- [数据集][图像分类]河道污染分类数据集1923张4类别
FL1623863129
数据集分类数据挖掘人工智能
数据集类型:图像分类用,不可用于目标检测无标注文件数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片图片数量(jpg文件个数):1922分类类别数:4类别名称:["lianghao","qingwei","yanzhong","zhongdu"]每个类别图片数:lianghao图片数:435qingwei图片数:423yanzhong图片数:577zhongdu图片数:487重要说明
- 20240319金融读报:金融助力农业&科创企业风控模型
墨_浅-
金融读报叭叭叭儿金融债券农业生产现代化风控模型新质生产力
1、农发行2023年第二十期金融债券票面利率为2.85%2、农业生产现代化转型-》农机:新疆尉犁县超级棉田里,农业无人机、采棉打包机、棉田打顶机器人等现代化机械设施,让两个人收种3000亩棉田成为了可能(金融机构可以结合农机购置补贴创新产品)3、金融支持三农短板:抵押物评估缺乏公信力-》农业供应链金融(类似于票据承兑、理财代销?)4、服务新质生产力:科创产业高地评估:“看未来、看技术、看团队”,针
- YOLOv5 | 源码解析 | 计算损失loss原理——独家原创注释
kay_545
YOLOv8改进有效涨点Yolov5改进YOLOpython开发语言
⭐欢迎大家订阅我的专栏一起学习⭐订阅专栏,更新及时查看不迷路YOLOv5涨点专栏:http://t.csdnimg.cn/D9kR0YOLOv8涨点专栏:http://t.csdnimg.cn/5hNr8YOLOv7专栏:http://t.csdnimg.cn/hJsf1魔改网络、复现论文、优化创新各位订阅YOLOv8专栏读者,非常抱歉,这篇文章加错专栏了,但是因为是订阅的,所以不能删除或者移动这
- 目标检测——摩托车头盔检测数据集
钓了猫的鱼儿
目标检测数据集目标检测摩托车头盔检测数据集
一、简介首先,摩托车作为一种交通工具,具有高速、开放和稳定性差的特点,其事故发生率高,伤亡率排在机动车辆损伤的首位。因此,摩托车乘员头盔对于保护驾乘人员头部安全至关重要。在驾乘突发状况、人体受冲击时,头盔能够吸收碰撞能量,减轻伤害。研究摩托车头盔检测,能够确保头盔的质量和安全性能,从而更有效地保护驾乘人员的生命安全。其次,随着科技的发展,人们对于交通安全和生命安全的重视程度日益提高。摩托车头盔作为
- torch报错:[winerror 126] 找不到指定的模块torch_python.dll“ or one of its dependencies.
LightningJie
深度学习pythonpytorch
[winerror126]找不到指定的模块。errorloading"d:\miniconda\envs\action_env\lib\site-packages\torch\lib\torch_python.dll"oroneofitsdependencies.在使用这个yolov5模块的时候发现了这个错误,错误原因是因为python版本和torch版本冲突。本人安装torch的python版本
- 高质量 Git 仓库汇总(持续更新,方便查看)
Nice_cool.
学习
Leetcodehttps://github.com/kamyu104/LeetCode-SolutionsCmakehttps://github.com/viva64/pvs-studio-cmake-examples3D目标检测Awesome-3D-Object-DetectionAwesome-3D-Object-Detection-for-Autonomous-DrivingCudaCod
- YOLOv9改进 添加可变形注意力机制DAttention
学yolo的小白
UPgradeYOLOv9YOLOpython目标检测pytorch
一、DeformableAttentionTransformer论文论文地址:arxiv.org/pdf/2201.00520.pdf二、DeformableAttentionTransformer注意力结构DeformableAttentionTransformer包含可变形注意力机制,允许模型根据输入的内容动态调整注意力权重。在传统的Transformer中,注意力是通过对查询和键向量之间的点
- 无人机避障技术
爱花的程序
学习
无人机避障技术是现代无人机系统发展的重要组成部分,其核心目标是提升无人机的自主飞行能力,确保其在复杂环境中的安全性。本文将详细介绍无人机避障项目的背景、技术原理、实现过程、应用前景以及面临的挑战,以期为读者提供全面而深入的了解。一、项目背景随着无人机技术的快速发展,其在航拍、农业、物流、救援等领域的应用日益广泛。然而,无人机在飞行过程中可能遇到各种障碍物,如树木、建筑物、电线等,这些障碍物可能导致
- 【AI生成】无人机数据传输链路现状及优化方案
Alnonfy
人工智能无人机
一、引言随着无人机技术的不断发展,无人机在各行各业的应用越来越广泛。数据传输是无人机的重要组成部分,它直接关系到无人机的控制、导航和任务执行。然而,当前无人机数据传输链路存在一些问题,如传输距离受限、传输速率较低、稳定性较差等。因此,本文旨在分析当前无人机数据传输链路的现状,并提出相应的优化方案。二、无人机数据传输链路现状传输距离受限:目前大多数无人机数据传输链路采用无线通信技术,如2.4GHz、
- 基于冠豪猪优化算法(Crested Porcupine Optimizer,CPO)的无人机三维路径规划(MATLAB)
IT猿手
无人机路径规划优化算法MATLAB无人机matlab开发语言人工智能多目标优化算法算法
一、无人机路径规划模型介绍无人机三维路径规划是指在三维空间中为无人机规划一条合理的飞行路径,使其能够安全、高效地完成任务。路径规划是无人机自主飞行的关键技术之一,它可以通过算法和模型来确定无人机的航迹,以避开障碍物、优化飞行时间和节省能量消耗。二、算法介绍冠豪猪优化算法(CrestedPorcupineOptimizer,CPO)由MohamedAbdel-Basset等人于2024年提出,该算法
- opendronemap集群搭建
Robber2000
云计算容器运维云原生
需求OpenDroneMap(ODM)是一个开源项目,旨在利用无人机采集的图像数据生成地图、模型和其他地理空间数据。它主要解决以下问题:航空摄影数据处理:ODM可以处理无人机拍摄的大量航空图像数据,通过图像处理和计算机视觉技术生成高质量的地图和模型。地图制作与更新:利用ODM,用户可以快速、成本效益地生成地图,并及时更新地理空间数据,有助于城市规划、灾害监测等领域的应用。三维建模:ODM可以生成精
- [数据集][目标检测]垃圾检测数据集VOC+YOLO格式6004张18类别垃圾
FL1623863129
数据集目标检测YOLO人工智能
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):6004标注数量(xml文件个数):6004标注数量(txt文件个数):6004标注类别数:18标注类别名称:["bottle_cap","bottle","cup","unlabeled_litter","straw"
- 新质生产力关注哪些领域
安全方案
新质生产力
新质生产力关注多个前沿领域,旨在通过科技创新推动生产力的发展,为经济社会的持续繁荣做出贡献。人工智能与算力:这是新质生产力的核心领域之一。人工智能技术的快速发展和应用,正在改变各行各业的运行方式,提高生产效率和服务质量。而算力作为支撑人工智能发展的重要基础,也在不断提升,以满足更复杂、更高精度的计算需求。智能驾驶与机器人:这一领域关注自动驾驶汽车、无人机以及各类智能机器人的研发和应用。随着传感器、
- 图像算法实习生--面经1
小豆包的小朋友0217
算法
系列文章目录文章目录系列文章目录前言一、为什么torch里面要用optimizer.zero_grad()进行梯度置0二、Unet神经网络为什么会在医学图像分割表现好?三、transformer相关问题四、介绍一下胶囊网络的动态路由五、yolo系列出到v9了,介绍一下你最熟悉的yolo算法六、一阶段目标检测算法和二阶段目标检测算法有什么区别?七、讲一下剪枝八、讲一下PTQandQAT量化的区别九、
- 计算机设计大赛 深度学习驾驶行为状态检测系统(疲劳 抽烟 喝水 玩手机) - opencv python
iuerfee
python
文章目录1前言1课题背景2相关技术2.1Dlib人脸识别库2.2疲劳检测算法2.3YOLOV5算法3效果展示3.1眨眼3.2打哈欠3.3使用手机检测3.4抽烟检测3.5喝水检测4最后1前言优质竞赛项目系列,今天要分享的是基于深度学习的驾驶行为状态检测系统该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:5分更多资料,项目
- [数据集][目标检测]光伏板太阳能版缺陷检测数据集VOC+YOLO格式2400张3类别
FL1623863129
数据集目标检测人工智能深度学习
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):2400标注数量(xml文件个数):2400标注数量(txt文件个数):2400标注类别数:3标注类别名称:["crack","grid","spot"]每个类别标注的框数:crack框数=892grid框数=884sp
- 显著性目标检测评价指标Smeasure, wFmeasure, MAE, adpEm, meanEm, maxFm
一只懒洋洋
人工智能机器学习
一、评价指标:Smeasure(StructureMeasure)结构度量是一种综合评估指标,用于评估预测的分割结果与真实分割之间的结构相似性。它考虑了分割结果的边缘连通性、区域完整性和边界偏移等因素,值越接近1表示分割结果与真实分割结构越相似。wFmeasure(WeightedF-measure)加权F-measure是精度和召回率的加权平均值,其中精度衡量了分割结果中正确分类的像素数量,而召
- AI图像识别算法助力安全生产*提升风险监测效率---豌豆云
豌豆云
人工智能安全
2024年开年来安全生产事故频发,工厂爆炸、工程坍陷等重大安全生产事故的发生再次为我们敲响了警钟。安全生产是企业发展的生命线,而传统的安全监测手段存在盲区和延迟,难以及时发现和应对潜在风险。AI图像识别算法通过利用先进的计算机视觉和深度学习技术,能够有效提高风险监测效率,保障企业的安全生产。AI图像识别算法助力安全生产AI图像识别算法通常部署在本地服务器或边缘服务器,通过分析前端监控摄像头、无人机
- 计算机设计大赛 深度学习YOLO抽烟行为检测 - python opencv
iuerfee
python
文章目录1前言1课题背景2实现效果3Yolov5算法3.1简介3.2相关技术4数据集处理及实验5部分核心代码6最后1前言优质竞赛项目系列,今天要分享的是基于深度学习YOLO抽烟行为检测该项目较为新颖,适合作为竞赛课题方向,学长非常推荐!学长这里给一个题目综合评分(每项满分5分)难度系数:3分工作量:3分创新点:4分更多资料,项目分享:https://gitee.com/dancheng-senio
- 【计算机视觉面经四】基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)
旅途中的宽~
计算机视觉面经总结计算机视觉深度学习目标检测YOLORCNN
文章目录一、前言二、两阶段目标检测算法2.1RCNN2.2Fast-RCNN2.3FasterR-CNN三、多阶段目标检测算法3.1CascadeR-CNN四、单阶段目标检测算法4.1编码方式4.1.1基于中心坐标4.1.1.1方案14.1.1.2方案24.1.1.3方案34.2YOLOv14.3SSD4.4YOLOv24.5RetinaNet4.6YOLOv34.7YOLOv44.8YOLOv5
- ChatGPT聊YOLO
AIWalker-Happy
YOLOchatgptYOLO
最近ChatGPT大伙,其概括摘要能力非常强。YOLO系列算法也是目标检测领域非常重要的一个研究路线,那么ChatGPT是如何看待各个YOLO算法的呢?那我们去问问它如何看待各个版本的YOLO。截止到2021年9月,YOLOv6尚未发布。因此,无法对其进行价值和贡献的评价。在这之前,最新的YOLO系列算法是YOLOv5。如果有关于YOLOv5或者其他目标检测算法的问题,欢迎随时提问。----Cha
- C# Onnx GroundingDINO 开放世界目标检测
乱蜂朝王
人工智能c#目标检测开发语言
目录介绍效果模型信息项目代码下载介绍地址:https://github.com/IDEA-Research/GroundingDINOOfficialimplementationofthepaper"GroundingDINO:MarryingDINOwithGroundedPre-TrainingforOpen-SetObjectDetection"效果在运行程序时,要注意输入的提示词的格式,类
- 互联网加竞赛 机器视觉目标检测 - opencv 深度学习
Mr.D学长
pythonjava
文章目录0前言2目标检测概念3目标分类、定位、检测示例4传统目标检测5两类目标检测算法5.1相关研究5.1.1选择性搜索5.1.2OverFeat5.2基于区域提名的方法5.2.1R-CNN5.2.2SPP-net5.2.3FastR-CNN5.3端到端的方法YOLOSSD6人体检测结果7最后0前言优质竞赛项目系列,今天要分享的是机器视觉opencv深度学习目标检测该项目较为新颖,适合作为竞赛课题
- 专利:基于2D工业相机的工件目标检测及三维姿态
Ailsa-ycc
文献解读数码相机目标检测人工智能
本发明公开了一种基于2D工业相机的工件目标检测及三维姿态判定方法,首先根据待生产或是待加工工件目标搭建其三维几何模型,并标记该几何模型制定特征点,然后对通过两个2D工业相机分别获得的现场工件目标图像进行目标检测及特征识别,通过该特征与几何模型中特征点的匹配对比,从而获取工件目标空间姿态信息。相较于采用3D相机或多个(3个以上)2D工业相机获取目标特征点的方法,降低了成本。
- [数据集][图像分类]鲜花分类数据集5735张102类别
FL1623863129
数据集计算机视觉
数据集类型:图像分类用,不可用于目标检测无标注文件数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片图片数量(jpg文件个数):5735分类类别数:102类别名称:["0","1","2","3","4","5","6","7","8","9","10","11","12","13","14","15","16","17","18","19","20","21","22","23",
- [数据集][目标检测]鸟类检测数据集VOC+YOLO格式11758张200类别
FL1623863129
数据集目标检测人工智能计算机视觉
数据集格式:PascalVOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数):11758标注数量(xml文件个数):11758标注数量(txt文件个数):11758标注类别数:200标注类别名称:["Black_footed_Albatross","Laysan_Albatross","Sooty
- 挑战杯 基于机器视觉的图像拼接算法
laafeer
python
前言图像拼接在实际的应用场景很广,比如无人机航拍,遥感图像等等,图像拼接是进一步做图像理解基础步骤,拼接效果的好坏直接影响接下来的工作,所以一个好的图像拼接算法非常重要。再举一个身边的例子吧,你用你的手机对某一场景拍照,但是你没有办法一次将所有你要拍的景物全部拍下来,所以你对该场景从左往右依次拍了好几张图,来把你要拍的所有景物记录下来。那么我们能不能把这些图像拼接成一个大图呢?这是一个较为新颖的竞
- [C++]使用C++部署yolov9的tensorrt模型进行目标检测
FL1623863129
C/C++目标检测人工智能计算机视觉
部署YOLOv9的TensorRT模型进行目标检测是一个涉及多个步骤的过程,主要包括准备环境、模型转换、编写代码和模型推理。首先,确保你的开发环境已安装了NVIDIA的TensorRT。TensorRT是一个用于高效推理的SDK,它能对TensorFlow、PyTorch等框架训练的模型进行优化,从而加速模型在NVIDIAGPU上的运行速度。接下来,你需要将YOLOv9的模型转换为TensorRT
- C# OpenVino Yolov8 Pose 姿态识别
乱蜂朝王
人工智能c#openvinoYOLO
目录效果模型信息项目代码下载效果模型信息ModelProperties-------------------------date:2023-09-07T17:11:43.091306description:UltralyticsYOLOv8n-posemodeltrainedon/usr/src/app/ultralytics/datasets/coco-pose.yamlauthor:Ultra
- 【人脸识别系列】从知名DeepFace人脸识别库入手详解人脸识别---第三部分DeepFace库使用介绍之人脸检测模型介绍
Hello_WOAIAI
CV人脸识别目标检测计算机视觉视觉检测图像处理YOLOopencv
【人脸识别系列】从知名DeepFace人脸识别库入手详解人脸识别---第三部分DeepFace库使用介绍之人脸检测器介绍前言DeepFace库人脸检测器OpenCV人脸检测器RetinaFace人脸检测器mtcnn人脸检测器sdd人脸检测器dlib人脸检测器mediapipe人脸检测器yolov8人脸检测器人脸识别系列其他文章【人脸识别系列】从知名DeepFace人脸识别库入手详解人脸识别—第一部
- 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