- 图神经网络实战(9)——GraphSAGE详解与实现
盼小辉丶
图神经网络从入门到项目实战图神经网络GNNpytorch
图神经网络实战(9)——GraphSAGE详解与实现0.前言1.GraphSAGE原理1.1邻居采样1.2聚合2.构建GraphSAGE模型执行节点分类2.1数据集分析2.2构建GraphSAGE模型3.PinSAGE小结系列链接0.前言GraphSAGE是专为处理大规模图而设计的图神经网络(GraphNeuralNetworks,GNN)架构。在科技行业,可扩展性是推动系统增长的关键驱动力。因此
- Datawhale 数学建模导论国赛B学习笔记
瓜瓜蛋
数学建模学习笔记
贪心算法贪心算法(Greedyalgorithm)(贪婪算法)基本思想:多机调度问题是一个多项式复杂程度的非确定性问题(Non-deterministicPolynomial),具有一定的复杂程度,当前没有有效的解决方法。相较于其它算法,贪心算法求解不从整体最优上加以考虑,。而是寻求某种意义上的局部最优解,从而做出当下最好的选择。因此,在求解并行机调度问题上,贪心算法容易获得近似最优解的答案,更有
- 如何用 DeepSeek 进行卷积神经网络(CNN)的优化
一碗黄焖鸡三碗米饭
人工智能前沿与实践cnn人工智能神经网络机器学习深度学习
如何用DeepSeek进行卷积神经网络(CNN)的优化卷积神经网络(CNN)在计算机视觉任务中取得了巨大的成功,例如图像分类、目标检测和图像生成。然而,尽管CNN在这些任务中表现出色,它们通常需要大量的计算资源,并且在优化过程中可能会遇到一些挑战,如过拟合、训练速度慢、局部最优解等问题。为了更好地优化CNN模型,提高其性能和训练效率,DeepSeek提供了多种优化技术和工具,可以帮助我们系统地进行
- 图像识别-pytorch
星辰瑞云
机器学习cnnpytorch
Pytorch神经网络工具箱神经网络核心组件神经网络的基本组件层:包括卷积层、池化层、全连接层等。层是神经网络的基本结构,输入张量通过层后变为输出张量。模型:由层构成的网络结构,如AlexNet、VGG等。模型可以是预训练的,也可以自己搭建。损失函数:用于衡量预测值与真实值之间的差距,如均方误差。损失函数越小越好。优化器:用于调整权重和偏置,使损失函数最小化。优化器决定了参数的调整方式。误差反传(
- 建筑兔零基础人工智能自学记录34|深度学习与神经网络2
阿克兔
人工智能toto学习人工智能深度学习神经网络
1、人工神经网络ANN从生物课上学到的有关神经元、突触的生物神经网络,被模仿出了简化的人工神经网络(ANN,artificialneuralnetwork)。ANN结构为:输入层、隐藏层、输出层人工神经元:基于生物神经元的数学模型ANN过程:输入---加权求和---激活函数激活函数:类似生物神经元的阈值,达到阈值输出信号(‘神经网络的万能逼近定理’---两层以上神经网络可以逼近任意函数)2、深度学
- 数学建模(6)——预测类模型目录
Ice-cream-AI
数学建模
预测模型是一类通过分析和建模历史数据来预测未来结果的算法或模型。这些模型广泛应用于各种领域,包括金融、医疗、市场营销、气象、制造业等。以下是一些常见的预测模型:1.回归模型线性回归(LinearRegression):用于预测连续变量,通过拟合一个线性方程来最小化预测值和实际值之间的误差。多元线性回归(MultipleLinearRegression):扩展线性回归模型,使用多个特征进行预测。岭回
- 机器学习与深度学习资料
JasonDing1354
【MachineLearning】
《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、DeepLearning.《DeepLearninginNeuralNetworks:AnOverview》介绍:这是瑞士人工智能实验室JurgenSchmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以
- 全过程带你从入门到精通《动手学PyTorch深度学习建模与应用》第二章:2.1-2.3节详解,篇幅超了,缺的后面再补吧
环工人学Python
深度学习pytorch人工智能python机器学习
写在前面:点点关注不迷路,免费的赞和收藏走起来!后续更新第一时间提示哦,每周会更新不同内容,下周更新如何用各种模态的大模型去为你服务,编写代码。在深度学习的世界里,理解基础概念是构建复杂模型的关键。第二章“深度学习基础与PyTorch实现”将帮助我们深入理解深度学习的核心概念,并通过PyTorch实现这些概念。这一章的内容非常重要,因为它不仅涵盖了神经网络的基本原理,还介绍了激活函数、损失函数和优
- 基于 Pytorch 的全卷积网络人脸表情识别:从数据到部署的实战之旅
那年一路北
Pytorch理论+实践pytorch网络人工智能
前言:本文将详细介绍基于Pytorch框架,利用全卷积网络进行人脸表情识别的完整过程,涵盖从数据集的准备、模型的设计与训练,再到模型的部署与预测,通过代码实现以及详细讲解,帮助读者深入理解并掌握这一技术。一、引言人脸表情是人类情感交流的重要方式,不同的表情能够传达出丰富的情感信息。人脸表情识别在智能交互、安防监控、心理健康分析等众多领域有着广泛的应用前景。随着深度学习技术的发展,基于卷积神经网络的
- YOLOv5 + SE注意力机制:提升目标检测性能的实践
那年一路北
YoloYOLO目标跟踪人工智能
一、引言目标检测是计算机视觉领域的一个重要任务,广泛应用于自动驾驶、安防监控、工业检测等领域。YOLOv5作为YOLO系列的最新版本,以其高效性和准确性在实际应用中表现出色。然而,随着应用场景的复杂化,传统的卷积神经网络在处理复杂背景和多尺度目标时可能会遇到性能瓶颈。为此,引入注意力机制成为了一种有效的改进方法。本文将详细介绍如何在YOLOv5中引入SE(Squeeze-and-Excitatio
- pip安装非标准版本号库报错 pip 24.1 will enforce this behaviour change.
m0_74397054
pippython机器学习神经网络
在做神经网络作业安装tensorflow报错pyodbc4.0.0-unsupportedhasanon-standardversionnumber.pip24.1willenforcethisbehaviourchange.Apossiblereplacementistoupgradetoanewerversionofpyodbcorcontacttheauthortosuggestthatth
- 【模块】Non-local Neural
dearr__
扒网络模块深度学习pytorchpython
论文《Non-localNeuralNetworks》作用非局部神经网络通过非局部操作捕获长距离依赖,这对于深度神经网络来说至关重要。这些操作允许模型在空间、时间或时空中的任何位置间直接计算相互作用,从而捕获长距离的交互和依赖关系。这种方法对于视频分类、对象检测/分割以及姿态估计等任务表现出了显著的改进。机制非局部操作通过在输入特征图的所有位置上计算响应的加权和来实现,其中权重由位置之间的关系(如
- yolov5-训练好的模型部署的几种方式-ONNX
黄晓魚
halcon3dPCL点云处理深度神经网络YOLOC#python
ONNX,即OpenNeuralNetworkExchange,是微软和Facebook发布的一个深度学习开发工具生态系统,旨在让AI开发人员能够随着项目发展而选择正确的工具。ONNX所针对的是深度学习开发生态中最关键的问题之一,在任意一个框架上训练的神经网络模型,无法直接在另一个框架上用。开发者需要耗费大量时间精力把模型从一个开发平台移植到另一个。因此,如何实现不同框架之间的互操作性,简化从研究
- 大语言模型原理与工程实践:手把手教你训练 7B 大语言模型 自动化训练框架
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型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
大语言模型原理与工程实践:手把手教你训练7B大语言模型自动化训练框架关键词:大语言模型、7B模型、自动化训练、深度学习、神经网络、自然语言处理、分布式计算文章目录大语言模型原理与工程实践:手把手教你训练7B大语言模型自动化训练框架1.背景介绍2.核心概念与联系3.核心算法原理&具体操作步骤3.1算法原理概述3.2算法步骤详解3.3算法优缺点3.4算法应用领域4.数学模型和公式&详细讲解&举例说明4
- 机器幻觉产生的原因
人机与认知实验室
机器学习人工智能
机器幻觉是指模型生成的不符合现实的内容,比如图像生成中的错误或者不合理的输出。线性函数在神经网络中的作用通常是传递梯度,但如果每一层都是线性的,整个网络就相当于一个单层的线性模型,无法学习复杂的模式。所以如果只有线性层而没有非线性激活函数的话,网络将无法处理复杂任务。对于激活函数而言,常见的如ReLU、sigmoid、tanh。激活函数引入非线性,让网络有能力学习复杂的特征。但是如果没有合适的激活
- PyTorch 常见的损失函数:从基础到大模型的应用
阿正的梦工坊
LLMPyTorchpytorch人工智能python
PyTorch常见的损失函数:从基础到大模型的应用在用PyTorch训练神经网络时,损失函数(LossFunction)是不可或缺的“裁判”。它告诉模型预测结果与真实答案的差距有多大,优化器则根据这个差距调整参数。PyTorch提供了丰富而强大的损失函数接口,位于torch.nn模块中。今天我们就来聊聊几个常见的损失函数(比如nn.MSELoss和nn.CrossEntropyLoss),看看它们
- Python从0到100(六十八):Python OpenCV-图像边缘检测及图像融合
是Dream呀
opencvpython计算机视觉
前言:零基础学Python:Python从0到100最新最全教程。想做这件事情很久了,这次我更新了自己所写过的所有博客,汇集成了Python从0到100,共一百节课,帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识,成为学习学习和学业的先行者!欢迎大家订阅专栏:零基础学Python:Python从0到100最新
- LSTM:解决梯度消失问题
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战计算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
1.背景介绍在深度学习领域,循环神经网络(RNN)是一种处理序列数据的强大工具。然而,RNN在处理长序列时面临着梯度消失的问题。为了解决这个问题,Hochreiter和Schmidhuber于1997年提出了长短期记忆(LSTM)网络。本文将深入探讨LSTM如何解决梯度消失问题。2.核心概念与联系2.1梯度消失问题在深度神经网络中,梯度消失是一个常见的问题。当网络的层数增加时,反向传播的梯度会随着
- Python深度学习实践:使用TensorFlow构建图像分类器
Evaporator Core
Python开发经验python深度学习tensorflow
摘要随着深度学习技术的飞速发展,图像识别已成为AI领域的热点应用之一。本篇文章将引导读者使用Python和Google的TensorFlow框架,从零开始构建一个简单的图像分类器。我们将深入探讨卷积神经网络(CNN)的基本原理,实现一个能够识别MNIST手写数字的数据集模型,并通过实战代码演示整个过程,最终展示模型的训练与评估。一、环境配置与库导入确保已安装Python3.7+版本,以及Tenso
- 深度学习进阶:构建多层神经网络
孤寂大仙v
深度学习神经网络人工智能
在上一篇文章中,我们从零开始构建了一个简单的两层神经网络,并通过异或问题(XOR)展示了神经网络的强大能力。今天,我们将进一步深入,构建一个更复杂的多层神经网络,并引入更多高级概念,如多隐藏层、激活函数选择、正则化等。我们还会使用更复杂的分类任务来训练模型,并评估其性能。1.多层神经网络的结构在实际应用中,深度学习模型通常包含多个隐藏层,这种结构被称为深度神经网络(DNN)。多层神经网络能够学习更
- 神经网络中的Adam
化作星辰
神经网络人工智能深度学习
Adam(AdaptiveMomentEstimation)是一种广泛使用的优化算法,结合了RMSprop和动量(Momentum)的优点。它通过计算梯度的一阶矩估计(mean)和二阶矩估计(uncenteredvariance),为每个参数提供自适应学习率。Adam由DiederikP.Kingma和JimmyBa在2014年的论文《Adam:AMethodforStochasticOptimi
- 神经网络中的Nesterov Momentum
化作星辰
神经网络人工智能深度学习
NesterovAcceleratedGradient(NAG),也称为NesterovMomentum,是一种改进版的动量优化算法,旨在加速梯度下降过程中的收敛速度,并提高对最优解的逼近效率。它由YuriiNesterov在1983年提出,是对传统动量方法的一种增强。###传统动量法回顾在传统的动量方法中,更新规则不仅考虑当前的梯度,还包含了之前所有梯度的方向和大小的累积(即“动量”),以帮助克
- 神经网络中的Adagrad
化作星辰
神经网络人工智能深度学习
Adagrad(AdaptiveGradient)是一种自适应学习率的优化算法,专门设计用于在训练过程中自动调整每个参数的学习率。这种方法对于处理稀疏数据特别有效,并且非常适合那些需要频繁更新但很少使用的参数的学习任务。###Adagrad的核心思想Adagrad通过累积过去所有梯度平方的和来调整每个权重的学习率。具体来说,它为网络中的每个参数维护一个历史梯度平方和,然后用这个累积值来缩放当前的学
- 大模型专栏博文汇总和索引
Donvink
大模型transformer深度学习人工智能语言模型
大模型专栏主要是汇总了我在学习大模型相关技术期间所做的一些总结和笔记,主要包括以下几个子专栏:DeepSeek-R1AIGC大模型实践Transformer多模态系统视频理解对比学习目标检测目标跟踪图神经网络大模型专栏汇总了以上所有子专栏的论文,目前暂时先按照不同的技术领域划分子专栏,子专栏之间的内容可能会有交集,不完全是独立的。为了方便查阅相关模块的内容,故以此文章进行汇总与索引。一、DeepS
- 金融风控与医疗影像算法创新前沿
智能计算研究中心
其他
内容概要在金融风控与医疗影像交叉领域,算法创新正推动两大行业的技术范式变革。联邦学习算法通过分布式数据协作机制,在保证隐私安全的前提下,显著提升金融风险预测模型的泛化能力。医疗影像诊断领域则依托三维卷积神经网络(3D-CNN)架构,实现了对CT、MRI等多模态影像的精准病灶分割,诊断准确率较传统方法提升23.6%。值得关注的是,可解释性算法(如LIME和SHAP)的深度应用,使两类场景中的模型决策
- 智能路径规划:从数学建模到算法优化的理论与实践
木子算法
人工智能数学建模数学建模算法人工智能
智能路径规划:从数学建模到算法优化的理论与实践一、引言在机器人学、自动驾驶、物流调度等领域,路径规划是实现自主导航的核心技术。从经典的Dijkstra算法到前沿的强化学习方法,路径规划技术的发展始终依赖于数学建模与算法优化的深度结合。本文将系统构建路径规划的理论框架,通过数学公式推导核心算法原理,并结合MATLAB代码实现完整的技术闭环。二、路径规划的数学基础(一)状态空间建模路径规划的本质是在状
- AI探索笔记:浅谈人工智能算法分类
安意诚Matrix
机器学习笔记人工智能笔记
人工智能算法分类这是一张经典的图片,基本概况了人工智能算法的现状。这张图片通过三个同心圆展示了人工智能、机器学习和深度学习之间的包含关系,其中人工智能是最广泛的范畴,机器学习是其子集,专注于数据驱动的算法改进,而深度学习则是机器学习中利用多层神经网络进行学习的特定方法。但是随着时代的发展,这张图片表达得也不是太全面了。我更喜欢把人工智能算法做如下的分类:传统机器学习算法-线性回归、逻辑回归、支持向
- pytorch阶段性总结2
Colinnian
pytorch人工智能python
nn神经网络functional当中卷积的使用importtorchimporttorch.nn.functionalasF#数据input=torch.tensor([[1,2,0,3,1],[0,1,2,3,1],[1,2,1,0,0],[5,2,3,1,1],[2,1,0,1,1]])#卷积核kernel=torch.tensor([[1,2,1],[0,1,0],[2,1,0]])#min
- AI探索笔记:线性回归
安意诚Matrix
机器学习笔记人工智能笔记线性回归
前言写这篇博客,主要是自己来练练手。网络上教程已经是数不胜数,也都讲得非常清楚了。但自己不动手,知识和能力还是别人的。下面分别用传统方法(sklearn)和神经网络(pytorch)来解决线性回归问题。内容什么是线性回归线性回归(LinearRegression)是统计学和机器学习中最基础且广泛使用的预测模型,用于建立**自变量(输入特征)与因变量(输出目标)**之间的线性关系模型。其核心思想是通
- DCMNet一种用于目标检测的轻量级骨干结构模型详解及代码复现
清风AI
深度学习算法详解及代码复现深度学习机器学习计算机视觉人工智能算法目标检测
模型背景在深度学习技术快速发展的背景下,目标检测领域取得了显著进展。早期的手工特征提取方法如Viola-Jones和HOG逐渐被卷积神经网络(CNN)取代,其中AlexNet在2012年的ILSVRC比赛中表现突出,推动了CNN在计算机视觉中的广泛应用。然而,这些早期模型在精度和效率方面仍存在不足,尤其是在处理复杂场景和小目标时表现不佳。这为DCMNet等新型轻量化目标检测模型的出现提供了契机,旨
- iOS http封装
374016526
ios服务器交互http网络请求
程序开发避免不了与服务器的交互,这里打包了一个自己写的http交互库。希望可以帮到大家。
内置一个basehttp,当我们创建自己的service可以继承实现。
KuroAppBaseHttp *baseHttp = [[KuroAppBaseHttp alloc] init];
[baseHttp setDelegate:self];
[baseHttp
- lolcat :一个在 Linux 终端中输出彩虹特效的命令行工具
brotherlamp
linuxlinux教程linux视频linux自学linux资料
那些相信 Linux 命令行是单调无聊且没有任何乐趣的人们,你们错了,这里有一些有关 Linux 的文章,它们展示着 Linux 是如何的有趣和“淘气” 。
在本文中,我将讨论一个名为“lolcat”的小工具 – 它可以在终端中生成彩虹般的颜色。
何为 lolcat ?
Lolcat 是一个针对 Linux,BSD 和 OSX 平台的工具,它类似于 cat 命令,并为 cat
- MongoDB索引管理(1)——[九]
eksliang
mongodbMongoDB管理索引
转载请出自出处:http://eksliang.iteye.com/blog/2178427 一、概述
数据库的索引与书籍的索引类似,有了索引就不需要翻转整本书。数据库的索引跟这个原理一样,首先在索引中找,在索引中找到条目以后,就可以直接跳转到目标文档的位置,从而使查询速度提高几个数据量级。
不使用索引的查询称
- Informatica参数及变量
18289753290
Informatica参数变量
下面是本人通俗的理解,如有不对之处,希望指正 info参数的设置:在info中用到的参数都在server的专门的配置文件中(最好以parma)结尾 下面的GLOBAl就是全局的,$开头的是系统级变量,$$开头的变量是自定义变量。如果是在session中或者mapping中用到的变量就是局部变量,那就把global换成对应的session或者mapping名字。
[GLOBAL] $Par
- python 解析unicode字符串为utf8编码字符串
酷的飞上天空
unicode
php返回的json字符串如果包含中文,则会被转换成\uxx格式的unicode编码字符串返回。
在浏览器中能正常识别这种编码,但是后台程序却不能识别,直接输出显示的是\uxx的字符,并未进行转码。
转换方式如下
>>> import json
>>> q = '{"text":"\u4
- Hibernate的总结
永夜-极光
Hibernate
1.hibernate的作用,简化对数据库的编码,使开发人员不必再与复杂的sql语句打交道
做项目大部分都需要用JAVA来链接数据库,比如你要做一个会员注册的 页面,那么 获取到用户填写的 基本信后,你要把这些基本信息存入数据库对应的表中,不用hibernate还有mybatis之类的框架,都不用的话就得用JDBC,也就是JAVA自己的,用这个东西你要写很多的代码,比如保存注册信
- SyntaxError: Non-UTF-8 code starting with '\xc4'
随便小屋
python
刚开始看一下Python语言,传说听强大的,但我感觉还是没Java强吧!
写Hello World的时候就遇到一个问题,在Eclipse中写的,代码如下
'''
Created on 2014年10月27日
@author: Logic
'''
print("Hello World!");
运行结果
SyntaxError: Non-UTF-8
- 学会敬酒礼仪 不做酒席菜鸟
aijuans
菜鸟
俗话说,酒是越喝越厚,但在酒桌上也有很多学问讲究,以下总结了一些酒桌上的你不得不注意的小细节。
细节一:领导相互喝完才轮到自己敬酒。敬酒一定要站起来,双手举杯。
细节二:可以多人敬一人,决不可一人敬多人,除非你是领导。
细节三:自己敬别人,如果不碰杯,自己喝多少可视乎情况而定,比如对方酒量,对方喝酒态度,切不可比对方喝得少,要知道是自己敬人。
细节四:自己敬别人,如果碰杯,一
- 《创新者的基因》读书笔记
aoyouzi
读书笔记《创新者的基因》
创新者的基因
创新者的“基因”,即最具创意的企业家具备的五种“发现技能”:联想,观察,实验,发问,建立人脉。
第一部分破坏性创新,从你开始
第一章破坏性创新者的基因
如何获得启示:
发现以下的因素起到了催化剂的作用:(1) -个挑战现状的问题;(2)对某项技术、某个公司或顾客的观察;(3) -次尝试新鲜事物的经验或实验;(4)与某人进行了一次交谈,为他点醒
- 表单验证技术
百合不是茶
JavaScriptDOM对象String对象事件
js最主要的功能就是验证表单,下面是我对表单验证的一些理解,贴出来与大家交流交流 ,数显我们要知道表单验证需要的技术点, String对象,事件,函数
一:String对象;通常是对字符串的操作;
1,String的属性;
字符串.length;表示该字符串的长度;
var str= "java"
- web.xml配置详解之context-param
bijian1013
javaservletweb.xmlcontext-param
一.格式定义:
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>contextConfigLocationValue></param-value>
</context-param>
作用:该元
- Web系统常见编码漏洞(开发工程师知晓)
Bill_chen
sqlPHPWebfckeditor脚本
1.头号大敌:SQL Injection
原因:程序中对用户输入检查不严格,用户可以提交一段数据库查询代码,根据程序返回的结果,
获得某些他想得知的数据,这就是所谓的SQL Injection,即SQL注入。
本质:
对于输入检查不充分,导致SQL语句将用户提交的非法数据当作语句的一部分来执行。
示例:
String query = "SELECT id FROM users
- 【MongoDB学习笔记六】MongoDB修改器
bit1129
mongodb
本文首先介绍下MongoDB的基本的增删改查操作,然后,详细介绍MongoDB提供的修改器,以完成各种各样的文档更新操作 MongoDB的主要操作
show dbs 显示当前用户能看到哪些数据库
use foobar 将数据库切换到foobar
show collections 显示当前数据库有哪些集合
db.people.update,update不带参数,可
- 提高职业素养,做好人生规划
白糖_
人生
培训讲师是成都著名的企业培训讲师,他在讲课中提出的一些观点很新颖,在此我收录了一些分享一下。注:讲师的观点不代表本人的观点,这些东西大家自己揣摩。
1、什么是职业规划:职业规划并不完全代表你到什么阶段要当什么官要拿多少钱,这些都只是梦想。职业规划是清楚的认识自己现在缺什么,这个阶段该学习什么,下个阶段缺什么,又应该怎么去规划学习,这样才算是规划。
- 国外的网站你都到哪边看?
bozch
技术网站国外
学习软件开发技术,如果没有什么英文基础,最好还是看国内的一些技术网站,例如:开源OSchina,csdn,iteye,51cto等等。
个人感觉如果英语基础能力不错的话,可以浏览国外的网站来进行软件技术基础的学习,例如java开发中常用的到的网站有apache.org 里面有apache的很多Projects,springframework.org是spring相关的项目网站,还有几个感觉不错的
- 编程之美-光影切割问题
bylijinnan
编程之美
package a;
public class DisorderCount {
/**《编程之美》“光影切割问题”
* 主要是两个问题:
* 1.数学公式(设定没有三条以上的直线交于同一点):
* 两条直线最多一个交点,将平面分成了4个区域;
* 三条直线最多三个交点,将平面分成了7个区域;
* 可以推出:N条直线 M个交点,区域数为N+M+1。
- 关于Web跨站执行脚本概念
chenbowen00
Web安全跨站执行脚本
跨站脚本攻击(XSS)是web应用程序中最危险和最常见的安全漏洞之一。安全研究人员发现这个漏洞在最受欢迎的网站,包括谷歌、Facebook、亚马逊、PayPal,和许多其他网站。如果你看看bug赏金计划,大多数报告的问题属于 XSS。为了防止跨站脚本攻击,浏览器也有自己的过滤器,但安全研究人员总是想方设法绕过这些过滤器。这个漏洞是通常用于执行cookie窃取、恶意软件传播,会话劫持,恶意重定向。在
- [开源项目与投资]投资开源项目之前需要统计该项目已有的用户数
comsci
开源项目
现在国内和国外,特别是美国那边,突然出现很多开源项目,但是这些项目的用户有多少,有多少忠诚的粉丝,对于投资者来讲,完全是一个未知数,那么要投资开源项目,我们投资者必须准确无误的知道该项目的全部情况,包括项目发起人的情况,项目的维持时间..项目的技术水平,项目的参与者的势力,项目投入产出的效益.....
- oracle alert log file(告警日志文件)
daizj
oracle告警日志文件alert log file
The alert log is a chronological log of messages and errors, and includes the following items:
All internal errors (ORA-00600), block corruption errors (ORA-01578), and deadlock errors (ORA-00060)
- 关于 CAS SSO 文章声明
denger
SSO
由于几年前写了几篇 CAS 系列的文章,之后陆续有人参照文章去实现,可都遇到了各种问题,同时经常或多或少的收到不少人的求助。现在这时特此说明几点:
1. 那些文章发表于好几年前了,CAS 已经更新几个很多版本了,由于近年已经没有做该领域方面的事情,所有文章也没有持续更新。
2. 文章只是提供思路,尽管 CAS 版本已经发生变化,但原理和流程仍然一致。最重要的是明白原理,然后
- 初二上学期难记单词
dcj3sjt126com
englishword
lesson 课
traffic 交通
matter 要紧;事物
happy 快乐的,幸福的
second 第二的
idea 主意;想法;意见
mean 意味着
important 重要的,重大的
never 从来,决不
afraid 害怕 的
fifth 第五的
hometown 故乡,家乡
discuss 讨论;议论
east 东方的
agree 同意;赞成
bo
- uicollectionview 纯代码布局, 添加头部视图
dcj3sjt126com
Collection
#import <UIKit/UIKit.h>
@interface myHeadView : UICollectionReusableView
{
UILabel *TitleLable;
}
-(void)setTextTitle;
@end
#import "myHeadView.h"
@implementation m
- N 位随机数字串的 JAVA 生成实现
FX夜归人
javaMath随机数Random
/**
* 功能描述 随机数工具类<br />
* @author FengXueYeGuiRen
* 创建时间 2014-7-25<br />
*/
public class RandomUtil {
// 随机数生成器
private static java.util.Random random = new java.util.R
- Ehcache(09)——缓存Web页面
234390216
ehcache页面缓存
页面缓存
目录
1 SimplePageCachingFilter
1.1 calculateKey
1.2 可配置的初始化参数
1.2.1 cach
- spring中少用的注解@primary解析
jackyrong
primary
这次看下spring中少见的注解@primary注解,例子
@Component
public class MetalSinger implements Singer{
@Override
public String sing(String lyrics) {
return "I am singing with DIO voice
- Java几款性能分析工具的对比
lbwahoo
java
Java几款性能分析工具的对比
摘自:http://my.oschina.net/liux/blog/51800
在给客户的应用程序维护的过程中,我注意到在高负载下的一些性能问题。理论上,增加对应用程序的负载会使性能等比率的下降。然而,我认为性能下降的比率远远高于负载的增加。我也发现,性能可以通过改变应用程序的逻辑来提升,甚至达到极限。为了更详细的了解这一点,我们需要做一些性能
- JVM参数配置大全
nickys
jvm应用服务器
JVM参数配置大全
/usr/local/jdk/bin/java -Dresin.home=/usr/local/resin -server -Xms1800M -Xmx1800M -Xmn300M -Xss512K -XX:PermSize=300M -XX:MaxPermSize=300M -XX:SurvivorRatio=8 -XX:MaxTenuringThreshold=5 -
- 搭建 CentOS 6 服务器(14) - squid、Varnish
rensanning
varnish
(一)squid
安装
# yum install httpd-tools -y
# htpasswd -c -b /etc/squid/passwords squiduser 123456
# yum install squid -y
设置
# cp /etc/squid/squid.conf /etc/squid/squid.conf.bak
# vi /etc/
- Spring缓存注解@Cache使用
tom_seed
spring
参考资料
http://www.ibm.com/developerworks/cn/opensource/os-cn-spring-cache/
http://swiftlet.net/archives/774
缓存注解有以下三个:
@Cacheable @CacheEvict @CachePut
- dom4j解析XML时出现"java.lang.noclassdeffounderror: org/jaxen/jaxenexception"错误
xp9802
java.lang.NoClassDefFoundError: org/jaxen/JaxenExc
关键字: java.lang.noclassdeffounderror: org/jaxen/jaxenexception
使用dom4j解析XML时,要快速获取某个节点的数据,使用XPath是个不错的方法,dom4j的快速手册里也建议使用这种方式
执行时却抛出以下异常:
Exceptio