- Python中的深度学习神经网络
2301_78297473
深度学习python神经网络
文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
- 一文读懂深度适配网络(DAN)
weixin_34088838
人工智能
这周五下午约见了机器学习和迁移学习大牛、清华大学的龙明盛老师。老师为人非常nice,思维敏捷,非常健谈!一不留神就谈了1个多小时,意犹未尽,学到了很多东西!龙明盛老师在博士期间(去年博士毕业)发表的文章几乎全部是A类顶会,他在学期间与世界知名学者杨强、PhilipS.Yu及MichaelI.Jordan多次合作,让我非常膜拜!这次介绍他在ICML-15上提出的深度适配网络。深度适配网络(DeepA
- 迁移学习之领域泛化
踩着上帝的小丑
#RL迁移学习人工智能机器学习
领域泛化领域泛化(DomainGeneralization)是机器学习和计算机视觉中的一个重要概念,它指的是模型能够从一个或多个源领域(sourcedomains)学习到的知识或模式,成功地应用到与训练时未见过的目标领域(targetdomain)上,即使这些领域之间存在分布差异。简单来说,领域泛化就是希望模型能够“举一反三”,不仅限于在特定数据集或特定环境下表现良好,而是能够跨越不同的环境或数据
- 23 注意力机制—BERT
Unknown To Known
动手学习深度学习bert人工智能深度学习
目录BERT预训练NLP里的迁移学习BERTBERT动机BERT预训练NLP里的迁移学习在计算机视觉中比较流行,将ImageNet或者更大的数据集上预训练好的模型应用到其他任务中,比如小数据的预测、图片分类或者是目标检测使用预训练好的模型(例如word2vec或语言模型)来抽取词、句子的特征做迁移学习的时候,一般不更新预训练好的模型在更换任务之后,还是需要构建新的网络来抓取新任务需要的信息使用预训
- Unet 高阶分割网络实战、多类别分割、迁移学习(deeplab、resnet101等等)
听风吹等浪起
图像分割计算机视觉人工智能
1、前言Unet图像分割之前介绍了不少,具体可以参考图像分割专栏为了实现多类别的自适应分割,前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来,保存在txt文本里,这样txt里面就会有类似012...等等的灰度值。而有几个灰度值,就代表分割要分出几个类别。具体可以参考:Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
- 探索XGBoost:深度集成与迁移学习
Echo_Wish
Python笔记Python算法迁移学习机器学习人工智能
导言深度集成与迁移学习是机器学习领域中的两个重要概念,它们可以帮助提高模型的性能和泛化能力。本教程将详细介绍如何在Python中使用XGBoost进行深度集成与迁移学习,包括模型集成、迁移学习的概念和实践等,并提供相应的代码示例。模型集成模型集成是一种通过组合多个模型来提高性能的技术。XGBoost提供了集成多个弱学习器的功能,可以通过设置booster参数来选择集成模型。以下是一个简单的示例:i
- 机器学习、深度学习、强化学习、迁移学习的关联与区别
半亩花海
学习笔记机器学习深度学习迁移学习学习人工智能
Hi,大家好,我是半亩花海。本文主要了解并初步探究机器学习、深度学习、强化学习、迁移学习的关系与区别,通过清晰直观的关系图展现出四种“学习”之间的关系。虽然这四种“学习”方法在理论和应用上存在着一定的区别,但它们之间也存在交叉和重叠,有时候也会结合使用来解决实际问题。一、四种“学习”1.机器学习机器学习是人工智能的一个子领域,研究如何让计算机系统利用数据和经验,来不断改善和优化自身的性能。其核心思
- 预训练和微调在迁移学习中的作用
一条小小yu
迁移学习人工智能机器学习
在机器学习和深度学习中,"pre-training"(预训练)和"fine-tuning"(微调)是两个常见且重要的概念,它们通常在迁移学习场景中使用,以提高模型在特定任务上的性能。预训练(Pre-training)预训练是指在一个大型且通常与目标任务相关但不完全相同的数据集上训练模型的过程。这个阶段的目的是让模型学习到一些通用的特征或知识,这些特征或知识可以帮助模型在后续的特定任务上表现更好。预
- Python环境下基于深度判别迁移学习网络的轴承故障诊断
哥廷根数学学派
故障诊断信号处理深度学习python迁移学习开发语言
目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中,该假设却未必存在。一方面,如果将利用某一领域数据训练得到的模型直接应用于新的目标领域,领域之间切实存在的数据差异可能会导致模型效果的骤然下降。另一方面,如果直接在新的目标领域中进行模型的训练,其数据的稀缺和标注的不完整可能会导致监督学习出现严重的过拟合问题,难以达到令人满意的学习效果
- 【深度学习:迁移学习】图像识别预训练模型的迁移学习
jcfszxc
深度学习知识专栏深度学习迁移学习人工智能
【深度学习:迁移学习】图像识别预训练模型的迁移学习什么是迁移学习?为什么不从头开始训练模型?迁移学习的优点是:如何使用预训练模型进行迁移学习:迁移学习的过程:实施迁移学习来构建人脸识别模型:模型的构建分为3个步骤:1.导入预训练模型并添加密集层。2.将训练数据加载到图像数据生成器中。3.通过预测验证数据标签加载训练模型和模型评估结论:本文的目的是使用迁移学习快速、轻松地解决图像识别问题。为了演示,
- 【前沿技术杂谈:迁移学习】欧洲人工智能法案对人工智能开发者的意义 [2023 年 12 月更新]
jcfszxc
深度学习知识专栏人工智能迁移学习机器学习
【前沿技术杂谈:迁移学习】欧洲人工智能法案对人工智能开发者的意义[2023年12月更新]定义、一般原则和禁止做法人工智能系统开发者基于风险的义务固定和通用人工智能开发人员(第3/28条)基础模型的提供者(第28b条)生成人工智能模型的提供商(第28b4条)高风险人工智能系统和分类(第6/7条)治理和执行12月修正案和批准最后的评论TL;DRAI窥视,准备迎接冲击!欧盟人工智能法案即将推出,这是世界
- 低资源学习与知识图谱:构建与应用
cooldream2009
AI技术知识图谱知识图谱人工智能低资源
目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域,低资源学习成为一个备受关注的话题,尤其是在少样本学习和零样本学习方面。这种学
- 深度学习之迁移学习实现神奇宝贝识别
starlet_kiss
机器学习深度学习人工智能迁移学习
经过之前深度学习的实践,无论是自己搭建的CNN网络也好,还是通过迁移学习调用官方的网络模型也好,都有其优点以及不足。本次实验通过对各种常用的CNN网络模型进行调用,了解一下它们的特点,对比一下在对于同一数据集进行分类时的准确率。本次所调用的CNN模型有:VGG16VGG19ResNetDensenet模型1.导入库importtensorflowastfimportnumpyasnpimportm
- LLM大模型常见问题解答(2)
lichunericli
LLM人工智能语言模型
对大模型基本原理和架构的理解大型语言模型如GPT(GenerativePre-trainedTransformer)系列是基于自注意力机制的深度学习模型,主要用于处理和生成人类语言。基本原理自然语言理解:模型通过对大量文本数据的预训练,学习到语言的统计规律,从而能够在不同的语言任务上表现出自然语言理解的能力。迁移学习:GPT类模型首先在一个广泛的数据集上进行预训练,以掌握语言的通用表示,然后可以在
- 大模型注入领域知识,模型体验和Token重复知识
lichunericli
LLM人工智能语言模型
1如何给LLM注入领域知识?给LLM(低层次模型,如BERT、GPT等)注入领域知识的方法有很多。以下是一些建议:数据增强:在训练过程中,可以通过添加领域相关的数据来增强模型的训练数据。这可以包括从领域相关的文本中提取示例、对现有数据进行扩充或生成新的数据。迁移学习:使用预训练的LLM模型作为基础,然后在特定领域的数据上进行微调。这样可以利用预训练模型学到的通用知识,同时使其适应新领域。领域专家标
- 深度学习基础
EEPI
深度学习人工智能
深度学习基础highvariance/datamismatchwhatisdatamismatchhowtosolvedatamismatchdatasynthesis数据合成迁移学习与预训练/微调什么时候用迁移学习highvariance/datamismatchwhatisdatamismatch如果训练集和验证集的loss不一样,且验证集的loss高很多,有2种原因:1.方差太大。模型没见过
- 基于NSGA-II的深度迁移学习
代码缝合怪
机器学习+深度学习迁移学习人工智能机器学习
深度迁移学习迁移学习是一种机器学习技术,它允许一个预训练的模型被用作起点,在此基础上进行微调以适应新的任务或数据。其核心思想是利用从一个任务中学到的知识来帮助解决另一个相关的任务,即使这两个任务的数据分布不完全相同。这种方法可以加速学习过程,提高模型性能,并减少对新数据标注的依赖。为什么要迁移大数据与少标注的矛盾在大数据的时代背景下,我们所面临的数据量呈现爆炸性增长,同时数据类型也变得日益复杂多样
- Tensorflow2.0 查看网络中每层的名称、权重及特征图绘制
cofisher
Tensorflow2.0深度学习PHM项目实战--建模篇深度学习pythontensorflow
文章目录项目介绍实现过程1、构建网络2、查看每层名称3、查看指定层的权值4、特征图绘制项目介绍在网络训练过程中,我们经常需要查看某层权重的变化过程,这其实只需要简单的API就能实现。为了方便演示,我们使用迁移学习到的MobileNetV2网络。实现过程1、构建网络我们将冻结迁移到的MobileNetV2网络,然后将它最后的分类层换成我们自己定义的分类层即可。mobile=tf.keras.appl
- Tensorflow2.0 评价模型复杂度:参数量、FLOPs 和 MACC 计算
cofisher
深度学习PHM项目实战--建模篇tensorflow深度学习卷积python
文章目录项目介绍代码实现:对于迁移学习网络(复杂)1、迁移学习不带分类层的简化版MobileNetV2网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC代码实现:对于自编写网络(简单)1、导入网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC项目介绍在论文写作时,我们经常会对所提出模型的复杂度进行分析,主要用到的评价指标包括参数量、FLOPs和MACC,它们的计
- 【PyTorch】实现迁移学习框架DaNN
cofisher
PHM项目实战--建模篇PyTorchpytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义MMD损失5、定义训练函数5.1nn.CrossEntropyLoss()5.2.detach()5.3.sizeVS.shape5.4.to(DEVICE)5.5.max()5.6optimizer.zero_grad()
- 论文笔记:NIPS 2020 Graph Contrastive Learning with Augmentations
饮冰l
图弱监督数据挖掘机器学习神经网络深度学习
前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说,本文提出了一种图对比学习框架来无监督的完成图表示学习,首先作者提出了基于各种先验信息的四种图数据增强方法。然后,作者分析了在四种不同的图数据增强条件下,不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战,本文的主要贡献如下:作者提出
- 【多模态大模型】GLIP:零样本学习 + 目标检测 + 视觉语言大模型
Debroon
医学大模型:健康长寿学习目标检测人工智能
GLIP核心思想GLIP对比BLIP、BLIP-2、CLIP主要问题:如何构建一个能够在不同任务和领域中以零样本或少样本方式无缝迁移的预训练模型?统一的短语定位损失语言意识的深度融合预训练数据类型的结合语义丰富数据的扩展零样本和少样本迁移学习效果论文:https://arxiv.org/pdf/2112.03857.pdf代码:https://github.com/microsoft/GLIP核心
- 【PyTorch】实现迁移学习框架DANN
cofisher
PyTorchPHM项目实战--建模篇pytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义训练函数4.1nn.CrossEntropyLoss()4.2.detach()4.3.sizeVS.shape4.4.to(DEVICE)4.5.max()4.6optimizer.zero_grad()4.7len(data
- PyTorch 2.2 中文官方教程(十五)
绝不原创的飞龙
人工智能pytorch人工智能python
(beta)计算机视觉的量化迁移学习教程原文:pytorch.org/tutorials/intermediate/quantized_transfer_learning_tutorial.html译者:飞龙协议:CCBY-NC-SA4.0提示为了充分利用本教程,我们建议使用这个Colab版本。这将允许您尝试下面提供的信息。作者:ZafarTakhirov审阅者:RaghuramanKrishna
- Python 处理小样本数据的文档分类问题
田猿笔记
python知识库分类人工智能数据挖掘
在处理小样本数据的文档分类问题时,可以尝试使用迁移学习或者基于预训练模型的方法,如BERT、GPT等。然而,直接在这里编写一个完整的深度学习文档分类代码超出了这个平台的限制,但我可以为你提供一个基本的思路和简单示例,你可以根据这个思路进一步研究并实现。#导入必要的库fromtransformersimportBertTokenizer,BertForSequenceClassificationim
- 【文本到上下文 #10】探索地平线:GPT 和 NLP 中大型语言模型的未来
无水先生
NLP高级和ChatGPT人工智能自然语言处理gpt语言模型
一、说明 欢迎阅读我们【文本到上下文#10】:此为最后一章。以我们之前对BERT和迁移学习的讨论为基础,将重点转移到更广阔的视角,包括语言模型的演变和未来,特别是生成式预训练转换器(GPT)及其在NLP中的重要作用。 在最后一章中,我们将探讨:语言模型概述:了解它们在NLP中的作用和演变。GPT模型:深入研究GPT谱系及其影响。大型语言模型(LLM):揭示潜力和挑战。现实世界的NLP应用:这些
- AI预测-注意力机制/多头注意力机制及其tensorflow实现
写代码的中青年
AI预测人工智能tensorflowpython深度学习keras
AI预测相关目录AI预测流程,包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
- AI预测-迁移学习在时序预测任务上的tensoflow2.0实现
写代码的中青年
AI预测人工智能迁移学习机器学习神经网络pythontensorflow
AI预测相关目录AI预测流程,包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现文章目录AI预测相关目录一、迁移
- 迁移学习Transfer Learning的优缺点,以及在使用迁移学习的注意事项!
小桥流水---人工智能
机器学习算法Python程序代码迁移学习人工智能机器学习
迁移学习TransferLearning1.迁移学习的优点和缺点:2.使用迁移学习时,需要解决以下问题:1.迁移学习的优点和缺点:迁移学习是一种机器学习方法,它可以使机器学习模型利用已有任务的学习结果,来帮助解决相似的新任务。优点:知识转移:迁移学习的核心思想是将在一个领域学到的知识应用到另一个领域。这使得我们可以在已有的数据集上训练模型,然后将这个模型应用到新的、不同的数据集上。避免重新训练:对
- 迁移学习实现图片分类任务
Cuteboom
迁移学习分类人工智能
导入工具包importtimeimportosimportnumpyasnpfromtqdmimporttqdmimporttorchimporttorchvisionimporttorch.nnasnnimporttorch.nn.functionalasFimportmatplotlib.pyplotasplt%matplotlibinline#忽略烦人的红色提示importwarningsw
- 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