- 深度学习pytorch之4种归一化方法(Normalization)原理公式解析和参数使用
@Mr_LiuYang
计算机视觉基础归一化正则化NormlizationBatchNormLayerNormInstanceNromGroupNorm
深度学习pytorch之22种损失函数数学公式和代码定义深度学习pytorch之19种优化算法(optimizer)解析深度学习pytorch之4种归一化方法(Normalization)原理公式解析和参数使用摘要归一化(Normalization)是提升模型性能、加速训练的重要技巧。归一化方法可以帮助减少梯度消失或爆炸的问题,提升模型的收敛速度,且对最终模型的性能有显著影响。本文将以PyTorc
- Transformer 代码剖析9 - 解码器模块Decoder (pytorch实现)
lczdyx
Transformer代码剖析transformerpytorch深度学习人工智能python
一、模块架构全景图1.1核心功能定位Transformer解码器是序列生成任务的核心组件,负责根据编码器输出和已生成序列预测下一个目标符号。其独特的三级注意力机制架构使其在机器翻译、文本生成等任务中表现出色。下面是解码器在Transformer架构中的定位示意图:解码器层组件解码器内部结构Transformer自注意力交叉注意力前馈网络残差连接+层归一化嵌入层位置编码解码器层1解码器层2...解码
- pytorch与深度学习随记——AlexNet
黑色的山岗在沉睡
深度学习随记深度学习pytorch人工智能
AlexNet和LeNet的设计理念非常相似,但也存在显著差异:基本结构对比网络深度:AlexNet比LeNet-5要深得多,AlexNet由八层组成:五个卷积层、两个全连接隐藏层和一个全连接输出层。激活函数:AlexNet使用ReLU而不是sigmoid作为其激活函数,这有助于缓解梯度消失问题并加速训练过程。AlexNet架构的创新点局部响应归一化(LRN):AlexNet引入LRN层,可以创建
- 基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。
qq924711725
仿真模型机器学习算法随机森林
基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。首先从Excel文件中导入数据集,并将数据划分为训练集和测试集。然后,对数据进行归一化处理并转置以适应模型的要求。文章目录MATLAB代码实现说明:MATLAB代码实现说明:运行代码前的注意事项:示例输出:MATLAB代码实现说明:示例输出:以下是一个基于随机森林(RF,RandomForest)机器学习
- matlab中im2double、im2uint8的python实现
青铜锁00
Python图像处理Matlabmatlabpython图像处理
matlab中im2double、im2uint8的python实现im2double源码验证im2double源码验证im2doubleim2double的核心功能是将图像数据转换为双精度浮点数并归一化到[0,1]范围。对于uint8类型,除以255,uint16除以65535,当输入已经是浮点型时,如果值已经在0-1之间,会保持原样索引图像不适用该函数。应先转换为真彩图像再继续源码defim2
- pytorch基础-layernormal 与 batchnormal
yuweififi
pytorch人工智能python
nn.LayerNorm(层归一化)和nn.BatchNorm(批量归一化)是深度学习中常用的两种归一化方法,都有助于提高模型的训练效率和稳定性,但它们在归一化维度、应用场景、计算方式等方面存在明显区别,以下为你详细介绍:1、归一化维度nn.LayerNorm:对单个样本的特征维度进行归一化。无论输入数据的形状如何,它会计算每个样本在特征维度上的均值和方差,然后进行归一化。例如,对于一个形状为(b
- 深度学习重要论文阅读笔记 ResNet (2025.2.26)
北岛寒沫
逐界星辰2025计算机科研深度学习论文阅读笔记
文章目录问题背景数据预处理神经网络模型模型性能知识点积累英语单词积累问题背景随着神经网络变得更深(层数变多),模型的训练过程也会变得更加困难。当神经网络的深度增加,就会出现梯度消失和梯度下降现象,妨碍模型的收敛。不过,这种情况可以通过归一化的模型初始化和中间的归一化层基本解决。但是,尽管在增加了归一化技术的情况下很深的神经网络可以收敛,又出现了另外一个问题,即随着模型深度的增加,模型的准确率反而下
- 【openCV-66】内参矩阵和外参矩阵
华东算法王
华东算法王-opencvopencv矩阵人工智能
外参矩阵与内参矩阵在计算机视觉、相机标定和三维重建等领域,内参矩阵和外参矩阵是描述相机如何将三维世界映射到二维图像的重要工具。它们分别描述了相机的内部特性和外部位置,是相机标定的核心组成部分。1.内参矩阵(IntrinsicMatrix)内参矩阵描述了相机内部的几何特性,主要涉及焦距、光心和像素的比例等参数。它通常是一个3x3的矩阵,用来将相机的归一化坐标系转换为像素坐标系。1.1内参矩阵的组成内
- ALOAM代码解析laserMapping(二)
大山同学
代码解析SLAM感知定位
文章目录前言1.计算当前帧位置的IJK坐标2.与地图特征点与线段拟合及残差计算2.1.变换点云坐标系2.2.寻找最近邻点2.3.计算最近邻点的中心2.4.计算协方差矩阵2.5.特征值与特征向量分析2.6.判断是否为线特征2.7.添加残差函数3.点到平面拟合与残差计算(LidarPlaneNormFactor)3.1.变换点云坐标系3.2.寻找最近邻点3.3.最小二乘法拟合平面3.4.归一化法向量3
- 神经网络八股(3)
SylviaW08
神经网络人工智能深度学习
1.什么是梯度消失和梯度爆炸梯度消失是指梯度在反向传播的过程中逐渐变小,最终趋近于零,这会导致靠前层的神经网络层权重参数更新缓慢,甚至不更新,学习不到有用的特征。梯度爆炸是指梯度在方向传播过程中逐渐变大,权重参数更新变化较大,导致损失函数的上下跳动,导致训练不稳定可以使用一些合理的损失函数如relu,leakRelu,归一化处理,batchnorm,确保神经元的输出值在合理的范围内2.为什么需要特
- 机器学习01
天行者@
机器学习人工智能深度学习
机器学习的基本过程如下:1.数据获取2.数据划分3.特征提取4.模型选择与训练5.模型评估6.模型调优一、特征工程(重点)0.特征工程步骤为:特征提取(如果不是像dataframe那样的数据,要进行特征提取,比如字典特征提取,文本特征提取)无量纲化(预处理)归一化标准化降维底方差过滤特征选择主成分分析-PCA降维1.特征工程API实例化转换器对象,转换器类有很多,都是Transformer的子类,
- GPT-2源码实现及GPT-3、GPT-3.5、GPT-4及GPT-5内幕解析(二)
段智华
深入理解ChatGPTChatGPT国内OpenAIGPT-3GPT-4
GPT-2源码实现及GPT-3、GPT-3.5、GPT-4及GPT-5内幕解析(二)Gavin大咖微信:NLP_Matrix_Space5.2GPT-2源码实现逐行解析本节讲解GPT-2源码,gpt2.py是一个使用NumPy实现的代码,在代码中实现了GELU激活函数、softmax函数、层归一化、线性层、前馈神经网络、多头自注意力机制、Transformer块、GPT2模型以及文本生成函数,通过
- OpenCV每日函数 图像过滤模块 (3) boxFilter函数
坐望云起
深度学习从入门到精通OpenCV从入门到精通opencv计算机视觉人工智能
一、概述使用箱形滤镜模糊图像,该函数使用内核平滑图像:其中非归一化箱形滤波器可用于计算每个像素邻域上的各种积分特征,例如图像导数的协方差矩阵(用于密集光流算法等)。如果您需要计算可变大小窗口上的像素和,请使用积分图。二、boxFilter函数1、函数原型cv::boxFilter(InputArraysrc,OutputArraydst,intddepth,Sizeksize,Pointancho
- 智能优化算法应用:基于哈里斯鹰算法与双伽马校正的图像自适应增强算法
智能算法研学社(Jack旭)
智能优化算法应用图像增强算法计算机视觉人工智能
智能优化算法应用:基于哈里斯鹰算法与双伽马校正的图像自适应增强算法-附代码文章目录智能优化算法应用:基于哈里斯鹰算法与双伽马校正的图像自适应增强算法-附代码1.全局双伽马校正2.哈里斯鹰算法3.适应度函数设计4.实验与算法结果5.参考文献6.Matlab代码摘要:本文主要介绍基于哈里斯鹰算法与双伽马校正的图像自适应增强算法。1.全局双伽马校正设图像的灰度值范围被归一化到[0,1]范围之内,基于全局
- PyTorch torch.logsumexp 详解:数学原理、应用场景与性能优化(中英双语)
阿正的梦工坊
PyTorchDeepLearningpytorch人工智能python
PyTorchtorch.logsumexp详解:数学原理、应用场景与性能优化在深度学习和概率模型中,我们经常需要计算数值稳定的对数概率操作,特别是在处理softmax归一化、对数似然计算、损失函数优化等任务时,直接求和再取对数可能会导致数值溢出。torch.logsumexp正是为了解决这一问题而设计的。在本文中,我们将详细介绍:torch.logsumexp的数学原理它的实际用途为什么它比直接
- 深度学习归一化与正则化
鱼儿也有烦恼
深度学习深度学习
文章目录深度学习归一化与正则化1.归一化(Normalization)2.正则化(Regularization)深度学习归一化与正则化1.归一化(Normalization)定义:归一化是指通过某种算法将输入数据或神经网络层的激活值处理后限制在我们需要的特定范围内。它的目的是为了方便后续的数据处理,并加快程序的收敛速度。归一化的主要作用是统一样本的统计分布。在0到1之间的归一化代表的是概率分布,而
- 卷积神经网络之AlexNet经典神经网络,实现手写数字0~9识别
知识鱼丸
深度学习神经网络cnn人工智能深度学习AlexNet经典神经网络
深度学习中较为常见的神经网络模型AlexNet,AlexNet是一个采用GPU训练的深层CNN,本质是种LeNet变体。由特征提取层的5个卷积层两个下采样层和分类器中的三个全连接层构成。先看原理:AlexNet网络特点采用ReLU激活函数,使训练速度提升6倍采用dropout层,防止模型过拟合通过平移和翻转的方式对数据进行增强采用LRN局部响应归一化,限制数据大小,防止梯度消失和爆炸。但后续证明批
- python实现将RGB相机与事件相机的照片信息进行融合以进行目标检测
go5463158465
python算法python数码相机目标检测
要将RGB相机与事件相机的照片信息进行融合以进行目标检测,我们可以按以下步骤进行:整体思路数据读取:分别读取RGB图像和事件相机数据。数据预处理:对RGB图像和事件数据进行必要的预处理,如调整尺寸、归一化等。数据融合:将预处理后的RGB图像和事件数据进行融合。目标检测:使用融合后的数据进行目标检测。代码实现importcv2importnumpyasnpimporttorchfromtorchvi
- CCF-CSP真题202206-归一化处理/寻宝大冒险
chaser&upper
一研为定Algorithm算法c++
CCF-CSP真题202206归一化处理寻宝大冒险Rederence归一化处理数学题:直接计算平均值、方差、按公式计算即可!7-42930-22126541000-0.74855103790736130.04504284674812264-0.7378629047806881-0.7966476369773906-0.70579850540066861.00964686143037751.9341
- Hu矩的原理及应用
Ring__Rain
算法人工智能机器学习
什么是Hu矩Hu矩是一种描述图像形状特征的数学工具,核心思想:提取图像的形状信息,并对这些信息进行归一化,使得它们对图像的平移、旋转和缩放具有不变性。简单说,Hu矩就是一串数字,这串数字可以唯一的描述图像的形状特征,而且不管图像怎么移动、旋转和缩放,这组数字都不变。Hu矩的原理1,几何矩:图像的像素值的加权和,可以用来描述图像的形状。如:零阶矩(面积):图像中所有像素值的总和;一阶矩(质心):图像
- Pytorch实现论文之一种基于扰动卷积层和梯度归一化的生成对抗网络
这张生成的图像能检测吗
GAN系列优质GAN模型训练自己的数据集pytorch人工智能机器学习生成对抗网络神经网络计算机视觉深度学习
简介简介:提出了一种针对鉴别器的梯度惩罚方法和在鉴别器中采用扰动卷积,拟解决锐梯度空间引起的训练不稳定性问题和判别器的记忆问题。论文题目:APerturbedConvolutionalLayerandGradientNormalizationbasedGenerativeAdversarialNetwork(一种基于扰动卷积层和梯度归一化的生成对抗网络)会议:20244thInternationa
- 【目标检测】多模态航空目标检测:A SIMPLE AERIAL DETECTION BASELINE OF MULTIMODAL LANGUAGE MODELS
慕容紫英问情
目标检测目标检测人工智能计算机视觉
阅读并理解一篇论文:ASIMPLEAERIALDETECTIONBASELINEOFMULTIMODALLANGUAGEMODELS该文首次提出了一种将多模态语言模型应用于航空检测的简单基线方法,名为LMMRotate。贡献:具体而言,首先引入一种归一化方法,将检测输出转换为文本输出,以适配多模态语言模型框架。接着,提出一种评估方法,确保多模态语言模型与传统目标检测模型之间能够进行公平比较。通过微
- 智能优化算法应用:基于群居蜘蛛算法与双伽马校正的图像自适应增强算法
智能算法研学社(Jack旭)
智能优化算法应用图像增强算法计算机视觉人工智能
智能优化算法应用:基于群居蜘蛛算法与双伽马校正的图像自适应增强算法-附代码文章目录智能优化算法应用:基于群居蜘蛛算法与双伽马校正的图像自适应增强算法-附代码1.全局双伽马校正2.群居蜘蛛算法3.适应度函数设计4.实验与算法结果5.参考文献6.Matlab代码摘要:本文主要介绍基于群居蜘蛛算法与双伽马校正的图像自适应增强算法。1.全局双伽马校正设图像的灰度值范围被归一化到[0,1]范围之内,基于全局
- 机器学习 网络安全
网络安全Max
机器学习web安全人工智能
实现机械学习网络安全的流程概述在实现“机器学习网络安全”这个任务中,我们需要经历一系列步骤,从数据准备、训练到模型评估。在这篇文章中,我将详细介绍每个步骤的具体操作,并附上相应的代码示例和解释。步骤下面是实现机器学习网络安全的流程,简单概括如下:步骤描述1.数据采集从网络安全日志或其他数据源中采集数据2.数据预处理对数据进行清洗、归一化和特征提取等操作3.模型选择选择适合网络安全场景的机器学习模型
- GCN推导合集
mumukehao
研究生笔记异配图深度学习
读论文,发现看论文最重要的是推导,因此写了这篇文章,记录重要的推导过程(个人人为的)(持续更新)SGC以及最常见优化的推到邻接矩阵归一化:A~=D~−1/2A~D~−1/2\tilde{A}=\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}A~=D~−1/2A~D~−1/2对应::A=In+D−1/2AD−1/2A=I_{n}+D^{-1/2}AD^{-1/2}A
- 一杯咖啡的时间学习大模型(LLM):LLaMA解读之旋转编码RoPE(含代码实现)
Bug_makerACE
llamapython人工智能nlppytorch深度学习transformer
文章目录一、LLaMA的核心改进全景二、旋转位置编码(RoPE)2.1改进动机2.2数学原理2.3源码实现一、LLaMA的核心改进全景Meta开源的LLaMA模型凭借其卓越的性能表现成为大模型发展的重要里程碑。相较于标准Transformer架构,LLaMA主要在以下几个方面进行了关键改进:位置编码升级:采用旋转位置编码(RotaryPositionEmbedding,RoPE)归一化革新:对每个
- 大型语言模型的核心机制解析
耶耶Norsea
网络杂烩人工智能Deepseek
摘要大型语言模型的核心机制依赖于Transformer架构,该架构通过嵌入层将输入数据转换为向量形式,并结合位置编码以保留序列中单词的顺序信息。随后,这些向量进入多头自注意力层,能够同时关注输入序列的不同部分。自注意力层的输出经过残差连接和层归一化处理,以增强模型的学习能力和稳定性。接着,数据流经前馈网络进一步处理,最终再次通过残差连接和层归一化,得到编码器层的输出。模型性能高度依赖大规模和高质量
- 【2024年华为OD机试】 (C卷,200分)- 寻找最优的路测线路(JavaScript&Java & Python&C/C++)
妄北y
算法汇集笔记总结(保姆级)华为odc语言javascriptjava中文分词python
一、问题描述网络信号质量评估与最优路线问题题目描述为了评估网络的信号质量,可以将网络划分为栅格,并对每个栅格的信号质量进行计算。路测时,目标是选择一条信号最优的路线(由相连的栅格组成)进行演示。给定一个R行C列的整数数组Cov,其中每个单元格的数值S代表该栅格的信号质量。信号质量已经归一化,无单位,数值越大信号越好。规则路径限制:路径只能上下左右四个方向移动,不能对角线移动。路径评分:路径的评分取
- 基于最优输运思想的分组奖励策略优化算法详解
步子哥
AGI通用人工智能算法人工智能
摘要近年来,最优输运(OptimalTransport,OT)理论因其在分布对齐、概率测度比较等问题上的卓越表现受到广泛关注。本文从“世界不断演进遵循最小代价策略”这一自然哲理出发,详细阐述了一种基于最优输运思想的分组奖励策略优化算法(GroupedRewardPolicyOptimization,GRPO)。我们将详细讨论算法的采样机制、奖励归一化、局部优势函数构造、Token级路径积分奖励分配
- Python工具箱系列:Pandas 数据清洗与预处理详解
傻啦嘿哟
关于python那些事儿pythonpandas开发语言
目录一、数据清洗与预处理的重要性二、Pandas简介三、Pandas数据清洗与预处理技巧1.读取数据2.查看数据3.处理缺失值4.处理重复值5.处理异常值6.处理数据类型不一致7.处理数据格式不一致8.数据标准化和归一化9.数据编码四、案例:使用Pandas进行数据清洗与预处理总结数据清洗与预处理是数据分析中的关键步骤,其目的是确保数据的质量,提高数据分析的准确性和可靠性。Pandas是Pytho
- 矩阵求逆(JAVA)初等行变换
qiuwanchi
矩阵求逆(JAVA)
package gaodai.matrix;
import gaodai.determinant.DeterminantCalculation;
import java.util.ArrayList;
import java.util.List;
import java.util.Scanner;
/**
* 矩阵求逆(初等行变换)
* @author 邱万迟
*
- JDK timer
antlove
javajdkschedulecodetimer
1.java.util.Timer.schedule(TimerTask task, long delay):多长时间(毫秒)后执行任务
2.java.util.Timer.schedule(TimerTask task, Date time):设定某个时间执行任务
3.java.util.Timer.schedule(TimerTask task, long delay,longperiod
- JVM调优总结 -Xms -Xmx -Xmn -Xss
coder_xpf
jvm应用服务器
堆大小设置JVM 中最大堆大小有三方面限制:相关操作系统的数据模型(32-bt还是64-bit)限制;系统的可用虚拟内存限制;系统的可用物理内存限制。32位系统下,一般限制在1.5G~2G;64为操作系统对内存无限制。我在Windows Server 2003 系统,3.5G物理内存,JDK5.0下测试,最大可设置为1478m。
典型设置:
java -Xmx
- JDBC连接数据库
Array_06
jdbc
package Util;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;
public class JDBCUtil {
//完
- Unsupported major.minor version 51.0(jdk版本错误)
oloz
java
java.lang.UnsupportedClassVersionError: cn/support/cache/CacheType : Unsupported major.minor version 51.0 (unable to load class cn.support.cache.CacheType)
at org.apache.catalina.loader.WebappClassL
- 用多个线程处理1个List集合
362217990
多线程threadlist集合
昨天发了一个提问,启动5个线程将一个List中的内容,然后将5个线程的内容拼接起来,由于时间比较急迫,自己就写了一个Demo,希望对菜鸟有参考意义。。
import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.CountDownLatch;
public c
- JSP简单访问数据库
香水浓
sqlmysqljsp
学习使用javaBean,代码很烂,仅为留个脚印
public class DBHelper {
private String driverName;
private String url;
private String user;
private String password;
private Connection connection;
privat
- Flex4中使用组件添加柱状图、饼状图等图表
AdyZhang
Flex
1.添加一个最简单的柱状图
? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
<?xml version=
"1.0"&n
- Android 5.0 - ProgressBar 进度条无法展示到按钮的前面
aijuans
android
在低于SDK < 21 的版本中,ProgressBar 可以展示到按钮前面,并且为之在按钮的中间,但是切换到android 5.0后进度条ProgressBar 展示顺序变化了,按钮再前面,ProgressBar 在后面了我的xml配置文件如下:
[html]
view plain
copy
<RelativeLa
- 查询汇总的sql
baalwolf
sql
select list.listname, list.createtime,listcount from dream_list as list , (select listid,count(listid) as listcount from dream_list_user group by listid order by count(
- Linux du命令和df命令区别
BigBird2012
linux
1,两者区别
du,disk usage,是通过搜索文件来计算每个文件的大小然后累加,du能看到的文件只是一些当前存在的,没有被删除的。他计算的大小就是当前他认为存在的所有文件大小的累加和。
- AngularJS中的$apply,用还是不用?
bijian1013
JavaScriptAngularJS$apply
在AngularJS开发中,何时应该调用$scope.$apply(),何时不应该调用。下面我们透彻地解释这个问题。
但是首先,让我们把$apply转换成一种简化的形式。
scope.$apply就像一个懒惰的工人。它需要按照命
- [Zookeeper学习笔记十]Zookeeper源代码分析之ClientCnxn数据序列化和反序列化
bit1129
zookeeper
ClientCnxn是Zookeeper客户端和Zookeeper服务器端进行通信和事件通知处理的主要类,它内部包含两个类,1. SendThread 2. EventThread, SendThread负责客户端和服务器端的数据通信,也包括事件信息的传输,EventThread主要在客户端回调注册的Watchers进行通知处理
ClientCnxn构造方法
&
- 【Java命令一】jmap
bit1129
Java命令
jmap命令的用法:
[hadoop@hadoop sbin]$ jmap
Usage:
jmap [option] <pid>
(to connect to running process)
jmap [option] <executable <core>
(to connect to a
- Apache 服务器安全防护及实战
ronin47
此文转自IBM.
Apache 服务简介
Web 服务器也称为 WWW 服务器或 HTTP 服务器 (HTTP Server),它是 Internet 上最常见也是使用最频繁的服务器之一,Web 服务器能够为用户提供网页浏览、论坛访问等等服务。
由于用户在通过 Web 浏览器访问信息资源的过程中,无须再关心一些技术性的细节,而且界面非常友好,因而 Web 在 Internet 上一推出就得到
- unity 3d实例化位置出现布置?
brotherlamp
unity教程unityunity资料unity视频unity自学
问:unity 3d实例化位置出现布置?
答:实例化的同时就可以指定被实例化的物体的位置,即 position
Instantiate (original : Object, position : Vector3, rotation : Quaternion) : Object
这样你不需要再用Transform.Position了,
如果你省略了第二个参数(
- 《重构,改善现有代码的设计》第八章 Duplicate Observed Data
bylijinnan
java重构
import java.awt.Color;
import java.awt.Container;
import java.awt.FlowLayout;
import java.awt.Label;
import java.awt.TextField;
import java.awt.event.FocusAdapter;
import java.awt.event.FocusE
- struts2更改struts.xml配置目录
chiangfai
struts.xml
struts2默认是读取classes目录下的配置文件,要更改配置文件目录,比如放在WEB-INF下,路径应该写成../struts.xml(非/WEB-INF/struts.xml)
web.xml文件修改如下:
<filter>
<filter-name>struts2</filter-name>
<filter-class&g
- redis做缓存时的一点优化
chenchao051
redishadooppipeline
最近集群上有个job,其中需要短时间内频繁访问缓存,大概7亿多次。我这边的缓存是使用redis来做的,问题就来了。
首先,redis中存的是普通kv,没有考虑使用hash等解结构,那么以为着这个job需要访问7亿多次redis,导致效率低,且出现很多redi
- mysql导出数据不输出标题行
daizj
mysql数据导出去掉第一行去掉标题
当想使用数据库中的某些数据,想将其导入到文件中,而想去掉第一行的标题是可以加上-N参数
如通过下面命令导出数据:
mysql -uuserName -ppasswd -hhost -Pport -Ddatabase -e " select * from tableName" > exportResult.txt
结果为:
studentid
- phpexcel导出excel表简单入门示例
dcj3sjt126com
PHPExcelphpexcel
先下载PHPEXCEL类文件,放在class目录下面,然后新建一个index.php文件,内容如下
<?php
error_reporting(E_ALL);
ini_set('display_errors', TRUE);
ini_set('display_startup_errors', TRUE);
if (PHP_SAPI == 'cli')
die('
- 爱情格言
dcj3sjt126com
格言
1) I love you not because of who you are, but because of who I am when I am with you. 我爱你,不是因为你是一个怎样的人,而是因为我喜欢与你在一起时的感觉。 2) No man or woman is worth your tears, and the one who is, won‘t
- 转 Activity 详解——Activity文档翻译
e200702084
androidUIsqlite配置管理网络应用
activity 展现在用户面前的经常是全屏窗口,你也可以将 activity 作为浮动窗口来使用(使用设置了 windowIsFloating 的主题),或者嵌入到其他的 activity (使用 ActivityGroup )中。 当用户离开 activity 时你可以在 onPause() 进行相应的操作 。更重要的是,用户做的任何改变都应该在该点上提交 ( 经常提交到 ContentPro
- win7安装MongoDB服务
geeksun
mongodb
1. 下载MongoDB的windows版本:mongodb-win32-x86_64-2008plus-ssl-3.0.4.zip,Linux版本也在这里下载,下载地址: http://www.mongodb.org/downloads
2. 解压MongoDB在D:\server\mongodb, 在D:\server\mongodb下创建d
- Javascript魔法方法:__defineGetter__,__defineSetter__
hongtoushizi
js
转载自: http://www.blackglory.me/javascript-magic-method-definegetter-definesetter/
在javascript的类中,可以用defineGetter和defineSetter_控制成员变量的Get和Set行为
例如,在一个图书类中,我们自动为Book加上书名符号:
function Book(name){
- 错误的日期格式可能导致走nginx proxy cache时不能进行304响应
jinnianshilongnian
cache
昨天在整合某些系统的nginx配置时,出现了当使用nginx cache时无法返回304响应的情况,出问题的响应头: Content-Type:text/html; charset=gb2312 Date:Mon, 05 Jan 2015 01:58:05 GMT Expires:Mon , 05 Jan 15 02:03:00 GMT Last-Modified:Mon, 05
- 数据源架构模式之行数据入口
home198979
PHP架构行数据入口
注:看不懂的请勿踩,此文章非针对java,java爱好者可直接略过。
一、概念
行数据入口(Row Data Gateway):充当数据源中单条记录入口的对象,每行一个实例。
二、简单实现行数据入口
为了方便理解,还是先简单实现:
<?php
/**
* 行数据入口类
*/
class OrderGateway {
/*定义元数
- Linux各个目录的作用及内容
pda158
linux脚本
1)根目录“/” 根目录位于目录结构的最顶层,用斜线(/)表示,类似于
Windows
操作系统的“C:\“,包含Fedora操作系统中所有的目录和文件。 2)/bin /bin 目录又称为二进制目录,包含了那些供系统管理员和普通用户使用的重要
linux命令的二进制映像。该目录存放的内容包括各种可执行文件,还有某些可执行文件的符号连接。常用的命令有:cp、d
- ubuntu12.04上编译openjdk7
ol_beta
HotSpotjvmjdkOpenJDK
获取源码
从openjdk代码仓库获取(比较慢)
安装mercurial Mercurial是一个版本管理工具。 sudo apt-get install mercurial
将以下内容添加到$HOME/.hgrc文件中,如果没有则自己创建一个: [extensions] forest=/home/lichengwu/hgforest-crew/forest.py fe
- 将数据库字段转换成设计文档所需的字段
vipbooks
设计模式工作正则表达式
哈哈,出差这么久终于回来了,回家的感觉真好!
PowerDesigner的物理数据库一出来,设计文档中要改的字段就多得不计其数,如果要把PowerDesigner中的字段一个个Copy到设计文档中,那将会是一件非常痛苦的事情。