- PyTorch训练,TensorRT部署的简要步骤(采用ONNX中转的方式)
赛先生.AI
TensorRTpytorch人工智能TensorRTONNX
1.简述使用PyTorch执行训练,使用TensorRT进行部署有很多种方法,比较常用的是基于INetworkDefinition进行每一层的自定义,这样一来,会反向促使研究者能够对真个网络的细节有更深的理解。另一种相对简便的方式就是通过ONNX中间转换的形式。本文主要针对该途径进行简单的脉络阐述。2.导出ONNX如果使用的是PyTorch训练框架,可采用其自带的ONNX导出API。torch.o
- tvm交叉编译android opencl
极乐净土0822
androidtvmndk交叉编译opencl
模型编译:#encoding:utf-8importonnximportnumpyasnpimporttvmimporttvm.relayasrelayimportosfromtvm.contribimportndkonnx_model=onnx.load('mobilenet_v3_small.onnx')x=np.ones([1,3,224,224])input_name='input1'sh
- 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
- 使用TensorRT在PyTorch项目中加速深度学习推理
从零开始学习人工智能
深度学习pytorch人工智能
在PyTorch项目中使用TensorRT进行深度学习推理通常涉及以下步骤:模型训练:首先,在PyTorch中训练你的深度学习模型。模型导出:训练完成后,将模型从PyTorch导出为ONNX(OpenNeuralNetworkExchange)格式。ONNX是一种用于表示深度学习模型的开放格式,它使得模型可以在不同的深度学习框架之间互操作。模型优化:使用TensorRT优化ONNX模型。Tenso
- [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
- 给label-studio 配置sam(segment anything)ml 记录
Magicapprentice
环境搭建环境配置samlabel-studio
给label-studio配置sam(segmentanything)ml后端记录配置ml后台下载代码下载模型文件创建环境模型转换后端服务启动配置label-studio前端配置模型后端连接配置标注模板标注界面使用参考链接配置ml后台下载代码gitclonehttps://github.com/HumanSignal/label-studio-ml-backend.git下载模型文件cdlabel
- Deep Learning with OpenCV DNN Module介绍
lida2003
Linux深度学习opencvdnn计算机视觉人工智能
DeepLearningwithOpenCVDNNModule介绍1.源由2.为什么/什么是OpenCVDNNModule?2.1支持的不同深度学习功能2.2支持的不同模型2.3支持的不同框架3.如何使用OpenCVDNN模块3.1使用从Keras和PyTorch等不同框架转换为ONNX格式的模型3.2使用OpenCVDNN模块的基本步骤4.参考资料1.源由看了一些资料和数据,感觉他讲的非常好,也
- MIT-BEVFusion系列八--onnx导出1 综述及相机网络导出
端木的AI探索屋
bevfusiononnx量化自动驾驶bevfusion
目录综述export-camera.py加载模型加载数据生成需要导出成onnx的模块Backbone模块VTransform模块生成onnx使用pytorch原生的伪量化计算方法导出camera.backbone.onnx导出camera.vtransform.onnx综述bevfusion的各个部分的实现有着鲜明的特点,并且相互独立,特别是考虑到后续部署的需要,这里将整个网络,分成多个部分,分别
- 杂谈--spconv导出中onnx的扩展阅读
端木的AI探索屋
onnxspconv稀疏卷积protobuf
Onnx使用Onnx介绍Onnx(OpenNeuralNetworkExchange)的本质是一种Protobuf格式文件,通常看到的.onnx文件其实就是通过Protobuf序列化储存的文件。onnx-ml.proto通过protoc(Protobuf提供的编译程序)编译得到onnx-ml.pb.h和onnx-ml.pb.cc或onnx_ml_pb2.py,然后用onnx_ml.pb.cc和代码
- YOLOv8-Openvino和ONNXRuntime推理【CPU】
你的陈某某
YOLOopenvino人工智能yolov8目标检测
1环境:CPU:i5-125002安装Openvino和ONNXRuntime2.1Openvino简介Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为
- centos7 arm服务器编译安装onnxruntime-gpu
番茄小能手
aarch64Linuxarm开发centos7
前言ONNXRuntime是适用于Linux,Windows和Mac上ONNX格式的机器学习模型的高性能推理引擎,但在arm服务器上,onnxruntime只有CPU版的,GPU版的没有,因此需要自行去编译GPU版本的才可以。环境准备1、python3.82、cmake:2.26.0版本以上,可以直接下载aarch64版本的进行安装Releases·Kitware/CMake(github.com
- 目标检测算法之YOLOv5在乒乓球赛事中运动员行为分析领域的应用实例详解(优化版--下)
小嘤嘤怪学
目标检测算法YOLOyolov5人工智能深度学习计算机视觉
为了进一步提升代码的效率和可维护性,可以考虑以下几个方面的优化:1.**视频解码优化**:-使用OpenCV的`preprocess`功能来直接从原始视频帧中提取RGB图像,避免不必要的复制和转换。2.**模型推理优化**:-使用ONNXRuntime的定制配置,如启用自动形状推测和启用量化模式,来进一步提高模型推理速度。3.**结果后处理优化**:-使用更高效的非极大值抑制(NMS)实现,如使用
- yolov8目标检测-onnx模型推理
一壶浊酒..
目标检测深度学习#pytorchYOLO目标检测人工智能
importtimeimportonnxruntimeimportnumpyasnpimportcv2class_names=['person','bicycle','car','motorcycle','airplane','bus','train','truck','boat','trafficlight','firehydrant','stopsign','parkingmeter','be
- 心法利器[107] onnx和tensorRT的bert加速方案记录
机智的叉烧
bert人工智能深度学习自然语言处理
心法利器本栏目主要和大家一起讨论近期自己学习的心得和体会,与大家一起成长。具体介绍:仓颉专项:飞机大炮我都会,利器心法我还有。2023年新一版的文章合集已经发布,获取方式看这里:又添十万字-CS的陋室2023年文章合集来袭,更有历史文章合集,欢迎下载。往期回顾心法利器[102]|大模型落地应用架构的一种模式心法利器[103]|大模型badcase修复方案思考心法利器[104]|基础RAG-向量检索
- opencv dnn完整示例
AI视觉网奇
深度学习宝典opencvdnnpytorch
目录python导出onnx:python预测例子:c++dnn调用例子:python导出onnx:weights='xxxx.pth'model_cls=Model_net(model_path=weights,num_classes=2)state_dict=torch.load(weights)model_cls.load_state_dict(state_dict)model_cls.ev
- 学习:StatQuest-逻辑回归
小潤澤
前言逻辑回归的底层是由线性回归所支撑的,它所用于将线性模型转换为概率模型进行分类:图1图2图3图2是计算逻辑回归事件概率图3计算odds和事件概率逻辑回归逻辑回归强调的是一种分类image.png由这个图上,我们可以看到小鼠被严格的分为两类,Obese和NotObese,这样分类是否太严格了,我们完全可以设立一个阈值,根据已有的特征来进行分类:image.png比方说我建立一个线性模型,然后转换为
- onnx基础
whyte王
python
初次编辑时间:2024/2/7;最后编辑时间:2024/2/12定义:ONNX(OpenNeuralNetworkExchange)是一种开放式的文件格式,用于存储训练好的机器学习模型。它使得不同的人工智能框架(如PyTorch、MXNet、Tensorflow)可以采用相同格式存储模型数据并交互。Basic当我们加载了一个ONNX之后,我们获得的就是一个ModelProto,它包含了一些版本信息
- 论文介绍 One-step Diffusion 只需单步扩散生成!
Longlongaaago
深度学习
论文介绍One-stepDiffusionwithDistributionMatchingDistillation关注微信公众号:DeepGo源码地址:https://tianweiy.github.io/dmd/论文地址:https://arxiv.org/abs/2311.18828这篇论文介绍了一种新的图像生成方法,名为分布匹配蒸馏(DMD),将扩散模型转换为一步生成器,极大地加快了图像生成
- 利用RunTime和KVC实现模型转换
神奇李白
实现思路1.通过runtime获取对象的所有属性objc_property_t*propertyList=class_copyPropertyList([selfclass],&count);2.遍历所有属性通过kvc赋值(难点:多层自定义类的转换)3.没了创建类别:NSObject+HYModel.hNSObject+HYModel.h.h/**字典转模型*/+(id)hy_modelWithD
- 107、Repaint123: Fast and High-quality One Image to 3D Generation with Progressive Controllable 2D Re
C--G
#3D重建3d
简介github官网 两阶段3D生成。第一阶段使用3DGaussianSplatting生成粗糙的三维表示,第二阶段使用DiffusionRepainting优化细节。 目前的方法采用SDS损失,导致纹理不一致,质地差。实现流程总流程。 粗化阶段,采用3DGaussianSplatting作为DreamGaussian的表示,学习通过SDS损耗优化的粗化几何和纹理。 细化阶段,将粗糙模型转换为网格
- jetson orin nano 使用yolov8导出engine
coder攻城狮
YOLO
1.导出onnx经过前面训练,得到了best.pt模型,现在想要使用tensorrt进行推理,需要先导出为onnx格式,再转化为engine格式。yoloexportmodel=best.ptformat=onnxopset=12simplify=True2.解决错误在导出过程中,可能会出现错误,cmake版本问题安装好后,默认cmake版本为3.16,需要对cmake进行升级sudopipins
- 四、yolov8模型导出和查看
Dakchueng
win10+yolov8分割C++TRT和vino部署YOLO深度学习人工智能
yolv8模型导出1、找到engine文件夹下的exporter.py文件。2、修改文件夹路径,改为我们训练结束后生成的文件夹。3、打开default.yaml文件夹,找到format参数,修改为onnx,找到batch改为1,然后返回exporter.py文件,运行,导出onnx模型,方便trt和onnxruntime部署。4、以上就是一个模型导出的完整流程;然而有人想要用openvino部署,
- 机器学习复习(8)——逻辑回归
不会写代码!!
人工智能机器学习复习Python学习机器学习逻辑回归人工智能
目录逻辑函数(LogisticFunction)逻辑回归模型的假设函数从逻辑回归模型转换到最大似然函数过程最大似然函数方法梯度下降逻辑函数(LogisticFunction)首先,逻辑函数,也称为Sigmoid函数,是一个常见的S形函数。其数学表达式为:这个函数的特点是,其输出值总是在0和1之间。这个性质使得Sigmoid函数非常适合用来进行二分类,在机器学习中,它可以将任意实数映射到(0,1)区
- SegmentAnything官网demo使用vue+python实现
欧内的手好汗
vue.jspython前端
一、效果&准备工作1.效果没啥好说的,低质量复刻SAM官网https://segment-anything.com/需要提一点:所有生成embedding和mask的操作都是python后端做的,计算mask不是onnxruntime-web实现的,前端只负责了把rle编码的mask解码后画到canvas上,会有几十毫秒的网络传输延迟。我不会react和typescript,官网F12里的源代码太
- 一文教你地平线旭日派X3部署yolov5从训练-->转模型-->部署
计算机科学边界
ROS嵌入式硬件机器人python
一文教你地平线旭日派X3部署yolov5从训练,转模型,到部署近日拿到了地平线的旭日派X3,官方说是支持等效5tops的AI算力,迫不及待的想在上面跑一个yolov5的模型,可谓是遇到了不少坑,好在皇天不负有心人,终于在手册和社区各个大佬的帮助下,终于在板子上推理成功,本文会从训练、模型转换、到部署到旭日派详细说明1.训练1.1准备yolov5-2.0源代码根据地平线社区大佬说明,虽然旭日派X3支
- 【深圳大学软件工程】实验二 数据库建模
归忆_AC
软件工程深圳大学软件工程数据库建模
实验目的1.熟悉PowerDesigner的基本用法;2.掌握用PowerDesigner设计数据库的方法;3.学会PowerDesigner中数据库模型转换方法;4.掌握将数据库模型导入Access数据库的步骤。实验内容(一)本实验内容如下所示:1.使用PowerDesigner设计数据库逻辑模型;2.将数据库逻辑模型转成物理模型;3.在PowerDesigner中通过ODBC数据库桥连接Acc
- mmdetection模型转onnx和tensorrt实战
dream_home8407
python深度学习人工智能
一,说明1.本次实战使用的是mmdetection算法框架中的Cascase-Rcnn训练的模型;2.模型转换时,运行环境中各种工具的版本要保持一致;3.TensorRT我一直装不上,我用的是镜像环境.参考链接:link二,使用Docker镜像1.0,镜像基础环境构建exportTAG=openmmlab/mmdeploy:ubuntu20.04-cuda11.8-mmdeploydockerpu
- 关于yolov8的一些模块
lindsayshuo
YOLO
1、c2f对于yolov8的c2f模块,就是上一层的输出被split成了两部分,一部分不动,另一部分经过conbnsilu提取特征在拼回去,结构图如下:onnx的netron图如下:(1)c2f(2)bottleneck2、SPPF对于yolov8的SPPF模块,就是上一层的输出进行convbnsilu卷积提取特征后,一部分拿去做池化,将不同层的池化特征与另一部分经过conbnsilu提取特征在拼
- yolo导出的onnx怎么使用onnxruntime调用
weixin_46648511
yoloYOLO
1.上几篇文件,写了怎样标注数据,获取yolo数据,怎样训练数据。这篇文章写下,怎样使用yolo训练好的网络进行推理,怎样使用onnxruntime调用网络推理。2.yolo模型训练后推理,主要分两种,一种是使用yolo官方提供的api推理,一种使用onnx模式推理。3.使用yolo官方的api推理:###把qimage图片转成mat函数defCoverQImageToMat(self):ptr_
- 4、pyorch模型转换为onnx、.pb、.h文件
小树苗m
pytorch笔记pytorch深度学习python
#https://pypi.tuna.tsinghua.edu.cn/simpleimporttorchimportonnxfromonnx_tf.backendimportpreparefromonnx2kerasimportonnx_to_kerasimportkerasimporttensorflowastf'''---------------------------------------
- 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