- 【深度学习】PYTORCH框架中采用训练数据“CIFAR-10”实现RESNET50
别出BUG求求了
深度学习深度学习pytorchcifar-10resnet50神经网络
一、ResNet网络结构二、基本块三、RESNET50代码实现resnet50.pyimporttorchimporttorch.nnasnnfromtorch.nnimportfunctionalasFclassResNet50BasicBlock(nn.Module):def__init__(self,in_channel,outs,kernerl_size,stride,padding):s
- 人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具
学步_技术
自动驾驶人工智能人工智能深度学习自动驾驶机器学习
人工智能深度学习系列—深度解析:交叉熵损失(Cross-EntropyLoss)在分类问题中的应用人工智能深度学习系列—深入解析:均方误差损失(MSELoss)在深度学习中的应用与实践人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具人工智能深度学习系列—探索余弦相似度损失:深度学习中的相似性度量神器人工智能深度学习系列—深度学习中的边界框回归新贵:GHM(GeneralizedH
- 数据采集技术:selenium/正则匹配/xpath/beautifulsoup爬虫实例
写代码的中青年
3天入门机器学习seleniumbeautifulsoup爬虫pythonxpath正则表达式
专栏介绍1.专栏面向零基础或基础较差的机器学习入门的读者朋友,旨在利用实际代码案例和通俗化文字说明,使读者朋友快速上手机器学习及其相关知识体系。2.专栏内容上包括数据采集、数据读写、数据预处理、分类\回归\聚类算法、可视化等技术。3.需要强调的是,专栏仅介绍主流、初阶知识,每一技术模块都是AI研究的细分领域,同更多技术有所交叠,此处不进行讨论和分享。数据采集技术:selenium/正则匹配/xpa
- 点云配准(点云拼接)论文综述
点云SLAM
点云数据处理技术点云数据处理点云配准DeepICPICP深度学习配准方法特征匹配
点云配准(点云拼接)论文综述1.引言点云配准(PointCloudRegistration)是三维计算机视觉与机器人感知领域的核心任务,其目标是通过几何变换将多个点云对齐至统一坐标系,形成完整的场景表示。该技术广泛应用于自动驾驶、增强现实、工业检测、医学影像等领域。随着传感器技术(如LiDAR、RGB-D相机)的进步与深度学习的发展,点云配准方法经历了从传统优化算法到数据驱动模型的演变。本文系统综
- 详细介绍人工智能学习框架
日记成书
反正看不懂系列人工智能
人工智能学习框架是开发者用于构建、训练和部署机器学习模型的核心工具。以下从框架分类、核心框架介绍、学习方法三个维度展开详解:一、主流人工智能框架全景图(一)基础框架层TensorFlow(Google)核心优势:工业级部署能力,支持移动端(TFLite)、浏览器(TF.js)、服务器(TFServing)特色功能:SavedModel格式跨平台兼容,XLA编译器优化计算图适用场景:生产环境部署、大
- 从零开始玩转TensorFlow:小明的机器学习故事 4
山海青风
机器学习tensorflow人工智能
探索深度学习1场景故事:小明的灵感前不久,小明一直在用传统的机器学习方法(如线性回归、逻辑回归)来预测学校篮球比赛的胜负。虽然在朋友们看来已经很不错了,但小明发现一个问题:当比赛数据越来越多、球队的特征越来越复杂时,模型的准确率提升得很慢。有一天,小明在学校图书馆翻看杂志时,看到这样一句话:“就像人的大脑有上百亿神经元,神经网络能够学习复杂的信息映射,从而取得卓越的表现。”他瞬间来了灵感:“或许我
- 【深度学习】Transformer入门:通俗易懂的介绍
知识靠谱
深度学习深度学习transformer人工智能
【深度学习】Transformer入门:通俗易懂的介绍一、引言二、从前的“读句子”方式三、Transformer的“超级阅读能力”四、Transformer是怎么做到的?五、Transformer的“多视角”能力六、Transformer的“位置记忆”七、Transformer的“翻译流程”八、Transformer为什么这么厉害?九、Transformer的应用十、总结一、引言在自然语言处理(N
- Python常见库的使用
浪子西科
Pythonpython开发语言
文章目录人工智能与机器学习1.NumPy2.Pandas3.Scikit-learn4.TensorFlow5.PyTorch数据可视化1.Matplotlib2.Seaborn网络请求与爬虫1.Requests2.Scrapy自动化测试1.unittest2.pytest自然语言处理1.NLTK2.SpaCy数据库操作1.SQLite32.SQLAlchemy日期和时间处理1.datetime2
- GAN(Generative Adversarial Network)—生成对抗网络
算法资料吧!
深度学习机器学习人工智能
GAN(GenerativeAdversarialNetwork)代表了深度学习中生成建模的尖端方法,通常利用卷积神经网络等架构。生成建模的目标是自主识别输入数据中的模式,使模型能够生成与原始数据集相似的新示例。本文涵盖了您需要了解的有关GAN、GAN架构、GAN的工作原理以及GAN模型类型等的所有信息。目录什么是生成对抗网络?GAN的类型GAN的架构GAN是如何工作的?生成对抗网络(GAN)的应
- golang深度学习-基础篇
老狼伙计
golang编程语言云原生学习笔记golang开发语言后端
基础数据结构及类型字符型-stringstring是Go标准库buildin内置的一个基础数据类型。string是由8比特字节的集合,通常不一定是UTF-8编码的文本。string可以为空(长度为0),但不会是nil。stringisthesetofallstringsof8-bitbytes,conventionallybutnotnecessarilyrepresentingUTF-8-enc
- Golang深度学习
老狼伙计
golang编程语言云原生学习笔记golang开发语言
前言在2009年,Google公司发布了一种新的编程语言,名为Go(或称为Golang),旨在提高编程效率、简化并发编程,并提供强大的标准库支持。Go语言的设计者们希望通过Go语言能够解决软件开发中的一些长期存在的问题,比如并发编程的复杂性、垃圾回收机制的效率以及跨平台的兼容性等。以下是Go语言的一些关键背景和特性:并发编程Go语言内置了并发原语,如goroutines和channels,这使得并
- CSDN 博客文章:Genesis 安装指南与环境配置(Python 3.9+)
qq_27492797
python开发语言
引言随着人工智能和机器学习的蓬勃发展,各式各样的框架和工具如雨后春笋般涌现,为科研人员和开发者的创新之路提供强大支持。今天,我们聚焦于Genesis——一个在物理模拟、计算机图形学以及机器人领域展现出卓越潜力的先进平台。需要特别说明的是,目前Genesis项目中备受期待的对话式生成AI接口,当前仍处于概念展示阶段,仅存在于PPT之中,尚未对外开放,大家在关注其发展时需留意这一情况。本文将着重介绍如
- 《人工智能之高维数据降维算法:PCA与LDA深度剖析》
机器学习人工智能
在人工智能与机器学习蓬勃发展的当下,数据处理成为关键环节。高维数据在带来丰富信息的同时,也引入了计算复杂度高、过拟合风险增大以及数据稀疏性等难题。降维算法应运而生,它能将高维数据映射到低维空间,在减少维度的同时最大程度保留关键信息。主成分分析(PCA)与线性判别分析(LDA)作为两种常用的降维算法,在人工智能领域应用广泛。本文将深入探讨它们的原理。PCA:无监督的降维利器核心思想PCA基于最大方差
- 37、深度学习-自学之路-自己搭建深度学习框架-2、自动梯度计算
小宇爱
深度学习-自学之路深度学习人工智能自然语言处理
importnumpyasnpclassTensor(object):'''importnumpyasnp:导入numpy库,用于处理数组相关操作。classTensor(object):定义了一个名为Tensor的类,继承自object。__init__方法是类的构造函数,用于初始化Tensor对象:self.data=np.array(data):将传入的data转换为numpy数组并存储在s
- 在PyTorch中使用插值法来优化卷积神经网络(CNN)所需硬件资源
mosquito_lover1
pytorchcnn人工智能
插值法其实就是在已知数据点之间估计未知点的值。通过已知的离散数据点,构造一个连续的曲线函数,预测数据点之间的空缺值是什么并且自动填补上去。适用场景:在卷积神经网络(CNN)中的应用场景中,经常遇到计算资源有限,比如显存不够或者处理速度慢,需要用插值来降低计算量。使用插值法的优点:物理系统的数据通常是连续的,使用插值法可以保持数据的连续性直接截取可能会丢失重要的动态特征,使用插值法不会丢失重要信息可
- 基于深度学习的行人跌倒检测系统:UI 界面 + YOLOv5 + 数据集详解
深度学习&目标检测实战项目
深度学习uiYOLO目标检测人工智能
引言随着人口老龄化的加剧,老年人的安全问题日益引起重视,跌倒事故是导致老年人伤亡的重要原因之一。为了降低跌倒事故的发生率和伤害程度,行人跌倒检测系统的研究变得愈加重要。本文将详细介绍如何基于YOLOv5构建一个行人跌倒检测系统,并设计相应的用户界面,结合深度学习技术实现实时检测。目录引言系统设计概述数据集准备数据集选择数据预处理data.yaml文件模型选择与训练YOLOv5介绍模型训练步骤用户界
- 大模型学习路线与资源推荐
数字化转型2025
AI投资人工智能
以下是基于多篇参考资料整理的大模型学习路线,涵盖从基础到进阶的完整学习路径,帮助您系统掌握大模型核心技术并应用于实际场景:一、基础阶段:构建核心知识体系编程与数学基础编程语言:优先学习Python,掌握其语法、数据结构及常用库(如NumPy、Pandas、PyTorch)37。数学基础:线性代数、概率论与统计学、微积分是理解模型原理的基石,需重点掌握矩阵运算、概率分布等概念39。深度学习入门神经网
- 机器学习与深度学习在辣椒病虫害识别中的集成分析(实验室环境)
@@南风
农作物病害识别与分类深度学习机器学习神经网络
Abstract背景:辣椒是世界上最重要的高价值蔬菜作物之一。然而,虫害和疾病感染是辣椒种植的主要限制因素。这些疾病无法根除,但可以加以处理和监测,以减轻损害。因此,采用基于图像的自动识别系统将有助于快速识别辣椒病害。从图像中提取的特征对于开发这样一个精确的识别系统至关重要。结果:本研究将传统方法提取的辣椒病虫害特征与基于深度学习方法提取的特征进行了比较。***共采集辣椒叶片图像974张,由5种病
- python 语音转文本中文——DeepSpeech
drebander
python开发语言DeepSpeech
DeepSpeech简介与音频转文本实践DeepSpeech是由Mozilla开发的一种开源语音识别引擎,基于深度学习技术,采用端到端架构,可以高效地将语音转换为文本。其核心算法受BaiduDeepSpeech论文启发,使用RecurrentNeuralNetwork(RNN)处理语音数据。一、DeepSpeech的原理1.核心组件声学模型:将语音波形转换为概率分布表示。语言模型:对语音识别结果进
- BP算法的python实现 + 男女生分类器
乐宝不是酒
机器学习机器学习神经网络算法
模式识别课上学习了BP算法,并用BP算法实现了男女生分类器,之前因为时间匆忙只是简单记录了一下代码实现,现在重温一下发现代码中还是存在着一些问题,于是修改了一下Bug,也当做是复习吧。本文完整代码和数据集可以到这里:BP算法的python实现获得。BP算法是神经网络中十分经典的算法之一,要把它解释清楚实在需要很多时间,我只想重点讲一下基于BP算法的男女生分类器python实现,理论方面推荐看知乎大
- Pytorch:以CIFAR-10分类为例,给出了神经网络的训练流程
Xiao_Ya__
深度学习pytorchpytorch分类神经网络
下面给出了神经网络的训练流程,包括数据加载与预处理、网络定义、损失函数和优化器定义、网络训练和网络测试。importtorchastimporttorchvisionastvimporttorchvision.transformsastransformsfromtorchvision.transformsimportToPILImageimporttorch.nnasnnimporttorch.n
- [C++]使用纯opencv部署yolov12目标检测onnx模型
FL1623863129
深度学习c++opencvYOLO
yolov12官方框架:sunsmarterjie/yolov12【算法介绍】在C++中使用纯OpenCV部署YOLOv12进行目标检测是一项具有挑战性的任务,因为YOLOv12通常是用PyTorch等深度学习框架实现的,而OpenCV本身并不直接支持加载和运行PyTorch模型。然而,你可以通过一些间接的方法来实现这一目标,比如将PyTorch模型转换为ONNX格式,然后使用OpenCV的DNN
- 梯度累加(结合DDP)梯度检查点
糖葫芦君
LLM算法人工智能大模型深度学习
梯度累加目的梯度累积是一种训练神经网络的技术,主要用于在内存有限的情况下处理较大的批量大小(batchsize)。通常,较大的批量可以提高训练的稳定性和效率,但受限于GPU或TPU的内存,无法一次性加载大批量数据。梯度累积通过多次前向传播和反向传播累积梯度,然后一次性更新模型参数,从而模拟大批量训练的效果。总结:显存限制:GPU/TPU显存有限,无法一次性加载大批量数据。训练稳定性:大批量训练通常
- Tensorflow2.x框架-神经网络八股扩展-acc曲线与loss曲线
诗雨时
loss/loss可视化,可视化出准确率上升、损失函数下降的过程博主微信公众号(左)、Python+智能大数据+AI学习交流群(右):欢迎关注和加群,大家一起学习交流,共同进步!目录摘要一、acc曲线与loss曲线二、完整代码摘要loss/loss可视化,可视化出准确率上升、损失函数下降的过程一、acc曲线与loss曲线history=model.fit(训练集数据,训练集标签,batch_siz
- DeepSeek强化学习(Reinforcement Learning)基础与实践
Evaporator Core
强化学习#DeepSeek快速入门人工智能python数据库tornado强化学习deepseek
引言强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,专注于训练智能体(Agent)在环境中通过试错来学习最优策略。与监督学习和无监督学习不同,强化学习通过奖励信号来指导智能体的行为,使其能够在复杂的环境中做出决策。DeepSeek提供了强大的工具和API,帮助我们高效地构建和训练强化学习模型。本文将详细介绍如何使用DeepSeek进行强化学习的基础与实践,并通
- 从零开始玩转TensorFlow:小明的机器学习故事 3
山海青风
#机器学习机器学习tensorflow人工智能
下面是一篇以小明为主角,尝试用TensorFlow预测校园活动参与率的学习故事。我们会在故事情境中穿插对线性回归和逻辑回归的原理介绍,并附带必要的代码示例,帮助你从零基础理解并动手实践。文章结尾还有简要的分析总结。小明的第一次机器学习实验场景:预测校园活动的参与率小明最近加入了学生会,负责策划校园活动。每次活动都需要准备场地、宣传物料和餐饮,但经常会出现场地过小或准备物资不足等问题。为了让活动准备
- 无人机实战系列(二)本地摄像头 + Depth-Anything V2
nenchoumi3119
无人机实战无人机
这篇文章介绍了如何在本地运行Depth-AnythingV2,因为我使用的无人机是Tello,其本身仅提供了一个单目视觉相机,在众多单目视觉转Depth的方案中我选择了Depth-AnythingV2,这个库的强大在于其基于深度学习模型将单目视觉以较低的代价转换成RGBD图像,可以用来无人机避障与SLAM。Step1.拉取Depth-AnythingV2源码与模型下载官方仓库提供了两种方式调用De
- 卷积神经网络八股(一)------20行代码搞定鸢尾花分类
有幸添砖java
opencv
编写不易,未有VIP但想白嫖文章的朋友可以关注我的个人公众号“不秃头的码农”直接查看文章,后台回复java资料、单片机、安卓可免费领取资源。你的支持是我最大的动力!卷积神经网络八股(一)------20行代码搞定鸢尾花分类引言用TensorflowAPI:tf.keras实现神经网络搭建八股Sequential的用法compile的用法fit的用法(batch是每次喂入神经网络的样本数、epoch
- 深度学习笔记——循环神经网络RNN
好评笔记
补档深度学习rnn人工智能机器学习计算机视觉神经网络AIGC
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍面试过程中可能遇到的循环神经网络RNN知识点。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文本特征提取的方法1.基础方法1.1词袋模型(BagofWords,BOW)工作原理举例优点缺点1.2TF-IDF(TermFrequency-InverseDocumentFr
- 揭秘波士顿房价密码:从经典数据集到线性回归实战
珠峰日记
线性回归算法回归机器学习深度学习
引言波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的“HelloWorld”。和大家对房价的普遍认知相同,波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价,期望构建一个基于13个因素进行房价预测的模型。在机器学习领域,预测问题是一个核心研究方向,而房价预测作为其中的经典回归问题备受关注。波士顿房价数据集包含了与波士顿地区房屋相关的多种特征信息,通过
- 用MiddleGenIDE工具生成hibernate的POJO(根据数据表生成POJO类)
AdyZhang
POJOeclipseHibernateMiddleGenIDE
推荐:MiddlegenIDE插件, 是一个Eclipse 插件. 用它可以直接连接到数据库, 根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ,用完后你可以手动删除它加载的JAR包和XML文件! 今天开始试着使用
- .9.png
Cb123456
android
“点九”是andriod平台的应用软件开发里的一种特殊的图片形式,文件扩展名为:.9.png
智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。
我们都知道android平台有多种不同的分辨率,很多控件的切图文件在被放大拉伸后,边
- 算法的效率
天子之骄
算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
算法的效率
效率是速度和空间消耗的度量。集中考虑程序的速度,也称运行时间或执行时间,用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示,而且它总是小于或等于时间需求。
以下是我的学习笔记:
1.求值与霍纳法则,即为秦九韶公式。
2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
- java数据结构
何必如此
java数据结构
Java 数据结构
Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类:
枚举(Enumeration)
位集合(BitSet)
向量(Vector)
栈(Stack)
字典(Dictionary)
哈希表(Hashtable)
属性(Properties)
以上这些类是传统遗留的,在Java2中引入了一种新的框架-集合框架(Collect
- MybatisHelloWorld
3213213333332132
//测试入口TestMyBatis
package com.base.helloworld.test;
import java.io.IOException;
import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibat
- Java|urlrewrite|URL重写|多个参数
7454103
javaxmlWeb工作
个人工作经验! 如有不当之处,敬请指点
1.0 web -info 目录下建立 urlrewrite.xml 文件 类似如下:
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE u
- 达梦数据库+ibatis
darkranger
sqlmysqlibatisSQL Server
--插入数据方面
如果您需要数据库自增...
那么在插入的时候不需要指定自增列.
如果想自己指定ID列的值, 那么要设置
set identity_insert 数据库名.模式名.表名;
----然后插入数据;
example:
create table zhabei.test(
id bigint identity(1,1) primary key,
nam
- XML 解析 四种方式
aijuans
android
XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。
XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
- spring中配置文件占位符的使用
avords
1.类
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
- 前端工程化-公共模块的依赖和常用的工作流
bee1314
webpack
题记: 一个人的项目,还有工程化的问题嘛? 我们在推进模块化和组件化的过程中,肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理?另外怎么依赖也是个问题? 你真的想这样嘛? var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。
- 上司说「看你每天准时下班就知道你工作量不饱和」,该如何回应?
bijian1013
项目管理沟通IT职业规划
问题:上司说「看你每天准时下班就知道你工作量不饱和」,如何回应
正常下班时间6点,只要是6点半前下班的,上司都认为没有加班。
Eno-Bea回答,注重感受,不一定是别人的
虽然我不知道你具体从事什么工作与职业,但是我大概猜测,你是从事一项不太容易出现阶段性成果的工作
- TortoiseSVN,过滤文件
征客丶
SVN
环境:
TortoiseSVN 1.8
配置:
在文件夹空白处右键
选择 TortoiseSVN -> Settings
在 Global ignote pattern 中添加要过滤的文件:
多类型用英文空格分开
*name : 过滤所有名称为 name 的文件或文件夹
*.name : 过滤所有后缀为 name 的文件或文件夹
--------
- 【Flume二】HDFS sink细说
bit1129
Flume
1. Flume配置
a1.sources=r1
a1.channels=c1
a1.sinks=k1
###Flume负责启动44444端口
a1.sources.r1.type=avro
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=44444
a1.sources.r1.chan
- The Eight Myths of Erlang Performance
bookjovi
erlang
erlang有一篇guide很有意思: http://www.erlang.org/doc/efficiency_guide
里面有个The Eight Myths of Erlang Performance: http://www.erlang.org/doc/efficiency_guide/myths.html
Myth: Funs are sl
- java多线程网络传输文件(非同步)-2008-08-17
ljy325
java多线程socket
利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送;服务器接收文件并保存到本地文件系统中。
使用说明:请将TransferClient, TransferServer, TempFile三个类编译,他们的类包是FileServer.
客户端:
修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
- 读《研磨设计模式》-代码笔记-模板方法模式
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/
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
- 配置心得
chenyu19891124
配置
时间就这样不知不觉的走过了一个春夏秋冬,转眼间来公司已经一年了,感觉时间过的很快,时间老人总是这样不停走,从来没停歇过。
作为一名新手的配置管理员,刚开始真的是对配置管理是一点不懂,就只听说咱们公司配置主要是负责升级,而具体该怎么做却一点都不了解。经过老员工的一点点讲解,慢慢的对配置有了初步了解,对自己所在的岗位也慢慢的了解。
做了一年的配置管理给自总结下:
1.改变
从一个以前对配置毫无
- 对“带条件选择的并行汇聚路由问题”的再思考
comsci
算法工作软件测试嵌入式领域模型
2008年上半年,我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候,由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文),当时对这个问题的解决办法是采用基于拓扑结构的处理思想,对汇聚点的实际前驱分支节点通过算法预测出来,然后进行处理,简单的说就是找到造成这个汇聚模型的分支起点,对这个起始分支节点实际走的路径数进行计算,然后把这个实际
- Oracle 10g 的clusterware 32位 下载地址
daizj
oracle
Oracle 10g 的clusterware 32位 下载地址
http://pan.baidu.com/share/link?shareid=531580&uk=421021908
http://pan.baidu.com/share/link?shareid=137223&uk=321552738
http://pan.baidu.com/share/l
- 非常好的介绍:Linux定时执行工具cron
dongwei_6688
linux
Linux经过十多年的发展,很多用户都很了解Linux了,这里介绍一下Linux下cron的理解,和大家讨论讨论。cron是一个Linux 定时执行工具,可以在无需人工干预的情况下运行作业,本文档不讲cron实现原理,主要讲一下Linux定时执行工具cron的具体使用及简单介绍。
新增调度任务推荐使用crontab -e命令添加自定义的任务(编辑的是/var/spool/cron下对应用户的cr
- Yii assets目录生成及修改
dcj3sjt126com
yii
assets的作用是方便模块化,插件化的,一般来说出于安全原因不允许通过url访问protected下面的文件,但是我们又希望将module单独出来,所以需要使用发布,即将一个目录下的文件复制一份到assets下面方便通过url访问。
assets设置对应的方法位置 \framework\web\CAssetManager.php
assets配置方法 在m
- mac工作软件推荐
dcj3sjt126com
mac
mac上的Terminal + bash + screen组合现在已经非常好用了,但是还是经不起iterm+zsh+tmux的冲击。在同事的强烈推荐下,趁着升级mac系统的机会,顺便也切换到iterm+zsh+tmux的环境下了。
我为什么要要iterm2
切换过来也是脑袋一热的冲动,我也调查过一些资料,看了下iterm的一些优点:
* 兼容性好,远程服务器 vi 什么的低版本能很好兼
- Memcached(三)、封装Memcached和Ehcache
frank1234
memcachedehcachespring ioc
本文对Ehcache和Memcached进行了简单的封装,这样对于客户端程序无需了解ehcache和memcached的差异,仅需要配置缓存的Provider类就可以在二者之间进行切换,Provider实现类通过Spring IoC注入。
cache.xml
<?xml version="1.0" encoding="UTF-8"?>
- Remove Duplicates from Sorted List II
hcx2013
remove
Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list.
For example,Given 1->2->3->3->4->4->5,
- Spring4新特性——注解、脚本、任务、MVC等其他特性改进
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- MySQL安装文档
liyong0802
mysql
工作中用到的MySQL可能安装在两种操作系统中,即Windows系统和Linux系统。以Linux系统中情况居多。
安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即,这里就不具体介绍,本文档只介绍Linux系统下MySQL的安装步骤。
Linux系统下安装MySQL分为三种:RPM包安装、二进制包安装和源码包安装。二
- 使用VS2010构建HotSpot工程
p2p2500
HotSpotOpenJDKVS2010
1. 下载OpenJDK7的源码:
http://download.java.net/openjdk/jdk7
http://download.java.net/openjdk/
2. 环境配置
▶
- Oracle实用功能之分组后列合并
seandeng888
oracle分组实用功能合并
1 实例解析
由于业务需求需要对表中的数据进行分组后进行合并的处理,鉴于Oracle10g没有现成的函数实现该功能,且该功能如若用JAVA代码实现会比较复杂,因此,特将SQL语言的实现方式分享出来,希望对大家有所帮助。如下:
表test 数据如下:
ID,SUBJECTCODE,DIMCODE,VALUE
1&nbs
- Java定时任务注解方式实现
tuoni
javaspringjvmxmljni
Spring 注解的定时任务,有如下两种方式:
第一种:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http
- 11大Java开源中文分词器的使用方法和分词效果对比
yangshangchuan
word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
本文的目标有两个:
1、学会使用11大Java开源中文分词器
2、对比分析11大Java开源中文分词器的分词效果
本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码,至于效果哪个好,那要用的人结合自己的应用场景自己来判断。
11大Java开源中文分词器,不同的分词器有不同的用法,定义的接口也不一样,我们先定义一个统一的接口:
/**
* 获取文本的所有分词结果, 对比