MirrorYuChen
MirrorYuChen

MNN学习笔记（八）：使用MNN推理Mediapipe模型

1.项目说明

  • 最近需要用到一些mediapipe中的模型功能，于是尝试对mediapipe中的一些模型进行转换，并使用MNN进行推理；
  • 主要模型包括：图像分类、人脸检测及人脸关键点mesh、手掌检测及手势关键点、人体检测及人体关键点、图像嵌入特征向量、图像特征点检测及匹配模型；

2.一些效果：

MNN学习笔记（八）：使用MNN推理Mediapipe模型_第1张图片
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第2张图片
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第3张图片
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第4张图片
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第5张图片
请添加图片描述
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第6张图片
MNN学习笔记（八）：使用MNN推理Mediapipe模型_第7张图片

3.项目开源地址

Mediapipe-MNN
欢迎大家体验并点star~

你可能感兴趣的:(MNN,mnn,mediapipe-hand,mediapipe-face,mediapipe-body)

  • 排列组合数的一些公式 wuming先生
    绪论：加法原理、乘法原理#分类计数原理：做一件事，有nn类办法，在第11类办法中有m1m1种不同的方法，在第22类办法中有m2m2种不同的方法，…，在第nn类办法中有mnmn种不同的方法，那么完成这件事共有N=m1+m2+…+mnN=m1+m2+…+mn种不同的方法。分步计数原理：完成一件事，需要分成nn个步骤，做第11步有m1m1种不同的方法，做第22步有m2m2种不同的方法，…，做第nn步有m
  • NCNN GPU初始化加速——cache实现 陈立里 ncnn
    概要NCNN的CPU初始化速度很快，但是当使用GPU进行推理时，初始化往往要花费几秒甚至更长时间。其他框架例如MNN有载入cache的方式来进行加速，NCNN目前没有相关接口来实现加速，那么NCNN是否也可以加载cache来实现加速呢？整体流程通过测速以及查看NCNN的源码可以发现，在gpu.cpp源文件下的VulkanDevice::create_pipeline函数内的vkCreateComp
  • 手写数字识别从训练到部署全流程详解——模型在Android端的部署 彧侠
    综述：目前深度学习模型在移动端的使用已越来越广泛，而移动端设备的性能表现自然无法与PC端相提并论，目前市面上基本所有的训练框架训练出来的模型都无法直接在移动端上使用和推理，尽管部分框架同时做了移动端部署功能（如Tensorflow-lite、pytorch-mobile等），但是在性能表现上对比专业的部署框架（如ncnn、mnn等）没有任何优势，基于之前对部署框架的使用经验，下面我就以手写数字识别
  • 【深度学习】MNN ImageProcess处理图像顺序，逻辑，均值，方差 XD742971636 深度学习机器学习深度学习mnnImageProcess
    文章目录介绍Opencvnumpy等效的MNN处理介绍MNNImageProcess处理图像是先reisze还是后resize，均值方差怎么处理，是什么通道顺序？这篇文章告诉你答案。Opencvnumpy这段代码是一个图像预处理函数，用于对输入的图像进行一系列处理，以便将其用于某些机器学习模型的输入。cv2.imdecode(np.fromfile(imgpath,dtype=np.uint8),
  • VS CMAKE链接MNN静态库，使用pybind11生成python接口 qizhen816
    pybind11的使用教程已经有很多了，参考https://zhuanlan.zhihu.com/p/93299698，建议使用vcpkg安装pybind11pybind11:x64-windows-static等等库我的接口形式为voidface_handler(py::module&m){py::class_(m,"RFInfer").def(py::init()).def("__call__
  • MNN编译android版本脚本 yuhongjiu
    #!/bin/bash./schema/generate.shexportANDROID_NDK="/home/yw/android_ndk/android-ndk-r18b"rm-rfbuild_androidmkdirbuild_androidcdbuild_androidfunctionbuild_android{mkdir$PREFIXcd$PREFIXcmake../../../-DCM
  • 鸿蒙使用第三方SO库 neo_尼欧 HarmonyOSOpenharmonyOpenHarmonyharmonyosHAP
    一、示例：使用第三方SO库以导入OpenCV和MNN的SO库为例1、将MNN和Opencv的so文件(包括.407文件)，放入模块下libs目录对应的版本(arm64-v8a和armeabi-v7a)entry/libs/arm64-v8a/xxx.so2、配置模块目录下的build-profile.json5的buildOption字段，增加abiFilters字段:"buildOption":
  • 大模型内容分享(二十八)：mnn-llm: 大语言模型端侧CPU推理优化 之乎者也· 大模型(FoundationModel)内容分享AI(人工智能)内容分享mnn语言模型人工智能
    在大语言模型(LLM)端侧部署上，基于MNN实现的mnn-llm项目已经展现出业界领先的性能，特别是在ARM架构的CPU上。目前利用mnn-llm的推理能力，qwen-1.8b在mnn-llm的驱动下能够在移动端达到端侧实时会话的能力，能够在较低内存（<2G）的情况下，做到快速响应。目录背景模型导出模型部署性能优化性能测试总结与展望项目代码团队介绍背景在大型语言模型（LLM）领域的迅猛发展背景下，
  • [MNN]vs2019编译MNN x86 FL1623863129 深度学习mnnc++人工智能
    打开开始编译cd/path/to/MNNmkdirbuild&&cdbuildcmake-G"NMakeMakefiles"-DCMAKE_BUILD_TYPE=Release..nmake
  • 香橙派--编译MNN报错，关于汇编的嵌套展开 lindsayshuo mnn汇编人工智能
    先看报错：/home/orangepi/MNN-master/source/backend/cpu/arm/arm64/bf16/ARMV86_MNNPackedMatMulRemain_BF16.S:158:Fatalerror:macrosnestedtoodeeply再看代码：PostTreatLH8:FMAXv9,v15,v16,v17,v18FMAXv9,v19,v20,v21,v22F
  • mnn-llm: 大语言模型端侧CPU推理优化 阿里巴巴淘系技术团队官网博客 mnn语言模型人工智能深度学习机器学习
    在大语言模型(LLM)端侧部署上，基于MNN实现的mnn-llm项目已经展现出业界领先的性能，特别是在ARM架构的CPU上。目前利用mnn-llm的推理能力，qwen-1.8b在mnn-llm的驱动下能够在移动端达到端侧实时会话的能力，能够在较低内存（<2G）的情况下，做到快速响应。背景在大型语言模型（LLM）领域的迅猛发展背景下，开源社区已经孵化了众多优异的LLM模型。这些模型在自然语言处理的各
  • 探索模块化神经网络在现代人工智能中的功效和应用 无水先生 NLP高级和ChatGPT人工智能人工智能神经网络深度学习
    一、介绍在快速发展的人工智能领域，模块化神经网络(MNN)已成为一项关键创新。与遵循整体方法的传统神经网络架构不同，MNN采用分散式结构。本文深入探讨了MNN的基础知识、它们的优势、应用以及它们带来的挑战。@evertongomede在人工智能领域，模块化神经网络证明了协作智能的力量，体现了整体大于部分之和的原则。二、了解模块化神经网络模块化神经网络代表了神经网络设计的范式转变。核心思想是将复杂问
  • 移动端模型部署框架 落花逐流水 pytorch实践人工智能pytorch
    移动端模型部署框架1.MNN整体特点轻量性通用性高性能易用性架构设计主体工具致谢移动端模型部署框架1.MNNhttps://www.yuque.com/mnn/cn/aboutMNN是全平台轻量级高性能深度学习引擎，广泛支持了阿里巴巴在计算机视觉、语音识别技术、自然语言处理等领域的70多个AI应用场景，包含淘宝搜索、拍立淘、淘宝直播、AR导购等，日调用量达十亿量级。
  • Microsoft C++ 异常: std::length_error，位于内存位置 0x000000AF9B7AF810 处 AI视觉网奇 c++入门宝典c++
    mnn运行报错：0x00007FFCFD1C4ED9处(位于mnn_yolo.exe中)有未经处理的异常:MicrosoftC++异常:std::length_error，位于内存位置0x000000AF9B7AF810处。原因：release库，选择运行库模式mtd，这时需要引用debug库，但是运行会报错。解决方法：release，运行库需要设置成mt或者mddebug，运行库需要设置为MTd
  • 【AI】模型结构可视化工具Netron应用 TopFancy 人工智能人工智能模型可视化Netron
    随着AI模型的发展，模型的结构也变得越来越复杂，理解起来越来越困难，这时候能够画一张结构图就好了，就像我们在开发过程中用到的UML类图，能够直观看出不同层之间的关系，于是Netron就来了。Netron支持神经网络、深度学习和机器学习网络的可视化。支持ONNX,TensorFlowLite,CoreML,Keras,Caffe,Darknet,MXNet,PaddlePaddle,ncnn,MNN
  • conan入门(二十九):对阿里mnn进行Conan封装塈conans.CMake和conan.tools.cmake.CMake的区别 10km conandeeplearningmnnconanconanfile.pyaarch64cmake
    去年写过一篇博客《conan入门(十九):封装第三方开源库cpp_redis示例》，当时通过自己写conanfile.py,实现了对第三方库cpp_redis的conan封装。当时使用的conan1.45.0时过一年多，conan版本也经过了很多次升级，最新的版本是2.x，不过为了保持兼容现在我使用的版本是1.60.0conans.CMakeVSconan.tools.cmake.CMake当时使
  • Int8量化算子在移动端CPU的性能优化 阿里巴巴淘系技术团队官网博客 性能优化
    本文介绍了DepthwiseConvolution的Int8算子在移动端CPU上的性能优化方案。ARM架构的升级和相应指令集的更新不断提高移动端各算子的性能上限，结合数据重排和Sdot指令能给DepthwiseConv量化算子的性能带来较大提升。背景MNN对ConvolutionDepthwiseInt8量化算子在ARMV8(64位)和ARMV8.2上的性能做了较大的优化，主要优化方法包括改变数据
  • pth转onnx转mnn bug总结 三寸光阴___ MNN网络结构
    pytorch版yolov3转onnx样例importtorchimporttorchvisionimportnumpyasnpfromonnxruntime.datasetsimportget_exampleimportonnxruntimefromonnximportshape_inferenceimportonnximportosfrommodelsimport*img_size=416cf
  • 深度学习可视化工具：Netron 泠山 深度学习深度学习人工智能
    Netron是一个用于神经网络、深度学习和机器学习模型的可视化工具。Netron支持ONNX、TensorFlowLite、Caffe、Keras、Darknet、PaddlePaddle、ncnn、MNN、CoreML、RKNN、MXNet、MindSporeLite、TNN、Barracuda、Tengine、CNTK、TensorFlow.js、Caffe2和UFF。它还实验性支持PyTor
  • nndeploy：一款最新上线的支持多平台、简单易用、高性能的机器学习部署框架 nudt_qxx c++mnnpaddlepytorch
    项目地址：https://github.com/Alwaysssssss/nndeploy介绍nndeploy是一款最新上线的支持多平台、高性能、简单易用的机器学习部署框架。做到一个框架就可完成多端(云、边、端)模型的高性能部署。作为一个多平台模型部署工具，我们的框架最大的宗旨就是高性能以及使用简单贴心，目前nndeploy已完成TensorRT、OpenVINO、ONNXRuntime、MNN、
  • 管理类联考——数学——汇总篇——知识点突破——数据分析——计数原理——加法原理&减法原理 fo安方 管理类专业学位联考MBAEME—share考研学习EMEMBAEMBA
    角度——⛲️一、考点讲解分类计数原理（加法原理）(1）定义如果完成一件事有n类办法，只要选择其中一类办法中的任何一种方法，就可以完成这件事。若第一类办法中有m1m_1m1种不同的方法，第二类办法中有m2m_2m2种不同的方法…第n类办法中有mnm_nmn种不同的办法，那么完成这件事共用N=m1+m2+...+mnN=m_1+m_2+...+m_nN=m1+m2+...+mn种不同的方法。(2）理解
  • 友善之臂NanoPC-T4 RK3399 配置 安装TensorFlow2 Pytorch Yuuchuin pythonLinuxlinux深度学习
    文章目录1.简单介绍用户与密码2.改系统-安卓改Linux避坑3.换源-备份官方源-换国内源--清华源：--华为源（据说很快）：-更新软件列表和升级4.文件传输-U盘传输文件-通过XFTP传输5.远程连接6.安装Mini-forge7.编译安装MNN-编译推理部分-编译训练部分-编译转换部分-姿态检测Demo8.安装MNNPythonAPI9.安装TensorFlow2.X10.安装TensorF
  • 信科算法课课后思考题 lucia320
    https://wenku.baidu.com/view/7c9de809581b6bd97f19ea72.html鹰蛋问题两颗蛋：考虑sqrt(n)的方式逐个扔蛋M颗蛋，N层楼：（1）动态规划，O（MNN）=O(N3)f(i,j)=min{max(f(i-1,w-1),f(i,j-w))|1log2（N）,使用二分法最坏情况下的最小次数必然是log2（N+1）；故只需考虑M<=log2（N）的情
  • NBIS系列单细胞转录组数据分析实战（三）：多样本数据整合 Davey1220
    第三节：多样本数据整合在本节教程中，我们将探讨多个样本scRNA-seq数据集整合的不同方法。我们使用两种不同的方法来校正跨数据集的批处理效应。同时，我们还给出一种量化措施，以评估不同数据集整合的效果。Seurat使用单细胞数据综合集成中介绍的数据整合方法，而Scran和Scanpy使用相互最近邻方法（MNN）。以下是用于多样本数据集整合的常用方法：MarkdownLanguageLibraryR
  • ChatGLM 项目集合 张志翔的博客 ChatGLM实战教程人工智能自然语言处理语言模型
    chatGLM项目对ChatGLM进行加速或者重新实现的开源项目：SwissArmyTransformer:一个Transformer统一编程框架，ChatGLM-6B已经在SAT中进行实现并可以进行P-tuning微调。ChatGLM-MNN:一个基于MNN的ChatGLM-6BC++推理实现，支持根据显存大小自动分配计算任务给GPU和CPUJittorLLMs：最低3G显存或者没有显卡都可运行
  • 修改MNN模型参数和节点的方法 星辰辰大海 深度学习神经网络计算机视觉mnn
    最近有需求要更改MNN模型的结构，在网上找了好久，只找到两篇相关的，但是试了一下都没成功。之后我在钉钉群里面问了一下，得到此方法。编译的converter里面会有一个MNNDump2Json和MNNRevert2Buffer。我们可以使用：./MNNDump2JsonXXX.mnnXXX.json将mnn模型转为json文件。然后我们可以在json文件里面找到我们要修改的节点进行修改。最后使用：.
  • onnx模型修改：将均值和方差放到模型中 CodingInCV 开发工具onnxpython深度学习
    训练模型时，一般都会对原始数据进行归一化再送入网络，即减均值和除方差。在部署时，我们也要进行同样的操作。有些推理框架会提供对应的接口，我们只需要设置均值和方差即可，如MNN.也有一些框架不提供这样的功能，如Tensorrt，这时，我们就需要自己去逐像素进行这个操作，不仅繁琐，还可能比较耗时。还有一种方式是将这个操作放到模型中，一个方法是在我们的原始pytorch模型中增加一个固定参数的Batchn
  • yolov8-mnn C++部署 zaibeijixing 深度学习C/C++YOLOmnn部署c++
    版权声明：本文为博主原创文章，遵循CC4.0BY-SA版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/zaibeijixing/article/details/131581809————————————————目录准备工作1、MNN编译2、yolov8-mnn文件夹构建3、编译4、执行附：yolov8_demo.cppCMakeLists.txt准备
  • MNN学习笔记（八）：使用MNN推理Mediapipe模型 MirrorYuChen MNNmnnmediapipe-handmediapipe-facemediapipe-body
    1.项目说明最近需要用到一些mediapipe中的模型功能，于是尝试对mediapipe中的一些模型进行转换，并使用MNN进行推理；主要模型包括：图像分类、人脸检测及人脸关键点mesh、手掌检测及手势关键点、人体检测及人体关键点、图像嵌入特征向量、图像特征点检测及匹配模型；2.一些效果：3.项目开源地址Mediapipe-MNN欢迎大家体验并点star~
  • 【水文】基于 MNN 训练能力解方程 夕阳叹 mnn人工智能深度学习
    【水文】基于MNN训练能力解方程简介许久没上，水篇文章，事由同学想由房贷月还款额推测年利率：月还款额=pow(年利率/12+1,期数)*(年利率/12)*贷款总额/(pow(年利率/12+1,期数)-1)这个方程直接求解感觉比较麻烦，考虑使用梯度下降法。深度学习框架基本都支持求导和优化，MNN也支持。所以安装pymnn，把方程用MNN的仿numpy接口实现一遍，然后写个loss训练就好了。基于MN
  • LeetCode[Math] - #66 Plus One Cwind javaLeetCode题解AlgorithmMath
    原题链接：#66 Plus One   要求： 给定一个用数字数组表示的非负整数，如num1 = {1, 2, 3, 9}, num2 = {9, 9}等，给这个数加上1。 注意： 1. 数字的较高位存在数组的头上，即num1表示数字1239 2. 每一位（数组中的每个元素）的取值范围为0~9   难度：简单   分析： 题目比较简单，只须从数组
  • JQuery中$.ajax()方法参数详解 AILIKES JavaScriptjsonpjqueryAjaxjson
    url: 要求为String类型的参数，（默认为当前页地址）发送请求的地址。 type: 要求为String类型的参数，请求方式（post或get）默认为get。注意其他http请求方法，例如put和    delete也可以使用，但仅部分浏览器支持。 timeout: 要求为Number类型的参数，设置请求超时时间（毫秒）。此设置将覆盖$.ajaxSetup()方法的全局
  • JConsole & JVisualVM远程监视Webphere服务器JVM Kai_Ge JVisualVMJConsoleWebphere
        JConsole是JDK里自带的一个工具，可以监测Java程序运行时所有对象的申请、释放等动作，将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。 　　使用JConsole工具来分析WAS的JVM问题，需要进行相关的配置。 　　首先我们看WAS服务器端的配置. 　　1、登录was控制台https://10.4.119.18
  • 自定义annotation 120153216 annotation
    Java annotation 自定义注释@interface的用法 一、什么是注释      说起注释，得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说，元数据是描述数据的。就象数据表中的字段一样，每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据，也就是说注释是描述java源
  • CentOS 5/6.X 使用 EPEL YUM源 2002wmj centos
    CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
  • 在SQLSERVER中查找缺失和无用的索引SQL 357029540 SQL Server
    --缺失的索引 SELECT  avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,          last_user_seek ,    
  • Spring3 MVC 笔记（二） —json+rest优化 7454103 Spring3 MVC
    接上次的 spring mvc 注解的一些详细信息！                          其实也是一些个人的学习笔记  呵呵！
  • 替换“\”的时候报错Unexpected internal error near index 1 \ ^ adminjun java“\替换”
    发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...   在拆分字符串时遇到通过 \ 来拆分，可是用所以想通过转义 \\ 来拆分的时候会报异常   public class Main {          /*
  • POJ 1035 Spell checker(哈希表) aijuans 暴力求解--哈希表
    /* 题意：输入字典，然后输入单词，判断字典中是否出现过该单词，或者是否进行删除、添加、替换操作，如果是，则输出对应的字典中的单词 要求按照输入时候的排名输出 题解：建立两个哈希表。一个存储字典和输入字典中单词的排名，一个进行最后输出的判重 */ #include <iostream> //#define using namespace std; const int HASH =
  • 通过原型实现javascript Array的去重、最大值和最小值 ayaoxinchao JavaScriptarrayprototype
    用原型函数（prototype）可以定义一些很方便的自定义函数，实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。 实现代码如下：   <script type="text/javascript"> Array.prototype.unique = function() { var a = {}; var le
  • UIWebView实现https双向认证请求 bewithme UIWebViewhttpsObjective-C
              什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求 中有讲述，不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求，网上有些文章中有涉及到此内容，但都只言片语，没有讲完全，更没有完整的代码，让人困扰不已。但是此知
  • NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存) bijian1013 redis数据库NoSQL
    3.事务处理         Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行，而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时，这个连接会进入一个事务上下文，该连接后续的命令不会立即执行，而是先放到一个队列中，当执行exec命令时，redis会顺序的执行队列中
  • 各数据库分页sql备忘 bingyingao oraclesql分页
    ORACLE 下面这个效率很低 SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20; 下面这个效率很高 SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
  • 【Scala七】Scala核心一：函数 bit1129 scala
    1. 如果函数体只有一行代码，则可以不用写{},比如 def print(x: Int) = println(x) 一行上的多条语句用分号隔开，则只有第一句属于方法体，例如   def printWithValue(x: Int) : String= println(x); "ABC"   上面的代码报错，因为，printWithValue的方法
  • 了解GHC的factorial编译过程 bookjovi haskell
    GHC相对其他主流语言的编译器或解释器还是比较复杂的，一部分原因是haskell本身的设计就不易于实现compiler，如lazy特性，static typed，类型推导等。 关于GHC的内部实现有篇文章说的挺好，这里，文中在RTS一节中详细说了haskell的concurrent实现，里面提到了green thread，如果熟悉Go语言的话就会发现，ghc的concurrent实现和Go有点类
  • Java-Collections Framework学习与总结-LinkedHashMap BrokenDreams LinkedHashMap
            前面总结了java.util.HashMap，了解了其内部由散列表实现，每个桶内是一个单向链表。那有没有双向链表的实现呢？双向链表的实现会具备什么特性呢？来看一下HashMap的一个子类——java.util.LinkedHashMap。       
  • 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory bylijinnan abstract
    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/ package design.pattern; /* * Abstract Factory Pattern * 抽象工厂模式的目的是： * 通过在抽象工厂里面定义一组产品接口，方便地切换“产品簇” * 这些接口是相关或者相依赖的
  • 压暗面部高光 cherishLC PS
    方法一、压暗高光&重新着色 当皮肤很油又使用闪光灯时，很容易在面部形成高光区域。 下面讲一下我今天处理高光区域的心得： 皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道（Lab模式的L通道）决定，色彩则由a、b通道确定。 处理思路为在保持高光区域纹理的情况下，对高光区域着色。具体步骤为：降低高光区域的整体的亮度，再进行着色。 如果想简化步骤，可以只进行着色（参看下面的步骤1
  • Java VisualVM监控远程JVM crabdave visualvm
    Java VisualVM监控远程JVM    JDK1.6开始自带的VisualVM就是不错的监控工具. 这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面   通过JMX连接远程机器, 需要经过下面的配置: 1. 修改远程机器JDK配置文件 (我这里远程机器是linux).    
  • Saiku去掉登录模块 daizj saiku登录olapBI
    1、修改applicationContext-saiku-webapp.xml <security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />  <security:intercept-url pattern=&qu
  • 浅析 Flex中的Focus dsjt htmlFlexFlash
    关键字：focus、 setFocus、 IFocusManager、KeyboardEvent 焦点、设置焦点、获得焦点、键盘事件 一、无焦点的困扰——组件监听不到键盘事件 原因：只有获得焦点的组件（确切说是InteractiveObject）才能监听到键盘事件的目标阶段；键盘事件（flash.events.KeyboardEvent）参与冒泡阶段，所以焦点组件的父项（以及它爸
  • Yii全局函数使用 dcj3sjt126com yii
    由于YII致力于完美的整合第三方库，它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如，Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数，使得代码看起来更加简洁易用。(原文地址) 我们可以保存在globals.php在protected目录下。然后，在入口脚本index.php的，我们包括在
  • 设计模式之单例模式二（解决无序写入的问题） come_for_dream 单例模式volatile乱序执行双重检验锁
                    在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题，但是因为由于JVM为了使得处理器内部的运算单元能充分利用，处理器可能会对输入代码进行乱序执行（Out Of Order Execute）优化，处理器会在计算之后将乱序执行的结果进行重组，保证该
  • 程序员从初级到高级的蜕变 gcq511120594 框架工作PHPandroidhtml5
    软件开发是一个奇怪的行业，市场远远供不应求。这是一个已经存在多年的问题，而且随着时间的流逝，愈演愈烈。 我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题，当然这些方法常常不管用，于是，唯一能做的就是不断地尝试，逐个看看是否奏效”。 现在我们把淫浸代码时间超过3年的开发人员称为
  • Reverse Linked List hcx2013 list
    Reverse a singly linked list.   /** * Definition for singly-linked list. * public class ListNode { * int val; * ListNode next; * ListNode(int x) { val = x; } * } */ p
  • Spring4.1新特性——数据库集成测试 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
  • C# Ajax上传图片同时生成微缩图(附Demo) liyonghui160com
        1.Ajax无刷新上传图片,详情请阅我的这篇文章。（jquery + c# ashx）         2.C#位图处理  System.Drawing。         3.最新demo支持IE7,IE8,Fir
  • Java list三种遍历方法性能比较 pda158 java
    从c/c++语言转向java开发，学习java语言list遍历的三种方法，顺便测试各种遍历方法的性能，测试方法为在ArrayList中插入1千万条记录，然后遍历ArrayList，发现了一个奇怪的现象，测试代码例如以下： package com.hisense.tiger.list; import java.util.ArrayList; import java.util.Iterator;
  • 300个涵盖IT各方面的免费资源（上）——商业与市场篇 shoothao seo商业与市场IT资源免费资源
    A.网站模板+logo+服务器主机+发票生成 HTML5 UP:响应式的HTML5和CSS3网站模板。 Bootswatch:免费的Bootstrap主题。 Templated:收集了845个免费的CSS和HTML5网站模板。 Wordpress.org|Wordpress.com:可免费创建你的新网站。 Strikingly:关注领域中免费无限的移动优
  • localStorage、sessionStorage uule localStorage
    W3School 例子   HTML5 提供了两种在客户端存储数据的新方法： localStorage - 没有时间限制的数据存储 sessionStorage - 针对一个 session 的数据存储   之前，这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储，因为它们由每个对服务器的请求来传递，这使得 cookie 速度很慢而且效率也不
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他