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)

  • 番外篇 | SEAM-YOLO：引入SEAM系列注意力机制，提升遮挡小目标的检测性能 小哥谈 YOLOv8：从入门到实战YOLO深度学习人工智能机器学习计算机视觉神经网络
    前言：Hello大家好，我是小哥谈。SEAM(Squeeze-and-ExcitationAttentionModule)系列注意力机制是一种高效的特征增强方法，特别适合处理遮挡和小目标检测问题。该机制通过建模通道间关系来自适应地重新校准通道特征响应。在遮挡小目标检测中的应用优势包括：1）通道注意力增强：SEAM通过全局平均池化捕获通道级全局信息，帮助网络在遮挡情况下仍能关注关键特征。2）多尺度特
  • 《三生原理》如何优化注意力机制？
    AI辅助创作：《三生原理》通过融合《周易》哲学的数理模型，对注意力机制进行了多维度优化，主要体现在动态计算重构、位置编码革新与训练效率提升三方面，具体路径如下：‌一、动态筛网替代传统注意力计算‌‌三级筛网分层过滤‌‌初级筛网‌：基于素数参数化公式（p=3(2n+1)+2(2n+m+1)）预判无效特征交互，压缩注意力计算范围，减少多头冗余计算45%。‌中级判据‌：引入五行属性权重动态分配机制，依据模
  • Transformer底层原理解析及基于pytorch的代码实现 LiRuiJie 人工智能transformerpytorch深度学习
    1.Transformer底层原理解析1.1核心架构突破Transformer是自然语言处理领域的革命性架构，其核心设计思想完全摒弃了循环结构，通过自注意力机制实现全局依赖建模。整体架构图如下：以下是其核心组件：1）自注意力机制（Self-Attention）-输入序列的每个位置都能直接关注所有位置-数学公式（缩放点积注意力）：-Q：查询矩阵（当前关注点）-K：键矩阵（被比较项）-V：值矩阵（实际
  • 基于Transformer实现机器翻译 yyyyurina. transformer机器翻译深度学习
    目录一、前言1.1什么是Transformer?1.2Transfomer的基本结构1.2Transformer的重要组成部分1.2.1位置编码（PositionalEncode）1.2.2自注意力机制（Self-Attention）1.2.3多头注意力（Multi-HeadAttention）1.2.4位置感知前馈层（Position-wiseFFN）1.2.5残差连接与层归一化二、AutoDL
  • 生成1个token，需要多少KV Cache开销？ JasonLiu1919 人工智能kv-cacheLLM推理加速
    引言本文将对比使用MHA(Multi-HeadAttention)、MQA(Multi-QueryAttention)、GQA(Grouped-QueryAttention)和MLA(Multi-HeadLatentAttention)这4种注意力机制时，在decoder阶段使用KVcache生成单个token所需的额外缓存空间。假设在具有L层、nhn_hnh个注意头和key维度dhd_hdh（即
  • 什么是注意力机制？注意力机制的核心组件（Query、 Key、 Value） 大模型本地部署_ 人工智能AI大模型大模型入门LLM大模型AI注意力机制
    注意力机制注意力机制是深度学习中一种模仿人类视觉注意力机制的模型设计，它允许神经网络在处理输入信息时‌有选择地关注最重要的部分，而忽略次要信息。其核心思想是：‌不是所有输入信息都同等重要。想象你在一个嘈杂的咖啡馆里和朋友聊天。即使环境中充满噪音（其他顾客交谈、咖啡机声、音乐），你也能自动‌“聚焦”朋友的声音，而‌“抑制”背景噪音。你的大脑给朋友的声音赋予了很高的“权重”，给其他声音赋予了很低的“权
  • Kaggle金牌方案复现：CGO-Transformer-GRU多模态融合预测实战
    1背景分析在2023年Kaggle"GlobalMultimodalDemandForecastingChallenge"竞赛中，CGO-Transformer-GRU方案以领先第二名1.8个百分点的绝对优势夺冠，创下该赛事三年来的最佳成绩。本方案创新性地融合了协方差引导优化（CGO）、注意力机制和时序建模三大技术模块，解决了多模态数据融合中的关键挑战：模态对齐、特征冲突和时序依赖建模。(1)多模
  • 注意力机制详解：从基础到CBAM模块—含代码 博导ai君 深度学习教学-附源码YOLO深度学习
    注意力机制详解：从基础到CBAM模块一、什么是注意力机制？注意力机制（AttentionMechanism）是一种源于人类认知行为的技术思想，模拟人类在面对大量信息时，能够自主聚焦于关键部分而忽略其他不重要信息的能力。这一机制在深度学习中尤为重要，特别是在处理序列数据、图像和视频等高维输入时，能显著提升模型的性能。注意力机制的核心目标是在模型处理数据时为不同的输入部分赋予不同的权重，让模型专注于最
  • 多头注意力机制中全连接函数 不知更鸟 深度学习
    在神经网络（特别是Transformer中的多头注意力机制）中，全连接函数（FullyConnectedLayer,FCLayer）通常指的是一个线性变换层，即nn.Linear在PyTorch中的实现。它本质上是一个矩阵乘法加上偏置（bias）的操作，用于对输入数据进行线性变换。1.全连接函数（nn.Linear）是什么？nn.Linear(d_model,d_model)表示一个全连接层，它的
  • 大语言模型全流程开发技术详解：从架构、训练到对齐与量化 艾墨舟启航 大模型实战架构人工智能大语言模型
    github：https://github.com/mlabonne/llm-course大语言模型全流程开发技术详解：从架构、训练到对齐与量化大模型实战指南：多模型生态实战与论文解读一、LLM架构（TheLLMarchitecture）不需要对Transformer架构有深入的了解，但了解现代LLM的主要步骤很重要：通过分词化将文本转换为数字，通过包括注意力机制在内的层处理这些分词，最后通过各种
  • 预训练语言模型之：Encoder-only PLM 抱抱宝 大模型语言模型人工智能自然语言处理
    1.基础架构：TransformerEncoder所有模型的基石都是TransformerEncoder结构，其核心是自注意力机制：Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q,K,V)=\text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk
  • 深入研究YOLO算法改进中的注意力机制 周立-ric
    本文还有配套的精品资源，点击获取简介：YOLO算法因其高效和准确而在实时目标检测领域备受青睐。注意力机制的引入对YOLO算法的性能提升起到了关键作用，尤其是通过关注图像关键区域来提高检测精度。注意力机制可以细分为通道注意力、空间注意力、自注意力、多尺度注意力和位置感知注意力等类型，每种类型的注意力机制都旨在优化模型对图像特征的理解和处理。本文档提供了一个包含实现这些注意力机制的代码的压缩包，并介绍
  • YOLO11改进|注意力机制篇|引入注意力机制Shuffle Attention 如果能为勤奋颁奖 YOLO11改进专栏YOLO
    目录一、【ShuffleAttention】注意力机制1.1【ShuffleAttention】注意力介绍1.2【ShuffleAttention】核心代码二、添加【ShuffleAttention】注意力机制2.1STEP12.2STEP22.3STEP32.4STEP4三、yaml文件与运行3.1yaml文件3.2运行成功截图一、【ShuffleAttention】注意力机制1.1【Shuff
  • 通义万相2.1技术深度解析 accurater c++算法笔记人工智能神经网络深度学习
    如果喜欢可以到我的主页订阅专栏哟(＾Ｕ＾)ノ~ＹＯ一、系统架构概览通义万相2.1是基于扩散模型的多模态生成系统，其核心架构包含以下模块：多模态编码器CLIPViT-L/14文本编码器（768维嵌入）改进型图像编码器（EfficientNet-B7+自注意力）扩散主干网络改进型U-Net架构（128层残差块）多尺度交叉注意力机制动态卷积核分配自适应噪声调度系统非线性噪声衰减算法分阶段训练策略分布式训
  • YOLOv12：以注意力为中心的物体检测 发呆小天才O.o 计算机视觉深度学习计算机视觉目标检测YOLOv12
    1.概述实时目标检测已成为许多实际应用的关键，而Ultralytics的YOLO（YouOnlyLookOnce）系列一直是最先进的模型系列，在速度和准确率之间实现了稳健的平衡。注意力机制的低效性阻碍了其在YOLO等高速系统中的应用。YOLOv12旨在通过将注意力机制集成到YOLO框架中来改变这一现状。由于注意力机制效率低下，且计算复杂度高达平方级，内存访问操作效率低下，因此大多数目标检测架构传统
  • UNet改进（5）：线性注意力机制（Linear Attention）-原理详解与代码实现 摸鱼许可证 人工智能计算机视觉
    引言在计算机视觉领域，UNet架构因其在图像分割任务中的卓越表现而广受欢迎。近年来，注意力机制的引入进一步提升了UNet的性能。本文将深入分析一个结合了线性注意力机制的UNet实现，探讨其设计原理、代码实现以及在医学图像分割等任务中的应用潜力。UNet架构概述UNet最初由Ronneberger等人提出，主要用于生物医学图像分割。其独特的U形结构由编码器（下采样路径）和解码器（上采样路径）组成，通
  • Transformer 中 QKV 流向全解析（含注意力机制箭头图示） Accelemate transformer人工智能深度学习
    QKV是什么？在Attention机制中，我们通过Query（查询）与一组Key-Value（键-值）对计算注意力权重，然后用这些权重对Value进行加权求和，从而输出当前时刻关注上下文的结果。Transformer中注意力模块分布Transformer结构中含有三种注意力机制，每个机制都会涉及Q、K、V的构建和使用：编码器自注意力（EncoderSelf-Attention）解码器自注意力（De
  • 【YOLOv5/v7 添加注意力机制】 模块十六 Non-Local模块在YOLOv5/v7中的应用 路飞VS草帽 YOLO深度学习pytorchYOLOv7
    Non-Local模块在YOLOv5/v7中的应用1.Non-Local模块概述Non-Local模块是一种用于捕捉长距离依赖关系的注意力机制。它通过计算特征图中每个位置与其他所有位置的相互作用来增强特征表示。Non-Local模块的基本思想是引入一种全局的上下文信息，使得模型能够更好地理解图像中的全局结构和关系。Non-Local模块的核心公式如下：[y(x)=\sigma\left(\sum_
  • Pytorch中gather()函数详解和实战示例 点云SLAM PyTorch深度学习pytorch人工智能python深度学习机器学习计算视觉gather函数
    在PyTorch中，torch.gather()是一个非常实用的张量操作函数，主要用于根据索引从输入张量中选择特定位置的值。它常用于注意力机制、序列处理等场景。函数定义torch.gather(input,dim,index)→Tensorinput：待提取数据的张量。dim：在哪个维度上进行索引选择。index：一个与input在除了dim维度外相同形状的张量，其值指定了从input中提取的索引
  • 【AI论文】MiniMax-M1：利用Lightning注意力机制高效扩展测试时计算 东临碣石82 人工智能
    摘要：我们推出了MiniMax-M1，这是全球首个开源权重的大型混合注意力推理模型。MiniMax-M1采用了混合专家（Mixture-of-Experts，MoE）架构，并结合了闪电注意力（LightningAttention）机制。该模型是在我们之前的MiniMax-Text-01模型基础上开发而来的，后者总共包含4560亿个参数，每个标记（token）激活459亿个参数。而MiniMax-M
  • 基于Transformer的语音识别模型：从理论到实现 AI智能探索者 transformer语音识别深度学习ai
    基于Transformer的语音识别模型：从理论到实现关键词：Transformer、语音识别、注意力机制、序列建模、端到端学习、自注意力、语音特征提取摘要：本文将深入探讨基于Transformer架构的语音识别系统。从传统的语音识别方法出发，我们将一步步解析Transformer如何革新语音识别领域，详细讲解其核心原理、架构设计和实现细节。通过理论讲解、数学推导和代码实践相结合的方式，帮助读者全
  • AI人工智能语音识别的多模态融合应用 AI天才研究院 ChatGPTAI大模型应用入门实战与进阶人工智能语音识别ai
    AI人工智能语音识别的多模态融合应用关键词：语音识别、多模态融合、深度学习、神经网络、特征提取、端到端学习、注意力机制摘要：本文深入探讨了AI语音识别中的多模态融合技术，从基础原理到实际应用进行了全面剖析。文章首先介绍了语音识别和多模态学习的基本概念，然后详细讲解了多模态融合的核心算法和数学模型，包括特征级融合、决策级融合和端到端融合等方法。接着通过实际项目案例展示了多模态语音识别系统的实现过程，
  • MiniMax发布MiniMax-M1推理模型，支持100万Token上下文，降低成本。 我的学校你进不来 大数据人工智能语言模型后端前端
    MiniMax是一家成立于2021年12月的中国人工智能科技公司，专注于多模态大模型研发，其核心团队由前商汤科技高管闫俊杰领衔。公司以创新的MoE（混合专家）架构和闪电注意力机制（LightningAttention）技术著称，先后推出支持200K上下文长度的abab6.5模型和全球首个开源混合架构推理模型MiniMax-M125。一、核心突破：超长上下文与算力优化1‌.100万Token上下文支
  • SwinTransformer 改进：结合DLKA与SSPP的模型架构 听风吹等浪起 AI改进系列深度学习人工智能
    1.创新点设计引言在计算机视觉领域，Transformer架构近年来取得了巨大成功，逐渐取代了传统的CNN模型。本文将深入解析一个结合了SwinTransformer、动态大核注意力(DLKA)和空间金字塔池化(SSPP)的创新模型架构。这个设计巧妙地融合了Transformer的自注意力机制与CNN的局部特征提取能力，为图像分类任务提供了强大的解决方案。模型架构概览该模型的核心是基于SwinTr
  • NLP入门笔记 ShaneHolmes 自然语言处理深度学习机器学习
    1、入门CNN能够有效地在上下文中挖掘语义信息，但是无法对远距离上下文信息进行建模，也无法处理词汇的顺序信息。与CNN不同，RNN(循环)可以处理词汇的顺序信息，并且具有灵活的计算步骤，可以提供更好的建模能力。由于RNN容易出现梯度消失的问题，对其进行改进的LSTM网络开始流行。此外，由于计算能力有限导致信息超载问题严重，注意力机制作为一种资源分配方案，通过将计算资源分配给更重要的任务，有效缓解了
  • Transformer为何强大？揭秘多头注意力的核心机制 和老莫一起学AI transformer深度学习人工智能大模型程序员转行ai
    注意力机制首先简单回顾一下transformer的流程。我们有一句话我是秦始皇。这个内容会首先进行token分词，然后映射为tokenid，接着我们会对token_id进行词嵌入，得到然后加入位置编码，得到X。整个步骤如下：Tokenization：将句子分割成token，["我","是","秦始皇"]。TokentoID：将token映射为数字ID，[259,372,5892]。Embeddin
  • 32 - BiFormer模块 Leo Chaw 深度学习算法实现深度学习pytorch神经网络计算机视觉
    论文《BiFormer:VisionTransformerwithBi-LevelRoutingAttention》1、作用BiFormer旨在解决视觉Transformer在处理图像时的计算和内存效率问题。它通过引入双层路由注意力（Bi-LevelRoutingAttention,BRA），实现了动态的、基于内容的稀疏注意力机制，以更灵活、高效地分配计算资源。2、机制BiFormer的核心是双层
  • 【AI大模型】15、从GPT-1到GPT-3：大语言模型核心技术演进与能力涌现全解析
    一、GPT-1：预训练微调范式的奠基者（2018）（一）架构创新：单向Transformer解码器的诞生GPT-1首次将Transformer架构应用于语言模型领域，其核心采用12层Transformer解码器，摒弃了传统RNN的递归结构，通过自注意力机制实现并行计算。与Encoder-Decoder架构不同，GPT-1仅使用解码器部分，每个解码器层包含：多头自注意力模块：8个头，每个头维度64，
  • 29 - ResNeSt模块 Leo Chaw 深度学习算法实现深度学习计算机视觉pytorch人工智能
    论文《ResNeSt:Split-AttentionNetworks》1、作用ResNeSt提出了一种新的模块化分裂注意力（Split-Attention）块，通过在特征图组间实现注意力机制。通过堆叠这些分裂注意力块，以ResNet风格构建，形成了新的ResNet变体，即ResNeSt。该网络保留了整体的ResNet结构，便于在不增加额外计算成本的情况下，直接用于下游任务。2、机制1、ResNeS
  • 17 - ExternalAttention模块 Leo Chaw 深度学习算法实现pytorchpython人工智能深度学习
    论文《BeyondSelf-attention:ExternalAttentionusingTwoLinearLayersforVisualTasks》1、作用本文提出了一种新颖的注意力机制——外部注意力（ExternalAttention），通过使用两个外部小型可学习的共享内存来实现。这种机制能够用两个连续的线性层和两个归一化层简单实现，并且可以方便地替换现有流行架构中的自注意力机制。外部注意力
  • 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