前程算法屋
前程算法屋

注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）

注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）

目录

    • 注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）
      • 预测结果
      • 评价指标
      • 基本介绍
      • 程序设计
      • 参考资料

预测结果

注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）_第1张图片
注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）_第2张图片

注意力机制 | CNN-GRU-Attention基于卷积神经网路-门控循环单元结合注意力机制多输入单输出回归预测（Matlab程序）_第3张图片

评价指标

训练集数据的R2为：0.99737
测试集数据的R2为：0.97445
训练集数据的MAE为：0.30865

你可能感兴趣的:(CNN-GRU,CNN-GRU-Att,GRU-Attention,注意力机制)

  • Bengio新作Aaren：探索Transformer性能与RNN效率的融合 AI记忆 深度学习论文与相关应用transformerrnn深度学习AarenBengio
    论文链接：https://arxiv.org/pdf/2405.13956一、摘要总结：本文提出了一种新的注意力机制，名为Aaren，它将注意力视为一种特殊的递归神经网络（RNN），能够高效地计算其多对一RNN输出。Aaren不仅能够并行训练，而且能够在推理时高效地更新新令牌，仅需要常数内存。实验表明，Aaren在四个流行的序列问题设置（强化学习、事件预测、时间序列分类和时间序列预测）的38个数据
  • 发文新思路！双通道CNN的惊人突破，准确率接近100%！ 沃恩智慧 深度学习人工智能cnn人工智能神经网络
    双通道CNN作为一种创新的卷积神经网络架构，正引领深度学习领域的新趋势。其核心优势在于并行卷积层设计，能够同时处理更多特征信息，从而显著提升模型的特征表示能力和识别精度。这种架构不仅提高了计算效率，还有效降低了过拟合风险，使其在复杂视觉任务中表现卓越。例如，最新的研究提出了一种名为DDTransUNet的混合网络，结合了Transformer和CNN的优势，通过双分支编码器和双重注意力机制，有效解
  • 上下文扩展技术-详细解释Longformer和BigBird的主要创新；详细说明bert原理，并说一说他的上下文限制是怎么来的 AI生成曾小健 人工智能
    答案LongformerLongformer是为有效处理长文本序列而设计的Transformer模型，它通过结合滑动窗口注意力机制和扩张注意力模式来捕捉局部和远距离的上下文信息，并通过全局注意力来捕捉整个文档的广泛背景和联系1.Keyinnovations:滑动窗口注意力Longformer使用滑动窗口方法处理本地上下文信息1.扩张注意力模式扩张注意力模式能够捕捉到远处的上下文信息，这对于处理冗长
  • 【Transformer】小白入门指南 静静喜欢大白 随记医疗影像transformer深度学习人工智能
    目录1、简介2、Transformer解决问题技术概览核心组成自注意力机制（Self-AttentionMechanism）多头注意力机制（Multi-HeadAttention）前馈神经网络（Feed-ForwardNeuralNetwork）位置编码（PositionalEncoding）残差连接与标准化框架认识1.输入输出2.Encoder3.Decoder4.训练过程5.Positione
  • 【AI系列】从零开始学习大模型GPT (2)- Build a Large Language Model (From Scratch) Tasfa AI人工智能教程人工智能学习gpt
    前序文章【AI系列】从零开始学习大模型GPT(1)-BuildaLargeLanguageModel(FromScratch)BuildaLargeLanguageModel背景第1章：理解大型语言模型第2章：处理文本数据第3章：编码Attention机制什么是Attention机制？Attention机制的基本原理数学表示应用总结为什么要使用注意力机制如何实现？简单注意力机制带训练权重的注意力机
  • 微软 LayoutLMv3：通过统一文本和图像掩码进行文档人工智能预训练 人工智能
    LayoutLMv3：通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构，每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接，其中$L$和$M$分别是文本和图像的序列长度。通过Tr
  • 微软 LayoutLMv3：通过统一文本和图像掩码进行文档人工智能预训练 人工智能
    LayoutLMv3：通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构，每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接，其中$L$和$M$分别是文本和图像的序列长度。通过Tr
  • 深度学习语义分割实战：ResNet 与 ViT 结合的模型解析 高山仰星 深度学习
    1.引言语义分割是计算机视觉中的重要任务，其目标是将输入图像中的每个像素分类到特定的类别。本项目结合了ResNet（ResidualNetwork）和ViT（VisionTransformer），构建了高性能的语义分割模型。本文将详细解析该模型的架构、训练流程及其应用。2.语义分割模型解析本项目采用ResNet和ViT结合的方式进行语义分割，并使用CBAM注意力机制增强特征提取能力。涉及的核心文件
  • Transformer细节（九）——Transformer位置编码 多学学多写写 transformer深度学习人工智能
    一、总述Transformer模型中的位置编码（PositionalEncoding）是用于向模型提供序列中各个元素位置信息的机制。由于Transformer没有卷积神经网络或循环神经网络中固有的序列顺序信息，它必须通过位置编码显式地引入这些信息。二、为什么需要位置编码Transformer模型依赖于自注意力机制（self-attentionmechanism），该机制在计算时对序列中的所有位置一
  • Bahdanau 注意力 彬彬侠 自然语言处理BahdanauAttention注意力Seq2Seqpytorchpython自然语言处理
    Bahdanau注意力（AdditiveAttention）Bahdanau注意力，也被称为加性注意力（AdditiveAttention），是一种广泛用于序列到序列（Seq2Seq）模型中的注意力机制，由DzmitryBahdanau等人在2014年提出。它是处理序列对序列（seq2seq）任务（如机器翻译）的关键技术之一。在Bahdanau提出的模型中，注意力机制通过引入一个额外的上下文信息来
  • 【NLP算法面经】NLP算法面经 -- 腾讯 VS 美团（附面题） 青松ᵃⁱ NLP百面百过AI面试NLP面试算法面试人工智能
    博客主页：[青松]目录【NLP百面百过】大模型算法高频面题（全面整理ʘ‿ʘ）一、大模型（LLMs）基础面大模型（LLMs）架构篇注意力机制（Attention）篇Transformer理论篇二、大模型微调面有监督微调（SFT）篇高效微调篇提示学习篇人类对齐训练（RLHF）篇Prompt工程篇三、大模型进阶面大模型压缩篇分布式训练篇大模型魔改篇四、NLP任务实战面文本分类篇命名实体识别（NER）篇关
  • Transformer：基于注意力机制的序列转换模型 金外飞176 论文精读transformer深度学习人工智能
    Transformer：基于注意力机制的序列转换模型最近，我研究了一篇非常有趣的论文——《AttentionIsAllYouNeed》，由GoogleBrain团队的AshishVaswani等人撰写。这篇论文提出了一种全新的神经网络架构——Transformer，它完全基于注意力机制，摒弃了传统的循环（RNN）和卷积（CNN）网络结构，用于序列转换任务，如机器翻译和英语成分句法分析等。Trans
  • StripedHyena 模型介绍 qq_27390023 深度学习python机器学习pytorch生物信息学
    StripedHyena是近年来提出的一种新型神经网络架构，旨在替代或补充传统的Transformer模型。其核心目标是解决Transformer在处理长序列数据时的计算效率瓶颈（如自注意力机制的高复杂度），同时保持或提升模型在语言建模、长上下文理解等任务上的性能。发明背景(1)Transformer的局限性Transformer模型因其自注意力机制（Self-Attention）在自然语言处理（
  • ai大模型学习和实践 编程ID AI人工智能学习
    ai大模型学习和实践一、初探大模型：起源与发展1、预热篇：解码注意力机制1.1注意力机制最早是在哪个领域得到应用的1.2以下哪些方法被用于处理序列数据？1.3以下方法被用于处理序列数据的是1.4注意力机制是什么2、变革里程碑：transformer的崛起2.1Transformer模型和注意力机制的关系2.2Transformer模型和注意力机制在数据训练上有差异2.3Transformer模型和
  • AI大模型系列之七：Transformer架构讲解 m0_74823683 面试学习路线阿里巴巴人工智能transformer深度学习
    目录Transformer网络是什么？输入模块结构：编码器模块结构：解码器模块:输出模块结构：Transformer具体是如何工作的？Transformer核心思想是什么？Transformer的代码架构自注意力机制是什么？多头注意力有什么用？前馈神经网络编码器（Encoder）解码器（Decoder）：基于卷积神经网络（CNN）的编码器-解码器结构基于Transformer架构的主流语言模型有哪
  • 深度学习和机器学习的区别|自注意力机制和多头注意力机制的展示|售前面试题 Red Red 面经深度学习机器学习人工智能学习笔记aiNLP
    深度学习和机器学习的区别|自注意力机制和多头注意力机制的展示|售前面试题分类机器学习是人工智能的一个分支深度学习是机器学习下的一个分支模型结构机器学习较为简单，可能就是几层，比如线性层深度学习较为复杂，比如有些卷积层数据机器学习的数据量较少，一些分类任务可能几百几十个数据即可完成深度学习所需数据较多，且数据维度大，需要成百上千个数据计算资源机器学习使用普通计算机即可完成，占用资源少深度学习可能需要
  • 【电力负荷预测】时间卷积双向门控循环单元融合注意力机制TCN-BiGRU-Attention负荷多变量时间序列预测【含Matlab源码 4752期】 Matlab领域 matlab
    ✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。个人主页：海神之光代码获取方式：海神之光Matlab王者学习之路—代码获取方式⛳️座右铭：行百里者，半于九十。更多Matlab仿真内容点击Matlab图像处理（进阶版）路径规划（Matlab）神经网络预测与分类（Matlab）优化求解（Matlab）语音处理（Matlab）信号处理（Matlab）车间调度
  • 多头注意力机制的创新优化：MLA架构解析 耶耶Norsea 网络杂烩Deepseek
    摘要MLA（Multi-headLatentAttention）架构是对Transformer模型中多头注意力（MHA）结构的创新优化，旨在提高推理阶段的效率并降低资源消耗。传统MHA中，每个注意力头需独立存储键和值矩阵，导致内存与计算成本增加。MLA通过低秩联合压缩技术，将键值对压缩为一个潜在向量，显著减少缓存容量需求，从而优化了推理效率和资源利用。关键词MLA架构,多头注意力,低秩压缩,推理效
  • CNN-day11-注意力机制 谢眠 深度学习cnn深度学习人工智能
    day12-注意力机制一、卷积注意力机制神经网络能够在同样的计算资源下获得更强的表征能力和更优的性能表现。1注意力认知AM：AttentionMechanism，注意力机制。注意力机制是一种让模型根据任务需求动态地关注输入数据中重要部分的机制。通过注意力机制，模型可以做到对图像中不同区域、句子中的不同部分给予不同的权重，从而增强感兴趣特征，并抑制不感兴趣区域。2注意力应用注意力机制最初应用于机器翻
  • SCI一区级 | SAO-CNN-LSTM-Mutilhead-Attention雪消融算法优化卷积长短期记忆神经网络融合多头注意力机制多变量时间序列预测Matlab实现 天天Matlab代码科研顾问 神经网络cnnlstm
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。个人主页：Matlab科研工作室个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理图像处理路径规划元胞自动机无人机物理应用机器学习内容介绍光伏发电作为一种清洁能源，在能源转型中扮演着至关重要的角色。准确预测光伏发电量对于提高
  • 注意力机制：查询（Query）、键（Key）、值（Value） 彬彬侠 自然语言处理QueryKeyValue注意力attentionNLP自然语言处理
    注意力机制：查询（Query）与键（Key）在注意力机制中，查询（Query）和键（Key）是两个非常关键的概念，它们通过计算相似度来决定模型在某一时刻应该“关注”输入序列的哪一部分。它们通常是来自编码器或解码器的表示，通过它们的交互，模型能够聚焦于最相关的信息部分，从而提高预测的准确性。1.查询（Query）查询（Query）是用来在输入序列中查找相关信息的向量。它代表了当前模型对于某一特定输出
  • 深度学习的文本生成：从seq2seq到GPT2和GPT3 AI天才研究院 AI大模型应用入门实战与进阶ChatGPT大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
    文章目录1.背景介绍1.1序列到序列（seq2seq）模型1.1.1编码器1.1.2解码器1.1.3训练1.2Transformer模型1.2.1自注意力机制1.2.2位置编码1.2.3多头注意力1.2.4训练1.3GPT（GenerativePre-trainedTransformer）模型1.3.1预训练1.3.2微调1.3.3生成1.4GPT-2和GPT-31.4.1GPT-21.4.2GP
  • 【AI原理解析】— Gemini模型 coolkidlan AI学习路径AIGC人工智能AIGC
    目录1.模型概述定义特点2.模型基础与架构模型架构模型尺寸3.多模态处理能力输入处理数据处理训练过程4.技术细节与优化预训练上下文长度注意机制5.安全性与编程能力安全性评估编程能力6.模型发布与应用发布时间应用方向7.性能评估8.数学基础8.1Transformer解码器基础8.1.1自注意力机制（Self-Attention）8.1.2前馈神经网络（Feed-ForwardNeuralNetwo
  • YOLOv10改进 | 独家创新- 注意力篇 | YOLOv10引入结合SimAM和SKAttention形成全新的SKAM注意力机制和C2f_SKAM(全网独家创新) 小李学AI YOLOv10有效涨点专栏YOLO机器学习深度学习人工智能计算机视觉目标检测pytorch
    1.SKAM介绍SKAM（SimAMandSKAttentionModule）注意力机制结合了SimAM和SKAttention的优点，能够在图像特征提取中表现出更为优异的性能。SimAM注意力机制SimAM（SimplifiedAttentionModule）是一种简单但有效的注意力机制，旨在增强重要特征，同时抑制不相关的特征。SimAM的主要优点包括：(1).计算简单：SimAM仅需计算均值和
  • Flash Attention介绍 TAICHIFEI 大模型面试人工智能
    FlashAttention是一种优化Transformer模型中注意力机制的技术，旨在提高计算效率并减少内存使用。以下是对FlashAttention的详细介绍：FlashAttention的关键点效率与速度：FlashAttention的目标是加快注意力机制的计算速度，同时提高内存利用效率。它将注意力机制的复杂度从传统的(O(N^2))降至(O(N\logN))甚至线性时间，其中(N)表示序列
  • AudioLM音频生成模型 简介 低配天才 audiolm
    AudioLM音频生成模型是一种先进的音频生成技术，它广泛应用于语音合成、音乐生成等领域。以下是关于AudioLM音频生成模型的一些关键信息：表格特点描述应用领域语音合成、音乐生成等核心技术自注意力机制（Self-AttentionMechanism）功能生成自然的语音对话、虚拟人物的配音、音乐创作等挑战与限制生成音频的质量不稳定、语音的连贯性等问题解决方案通过更复杂的模型和更多的数据来解决存在的
  • 空间注意力模块（SAM）和时间注意力模块（TAM）详解及代码复现 清风AI 深度学习算法详解及代码复现深度学习人工智能神经网络python计算机视觉
    注意力机制原理注意力机制源于人类视觉系统的选择性注意能力，是深度学习领域的一项关键技术。它通过模拟人类视觉系统的选择性注意能力，使深度学习模型能够聚焦于图像中的关键信息。这种机制通过动态分配权重，突出重要特征，抑制无关信息，从而提高图像识别的准确性和效率。在神经网络中，注意力机制主要通过Softmax函数实现，它能够将输入特征映射到0到1之间的概率分布，从而实现特征的加权。空间注意力与时间注意力在
  • AI协助探索AI新构型自动化创新的技术实现 liron71 人工智能自动化神经网络
    一、AI自进化架构的核心范式1.元代码生成与模块化重构-代码级自编程：基于神经架构搜索的强化学习框架，AI可通过生成元代码模板（框架的抽象层定义）自动组合功能模块。例如，使用注意力机制作为原子单元，通过遗传算法生成模块间连接规则。-动态代码编译：结合JIT即时编译技术，AI生成的模块化代码可在运行时动态编译为可执行单元，类似编译器对计算图的优化逻辑，同时增加结构可变性约束（如连接稀疏度阈值）。2.
  • 【Block总结】PSA，极化自注意力|即插即用 AI浩 Block总结计算机视觉深度学习人工智能目标检测
    1.论文信息标题:PolarizedSelf-Attention:TowardsHigh-qualityPixel-wiseRegression链接:arXivGitHub链接：https://github.com/DeLightCMU/PSA2.创新点该论文提出了一种新的自注意力机制——极化自注意力（PolarizedSelf-Attention,PSA），其主要创新点包括：极化过滤（Polar
  • 深入浅出之Convolutional Block Attention Module（YOLO） 浩瀚之水_csdn #Pytorch框架YOLO目标检测专栏深度学习目标检测深度学习神经网络计算机视觉
    ConvolutionalBlockAttentionModule（CBAM）是一种用于增强卷积神经网络（CNN）特征表示能力的注意力机制模块。以下是对CBAM的详细解释：一、CBAM的基本结构CBAM由两个子模块组成：通道注意力模块（ChannelAttentionModule,CAM）和空间注意力模块（SpatialAttentionModule,SAM）。这两个模块可以串联使用，以增强CNN
  • Spring4.1新特性——综述 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • Schema与数据类型优化 annan211 数据结构mysql
    目前商城的数据库设计真是一塌糊涂，表堆叠让人不忍直视，无脑的架构师，说了也不听。 在数据库设计之初，就应该仔细揣摩可能会有哪些查询，有没有更复杂的查询，而不是仅仅突出 很表面的业务需求，这样做会让你的数据库性能成倍提高，当然，丑陋的架构师是不会这样去考虑问题的。 选择优化的数据类型 1 更小的通常更好 更小的数据类型通常更快，因为他们占用更少的磁盘、内存和cpu缓存，
  • 第一节 HTML概要学习 chenke htmlWebcss
    第一节 HTML概要学习 1. 什么是HTML HTML是英文Hyper Text Mark-up Language(超文本标记语言)的缩写，它规定了自己的语法规则，用来表示比“文本”更丰富的意义，比如图片，表格，链接等。浏览器（IE,FireFox等）软件知道HTML语言的语法，可以用来查看HTML文档。目前互联网上的绝大部分网页都是使用HTML编写的。 打开记事本 输入一下内
  • MyEclipse里部分习惯的更改 Array_06 eclipse
    继续补充中---------------------- 1.更改自己合适快捷键windows-->prefences-->java-->editor-->Content Assist-->      Activation triggers for java的右侧“.”就可以改变常用的快捷键 选中 Text
  • 近一个月的面试总结 cugfy 面试
    本文是在学习中的总结，欢迎转载但请注明出处：http://blog.csdn.net/pistolove/article/details/46753275 前言       打算换个工作，近一个月面试了不少的公司，下面将一些面试经验和思考分享给大家。另外校招也快要开始了，为在校的学生提供一些经验供参考，希望都能找到满意的工作。 
  • HTML5一个小迷宫游戏 357029540 html5
         通过《HTML5游戏开发》摘抄了一个小迷宫游戏，感觉还不错，可以画画，写字，把摘抄的代码放上来分享下，喜欢的同学可以拿来玩玩！ <html> <head> <title>创建运行迷宫</title> <script type="text/javascript"
  • 10步教你上传githib数据 张亚雄 git
    官方的教学还有其他博客里教的都是给懂的人说得，对已我们这样对我大菜鸟只能这么来锻炼，下面先不玩什么深奥的，先暂时用着10步干净利索。等玩顺溜了再用其他的方法。 操作过程（查看本目录下有哪些文件NO.1）ls （跳转到子目录NO.2）cd+空格+目录 （继续NO.3）ls （匹配到子目录NO.4）cd+ 目录首写字母+tab键+（首写字母“直到你所用文件根就不再按TAB键了”） （查看文件
  • MongoDB常用操作命令大全 adminjun mongodb操作命令
    成功启动MongoDB后，再打开一个命令行窗口输入mongo，就可以进行数据库的一些操作。输入help可以看到基本操作命令，只是MongoDB没有创建数据库的命令，但有类似的命令 如：如果你想创建一个“myTest”的数据库，先运行use myTest命令，之后就做一些操作（如：db.createCollection('user')）,这样就可以创建一个名叫“myTest”的数据库。 一
  • bat调用jar包并传入多个参数 aijuans
    下面的主程序是通过eclipse写的： 1.在Main函数接收bat文件传递的参数（String[] args）  如：   String ip =args[0];          String user=args[1];       &nbs
  • Java中对类的主动引用和被动引用 ayaoxinchao java主动引用对类的引用被动引用类初始化
      在Java代码中，有些类看上去初始化了，但其实没有。例如定义一定长度某一类型的数组，看上去数组中所有的元素已经被初始化，实际上一个都没有。对于类的初始化，虚拟机规范严格规定了只有对该类进行主动引用时，才会触发。而除此之外的所有引用方式称之为对类的被动引用，不会触发类的初始化。虚拟机规范严格地规定了有且仅有四种情况是对类的主动引用，即必须立即对类进行初始化。四种情况如下：1.遇到ne
  • 导出数据库 提示 outfile disabled BigBird2012 mysql
    在windows控制台下，登陆mysql，备份数据库：   mysql>mysqldump -u root -p test test > D:\test.sql 使用命令 mysqldump 格式如下： mysqldump -u root -p *** DBNAME > E:\\test.sql。 注意：执行该命令的时候不要进入mysql的控制台再使用，这样会报
  • Javascript 中的 && 和 || bijian1013 JavaScript&&||
            准备两个对象用于下面的讨论 var alice = { name: "alice", toString: function () { return this.name; } } var smith = { name: "smith",
  • [Zookeeper学习笔记之四]Zookeeper Client Library会话重建 bit1129 zookeeper
    为了说明问题，先来看个简单的示例代码：   package com.tom.zookeeper.book; import com.tom.Host; import org.apache.zookeeper.WatchedEvent; import org.apache.zookeeper.ZooKeeper; import org.apache.zookeeper.Wat
  • 【Scala十一】Scala核心五：case模式匹配 bit1129 scala
    package spark.examples.scala.grammars.caseclasses object CaseClass_Test00 { def simpleMatch(arg: Any) = arg match { case v: Int => "This is an Int" case v: (Int, String)
  • 运维的一些面试题 yuxianhua linux
    1、Linux挂载Winodws共享文件夹   mount -t cifs //1.1.1.254/ok /var/tmp/share/ -o username=administrator,password=yourpass 或 mount -t cifs -o username=xxx,password=xxxx //1.1.1.1/a /win    
  • Java lang包-Boolean BrokenDreams boolean
             Boolean类是Java中基本类型boolean的包装类。这个类比较简单，直接看源代码吧。 public final class Boolean implements java.io.Serializable,
  • 读《研磨设计模式》-代码笔记-命令模式-Command bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.Collection; import java.util.List; /** * GOF 在《设计模式》一书中阐述命令模式的意图：“将一个请求封装
  • matlab下GPU编程笔记 cherishLC matlab
    不多说，直接上代码 gpuDevice % 查看系统中的gpu,,其中的DeviceSupported会给出matlab支持的GPU个数。 g=gpuDevice(1); %会清空 GPU 1中的所有数据,,将GPU1 设为当前GPU reset(g) %也可以清空GPU中数据。 a=1; a=gpuArray(a); %将a从CPU移到GPU中 onGP
  • SVN安装过程 crabdave SVN
    SVN安装过程   subversion-1.6.12   ./configure --prefix=/usr/local/subversion --with-apxs=/usr/local/apache2/bin/apxs --with-apr=/usr/local/apr --with-apr-util=/usr/local/apr --with-openssl=/
  • sql　行列转换 daizj sql行列转换行转列列转行
    行转列的思想是通过case when 来实现 列转行的思想是通过union all 来实现 下面具体例子： 假设有张学生成绩表(tb)如下: Name Subject Result 张三 语文　　74 张三 数学　　83 张三 物理　　93 李四 语文　　74 李四 数学　　84 李四 物理　　94 */ /* 想变成 姓名   &
  • MySQL--主从配置 dcj3sjt126com mysql
    linux下的mysql主从配置： 说明：由于MySQL不同版本之间的(二进制日志)binlog格式可能会不一样，因此最好的搭配组合是Master的MySQL版本和Slave的版本相同或者更低， Master的版本肯定不能高于Slave版本。（版本向下兼容） mysql1  : 192.168.100.1    //master mysq
  • 关于yii 数据库添加新字段之后model类的修改 dcj3sjt126com Model
    rules: array('新字段','safe','on'=>'search') 1、array('新字段', 'safe')//这个如果是要用户输入的话，要加一下， 2、array('新字段', 'numerical'),//如果是数字的话 3、array('新字段', 'length', 'max'=>100),//如果是文本 1、2、3适当的最少要加一条，新字段才会被
  • sublime text3 中文乱码解决 dyy_gusi Sublime Text
    sublime text3中文乱码解决 原因：缺少转换为UTF-8的插件 目的：安装ConvertToUTF8插件包 第一步：安装能自动安装插件的插件，百度“Codecs33”，然后按照步骤可以得到以下一段代码： import urllib.request,os,hashlib; h = 'eb2297e1a458f27d836c04bb0cbaf282' + 'd0e7a30980927
  • 概念了解：CGI，FastCGI，PHP-CGI与PHP-FPM geeksun PHP
    CGI CGI全称是“公共网关接口”(Common Gateway Interface)，HTTP服务器与你的或其它机器上的程序进行“交谈”的一种工具，其程序须运行在网络服务器上。 CGI可以用任何一种语言编写，只要这种语言具有标准输入、输出和环境变量。如php,perl,tcl等。 FastCGI FastCGI像是一个常驻(long-live)型的CGI，它可以一直执行着，只要激活后，不
  • Git push 报错 "error: failed to push some refs to " 解决 hongtoushizi git
    Git push 报错 "error: failed to push some refs to " . 此问题出现的原因是：由于远程仓库中代码版本与本地不一致冲突导致的。 由于我在第一次git pull --rebase 代码后，准备push的时候，有别人往线上又提交了代码。所以出现此问题。 解决方案： 1： git pull    2：
  • 第四章 Lua模块开发 jinnianshilongnian nginxlua
    在实际开发中，不可能把所有代码写到一个大而全的lua文件中，需要进行分模块开发；而且模块化是高性能Lua应用的关键。使用require第一次导入模块后，所有Nginx 进程全局共享模块的数据和代码，每个Worker进程需要时会得到此模块的一个副本（Copy-On-Write），即模块可以认为是每Worker进程共享而不是每Nginx Server共享；另外注意之前我们使用init_by_lua中初
  • java.lang.reflect.Proxy liyonghui160com
      1.简介   Proxy 提供用于创建动态代理类和实例的静态方法 （1）动态代理类的属性 代理类是公共的、最终的，而不是抽象的 未指定代理类的非限定名称。但是，以字符串 "$Proxy" 开头的类名空间应该为代理类保留 代理类扩展 java.lang.reflect.Proxy 代理类会按同一顺序准确地实现其创建时指定的接口
  • Java中getResourceAsStream的用法 pda158 java
    1.Java中的getResourceAsStream有以下几种： 1. Class.getResourceAsStream(String path) ： path 不以’/'开头时默认是从此类所在的包下取资源，以’/'开头则是从ClassPath根下获取。其只是通过path构造一个绝对路径，最终还是由ClassLoader获取资源。 　　2. Class.getClassLoader.get
  • spring 包官方下载地址（非maven） sinnk spring
    SPRING官方网站改版后，建议都是通过 Maven和Gradle下载，对不使用Maven和Gradle开发项目的，下载就非常麻烦，下给出Spring Framework jar官方直接下载路径:   http://repo.springsource.org/libs-release-local/org/springframework/spring/   s
  • Oracle学习笔记(7) 开发PLSQL子程序和包 vipbooks oraclesql编程
        哈哈，清明节放假回去了一下，真是太好了，回家的感觉真好啊！现在又开始出差之旅了，又好久没有来了，今天继续Oracle的学习！      这是第七章的学习笔记，学习完第六章的动态SQL之后，开始要学习子程序和包的使用了……，希望大家能多给俺一些支持啊！     编程时使用的工具是PLSQL
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他