- 深入探索Mozilla的DeepSpeech:语音识别的新里程碑
温宝沫Morgan
深入探索Mozilla的DeepSpeech:语音识别的新里程碑项目地址:https://gitcode.com/gh_mirrors/de/DeepSpeech项目简介是一个开源的语音识别引擎,基于深度学习技术,致力于提供准确、可扩展且易于集成的解决方案。该项目的目标是打破现有的语音识别壁垒,使开发者能够轻松构建支持语音的应用,推动人机交互进入新的时代。技术分析基于Baidu的DeepSpeec
- 【深度学习】Adam优化器
九筠
机器学习深度学习人工智能
目录1什么是Adam1.1基本概念1.2Adam的数学理解1.2.1计算一阶矩估计(mean)1.2.2计算二阶矩估计(uncenteredvariance)1.2.3矫正一阶矩估计(mean)和二阶矩估计(uncenteredvariance)的偏差1.2.4更新模型参数1.3Adam的简单理解2Adam优化算法怎么用2.1导入所需的库和模块2.2定义模型和损失函数2.3定义优化器2.4在训练循
- 计算机视觉与深度学习实战:以Python为工具,基于帧间差法进行视频目标检测
好知识传播者
Python实例开发实战计算机视觉深度学习python基于帧间差法进行视频目标检测
一、引言随着科技的飞速发展,计算机视觉和深度学习已成为当今科技领域的热门话题。它们不仅在科研领域取得了显著的成果,而且在安防监控、智能交通、医疗影像分析、工业自动化等领域得到了广泛的应用。本文旨在探讨计算机视觉与深度学习的实战应用,特别是以Python为工具,基于帧间差法进行视频目标检测的方法。二、计算机视觉概述计算机视觉是一门研究如何使机器从数字图像或视频中提取、分析和理解有用信息的学科。它涉及
- 基于深度学习的入侵检测系统设计与实现
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战计算计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
基于深度学习的入侵检测系统设计与实现关键词:深度学习、入侵检测、网络安全、机器学习、神经网络、特征提取、实时分析文章目录基于深度学习的入侵检测系统设计与实现1.背景介绍1.1网络安全的重要性1.2传统入侵检测系统的局限性1.3深度学习在安全领域的应用前景2.核心概念与联系2.1入侵检测系统(IDS)概述2.2深度学习基础2.3深度学习在入侵检测中的应用3.核心算法原理&具体操作步骤3.1算法原理概
- 机器学习库
Welosthesightof
笔记
机器学习一個很棒的機器學習框架、庫和軟件的精選列表(按語言)。靈感來自於awesome-php。计算机视觉Scikit-Image-Python中图像处理算法的集合。Scikit-Opt-Python中的群智能(Python中的遗传算法、粒子群优化、模拟退火、蚁群算法、免疫算法、人工鱼群算法)SimpleCV-一个开源计算机视觉框架,可以访问多个高性能计算机视觉库,例如OpenCV。用Python
- 【大模型应用开发 动手做AI Agent】大模型就是Agent的大脑
杭州大厂Java程序媛
DeepSeekR1&AI人工智能与大数据javapythonjavascriptkotlingolang架构人工智能
【大模型应用开发动手做AIAgent】大模型就是Agent的大脑关键词:大模型,AIAgent,智能决策,任务导向,知识表示,交互式学习,混合智能1.背景介绍1.1问题由来随着人工智能(AI)技术的发展,尤其是深度学习和自然语言处理(NLP)技术的进步,越来越多的应用场景开始采用AI模型来解决复杂的决策问题。然而,当前的AI模型大多依赖于大模型的预训练知识,这些模型虽然在通用知识获取上取得了显著进
- 2025最新Python机器视觉实战:基于OpenCV与深度学习的多功能工业视觉检测系统(附完整代码)
emmm形成中
pythonopencv深度学习
2025最新Python机器视觉实战:基于OpenCV与深度学习的多功能工业视觉检测系统(附完整代码)摘要:本文基于OpenCV与深度学习模型,实现一个多功能工业视觉检测系统,包含缺陷检测、尺寸测量、颜色识别、OCR文本识别、目标分类与数据可视化等功能。代码兼容Python3.7+,功能丰富且经过稳定性测试,适合工业场景应用。所有依赖库均为最新版本,确保运行流畅。一、环境准备安装依赖库pipins
- 航电系统智能诊断深度实战:从硬件集成到DO-178C认证全流程解析(附工业级代码)
Coderabo
DeepSeekR1模型企业级应用航电系统智能诊断
航电系统智能故障诊断全栈技术解析——基于深度学习的工业级实现指南一、航电系统故障诊断技术体系1.1典型故障模式与特征classAvionicFault:FAULT_TYPES={101:'总线通信故障',102:'传感器漂移',
- 直播美颜SDK的底层技术解析:图像处理与深度学习的结合
美狐美颜sdk
美颜API直播美颜SDK美颜SDK图像处理深度学习人工智能美颜API视频美颜SDK直播美颜SDK滤镜sdk
直播美颜SDK通过高效的图像处理技术和深度学习算法,使得用户在直播过程中可以获得更为自然、精致的美颜效果。本文将深入解析直播美颜SDK的底层技术,探讨图像处理与深度学习如何在这一领域实现完美结合,提升用户体验并推动行业创新。一、直播美颜SDK的基本概述图像处理是直播美颜SDK的核心技术之一,它主要负责对图像进行预处理、特征提取以及美颜效果的实时合成。在直播美颜SDK中,图像处理技术包含多个关键步骤
- Neat Vision:深度学习NLP注意力机制可视化工具教程
纪亚钧
NeatVision:深度学习NLP注意力机制可视化工具教程neat-visionNeat(NeuralAttention)Vision,isavisualizationtoolfortheattentionmechanismsofdeep-learningmodelsforNaturalLanguageProcessing(NLP)tasks.(framework-agnostic)项目地址:h
- 介绍 TensorFlow 的基本概念和使用场景。
AC使者
githubsqlite开发语言自然语言处理
TensorFlow是一个由Google开发的开源机器学习框架,旨在让开发者能够构建和训练各种深度学习模型。以下是TensorFlow的基本概念和使用场景:张量(Tensor):在TensorFlow中,数据以张量的形式表示,可以理解为多维数组。张量是TensorFlow的基本数据单位,常用于存储训练数据和模型的参数。计算图(ComputationalGraph):TensorFlow使用计算图来
- 撰写文献必用的评价指标之DCA决策曲线
小辉同志
深度学习深度学习论文阅读
系列文章目录第一章撰写文献必用的评价指标之普通表格第二章撰写文献必用的评价指标之DCA决策曲线目录系列文章目录前言一、DCA决策曲线表现形式横轴纵轴曲线曲线解读图例二、单因素多因素分析单因素分析多因素分析三、R语言程序代码代码解释总结前言在智慧医疗中,深度学习模型用于疾病预测等任务,DCA决策曲线能将模型的预测结果与不同阈值下的临床决策相结合,直观展示在不同疾病概率阈值下,采取某种诊断或治疗策略所
- DeepSeek 学习路线图
CarlowZJ
学习deepseek
以下是基于最新搜索结果整理的DeepSeek学习路线图,涵盖从基础到高级的系统学习路径,帮助你全面掌握DeepSeek的使用和应用开发。一、基础知识与预备技能1.数学基础线性代数:掌握矩阵运算和向量空间,这是深度学习的核心。概率统计:理解贝叶斯理论和概率分布,用于模型训练和推理。微积分:了解优化算法中的梯度下降等概念。2.编程基础Python:掌握Python编程,这是深度学习和AI开发的主要语言
- 计算机毕业设计吊炸天Python+Spark地铁客流数据分析与预测系统 地铁大数据 地铁流量预测
qq_80213251
javajavaweb大数据课程设计python
开发技术SparkHadoopPython爬虫Vue.jsSpringBoot机器学习/深度学习人工智能创新点Spark大屏可视化爬虫预测算法功能1、登录注册界面,用户登录注册,修改信息2、管理员用户:(1)查看用户信息;(2)出行高峰期的10个时间段;(3)地铁限流的10个时间段;(4)地铁限流的前10个站点;(6)可视化大屏实时显示人流量信息。3、普通用户:(1)出行高峰期的10(5)可视化大
- 微构科技《VigorData一站式企业大数据平台产品白皮书》
皙姑娘
微构大数据微构科技微构大数据VigorData一站式企业大数据平台产品白皮书
本白皮书阐述了微构科技VigorData一站式企业大数据平台的定位与应用场景、系统架构、产品特性。VigorData满足企业从数据采集、存储、计算、分析挖掘到可视化展示的一站式数据处理需求,并融合前沿AI科技机器深度学习自我进化,直至与企业自身状况深度契合,帮助企业借力大数据优势深化自身业务价值体系。01产品概述1.1.产品目标一站式企业大数据平台VigorData提供了端到端一站式数据处理服务,
- 深入解析 Hydra 库:灵活强大的 Python 配置管理框架
萧鼎
python基础到进阶教程python开发语言
深入解析Hydra库:灵活强大的Python配置管理框架在机器学习、深度学习和复杂软件开发项目中,管理和维护大量的配置参数是一项具有挑战性的任务。传统的argparse、json或yaml方式虽然能管理部分配置,但随着项目规模的增长,手动管理配置文件变得越来越复杂。Hydra作为一个现代化的Python配置管理框架,提供了动态配置、层级合并、运行时修改等强大功能,使得配置管理更加灵活和高效。本文将
- SD模型微调之LoRA
好评笔记
补档深度学习计算机视觉人工智能面试AIGCSDstablediffusion
大家好,这里是Goodnote(好评笔记),关注公主号Goodnote,专栏文章私信限时Free。本文是SD模型微调方法LoRA的详细介绍,包括数据集准备,模型微调过程,推理过程,优缺点等。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集文章目录热门专栏机器学习深度学习论文概念核心原理优点训练过程预训练模型加载选择微调的层LoRA优化的层Cross-Attention(跨注意力)层Self
- 清影2.0(AI视频生成)技术浅析(四):计算机视觉(CV)
爱研究的小牛
AIGC—视频AIGC——图像AIGC—计算机视觉人工智能音视频AIGC深度学习机器学习
清影2.0是一个基于人工智能的视频生成平台,其核心计算机视觉(CV)技术包括图像处理与增强、动作捕捉与平滑等。这些技术通过深度学习、生成对抗网络(GAN)、光流估计等方法,实现了高质量的视频生成和编辑。1.清影2.0概述清影2.0的核心目标是通过计算机视觉技术生成高质量的视频内容,其主要功能包括:图像处理与增强:提升视频帧的质量和清晰度。动作捕捉与平滑:捕捉视频中的动作并生成平滑的过渡。2.图像处
- 深度学习-123-综述之AI人工智能与DL深度学习简史1956到2024
皮皮冰燃
深度学习人工智能深度学习
文章目录1AI与深度学习的简史1.1人工智能的诞生(1956)1.2早期人工神经网络(1940-1960年代)1.3多层感知器MLP(1960年代)1.4反向传播(1970-1980年代)1.5第二次黑暗时代(1990-2000年代)1.6深度学习的复兴(21世纪末至今)1.6.1CNN卷积神经网络(1980-2010)1.6.2RNN递归神经网络(1986-2017)1.6.3Transform
- 深度学习-124-LangGraph之基础知识(一)基本聊天机器人和工具增强的聊天机器人
皮皮冰燃
深度学习深度学习人工智能LangGraph
文章目录1基本使用1.1聊天模型1.2创建图1.3与ICEL交互2构建一个基本的聊天机器人2.1定义状态2.2添加节点2.3添加边(入口点)2.4添加边(终点)2.5编译图2.6调用2.7整体代码3使用工具增强聊天机器人3.1百度搜索工具3.2绑定工具的聊天模型3.3定义图3.4添加工具节点3.5添加条件边3.6调用4参考附录1基本使用下图包含一个名为“Lucy”的节点,它执行聊天模型,然后返回结
- 大模型量化概述
AI领航者
人工智能ai大模型
近年来,随着Transformer、MOE架构的提出,使得深度学习模型轻松突破上万亿规模参数,从而导致模型变得越来越大,因此,我们需要一些大模型压缩技术来降低模型部署的成本,并提升模型的推理性能。模型压缩主要分为如下几类:剪枝(Pruning)知识蒸馏(KnowledgeDistillation)量化Quantization)本系列将针对一些常见大模型量化方案(GPTQ、LLM.int8()、Sm
- 深度学习笔记之自然语言处理(NLP)
电棍233
深度学习笔记自然语言处理
深度学习笔记之自然语言处理(NLP)在行将开学之时,我将开始我的深度学习笔记的自然语言处理部分,这部分内容是在前面基础上开展学习的,且目前我的学习更加倾向于通识。自然语言处理部分将包含《动手学深度学习》这本书的第十四章,自然语言处理预训练和第十五章,自然语言处理应用。并且参考原书提供的jupyternotebook资源。自然语言处理,预训练自然语言处理(NaturalLanguageProcess
- 常用特征检测算法SURF、SIFT、ORB和FAST
super尚
图像处理算法人工智能计算机视觉
特征检测算法SURF算法特征检测的视觉不变性是一个非常重要的概念。但是要解决尺度不变性问题,难度相当大。为解决这一问题,计算机视觉界引入了尺度不变特征的概念。它的理念是,不仅在任何尺度下拍摄的物体都能检测到一致的关键点,而且每个被检测的特征点都对应一个尺度因子。理想情况下,对于两幅图像中不同尺度的的同一个物体点,计算得到的两个尺度因子之间的比率应该等于图像尺度的比率。近几年,人们提出了多种尺度不变
- 从零开始玩转TensorFlow:小明的机器学习故事 1
山海青风
#机器学习机器学习tensorflow人工智能
1.引言故事简介小明是一个计算机专业的大三学生,近期在学校里接触到了机器学习。他在某次校园活动中发现,活动主办方总是难以准确预测学生的报名人数,导致准备的物料经常不够或浪费。于是,小明萌生了一个想法:能否通过一些历史数据,用机器学习的方式来预测每场活动的参与率?在老师的建议下,他选择了TensorFlow,一个流行且强大的深度学习框架,希望能将这个想法变成现实。2.开始TensorFlow的旅程场
- 计算机视觉之图像处理-----SIFT、SURF、FAST、ORB 特征提取算法深度解析
三年呀
计算机视觉图像处理算法深度学习python目标检测机器学习
SIFT、SURF、FAST、ORB特征提取算法深度解析前言在图像处理领域亦或是计算机视觉中,首先我们需要先理解几个名词:什么是尺度不变?在实际场景中,同一物体可能出现在不同距离(如远处的山和近处的树),导致其在图像中的尺度不同,也引出了多尺度的概念。算法检测到的特征在图像缩放(放大或缩小)后仍能被正确识别和匹配,即尺度不变性。什么是旋转不变?物体在现实中的朝向可能任意(如手机横屏/竖屏拍摄同一物
- 基于深度学习进行呼吸音检测的详细示例
go5463158465
算法深度学习深度学习人工智能
以下是一个基于深度学习进行呼吸音检测的详细示例,我们将使用Python语言以及一些常见的深度学习库(如TensorFlow、Keras)和数据处理库(如numpy、pandas),同时会用到音频处理库librosa。整个流程包括数据加载、预处理、模型构建、训练和评估。步骤1:安装必要的库在开始之前,确保你已经安装了以下库:pipinstalltensorflowlibrosanumpypandas
- 用deepseek学大模型08-用deepseek解读deepseek
wyg_031113
人工智能深度学习
DeepSeekR1是一种先进的深度学习模型架构,结合了Transformer、稀疏注意力机制和动态路由等核心技术。以下是对其核心原理、公式推导及模块分析的详细解析:深入浅析DeepSeek-V3的技术架构1.核心架构概览DeepSeekR1的架构基于改进的Transformer,主要模块包括:稀疏多头自注意力(SparseMulti-HeadSelf-Attention)动态前馈网络(Dynam
- 有哪些好用的AI工具?(你想要的AI工具都在这)
c++
1.常见应用场景1.1.国内通用大模型模型名称简介官网地址DeepSeek深度求索公司研发的高性能开源模型,以低成本、高推理能力著称,支持数学、代码等复杂任务。https://chat.deepseek.com/豆包字节跳动开发的智能语言模型,基于深度学习技术,支持多种自然语言处理任务。https://www.doubao.com/Kimi月之暗面科技推出的长文本处理AI助手,擅长中英文对话、文件
- 有哪些好用的AI工具?(你想要的AI工具都在这)
c++
1.常见应用场景1.1.国内通用大模型模型名称简介官网地址DeepSeek深度求索公司研发的高性能开源模型,以低成本、高推理能力著称,支持数学、代码等复杂任务。https://chat.deepseek.com/豆包字节跳动开发的智能语言模型,基于深度学习技术,支持多种自然语言处理任务。https://www.doubao.com/Kimi月之暗面科技推出的长文本处理AI助手,擅长中英文对话、文件
- 【深度学习】预训练和微调概述
CS_木成河
深度学习深度学习人工智能语言模型预训练微调
预训练和微调概述1.预训练和微调的介绍1.1预训练(Pretraining)1.2微调(Fine-Tuning)2.预训练和微调的区别预训练和微调是现代深度学习模型训练中的两个关键步骤,它们通常是一个预训练-微调(Pretrain-Finetune)流程的不同阶段。两者相辅相成,共同帮助模型从通用的知识到特定任务的适应。1.预训练和微调的介绍1.1预训练(Pretraining)定义:预训练是指在
- tomcat基础与部署发布
暗黑小菠萝
Tomcat java web
从51cto搬家了,以后会更新在这里方便自己查看。
做项目一直用tomcat,都是配置到eclipse中使用,这几天有时间整理一下使用心得,有一些自己配置遇到的细节问题。
Tomcat:一个Servlets和JSP页面的容器,以提供网站服务。
一、Tomcat安装
安装方式:①运行.exe安装包
&n
- 网站架构发展的过程
ayaoxinchao
数据库应用服务器网站架构
1.初始阶段网站架构:应用程序、数据库、文件等资源在同一个服务器上
2.应用服务和数据服务分离:应用服务器、数据库服务器、文件服务器
3.使用缓存改善网站性能:为应用服务器提供本地缓存,但受限于应用服务器的内存容量,可以使用专门的缓存服务器,提供分布式缓存服务器架构
4.使用应用服务器集群改善网站的并发处理能力:使用负载均衡调度服务器,将来自客户端浏览器的访问请求分发到应用服务器集群中的任何
- [信息与安全]数据库的备份问题
comsci
数据库
如果你们建设的信息系统是采用中心-分支的模式,那么这里有一个问题
如果你的数据来自中心数据库,那么中心数据库如果出现故障,你的分支机构的数据如何保证安全呢?
是否应该在这种信息系统结构的基础上进行改造,容许分支机构的信息系统也备份一个中心数据库的文件呢?
&n
- 使用maven tomcat plugin插件debug关联源代码
商人shang
mavendebug查看源码tomcat-plugin
*首先需要配置好'''maven-tomcat7-plugin''',参见[[Maven开发Web项目]]的'''Tomcat'''部分。
*配置好后,在[[Eclipse]]中打开'''Debug Configurations'''界面,在'''Maven Build'''项下新建当前工程的调试。在'''Main'''选项卡中点击'''Browse Workspace...'''选择需要开发的
- 大访问量高并发
oloz
大访问量高并发
大访问量高并发的网站主要压力还是在于数据库的操作上,尽量避免频繁的请求数据库。下面简
要列出几点解决方案:
01、优化你的代码和查询语句,合理使用索引
02、使用缓存技术例如memcache、ecache将不经常变化的数据放入缓存之中
03、采用服务器集群、负载均衡分担大访问量高并发压力
04、数据读写分离
05、合理选用框架,合理架构(推荐分布式架构)。
- cache 服务器
小猪猪08
cache
Cache 即高速缓存.那么cache是怎么样提高系统性能与运行速度呢?是不是在任何情况下用cache都能提高性能?是不是cache用的越多就越好呢?我在近期开发的项目中有所体会,写下来当作总结也希望能跟大家一起探讨探讨,有错误的地方希望大家批评指正。
1.Cache 是怎么样工作的?
Cache 是分配在服务器上
- mysql存储过程
香水浓
mysql
Description:插入大量测试数据
use xmpl;
drop procedure if exists mockup_test_data_sp;
create procedure mockup_test_data_sp(
in number_of_records int
)
begin
declare cnt int;
declare name varch
- CSS的class、id、css文件名的常用命名规则
agevs
JavaScriptUI框架Ajaxcss
CSS的class、id、css文件名的常用命名规则
(一)常用的CSS命名规则
头:header
内容:content/container
尾:footer
导航:nav
侧栏:sidebar
栏目:column
页面外围控制整体布局宽度:wrapper
左右中:left right
- 全局数据源
AILIKES
javatomcatmysqljdbcJNDI
实验目的:为了研究两个项目同时访问一个全局数据源的时候是创建了一个数据源对象,还是创建了两个数据源对象。
1:将diuid和mysql驱动包(druid-1.0.2.jar和mysql-connector-java-5.1.15.jar)copy至%TOMCAT_HOME%/lib下;2:配置数据源,将JNDI在%TOMCAT_HOME%/conf/context.xml中配置好,格式如下:&l
- MYSQL的随机查询的实现方法
baalwolf
mysql
MYSQL的随机抽取实现方法。举个例子,要从tablename表中随机提取一条记录,大家一般的写法就是:SELECT * FROM tablename ORDER BY RAND() LIMIT 1。但是,后来我查了一下MYSQL的官方手册,里面针对RAND()的提示大概意思就是,在ORDER BY从句里面不能使用RAND()函数,因为这样会导致数据列被多次扫描。但是在MYSQL 3.23版本中,
- JAVA的getBytes()方法
bijian1013
javaeclipseunixOS
在Java中,String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这个表示在不同OS下,返回的东西不一样!
String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示,如:
byte[] b_gbk = "
- AngularJS中操作Cookies
bijian1013
JavaScriptAngularJSCookies
如果你的应用足够大、足够复杂,那么你很快就会遇到这样一咱种情况:你需要在客户端存储一些状态信息,这些状态信息是跨session(会话)的。你可能还记得利用document.cookie接口直接操作纯文本cookie的痛苦经历。
幸运的是,这种方式已经一去不复返了,在所有现代浏览器中几乎
- [Maven学习笔记五]Maven聚合和继承特性
bit1129
maven
Maven聚合
在实际的项目中,一个项目通常会划分为多个模块,为了说明问题,以用户登陆这个小web应用为例。通常一个web应用分为三个模块:
1. 模型和数据持久化层user-core,
2. 业务逻辑层user-service以
3. web展现层user-web,
user-service依赖于user-core
user-web依赖于user-core和use
- 【JVM七】JVM知识点总结
bit1129
jvm
1. JVM运行模式
1.1 JVM运行时分为-server和-client两种模式,在32位机器上只有client模式的JVM。通常,64位的JVM默认都是使用server模式,因为server模式的JVM虽然启动慢点,但是,在运行过程,JVM会尽可能的进行优化
1.2 JVM分为三种字节码解释执行方式:mixed mode, interpret mode以及compiler
- linux下查看nginx、apache、mysql、php的编译参数
ronin47
在linux平台下的应用,最流行的莫过于nginx、apache、mysql、php几个。而这几个常用的应用,在手工编译完以后,在其他一些情况下(如:新增模块),往往想要查看当初都使用了那些参数进行的编译。这时候就可以利用以下方法查看。
1、nginx
[root@361way ~]# /App/nginx/sbin/nginx -V
nginx: nginx version: nginx/
- unity中运用Resources.Load的方法?
brotherlamp
unity视频unity资料unity自学unityunity教程
问:unity中运用Resources.Load的方法?
答:Resources.Load是unity本地动态加载资本所用的方法,也即是你想动态加载的时分才用到它,比方枪弹,特效,某些实时替换的图像什么的,主张此文件夹不要放太多东西,在打包的时分,它会独自把里边的一切东西都会集打包到一同,不论里边有没有你用的东西,所以大多数资本应该是自个建文件放置
1、unity实时替换的物体即是依据环境条件
- 线段树-入门
bylijinnan
java算法线段树
/**
* 线段树入门
* 问题:已知线段[2,5] [4,6] [0,7];求点2,4,7分别出现了多少次
* 以下代码建立的线段树用链表来保存,且树的叶子结点类似[i,i]
*
* 参考链接:http://hi.baidu.com/semluhiigubbqvq/item/be736a33a8864789f4e4ad18
* @author lijinna
- 全选与反选
chicony
全选
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html>
<head>
<title>全选与反选</title>
- vim一些简单记录
chenchao051
vim
mac在/usr/share/vim/vimrc linux在/etc/vimrc
1、问:后退键不能删除数据,不能往后退怎么办?
答:在vimrc中加入set backspace=2
2、问:如何控制tab键的缩进?
答:在vimrc中加入set tabstop=4 (任何
- Sublime Text 快捷键
daizj
快捷键sublime
[size=large][/size]Sublime Text快捷键:Ctrl+Shift+P:打开命令面板Ctrl+P:搜索项目中的文件Ctrl+G:跳转到第几行Ctrl+W:关闭当前打开文件Ctrl+Shift+W:关闭所有打开文件Ctrl+Shift+V:粘贴并格式化Ctrl+D:选择单词,重复可增加选择下一个相同的单词Ctrl+L:选择行,重复可依次增加选择下一行Ctrl+Shift+L:
- php 引用(&)详解
dcj3sjt126com
PHP
在PHP 中引用的意思是:不同的名字访问同一个变量内容. 与C语言中的指针是有差别的.C语言中的指针里面存储的是变量的内容在内存中存放的地址 变量的引用 PHP 的引用允许你用两个变量来指向同一个内容 复制代码代码如下:
<?
$a="ABC";
$b =&$a;
echo
- SVN中trunk,branches,tags用法详解
dcj3sjt126com
SVN
Subversion有一个很标准的目录结构,是这样的。比如项目是proj,svn地址为svn://proj/,那么标准的svn布局是svn://proj/|+-trunk+-branches+-tags这是一个标准的布局,trunk为主开发目录,branches为分支开发目录,tags为tag存档目录(不允许修改)。但是具体这几个目录应该如何使用,svn并没有明确的规范,更多的还是用户自己的习惯。
- 对软件设计的思考
e200702084
设计模式数据结构算法ssh活动
软件设计的宏观与微观
软件开发是一种高智商的开发活动。一个优秀的软件设计人员不仅要从宏观上把握软件之间的开发,也要从微观上把握软件之间的开发。宏观上,可以应用面向对象设计,采用流行的SSH架构,采用web层,业务逻辑层,持久层分层架构。采用设计模式提供系统的健壮性和可维护性。微观上,对于一个类,甚至方法的调用,从计算机的角度模拟程序的运行情况。了解内存分配,参数传
- 同步、异步、阻塞、非阻塞
geeksun
非阻塞
同步、异步、阻塞、非阻塞这几个概念有时有点混淆,在此文试图解释一下。
同步:发出方法调用后,当没有返回结果,当前线程会一直在等待(阻塞)状态。
场景:打电话,营业厅窗口办业务、B/S架构的http请求-响应模式。
异步:方法调用后不立即返回结果,调用结果通过状态、通知或回调通知方法调用者或接收者。异步方法调用后,当前线程不会阻塞,会继续执行其他任务。
实现:
- Reverse SSH Tunnel 反向打洞實錄
hongtoushizi
ssh
實際的操作步驟:
# 首先,在客戶那理的機器下指令連回我們自己的 Server,並設定自己 Server 上的 12345 port 會對應到幾器上的 SSH port
ssh -NfR 12345:localhost:22 fred@myhost.com
# 然後在 myhost 的機器上連自己的 12345 port,就可以連回在客戶那的機器
ssh localhost -p 1
- Hibernate中的缓存
Josh_Persistence
一级缓存Hiberante缓存查询缓存二级缓存
Hibernate中的缓存
一、Hiberante中常见的三大缓存:一级缓存,二级缓存和查询缓存。
Hibernate中提供了两级Cache,第一级别的缓存是Session级别的缓存,它是属于事务范围的缓存。这一级别的缓存是由hibernate管理的,一般情况下无需进行干预;第二级别的缓存是SessionFactory级别的缓存,它是属于进程范围或群集范围的缓存。这一级别的缓存
- 对象关系行为模式之延迟加载
home198979
PHP架构延迟加载
形象化设计模式实战 HELLO!架构
一、概念
Lazy Load:一个对象,它虽然不包含所需要的所有数据,但是知道怎么获取这些数据。
延迟加载貌似很简单,就是在数据需要时再从数据库获取,减少数据库的消耗。但这其中还是有不少技巧的。
二、实现延迟加载
实现Lazy Load主要有四种方法:延迟初始化、虚
- xml 验证
pengfeicao521
xmlxml解析
有些字符,xml不能识别,用jdom或者dom4j解析的时候就报错
public static void testPattern() {
// 含有非法字符的串
String str = "Jamey친ÑԂ
- div设置半透明效果
spjich
css半透明
为div设置如下样式:
div{filter:alpha(Opacity=80);-moz-opacity:0.5;opacity: 0.5;}
说明:
1、filter:对win IE设置半透明滤镜效果,filter:alpha(Opacity=80)代表该对象80%半透明,火狐浏览器不认2、-moz-opaci
- 你真的了解单例模式么?
w574240966
java单例设计模式jvm
单例模式,很多初学者认为单例模式很简单,并且认为自己已经掌握了这种设计模式。但事实上,你真的了解单例模式了么。
一,单例模式的5中写法。(回字的四种写法,哈哈。)
1,懒汉式
(1)线程不安全的懒汉式
public cla