- 一学就会的深度学习基础指令及操作步骤(5)使用预训练模型
小圆圆666
深度学习人工智能python卷积神经网络
文章目录使用预训练模型加载预训练模型图像加载与预处理预测使用预训练模型查看模型库和常用模型加载预训练模型fromtorchvision.modelsimportvgg16#VGG16模型架构的定义fromtorchvision.modelsimportVGG16_Weights#VGG16的预训练权重配置#loadtheVGG16network*pre-trained*ontheImageNetd
- 针对AF调试过程中PD多窗机制是如何打分的
爱写BUG的长歌
人工智能计算机视觉算法
在AF(自动对焦)调试中,PD多窗机制(PhaseDetectionMulti-Window)是提升相位对焦精度和鲁棒性的关键技术,其核心是通过在画面中划分多个相位检测窗口,分别计算各窗口的相位差(PhaseDifference)并进行综合评分,最终选择最优对焦位置。以下是其打分机制的核心逻辑和调试要点:1.多窗口布局与权重分配窗口划分根据Sensor的PDAF像素分布,将画面划分为多个区域(例如
- “大语言模型微调”(Fine-tuning)与“大语言模型应用”(LLM Applications)之间的区别
AI Echoes
人工智能机器学习深度学习
1.概念与定义大语言模型微调微调指的是在一个经过大规模预训练的通用语言模型基础上,利用针对性较强的小规模数据集对模型进行进一步训练,从而使模型在特定领域或任务上表现得更优秀。目标:使模型更好地适应特定任务(如医疗问答、法律咨询、编程辅助等),提高准确性和专业性。方法:可以是全参数微调,也可以采用参数高效微调(如LoRA、Adapter、PrefixTuning等),后者只调整部分参数而保持原有权重
- Python第十六课:深度学习入门 | 神经网络解密
程之编
Python全栈通关秘籍python神经网络青少年编程
本节目标理解生物神经元与人工神经网络的映射关系掌握激活函数与损失函数的核心作用使用Keras构建手写数字识别模型可视化神经网络的训练过程掌握防止过拟合的基础策略一、神经网络基础(大脑的数字化仿生)1.神经元对比生物神经元人工神经元树突接收信号输入层接收特征数据细胞体整合信号加权求和(∑(权重×输入)+偏置)轴突传递电信号激活函数处理输出2.核心组件解析激活函数:神经元的"开关"(如ReLU:max
- Midjourney绘图参数详解:从基础到高级的全面指南
码上飞扬
midjourney
引言Midjourney作为当前最受欢迎的AI绘图工具之一,其强大的参数系统为用户提供了丰富的创作可能性。本文将深入解析Midjourney的各项参数,帮助开发者更好地掌握这一工具,提升创作效率和质量。一、基本参数配置1.图像比例调整使用--ar参数可以设置图像的宽高比,例如--ar16:9将生成16:9的宽屏图像。2.提示权重控制--iw参数用于控制文本提示对图像的影响程度,默认值为0.25,可
- AI工作流到底好不好用!2025年主流AI工作流工具对比与深度洞察
Jing_saveSlave
AI人工智能chatgpt扣子DEEPSEEK
直击痛点、痒点、爽点:2025年主流AI工作流工具对比与深度洞察在AI工具井喷的2025年,创作者们既享受技术红利,也面临选择困境。本文从痛点、痒点、爽点三个维度,剖析主流AI工具的真实价值,并揭示其如何重塑创作生态。一、痛点:AI工具的“隐形门槛”与用户需求鸿沟操作复杂性与学习成本高多数AI工具标榜“智能”,但用户常因复杂的参数设置、晦涩的术语(如“风格迁移权重”“模型微调”)而却步。例如Mid
- yolov5代码详解--1.python代码脚本
三炭先生
yolo算法YOLOpython算法
一、detect.py作为YOLOv5模型推理的核心执行文件,detect.py实现了从数据加载到结果输出的完整目标检测流水线。本文只讲代码中最主要的opt内函数的含义,这是detect最核心的东西,至于其他的代码注释我会放在下面,有什么不懂可以评论区提问。下面对每个命令行参数进行详细介绍,说明它们在检测推理过程中的含义和作用:--weights指定模型权重文件的路径(或多个路径),也可以是远程T
- 深度学习笔记——Resnet和迁移学习
肆——
深度学习深度学习笔记迁移学习
1.ResNet的提出深度学习与网络深度的挑战:在深度学习中,网络的“深度”(即层数)通常与模型的能力成正比。然而,随着网络深度的增加,一些问题也随之出现,最突出的是梯度消失/爆炸问题。这使得深层网络难以训练。梯度消失:梯度消失是指在训练深度神经网络时,通过多层传递的梯度(误差)变得非常小,接近于零。这导致网络中较早层的权重更新非常缓慢,甚至几乎不更新。梯度爆炸:梯度爆炸是指在训练深度神经网络时,
- 电商业务数据测试用例参考
SuperCreators
大数据测试大数据hive数据仓库
1.数据采集层测试用例编号测试目标测试场景预期结果TC-001验证用户行为日志采集完整性模拟用户浏览、点击、加购行为KafkaTopic中日志记录数与模拟量一致TC-002验证无效数据过滤规则发送爬虫请求(高频IP)清洗后数据中无该IP的日志记录2.数据处理层测试用例编号测试目标测试场景预期结果TC-003验证用户兴趣标签计算逻辑用户连续浏览3次“运动鞋”类目用户画像中“运动鞋”兴趣权重≥0.8T
- DeepSeek smallpond搅动大数据风云
彭铖洋
javascriptreactjs
DuckDB走向分布式?DeepSeek的smallpond涉足大数据DuckDB!降维打击传统大数据领域,搅动中台数据工程风云!DeepSeek正在利用smallpond(一种新的、简单的分布式计算方法)推动DuckDB超越其单节点根源。但它是否解决了可扩展性挑战——还是带来了新的权衡?DeepSeek最近搞了个大新闻。他们的R1模型在2025年1月发布时,就直接干翻了OpenAI的O1等竞争对
- PyTorch系列教程:编写高效模型训练流程
梦想画家
人工智能#pythonpytorch人工智能python
当使用PyTorch开发机器学习模型时,建立一个有效的训练循环是至关重要的。这个过程包括组织和执行对数据、参数和计算资源的操作序列。让我们深入了解关键组件,并演示如何构建一个精细的训练循环流程,有效地处理数据处理,向前和向后传递以及参数更新。模型训练流程PyTorch训练循环流程通常包括:加载数据批量处理执行正向传播计算损失反向传播更新权重一个典型的训练流程将这些步骤合并到一个迭代过程中,在数据集
- DeepSeek保姆级教程!零基础玩转「最强开源模型」,手把手教你成为AI高手(附实战代码+资源包)
小蛋6g
java人工智能
“2024年AI圈杀出一匹黑马——国产大模型DeepSeek!无需高端显卡,本地3步部署,小白也能玩转智能对话、代码生成!本文从原理到实战,带你解锁DeepSeek-R1-Lite-Preview,文末免费领取模型权重+调参秘籍!”---一、DeepSeek凭什么火?揭秘国产大模型的1.1开源界的“性价比之王”-低门槛部署:仅需8GB内存+普通CPU即可运行,学生党宿舍电脑也能跑-性能对标国际:在
- 2025最新Transformer模型及深度学习前沿技术应用
weixin_贾
PythonMATLABpython深度学习MATLAB编程深度学习模型图神经网络自编码物理信息神经网络目标检测大语言模型
第一章、注意力(Attention)机制1、注意力机制的背景和动机(为什么需要注意力机制?注意力机制的起源和发展里程碑)。2、注意力机制的基本原理(什么是注意力机制?注意力机制的数学表达与基本公式、用机器翻译任务带你了解Attention机制、如何计算注意力权重?)3、注意力机制的主要类型:键值对注意力机制(Key-ValueAttention)、自注意力(Self-Attention)与多头注意
- lammps教程:单原子温度计算及输出方法
lammps加油站_小马老师
lammps教程lammps
大家好,我是小马老师。在lammps模拟中,可以使用thermo命令输出整个体系的温度。但在有些时候可能需要输出每个原子的温度,并绘制温度云图,如下图所示:单个原子的温度应该如何输出?温度云图又是如何绘制?接下来将详细介绍但原子温度计算方法。既然是输出单个原子的信息,必然要用到dump命令,但是默认情况下,lammps并没有提供单原子温度属性。因此,需要根据动能和温度转换关系计算单个原子的速度,代
- 数学建模:评价性模型学习——层次分析法(AHP模型)
美肚鲨ccc
matlab矩阵数据分析算法
目录前言一、流程介绍二、模型实现1.构建层次结构2.构建判断矩阵1.对指标进行赋权2.建立判断矩阵3.层次单排序及一致性检验1、准则层2、方案层4、计算得分三、方法分析总结前言之前在课程作业上简单用过层次分析法,这次再系统性学习一遍,写一篇学习笔记!一、流程介绍构建层次结构构建判断矩阵计算权重、一致性检验计算得分得出结论二、模型实现1.构建层次结构探究以下五个城市的城市旅游竞争力排名:成都、杭州、
- 【数学模型】层次分析_数学建模层次分析法例题及答案(1)
2401_84181253
程序员数学建模
|校园景色|0.1|0.2|0.8|经计算:A=0.4*0.6+0.3*0.5+0.2*0.3+0.1*0.2=0.47B=0.53B>A因此最终小坤去了大学B。即打分法解决评价问题时,只需要我们补充完成下面这张表格即可:权重方案1方案2指标1指标2指标3指标4同颜色单元格之和为1。一、层次分析法的例题题目:选择好大学后,坤坤准备在开学前去旅游,他决定在城市A,城市B,城市C中选择一个作为目标地点
- Android 动态布局的权重问题
t0_54manong
android个人开发
在Android开发中,动态创建布局是常见的需求,特别是当我们需要根据运行时条件来调整界面时。今天我们来探讨一个常见的问题:在动态创建的LinearLayout中,如何正确地设置子View的权重(weight),以实现预期的布局效果。问题描述假设我们需要创建一个父LinearLayout,其中包含两个子LinearLayout。父布局的方向是垂直的,我们希望第一个子布局占用30%的空间,第二个子布
- 分布式系统设计(架构能力)
时光不负追梦人
架构java
一、微服务架构服务治理Nacos注册中心(AP模式)CAP选择:Nacos默认采用AP模式(可用性+分区容忍性),通过心跳检测实现服务健康管理。服务发现:客户端定时拉取服务列表,支持权重路由和元数据过滤。配置管理:通过dataId和group动态推送配置,支持灰度发布。Sentinel熔断规则持久化规则存储:将流控、熔断规则持久化到Nacos/ZooKeeper,避免重启丢失。动态更新:通过Dat
- python量化数据8:计算东方财富KDJ指标数值金叉死叉
ETF股债基指标
python开发语言
一、KDJ计算公式K:SMA(RSV,5,1);D:SMA(K,M1,1);J:3*K-2*D;defKDJ(CLOSE,HIGH,LOW,N=9,M1=3,M2=3):'''超卖超买类RSV赋值:(收盘价-N日内最低价的最低值)/(N日内最高价的最高值-N日内最低价的最低值)*100输出K:RSV的M1日[1日权重]移动平均输出D:K的M2日[1日权重]移动平均输出J:3*K-2*D'''RSV
- 【AI-42】如何调整参数和超参
W Y
人工智能
在机器学习和深度学习中,参数和超参数是两个重要概念,以下是一些常见的参数和超参数及其作用:参数权重(Weight)解释:可以将权重想象成连接不同神经元之间的“桥梁”,其大小决定了一个神经元的输出对下一个神经元的影响程度。权重越大,说明前一个神经元对后一个神经元的影响就越大;权重越小,影响就越小。作用:在模型训练过程中,权重不断调整,使得模型能够学习到输入数据中的各种特征和模式,从而实现对数据的准确
- 神经网络:让机器学会“观察与思考“的数字大脑
安意诚Matrix
机器学习笔记神经网络人工智能深度学习
你可以把神经网络想象成一个会学习的"电子大脑",它的工作原理既神秘又有趣:1.从单个神经元开始就像人类大脑由神经元组成,神经网络的基本单元是"人工神经元"。每个神经元接收多个输入信号(比如图片的像素值),每个信号被赋予不同的"权重"(重要性),然后通过类似"加权投票"的方式计算总和。当总和超过某个阈值时,神经元就会"激活",输出一个信号。这个过程模仿了生物神经元的"全或无"放电机制。2.神经元的超
- PTA团体程序设计天梯赛-练习集16-20题
β添砖java
算法c++c语言数据结构
L1-016查验身份证一个合法的身份证号码由17位地区、日期编号和顺序编号加1位校验码组成。校验码的计算规则如下:首先对前17位数字加权求和,权重分配为:{7,9,10,5,8,4,2,1,6,3,7,9,10,5,8,4,2};然后将计算的和对11取模得到值Z;最后按照以下关系对应Z值与校验码M的值:Z:012345678910M:10X98765432现在给定一些身份证号码,请你验证校验码的有
- Jtti.cc:站群服务器SEO优化建议,如何分配多IP?
Jtti
站群服务器服务器
站群优化的核心目标之一是尽可能通过多个网站互相引导流量,从而提升主站的权重。这时候,多IP的分配至关重要,因为搜索引擎会检测到同一IP下的网站之间的关联性。如果一个IP地址下有过多的相似站点,搜索引擎可能会认为这些站点存在人为操控的嫌疑,从而施加惩罚,甚至导致所有相关站点的排名下滑。核心观点:合理的IP分配,能有效避免被搜索引擎认定为“站群”操作,进而防止被惩罚。通过科学规划IP分配和权重分配,可
- 量化企业间合作关系、竞争关系和资源流动
Atlas Shepherd
python算法人工智能
用于计算不同类型的权重、校正度中心性以及模块增益。公式被用来量化企业间合作关系、竞争关系和资源流动的程度,并通过分析网络结构来识别产业链中的关键企业和集群合作权重(W_cooperation)公式:Wcooperation(i,j)=α⋅max(freq)freq(i,j)+β⋅max(amount)amount(i,j)+γ⋅max(duration)duration(i,j)⋅e−δ(t−tl
- 深度学习模型:原理、应用与代码实践
accurater
c++算法笔记人工智能深度学习
引言深度学习作为人工智能的核心技术,已在图像识别、自然语言处理、代码生成等领域取得突破性进展。其核心在于通过多层神经网络自动提取数据特征,解决复杂任务。本文将从基础理论、模型架构、优化策略、应用场景及挑战等多个维度展开,结合代码示例,系统解析深度学习模型的技术脉络与实践方法。一、深度学习基础理论神经网络基本原理神经网络由输入层、隐藏层和输出层构成,通过反向传播算法调整权重。以全连接网络为例,前向传
- 人工智能之数学基础:对线性代数中逆矩阵的思考?
每天五分钟玩转人工智能
机器学习深度学习之数学基础线性代数人工智能矩阵机器学习逆矩阵向量
本文重点逆矩阵是线性代数中的一个重要概念,它在线性方程组、矩阵方程、动态系统、密码学、经济学和金融学以及计算机图形学等领域都有广泛的应用。通过了解逆矩阵的定义、性质、计算方法和应用,我们可以更好地理解和应用线性代数知识,解决各种实际问题。关于逆矩阵的思考现在我们有一个计算过程如上所示,我们知道矩阵的作用就是函数,向量a先经过矩阵1进行函数作用,然后再经过矩阵2函数作用最后可以得到输出向量c,这个过
- 复现:latent diffusion(LDM)stable diffusion
JokerSZ.
GenerationModelsstablediffusion人工智能深度学习生成模型
复现LDM已解决所有报错下载项目https://github.com/CompVis/latent-diffusion然后运行环境配置:condaenvcreate-fenvironment.yamlcondaactivateldm下载预先训练的权重:下载官方权重文件:mkdir-pmodels/ldm/text2img-large/wget-Omodels/ldm/text2img-large/
- vLLM部署Qwen2.5-VL-7B-Instruct实战:从hf-mirror下载权重全流程
几道之旅
人工智能智能体及数字员工人工智能
本文将重点演示如何从国内镜像站https://hf-mirror.com高效下载Qwen2.5-VL-7B-Instruct模型权重,并通过vLLM完成部署。以下为详细步骤:Step1.通过hf-mirror下载权重文件方法一:直接替换URL下载原HuggingFace模型地址:https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct替换域名后镜像站地址
- AdaBoost算法
Mr终游
机器学习算法决策树
目录一、核心原理:二、算法步骤三、关键优势:四.局限与解决五、代码示例(鸢尾花数据集)AdaBoost(AdaptiveBoosting)是一种经典的集成学习算法,通过组合多个弱分类器(如决策树)来构建强分类器。其核心思想是通过迭代优化残差(错误)和动态调整样本权重,逐步提升模型性能。以下是对AdaBoost的简明总结和关键要点:一、核心原理:提升法:通过顺序训练多个弱分类器,每轮专注修正前一个模
- 数值计算模型范围的取值与思考--水泵水轮机压力脉动问题--学术论文模式--个人经验总结
lalalaO°C_m
经验分享-高效率!笔记算法数据分析经验分享信号处理
数值计算模型范围的取值与思考——水泵水轮机压力脉动问题目录数值计算模型范围的取值与思考——水泵水轮机压力脉动问题写在前面摘要1研究背景2研究现状3研究方法3.1模型结构参数的选取3.2数值计算方法和参数3.3计算工况参数3.4求解器参数4总结与思考参考文献写在前面压力脉动是引起水力机械振动进而影响水泵水轮机安全运行的重要原因,使用数值模拟模型能够实现高精度且高效的压力脉动特性的计算研究。本文是博主
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR