型加载节点大模型加载节点是Comfyui的核心节点之一,用来加载训练好的模型文件,不同的模型包容性和偏向性不同,模型可以在C站(https://civitai.com)免费下载使用,也可以自己基于某个基础模型训练处自己的模型。大模型加载节点使用时选择一个模型路径,就可以输出三个值,模型、条件和VAE2、正向提示词节点正向提示词节点是我们控制AI生成走向的关键手段,通过描述不通的正向提示词,
- Stable Diffusion底模对应的VAE推荐
Liudef06小白
stablediffusion
以下是主流StableDiffusion底模对应的VAE推荐表格:底模版本推荐VAE类型说明SD1.5SD1.5专用VAE通常使用vae-ft-mse-840000-ema-pruned.safetensorsSD2.0SD1.5兼容VAE或SD2专用VAE部分SD2模型需配套512-ema-only.vae.ptSD3内置VAESD3系列模型通常自带集成VAE无需额外配置SDXLSDXL专用VA
- 一文解析13大神经网络算法模型架构
攻城狮7号
AI前沿技术要闻深度学习神经网络人工智能机器学习
目录一、引言:神经网络的演进脉络二、基础架构:深度学习的基石2.1人工神经网络(ANN)2.2深度神经网络(DNN)三、专项任务架构:领域定制化突破3.1卷积神经网络(CNN)3.2循环神经网络(RNN)3.3图神经网络(GNN)四、生成模型:从数据到创造4.1生成对抗网络(GAN)4.2变分自编码器(VAE)4.3扩散模型(DiffusionModels)五、现代架构:大模型的核心引擎5.1Tr
- 【图像生成大模型】Wan2.1:下一代开源大规模视频生成模型
白熊188
图像大模型开源音视频人工智能计算机视觉文生图
Wan2.1:下一代开源大规模视频生成模型引言Wan2.1项目概述核心技术1.3D变分自编码器(Wan-VAE)2.视频扩散Transformer(VideoDiffusionDiT)3.数据处理与清洗项目运行方式与执行步骤1.环境准备2.安装依赖3.模型下载4.文本到视频生成单GPU推理多GPU推理5.图像到视频生成6.首尾帧到视频生成执行报错与问题解决1.显存不足2.环境依赖问题3.模型下载问
- Step1X-3D:实现高保真和可控 纹理 3D 资产的生成
吴脑的键客
AI作画3d人工智能开源AIGC
虽然生成式人工智能在文本、图像、音频和视频领域取得了显著进展,但由于数据稀缺、算法限制和生态系统碎片化等根本性挑战,3D生成仍然相对不发达。为此,我们提出了Step1X-3D,一个通过以下方式解决这些挑战的开放框架:(1)一个严格的数据处理流程,处理超过500万个资产,创建一个包含200万个高质量数据集的标准化几何和纹理属性;(2)一个两阶段的3D原生架构,结合了混合VAE-DiT几何生成器和基于
- 生成式人工智能:创意产业的变革力量
Blossom.118
分布式系统与高性能计算领域人工智能去中心化区块链交互web3机器学习目标检测
引言随着人工智能技术的飞速发展,生成式人工智能(GenerativeAI)逐渐成为科技领域的热门话题。生成式人工智能通过深度学习算法,能够生成文本、图像、音乐、视频等多种内容,为创意产业带来了前所未有的机遇。本文将探讨生成式人工智能在创意产业中的应用、技术原理以及未来的发展趋势。一、生成式人工智能简介(一)定义与原理生成式人工智能是一种利用深度学习算法(如生成对抗网络GAN、变分自编码器VAE和T
- 深度解析:Stable Diffusion模型架构与调参秘籍
AI原生应用开发
stablediffusion架构ai
深度解析:StableDiffusion模型架构与调参秘籍关键词:StableDiffusion、扩散模型、潜在空间、U-Net、调参优化、生成式AI、CLIP文本编码器摘要:本文从技术原理到实战调参,深度解析StableDiffusion的核心架构与优化技巧。首先拆解其“潜在空间扩散+多模态条件控制”的创新设计,详细讲解VAE、U-Net、CLIP文本编码器的协同机制;接着通过数学公式与Pyth
- AI大模型全景干货:分类、特点、应用、数据与学习指南
程序员辣条
人工智能大模型训练大模型AI大模型程序员大模型入门大模型教程
随着人工智能技术的飞速发展,AI大模型在众多领域取得了显著成果。本文将介绍AI大模型的种类、特点、应用及其详细数据。一、AI大模型的分类1、按模型结构分类(1)深度神经网络(DNN):包括卷积神经网络(CNN)、循环神经网络(RNN)等。(2)生成对抗网络(GAN):通过对抗训练,使生成模型能够生成与真实数据分布相近的数据。(3)变分自编码器(VAE):通过编码器和解码器实现对数据的压缩和重建。2
- 【神经网络与深度学习】VAE 中的先验分布指的是什么
如果树上有叶子
神经网络与深度学习深度学习神经网络人工智能
VAE中的先验分布是什么?在变分自编码器(VAE)中,先验分布指的是对潜在空间中随机变量的概率分布假设。通常情况下,VAE设定潜在变量服从标准正态分布(N(0,I)),其中(0)代表均值为零的向量,(I)为单位协方差矩阵。选择标准正态分布作为先验分布的原因主要有以下几点:数学上的便利性:标准正态分布具有良好的数学性质,计算和推导更加简洁,便于模型的优化和训练。结构化的潜在空间:这种假设能够促使模型
- AI大模型干货 | AI大模型的分类、特点、应用、详细数据、如何学习大模型?
大模型RAG实战
人工智能学习AI大模型大模型LLMaiagi
随着人工智能技术的飞速发展,AI大模型在众多领域取得了显著成果。本文将介绍AI大模型的种类、特点、应用及其详细数据。一、AI大模型的分类1、按模型结构分类(1)深度神经网络(DNN):包括卷积神经网络(CNN)、循环神经网络(RNN)等。(2)生成对抗网络(GAN):通过对抗训练,使生成模型能够生成与真实数据分布相近的数据。(3)变分自编码器(VAE):通过编码器和解码器实现对数据的压缩和重建。2
- 深入浅出:AIGC条件生成模型架构解析
AI天才研究院
AIGC架构ai
深入浅出:AIGC条件生成模型架构解析关键词:AIGC、条件生成模型、生成对抗网络、变分自编码器、Transformer、扩散模型、多模态生成摘要:本文系统解析AIGC(人工智能生成内容)领域中条件生成模型的核心架构与技术原理。从基础概念出发,对比条件生成与无条件生成的本质区别,深入剖析条件GAN、条件VAE、基于Transformer的条件生成模型及扩散模型的架构设计与数学原理。通过Python
- 【神经网络与深度学习】普通自编码器和变分自编码器的区别
如果树上有叶子
神经网络与深度学习深度学习神经网络人工智能自编码器变分自编码器
引言自编码器(Autoencoder,AE)和变分自编码器(VariationalAutoencoder,VAE)是深度学习中广泛应用的两类神经网络结构,主要用于数据的压缩、重构和生成。然而,二者在模型设计、训练目标和生成能力等方面存在显著区别。普通自编码器侧重于高效压缩数据并进行无损重构,而变分自编码器则通过潜在空间的概率分布,增强了模型的生成能力和泛化性能。本文将从多个角度探讨AE和VAE的不
- AIGC 游戏:AIGC 领域的新兴潮流
AI原生应用开发
CSDNAIGC游戏ai
AIGC游戏:AIGC领域的新兴潮流关键词:AIGC、游戏开发、生成式AI、智能NPC、动态叙事、proceduralgeneration、玩家体验摘要:本文深入探讨AIGC(人工智能生成内容)在游戏领域的创新应用,解析其核心技术原理、典型应用场景及产业影响。通过分析生成式对抗网络(GAN)、变分自编码器(VAE)、大型语言模型(LLM)等核心算法,结合Unity/UE引擎实战案例,揭示AIGC如
- VAE的学习及先验知识
butterfly won't love flowers
图像生成机器学习人工智能
笔记1、先验、后验、似然、证据2、极大似然估计3、最大后验估计4、贝叶斯均值估计5、KL散度6、VAE1、先验、后验、似然、证据对于给定的数据,我们假设其是服从某个数据分布的。θθθ决定了数据的分布,而数据是从这个分布中采样得到的。但是在统计学习中,我们通常不知道真实的参数θθθ,因此转向通过数据来推断它,也就是后面要说的参数估计。在此之前先讲些基础的术语。先验P(θθθ):先验就是在看到数据之前
- PixelFlow:像素空间生成模型的新范式(代码实现)
阿正的梦工坊
DeepLearningDLPapers深度学习人工智能自然语言处理transformer
PixelFlow:像素空间生成模型的新范式近年来,生成模型在图像、视频和音频等多模态生成任务中取得了显著进展。然而,主流的潜在空间扩散模型(LatentDiffusionModels,LDMs)依赖于预训练的变分自编码器(VAE),将数据压缩到潜在空间以降低计算成本。这种方法虽然高效,但分离的VAE和扩散模型训练阻碍了端到端的优化,且潜在空间的压缩可能损失高频细节。针对这些问题,来自香港大学和A
- 生成对抗网络(GAN)在计算机视觉中的全面解析
t0_54manong
大数据与人工智能生成对抗网络计算机视觉人工智能个人开发
在现代深度学习应用中,从计算机视觉到自然语言处理,数据生成方法多种多样。如今,我们已经能够生成几乎能以假乱真的生成数据。生成学习大致可分为两大类:变分自编码器(VAE)和生成对抗网络(GAN)。为什么不只用自编码器很多人疑惑,为什么研究人员要使用复杂的GAN,而不是简单地使用自编码器并最小化均方误差,让预测图像与目标图像匹配呢?原因在于,这类模型在图像生成方面效果不佳。仅仅最小化距离会因为平均化操
- 【学习笔记(0)】Variational Autoencoder 变分自编码器
该账户已不存在
学习笔记人工智能机器学习自编码器
本文是VAE的学习笔记,是阅读多个网站的intro时记录的阅读笔记。VariationalAutoencodersExplained-https://anotherdatum.com/vae.html讲的很细,但看完之后不太有整体思路GenerativeModeling:WhatisaVariationalAutoencoder(VAE)?-https://www.mlq.ai/what-is-a
- 第四课:模型的概念及应用
小蒋的学习笔记
StablediffusionWebUI人工智能深度学习
文章目录Part.01模型文件基础Part.02模型下载渠道Part.03模型类目与推荐Part.01模型文件基础想要的内容=提示词+模型+参数模型存储在models/Stable-diffusion,模型叫检查点Checkpoint,文件后缀一般是.ckpt,文件大小为几GB称为大模型,也有.safetensors后缀,大小一般小一点VAE变分自解码器,负责将加噪后的潜空间数据转化为正常图像,主
- AIGC SD出图有缺陷有哪些方法可以解决?
玩人工智能的辣条哥
人工智能AI面试AIGCSDAI生成式AI
环境:AIGCSD问题描述:AIGCSD出图有缺陷有哪些方法可以解决?解决方案:一、基础模型优化模型选择使用专业微调模型:真实系:RealisticVision、EpicRealism二次元:AnythingV5、Counterfeit3D风格:DreamShaper混合模型:通过模型融合工具(如SDForge)合并优势模型VAE优化更换优质VAE文件:通用:vae-ft-mse-840000动漫
- 第五十三周:文献阅读
m0_66015895
人工智能python算法
目录摘要Abstract文献阅读:一种用于室内空气质量预测的新型变分自编码器深度学习框架现有问题提出方法方法论1、偏最小二乘(PLS)2、变分自动编码器(VAE)3、变分自动编码器回归器(VAER)所提出的方法(PLS-VAER)研究实验1、数据集2、评估指标3、实验过程4、实验结果代码实现总结摘要本周我阅读的文献《Anoveldeeplearningframeworkwithvariationa
- StableDiffusion模型推荐系列(全能型)
Python程序员小泉
AI绘画SD教程stablediffusion人工智能AI作画AI绘画AIGC
今天,我们要聊一聊AI绘画领域里的一个超有趣的话题:为什么Midjourney能用一个5.2模型轻松驾驭各种风格,而StableDiffusion却需要我们切换无数个模型呢?在StableDiffusion的里,画一张图可能需要你在真人、二次元、2.5D等模型中做出选择。想要特定风格?那就得再加上lora模型。而为了更优化的效果,我们甚至还要动用ControlNet和VAE模型,这简直就像是无休止
- 【diffusers 进阶(十二)】Lora 具体是怎么加入模型的(推理代码篇下)OminiControl
多恩Stone
编程学习AIGCDiffusionpythonAIGC人工智能stablediffusion
【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Scheduler(noi
- 开源图生视频模型技术全景解析
Liudef06
开源音视频
一、核心架构与技术演进(一)模型基础框架多模态融合架构腾讯混元模型采用统一的全注意力机制,集成3D变分自编码器(VAE)实现图像到视频的时空特征编码。U-ViT3.0架构引入分层式时空注意力模块,支持4096×2160超清视频生成。阿里Wan2.1通过图像-视频联合训练策略,构建双塔结构分别处理静态特征提取与动态序列生成。实现中英文文本与视频内容同步生成。动态生成技术:Step-Video-TI2
- Python,Java开发生成式智能识别与鉴定APP
Geeker-2025
pythonjava
开发一个生成式智能体识别与鉴定APP是一个复杂的任务,涉及多个模块的设计与实现,包括用户界面、数据处理、模型推理等。以下是一个高层次的开发思路,并提供每种语言的简单示例代码。---###**1.功能需求分析**-**输入**:用户上传的图片、视频或文本。-**处理**:使用生成式智能体模型(如GAN、VAE、Diffusion模型等)对输入数据进行分析和鉴定。-**输出**:识别结果(如是否为生成
- 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&