- 基于深度学习的半导体检测与预测算法研究(二)
埃菲尔铁塔_CV算法
深度学习人工智能神经网络opencv计算机视觉python
摘要随着半导体行业的飞速发展,对生产过程中的检测和性能预测提出了更高要求。深度学习凭借其强大的数据处理和特征提取能力,在半导体领域展现出巨大的应用潜力。本文详细探讨了深度学习在半导体缺陷检测、工艺参数预测等方面的应用原理和方法,介绍了常见的深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)及其变体在半导体数据处理中的应用,分析了模型训练与优化的关键技术,并通过实际案例验证了深度学习算法在
- 基于深度学习的半导体算法原理及应用
埃菲尔铁塔_CV算法
算法机器学习人工智能计算机视觉深度学习python
摘要随着半导体产业的持续发展,深度学习技术在该领域的应用日益广泛且深入。本文全面阐述了基于深度学习的半导体算法原理,涵盖卷积神经网络(CNN)、循环神经网络(RNN)及其变体长短时记忆网络(LSTM)和门控循环单元(GRU)等在半导体制造过程监测、缺陷检测、性能预测等方面的应用。详细分析了这些算法处理半导体相关数据的机制,探讨了算法实现中的关键技术,如数据预处理、模型训练与优化等。通过实际案例展示
- 模型应用管理的成功之道:策略、工具与团队协作
项目管理工具
管理模型应用涉及多个方面,包括模型的开发、部署、监控、优化和维护。以下是管理模型应用的关键步骤和策略:1.模型开发●需求分析:明确业务需求,确定模型的目标和评估指标。●数据准备:收集、清洗和预处理数据,确保数据质量。●模型选择:根据问题类型选择合适的算法和模型架构。●训练与验证:使用训练数据训练模型,并通过验证集评估模型性能。●超参数调优:通过交叉验证、网格搜索等方法优化模型超参数。2.模型部署●
- DeepSeek-V2 论文解读:混合专家架构的新突破
进一步有进一步的欢喜
DeepSeek-V2大模型MoE混合专家架构
论文链接:DeepSeek-V2:AStrong,Economical,andEfficientMixture-of-ExpertsLanguageModel目录一、引言二、模型架构(一)多头部潜在注意力(MLA):重塑推理效率(二)DeepSeekMoE:经济高效的训练架构三、预训练(Pre-Training):夯实模型基础(一)实验设置(二)评估四、对齐(Alignment):优化模型表现(一
- Kivy教程大全之 使用 NumPy 和 Kivy 对 Android 设备进行图像分类
知识大胖
Python源码大全pythonkivynumpy
文章简介ANN架构。使用KV语言创建小部件树。创建Kivy应用程序。使用正确的NumPy版本。构建Android应用程序。了解更多信息本教程的重点是构建一个调用预训练的ANN来对图像进行分类的Android应用程序。这里不深入讨论准备数据集、构建、训练和优化ANN的步骤。在本教程中将仅对它们进行简要讨论。但不要担心——在不了解这些细节的情况下遵循本教程中的想法是可以的。如果您想了解它们,请查看我之
- 【人工智能】Python中的深度学习优化器:从SGD到Adam
蒙娜丽宁
Python杂谈人工智能人工智能python深度学习
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在深度学习模型的训练过程中,优化器起着至关重要的作用,它决定了模型的收敛速度以及最终的性能。本文将介绍深度学习中常用的优化器,从传统的随机梯度下降(SGD)到现代的自适应优化器(如Adam)。我们将深入探讨每种优化器的原理、优缺点,并通过Python实现
- 线性回归、逻辑回归及SVM
@迷途小书童
机器学习
1,回归(LinearRegression)回归其实就是对已知公式的未知参数进行估计。可以简单的理解为:在给定训练样本点和已知的公式后,对于一个或多个未知参数,机器会自动枚举参数的所有可能取值(对于多个参数要枚举它们的不同组合),直到找到那个最符合样本点分布的参数(或参数组合)。当然,实际运算有一些优化算法,肯定不会去枚举的。注意,回归的前提是公式已知,否则回归无法进行。回归中的公式基本都是数据分
- 【AI】人工智能没那么神秘!
仇辉攻防
人工智能ai语言模型自然语言处理机器学习深度学习网络安全
AI是什么?人工智能(ArtificialIntelligence),英文缩写为AI。AI人工智能不是简单的应用程序,而是一类技术,包含机器学习、自然语言处理、计算机视觉等多个领域。AI系统通常由算法、数据、模型和代码组成,其中代码用于实现算法,数据用于训练模型,最终形成智能决策能力。AI可以嵌入到应用程序中,但其本身是一个复杂的技术体系。AI为什么这么聪明?AI之所以看起来很聪明,主要是因为它通
- 大语言模型的分类及本地部署所需的硬件配置要求
Kelaru
LLM基础知识语言模型分类人工智能
1、大语言模型概念及作用大语言模型:(LargeLanguageModel,LLM)是一种基于深度学习的人工智能模型,它能够理解和生成自然语言[1]。简单来说,它就像一个“超级大脑”,能够处理各种语言任务,比如写文章、回答问题、翻译语言等;它通过训练大量的文本数据,学习语言的结构、语法、语义以及上下文关联,从而能够理解和生成与人类语言相似的文本。举个例子:如果你问它一个问题,比如:“为什么天空是蓝
- 硅基流动多模型工作流应用平台,免费2000万Token来了
yuntianming3906
经验分享
硅基流动是一家专注于大规模AI计算的技术公司,提供高性能LLM推理和训练解决方案,助力企业高效部署AI应用。目前注册可获的2000万Token,可以使用将近60种文字对话、语音、图像生成等主流大模型。注册地址:https://cloud.siliconflow.cn/i/kQTQzfuz一、这个平台是做什么的?硅基流动是一家专注于大规模AI计算的技术公司,由清华大学高性能计算研究所孙广宇教授团队创
- AnyPlace:学习机器人操作的泛化目标放置
硅谷秋水
计算机视觉大模型智能体机器人机器学习计算机视觉人工智能语言模型深度学习
25年2月来自多伦多大学、VectorInst、上海交大等机构的论文“AnyPlace:LearningGeneralizedObjectPlacementforRobotManipulation”。由于目标几何形状和放置的配置多种多样,因此在机器人任务中放置目标本身就具有挑战性。为了解决这个问题,AnyPlace,一种完全基于合成数据训练的两阶段方法,能够预测现实世界任务中各种可行的放置姿势。其
- 算法训练Day7| LeetCode454. 四数相加II(Map作哈希表);383.赎金信(数组作哈希表);15.三数之和(双指针);18.四数之和(双指针)
努力学习的牛宁西
代码随想录训练营算法散列表leetcode
目录LeetCode454.四数相加1.思路2.代码实现3.复杂度分析4.思考Leetcode383.赎金信1.思路2.代码实现3.复杂度分析4.思考Leetcode15.三数之和方法一:双指针法1.思路2.代码实现3.复杂度分析4.思考Leetcode18.四数之和1.思路2.代码实现3.复杂度分析4.思考LeetCode454.四数相加链接:454.四数相加II-力扣(LeetCode)1.思
- 代码随想录算法训练营Day07 | LeetCode454.四数相加II、LeetCode383.赎金信、LeetCode15.三数之和、LeetCode18.四数之和
SuperYue37
代码随想录算法哈希表leetcode
LeetCode454.四数相加II题目链接:https://leetcode.cn/problems/4sum-ii/思路:想法是使用哈希表。定义一个哈希表unordered_map,遍历a数组与b数组,key存放a数组与b数组的元素之和,value存放a数组与b数组的元素之和出现的次数;再遍历c数组与d数组,在unordered_map中找0-(c+d),因为此时unordered_map中存
- 【代码随想录训练营】Day7-哈希表
Koffer-debug
代码随想录训练营leetcode算法哈希表
代码随想录Day7今日任务454.四数相加Ⅱ383.赎金信15.三数之和18.四数之和454.四数相加Ⅱ考点:哈希表链接:https://leetcode.cn/problems/4sum-ii/classSolution{publicintfourSumCount(int[]nums1,int[]nums2,int[]nums3,int[]nums4){HashMaprecord=newHash
- 【python 机器学习】sklearn转换器与预估器
人才程序员
杂谈python机器学习sklearn人工智能目标检测深度学习神经网络
文章目录sklearn转换器与预估器1.什么是转换器(Transformer)?通俗介绍:学术解释:2.什么是预估器(Estimator)?通俗介绍:学术解释:3.转换器与预估器的共同点4.转换器与预估器的区别5.使用`sklearn`中的转换器与预估器5.1示例:数据标准化(转换器)5.2示例:模型训练与预测(预估器)6.使用`Pipeline`结合转换器与预估器7.总结sklearn转换器与预
- 前端交互设计的智能生成与迭代:AI代码生成器赋能高效开发
前端
在当今快节奏的互联网时代,用户体验至关重要,而前端交互设计作为用户与产品交互的桥梁,其重要性不言而喻。然而,传统的前端开发模式常常面临诸多挑战:开发效率低下、人力成本居高不下,以及设计稿与最终产品之间存在较大的偏差,这些都严重制约了产品迭代速度和用户体验的提升。幸运的是,随着人工智能技术的快速发展,“AI代码生成器”等智能化工具的出现为我们提供了解决这些问题的全新途径。设计稿到代码的智能转换:效率
- 畅游Diffusion数字人(16):由音乐驱动跳舞视频生成
沉迷单车的追风少年
数字人DiffusionModels与深度学习人工智能深度学习视频生成
畅游Diffusion数字人(0):专栏文章导航前言:从Pose到跳舞视频生成的工作非常多,但是还没有直接从音乐驱动生成的工作。最近字节跳动提出了MuseDance,无需复杂的动作引导输入(如姿势或深度序列),从而使不同专业水平的用户都能轻松进行灵活且富有创意的视频生成。目录贡献概述背景挑战贡献方法详解第一阶段:外观预训练第二阶段:动态触发视频生成训练细节贡献概述背景<
- 深度学习练手小例子——cifar10数据集分类问题
☆cwlulu
深度学习分类人工智能
CIFAR-10是一个经典的计算机视觉数据集,广泛用于图像分类任务。它包含10个类别的60,000张彩色图像,每张图像的大小是32x32像素。数据集被分为50,000张训练图像和10,000张测试图像。每个类别包含6,000张图像,具体类别包括:飞机(airplane)汽车(automobile)鸟(bird)猫(cat)鹿(deer)狗(dog)青蛙(frog)马(horse)船(ship)卡车
- 使用云计算开发AI项目,有哪些最佳实践?
云上的阿七
云计算人工智能
使用云计算开发AI项目,可以让企业和开发者更高效地利用算力、存储和AI训练环境,避免高昂的硬件成本和运维压力。但如何高效、经济地利用云计算,打造一个稳定、安全、可扩展的AI项目呢?这里有一些最佳实践,能帮助你更好地规划和实施AI方案。1.选择合适的云计算架构AI项目对计算资源要求较高,因此选择合适的云架构至关重要。公有云vs.私有云vs.混合云公有云(AWS、Azure、GCP、阿里云、华为云等)
- 学习系列二:常用目标检测的格式转换脚本文件txt,json等
小啊磊_Vv
目标检测YOLO人工智能计算机视觉json
常用目标检测的格式转换脚本文件txt,json等文章目录常用目标检测的格式转换脚本文件txt,json等前言一、json格式转yolo的txt格式二、yolov8的关键点labelme打的标签json格式转可训练的txt格式三、yolo的目标检测txt格式转coco数据集标签的json格式四、xml格式转yolo数据集标签的txt格式五、根据yolo的目标检测训练的最好权重推理图片六、根据yolo
- 45. 跳跃游戏 II
小句
leetcode贪心算法算法leetcode
packageNov._45;/*45.跳跃游戏II题目地址:https://leetcode-cn.com/problems/jump-game-ii给你一个非负整数数组nums,你最初位于数组的第一个位置。数组中的每个元素代表你在该位置可以跳跃的最大长度。你的目标是使用最少的跳跃次数到达数组的最后一个位置。假设你总是可以到达数组的最后一个位置。*/publicclassTest{publics
- Laplace(拉普拉斯)平滑
郑万通
机器学习平滑技术拉普拉斯平滑机器学习Laplace
平滑技术平滑技术是为了解决训练集的数据稀松问题。零概率问题,就是在计算实例的概率时,如果某个量x,在观察样本库(训练集)中没有出现过,会导致整个实例的概率结果是0。在文本分类的问题中,当一个词语没有在训练样本中出现,该词语调概率为0,使用连乘计算文本出现概率时也为0。这是不合理的,不能因为一个事件没有观察到就武断的认为该事件的概率是0。一般的m阶马尔科夫链转移概率是这样训练的:P(cm+1|c1c
- 17.推荐系统的在线学习与实时更新
郑万通
推荐系统
接下来就讲解推荐系统的在线学习与实时更新。推荐系统的在线学习和实时更新是为了使推荐系统能够动态地适应用户行为的变化,保持推荐结果的实时性和相关性。以下是详细的介绍和实现方法。推荐系统的在线学习与实时更新在线学习的概念在线学习(OnlineLearning)是一种机器学习方法,与传统的批量学习(BatchLearning)不同,在线学习模型能够在数据流到达时逐步更新,而不是在整个数据集上训练一次。这
- Python中LSTM算法的实现与应用
昊叔Crescdim
本文还有配套的精品资源,点击获取简介:本教程详细介绍了如何在Python编程环境下实现LSTM算法。首先解释了LSTM的工作原理,重点在于其门结构如何有效解决传统RNN的梯度问题,并通过控制信息流动以学习长期依赖。接着,教程以Keras库为例,逐步演示了安装库、数据预处理、模型构建、编译、训练、评估和预测等步骤。深入讲解了在序列数据处理如自然语言和时间序列预测任务中的实际应用,并提供了实践案例,强
- 100.16 AI量化面试题:监督学习技术在量化金融中的应用方案
AI量金术师
金融资产组合模型进化论人工智能学习金融python机器学习
目录0.承前1.解题思路1.1应用场景维度1.2技术实现维度1.3实践应用维度2.市场预测模型2.1趋势预测2.2模型训练与评估3.风险评估模型3.1信用风险评估4.投资组合优化4.1资产配置模型5.回答话术0.承前本文通过通俗易懂的方式介绍监督学习在量化金融中的应用,包括市场预测、风险评估、投资组合优化等方面。如果想更加全面清晰地了解金融资产组合模型进化论的体系架构,可参考:0.金融资产组合模型
- DeepSeek计算机视觉(Computer Vision)基础与实践
Evaporator Core
#DeepSeek快速入门计算机视觉计算机视觉人工智能
计算机视觉(ComputerVision)是人工智能领域的一个重要分支,专注于让计算机理解和处理图像和视频数据。计算机视觉技术广泛应用于图像分类、目标检测、图像分割、人脸识别等场景。DeepSeek提供了强大的工具和API,帮助我们高效地构建和训练计算机视觉模型。本文将详细介绍如何使用DeepSeek进行计算机视觉的基础与实践,并通过代码示例帮助你掌握这些技巧。1.计算机视觉的基本概念计算机视觉的
- 上海站 | 2025 Seeed x LeRobot 具身智能黑客松报名开启!
人工智能hackthon
欢迎来到PhysicalAI的最前沿!SeeedxLeRobot具身智能黑客松现邀请所有对在机器人领域训练模仿学习策略,并实时进行推理部署感兴趣的人,共同创造具有影响力的创新解决方案。在这里,你可以与志同道合的开发者一起实践前沿机器人技术,获取免费硬件支持和独家资源,并快速在真实机器人系统中验证你的想法!这是一场专为开发者设计的机器人深度实践活动!我们将围绕HuggingFace的LeRobot开
- 提升语言模型性能的关键策略
XianxinMao
语言模型人工智能自然语言处理
标题:提升语言模型性能的关键策略文章信息摘要:提升语言模型性能的关键在于预训练数据的规模和质量、模型架构的优化以及模型与数据的平衡。单纯增加模型参数规模并不能持续带来性能提升,性能提升会逐渐趋于平缓。研究表明,增加训练数据量可以显著提升模型性能,甚至超过单纯增加模型规模的效果。当前的大型语言模型虽然规模庞大,但训练数据量相对不足,导致性能未达最优。未来的研究应更加注重数据的收集和处理,以及模型架构
- 云原生周刊:DeepSeek 颠覆人工智能
KubeSphere 云原生
k8s容器平台kubesphere云计算
开源项目推荐OllamaOllama是一个开源的AI工具,旨在为用户提供简单而强大的本地部署语言模型解决方案。它支持直接在本地计算机上运行多个预训练的语言模型,能够提供与云端类似的体验,但无需依赖外部服务器或网络连接。Ollama的主要特点包括对多个大型模型的高效管理、灵活的API接口和用户友好的安装过程,使得开发者能够方便地将其集成到不同的应用程序中。通过Ollama,用户可以更容易地实现自定义
- AI应用完整加载数据集配置神经网络配置训练信息训练模型与保存模型到本地------AI
旧约Alatus
AI软件架构设计人工智能stablediffusionchatgptAIGCDALL·E2AI-nativebard
packagecom.alatus.djl.web;importai.djl.Application;importai.djl.MalformedModelException;importai.djl.Model;importai.djl.basicdataset.cv.classification.ImageFolder;importai.djl.basicdataset.cv.classifi
- 深入浅出Java Annotation(元注解和自定义注解)
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制,用来将任何的信息或元数据(metadata)与程序元素(类、方法、成员变量等)进行关联。
更通俗的意思是为程序的元素(类、方法、成员变量)加上更直观更明了的说明,这些说明信息是与程序的业务逻辑无关,并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的,所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数,有两种非常不同的作用,他可以统计某个列值的数量,也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境:
MAC AIR,OS X 10.10,64位
历史:
过去 Mac 上的 Java 都是由 Apple 自己提供,只支持到 Java 6,并且OS X 10.7 开始系统并不自带(而是可选安装)(原自带的是1.6)。
后来 Apple 加入 OpenJDK 继续支持 Java 6,而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript (1)
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号,它有七类: 赋值运算符(=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=)、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性,避免落大部队太远,我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎,它们存储着JSON文档,MongoDB存着JSON文档,或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版,自行搜索。
1.2 Latex (MacTex):
系统环境:https://tug.org/mactex/
&nb
- Maven实战(四)生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期,它们分别为clean,default和site。 每个生命周期包含一些阶段,这些阶段是有顺序的,并且后面的阶段依赖于前面的阶段,用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例,它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题:在使用HTTP协议实现应用间接口通信时,服务端读取客户端请求过来的数据,会用到request.getInputStream(),第一次读取的时候可以读取到数据,但是接下来的读取操作都读取不到数据
原因: 1. 一个InputStream对象在被读取完成后,将无法被再次读取,始终返回-1; 2. InputStream并没有实现reset方法(可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多,但是比较杂乱。近日有空整理了一下,写出来跟大家分享一下,其中有错误和不足的地方,还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版,希望大家阅读之后,感觉好的话推荐给更多的人,让更多的人看到、纠正以及补充。
1.对查询进行优化,要尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据,因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API,它包含了如下几个内部类
首先分析它的内部类,从WatchRegistration开始,为指定的znode path注册一个Watcher,
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七:部分应用函数
bit1129
scala
何为部分应用函数?
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了,什么错都没报出来,只提示了Error listenerStart。为了调试,我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties,内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题,要求不用加减符号(包括负号)来实现加减法。
分析一下,先看最简单的情况,假设1+1,按二进制算的话结果是10,可以看到从右往左的第一位变为0,第二位由于进位变为1。
- 读《研磨设计模式》-代码笔记-状态模式-State
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/*
当一个对象的内在状态改变时允许改变其行为,这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中,可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小,该大小可以是dim3类型的(三维数组),只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常!!!GPU根本不会执行运算!!!
所以验证结果的正确性很重要!!!
在VS中创建CUDA项目会有一个模板,里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置,ParNew经常会出现停顿时间特别长的情况,有时候甚至长到令人发指的地步,例如请看如下日志:
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前,要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址:http://maven.apache.org/download.html,目前最新的是这个apache-maven-3.2.5-bin.zip,然后解压在任意位置,最好地址中不要带中文字符,这个做java 的都知道,地址中出现中文会出现很多
- PHP网站安全,避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中,我们经常需要将集合对象(List,Set)转换为数组对象,或者将数组对象转换为集合对象。Java提供了相互转换的工具,但是我们使用的时候需要注意,不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象,然后遍历数组,依次将数组中的元素放入到新的集合中,但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求,需要在一台主机上用nginx部署2个php应用,分别是wordpress和wiki,探索了半天,终于部署好了,下面把过程记录下来。
1. 在nginx下创建vhosts目录,用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置, 在http节点增加下面内容设置,用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种:useradd 和adduser . 本人尝试了useradd方法,步骤如下:
1:useradd
使用useradd时,如果后面不加任何参数的话,如:sudo useradd sysadm 创建出来的用户将是默认的三无用户:无home directory ,无密码,无系统shell。
顾应该如下操作:
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛,因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能;目前Lua也有几个JSON库,本人用过cjson、dkjson。其中cjson的语法严格(比如unicode \u0020\u7eaf),要求符合规范否则会解析失败(如\u002),而dkjson相对宽松,当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易,转载请注明出处:Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址:http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置:Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别?
pda158
linux
一、df显示文件系统的使用情况,与du比較,就是更全盘化。 最经常使用的就是 df -T,显示文件系统的使用情况并显示文件系统的类型。 举比例如以下: [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时,觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了,就写了一个工具类,用到了反射,可以把查询记录的值装到对应的VO里,也可以生成该VO的List。
使用时需要注意:
考虑到Android的性能问题,VO没有使用Setter和Getter,而是直接用public的属性。
表中的字段名需要和VO的属性名一样,要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表,在该笔记中用到的就是这张表,大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓