- Python中的深度学习神经网络
2301_78297473
深度学习python神经网络
文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
- 一文读懂深度适配网络（DAN）
weixin_34088838
人工智能
这周五下午约见了机器学习和迁移学习大牛、清华大学的龙明盛老师。老师为人非常nice，思维敏捷，非常健谈！一不留神就谈了1个多小时，意犹未尽，学到了很多东西！龙明盛老师在博士期间（去年博士毕业）发表的文章几乎全部是A类顶会，他在学期间与世界知名学者杨强、PhilipS.Yu及MichaelI.Jordan多次合作，让我非常膜拜！这次介绍他在ICML-15上提出的深度适配网络。深度适配网络（DeepA
- 迁移学习之领域泛化
踩着上帝的小丑
#RL迁移学习人工智能机器学习
领域泛化领域泛化（DomainGeneralization）是机器学习和计算机视觉中的一个重要概念，它指的是模型能够从一个或多个源领域（sourcedomains）学习到的知识或模式，成功地应用到与训练时未见过的目标领域（targetdomain）上，即使这些领域之间存在分布差异。简单来说，领域泛化就是希望模型能够“举一反三”，不仅限于在特定数据集或特定环境下表现良好，而是能够跨越不同的环境或数据
- 23 注意力机制—BERT
Unknown To Known
动手学习深度学习bert人工智能深度学习
目录BERT预训练NLP里的迁移学习BERTBERT动机BERT预训练NLP里的迁移学习在计算机视觉中比较流行，将ImageNet或者更大的数据集上预训练好的模型应用到其他任务中，比如小数据的预测、图片分类或者是目标检测使用预训练好的模型（例如word2vec或语言模型）来抽取词、句子的特征做迁移学习的时候，一般不更新预训练好的模型在更换任务之后，还是需要构建新的网络来抓取新任务需要的信息使用预训
- Unet 高阶分割网络实战、多类别分割、迁移学习（deeplab、resnet101等等）
听风吹等浪起
图像分割计算机视觉人工智能
1、前言Unet图像分割之前介绍了不少，具体可以参考图像分割专栏为了实现多类别的自适应分割，前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来，保存在txt文本里，这样txt里面就会有类似012...等等的灰度值。而有几个灰度值，就代表分割要分出几个类别。具体可以参考：Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
- 探索XGBoost：深度集成与迁移学习
Echo_Wish
Python笔记Python算法迁移学习机器学习人工智能
导言深度集成与迁移学习是机器学习领域中的两个重要概念，它们可以帮助提高模型的性能和泛化能力。本教程将详细介绍如何在Python中使用XGBoost进行深度集成与迁移学习，包括模型集成、迁移学习的概念和实践等，并提供相应的代码示例。模型集成模型集成是一种通过组合多个模型来提高性能的技术。XGBoost提供了集成多个弱学习器的功能，可以通过设置booster参数来选择集成模型。以下是一个简单的示例：i
- 机器学习、深度学习、强化学习、迁移学习的关联与区别
半亩花海
学习笔记机器学习深度学习迁移学习学习人工智能
Hi，大家好，我是半亩花海。本文主要了解并初步探究机器学习、深度学习、强化学习、迁移学习的关系与区别，通过清晰直观的关系图展现出四种“学习”之间的关系。虽然这四种“学习”方法在理论和应用上存在着一定的区别，但它们之间也存在交叉和重叠，有时候也会结合使用来解决实际问题。一、四种“学习”1.机器学习机器学习是人工智能的一个子领域，研究如何让计算机系统利用数据和经验，来不断改善和优化自身的性能。其核心思
- 预训练和微调在迁移学习中的作用
一条小小yu
迁移学习人工智能机器学习
在机器学习和深度学习中，"pre-training"（预训练）和"fine-tuning"（微调）是两个常见且重要的概念，它们通常在迁移学习场景中使用，以提高模型在特定任务上的性能。预训练(Pre-training)预训练是指在一个大型且通常与目标任务相关但不完全相同的数据集上训练模型的过程。这个阶段的目的是让模型学习到一些通用的特征或知识，这些特征或知识可以帮助模型在后续的特定任务上表现更好。预
- Python环境下基于深度判别迁移学习网络的轴承故障诊断
哥廷根数学学派
故障诊断信号处理深度学习python迁移学习开发语言
目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中，该假设却未必存在。一方面，如果将利用某一领域数据训练得到的模型直接应用于新的目标领域，领域之间切实存在的数据差异可能会导致模型效果的骤然下降。另一方面，如果直接在新的目标领域中进行模型的训练，其数据的稀缺和标注的不完整可能会导致监督学习出现严重的过拟合问题，难以达到令人满意的学习效果
- 【深度学习：迁移学习】图像识别预训练模型的迁移学习
jcfszxc
深度学习知识专栏深度学习迁移学习人工智能
【深度学习：迁移学习】图像识别预训练模型的迁移学习什么是迁移学习？为什么不从头开始训练模型？迁移学习的优点是：如何使用预训练模型进行迁移学习：迁移学习的过程：实施迁移学习来构建人脸识别模型：模型的构建分为3个步骤：1.导入预训练模型并添加密集层。2.将训练数据加载到图像数据生成器中。3.通过预测验证数据标签加载训练模型和模型评估结论：本文的目的是使用迁移学习快速、轻松地解决图像识别问题。为了演示，
- 【前沿技术杂谈：迁移学习】欧洲人工智能法案对人工智能开发者的意义 [2023 年 12 月更新］
jcfszxc
深度学习知识专栏人工智能迁移学习机器学习
【前沿技术杂谈：迁移学习】欧洲人工智能法案对人工智能开发者的意义[2023年12月更新］定义、一般原则和禁止做法人工智能系统开发者基于风险的义务固定和通用人工智能开发人员（第3/28条）基础模型的提供者（第28b条）生成人工智能模型的提供商（第28b4条）高风险人工智能系统和分类（第6/7条）治理和执行12月修正案和批准最后的评论TL;DRAI窥视，准备迎接冲击！欧盟人工智能法案即将推出，这是世界
- 低资源学习与知识图谱：构建与应用
cooldream2009
AI技术知识图谱知识图谱人工智能低资源
目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域，低资源学习成为一个备受关注的话题，尤其是在少样本学习和零样本学习方面。这种学
- 深度学习之迁移学习实现神奇宝贝识别
starlet_kiss
机器学习深度学习人工智能迁移学习
经过之前深度学习的实践，无论是自己搭建的CNN网络也好，还是通过迁移学习调用官方的网络模型也好，都有其优点以及不足。本次实验通过对各种常用的CNN网络模型进行调用，了解一下它们的特点，对比一下在对于同一数据集进行分类时的准确率。本次所调用的CNN模型有：VGG16VGG19ResNetDensenet模型1.导入库importtensorflowastfimportnumpyasnpimportm
- LLM大模型常见问题解答（2）
lichunericli
LLM人工智能语言模型
对大模型基本原理和架构的理解大型语言模型如GPT（GenerativePre-trainedTransformer）系列是基于自注意力机制的深度学习模型，主要用于处理和生成人类语言。基本原理自然语言理解：模型通过对大量文本数据的预训练，学习到语言的统计规律，从而能够在不同的语言任务上表现出自然语言理解的能力。迁移学习：GPT类模型首先在一个广泛的数据集上进行预训练，以掌握语言的通用表示，然后可以在
- 大模型注入领域知识，模型体验和Token重复知识
lichunericli
LLM人工智能语言模型
1如何给LLM注入领域知识？给LLM（低层次模型，如BERT、GPT等）注入领域知识的方法有很多。以下是一些建议：数据增强：在训练过程中，可以通过添加领域相关的数据来增强模型的训练数据。这可以包括从领域相关的文本中提取示例、对现有数据进行扩充或生成新的数据。迁移学习：使用预训练的LLM模型作为基础，然后在特定领域的数据上进行微调。这样可以利用预训练模型学到的通用知识，同时使其适应新领域。领域专家标
- 深度学习基础
EEPI
深度学习人工智能
深度学习基础highvariance/datamismatchwhatisdatamismatchhowtosolvedatamismatchdatasynthesis数据合成迁移学习与预训练/微调什么时候用迁移学习highvariance/datamismatchwhatisdatamismatch如果训练集和验证集的loss不一样，且验证集的loss高很多，有2种原因：1.方差太大。模型没见过
- 基于NSGA-II的深度迁移学习
代码缝合怪
机器学习+深度学习迁移学习人工智能机器学习
深度迁移学习迁移学习是一种机器学习技术，它允许一个预训练的模型被用作起点，在此基础上进行微调以适应新的任务或数据。其核心思想是利用从一个任务中学到的知识来帮助解决另一个相关的任务，即使这两个任务的数据分布不完全相同。这种方法可以加速学习过程，提高模型性能，并减少对新数据标注的依赖。为什么要迁移大数据与少标注的矛盾在大数据的时代背景下，我们所面临的数据量呈现爆炸性增长，同时数据类型也变得日益复杂多样
- Tensorflow2.0 查看网络中每层的名称、权重及特征图绘制
cofisher
Tensorflow2.0深度学习PHM项目实战--建模篇深度学习pythontensorflow
文章目录项目介绍实现过程1、构建网络2、查看每层名称3、查看指定层的权值4、特征图绘制项目介绍在网络训练过程中，我们经常需要查看某层权重的变化过程，这其实只需要简单的API就能实现。为了方便演示，我们使用迁移学习到的MobileNetV2网络。实现过程1、构建网络我们将冻结迁移到的MobileNetV2网络，然后将它最后的分类层换成我们自己定义的分类层即可。mobile=tf.keras.appl
- Tensorflow2.0 评价模型复杂度：参数量、FLOPs 和 MACC 计算
cofisher
深度学习PHM项目实战--建模篇tensorflow深度学习卷积python
文章目录项目介绍代码实现：对于迁移学习网络（复杂）1、迁移学习不带分类层的简化版MobileNetV2网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC代码实现：对于自编写网络（简单）1、导入网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC项目介绍在论文写作时，我们经常会对所提出模型的复杂度进行分析，主要用到的评价指标包括参数量、FLOPs和MACC，它们的计
- 【PyTorch】实现迁移学习框架DaNN
cofisher
PHM项目实战--建模篇PyTorchpytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义MMD损失5、定义训练函数5.1nn.CrossEntropyLoss()5.2.detach()5.3.sizeVS.shape5.4.to(DEVICE)5.5.max()5.6optimizer.zero_grad()
- 论文笔记：NIPS 2020 Graph Contrastive Learning with Augmentations
饮冰l
图弱监督数据挖掘机器学习神经网络深度学习
前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说，本文提出了一种图对比学习框架来无监督的完成图表示学习，首先作者提出了基于各种先验信息的四种图数据增强方法。然后，作者分析了在四种不同的图数据增强条件下，不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战，本文的主要贡献如下：作者提出
- 【多模态大模型】GLIP：零样本学习 + 目标检测 + 视觉语言大模型
Debroon
医学大模型：健康长寿学习目标检测人工智能
GLIP核心思想GLIP对比BLIP、BLIP-2、CLIP主要问题:如何构建一个能够在不同任务和领域中以零样本或少样本方式无缝迁移的预训练模型？统一的短语定位损失语言意识的深度融合预训练数据类型的结合语义丰富数据的扩展零样本和少样本迁移学习效果论文：https://arxiv.org/pdf/2112.03857.pdf代码：https://github.com/microsoft/GLIP核心
- 【PyTorch】实现迁移学习框架DANN
cofisher
PyTorchPHM项目实战--建模篇pytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义训练函数4.1nn.CrossEntropyLoss()4.2.detach()4.3.sizeVS.shape4.4.to(DEVICE)4.5.max()4.6optimizer.zero_grad()4.7len(data
- PyTorch 2.2 中文官方教程（十五）
绝不原创的飞龙
人工智能pytorch人工智能python
（beta）计算机视觉的量化迁移学习教程原文：pytorch.org/tutorials/intermediate/quantized_transfer_learning_tutorial.html译者：飞龙协议：CCBY-NC-SA4.0提示为了充分利用本教程，我们建议使用这个Colab版本。这将允许您尝试下面提供的信息。作者：ZafarTakhirov审阅者：RaghuramanKrishna
- Python 处理小样本数据的文档分类问题
田猿笔记
python知识库分类人工智能数据挖掘
在处理小样本数据的文档分类问题时，可以尝试使用迁移学习或者基于预训练模型的方法，如BERT、GPT等。然而，直接在这里编写一个完整的深度学习文档分类代码超出了这个平台的限制，但我可以为你提供一个基本的思路和简单示例，你可以根据这个思路进一步研究并实现。#导入必要的库fromtransformersimportBertTokenizer,BertForSequenceClassificationim
- 【文本到上下文 #10】探索地平线：GPT 和 NLP 中大型语言模型的未来
无水先生
NLP高级和ChatGPT人工智能自然语言处理gpt语言模型
一、说明 欢迎阅读我们【文本到上下文#10】：此为最后一章。以我们之前对BERT和迁移学习的讨论为基础，将重点转移到更广阔的视角，包括语言模型的演变和未来，特别是生成式预训练转换器（GPT）及其在NLP中的重要作用。 在最后一章中，我们将探讨：语言模型概述：了解它们在NLP中的作用和演变。GPT模型：深入研究GPT谱系及其影响。大型语言模型（LLM）：揭示潜力和挑战。现实世界的NLP应用：这些
- AI预测-注意力机制/多头注意力机制及其tensorflow实现
写代码的中青年
AI预测人工智能tensorflowpython深度学习keras
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
- AI预测-迁移学习在时序预测任务上的tensoflow2.0实现
写代码的中青年
AI预测人工智能迁移学习机器学习神经网络pythontensorflow
AI预测相关目录AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现文章目录AI预测相关目录一、迁移
- 迁移学习Transfer Learning的优缺点，以及在使用迁移学习的注意事项！
小桥流水---人工智能
机器学习算法Python程序代码迁移学习人工智能机器学习
迁移学习TransferLearning1.迁移学习的优点和缺点：2.使用迁移学习时，需要解决以下问题：1.迁移学习的优点和缺点：迁移学习是一种机器学习方法，它可以使机器学习模型利用已有任务的学习结果，来帮助解决相似的新任务。优点：知识转移：迁移学习的核心思想是将在一个领域学到的知识应用到另一个领域。这使得我们可以在已有的数据集上训练模型，然后将这个模型应用到新的、不同的数据集上。避免重新训练：对
- 迁移学习实现图片分类任务
Cuteboom
迁移学习分类人工智能
导入工具包importtimeimportosimportnumpyasnpfromtqdmimporttqdmimporttorchimporttorchvisionimporttorch.nnasnnimporttorch.nn.functionalasFimportmatplotlib.pyplotasplt%matplotlibinline#忽略烦人的红色提示importwarningsw
- tomcat基础与部署发布
暗黑小菠萝
Tomcat java web
从51cto搬家了，以后会更新在这里方便自己查看。
做项目一直用tomcat，都是配置到eclipse中使用，这几天有时间整理一下使用心得，有一些自己配置遇到的细节问题。
Tomcat：一个Servlets和JSP页面的容器，以提供网站服务。
一、Tomcat安装
安装方式：①运行.exe安装包
&n
- 网站架构发展的过程
ayaoxinchao
数据库应用服务器网站架构
1.初始阶段网站架构：应用程序、数据库、文件等资源在同一个服务器上
2.应用服务和数据服务分离：应用服务器、数据库服务器、文件服务器
3.使用缓存改善网站性能：为应用服务器提供本地缓存，但受限于应用服务器的内存容量，可以使用专门的缓存服务器，提供分布式缓存服务器架构
4.使用应用服务器集群改善网站的并发处理能力：使用负载均衡调度服务器，将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
- [信息与安全]数据库的备份问题
comsci
数据库
如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题
如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?
是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?
&n
- 使用maven tomcat plugin插件debug关联源代码
商人shang
mavendebug查看源码tomcat-plugin
*首先需要配置好'''maven-tomcat7-plugin'''，参见[[Maven开发Web项目]]的'''Tomcat'''部分。
*配置好后，在[[Eclipse]]中打开'''Debug Configurations'''界面，在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
- 大访问量高并发
oloz
大访问量高并发
大访问量高并发的网站主要压力还是在于数据库的操作上，尽量避免频繁的请求数据库。下面简
要列出几点解决方案：
01、优化你的代码和查询语句，合理使用索引
02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中
03、采用服务器集群、负载均衡分担大访问量高并发压力
04、数据读写分离
05、合理选用框架，合理架构(推荐分布式架构)。
- cache 服务器
小猪猪08
cache
Cache 即高速缓存.那么cache是怎么样提高系统性能与运行速度呢？是不是在任何情况下用cache都能提高性能？是不是cache用的越多就越好呢？我在近期开发的项目中有所体会，写下来当作总结也希望能跟大家一起探讨探讨，有错误的地方希望大家批评指正。
1.Cache 是怎么样工作的?
Cache 是分配在服务器上
- mysql存储过程
香水浓
mysql
Description:插入大量测试数据
use xmpl;
drop procedure if exists mockup_test_data_sp;
create procedure mockup_test_data_sp(
in number_of_records int
)
begin
declare cnt int;
declare name varch
- CSS的class、id、css文件名的常用命名规则
agevs
JavaScriptUI框架Ajaxcss
CSS的class、id、css文件名的常用命名规则
(一)常用的CSS命名规则
头：header
内容：content/container
尾：footer
导航：nav
侧栏：sidebar
栏目：column
页面外围控制整体布局宽度：wrapper
左右中：left right
- 全局数据源
AILIKES
javatomcatmysqljdbcJNDI
实验目的：为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象，还是创建了两个数据源对象。
1：将diuid和mysql驱动包（druid-1.0.2.jar和mysql-connector-java-5.1.15.jar）copy至%TOMCAT_HOME%/lib下；2：配置数据源，将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下：&l
- MYSQL的随机查询的实现方法
baalwolf
mysql
MYSQL的随机抽取实现方法。举个例子，要从tablename表中随机提取一条记录，大家一般的写法就是：SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是，后来我查了一下MYSQL的官方手册，里面针对RAND()的提示大概意思就是，在ORDER BY从句里面不能使用RAND()函数，因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中，
- JAVA的getBytes()方法
bijian1013
javaeclipseunixOS
在Java中，String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下，返回的东西不一样！
String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如：
byte[] b_gbk = "
- AngularJS中操作Cookies
bijian1013
JavaScriptAngularJSCookies
如果你的应用足够大、足够复杂，那么你很快就会遇到这样一咱种情况：你需要在客户端存储一些状态信息，这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。
幸运的是，这种方式已经一去不复返了，在所有现代浏览器中几乎
- [Maven学习笔记五]Maven聚合和继承特性
bit1129
maven
Maven聚合
在实际的项目中，一个项目通常会划分为多个模块，为了说明问题，以用户登陆这个小web应用为例。通常一个web应用分为三个模块：
1. 模型和数据持久化层user-core,
2. 业务逻辑层user-service以
3. web展现层user-web，
user-service依赖于user-core
user-web依赖于user-core和use
- 【JVM七】JVM知识点总结
bit1129
jvm
1. JVM运行模式
1.1 JVM运行时分为-server和-client两种模式，在32位机器上只有client模式的JVM。通常，64位的JVM默认都是使用server模式，因为server模式的JVM虽然启动慢点，但是，在运行过程，JVM会尽可能的进行优化
1.2 JVM分为三种字节码解释执行方式：mixed mode, interpret mode以及compiler
- linux下查看nginx、apache、mysql、php的编译参数
ronin47
在linux平台下的应用，最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用，在手工编译完以后，在其他一些情况下（如：新增模块），往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。
1、nginx
[root@361way ~]# /App/nginx/sbin/nginx -V
nginx: nginx version: nginx/
- unity中运用Resources.Load的方法？
brotherlamp
unity视频unity资料unity自学unityunity教程
问：unity中运用Resources.Load的方法？
答：Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置
1、unity实时替换的物体即是依据环境条件
- 线段树-入门
bylijinnan
java算法线段树
/**
* 线段树入门
* 问题：已知线段[2,5] [4,6] [0,7]；求点2,4,7分别出现了多少次
* 以下代码建立的线段树用链表来保存，且树的叶子结点类似[i,i]
*
* 参考链接：http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18
* @author lijinna
- 全选与反选
chicony
全选
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>全选与反选</title>
- vim一些简单记录
chenchao051
vim
mac在/usr/share/vim/vimrc linux在/etc/vimrc
1、问：后退键不能删除数据，不能往后退怎么办？
答：在vimrc中加入set backspace=2
2、问：如何控制tab键的缩进？
答：在vimrc中加入set tabstop=4 (任何
- Sublime Text 快捷键
daizj
快捷键sublime
[size=large][/size]Sublime Text快捷键：Ctrl+Shift+P：打开命令面板Ctrl+P：搜索项目中的文件Ctrl+G：跳转到第几行Ctrl+W：关闭当前打开文件Ctrl+Shift+W：关闭所有打开文件Ctrl+Shift+V：粘贴并格式化Ctrl+D：选择单词，重复可增加选择下一个相同的单词Ctrl+L：选择行，重复可依次增加选择下一行Ctrl+Shift+L：
- php 引用(&)详解
dcj3sjt126com
PHP
在PHP 中引用的意思是：不同的名字访问同一个变量内容. 与Ｃ语言中的指针是有差别的．Ｃ语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容 复制代码代码如下:
<?
$a="ABC";
$b =&$a;
echo
- SVN中trunk,branches,tags用法详解
dcj3sjt126com
SVN
Subversion有一个很标准的目录结构，是这样的。比如项目是proj，svn地址为svn://proj/，那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局，trunk为主开发目录，branches为分支开发目录，tags为tag存档目录（不允许修改）。但是具体这几个目录应该如何使用，svn并没有明确的规范，更多的还是用户自己的习惯。
- 对软件设计的思考
e200702084
设计模式数据结构算法ssh活动
软件设计的宏观与微观
软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发，也要从微观上把握软件之间的开发。宏观上，可以应用面向对象设计，采用流行的SSH架构，采用web层，业务逻辑层，持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上，对于一个类，甚至方法的调用，从计算机的角度模拟程序的运行情况。了解内存分配，参数传
- 同步、异步、阻塞、非阻塞
geeksun
非阻塞
同步、异步、阻塞、非阻塞这几个概念有时有点混淆，在此文试图解释一下。
同步：发出方法调用后，当没有返回结果，当前线程会一直在等待（阻塞）状态。
场景：打电话，营业厅窗口办业务、B/S架构的http请求-响应模式。
异步：方法调用后不立即返回结果，调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后，当前线程不会阻塞，会继续执行其他任务。
实现：
- Reverse SSH Tunnel 反向打洞實錄
hongtoushizi
ssh
實際的操作步驟：
# 首先，在客戶那理的機器下指令連回我們自己的 Server，並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port
ssh -NfR 12345:localhost:22
[email protected]
# 然後在 myhost 的機器上連自己的 12345 port，就可以連回在客戶那的機器
ssh localhost -p 1
- Hibernate中的缓存
Josh_Persistence
一级缓存Hiberante缓存查询缓存二级缓存
Hibernate中的缓存
一、Hiberante中常见的三大缓存：一级缓存，二级缓存和查询缓存。
Hibernate中提供了两级Cache，第一级别的缓存是Session级别的缓存，它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的，一般情况下无需进行干预；第二级别的缓存是SessionFactory级别的缓存，它是属于进程范围或群集范围的缓存。这一级别的缓存
- 对象关系行为模式之延迟加载
home198979
PHP架构延迟加载
形象化设计模式实战 HELLO!架构
一、概念
Lazy Load：一个对象，它虽然不包含所需要的所有数据，但是知道怎么获取这些数据。
延迟加载貌似很简单，就是在数据需要时再从数据库获取，减少数据库的消耗。但这其中还是有不少技巧的。
二、实现延迟加载
实现Lazy Load主要有四种方法：延迟初始化、虚
- xml 验证
pengfeicao521
xmlxml解析
有些字符，xml不能识别，用jdom或者dom4j解析的时候就报错
public static void testPattern() {
// 含有非法字符的串
String str = "Jamey친ÑԂ
- div设置半透明效果
spjich
css半透明
为div设置如下样式：
div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}
说明：
1、filter：对win IE设置半透明滤镜效果，filter:alpha(Opacity=80)代表该对象80%半透明，火狐浏览器不认2、-moz-opaci
- 你真的了解单例模式么？
w574240966
java单例设计模式jvm
单例模式，很多初学者认为单例模式很简单，并且认为自己已经掌握了这种设计模式。但事实上，你真的了解单例模式了么。
一，单例模式的5中写法。（回字的四种写法，哈哈。）
1，懒汉式
（1）线程不安全的懒汉式
public cla
