- AI 技术&AI开发框架
34号树洞
人工智能深度学习人工智能机器学习NLPGAI
目录一、AI技术及其开发框架1.AI技术分类与代表方向2.主流AI开发框架3.AI应用开发流程简述4.补充:基础依赖与生态二、AI技术方向1.机器学习(MachineLearning,ML)✦核心概念:✦关键方法:✦应用案例:2.深度学习(DeepLearning,DL)✦核心概念:✦网络结构举例:✦技术趋势:3.自然语言处理(NLP)✦核心任务:✦代表模型:4.计算机视觉(ComputerVis
- 机器学习算法——神经网络1(神经元模型)
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络中最基本的成分是神经元(neuron)模型。即上述定义中的“简单单元”。在生物神经网络中,每个神经元与其他申请元相连,当它“兴奋”时,就会向相连的神经元发送化学物质,从而改变这些神经元内的电位;如果某神经元的电位超过一个“阈值”,那么它就会被激活,即“兴奋”起来,向其他神经
- 【深度学习|冰川制图3】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构
努力毕业的小土博^_^
论文推荐深度学习学习架构人工智能机器学习
【深度学习|冰川制图3】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构【深度学习|冰川制图3】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构文章目录【深度学习|冰川制图3】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构引言欢迎铁子们点赞、关注、收藏!祝大家逢考必过!逢投必中!上岸上岸上岸!upupup大多数高校硕博生毕业要求需要参加学术会议,发
- 【深度学习|冰川制图4】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构
努力毕业的小土博^_^
论文推荐深度学习学习架构人工智能
【深度学习|冰川制图4】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构【深度学习|冰川制图4】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构文章目录【深度学习|冰川制图4】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构数据与方法2.1数据欢迎铁子们点赞、关注、收藏!祝大家逢考必过!逢投必中!上岸上岸上岸!upupup大多数高校硕博生毕业要求需要
- 【深度学习|冰川制图5】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构
努力毕业的小土博^_^
优秀论文推荐深度学习学习人工智能
【深度学习|冰川制图5】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构【深度学习|冰川制图5】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构文章目录【深度学习|冰川制图5】GlacierNet2:一种面向高山冰川制图的混合多模型学习架构数据与方法2.2深度学习模型2.2.1GlacierNet模型2.2.2DeepLabV3+模型欢迎铁子们点赞、关注、收藏!祝大
- 【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?
努力毕业的小土博^_^
机器学习基础算法优质笔记2深度学习学习笔记人工智能
【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?文章目录【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?一、什么是K折交叉验证?✅目的:二、K折交叉验证的发展背景三、K折交叉验证的步骤详解步骤如下:数学
- 【深度学习|学习笔记】网格搜索(GridSearchCV)和随机搜索(RandomizedSearchCV)详解,附代码。
努力毕业的小土博^_^
深度学习学习笔记深度学习学习笔记机器学习人工智能
【深度学习|学习笔记】网格搜索(GridSearchCV)和随机搜索(RandomizedSearchCV)详解,附代码。【深度学习|学习笔记】网格搜索(GridSearchCV)和随机搜索(RandomizedSearchCV)详解,附代码。文章目录【深度学习|学习笔记】网格搜索(GridSearchCV)和随机搜索(RandomizedSearchCV)详解,附代码。一、背景与发展:为什么需要
- KAN-Transfomer——基于新型神经网络KAN的时间序列预测
MatpyMaster
时间序列付费专栏神经网络人工智能深度学习
1.数据集介绍ETT(电变压器温度):由两个小时级数据集(ETTh)和两个15分钟级数据集(ETTm)组成。它们中的每一个都包含2016年7月至2018年7月的七种石油和电力变压器的负载特征。traffic(交通):描述了道路占用率。它包含2015年至2016年旧金山高速公路传感器记录的每小时数据electrity(电力):从2012年到2014年收集了321个客户每小时电力消耗。exchange
- CNN-LSTM神经网络多输入单输出回归预测【MATLAB】
沅_Yuan
炼丹师神经网络cnnlstm
1CNN(卷积神经网络)部分作用:特征提取:CNN主要用于从输入数据中提取空间特征。它能够处理图像、视频帧或其他形式的空间数据。组成部分:卷积层:使用卷积核对输入数据进行卷积操作,生成特征图。激活函数:通常使用ReLU(线性整流单元)激活函数,增加非线性。池化层:通过最大池化(MaxPooling)或平均池化(AveragePooling),减少特征图的尺寸,保留最重要的特征,减少计算复杂度。流程
- DAY 41 简单CNN
冬天给予的预感
cnn人工智能神经网络
知识回顾数据增强卷积神经网络定义的写法batch归一化:调整一个批次的分布,常用与图像数据特征图:只有卷积操作输出的才叫特征图调度器:直接修改基础学习率卷积操作常见流程如下:1.输入→卷积层→Batch归一化层(可选)→池化层→激活函数→下一层Flatten->Dense(withDropout,可选)->Dense(Output)importtorchimporttorch.nnasnnimpo
- Python打卡训练营-Day41-简单CNN
traMpo1ine
cnnpython深度学习
@浙大疏锦行知识回顾数据增强卷积神经网络定义的写法batch归一化:调整一个批次的分布,常用与图像数据特征图:只有卷积操作输出的才叫特征图调度器:直接修改基础学习率卷积操作常见流程如下:1.输入→卷积层→Batch归一化层(可选)→池化层→激活函数→下一层Flatten->Dense(withDropout,可选)->Dense(Output)这里相关的概念比较多,如果之前没有学习过复试班强化班中
- 学习三维动画心得
2501_92205961
开发语言青少年编程
在大二学年的三维动画设计学习进程中,我围绕3dsMax和Blender两大核心软件展开深入钻研,并在此基础上探索技术应用与创新。不仅熟练掌握了基础操作,还深入到代码编写与复杂技术问题解决领域,逐步构建起系统的三维动画设计知识与技能体系,以下是详细的学习总结。一、3dsMax的深度学习与技术实践(一)高级建模与脚本优化在3dsMax的学习中,基础建模掌握后,我开始挑战高级建模技术。利用NURBS建模
- RNN循环神经网络原理解读
zhishidi
ai笔记rnn人工智能深度学习
我们把循环神经网络想象成一个有记忆的助手,特别擅长处理按顺序出现的信息,比如句子、语音、股票价格、音乐旋律等。核心思想:记住过去的信息,帮助理解现在。普通神经网络的局限(没有记忆)想象一个普通的神经网络(比如用于识别图片的):输入:你给它一张图片。处理:它分析这张图片的像素。输出:告诉你图片里是“猫”还是“狗”。问题:它每次只看一个独立的输入(一张图片),输入之间没有联系。给它看一个视频(连续很多
- 信息抽取领域关键Benchmark方法:分类体系
信息抽取领域关键Benchmark方法:分类体系摘要信息抽取(InformationExtraction,IE)作为自然语言处理的核心任务之一,旨在从非结构化文本中识别并结构化关键信息(如实体、关系、事件等),广泛应用于知识图谱构建、智能问答和数据分析等领域。近年来,随着深度学习技术的快速发展,信息抽取方法在性能和应用范围上取得了显著进步,但同时也面临着任务多样性、跨领域泛化性以及低资源场景下的适
- 基于级联深度学习算法在双参数MRI中检测前列腺病变的评估| 文献速递-AI辅助的放射影像疾病诊断
有Li
人工智能深度学习算法
Title题目EvaluationofaCascadedDeepLearning–basedAlgorithmforProstateLesionDetectionatBiparametricMRI基于级联深度学习算法在双参数MRI中检测前列腺病变的评估Background背景MultiparametricMRI(mpMRI)improvesprostatecancer(PCa)detectionc
- 深度学习使用Pytorch训练模型步骤
vvvdg
深度学习pytorch人工智能
训练模型是机器学习和深度学习中的核心过程,旨在通过大量数据学习模型参数,以便模型能够对新的、未见过的数据做出准确的预测。训练模型通常包括以下几个步骤:1.数据准备:收集和处理数据,包括清洗、标准化和归一化。将数据分为训练集、验证集和测试集。2.定义模型:选择模型架构,例如决策树、神经网络等。初始化模型参数(权重和偏置)。3.选择损失函数:根据任务类型(如分类、回归)选择合适的损失函数。4.选择优化
- 深度学习中Embedding原理讲解
zhishidi
ai笔记深度学习embedding人工智能
我们用最直白的方式来理解深度学习中Embedding(嵌入)的概念。核心思想一句话:Embedding就是把一些复杂、离散的东西(比如文字、类别、ID)转换成计算机更容易理解和计算的“数字密码”,这些“数字密码”能代表这个东西的本质特征或含义。为什么需要Embedding?想象一下,你要教计算机认识“苹果”和“橙子”:原始表示(不好用):你告诉计算机:“苹果”的编号是1,“橙子”的编号是2。问题来
- 基于MATLAB图像特征识别及提取实现图像分类
jghhh01
机器学习算法人工智能
基于MATLAB的图形处理程序,可以进行图像特征识别及提取,进而实现图像分类。hog_svm.m,2276svm_images/test_image/1.jpg,20980svm_images/test_image/2.jpg,18246svm_images/test_image/3.jpg,13835svm_images/test_image/4.jpg,18539svm_images/test
- 海思Hi3519DV500方案1200万无人机吊舱套板
weixin_Todd_Wong2010
嵌入式硬件AI前端边缘计算图像处理
海思Hi3519DV500方案1200万无人机吊舱套板Hi3519DV500是一颗面向行业市场推出的超高清智能网络摄像头SoC。该芯片最高支持四路sensor输入,支持最高4K@30fps的ISP图像处理能力,支持2FWDR、多级降噪、六轴防抖、全景拼接、多光谱融合等多种传统图像增强和处理算法,支持通过AI算法对输入图像进行实时降躁等处理,为用户提供了卓越的图像处理能力,集成了高效的神经网络推理引
- Python助力自动驾驶:深度学习模型优化全攻略
Echo_Wish
Python!实战!python自动驾驶深度学习
Python助力自动驾驶:深度学习模型优化全攻略说起自动驾驶,大家第一反应往往是“高精地图”“传感器融合”“路径规划”等等,背后真正的“大脑”其实是各式各样的深度学习模型。它们负责感知环境、识别路况、预测行为,甚至实时做出决策。可是,跑在车上的这些模型不仅要精准,还得轻量、实时、稳定,这可不是简单的“丢GPU就能解决”的问题。今天,咱们就从Python开发者的视角,聊聊自动驾驶里深度学习模型的优化
- TensorFlow:开启智能时代的引擎
科技林总
DeepSeek学AI人工智能
想象一下,计算机能看懂病历、汽车能自动驾驶、机器能创作艺术——这一切的核心,正是深度学习的力量。而推动这场革命的引擎之一,就是今天的主角:**TensorFlow**。---###**一、背景:为什么需要TensorFlow?1.**深度学习的爆发**-传统编程无法解决图像识别、自然语言处理等复杂问题。-神经网络需要高效工具处理海量数据和计算。2.**Google的答案**-2015年开源Tens
- 搜索领域知识图谱的知识推理算法研究
搜索引擎技术
知识图谱算法人工智能ai
搜索领域知识图谱的知识推理算法研究关键词:知识图谱、知识推理、搜索算法、图神经网络、路径推理、规则推理、表示学习摘要:本文深入探讨搜索领域中知识图谱的知识推理算法。我们将从知识图谱的基本概念出发,分析不同类型的知识推理算法原理,包括基于规则的推理、基于表示的推理和基于路径的推理。通过实际案例和代码实现,展示这些算法如何提升搜索效果,最后讨论该领域的未来发展趋势和挑战。背景介绍目的和范围本文旨在系统
- 22种创新思路!今年必将是特征选择爆发的一年
小唯啊小唯
人工智能注意力机制特征选择
2025深度学习发论文&模型涨点之——特征选择特征选择是机器学习和数据挖掘领域中一个非常重要的步骤。它指的是从原始特征集合中挑选出对目标变量有较强预测能力的特征子集。在实际的数据集中,往往包含众多特征,但并非所有特征都对模型的性能有正面影响。例如在房价预测任务中,原始特征可能包括房屋的面积、房间数量、所在小区、周边配套设施等众多内容。通过特征选择,可以剔除一些无关的或者冗余的特征,比如可能存在的重
- 【深度学习|学习笔记】什么是正则化?如何理解正则化?L0、L1、L2正则化的起源、发展、原理、应用和对比详解,附代码。
努力毕业的小土博^_^
深度学习学习笔记深度学习学习笔记人工智能机器学习
【深度学习|学习笔记】什么是正则化?如何理解正则化?L0、L1、L2正则化的起源、发展、原理、应用和对比详解,附代码。【深度学习|学习笔记】什么是正则化?如何理解正则化?L0、L1、L2正则化的起源、发展、原理、应用和对比详解,附代码。文章目录【深度学习|学习笔记】什么是正则化?如何理解正则化?L0、L1、L2正则化的起源、发展、原理、应用和对比详解,附代码。前言一、什么是正则化?为什么需要它?✅
- 数据标注师学习内容汇总
试着
数据标注师学习数据标注师
目录文本标注图像标注语音标注文本标注词性标注1词性标注2实体标注关系标注事件标注1事件标注2意图标注关键词标注分类标注问答标注对话标注图像标注拉框标注关键点标注2D标注3D标注线标注目标跟踪标注OCR标注图像分类标注语音标注语音切割转写语音校对标注拼音和停顿标注
- 庙算兵棋推演AI开发初探(7-神经网络训练与评估概述)
超自然祈祷
智能决策人工智能神经网络深度学习
前面我们提取了特征做了数据集、设计并实现了处理数据集的神经网络,接下来我们需要训练神经网络了,就是把数据对接好灌进去,训练后查看预测的和实际的结果是否一致——也就是训练与评估。数据解析提取数据编码为数据集设计神经网络-->>神经网络训练与评估神经网络一个重要指标是收敛,就是用可以逼近任意函数的神经网络是否可以逼近你数据集中隐含的模式。再重复一遍【特征工程】与【神经网络】的区别:前者就像人发现了牛顿
- 浅谈卷积神经网络(CNN)
cyc&阿灿
cnn人工智能神经网络
卷积神经网络(ConvolutionalNeuralNetworks,CNN)作为深度学习领域最具影响力的架构之一,已在计算机视觉、自然语言处理、医学影像分析等领域取得了革命性突破。本文将系统全面地剖析CNN的核心原理、关键组件、经典模型、数学基础、训练技巧以及最新进展,通过理论解析与代码实践相结合的方式,帮助读者深入掌握这一重要技术。一、CNN基础与核心思想1.1传统神经网络的局限性在处理图像等
- 【第二章:机器学习与神经网络概述】03.类算法理论与实践-(3)决策树分类器
IT古董
人工智能课程机器学习算法神经网络
第二章:机器学习与神经网络概述第三部分:类算法理论与实践第三节:决策树分类器内容:信息增益、剪枝技术、过拟合与泛化能力。决策树是一种常用于分类和回归的树状结构模型,它通过一系列特征判断进行决策,有良好的可解释性。一、基本概念节点(Node):表示特征判断条件边(Branch):表示特征判断的结果路径叶子节点(Leaf):表示分类结果二、划分准则:信息增益(InformationGain)信息增益衡
- 第 3 章:神经网络如何学习
鱼摆摆拜拜
神经网络学习人工智能
第3章:神经网络如何学习在第二章中,我们详细了解了神经网络的静态结构:由神经元组成的层,以及连接它们的权重和偏置。现在,我们将进入整个教程最核心的部分:神经网络是如何从数据中"学习"的?这个学习过程是一个动态的、不断调整自身参数以求更佳预测的过程。我们将通过四个关键概念来揭示这个秘密:前向传播(ForwardPropagation):数据如何通过网络产生一个预测?损失函数(LossFunction
- 【PyTorch】2024保姆级安装教程-Python-(CPU+GPU详细完整版)
金枝玉叶9
程序员知识储备1程序员知识储备2程序员知识储备3pythonpytorch人工智能
【PyTorch】2024保姆级安装教程(CPU+GPU详细完整版)PyTorch是当前最受欢迎的深度学习框架之一。本文将详细讲解在Python环境中安装PyTorch,包括CPU和GPU版本的全方位指南。一、前置环境首先确保已安装Python环境,推荐使用Python3.8或以上版本。验证Python安装:python--versionpip--version推荐使用虚拟环境(如conda或ve
- mondb入手
木zi_鸣
mongodb
windows 启动mongodb 编写bat文件,
mongod --dbpath D:\software\MongoDBDATA
mongod --help 查询各种配置
配置在mongob
打开批处理,即可启动,27017原生端口,shell操作监控端口 扩展28017,web端操作端口
启动配置文件配置,
数据更灵活 
- 大型高并发高负载网站的系统架构
bijian1013
高并发负载均衡
扩展Web应用程序
一.概念
简单的来说,如果一个系统可扩展,那么你可以通过扩展来提供系统的性能。这代表着系统能够容纳更高的负载、更大的数据集,并且系统是可维护的。扩展和语言、某项具体的技术都是无关的。扩展可以分为两种:
1.
- DISPLAY变量和xhost(原创)
czmmiao
display
DISPLAY
在Linux/Unix类操作系统上, DISPLAY用来设置将图形显示到何处. 直接登陆图形界面或者登陆命令行界面后使用startx启动图形, DISPLAY环境变量将自动设置为:0:0, 此时可以打开终端, 输出图形程序的名称(比如xclock)来启动程序, 图形将显示在本地窗口上, 在终端上输入printenv查看当前环境变量, 输出结果中有如下内容:DISPLAY=:0.0
- 获取B/S客户端IP
周凡杨
java编程jspWeb浏览器
最近想写个B/S架构的聊天系统,因为以前做过C/S架构的QQ聊天系统,所以对于Socket通信编程只是一个巩固。对于C/S架构的聊天系统,由于存在客户端Java应用,所以直接在代码中获取客户端的IP,应用的方法为:
String ip = InetAddress.getLocalHost().getHostAddress();
然而对于WEB
- 浅谈类和对象
朱辉辉33
编程
类是对一类事物的总称,对象是描述一个物体的特征,类是对象的抽象。简单来说,类是抽象的,不占用内存,对象是具体的,
占用存储空间。
类是由属性和方法构成的,基本格式是public class 类名{
//定义属性
private/public 数据类型 属性名;
//定义方法
publ
- android activity与viewpager+fragment的生命周期问题
肆无忌惮_
viewpager
有一个Activity里面是ViewPager,ViewPager里面放了两个Fragment。
第一次进入这个Activity。开启了服务,并在onResume方法中绑定服务后,对Service进行了一定的初始化,其中调用了Fragment中的一个属性。
super.onResume();
bindService(intent, conn, BIND_AUTO_CREATE);
- base64Encode对图片进行编码
843977358
base64图片encoder
/**
* 对图片进行base64encoder编码
*
* @author mrZhang
* @param path
* @return
*/
public static String encodeImage(String path) {
BASE64Encoder encoder = null;
byte[] b = null;
I
- Request Header简介
aigo
servlet
当一个客户端(通常是浏览器)向Web服务器发送一个请求是,它要发送一个请求的命令行,一般是GET或POST命令,当发送POST命令时,它还必须向服务器发送一个叫“Content-Length”的请求头(Request Header) 用以指明请求数据的长度,除了Content-Length之外,它还可以向服务器发送其它一些Headers,如:
- HttpClient4.3 创建SSL协议的HttpClient对象
alleni123
httpclient爬虫ssl
public class HttpClientUtils
{
public static CloseableHttpClient createSSLClientDefault(CookieStore cookies){
SSLContext sslContext=null;
try
{
sslContext=new SSLContextBuilder().l
- java取反 -右移-左移-无符号右移的探讨
百合不是茶
位运算符 位移
取反:
在二进制中第一位,1表示符数,0表示正数
byte a = -1;
原码:10000001
反码:11111110
补码:11111111
//异或: 00000000
byte b = -2;
原码:10000010
反码:11111101
补码:11111110
//异或: 00000001
- java多线程join的作用与用法
bijian1013
java多线程
对于JAVA的join,JDK 是这样说的:join public final void join (long millis )throws InterruptedException Waits at most millis milliseconds for this thread to die. A timeout of 0 means t
- Java发送http请求(get 与post方法请求)
bijian1013
javaspring
PostRequest.java
package com.bijian.study;
import java.io.BufferedReader;
import java.io.DataOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURL
- 【Struts2二】struts.xml中package下的action配置项默认值
bit1129
struts.xml
在第一部份,定义了struts.xml文件,如下所示:
<!DOCTYPE struts PUBLIC
"-//Apache Software Foundation//DTD Struts Configuration 2.3//EN"
"http://struts.apache.org/dtds/struts
- 【Kafka十三】Kafka Simple Consumer
bit1129
simple
代码中关于Host和Port是割裂开的,这会导致单机环境下的伪分布式Kafka集群环境下,这个例子没法运行。
实际情况是需要将host和port绑定到一起,
package kafka.examples.lowlevel;
import kafka.api.FetchRequest;
import kafka.api.FetchRequestBuilder;
impo
- nodejs学习api
ronin47
nodejs api
NodeJS基础 什么是NodeJS
JS是脚本语言,脚本语言都需要一个解析器才能运行。对于写在HTML页面里的JS,浏览器充当了解析器的角色。而对于需要独立运行的JS,NodeJS就是一个解析器。
每一种解析器都是一个运行环境,不但允许JS定义各种数据结构,进行各种计算,还允许JS使用运行环境提供的内置对象和方法做一些事情。例如运行在浏览器中的JS的用途是操作DOM,浏览器就提供了docum
- java-64.寻找第N个丑数
bylijinnan
java
public class UglyNumber {
/**
* 64.查找第N个丑数
具体思路可参考 [url] http://zhedahht.blog.163.com/blog/static/2541117420094245366965/[/url]
*
题目:我们把只包含因子
2、3和5的数称作丑数(Ugly Number)。例如6、8都是丑数,但14
- 二维数组(矩阵)对角线输出
bylijinnan
二维数组
/**
二维数组 对角线输出 两个方向
例如对于数组:
{ 1, 2, 3, 4 },
{ 5, 6, 7, 8 },
{ 9, 10, 11, 12 },
{ 13, 14, 15, 16 },
slash方向输出:
1
5 2
9 6 3
13 10 7 4
14 11 8
15 12
16
backslash输出:
4
3
- [JWFD开源工作流设计]工作流跳跃模式开发关键点(今日更新)
comsci
工作流
既然是做开源软件的,我们的宗旨就是给大家分享设计和代码,那么现在我就用很简单扼要的语言来透露这个跳跃模式的设计原理
大家如果用过JWFD的ARC-自动运行控制器,或者看过代码,应该知道在ARC算法模块中有一个函数叫做SAN(),这个函数就是ARC的核心控制器,要实现跳跃模式,在SAN函数中一定要对LN链表数据结构进行操作,首先写一段代码,把
- redis常见使用
cuityang
redis常见使用
redis 通常被认为是一个数据结构服务器,主要是因为其有着丰富的数据结构 strings、map、 list、sets、 sorted sets
引入jar包 jedis-2.1.0.jar (本文下方提供下载)
package redistest;
import redis.clients.jedis.Jedis;
public class Listtest
- 配置多个redis
dalan_123
redis
配置多个redis客户端
<?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi=&quo
- attrib命令
dcj3sjt126com
attr
attrib指令用于修改文件的属性.文件的常见属性有:只读.存档.隐藏和系统.
只读属性是指文件只可以做读的操作.不能对文件进行写的操作.就是文件的写保护.
存档属性是用来标记文件改动的.即在上一次备份后文件有所改动.一些备份软件在备份的时候会只去备份带有存档属性的文件.
- Yii使用公共函数
dcj3sjt126com
yii
在网站项目中,没必要把公用的函数写成一个工具类,有时候面向过程其实更方便。 在入口文件index.php里添加 require_once('protected/function.php'); 即可对其引用,成为公用的函数集合。 function.php如下:
<?php /** * This is the shortcut to D
- linux 系统资源的查看(free、uname、uptime、netstat)
eksliang
netstatlinux unamelinux uptimelinux free
linux 系统资源的查看
转载请出自出处:http://eksliang.iteye.com/blog/2167081
http://eksliang.iteye.com 一、free查看内存的使用情况
语法如下:
free [-b][-k][-m][-g] [-t]
参数含义
-b:直接输入free时,显示的单位是kb我们可以使用b(bytes),m
- JAVA的位操作符
greemranqq
位运算JAVA位移<<>>>
最近几种进制,加上各种位操作符,发现都比较模糊,不能完全掌握,这里就再熟悉熟悉。
1.按位操作符 :
按位操作符是用来操作基本数据类型中的单个bit,即二进制位,会对两个参数执行布尔代数运算,获得结果。
与(&)运算:
1&1 = 1, 1&0 = 0, 0&0 &
- Web前段学习网站
ihuning
Web
Web前段学习网站
菜鸟学习:http://www.w3cschool.cc/
JQuery中文网:http://www.jquerycn.cn/
内存溢出:http://outofmemory.cn/#csdn.blog
http://www.icoolxue.com/
http://www.jikexue
- 强强联合:FluxBB 作者加盟 Flarum
justjavac
r
原文:FluxBB Joins Forces With Flarum作者:Toby Zerner译文:强强联合:FluxBB 作者加盟 Flarum译者:justjavac
FluxBB 是一个快速、轻量级论坛软件,它的开发者是一名德国的 PHP 天才 Franz Liedke。FluxBB 的下一个版本(2.0)将被完全重写,并已经开发了一段时间。FluxBB 看起来非常有前途的,
- java统计在线人数(session存储信息的)
macroli
javaWeb
这篇日志是我写的第三次了 前两次都发布失败!郁闷极了!
由于在web开发中常常用到这一部分所以在此记录一下,呵呵,就到备忘录了!
我对于登录信息时使用session存储的,所以我这里是通过实现HttpSessionAttributeListener这个接口完成的。
1、实现接口类,在web.xml文件中配置监听类,从而可以使该类完成其工作。
public class Ses
- bootstrp carousel初体验 快速构建图片播放
qiaolevip
每天进步一点点学习永无止境bootstrap纵观千象
img{
border: 1px solid white;
box-shadow: 2px 2px 12px #333;
_width: expression(this.width > 600 ? "600px" : this.width + "px");
_height: expression(this.width &
- SparkSQL读取HBase数据,通过自定义外部数据源
superlxw1234
sparksparksqlsparksql读取hbasesparksql外部数据源
关键字:SparkSQL读取HBase、SparkSQL自定义外部数据源
前面文章介绍了SparSQL通过Hive操作HBase表。
SparkSQL从1.2开始支持自定义外部数据源(External DataSource),这样就可以通过API接口来实现自己的外部数据源。这里基于Spark1.4.0,简单介绍SparkSQL自定义外部数据源,访
- Spring Boot 1.3.0.M1发布
wiselyman
spring boot
Spring Boot 1.3.0.M1于6.12日发布,现在可以从Spring milestone repository下载。这个版本是基于Spring Framework 4.2.0.RC1,并在Spring Boot 1.2之上提供了大量的新特性improvements and new features。主要包含以下:
1.提供一个新的sprin