- 高效空间编码技术:SPD-Conv在目标检测中的创新应用
向哆哆
目标检测目标跟踪人工智能yolov8
文章目录SPD-Conv:高效空间编码的技术背景SPD-Conv的原理YOLOv8中的SPD-Conv实现YOLOv8SPD-Conv代码实现代码解析性能提升SPD-Conv的优势与应用场景SPD-Conv的设计细节与优化1.空间深度转换机制的进一步优化2.SPD-Conv的训练技巧与改进3.SPD-Conv与YOLOv8的其他模块结合SPD-Conv的应用扩展1.自动驾驶2.无人机目标检测3.安
- yolo目标检测项目
m0_75047393
YOLO目标检测人工智能
一、前言(一)、什么是目标检测目标检测是指在图像或视频中准确地识别和定位出现的特定目标物体的任务。目标检测通常包括以下几个步骤:目标分类:确定图像中出现的物体属于哪一类别,例如汽车、行人、狗等。目标定位:确定图像中物体的位置,通常通过绘制边界框或遮罩来标识物体的位置。目标识别:将检测到的目标与预定义的类别进行匹配,以便为目标添加语义标签。多目标检测:在一张图像中检测并识别多个目标,包括重叠目标和不
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-VOC.yaml
红色的山茶花
YOLO笔记深度学习
VOC.yamlultralytics\cfg\datasets\VOC.yaml目录VOC.yaml1.YAML文件内容2.所需的库和模块3.defconvert_label(path,lb_path,year,image_id):4.Download5.Convert1.YAML文件内容#UltralyticsAGPL-3.0License-https://ultralytics.com/li
- 如何用 DeepSeek 进行卷积神经网络(CNN)的优化
一碗黄焖鸡三碗米饭
人工智能前沿与实践cnn人工智能神经网络机器学习深度学习
如何用DeepSeek进行卷积神经网络(CNN)的优化卷积神经网络(CNN)在计算机视觉任务中取得了巨大的成功,例如图像分类、目标检测和图像生成。然而,尽管CNN在这些任务中表现出色,它们通常需要大量的计算资源,并且在优化过程中可能会遇到一些挑战,如过拟合、训练速度慢、局部最优解等问题。为了更好地优化CNN模型,提高其性能和训练效率,DeepSeek提供了多种优化技术和工具,可以帮助我们系统地进行
- 英特尔开发板试用:结合OAK深度相机进行评测
OAK中国_官方
数码相机
最近英特尔官方发布了一篇文章:主要介绍了如何将英特尔开发板(小挪吒)与OAK深度相机结合使用,并通过OpenVINO™工具套件进行开发和性能评测OAK相机:作为深度数据采集的核心设备,其深度测距功能与OpenVINO™推理相结合,实现了高效的目标检测和深度信息处理。OpenVINO™:作为英特尔的深度学习推理框架,为开发板和OAK相机提供了强大的推理支持。性能优化:通过模型转换和硬件加速,去实现高
- VSLAM新方案之《在复杂环境中实现高精度与超强鲁棒性》
OAK中国_官方
SLAM人工智能rpab-map
OAKChina&苏州泛科特机器人联合推出OAK-DSeries&因子空间感知(FactorPerceptionKit)VSLAM解决方案01FactorPerceptionKit简介FactorPerceptionKit是一种真正基于深度学习技术的VSLAM方案,不同于许多厂商仅通过添加目标检测或语义分割模型来实现额外功能,我们直接在SLAM底层使用HF-Net模型,该模型同时进行局部特征点检测
- SCP传输
超好的小白
vscode+服务器python
scp-P10022yolo_world.taruser@***.88.148.***:/
[email protected]:/home/admin1.将本地文件复制到远程scp/home/data/file.zipusername@remote_host:/home/username/2.将远程文件复制到本地scpusername@rem
- Mean Shift聚类算法深度解析与实战指南
万事可爱^
机器学习修仙之旅#无监督学习算法聚类数据挖掘MeanShift均值漂移聚类均值算法
一、算法全景视角MeanShift(均值漂移)是一种基于密度梯度上升的非参数聚类算法,无需预设聚类数量,通过迭代寻找概率密度函数的局部最大值完成聚类。该算法在图像分割、目标跟踪等领域有广泛应用,尤其擅长处理任意形状的密度分布。二、核心原理剖析2.1核密度估计使用核函数对数据分布进行平滑估计,高斯核函数为:K(x)=12πhe−x22h2K(x)=\frac{1}{\sqrt{2\pi}h}e^{-
- YOLOv8 赋能道路状况检测:革新交通基础设施监测
他是只猫
YOLOv8在交通领域的应用YOLO目标跟踪人工智能
文章目录一、YOLOv8在道路状况检测中的原理与优势(一)检测原理(二)相较于传统方法的优势二、YOLOv8在道路状况检测中的具体应用实例(一)裂缝检测(二)坑洼检测(三)积水检测三、基于YOLOv8的道路状况检测流程(一)图像采集(二)数据预处理(三)模型训练与评估(四)检测与结果输出四、YOLOv8用于道路状况检测面临的挑战与应对策略(一)面临的挑战(二)应对策略五、基于YOLOv8的道路状况
- yolo位姿估计实验
jarreyer
YOLO
目录介绍实验过程2.1数据集下载2.2模型和数据配置文件修改2.3模型训练参考链接1.介绍1.1简介YOLOv8-Pose是基于YOLOv4算法的姿势估计模型,旨在实现实时高效的人体姿势估计。姿势估计在计算机视觉领域具有重要意义,可广泛应用于视频监控、运动分析、健康管理等领域。1.2背景传统的姿势估计方法常需复杂网络架构和大量计算资源,导致实时性不佳。YOLOv8-Pose通过对YOLOv4算法进
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-model.py
红色的山茶花
YOLO笔记深度学习
model.pyultralytics\models\yolo\model.py目录model.py1.所需的库和模块2.classYOLO(Model):3.classYOLOWorld(Model):1.所需的库和模块#UltralyticsAGPL-3.0License-https://ultralytics.com/licensefrompathlibimportPathfromultra
- 基于yolov8的糖尿病视网膜病变严重程度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的糖尿病视网膜病变严重程度检测系统基于YOLOv8的糖尿病视网膜病变严重程度检测系统是一款利用深度学习技术,专为糖尿病视网膜病变早期诊断设计的智能辅助工具。该系统采用YOLOv8目标检测模型,结合经过标注和处理的医学影像数据集,能够高效且准确地检测并分类糖尿病视网膜病变的不同严重程度。YOLOv8模型以其高速和高精度的特点,在处理眼底图像时展现了强大的能力。通过优化模型
- YOLOv5 + SE注意力机制:提升目标检测性能的实践
那年一路北
YoloYOLO目标跟踪人工智能
一、引言目标检测是计算机视觉领域的一个重要任务,广泛应用于自动驾驶、安防监控、工业检测等领域。YOLOv5作为YOLO系列的最新版本,以其高效性和准确性在实际应用中表现出色。然而,随着应用场景的复杂化,传统的卷积神经网络在处理复杂背景和多尺度目标时可能会遇到性能瓶颈。为此,引入注意力机制成为了一种有效的改进方法。本文将详细介绍如何在YOLOv5中引入SE(Squeeze-and-Excitatio
- 0004-Ultralytics YOLOv10
熟悉的黑曼巴
目标检测YOLO人工智能深度学习
YOLOv10由清华大学的研究人员基于UltralyticsPython包构建,引入了一种实时对象检测的新方法,解决了之前YOLO版本中发现的后处理和模型架构缺陷。通过消除非最大抑制(NMS)和优化各种模型组件,YOLOv10以显著降低的计算开销实现了最先进的性能。广泛的实验表明,它在多个模型尺度上具有卓越的准确性和延迟权衡。实时对象检测旨在以低延迟准确预测图像中的对象类别和位置。YOLO系列因其
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-converter.py
红色的山茶花
YOLO笔记深度学习
converter.pyultralytics\data\converter.py目录converter.py1.所需的库和模块2.defcoco91_to_coco80_class():3.defcoco80_to_coco91_class():4.defconvert_coco(labels_dir="../coco/annotations/",save_dir="coco_converted
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-metrics.py
红色的山茶花
YOLO笔记深度学习
metrics.pyultralytics\utils\metrics.py目录metrics.py1.所需的库和模块2.defbbox_ioa(box1,box2,iou=False,eps=1e-7):3.defbox_iou(box1,box2,eps=1e-7):4.defbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=Fal
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-tasks.py
红色的山茶花
YOLO笔记深度学习
tasks.pyultralytics\nn\tasks.py目录tasks.py1.所需的库和模块2.classBaseModel(nn.Module):3.classDetectionModel(BaseModel):4.classOBBModel(DetectionModel):5.classSegmentationModel(DetectionModel):6.classPoseModel
- YOLOv11-ultralytics-8.3.67部分代码阅读笔记-ops.py
红色的山茶花
YOLO笔记深度学习
ops.pyultralytics\models\utils\ops.py目录ops.py1.所需的库和模块2.classHungarianMatcher(nn.Module):3.defget_cdn_group(batch,num_classes,num_queries,class_embed,num_dn=100,cls_noise_ratio=0.5,box_noise_scale=1.0
- 基于yolov10的水果成熟度之石榴成熟度检测
qq1309399183
计算机视觉实战项目集合YOLO目标检测目标跟踪计算机视觉人工智能水果成熟度检测视觉检测
石榴成熟度检测**Pomegranate*是一个基于深度学习的系统,旨在自动化检测和分类石榴果实的生长阶段(未成熟、成熟、成熟期)。该系统采用最新的YOLOv10目标检测模型,能够高效地分析图像或视频中的石榴果实,并根据其外观特征识别其生长阶段。通过这种技术,农民可以更好地监控石榴果实的发育过程,优化作物管理,合理安排收获时间,从而提高生产效率和经济收益。系统概述石榴作为一种重要的水果作物,广泛种
- yolov5-训练好的模型部署的几种方式-ONNX
黄晓魚
halcon3dPCL点云处理深度神经网络YOLOC#python
ONNX,即OpenNeuralNetworkExchange,是微软和Facebook发布的一个深度学习开发工具生态系统,旨在让AI开发人员能够随着项目发展而选择正确的工具。ONNX所针对的是深度学习开发生态中最关键的问题之一,在任意一个框架上训练的神经网络模型,无法直接在另一个框架上用。开发者需要耗费大量时间精力把模型从一个开发平台移植到另一个。因此,如何实现不同框架之间的互操作性,简化从研究
- YOLOv9与YOLOv8创新点差异概述:
奔强的程序
YOLO
架构改进:YOLOv8:引入了新的骨干网络,检测头,以及损失函数,旨在提高性能和灵活性。YOLOv9:可能在架构上进行了进一步的优化,比如改进了特征提取的方式、增强了多尺度检测能力等。这些改进有助于模型在处理不同大小和形状的目标时更加有效。梯度信息利用:YOLOv9的一个显著创新点是主打“可编程梯度信息来学习任何内容”。这意味着模型在训练过程中可能更加关注梯度信息的质量和流向,从而更有效地进行参数
- 软件测试丨计算机视觉场景下的边缘计算与测试场景
霍格沃兹测试开发学社测试人社区
计算机视觉边缘计算人工智能
在计算机视觉场景中,边缘计算与测试场景的结合具有重要意义。以下是两者的关键点:1.边缘计算在计算机视觉中的作用边缘计算将计算任务从云端转移到靠近数据源的边缘设备,如摄像头、传感器等,具有以下优势:低延迟:实时处理数据,减少传输时间。带宽节省:本地处理数据,降低对云端带宽的依赖。隐私保护:敏感数据在本地处理,减少泄露风险。离线能力:在网络不稳定时仍能运行。2.计算机视觉中的边缘计算应用实时目标检测与
- 使用YOLOv8训练自己的数据集:详细教程
zru_9602
人工智能YOLO
使用YOLOv8训练自己的数据集:详细教程引言YOLOv8是Ultralytics团队开发的新一代目标检测算法,以其高效的性能和简洁的API而闻名。本文将详细介绍如何使用YOLOv8训练自己的数据集,包括数据准备、模型配置、训练过程以及结果分析。1.环境搭建在开始训练之前,请确保已经安装了必要的依赖项:#安装ultralytics和其他依赖pipinstallultralytics==8.0.25
- 目标检测YOLO实战应用案例100讲-面向无人机图像的小目标检测
林聪木
无人机目标检测人工智能
目录知识储备YOLOv8无人机拍摄视角小目标检测数据集结构环境部署说明安装依赖模型训练权重和指标可视化展示训练YOLOv8PyQt5GUI开发主窗口代码main_window.py使用说明无人机目标跟踪一、目标跟踪的基本原理二、常用的目标跟踪算法基于YOLOv8+图像分割优化关键优化策略(基于VisDrone数据集实验验证)1.模型结构改进2.数据增强策略3.后处理优化4.训练技巧三、性能优化建议
- 大模型专栏博文汇总和索引
Donvink
大模型transformer深度学习人工智能语言模型
大模型专栏主要是汇总了我在学习大模型相关技术期间所做的一些总结和笔记,主要包括以下几个子专栏:DeepSeek-R1AIGC大模型实践Transformer多模态系统视频理解对比学习目标检测目标跟踪图神经网络大模型专栏汇总了以上所有子专栏的论文,目前暂时先按照不同的技术领域划分子专栏,子专栏之间的内容可能会有交集,不完全是独立的。为了方便查阅相关模块的内容,故以此文章进行汇总与索引。一、DeepS
- YOLOv11改进 | 检测头改进篇 | 利用ASFF改进YOLOv11检测头,自适应空间特征融合模块,在所有的目标检测上均有大幅度的涨点效果
Ai缝合怪YOLO涨点改进
YOLO目标检测计算机视觉深度学习YOLOv11YOLOv8YOLOv10
YOLOv8v10v11专栏限时199元订阅链接:限时199元去b站关注:AI缝合怪订阅YOLOv8v10v11创新改进高效涨点+持续改进500多篇(订阅的小伙伴,终身免费享有后续YOLOv12或是其他版本的改进专栏)目录一、ASFF模块介绍ASFF网络结构图:ASFF的创新点主要包括:作用原理优势二、核心代码三、手把手教你添加v11Detect_ASFFHead检测头模块1.首先在ultraly
- ASFF改进YOLOv8检测头:提升目标检测精度与效率的创新方法【YOLOv8】
步入烟尘
YOLO系列创新涨点超专栏YOLO目标检测目标跟踪ASFFYOLOv8
本专栏专为AI视觉领域的爱好者和从业者打造。涵盖分类、检测、分割、追踪等多项技术,带你从入门到精通!后续更有实战项目,助你轻松应对面试挑战!立即订阅,开启你的YOLOv8之旅!专栏订阅地址:https://blog.csdn.net/mrdeam/category_12804295.html文章目录ASFF改进YOLOv8检测头:提升目标检测精度与效率的创新方法【YOLOv8】1.背景介绍1.1Y
- AWS Security Finding Format (ASFF) 与 yolov3 with mobilenet v2 的集成教程
侯忱励
AWSSecurityFindingFormat(ASFF)与yolov3withmobilenetv2的集成教程ASFFyolov3withmobilenetv2andASFF项目地址:https://gitcode.com/gh_mirrors/as/ASFF1.项目介绍ASFF,全称是AWSSecurityFindingFormat,是由AWS设计的一种标准安全发现格式,用于在Securit
- 实现红外触感按键扫描函数
平凡灵感码头
stm32项目实现stm32
函数目标检测GPIOC第8号引脚的电平状态(假设低电平触发),实现按键消抖和状态锁定,返回键值5表示按键被按下,未按下时返回0xff。代码逐行解析1.变量定义u8ir_value=0xff;//默认返回未按下状态(0xff)staticu8ir_flag=1;//状态锁存标志,初始为1(允许检测)ir_value:存储按键返回值,初始化0xff表示未按下。ir_flag:静态变量(保持状态跨函数调
- 基于MPDIoU与InnerMPDIoU的YOLOv8细节捕捉能力优化探讨
向哆哆
YOLO创新涨点系列YOLO目标跟踪人工智能yolov8
文章目录一、损失函数在YOLO中的作用二、MPDIoU:Multi-partDistanceIntersectionoverUnionMPDIoU的基本概念MPDIoU公式MPDIoU代码实现解释三、InnerMPDIoU:InnerMulti-partDistanceIoUInnerMPDIoU的基本概念InnerMPDIoU公式InnerMPDIoU代码实现解释五、MPDIoU与InnerMP
- java杨辉三角
3213213333332132
java基础
package com.algorithm;
/**
* @Description 杨辉三角
* @author FuJianyong
* 2015-1-22上午10:10:59
*/
public class YangHui {
public static void main(String[] args) {
//初始化二维数组长度
int[][] y
- 《大话重构》之大布局的辛酸历史
白糖_
重构
《大话重构》中提到“大布局你伤不起”,如果企图重构一个陈旧的大型系统是有非常大的风险,重构不是想象中那么简单。我目前所在公司正好对产品做了一次“大布局重构”,下面我就分享这个“大布局”项目经验给大家。
背景
公司专注于企业级管理产品软件,企业有大中小之分,在2000年初公司用JSP/Servlet开发了一套针对中
- 电驴链接在线视频播放源码
dubinwei
源码电驴播放器视频ed2k
本项目是个搜索电驴(ed2k)链接的应用,借助于磁力视频播放器(官网:
http://loveandroid.duapp.com/ 开放平台),可以实现在线播放视频,也可以用迅雷或者其他下载工具下载。
项目源码:
http://git.oschina.net/svo/Emule,动态更新。也可从附件中下载。
项目源码依赖于两个库项目,库项目一链接:
http://git.oschina.
- Javascript中函数的toString()方法
周凡杨
JavaScriptjstoStringfunctionobject
简述
The toString() method returns a string representing the source code of the function.
简译之,Javascript的toString()方法返回一个代表函数源代码的字符串。
句法
function.
- struts处理自定义异常
g21121
struts
很多时候我们会用到自定义异常来表示特定的错误情况,自定义异常比较简单,只要分清是运行时异常还是非运行时异常即可,运行时异常不需要捕获,继承自RuntimeException,是由容器自己抛出,例如空指针异常。
非运行时异常继承自Exception,在抛出后需要捕获,例如文件未找到异常。
此处我们用的是非运行时异常,首先定义一个异常LoginException:
/**
* 类描述:登录相
- Linux中find常见用法示例
510888780
linux
Linux中find常见用法示例
·find path -option [ -print ] [ -exec -ok command ] {} \;
find命令的参数;
- SpringMVC的各种参数绑定方式
Harry642
springMVC绑定表单
1. 基本数据类型(以int为例,其他类似):
Controller代码:
@RequestMapping("saysth.do")
public void test(int count) {
}
表单代码:
<form action="saysth.do" method="post&q
- Java 获取Oracle ROWID
aijuans
javaoracle
A ROWID is an identification tag unique for each row of an Oracle Database table. The ROWID can be thought of as a virtual column, containing the ID for each row.
The oracle.sql.ROWID class i
- java获取方法的参数名
antlove
javajdkparametermethodreflect
reflect.ClassInformationUtil.java
package reflect;
import javassist.ClassPool;
import javassist.CtClass;
import javassist.CtMethod;
import javassist.Modifier;
import javassist.bytecode.CodeAtt
- JAVA正则表达式匹配 查找 替换 提取操作
百合不是茶
java正则表达式替换提取查找
正则表达式的查找;主要是用到String类中的split();
String str;
str.split();方法中传入按照什么规则截取,返回一个String数组
常见的截取规则:
str.split("\\.")按照.来截取
str.
- Java中equals()与hashCode()方法详解
bijian1013
javasetequals()hashCode()
一.equals()方法详解
equals()方法在object类中定义如下:
public boolean equals(Object obj) {
return (this == obj);
}
很明显是对两个对象的地址值进行的比较(即比较引用是否相同)。但是我们知道,String 、Math、I
- 精通Oracle10编程SQL(4)使用SQL语句
bijian1013
oracle数据库plsql
--工资级别表
create table SALGRADE
(
GRADE NUMBER(10),
LOSAL NUMBER(10,2),
HISAL NUMBER(10,2)
)
insert into SALGRADE values(1,0,100);
insert into SALGRADE values(2,100,200);
inser
- 【Nginx二】Nginx作为静态文件HTTP服务器
bit1129
HTTP服务器
Nginx作为静态文件HTTP服务器
在本地系统中创建/data/www目录,存放html文件(包括index.html)
创建/data/images目录,存放imags图片
在主配置文件中添加http指令
http {
server {
listen 80;
server_name
- kafka获得最新partition offset
blackproof
kafkapartitionoffset最新
kafka获得partition下标,需要用到kafka的simpleconsumer
import java.util.ArrayList;
import java.util.Collections;
import java.util.Date;
import java.util.HashMap;
import java.util.List;
import java.
- centos 7安装docker两种方式
ronin47
第一种是采用yum 方式
yum install -y docker
 
- java-60-在O(1)时间删除链表结点
bylijinnan
java
public class DeleteNode_O1_Time {
/**
* Q 60 在O(1)时间删除链表结点
* 给定链表的头指针和一个结点指针(!!),在O(1)时间删除该结点
*
* Assume the list is:
* head->...->nodeToDelete->mNode->nNode->..
- nginx利用proxy_cache来缓存文件
cfyme
cache
user zhangy users;
worker_processes 10;
error_log /var/vlogs/nginx_error.log crit;
pid /var/vlogs/nginx.pid;
#Specifies the value for ma
- [JWFD开源工作流]JWFD嵌入式语法分析器负号的使用问题
comsci
嵌入式
假如我们需要用JWFD的语法分析模块定义一个带负号的方程式,直接在方程式之前添加负号是不正确的,而必须这样做:
string str01 = "a=3.14;b=2.71;c=0;c-((a*a)+(b*b))"
定义一个0整数c,然后用这个整数c去
- 如何集成支付宝官方文档
dai_lm
android
官方文档下载地址
https://b.alipay.com/order/productDetail.htm?productId=2012120700377310&tabId=4#ps-tabinfo-hash
集成的必要条件
1. 需要有自己的Server接收支付宝的消息
2. 需要先制作app,然后提交支付宝审核,通过后才能集成
调试的时候估计会真的扣款,请注意
- 应该在什么时候使用Hadoop
datamachine
hadoop
原帖地址:http://blog.chinaunix.net/uid-301743-id-3925358.html
存档,某些观点与我不谋而合,过度技术化不可取,且hadoop并非万能。
--------------------------------------------万能的分割线--------------------------------
有人问我,“你在大数据和Hado
- 在GridView中对于有外键的字段使用关联模型进行搜索和排序
dcj3sjt126com
yii
在GridView中使用关联模型进行搜索和排序
首先我们有两个模型它们直接有关联:
class Author extends CActiveRecord {
...
}
class Post extends CActiveRecord {
...
function relations() {
return array(
'
- 使用NSString 的格式化大全
dcj3sjt126com
Objective-C
格式定义The format specifiers supported by the NSString formatting methods and CFString formatting functions follow the IEEE printf specification; the specifiers are summarized in Table 1. Note that you c
- 使用activeX插件对象object滚动有重影
蕃薯耀
activeX插件滚动有重影
使用activeX插件对象object滚动有重影 <object style="width:0;" id="abc" classid="CLSID:D3E3970F-2927-9680-BBB4-5D0889909DF6" codebase="activex/OAX339.CAB#
- SpringMVC4零配置
hanqunfeng
springmvc4
基于Servlet3.0规范和SpringMVC4注解式配置方式,实现零xml配置,弄了个小demo,供交流讨论。
项目说明如下:
1.db.sql是项目中用到的表,数据库使用的是oracle11g
2.该项目使用mvn进行管理,私服为自搭建nexus,项目只用到一个第三方 jar,就是oracle的驱动;
3.默认项目为零配置启动,如果需要更改启动方式,请
- 《开源框架那点事儿16》:缓存相关代码的演变
j2eetop
开源框架
问题引入
上次我参与某个大型项目的优化工作,由于系统要求有比较高的TPS,因此就免不了要使用缓冲。
该项目中用的缓冲比较多,有MemCache,有Redis,有的还需要提供二级缓冲,也就是说应用服务器这层也可以设置一些缓冲。
当然去看相关实现代代码的时候,大致是下面的样子。
[java]
view plain
copy
print
?
public vo
- AngularJS浅析
kvhur
JavaScript
概念
AngularJS is a structural framework for dynamic web apps.
了解更多详情请见原文链接:http://www.gbtags.com/gb/share/5726.htm
Directive
扩展html,给html添加声明语句,以便实现自己的需求。对于页面中html元素以ng为前缀的属性名称,ng是angular的命名空间
- 架构师之jdk的bug排查(一)---------------split的点号陷阱
nannan408
split
1.前言.
jdk1.6的lang包的split方法是有bug的,它不能有效识别A.b.c这种类型,导致截取长度始终是0.而对于其他字符,则无此问题.不知道官方有没有修复这个bug.
2.代码
String[] paths = "object.object2.prop11".split("'");
System.ou
- 如何对10亿数据量级的mongoDB作高效的全表扫描
quentinXXZ
mongodb
本文链接:
http://quentinXXZ.iteye.com/blog/2149440
一、正常情况下,不应该有这种需求
首先,大家应该有个概念,标题中的这个问题,在大多情况下是一个伪命题,不应该被提出来。要知道,对于一般较大数据量的数据库,全表查询,这种操作一般情况下是不应该出现的,在做正常查询的时候,如果是范围查询,你至少应该要加上limit。
说一下,
- C语言算法之水仙花数
qiufeihu
c算法
/**
* 水仙花数
*/
#include <stdio.h>
#define N 10
int main()
{
int x,y,z;
for(x=1;x<=N;x++)
for(y=0;y<=N;y++)
for(z=0;z<=N;z++)
if(x*100+y*10+z == x*x*x
- JSP指令
wyzuomumu
jsp
jsp指令的一般语法格式: <%@ 指令名 属性 =”值 ” %>
常用的三种指令: page,include,taglib
page指令语法形式: <%@ page 属性 1=”值 1” 属性 2=”值 2”%>
include指令语法形式: <%@include file=”relative url”%> (jsp可以通过 include