- 如何用 DeepSeek 进行卷积神经网络(CNN)的优化
一碗黄焖鸡三碗米饭
人工智能前沿与实践cnn人工智能神经网络机器学习深度学习
如何用DeepSeek进行卷积神经网络(CNN)的优化卷积神经网络(CNN)在计算机视觉任务中取得了巨大的成功,例如图像分类、目标检测和图像生成。然而,尽管CNN在这些任务中表现出色,它们通常需要大量的计算资源,并且在优化过程中可能会遇到一些挑战,如过拟合、训练速度慢、局部最优解等问题。为了更好地优化CNN模型,提高其性能和训练效率,DeepSeek提供了多种优化技术和工具,可以帮助我们系统地进行
- 英特尔开发板试用:结合OAK深度相机进行评测
OAK中国_官方
数码相机
最近英特尔官方发布了一篇文章:主要介绍了如何将英特尔开发板(小挪吒)与OAK深度相机结合使用,并通过OpenVINO™工具套件进行开发和性能评测OAK相机:作为深度数据采集的核心设备,其深度测距功能与OpenVINO™推理相结合,实现了高效的目标检测和深度信息处理。OpenVINO™:作为英特尔的深度学习推理框架,为开发板和OAK相机提供了强大的推理支持。性能优化:通过模型转换和硬件加速,去实现高
- VSLAM新方案之《在复杂环境中实现高精度与超强鲁棒性》
OAK中国_官方
SLAM人工智能rpab-map
OAKChina&苏州泛科特机器人联合推出OAK-DSeries&因子空间感知(FactorPerceptionKit)VSLAM解决方案01FactorPerceptionKit简介FactorPerceptionKit是一种真正基于深度学习技术的VSLAM方案,不同于许多厂商仅通过添加目标检测或语义分割模型来实现额外功能,我们直接在SLAM底层使用HF-Net模型,该模型同时进行局部特征点检测
- 基于yolov8的糖尿病视网膜病变严重程度检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的糖尿病视网膜病变严重程度检测系统基于YOLOv8的糖尿病视网膜病变严重程度检测系统是一款利用深度学习技术,专为糖尿病视网膜病变早期诊断设计的智能辅助工具。该系统采用YOLOv8目标检测模型,结合经过标注和处理的医学影像数据集,能够高效且准确地检测并分类糖尿病视网膜病变的不同严重程度。YOLOv8模型以其高速和高精度的特点,在处理眼底图像时展现了强大的能力。通过优化模型
- YOLOv5 + SE注意力机制:提升目标检测性能的实践
那年一路北
YoloYOLO目标跟踪人工智能
一、引言目标检测是计算机视觉领域的一个重要任务,广泛应用于自动驾驶、安防监控、工业检测等领域。YOLOv5作为YOLO系列的最新版本,以其高效性和准确性在实际应用中表现出色。然而,随着应用场景的复杂化,传统的卷积神经网络在处理复杂背景和多尺度目标时可能会遇到性能瓶颈。为此,引入注意力机制成为了一种有效的改进方法。本文将详细介绍如何在YOLOv5中引入SE(Squeeze-and-Excitatio
- 基于yolov10的水果成熟度之石榴成熟度检测
qq1309399183
计算机视觉实战项目集合YOLO目标检测目标跟踪计算机视觉人工智能水果成熟度检测视觉检测
石榴成熟度检测**Pomegranate*是一个基于深度学习的系统,旨在自动化检测和分类石榴果实的生长阶段(未成熟、成熟、成熟期)。该系统采用最新的YOLOv10目标检测模型,能够高效地分析图像或视频中的石榴果实,并根据其外观特征识别其生长阶段。通过这种技术,农民可以更好地监控石榴果实的发育过程,优化作物管理,合理安排收获时间,从而提高生产效率和经济收益。系统概述石榴作为一种重要的水果作物,广泛种
- 软件测试丨计算机视觉场景下的边缘计算与测试场景
霍格沃兹测试开发学社测试人社区
计算机视觉边缘计算人工智能
在计算机视觉场景中,边缘计算与测试场景的结合具有重要意义。以下是两者的关键点:1.边缘计算在计算机视觉中的作用边缘计算将计算任务从云端转移到靠近数据源的边缘设备,如摄像头、传感器等,具有以下优势:低延迟:实时处理数据,减少传输时间。带宽节省:本地处理数据,降低对云端带宽的依赖。隐私保护:敏感数据在本地处理,减少泄露风险。离线能力:在网络不稳定时仍能运行。2.计算机视觉中的边缘计算应用实时目标检测与
- 使用YOLOv8训练自己的数据集:详细教程
zru_9602
人工智能YOLO
使用YOLOv8训练自己的数据集:详细教程引言YOLOv8是Ultralytics团队开发的新一代目标检测算法,以其高效的性能和简洁的API而闻名。本文将详细介绍如何使用YOLOv8训练自己的数据集,包括数据准备、模型配置、训练过程以及结果分析。1.环境搭建在开始训练之前,请确保已经安装了必要的依赖项:#安装ultralytics和其他依赖pipinstallultralytics==8.0.25
- 目标检测YOLO实战应用案例100讲-面向无人机图像的小目标检测
林聪木
无人机目标检测人工智能
目录知识储备YOLOv8无人机拍摄视角小目标检测数据集结构环境部署说明安装依赖模型训练权重和指标可视化展示训练YOLOv8PyQt5GUI开发主窗口代码main_window.py使用说明无人机目标跟踪一、目标跟踪的基本原理二、常用的目标跟踪算法基于YOLOv8+图像分割优化关键优化策略(基于VisDrone数据集实验验证)1.模型结构改进2.数据增强策略3.后处理优化4.训练技巧三、性能优化建议
- 大模型专栏博文汇总和索引
Donvink
大模型transformer深度学习人工智能语言模型
大模型专栏主要是汇总了我在学习大模型相关技术期间所做的一些总结和笔记,主要包括以下几个子专栏:DeepSeek-R1AIGC大模型实践Transformer多模态系统视频理解对比学习目标检测目标跟踪图神经网络大模型专栏汇总了以上所有子专栏的论文,目前暂时先按照不同的技术领域划分子专栏,子专栏之间的内容可能会有交集,不完全是独立的。为了方便查阅相关模块的内容,故以此文章进行汇总与索引。一、DeepS
- YOLOv11改进 | 检测头改进篇 | 利用ASFF改进YOLOv11检测头,自适应空间特征融合模块,在所有的目标检测上均有大幅度的涨点效果
Ai缝合怪YOLO涨点改进
YOLO目标检测计算机视觉深度学习YOLOv11YOLOv8YOLOv10
YOLOv8v10v11专栏限时199元订阅链接:限时199元去b站关注:AI缝合怪订阅YOLOv8v10v11创新改进高效涨点+持续改进500多篇(订阅的小伙伴,终身免费享有后续YOLOv12或是其他版本的改进专栏)目录一、ASFF模块介绍ASFF网络结构图:ASFF的创新点主要包括:作用原理优势二、核心代码三、手把手教你添加v11Detect_ASFFHead检测头模块1.首先在ultraly
- ASFF改进YOLOv8检测头:提升目标检测精度与效率的创新方法【YOLOv8】
步入烟尘
YOLO系列创新涨点超专栏YOLO目标检测目标跟踪ASFFYOLOv8
本专栏专为AI视觉领域的爱好者和从业者打造。涵盖分类、检测、分割、追踪等多项技术,带你从入门到精通!后续更有实战项目,助你轻松应对面试挑战!立即订阅,开启你的YOLOv8之旅!专栏订阅地址:https://blog.csdn.net/mrdeam/category_12804295.html文章目录ASFF改进YOLOv8检测头:提升目标检测精度与效率的创新方法【YOLOv8】1.背景介绍1.1Y
- 实现红外触感按键扫描函数
平凡灵感码头
stm32项目实现stm32
函数目标检测GPIOC第8号引脚的电平状态(假设低电平触发),实现按键消抖和状态锁定,返回键值5表示按键被按下,未按下时返回0xff。代码逐行解析1.变量定义u8ir_value=0xff;//默认返回未按下状态(0xff)staticu8ir_flag=1;//状态锁存标志,初始为1(允许检测)ir_value:存储按键返回值,初始化0xff表示未按下。ir_flag:静态变量(保持状态跨函数调
- yolo格式
ZHOU_WUYI
ultralyticsYOLO人工智能
目录yolo格式yolo格式与coco格式的区别1.数据结构2.标注内容3.文件格式4.扩展性5.应用场景总结:yolo格式YOLO(YouOnlyLookOnce)格式通常用于目标检测任务中的标注数据格式。YOLO的标注格式包括每个目标的类别和其在图像中的位置(boundingbox)。YOLO格式的标注文件是一个文本文件,每一行表示一个目标,内容包括目标类别的编号和该目标在图像中的位置(相对于
- 【保姆级视频教程(二)】YOLOv12训练数据集构建:标签格式转换-划分-YAML 配置 避坑指南 | 小白也能轻松玩转目标检测!
一只云卷云舒
YOLOv12保姆级通关教程YOLO目标检测人工智能Ultralytics数据集YOLOv12小白教程
【2025全站首发】YOLOv12训练数据集构建:标签格式转换-划分-YAML配置避坑指南|小白也能轻松玩转目标检测!文章目录1.数据集准备1.1标签格式转换1.2数据集划分1.3yaml配置文件创建2.训练验证1.数据集准备示例数据集下载链接:PKU-Market-PCB数据集1.1标签格式转换cursorprompt请撰写一个py脚本。将@Annotations文件夹下的所有类别的xml格式的
- DCMNet一种用于目标检测的轻量级骨干结构模型详解及代码复现
清风AI
深度学习算法详解及代码复现深度学习机器学习计算机视觉人工智能算法目标检测
模型背景在深度学习技术快速发展的背景下,目标检测领域取得了显著进展。早期的手工特征提取方法如Viola-Jones和HOG逐渐被卷积神经网络(CNN)取代,其中AlexNet在2012年的ILSVRC比赛中表现突出,推动了CNN在计算机视觉中的广泛应用。然而,这些早期模型在精度和效率方面仍存在不足,尤其是在处理复杂场景和小目标时表现不佳。这为DCMNet等新型轻量化目标检测模型的出现提供了契机,旨
- DeepSeek全栈接入指南:从零到生产环境的深度实践
量子纠缠BUG
DeepSeek部署AIDeepSeek人工智能深度学习机器学习
第一章:DeepSeek技术体系全景解析1.1认知DeepSeek技术生态DeepSeek作为新一代人工智能技术平台,构建了覆盖算法开发、模型训练、服务部署的全链路技术栈。其核心能力体现在:1.1.1多模态智能引擎自然语言处理:支持文本生成(NLG)、语义理解(NLU)、情感分析等计算机视觉:提供图像分类、目标检测、OCR识别等CV能力语音交互:包含语音识别(ASR)、语音合成(TTS)及声纹识别
- VIT(Vision Transformer)【超详细 pytorch实现
周玄九
计算机视觉transformer深度学习人工智能
CNN的局限性:传统的CNN通过局部卷积核提取特征,虽然可以通过堆叠多层卷积扩大感受野,但仍然依赖于局部信息的逐步聚合,难以直接建模全局依赖关系。ViT的优势:ViT使用自注意力机制(Self-Attention),能够直接捕捉图像中所有patch(图像块)之间的全局关系。这种全局建模能力在处理需要长距离依赖的任务(如图像分类、目标检测)时表现更好。全流程图像预处理+分块图像尺寸标准化,如(224
- 基于matlab的帧间差法进行视频目标检测系统
挂科边缘
MATLAB项目实战matlab人工智能计算机视觉
文章目录前言一、理论基础1.帧间差分法2.背景差分法3.光流法二、程序实现总结源码下载前言运动目标自动检测是对运动目标进行检测、提取、识别和跟踪的技术。基于视频序列的运动目标检测,一直以来都是机器视觉、智能监控系统、视频跟踪系统等领域的研究重点,是整个计算机视觉的研究难点之一。运动目标检测的结果正确性对后续的图像处理、图像理解等工作的顺利开展具有决定性的作用,所以能否将运动物体从视频序列中准确地检
- 计算机视觉:经典数据格式(VOC、YOLO、COCO)解析与转换(附代码)
全栈你个大西瓜
人工智能计算机视觉YOLO目标跟踪人工智能数据标注目标检测COCO
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络(附代码)第五章:计算机视觉:神经网络实战之手势识别(附代码)第六章:计算机视觉:目标检测从简单到容易(附代码)第七章:MTCNN人脸检测技术揭秘:原理、实现与实战(附代码)第八章:探索YOLO技术:目标检测的高
- 【目标检测JP】番茄植株叶片病害数据集4280张8类病害YOLO+VOC(含增强)
不会仰游的河马君
数据集目标检测YOLO番茄叶片病害
【目标检测JP】番茄植株叶片病害数据集4280张8类病害YOLO+VOC(含增强)数据集格式:VOC格式+YOLO格式压缩包内含:3个文件夹,分别存储图片、xml、txt文件JPEGImages文件夹中jpg图片总计:4280Annotations文件夹中xml文件总计:4280labels文件夹中txt文件总计:4280标签种类数:8标签名称:["BacterialSpot","EarlyBli
- 基于 YOLO 进行车道线检测与目标检测算法研究及开发的一般步骤
pk_xz123456
python算法深度学习YOLO目标检测算法
基于深度学习的车道线检测与目标检测在自动驾驶等领域有着重要应用,使用YOLO(YouOnlyLookOnce)进行开发是一种常见且高效的方式。以下是关于基于YOLO进行车道线检测与目标检测算法研究及开发的一般步骤和相关内容:1.环境搭建首先确保你的开发环境安装了必要的软件和库,推荐使用Python语言,以下是一些关键库:PyTorch:YOLO通常基于PyTorch实现,安装适合你系统的PyTor
- 机器学习安全核心算法全景解析
金外飞176
网络空间安全机器学习安全算法
机器学习安全核心算法全景解析引言机器学习系统的脆弱性正成为安全攻防的新战场。从数据投毒到模型窃取,攻击者不断突破传统防御边界。本文系统性梳理ML安全关键技术图谱,重点解析12类核心算法及其防御价值。一、数据安全防护算法1.对抗样本防御算法名称核心思想2024年最新进展典型应用场景TRADES鲁棒性-准确性权衡优化Facebook提出自监督TRADES改进版自动驾驶目标检测JacobianSVD输入
- 动态视觉SLAM的亿点点思考(含20项最新开源代码链接)[上篇]
3D视觉工坊
3D视觉从入门到精通人工智能
作者:泡椒味的口香糖|来源:3D视觉工坊添加微信:dddvisiona,备注:SLAM,拉你入群。文末附行业细分群。0.笔者个人体会动态环境下的视觉SLAM一直都是研究的重点和难点,但最近动态SLAM的paper越来越少,感觉主要原因是动态SLAM的框架已经固化,很难做出大的创新。现有的模板基本就是使用目标检测或者语义分割网络剔除动态特征点,然后用几何一致性做进一步的验证。笔者最近也在思考突破口,
- [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
- 目标检测进化史:从R-CNN到YOLOv11,技术的狂飙之路
紫雾凌寒
AI炼金厂#机器学习算法#深度学习深度学习计算机视觉python目标检测YOLOcnn人工智能
一、引言在计算机视觉领域中,目标检测是一项至关重要的任务,它旨在识别图像或视频中感兴趣的目标物体,并确定它们的位置。目标检测技术的应用广泛,涵盖了自动驾驶、安防监控、智能机器人、图像编辑等多个领域。随着深度学习技术的飞速发展,目标检测算法也取得了巨大的突破,从最初的R-CNN到如今的YOLOv11,每一次的技术演进都为该领域带来了新的活力和可能性。回顾目标检测的发展历程,R-CNN作为第一个将深度
- 图像配准的方法
wangtaohappy
迄今为止,在国内外的图像处理研究领域,已经报道了相当多的图像配准研究工作,产生了不少图像配准方法。总的来说,各种方法都是面向一定范围的应用领域,也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配,依据其完成的主要功能而被称为目标检测与定位,根据其所采用的算法称之为图像相关等等。图像配准的方式可以概括为相对配准和绝对配准两种:相对配准是指选择多图像中的一张图像作为参考图像,将其
- 高压输电线故障检测数据集 YOLO 格式
幽络源小助理
幽络源资料分享人工智能机器学习深度学习
数据集介绍高压输电线故障检测数据集是一个专为电力行业AI模型训练设计的高质量数据集,支持YOLO格式的方框标注,适用于目标检测任务。数据集特点图像数量:1912张高质量图像,涵盖多种场景和光照条件。标注类别:6个类别,包括正常高压线、故障高压线、正常绝缘子、故障绝缘子等。格式支持:支持YOLOv5、YOLOv8等多种YOLO格式,方便直接用于模型训练。数据划分:训练集(1794张)、验证集(77张
- YOLOv12:以注意力为中心的物体检测
那雨倾城
PiscTraceYOLO机器学习目标检测深度学习图像处理
YOLOv12是YOLO系列中的最新版本,它引入了一种以注意力为中心的架构,旨在进一步提升物体检测的精度和速度。相比以往的YOLO模型,YOLOv12摒弃了传统基于卷积神经网络(CNN)的结构,采用了全新的方法,融合了自注意力机制和高效的网络架构优化,提供了一个高精度、低延迟的实时目标检测模型。1.主要功能YOLOv12在多个关键点进行了优化和创新,以下是它的主要功能:1.1区域注意机制(Regi
- cap4:YoloV5的TensorRT部署指南(python版)
我是一个对称矩阵
TensorRT全流程部署指南YOLOpython人工智能TensorRT模型部署
《TensorRT全流程部署指南》专栏文章目录:《TensorRT全流程部署指南》专栏主页cap1:TensorRT介绍及CUDA环境安装cap2:1000分类的ResNet的TensorRT部署指南(python版)cap3:自定义数据集训练ResNet的TensorRT部署指南(python版)cap4:YoloV5目标检测任务的TensorRT部署指南(python版)cap5:YoloV5
- ASM系列四 利用Method 组件动态注入方法逻辑
lijingyao8206
字节码技术jvmAOP动态代理ASM
这篇继续结合例子来深入了解下Method组件动态变更方法字节码的实现。通过前面一篇,知道ClassVisitor 的visitMethod()方法可以返回一个MethodVisitor的实例。那么我们也基本可以知道,同ClassVisitor改变类成员一样,MethodVIsistor如果需要改变方法成员,注入逻辑,也可以
- java编程思想 --内部类
百合不是茶
java内部类匿名内部类
内部类;了解外部类 并能与之通信 内部类写出来的代码更加整洁与优雅
1,内部类的创建 内部类是创建在类中的
package com.wj.InsideClass;
/*
* 内部类的创建
*/
public class CreateInsideClass {
public CreateInsideClass(
- web.xml报错
crabdave
web.xml
web.xml报错
The content of element type "web-app" must match "(icon?,display-
name?,description?,distributable?,context-param*,filter*,filter-mapping*,listener*,servlet*,s
- 泛型类的自定义
麦田的设计者
javaandroid泛型
为什么要定义泛型类,当类中要操作的引用数据类型不确定的时候。
采用泛型类,完成扩展。
例如有一个学生类
Student{
Student(){
System.out.println("I'm a student.....");
}
}
有一个老师类
- CSS清除浮动的4中方法
IT独行者
JavaScriptUIcss
清除浮动这个问题,做前端的应该再熟悉不过了,咱是个新人,所以还是记个笔记,做个积累,努力学习向大神靠近。CSS清除浮动的方法网上一搜,大概有N多种,用过几种,说下个人感受。
1、结尾处加空div标签 clear:both 1 2 3 4
.div
1
{
background
:
#000080
;
border
:
1px
s
- Cygwin使用windows的jdk 配置方法
_wy_
jdkwindowscygwin
1.[vim /etc/profile]
JAVA_HOME="/cgydrive/d/Java/jdk1.6.0_43" (windows下jdk路径为D:\Java\jdk1.6.0_43)
PATH="$JAVA_HOME/bin:${PATH}"
CLAS
- linux下安装maven
无量
mavenlinux安装
Linux下安装maven(转) 1.首先到Maven官网
下载安装文件,目前最新版本为3.0.3,下载文件为
apache-maven-3.0.3-bin.tar.gz,下载可以使用wget命令;
2.进入下载文件夹,找到下载的文件,运行如下命令解压
tar -xvf apache-maven-2.2.1-bin.tar.gz
解压后的文件夹
- tomcat的https 配置,syslog-ng配置
aichenglong
tomcathttp跳转到httpssyslong-ng配置syslog配置
1) tomcat配置https,以及http自动跳转到https的配置
1)TOMCAT_HOME目录下生成密钥(keytool是jdk中的命令)
keytool -genkey -alias tomcat -keyalg RSA -keypass changeit -storepass changeit
- 关于领号活动总结
alafqq
活动
关于某彩票活动的总结
具体需求,每个用户进活动页面,领取一个号码,1000中的一个;
活动要求
1,随机性,一定要有随机性;
2,最少中奖概率,如果注数为3200注,则最多中4注
3,效率问题,(不能每个人来都产生一个随机数,这样效率不高);
4,支持断电(仍然从下一个开始),重启服务;(存数据库有点大材小用,因此不能存放在数据库)
解决方案
1,事先产生随机数1000个,并打
- java数据结构 冒泡排序的遍历与排序
百合不是茶
java
java的冒泡排序是一种简单的排序规则
冒泡排序的原理:
比较两个相邻的数,首先将最大的排在第一个,第二次比较第二个 ,此后一样;
针对所有的元素重复以上的步骤,除了最后一个
例题;将int array[]
- JS检查输入框输入的是否是数字的一种校验方法
bijian1013
js
如下是JS检查输入框输入的是否是数字的一种校验方法:
<form method=post target="_blank">
数字:<input type="text" name=num onkeypress="checkNum(this.form)"><br>
</form>
- Test注解的两个属性:expected和timeout
bijian1013
javaJUnitexpectedtimeout
JUnit4:Test文档中的解释:
The Test annotation supports two optional parameters.
The first, expected, declares that a test method should throw an exception.
If it doesn't throw an exception or if it
- [Gson二]继承关系的POJO的反序列化
bit1129
POJO
父类
package inheritance.test2;
import java.util.Map;
public class Model {
private String field1;
private String field2;
private Map<String, String> infoMap
- 【Spark八十四】Spark零碎知识点记录
bit1129
spark
1. ShuffleMapTask的shuffle数据在什么地方记录到MapOutputTracker中的
ShuffleMapTask的runTask方法负责写数据到shuffle map文件中。当任务执行完成成功,DAGScheduler会收到通知,在DAGScheduler的handleTaskCompletion方法中完成记录到MapOutputTracker中
- WAS各种脚本作用大全
ronin47
WAS 脚本
http://www.ibm.com/developerworks/cn/websphere/library/samples/SampleScripts.html
无意中,在WAS官网上发现的各种脚本作用,感觉很有作用,先与各位分享一下
获取下载
这些示例 jacl 和 Jython 脚本可用于在 WebSphere Application Server 的不同版本中自
- java-12.求 1+2+3+..n不能使用乘除法、 for 、 while 、 if 、 else 、 switch 、 case 等关键字以及条件判断语句
bylijinnan
switch
借鉴网上的思路,用java实现:
public class NoIfWhile {
/**
* @param args
*
* find x=1+2+3+....n
*/
public static void main(String[] args) {
int n=10;
int re=find(n);
System.o
- Netty源码学习-ObjectEncoder和ObjectDecoder
bylijinnan
javanetty
Netty中传递对象的思路很直观:
Netty中数据的传递是基于ChannelBuffer(也就是byte[]);
那把对象序列化为字节流,就可以在Netty中传递对象了
相应的从ChannelBuffer恢复对象,就是反序列化的过程
Netty已经封装好ObjectEncoder和ObjectDecoder
先看ObjectEncoder
ObjectEncoder是往外发送
- spring 定时任务中cronExpression表达式含义
chicony
cronExpression
一个cron表达式有6个必选的元素和一个可选的元素,各个元素之间是以空格分隔的,从左至右,这些元素的含义如下表所示:
代表含义 是否必须 允许的取值范围 &nb
- Nutz配置Jndi
ctrain
JNDI
1、使用JNDI获取指定资源:
var ioc = {
dao : {
type :"org.nutz.dao.impl.NutDao",
args : [ {jndi :"jdbc/dataSource"} ]
}
}
以上方法,仅需要在容器中配置好数据源,注入到NutDao即可.
- 解决 /bin/sh^M: bad interpreter: No such file or directory
daizj
shell
在Linux中执行.sh脚本,异常/bin/sh^M: bad interpreter: No such file or directory。
分析:这是不同系统编码格式引起的:在windows系统中编辑的.sh文件可能有不可见字符,所以在Linux系统下执行会报以上异常信息。
解决:
1)在windows下转换:
利用一些编辑器如UltraEdit或EditPlus等工具
- [转]for 循环为何可恨?
dcj3sjt126com
程序员读书
Java的闭包(Closure)特征最近成为了一个热门话题。 一些精英正在起草一份议案,要在Java将来的版本中加入闭包特征。 然而,提议中的闭包语法以及语言上的这种扩充受到了众多Java程序员的猛烈抨击。
不久前,出版过数十本编程书籍的大作家Elliotte Rusty Harold发表了对Java中闭包的价值的质疑。 尤其是他问道“for 循环为何可恨?”[http://ju
- Android实用小技巧
dcj3sjt126com
android
1、去掉所有Activity界面的标题栏
修改AndroidManifest.xml 在application 标签中添加android:theme="@android:style/Theme.NoTitleBar"
2、去掉所有Activity界面的TitleBar 和StatusBar
修改AndroidManifes
- Oracle 复习笔记之序列
eksliang
Oracle 序列sequenceOracle sequence
转载请出自出处:http://eksliang.iteye.com/blog/2098859
1.序列的作用
序列是用于生成唯一、连续序号的对象
一般用序列来充当数据库表的主键值
2.创建序列语法如下:
create sequence s_emp
start with 1 --开始值
increment by 1 --増长值
maxval
- 有“品”的程序员
gongmeitao
工作
完美程序员的10种品质
完美程序员的每种品质都有一个范围,这个范围取决于具体的问题和背景。没有能解决所有问题的
完美程序员(至少在我们这个星球上),并且对于特定问题,完美程序员应该具有以下品质:
1. 才智非凡- 能够理解问题、能够用清晰可读的代码翻译并表达想法、善于分析并且逻辑思维能力强
(范围:用简单方式解决复杂问题)
- 使用KeleyiSQLHelper类进行分页查询
hvt
sql.netC#asp.nethovertree
本文适用于sql server单主键表或者视图进行分页查询,支持多字段排序。KeleyiSQLHelper类的最新代码请到http://hovertree.codeplex.com/SourceControl/latest下载整个解决方案源代码查看。或者直接在线查看类的代码:http://hovertree.codeplex.com/SourceControl/latest#HoverTree.D
- SVG 教程 (三)圆形,椭圆,直线
天梯梦
svg
SVG <circle> SVG 圆形 - <circle>
<circle> 标签可用来创建一个圆:
下面是SVG代码:
<svg xmlns="http://www.w3.org/2000/svg" version="1.1">
<circle cx="100" c
- 链表栈
luyulong
java数据结构
public class Node {
private Object object;
private Node next;
public Node() {
this.next = null;
this.object = null;
}
public Object getObject() {
return object;
}
public
- 基础数据结构和算法十:2-3 search tree
sunwinner
Algorithm2-3 search tree
Binary search tree works well for a wide variety of applications, but they have poor worst-case performance. Now we introduce a type of binary search tree where costs are guaranteed to be loga
- spring配置定时任务
stunizhengjia
springtimer
最近因工作的需要,用到了spring的定时任务的功能,觉得spring还是很智能化的,只需要配置一下配置文件就可以了,在此记录一下,以便以后用到:
//------------------------定时任务调用的方法------------------------------
/**
* 存储过程定时器
*/
publi
- ITeye 8月技术图书有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的8月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
8月试读活动回顾:
http://webmaster.iteye.com/blog/2102830
本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《跨终端Web》
gleams:http