温暖啊818
温暖啊818

Vae

阳光暖暖的 时光慢慢的，

我是蔚蓝的，

在静好的岁月边缘张望着，

你能感应的 项链断掉了，

爱情渐远着，

泪水在草地上和露水吻着，

徘徊在海岸线，

日出会在几点，

三三两两在离别 承诺不兑现。 ​​​

你可能感兴趣的:(Vae)

  • 高校为什么需要AIGC大数据实验室？ 泰迪智能科技01 AIGCAIGC大数据
    AIGC大数据实验室是一个专注于人工智能生成内容（AIGC）和大数据相关技术研究、开发与应用的创新实验平台。AIGC主要研究方向包括：AIGC技术创新、大数据处理与分析、AIGC与大数据融合应用。AIGC技术创新：探索如何利用人工智能算法，如深度学习中的生成对抗网络（GAN）、变分自编码器（VAE）、基于Transformer架构的语言模型（如GPT系列）等，来高效地生成高质量的文本、图像、音频、
  • 探索Stable Diffusion：AI在艺术创作中的无限可能 master_chenchengg AI技术探讨AI人工智能AIGC行业分析
    探索StableDiffusion：AI在艺术创作中的无限可能引言一、StableDiffusion简介定义与历史技术原理概述二、工作原理深入解析扩散模型基础逆向扩散过程详解潜空间与变分自编码器(VAE)U-Net架构的作用三、StableDiffusion与艺术创作的融合创作自由度的提升个性化风格的实现跨媒介艺术的可能性四、案例研究艺术家应用StableDiffusion的实例与传统艺术形式的对
  • Python深度学习：构建下一代智能系统 2401_83402415 pythonpython深度学习开发语言Transformer模型目标检测算法Attention
    近年来，伴随着以卷积神经网络（CNN）为代表的深度学习的快速发展，人工智能迈入了第三次发展浪潮，AI技术在各个领域中的应用越来越广泛。为了帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术，本文讲解注意力机制、Transformer模型（BERT、GPT-1/2/3/3.5/4、DETR、ViT、SwinTransformer等）、生成式模型（变分自编码器VAE、生成式对抗网络GA
  • Stable Diffusion Covirtue 人工智能pythonstablediffusion
    StableDiffusion是一种基于深度学习的文本到图像生成模型，其原理主要基于扩散模型（DiffusionModel）的变体，即潜在扩散模型（LatentDiffusionModel,LDM）。原理一、技术架构与组成StableDiffusion由三个主要部分组成：变分自编码器（VAE）、U-Net和一个文本编码器。变分自编码器（VAE）：VAE是一种生成模型，用于将图像压缩到低维的潜在空间
  • stable diffusion webui学习总结（3）：参数设置 shanesu stablediffusion学习
    一、2.5D偏卡通风格参数设置：步骤1、文生图模型：darkSushiMixMixVAE：vae-ft-mse-840000-ema-pruned正面提示词：(masterpiece,highquality,highres,illustration),blurrybackground,[(whitebackground:1.2)::5],(see-through:0.85),shining,Mov
  • 基于Diffusion Model的数据增强方法应用——毕业设计 其三 大鸟仙童 课程设计计算机视觉深度学习
    文章目录题目简介前言StableDiffusionLatentdiffusion自动编码器(VAE)U-NetText-EncoderStableDiffusion的推理过程从零开始配置实验环境IDEAnacondaCUDA和CuDNNCuDNNStableDiffusion的本地部署运行测试总结题目简介笔者个人的毕业设计课题如下：简介：使用预训练的DiffusionModel图像生成模型生成图像
  • 变分自编码器（VAE）PyTorch Lightning 实现 小嗷犬 Python深度学习pytorch人工智能python
    ✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录VAE简介基本原理应用与优点缺点与挑战使用VAE生成MNIST手写数字忽略警告导入必要的库设置随机种子cuDNN设置超参数设置数据加载定义VAE模型定义损失函数定义Lightning模型训练模型绘制训
  • Stable Diffusion XL总结 研三小学渣 学习笔记人工智能深度学习计算机视觉stablediffusion
    StableDiffusionXL是一个二阶段的级联扩散模型，包括Base模型和Refiner模型。其中Base模型的主要工作和StableDiffusion一致，具备文生图，图生图，图像inpainting等能力。在Base模型之后，级联了Refiner模型，对Base模型生成的图像Latent特征进行精细化，其本质上是在做图生图的工作。Base模型由U-Net，VAE，CLIPTextEnco
  • Auto-Encoding Variational Bayes（VAE）粗浅的理解 Longlongaaago 机器学习深度学习机器学习
    Auto-EncodingVariationalBayes（VAE）粗浅的理解VAE作为生成模型的一种，能够通过改变latentspace来生成和训练时不一样的样本。而这种能力，Auto-Encoder（AE）是做不到的，因为如果不对latentspace的生成进行约束，仅仅是对输出的结果进行约束。那么最终，对于不同的样本输入，得到的latentspace是完全不同的，这会产生什么问题呢?就是这个
  • 无需部署，即开即用AI绘画 weixin_45597589 AI作画
    无需部署，即开即用AI绘画liblib优点：每月免费5次LoRA训练，每日登录赠送300算力（用于生图），有现成的模型和提示词可参考缺点：用户太多，生图需要排队LoRA训练左侧菜单栏点击训练我的LoRA进行参数设置>上传训练图片>输入触发词，根据需要修改裁剪方式、尺寸等>裁剪/打标>点击开始训练生图步骤点击左侧菜单栏在线生成，选择大模型、VAE>直接输入英文提示词或输入中文提示词后点右上角翻译成英
  • 什么是 OpenAI 的 Dall-E 模型
    OpenAI的Dall-E是一款革命性的人工智能模型，它专注于图像生成领域。这个模型基于深度学习和生成对抗网络（GAN）的原理，能够根据用户输入的描述生成高质量、富有创意的图像。Dall-E的名字来源于著名的画家SalvadorDalí和Pixar的动画电影「Wall-E」，寓意着它在艺术创造和机器智能方面的结合。Dall-E的核心技术基于变分自编码器（VAE）和GPT模型。VAE是一种生成模型，
  • 【计算机视觉】计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记 暖焱 #深度学习计算机视觉机器学习
    计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记无监督学习聚类K-means降维线性降维主成分分析非线性降维自编码特征学习密度估计贝叶斯决策生成模型生成模型的应用生成模型分类密度估计参考密度估计分类显示的密度估计PixelRNNandPixelCNNVariationalAutoencoders(VAE)隐式的密度估计GANPixelRNNandPixelCNNPixelRNN与Pixe
  • 「论文搬运」王亦洲课题组 CVPR 2021 入选论文解读：时间序列疾病预测的因果隐马尔可夫模型 Sternstunden 论文计算机视觉人工智能深度学习cvpr
    本文是对发表于计算机视觉和模式识别领域的顶级会议CVPR2021的论文“CausalHiddenMarkovModelforTimeSeriesDiseaseForecasting（时间序列疾病预测的因果隐马尔可夫模型）”的解读。该论文由北京大学王亦洲课题组与深睿医疗等单位合作，针对时间序列疾病预测的问题，提出了因果隐马尔可夫模型描述疾病的动态发展过程，并使用基于VAE的变分框架进行学习。通过对图
  • DEEP VARIATIONAL INFORMATION BOTTLENECK Aiqz
    DEEPVARIATIONALINFORMATIONBOTTLENECK论文“DeepVariationalinformationbottleneck”阅读笔记作者：艾庆忠时间：2018.12.04本人为小白一个，此文作为学习笔记，暂存于此。第一部分准备内容在阅读此论文之前，需对VAE、VariationalInference（变分推断）以及InformationBottleneck有所了解，借此
  • Stable Diffusion 模型下载：majicMIX fantasy 麦橘幻想 水滴技术 AI绘画从入门到精通stablediffusionAI作画AIGCpython
    文章目录模型介绍生成案例案例一案例二案例三案例四案例五案例六案例七案例八案例九案例十下载地址模型介绍非常推荐的一个非常绚丽、充满幻想的大模型，由国人“Merjic”发布，下载量颇高。这个模型风格炸裂，远距离脸部需要inpaint以达成最好效果。条目内容类型大模型基础模型SD1.5来源CIVITAI作者Merjic文件名称majicmixFantasy_v30Vae.safetensors文件大小1
  • 深入理解vqvae Adenialzz 人工智能机器学习计算机视觉
    深入理解vqvaeTL;DR：通过vectorquantize技术，训练一个离散的codebook，实现了图片的离散表征。vqvae可以实现图片的离散压缩和还原，在图片自回归生成、StableDiffusion中，有重要的应用。从AE和VAE说起AE（AutoEncoder，自编码器）是非常经典的一种自监督表征学习方法，它由编码器encoder和解码器decoder构成，编码器提取输入图像的低维特
  • 2019年上半年收集到的人工智能卷积神经网络干货文章 城市中迷途小书童
    2019年上半年收集到的人工智能卷积神经网络干货文章了解CNN这一篇就够了——关于卷积神经网络的介绍关于卷积的6个基本知识一文读懂深度学习中的各种卷积CNN卷积神经网络的三种基本模式（不懂的话还得多努力啊！）CNN，GAN，AE和VAE概述理解卷积神经网络？看这篇论文就够了深度卷积神经网络的高级主题卷积神经网络的特征是如何学习的？教你如何运用可视化理解卷积神经网络（CNNs）的指南空洞卷积（Dil
  • stable-diffusion | v1-5-pruned.ckpt和v1-5-pruned-emaonly.ckpt的区别 ASKCOS stablediffusion
    https://github.com/runwayml/stable-diffusion?tab=readme-ov-file#reference-sampling-script对于1.5模型，其中可能包括四部分：标准模型、文本编码器、VAE模型、EMA模型。标准模型：生成图片的核心模块，潜空间中的前向扩散和反向扩散就是通过它做的，对应到图中左侧的U-Net。文本编码器：将文本提示词转换为数学向量
  • AutoEncoder自动编码器、VAE变分自编码器、VQVAE量子化（离散化）的自编码器 丁希希哇 AIGC阅读学习算法深度学习人工智能pytorch
    文章目录AutoEncoder自动编码器（一）AutoEncoder的基本架构（二）AutoEncoder的概率理解（三）AutoEncoder的局限VAE变分自编码器（VariationalAutoEncoder）（一）VAE简介（二）VAE的概率理解（三）VAE与AE（三）VAE与GAN（四）VAE的损失函数VQVAE量子化（离散化）的自编码器（一）VQVAE简介（二）VQVAE与VAE（三）
  • （2021|NIPS，VQ-VAE，精度瓶颈松弛，三明治层归一化，CapLoss）CogView：通过转换器掌握文本到图像的生成 EDPJ 论文笔记transformer深度学习人工智能
    CogView:MasteringText-to-ImageGenerationviaTransformers公众号：EDPJ（添加VX：CV_EDPJ或直接进Q交流群：922230617获取资料）目录0.摘要1.简介2.方法2.1理论2.2标记化2.3自回归Transformer2.4训练的稳定性3.微调3.1超分辨率3.2图像标题和自我重新排名3.3风格学习3.4工业时尚设计4.实验结果4.1
  • 深入探索 Stable Diffusion：AI图像创新的新纪元 walkskyer StableDiffusion人工智能stablediffusion
    深入探索StableDiffusion：AI图像创新的新纪元介绍StableDiffusion的核心功能和应用场景StableDiffusion架构解析深入StableDiffusion的关键组件变分自编码器（VAE）生成对抗网络（GAN）注意力机制优化算法数据集StableDiffusion的高级应用技巧1.自定义训练StableDiffusion模型2.调整生成图像的细节程度3.优化性能Sta
  • 深度学习有何新进展？ 博瓦科技 人工智能
    深度学习是人工智能领域一项重要的技术，在过去几年里有许多新的进展。首先，一些研究人员提出了新的深度学习结构，如变分自编码器（VariationalAutoencoders,VAE）和生成对抗网络（GenerativeAdversarialNetworks,GAN）。这些新的结构在图像、语音和自然语言处理等领域取得了很大的成功，带来了更加准确和高效的模型。其次，针对深度学习模型的训练和优化问题，出现
  • 为什么有这么多人只爱许嵩 阳光下的野太阳花
    许嵩是谁?他是华语乐坛少有的独创音乐人，是“娱乐圈”的一朵“奇葩”。在综艺节目大热的时代，他几乎没露脸，也不像其他歌手唱而优则演。当众多明星在不停地圈钱时，他却埋头做音乐，坚持所有歌曲不收费，甚至为了他的粉丝们专门打造了一个APP-Vae+，亏本运营。一个几乎不做任何宣传的歌手，却拥有大批死忠粉。他的微博粉丝共658万，虽然与千万关注量的明星有一定差距，但这批粉丝粘性超高，大多是追随了近10年的老
  • 自监督学习 Icevivina 学习机器学习人工智能
    自监督学习指的是不依赖标注数据，模型直接从无标注的大量数据中进行学习。【属于无监督学习的一部分，它在训练过程中有正负样本，但是正负样本不是人工标号得来的，而是通过自己产生的。】自监督学习总体分成两类：生成式自监督学习和判别式自监督学习。其中生成式自监督学习的代表是VAE和GAN，他们利用一个生成器来学习真实的样本分布，不需要提供负样本就可以学习到一个生成器。判别式监督模型的任务难度要低一些，典型的
  • stable diffusion学习笔记——文生图（一） 师范大学生 AI绘图stablediffusion学习笔记
    模型设置基本模型基本模型也就是常说的checkpoint（大模型），基本模型决定了生成图片的主体风格。如上图所示，基本模型的后缀为.safetensors。需要存放在特定的文件夹下。如果用的是启动器，可以在启动器内直接下载。vae模型vae模型的全名叫变分自编码器，这里先不讲解原理。在AI绘图中主要的作用是起到画面滤镜的效果。目前较多的大模型都是自带vae的，因此这里不需要额外设置，修改成NONE
  • Stable Diffusion 笔记一：网络结构拆解 朱小丰 stablediffusion笔记
    SD由三大组件组成：VAE，CLIP，Unet。一VAE：VAE是VariationalAutoencoder的缩写，中文名变分自编码器，是一种基于深度学习的生成模型。１潜空间图片与像素图片：像素图片是正常使用的图片，通常包含主体的物体人物角色，和多余的部分空白背景等与主体无关的噪声。潜空间图片可以理解为是像素图片在高维空间的另一种表达，是像素图片的一种压缩表示。SD生成的图片是潜空间图片（Lat
  • 李宏毅机器学习（二十三）无监督学习Deep Generative Model(二) ca8519be679b
    内容衔接上一讲，上节我们讲到VAE，我们为什么用VAE而不用auto-encoder呢，直觉上的原因是如果是auto-encoder，我们期待的是输入满月解码后还是满月，输入半月输出还是半月，但是我们能保证中间状态时候我们的输出是3/4月吗，结果往往不是；如果是VAE，我们就会引入一定的噪声，使得一定范围内输出都是满月，一定范围内输出都是半月，中间的公共部分由于我们要Minimize2者的误差，所
  • 【论文笔记】VideoGPT: Video Generation using VQ-VAE and Transformers 来自γ星的赛亚人 论文阅读
    论文标题：VideoGPT:VideoGenerationusingVQ-VAEandTransformers论文代码：https://wilson1yan.github.io/videogpt/index.html.论文链接：https://arxiv.org/abs/2104.10157发表时间：2021年9月Abstract作者提出了VideoGPT：一种概念上简单的架构，用于将基于似然的生
  • VideoGPT：使用VQ-VAE和Transformers的视频生成 umbrellazg 算法计算机视觉
    1TitleVideoGPT:VideoGenerationusingVQ-VAEandTransformers（WilsonYan，YunzhiZhang，PieterAbbeel，AravindSrinivas）2ConlusionThispaperpresentVideoGPT:aconceptuallysimplearchitectureforscalinglikelihoodbasedg
  • InsCode Stable Diffusion 美图活动投稿 Binarydog_Lee 杂inscodestablediffusion
    本地部署可以使用B站大佬秋叶的整合包CSDN亦提供了StableDiffusion模型在线使用地址：https://inscode.csdn.net/@inscode/Stable-Diffusion模型相关版本和参数配置：模型：cetusversion4.WRgK.safetensors[b42b09ff12]VAE：yozoraVae.6sEG.pt绘制参数：Steps:20,Sampler:
  • jQuery 键盘事件keydown ,keypress ,keyup介绍 107x jsjquerykeydownkeypresskeyup
    本文章总结了下些关于jQuery 键盘事件keydown ,keypress ,keyup介绍，有需要了解的朋友可参考。 一、首先需要知道的是： 1、keydown() keydown事件会在键盘按下时触发. 2、keyup()  代码如下 复制代码 $('input').keyup(funciton(){      
  • AngularJS中的Promise bijian1013 JavaScriptAngularJSPromise
    一.Promise         Promise是一个接口，它用来处理的对象具有这样的特点：在未来某一时刻（主要是异步调用）会从服务端返回或者被填充属性。其核心是，promise是一个带有then()函数的对象。         为了展示它的优点，下面来看一个例子，其中需要获取用户当前的配置文件： var cu
  • c++ 用数组实现栈类 CrazyMizzz 数据结构C++
    #include<iostream> #include<cassert> using namespace std; template<class T, int SIZE = 50> class Stack{ private: T list[SIZE];//数组存放栈的元素 int top;//栈顶位置 public: Stack(
  • java和c语言的雷同 麦田的设计者 java递归scaner
    软件启动时的初始化代码，加载用户信息2015年5月27号 从头学java二 1、语言的三种基本结构：顺序、选择、循环。废话不多说，需要指出一下几点：      a、return语句的功能除了作为函数返回值以外，还起到结束本函数的功能，return后的语句 不会再继续执行。      b、for循环相比于whi
  • LINUX环境并发服务器的三种实现模型 被触发 linux
    服务器设计技术有很多，按使用的协议来分有TCP服务器和UDP服务器。按处理方式来分有循环服务器和并发服务器。 1  循环服务器与并发服务器模型 在网络程序里面，一般来说都是许多客户对应一个服务器，为了处理客户的请求，对服务端的程序就提出了特殊的要求。 目前最常用的服务器模型有： ·循环服务器：服务器在同一时刻只能响应一个客户端的请求 ·并发服务器：服
  • Oracle数据库查询指令 肆无忌惮_ oracle数据库
    20140920   单表查询 -- 查询************************************************************************************************************ -- 使用scott用户登录   -- 查看emp表   desc emp  
  • ext右下角浮动窗口 知了ing JavaScriptext
    第一种 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/
  • 浅谈REDIS数据库的键值设计 矮蛋蛋 redis
    http://www.cnblogs.com/aidandan/ 原文地址：http://www.hoterran.info/redis_kv_design 丰富的数据结构使得redis的设计非常的有趣。不像关系型数据库那样，DEV和DBA需要深度沟通，review每行sql语句，也不像memcached那样，不需要DBA的参与。redis的DBA需要熟悉数据结构，并能了解使用场景。
  • maven编译可执行jar包 alleni123 maven
    http://stackoverflow.com/questions/574594/how-can-i-create-an-executable-jar-with-dependencies-using-maven <build> <plugins> <plugin> <artifactId>maven-asse
  • 人力资源在现代企业中的作用 百合不是茶 HR 企业管理
    //人力资源在在企业中的作用人力资源为什么会存在，人力资源究竟是干什么的 人力资源管理是对管理模式一次大的创新，人力资源兴起的原因有以下点： 工业时代的国际化竞争，现代市场的风险管控等等。所以人力资源 在现代经济竞争中的优势明显的存在，人力资源在集团类公司中存在着 明显的优势(鸿海集团)，有一次笔者亲自去体验过红海集团的招聘，只 知道人力资源是管理企业招聘的 当时我被招聘上了，当时给我们培训 的人
  • Linux自启动设置详解 bijian1013 linux
    linux有自己一套完整的启动体系，抓住了linux启动的脉络，linux的启动过程将不再神秘。 阅读之前建议先看一下附图。 本文中假设inittab中设置的init tree为： /etc/rc.d/rc0.d /etc/rc.d/rc1.d /etc/rc.d/rc2.d /etc/rc.d/rc3.d /etc/rc.d/rc4.d /etc/rc.d/rc5.d /etc
  • Spring Aop Schema实现 bijian1013 javaspringAOP
    本例使用的是Spring2.5 1.Aop配置文件spring-aop.xml <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmln
  • 【Gson七】Gson预定义类型适配器 bit1129 gson
    Gson提供了丰富的预定义类型适配器，在对象和JSON串之间进行序列化和反序列化时，指定对象和字符串之间的转换方式，   DateTypeAdapter   public final class DateTypeAdapter extends TypeAdapter<Date> { public static final TypeAdapterFacto
  • 【Spark八十八】Spark Streaming累加器操作（updateStateByKey) bit1129 update
    在实时计算的实际应用中，有时除了需要关心一个时间间隔内的数据，有时还可能会对整个实时计算的所有时间间隔内产生的相关数据进行统计。 比如： 对Nginx的access.log实时监控请求404时，有时除了需要统计某个时间间隔内出现的次数，有时还需要统计一整天出现了多少次404，也就是说404监控横跨多个时间间隔。   Spark Streaming的解决方案是累加器，工作原理是，定义
  • linux系统下通过shell脚本快速找到哪个进程在写文件 ronin47
    一个文件正在被进程写 我想查看这个进程 文件一直在增大 找不到谁在写 使用lsof也没找到 这个问题挺有普遍性的，解决方法应该很多，这里我给大家提个比较直观的方法。 linux下每个文件都会在某个块设备上存放，当然也都有相应的inode, 那么透过vfs.write我们就可以知道谁在不停的写入特定的设备上的inode。 幸运的是systemtap的安装包里带了inodewatch.stp，位
  • java-两种方法求第一个最长的可重复子串 bylijinnan java算法
    import java.util.Arrays; import java.util.Collections; import java.util.List; public class MaxPrefix { public static void main(String[] args) { String str="abbdabcdabcx";
  • Netty源码学习-ServerBootstrap启动及事件处理过程 bylijinnan javanetty
    Netty是采用了Reactor模式的多线程版本，建议先看下面这篇文章了解一下Reactor模式： http://bylijinnan.iteye.com/blog/1992325 Netty的启动及事件处理的流程，基本上是按照上面这篇文章来走的 文章里面提到的操作，每一步都能在Netty里面找到对应的代码 其中Reactor里面的Acceptor就对应Netty的ServerBo
  • servelt filter listener 的生命周期 cngolon filterlistenerservelt生命周期
    1. servlet    当第一次请求一个servlet资源时，servlet容器创建这个servlet实例，并调用他的 init(ServletConfig config)做一些初始化的工作，然后调用它的service方法处理请求。当第二次请求这个servlet资源时，servlet容器就不在创建实例，而是直接调用它的service方法处理请求，也就是说
  • jmpopups获取input元素值 ctrain JavaScript
    jmpopups 获取弹出层form表单 首先，我有一个div，里面包含了一个表单，默认是隐藏的，使用jmpopups时，会弹出这个隐藏的div，其实jmpopups是将我们的代码生成一份拷贝。 当我直接获取这个form表单中的文本框时，使用方法：$('#form input[name=test1]').val()；这样是获取不到的。 我们必须到jmpopups生成的代码中去查找这个值，$(
  • vi查找替换命令详解 daizj linux正则表达式替换查找vim
    一、查找 查找命令 /pattern<Enter> ：向下查找pattern匹配字符串 ?pattern<Enter>：向上查找pattern匹配字符串 使用了查找命令之后，使用如下两个键快速查找： n：按照同一方向继续查找 N：按照反方向查找 字符串匹配 pattern是需要匹配的字符串，例如： 1:  /abc<En
  • 对网站中的js,css文件进行打包 dcj3sjt126com PHP打包
    一，为什么要用smarty进行打包 apache中也有给js,css这样的静态文件进行打包压缩的模块，但是本文所说的不是以这种方式进行的打包，而是和smarty结合的方式来把网站中的js,css文件进行打包。 为什么要进行打包呢，主要目的是为了合理的管理自己的代码 。现在有好多网站，你查看一下网站的源码的话，你会发现网站的头部有大量的JS文件和CSS文件，网站的尾部也有可能有大量的J
  • php Yii: 出现undefined offset 或者 undefined index解决方案 dcj3sjt126com undefined
    在开发Yii 时，在程序中定义了如下方式：        if($this->menuoption[2] === 'test')，那么在运行程序时会报：undefined offset:2，这样的错误主要是由于php.ini 里的错误等级太高了，在windows下错误等级
  • linux 文件格式（1） sed工具 eksliang linuxlinux sed工具sed工具linux sed详解
    转载请出自出处： http://eksliang.iteye.com/blog/2106082 简介       sed 是一种在线编辑器，它一次处理一行内容。处理时，把当前处理的行存储在临时缓冲区中，称为“模式空间”（pattern space），接着用sed命令处理缓冲区中的内容，处理完成后，把缓冲区的内容送往屏幕。接着处理下一行，这样不断重复，直到文件末尾
  • Android应用程序获取系统权限 gqdy365 android
    引用 如何使Android应用程序获取系统权限         第一个方法简单点，不过需要在Android系统源码的环境下用make来编译：         1. 在应用程序的AndroidManifest.xml中的manifest节点
  • HoverTree开发日志之验证码 hvt .netC#asp.nethovertreewebform
    HoverTree是一个ASP.NET的开源CMS，目前包含文章系统，图库和留言板功能。代码完全开放，文章内容页生成了静态的HTM页面，留言板提供留言审核功能，文章可以发布HTML源代码，图片上传同时生成高品质缩略图。推出之后得到许多网友的支持，再此表示感谢！留言板不断收到许多有益留言，但同时也有不少广告，因此决定在提交留言页面增加验证码功能。ASP.NET验证码在网上找，如果不是很多，就是特别多
  • JSON API：用 JSON 构建 API 的标准指南中文版 justjavac json
    译文地址：https://github.com/justjavac/json-api-zh_CN 如果你和你的团队曾经争论过使用什么方式构建合理 JSON 响应格式， 那么 JSON API 就是你的 anti-bikeshedding 武器。 通过遵循共同的约定，可以提高开发效率，利用更普遍的工具，可以是你更加专注于开发重点：你的程序。 基于 JSON API 的客户端还能够充分利用缓存，
  • 数据结构随记_2 lx.asymmetric 数据结构笔记
    第三章 栈与队列 一．简答题 1. 在一个循环队列中，队首指针指向队首元素的  前一个    位置。  2.在具有n个单元的循环队列中，队满时共有  n-1  个元素。  3. 向栈中压入元素的操作是先  移动栈顶指针&n
  • Linux下的监控工具dstat 网络接口 linux
    1) 工具说明dstat是一个用来替换 vmstat,iostat netstat,nfsstat和ifstat这些命令的工具, 是一个全能系统信息统计工具. 与sysstat相比, dstat拥有一个彩色的界面, 在手动观察性能状况时, 数据比较显眼容易观察; 而且dstat支持即时刷新, 譬如输入dstat 3, 即每三秒收集一次, 但最新的数据都会每秒刷新显示. 和sysstat相同的是,
  • C 语言初级入门--二维数组和指针 1140566087 二维数组c/c++指针
    /* 二维数组的定义和二维数组元素的引用 二维数组的定义： 当数组中的每个元素带有两个下标时，称这样的数组为二维数组； (逻辑上把数组看成一个具有行和列的表格或一个矩阵); 语法： 类型名 数组名[常量表达式1][常量表达式2] 二维数组的引用： 引用二维数组元素时必须带有两个下标，引用形式如下： 例如： int a[3][4];  引用：
  • 10点睛Spring4.1-Application Event wiselyman application
    10.1 Application Event Spring使用Application Event给bean之间的消息通讯提供了手段 应按照如下部分实现bean之间的消息通讯 继承ApplicationEvent类实现自己的事件 实现继承ApplicationListener接口实现监听事件 使用ApplicationContext发布消息
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他