- Python机器学习与深度学习:决策树、随机森林、XGBoost与LightGBM、迁移学习、循环神经网络、长短时记忆网络、时间卷积网络、自编码器、生成对抗网络、YOLO目标检测等
WangYan2022
机器学习/深度学习Python机器学习深度学习随机森林迁移学习
融合最新技术动态与实战经验,旨在系统提升以下能力:①掌握ChatGPT、DeepSeek等大语言模型在代码生成、模型调试、实验设计、论文撰写等方面的实际应用技巧②深入理解深度学习与经典机器学习算法的关联与差异,掌握其理论基础③熟练运用PyTorch实现各类深度学习模型,包括迁移学习、循环神经网络(RNN)、长短时记忆网络(LSTM)、时间卷积网络(TCN)、自编码器、生成对抗网络(GAN)、YOL
- 手机通话语音离线ASR识别商用和优化方向
limingade
本地AI电话机器人手机提取电话的信令和声音智能手机FunASR离线识别Android做ASR手机断网离线ASRASR语音转文字识别语音识别
手机通话语音离线ASR识别商用和优化方向--本地AI电话机器人上一篇:手机FunASR识别SIM卡通话占用内存和运行性能分析下一篇:编写中。一、前言前面的篇章中,我们尝试了将FunASR的ONNX模型文件加载到Android应用中,实现手机本地不依赖服务器和网络的离线ASR语音识别。并将这个ASR能力应用到了手机麦克风、手机本地的历史通话录音、手机实时的SIM卡电话通话内容的解析上。在实践中,我们
- 基于YOLOv8深度学习架构的智能农业巡检小车系统—面向农作物与杂草实时精准识别的创新实践
1.科技赋能智慧农业随着全球人口的持续增长和农业生产面临的挑战,精准农业已成为现代农业发展的必然趋势。其中,农作物与杂草的精准识别是实现自动化、智能化管理的关键一环。传统的人工除草效率低下,化学除草则可能带来环境问题。因此,开发高效、精准、环保的智能农业系统迫在眉睫。本文将深入探讨一款基于深度学习和智能硬件集成的农田作业智能小车系统。我们将重点聚焦于其硬件系统设计、软件系统架构、核心算法创新(特别
- YOLOv11模型轻量化挑战的技术
黑客飓风
YOLO目标跟踪人工智能
YOLOv11模型轻量化挑战的技术文章大纲背景与意义YOLOv11在目标检测领域的地位与优势轻量化需求的实际应用场景(移动端、嵌入式设备等)轻量化面临的挑战:精度与速度的权衡YOLOv11模型结构分析整体架构设计特点(如主干网络、特征融合模块等)参数量与计算量分布的关键瓶颈现有轻量化改进的局限性轻量化技术路线网络结构优化深度可分离卷积替代传统卷积注意力机制的高效嵌入设计冗余模块的剪枝与删除量化与压
- YOLO 中的 Confidence 与 Class Probability 区别详解
YOLO中的Confidence与ClassProbability区别详解1.Confidence(置信度)定义:某个预测框包含目标的概率×预测框与真实框的IOU(重合程度)公式:Confidence=Pr(object)×IOUpred,truth\text{Confidence}=\Pr(\text{object})\times\text{IOU}_{\text{pred,truth}}Co
- 5.31.15 使用图像到图像转换和 YOLO 技术对先前的乳房 X 光检查结果中的异常进行早期检测和分类
托比-马奎尔
深度学习基础知识YOLO
在本研究中,我们研究了基于You-Only-Look-Once(YOLO)架构的端到端融合模型的有效性,该模型可同时检测和分类数字乳房X光检查中的可疑乳腺病变。包括四类病例:肿块、钙化、结构扭曲和正常,这些病例来自包含413个病例的私人数字乳房X光检查数据库。对于所有病例,先前的乳房X光检查(通常是1年前扫描的)均报告为正常,而当前的乳房X光检查被诊断为癌变(经活检证实)或健康。方法:建议将基于Y
- yolov5训练失败总结
BTU_YC
深度学习pythonpytorch
yolov5训练失败总结版本原因:在进行训练时,出现如下报错:UserWarning:Detectedcalloflr_scheduler.step()beforeoptimizer.step().InPyTorch1.1.0andlater,youshouldcallthemintheoppositeorder:optimizer.step()beforelr_scheduler.step().
- YOLO学习笔记 | 从YOLOv5到YOLOv11:技术演进与核心改进
北斗猿
YOLO学习从零到1YOLO目标检测算法python计算机视觉
从YOLOv5到YOLOv11:技术演进与核心改进深度解析一、YOLO系列发展概述YOLO(YouOnlyLookOnce)目标检测算法自2016年诞生以来,凭借其"单次检测"的独特理念和卓越的实时性能,持续引领着计算机视觉领域的技术革新。从JosephRedmon的初代YOLO到AlexeyBochkovskiy的YOLOv4,再到Ultralytics团队的YOLOv5及后续系列,这一算法家族
- 文末含资料链接!YOLOv11性能飞跃:深度融合iRMB注意力机制,实战教程助你突破检测极限!
博导ai君
深度学习教学-附源码YOLO
文章目录1.介绍:揭秘iRMB——轻量化与高性能的完美融合1.1摘要:洞察iRMB的设计哲学与卓越表现1.2简单描述:深入剖析iRMB的构造与工作原理核心灵感:CNN与Transformer的珠联璧合iRMB的核心结构:短距离与长距离的协同设计理念:实用、统一、有效、高效1.3模块结构:iRMB的内部构造图(概念描述)2.代码解析:逐行揭秘iRMB的魔法2.1`LayerNorm2d`:为2D数据
- 【TensorRT】TensorRT及加速原理
浩瀚之水_csdn
tensorrt
一、TensorRT架构概览TensorRT是NVIDIA推出的高性能推理优化器,专为GPU加速设计。其核心架构分为三层:前端解析器支持ONNX/UFF/Caffe等格式的模型解析执行格式验证和初步结构优化优化引擎核心优化层(层融合、精度校准、内存优化等)生成优化后的计算图(OptimizedGraph)运行时环境管理GPU内存分配执行优化后的计算图二、核心加速原理(8大关键技术)1.层融合(La
- 2020-10-30
Victor Zhong
AI框架人工智能深度学习机器学习
极片缺陷检测模型验证报告:1:数据准备训练集:326张验证集:81张2:模型准备模型:yolov33:训练参数设置epochs:4603batch_size:8device:RTX2080Ticfg:yolov3-spp-jp4:验证结果5:检测结果部分检测结果图,全部结果图见文件夹result:6:结果分析a.训练数据中,某一类缺陷标注数量相对较少,影响检测该类的目标;可以通过数据增强的方法或增
- YOLO融合synergisticNet中的模块
今天炼丹了吗
YOLOv11与自研模型专栏YOLO
YOLOv11v10v8使用教程:YOLOv11入门到入土使用教程YOLOv11改进汇总贴:YOLOv11及自研模型更新汇总《HyperSINet:ASynergeticInteractionNetworkCombinedWithConvolutionandTransformerforHyperspectralImageClassification》一、模块介绍论文链接:https://ieeex
- yolov5/v7/v8/v9/v10环境详细配置教程(Windows+conda+pycharm)
视觉算法er
深度学习环境配置YOLO目标检测人工智能深度学习condapycharm
一、所需环境配置1.1.虚拟环境创建首先,打开AnacondaPrompt命令窗口,创建一个新的虚拟环境,后面的包都在这个环境中安装。创建命令是:我的习惯是使用3.8版本的python,你也可以换成更高版本;condacreate-nyolopython=3.8输入命令后,运行结果如下:输入y即可;1.2.激活虚拟环境安装完成后,即可激活虚拟环境,输入以下命令即可;condaactivateyol
- YOLOv11 改进策略 | GFPN:超越 BiFPN,跳层与跨尺度连接重塑特征金字塔
YOLOv11改进策略|GFPN:超越BiFPN,跳层与跨尺度连接重塑特征金字塔!介绍颈部网络(Neck)在目标检测任务中扮演着至关重要的角色,它负责有效地融合来自骨干网络(Backbone)不同层级的特征图,为检测头部(Head)提供包含丰富语义和空间信息的多尺度特征。FPN、PANet和BiFPN等结构是特征金字塔融合的代表。BiFPN作为其中的佼佼者,通过双向连接和加权融合取得了优异的性能。
- 超详细yolov8/11-segment实例分割全流程概述:配置环境、数据标注、训练、验证/预测、onnx部署(c++/python)详解
因为yolo的检测/分割/姿态/旋转/分类模型的环境配置、训练、推理预测等命令非常类似,这里不再详细叙述,主要参考**【YOLOv8/11-detect目标检测全流程教程】**,下面有相关链接,这里主要针对数据标注、格式转换、模型部署等不同细节部分;【YOLOv8/11-detect目标检测全流程教程】超详细yolo8/11-detect目标检测全流程概述:配置环境、数据标注、训练、验证/预测、o
- 创新引入HAttention模块:提升YOLOv8小目标检测精度【YOLOv8】
程序员Gloria
YOLOv8YOLO目标跟踪人工智能目标检测
文章目录创新引入HAttention模块:提升YOLOv8小目标检测精度【YOLOv8】引言1.YOLOv8模型概述1.1YOLOv8架构1.2YOLOv8小目标检测的挑战2.HAttention模块:原理与设计2.1HAttention模块的动机2.2HAttention模块的结构3.HAttention模块在YOLOv8中的应用3.1引入HAttention模块3.2YOLOv8架构修改3.3
- YOLOv11深度解析:Ultralytics新一代目标检测架构创新与实战指南
芯作者
D2:YOLOYOLO神经网络计算机视觉
2024年Ultralytics重磅推出YOLOv11**:在精度与速度的平衡木上再进一步,参数减少22%,推理速度提升2%,多任务支持全面升级!一、YOLOv11核心创新:轻量化与注意力机制的完美融合YOLOv11并非颠覆性重构,而是通过模块级优化实现“少参数、高精度、快推理”的目标。其三大创新点如下:1.1C3k2模块:动态卷积核的灵活设计取代YOLOv8的C2f模块,C3k2通过参数c3k动
- 使用TVM编译部署DarkNet模型:YOLO-V2和YOLO-V3实战指南
周情津Raymond
使用TVM编译部署DarkNet模型:YOLO-V2和YOLO-V3实战指南tvm-cnTVMDocumentationinChineseSimplified/TVM中文文档项目地址:https://gitcode.com/gh_mirrors/tv/tvm-cn前言在深度学习模型部署领域,TVM作为一个高效的深度学习编译器栈,能够将训练好的模型优化并部署到各种硬件平台上。本文将详细介绍如何使用T
- 目标检测新纪元:DETR到Mamba实战解析
加油吧zkf
图像处理python分类人工智能目标检测
【实战分享】目标检测的“后DEⱯ”时代:DETR/DINO/RT-DETR及新型骨干网络探索(含示例代码)目标检测从YOLO、FasterR-CNN到Transformer结构的DETR,再到DINO、RT-DETR,近两年出现了许多新趋势:更高效的端到端结构、更少的手工设计(比如不再需要NMS)、以及新型轻量化骨干网络(比如Mamba、ConvNeXt、ViT等)被引入检测任务中。作为从事目标检
- 《ONNX推理部署全解析:从基础到进阶的实用指南》
空云风语
人工智能深度学习神经网络人工智能深度学习神经网络YOLOONNX
ONNX基础入门ONNX是什么ONNX,即OpenNeuralNetworkExchange(开放神经网络交换),是一种用于表示深度学习模型的开放标准文件格式。它由Facebook和Microsoft在2017年联合开发,后来得到了NVIDIA、Intel、AWS、Google、OpenAI等众多公司的支持,旨在解决不同深度学习框架之间模型格式不兼容的问题,为模型的存储、交换和部署提供统一标准,使
- yolo11官方ONNXRuntime部署推理的脚本测试,包括检测模型和分割模型的部署推理
Revao
YOLOpython
一、检测模型1.脚本路径:D:/ultralytics-main/examples/YOLOv8-ONNXRuntime/main.py2.使用案例下载好onnx模型保存至D:/ultralytics-main/models目录下,没有该目录则新建打开终端,进入虚拟环境以yolov8n.onnx模型为例,输入以下指令即可pythonD:/ultralytics-main/examples/YOLO
- 《YOLO11的ONNX推理部署:多语言多架构实践指南》
空云风语
YOLO人工智能深度学习目标跟踪人工智能计算机视觉YOLO
引言:YOLO11与ONNX的相遇在计算机视觉的广袤星空中,目标检测始终是一颗耀眼的明星,其在自动驾驶、智能安防、工业检测、医疗影像分析等诸多领域都有着举足轻重的应用。想象一下,自动驾驶汽车需要实时准确地检测出道路上的车辆、行人、交通标志;智能安防系统要快速识别出监控画面中的异常行为和可疑人员;工业生产线上,需要精准检测产品的缺陷;医疗影像分析中,辅助医生检测病变区域。这些场景都对目标检测技术的准
- YOLOv5Lite模型量化与TFLite转换全流程指南
神经网络15044
仿真模型深度学习神经网络YOLO神经网络人工智能深度学习网络机器学习
YOLOv5Lite模型量化与TFLite转换全流程指南1.引言在边缘计算和移动设备上部署目标检测模型时,模型大小和推理速度是关键考量因素。YOLOv5Lite作为YOLO系列的轻量级变种,专为资源受限环境设计。然而,要进一步优化模型性能,量化(Quantization)和转换为TFLite格式是必不可少的步骤。本文将详细介绍从训练好的YOLOv5Lite模型到量化TFLite模型的完整转换流程,
- YOLOv7 技术详解(Real-Time Dynamic Label Assignment + Model Scaling)
要努力啊啊啊
计算机视觉YOLO人工智能深度学习计算机视觉目标跟踪
✅YOLOv7技术详解(Real-TimeDynamicLabelAssignment+ModelScaling)一、前言YOLOv7是AlexeyBochkovskiy团队后续维护者提出的一种高性能目标检测模型,在YOLOv5基础上引入了多项结构优化和训练策略改进:✅模型集成(ModelIntegration)✅动态标签分配(ExtendAssigner)✅支持重参数化模块(ReparamBlo
- YOLO 推理部署全方案」:一文掌握部署方式与性能对比!
要努力啊啊啊
计算机视觉YOLO目标跟踪计算机视觉目标检测人工智能
YOLO的推理部署方法全景指南YOLO系列模型经过训练后,通常需要部署到线上环境中进行推理(inference)。下面是常见的YOLO推理部署方式:1️⃣PyTorch原生部署使用原始PyTorch模型.pt文件直接调用model(input)进行推理✅优点:简单、灵活、易于调试❌缺点:推理速度较慢,不适合生产环境2️⃣ONNX导出+推理将YOLO模型导出为.onnx格式使用ONNXRuntime
- YOLO 中的三大框类型全解析:Ground Truth、Anchor、Bounding Box 有何区别?
1.GroundTruthBox(真值框)数据集中人工标注的真实目标位置。•是“答案”,模型训练的目标。•标注格式通常是[x,y,w,h,class_id]•比如一张猫的图,它的真实框就是groundtruthbox。⸻2.AnchorBox(锚框)预设的一些模板框,模型学习时的“参考基准”。•是一些固定的宽高组合(比如[10×13]、[16×30]等),•每个gridcell会分配若干ancho
- 大棚番茄西红柿果实成熟度检测数据集YOLO格式279张3类别已划分训练验证集
数据集格式:YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及yolo格式txt文件)图片数量(jpg文件个数):279标注数量(xml文件个数):279标注数量(txt文件个数):279标注类别数:3所在仓库:firc-dataset标注类别名称(注意yolo格式类别顺序不和这个对应,而以labels文件夹classes.txt为准):["unripe","semi-ripe","
- Mamba-YOLOv8深度解析:基于状态空间模型的下一代目标检测架构(含完整代码与实战部署)文末含资料链接!
博导ai君
深度学习教学-附源码YOLO目标检测架构
文章目录前言一、技术背景与动机1.1传统架构的局限性1.2Mamba的创新优势二、Mamba-YOLOv8架构详解2.1整体架构设计2.2核心模块:VSSblock2.3SS2D模块工作原理三、完整实现流程3.1环境配置3.2代码集成步骤3.3训练与微调四、性能分析与优化4.1精度提升策略4.2推理加速方案4.3硬件适配技巧五、实战案例:无人机航拍检测5.1数据集准备5.2模型训练与评估六、未来研
- 目标检测在国防和政府的应用实例
MzKyle
计算机视觉目标检测人工智能计算机视觉
一、目标检测技术概述目标检测是计算机视觉的核心任务,通过算法对图像/视频中的物体进行识别与定位,当前主流技术包括:经典算法:YOLO系列(实时性强)、FasterR-CNN(精度高)、SSD(平衡速度与精度)技术升级:结合深度学习(CNN、Transformer)、多模态融合(视觉+红外+雷达)、边缘计算实时处理二、国防领域核心应用实例(一)军事侦察与监控系统无人机侦察与目标识别应用场景:战术无人
- YOLOv11安全检测项目_人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部目标检测
qq1309399183
计算机视觉实战项目集合YOLO目标检测人工智能深度学习计算机视觉
YOLOv10与YOLOv11安全检测项目项目概述Safety本项目基于SF数据集(50,559张图像/7类别)对YOLOv10和YOLOv11模型进行对比研究,重点优化安全帽、安全服及模糊目标的工业场景检测性能。核心要素组件配置说明模型架构YOLOv10vsYOLOv11双模型对比数据集[SF)检测类别人员、安全帽、安全服、普通服装、头部、模糊服装、模糊头部训练参数•迭代周期:100epochs
- JVM StackMapTable 属性的作用及理解
lijingyao8206
jvm字节码Class文件StackMapTable
在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率,在字节码规范中添加了Stack Map Table属性,以下简称栈图,其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
- 回调函数调用方法
百合不是茶
java
最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记 记录一下
代码很简单:
MainDemo :调用方法 得到方法的返回结果
- [时间机器]制造时间机器需要一些材料
comsci
制造
根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质
和材料...
甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......
 
- 开口埋怨不如闭口做事
邓集海
邓集海 做人 做事 工作
“开口埋怨,不如闭口做事。”不是名人名言,而是一个普通父亲对儿子的训导。但是,因为这句训导,这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子,叫张明正。 张明正出身贫寒,读书时成绩差,常挨老师批评。高中毕业,张明正连普通大学的分数线都没上。高考成绩出来后,平时开口怨这怨那的张明正,不从自身找原因,而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。
- jQuery插件开发全解析,类级别与对象级别开发
IT独行者
jquery开发插件 函数
jQuery插件的开发包括两种: 一种是类级别的插件开发,即给
jQuery添加新的全局函数,相当于给
jQuery类本身添加方法。
jQuery的全局函数就是属于
jQuery命名空间的函数,另一种是对象级别的插件开发,即给
jQuery对象添加方法。下面就两种函数的开发做详细的说明。
1
、类级别的插件开发 类级别的插件开发最直接的理解就是给jQuer
- Rome解析Rss
413277409
Rome解析Rss
import java.net.URL;
import java.util.List;
import org.junit.Test;
import com.sun.syndication.feed.synd.SyndCategory;
import com.sun.syndication.feed.synd.S
- RSA加密解密
无量
加密解密rsa
RSA加密解密代码
代码有待整理
package com.tongbanjie.commons.util;
import java.security.Key;
import java.security.KeyFactory;
import java.security.KeyPair;
import java.security.KeyPairGenerat
- linux 软件安装遇到的问题
aichenglong
linux遇到的问题ftp
1 ftp配置中遇到的问题
500 OOPS: cannot change directory
出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了
修改方法:1 修改/etc/selinux/config 中SELINUX=disabled
2 source /etc
- 面试心得
alafqq
面试
最近面试了好几家公司。记录下;
支付宝,面试我的人胖胖的,看着人挺好的;博彦外包的职位,面试失败;
阿里金融,面试官人也挺和善,只不过我让他吐血了。。。
由于印象比较深,记录下;
1,自我介绍
2,说下八种基本类型;(算上string。楼主才答了3种,哈哈,string其实不是基本类型,是引用类型)
3,什么是包装类,包装类的优点;
4,平时看过什么书?NND,什么书都没看过。。照样
- java的多态性探讨
百合不是茶
java
java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况
//package 1;
class A{
public void test(){
System.out.println("A");
}
}
class D extends A{
public void test(){
S
- 网络编程基础篇之JavaScript-学习笔记
bijian1013
JavaScript
1.documentWrite
<html>
<head>
<script language="JavaScript">
document.write("这是电脑网络学校");
document.close();
</script>
</h
- 探索JUnit4扩展:深入Rule
bijian1013
JUnitRule单元测试
本文将进一步探究Rule的应用,展示如何使用Rule来替代@BeforeClass,@AfterClass,@Before和@After的功能。
在上一篇中提到,可以使用Rule替代现有的大部分Runner扩展,而且也不提倡对Runner中的withBefores(),withAfte
- [CSS]CSS浮动十五条规则
bit1129
css
这些浮动规则,主要是参考CSS权威指南关于浮动规则的总结,然后添加一些简单的例子以验证和理解这些规则。
1. 所有的页面元素都可以浮动 2. 一个元素浮动后,会成为块级元素,比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动,会向最近的块级父元素的左上角移动,直到浮动元素的左外边界碰到块级父元素的左内边界;如果这个块级父元素已经有浮动元素停靠了
- 【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景
bit1129
partition
0.Kafka服务器配置
3个broker
1个topic,6个partition,副本因子是2
2个consumer,每个consumer三个线程并发读取
1. Producer
package kafka.examples.multibrokers.producers;
import java.util.Properties;
import java.util.
- zabbix_agentd.conf配置文件详解
ronin47
zabbix 配置文件
Aliaskey的别名,例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1], 或者ttlsa的用户ID。你可以使用key:vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1],也可以使用ttlsa.userid。备注: 别名不能重复,但是可以有多个
- java--19.用矩阵求Fibonacci数列的第N项
bylijinnan
fibonacci
参考了网上的思路,写了个Java版的:
public class Fibonacci {
final static int[] A={1,1,1,0};
public static void main(String[] args) {
int n=7;
for(int i=0;i<=n;i++){
int f=fibonac
- Netty源码学习-LengthFieldBasedFrameDecoder
bylijinnan
javanetty
先看看LengthFieldBasedFrameDecoder的官方API
http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html
API举例说明了LengthFieldBasedFrameDecoder的解析机制,如下:
实
- AES加密解密
chicony
加密解密
AES加解密算法,使用Base64做转码以及辅助加密:
package com.wintv.common;
import javax.crypto.Cipher;
import javax.crypto.spec.IvParameterSpec;
import javax.crypto.spec.SecretKeySpec;
import sun.misc.BASE64Decod
- 文件编码格式转换
ctrain
编码格式
package com.test;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
- mysql 在linux客户端插入数据中文乱码
daizj
mysql中文乱码
1、查看系统客户端,数据库,连接层的编码
查看方法: http://daizj.iteye.com/blog/2174993
进入mysql,通过如下命令查看数据库编码方式: mysql> show variables like 'character_set_%'; +--------------------------+------
- 好代码是廉价的代码
dcj3sjt126com
程序员读书
长久以来我一直主张:好代码是廉价的代码。
当我跟做开发的同事说出这话时,他们的第一反应是一种惊愕,然后是将近一个星期的嘲笑,把它当作一个笑话来讲。 当他们走近看我的表情、知道我是认真的时,才收敛一点。
当最初的惊愕消退后,他们会用一些这样的话来反驳: “好代码不廉价,好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。”
我只
- Android网络请求库——android-async-http
dcj3sjt126com
android
在iOS开发中有大名鼎鼎的ASIHttpRequest库,用来处理网络请求操作,今天要介绍的是一个在Android上同样强大的网络请求库android-async-http,目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库,网络处理均基于Android的非UI线程,通
- ORACLE 复习笔记之SQL语句的优化
eksliang
SQL优化Oracle sql语句优化SQL语句的优化
转载请出自出处:http://eksliang.iteye.com/blog/2097999
SQL语句的优化总结如下
sql语句的优化可以按照如下六个步骤进行:
合理使用索引
避免或者简化排序
消除对大表的扫描
避免复杂的通配符匹配
调整子查询的性能
EXISTS和IN运算符
下面我就按照上面这六个步骤分别进行总结:
- 浅析:Android 嵌套滑动机制(NestedScrolling)
gg163
android移动开发滑动机制嵌套
谷歌在发布安卓 Lollipop版本之后,为了更好的用户体验,Google为Android的滑动机制提供了NestedScrolling特性
NestedScrolling的特性可以体现在哪里呢?<!--[if !supportLineBreakNewLine]--><!--[endif]-->
比如你使用了Toolbar,下面一个ScrollView,向上滚
- 使用hovertree菜单作为后台导航
hvt
JavaScriptjquery.nethovertreeasp.net
hovertree是一个jquery菜单插件,官方网址:http://keleyi.com/jq/hovertree/ ,可以登录该网址体验效果。
0.1.3版本:http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm
hovertree插件包含文件:
http://keleyi.com/jq/hovertree/css
- SVG 教程 (二)矩形
天梯梦
svg
SVG <rect> SVG Shapes
SVG有一些预定义的形状元素,可被开发者使用和操作:
矩形 <rect>
圆形 <circle>
椭圆 <ellipse>
线 <line>
折线 <polyline>
多边形 <polygon>
路径 <path>
- 一个简单的队列
luyulong
java数据结构队列
public class MyQueue {
private long[] arr;
private int front;
private int end;
// 有效数据的大小
private int elements;
public MyQueue() {
arr = new long[10];
elements = 0;
front
- 基础数据结构和算法九:Binary Search Tree
sunwinner
Algorithm
A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
- 项目出现的一些问题和体会
Steven-Walker
DAOWebservlet
第一篇博客不知道要写点什么,就先来点近阶段的感悟吧。
这几天学了servlet和数据库等知识,就参照老方的视频写了一个简单的增删改查的,完成了最简单的一些功能,使用了三层架构。
dao层完成的是对数据库具体的功能实现,service层调用了dao层的实现方法,具体对servlet提供支持。
&
- 高手问答:Java老A带你全面提升Java单兵作战能力!
ITeye管理员
java
本期特邀《Java特种兵》作者:谢宇,CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答,欢迎网友积极提问,与专家一起讨论!
作者简介:
淘宝网资深Java工程师,CSDN超人气博主,人称“胖哥”。
CSDN博客地址:
http://blog.csdn.net/xieyuooo
作者在进入大学前是一个不折不扣的计算机白痴,曾经被人笑话过不懂鼠标是什么,