海盗船长_coco
海盗船长_coco

结合源码分析FCOS（一）网络模型

每次看完一篇论文以为自己稍微懂了点，结果去看源码时，发现自己对其的理解远远不够，然后去搜索相关论文解读，大都将论文中的内容翻译一遍，所以本篇将结合源码与论文更加深刻的理解FCOS的网络模型及其损失函数的定义，这既是对自己学习知识的总结，同时也希望能对一起学习该模型的小伙伴提供一点启发。
论文地址：https://arxiv.org/pdf/1904.01355.pdf
源码地址：https://github.com/tianzhi0549/FCOS

网络模型

论文中给出的网络模型如下图，但是如果你只给我这张图，我是怎么也不会搭建该模型的，因为里面的细节并没有提及，所以需要我们去源码中查看。


FCOS网络模型

可以看出网络分为backbone，FPN和用于分类、边界框回归的rpn。在源码中，backbone包含FPN。
将源码中生成的模型打印出

GeneralizedRCNN(
  (backbone): Sequential(
    (body): ResNet(
      (stem): StemWithFixedBatchNorm(
        (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
        (bn1): FrozenBatchNorm2d()
      )
      (layer1): Sequential(
        (0): BottleneckWithFixedBatchNorm(
          (downsample): Sequential(
            (0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
            (1): FrozenBatchNorm2d()
          )
          (conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (1): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (2): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
      )
      (layer2): Sequential(
        (0): BottleneckWithFixedBatchNorm(
          (downsample): Sequential(
            (0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d()
          )
          (conv1): Conv2d(256, 128, kernel_size=(1, 1), stride=(2, 2), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (1): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (2): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (3): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
      )
      (layer3): Sequential(
        (0): BottleneckWithFixedBatchNorm(
          (downsample): Sequential(
            (0): Conv2d(512, 1024, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d()
          )
          (conv1): Conv2d(512, 256, kernel_size=(1, 1), stride=(2, 2), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (1): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (2): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (3): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (4): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (5): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
      )
      (layer4): Sequential(
        (0): BottleneckWithFixedBatchNorm(
          (downsample): Sequential(
            (0): Conv2d(1024, 2048, kernel_size=(1, 1), stride=(2, 2), bias=False)
            (1): FrozenBatchNorm2d()
          )
          (conv1): Conv2d(1024, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (1): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
        (2): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
      )
    )
    (fpn): FPN(
      (fpn_inner2): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (fpn_inner3): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (fpn_inner4): Conv2d(2048, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer4): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (top_blocks): LastLevelP6P7(
        (p6): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
        (p7): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
      )
    )
  )
  (rpn): FCOSModule(
    (head): FCOSHead(
      (cls_tower): Sequential(
        (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): GroupNorm(32, 256, eps=1e-05, affine=True)
        (2): ReLU()
        (3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (4): GroupNorm(32, 256, eps=1e-05, affine=True)
        (5): ReLU()
        (6): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): GroupNorm(32, 256, eps=1e-05, affine=True)
        (8): ReLU()
        (9): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (10): GroupNorm(32, 256, eps=1e-05, affine=True)
        (11): ReLU()
      )
      (bbox_tower): Sequential(
        (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): GroupNorm(32, 256, eps=1e-05, affine=True)
        (2): ReLU()
        (3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (4): GroupNorm(32, 256, eps=1e-05, affine=True)
        (5): ReLU()
        (6): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): GroupNorm(32, 256, eps=1e-05, affine=True)
        (8): ReLU()
        (9): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (10): GroupNorm(32, 256, eps=1e-05, affine=True)
        (11): ReLU()
      )
      (cls_logits): Conv2d(256, 80, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (bbox_pred): Conv2d(256, 4, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (centerness): Conv2d(256, 1, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (scales): ModuleList(
        (0): Scale()
        (1): Scale()
        (2): Scale()
        (3): Scale()
        (4): Scale()
      )
    )
    (box_selector_test): FCOSPostProcessor()
  )
)

以800x1024的彩色图片作为输入，其tensor为[3,800,1024]，分析其维度变化。

backbone

在body中的stem结构

(stem): StemWithFixedBatchNorm(
    (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)
    (bn1): FrozenBatchNorm2d()
)

按照卷积公式new_H=(H-F+2P)/S+1，得W=(800-7+2x3)/2+1=400。理应为[64,400,512]。但是我们打断点发现图片经过stem以后得到的维度为[64,200,256]，宽度比预想的还要缩小一倍。原来在forward方法中最大池化层的stride为2，所以宽高又缩小为1/2，但是因为没有在init方法中初始化，所以并没有在输出模型时打印出来。

stem结构

在body中的layer结构定义
以layer1为例，经过stem结构后得到的[64,200,256]tensor作为输入。 

(layer1): Sequential(   
    (0): BottleneckWithFixedBatchNorm(
          (downsample): Sequential( 
            (0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
            (1): FrozenBatchNorm2d()
          )
          (conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
    (1): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
    (2): BottleneckWithFixedBatchNorm(
          (conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn1): FrozenBatchNorm2d()
          (conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
          (bn2): FrozenBatchNorm2d()
          (conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
          (bn3): FrozenBatchNorm2d()
        )
      )

其Bottleneck的forward方法为

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = F.relu_(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = F.relu_(out)

        out0 = self.conv3(out)
        out = self.bn3(out0)

        if self.downsample is not None:
            identity = self.downsample(x)

        out += identity
        out = F.relu_(out)

        return out

其layer1的流程图为

image.png

backbone中一共有layer1,layer2,layer3,layer4这4个层，layer2得到的feature map维度为[512,100,128]对应上图论文中的C3，layer3得到的维度为[1024,50,64]对应C4，layer4得到的维度为[2048,25,32]对应C5。
backbone中的fpn结构
FPN即特征金字塔网络，该网络结构提取的feature map对应上图中的P3,P4...P7。关于FPN作用的讲解参考本篇博客(https://blog.csdn.net/WZZ18191171661/article/details/79494534
) 

(fpn): FPN(
      (fpn_inner2): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (fpn_inner3): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (fpn_inner4): Conv2d(2048, 256, kernel_size=(1, 1), stride=(1, 1))
      (fpn_layer4): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))

      (top_blocks): LastLevelP6P7(
        (p6): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
        (p7): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
      )
    )

在论文给出的网络模型中可以看出，P5由C5得到，P4由P5和C4一块得到，P3也是由P4和C3一块得到。下图为得到P5,P4,P3 feature map的流程图


P5,P4,P3 feature map的流程图

对于P6,P7的feature map，分别由P5，P6下采样得到。其中P6也可由C5下采样获得，不过默认由P5经过下采样获得。

    def forward(self, c5, p5):
        x = p5 if self.use_P5 else c5
        p6 = self.p6(x)
        p7 = self.p7(F.relu(p6))
        return [p6, p7]

RPN

获得P3,P4...P7后，分别在每层的feature map上进行操作。

(rpn): FCOSModule(
(head): FCOSHead(
      (cls_tower): Sequential(
        (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): GroupNorm(32, 256, eps=1e-05, affine=True)
        (2): ReLU()
        (3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (4): GroupNorm(32, 256, eps=1e-05, affine=True)
        (5): ReLU()
        (6): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): GroupNorm(32, 256, eps=1e-05, affine=True)
        (8): ReLU()
        (9): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (10): GroupNorm(32, 256, eps=1e-05, affine=True)
        (11): ReLU()
      )
      (bbox_tower): Sequential(
        (0): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (1): GroupNorm(32, 256, eps=1e-05, affine=True)
        (2): ReLU()
        (3): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (4): GroupNorm(32, 256, eps=1e-05, affine=True)
        (5): ReLU()
        (6): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (7): GroupNorm(32, 256, eps=1e-05, affine=True)
        (8): ReLU()
        (9): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        (10): GroupNorm(32, 256, eps=1e-05, affine=True)
        (11): ReLU()
      )
      (cls_logits): Conv2d(256, 80, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (bbox_pred): Conv2d(256, 4, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (centerness): Conv2d(256, 1, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
      (scales): ModuleList(
        (0): Scale()
        (1): Scale()
        (2): Scale()
        (3): Scale()
        (4): Scale()
      )
    )
    (box_selector_test): FCOSPostProcessor()
  )
)

以P3为例，每一层返回用于分类的logits维度为[80,100,128]（COCO类别有80种），用于预测边界框的bbox_pred[4,100,128]。4个向量(l∗, t∗, r∗, b∗)的含义见下图。centerness可以帮助挑选那些预测点靠近目标中心的边界框，从而有助于减少特别“离谱”的预测框。


image.png

边界框的4维向量的意义

将预测边界框返回于原图尺寸，由于有5张不同尺寸的feature map(P3,P4...P7)，stride分别为8、16、32、64、128。例如P3中每相邻像素间在原图上的差距为8个像素值。bbox_reg=bbox_pred * fpn_strides。
同样以P3的feature map为例，其得到的box_cls为[80,100,128]，box_reg为[4,100,128]，centerness为[1,100,128]，其相对于原图的stride为8，location维度为[12800,2],内容为[[4,4],[12,4],...[1020,4]...[1020,796]]。
使用sigmoid函数判断类别概率，使其值在0-1之间。


box_cls类别判断

centerness的概率也与box_cls一样,维度为[12800,1]，最终的box_cls类别概率为box_cls=box_cls*centerness。
边界框的坐标为由location和box_regression[l,t,r,b]计算得出，下图中绿色为在原图中预测的边界框，s为stride，[s/2]表示向下取整，在训练时若对应位置落在ground truth的边界框内，则认定为正样本，所以FCOS方法比基于anchor box的检测方法利用了更多的前景样本，也许这是FCOS比基于 anchor的检测器效果好的原因之一。
边界框预测

至此已将FCOS前向传播中的大部分代码贴出，由于其是逐像素预测，所以在速度上不可避免有所下降，但是anchor-free的网络模型一定是大势所趋。该篇博客对FCOS的讲解不错，遂将其贴出：https://www.jianshu.com/p/76c03635f8f9

你可能感兴趣的:(结合源码分析FCOS（一）网络模型)

  • 真传一句话，假传万卷经 覃榜言
    真传一句话，假传万卷经。这句话说的是大道至简。传说古时候，有一个中东地区的王，让他的大臣们编写一本书，以教化他的子民。过了很长一段时间，他的大臣们呈上了一本很厚的书。王说，能不能压缩一点。又过一段时间，他的大臣们呈上了一本薄了很多的书，王又说，还是太厚。他的大臣们只好再删减，终于写成了一本很薄的小册子。但王还是不是满意。大臣们这下可为难了，只好群策群力，绞尽脑汁，写下了一句话。写好了给王看。王很满
  • 觉察日记11.26 无限可能abc
    真的天天在家的日子真是折磨，我无所事事的呆着，虽说每天在听得到，但是感觉只是例行每天的任务，我在想我生存的意义。我其实一直想成为一名作家，也觉得想成为作家并不容易。我的每天不断地写作，只是觉得进步并不大。我想输入和输出很关键。我尝试着幻想自己写作成功的样子，或许是一本书，或者是一部作品。人生或许缺少点精彩的内容，不能再这样气馁下去了。我决心改变。我报了心理学课程，想来自己每次无助时候都是愿望或者说
  • 世界之谜/你说的剪短一点点与理发师了解的一点点 小晶说搭配
    我想大多数的人去理发店都会说过这句话“帮我剪短一点点就可以了”，然后这句话就会成为你噩梦的开始。理发的时候可能因为坐着不动，有点无聊，困意就慢慢到来，当你睁开眼睛的时候，你就会发现，整个人都不好了。理发师理解的剪短一点点与你心目中的一点点有着天差地别。因为对于理发师来说，你剪短一点点，为了发型的完整性，就必须整体的剪短一点点，就好像头发长了遮耳朵，不可能光剪耳朵部位，因为这样其他地方就会不协调，因
  • 【LeetCode 算法笔记】739. 每日温度 Sardar_ 算法leetcode笔记
    目录问题描述暴力解法栈问题描述给定一个整数数组temperatures，表示每天的温度，返回一个数组answer，其中answer[i]是指对于第i天，下一个更高温度出现在几天后。如果气温在这之后都不会升高，请在该位置用0来代替。示例1:输入:temperatures=[73,74,75,71,69,72,76,73]输出:[1,1,4,2,1,1,0,0]示例2:输入:temperatures=
  • 电信星卡19元套餐详情(电信星卡19元流量套餐资费详情介绍) 全网优惠分享
    电信星卡19元套餐详情(电信星卡19元流量套餐资费详情介绍)关注微•信•公•众•号"卡泡泡"就知道啦！首先套餐包含30GB本地流量和5GB全国通用流量，还可以选择自己的号码和归属地，非常适合有需求的用户。运气好的话，可以得到一个昵称。而且这些流量可以满足用户日常生活和工作的需求，月租也比较低，下面详细介绍。1.每月基本费用：39元，套餐内包含：30GB爱奇艺、腾讯视频、优酷视频、西瓜视频、抖音短视
  • 猫叔分享课有感 我是可乐姐呢
    一、发心利他，利他还是利他，只能利他才能让自己的内心变的强大；你的成就有多大取决于你成就多少人，帮助别人成就自己。二、金钱的作用钱可以解决掉大部的烦恼，有足够的钱才有足够的底气，努力赚钱很重要；三、卖的重要性卖是最好的学，卖的过程中，自己提升是非常快的，内心也会因此而变的强大；四、独处和自我反省爱自己，每个月给自己一个独自的时间，发发呆，静静的喝杯茶，听听音乐，神游一下；复盘一下自己近期所做的事情
  • 在北京旅行，到了圆明园遗址公园，发现这天免费了 雅伦的旅行
    旅行的过程中，我常常会到一些出现在小学课本里的地方去走走，看看它们在现实中的模样是否和课本中的一样，或是有了什么变化？今天要说的圆明园遗址公园，也是其中一个。我事先在网上看了门票，大门票10元，西洋楼遗址15元。来到这一般没有不去西洋楼的道理，所以简单来说就是25元。而我却是免费参观了整个园区，到底是为什么呢？说来也巧，来到绮春园门口正准备买票的我发现窗口全都关闭了，没有工作人员，这是怎么回事？看
  • 修行之路 天赐_7417
    单位是上班的地方，工作的地方，不是讲人情的地方。如果领导仁慈，那再好不过，不过不是，也不必难过，这本就是单位的本质。你只不过是认识到了它的本质而已。这不是坏事。在单位，你做得好，领导不一定看到，即使看到，也不一定会给予肯定，因为他们认为做得好是你应该的；做得差，那领导一定会批评，因为他不想看到你犯错误。但是人非圣贤，孰能无过？领导批评就批评吧！可能他批评的方式很过激，但那不是员工需要考虑的问题，他
  • 2022-06-23 飘雪的天堂
    篇1小绵羊和布娃娃我有一个很大的布娃娃，是我5岁生日那天，阿姨（yí）为我买的。我还有一只布做的小绵羊，是我8岁生日那天，妈妈买的。每当我做作业马虎时，布娃娃的两只大眼睛总是看着我，好像提（tí）醒（xǐng）我学习要踏实，写字要认真，要细心。每当我说谎（huǎng）时，小绵羊好像在说：“小孩子不能说谎，要诚实。”1、短文共有()个自然段，第一自然段有()句话。2、从文中找出下面词语的反义词。马虎
  • 系统做计划 承谦
    过去一年钻研学习时间管理技巧，虽然有一定改善，但相对来说还是应了那句老话：明白了许多道理，依然过不好这一生。为什么过不好这一生？因为没有通过实践变成自己内心演练！就好像那些每天做采购的人，没有因此变成设备生产专家。术业有专攻，虽然看着是同行，差距有时千里之外，至少从学校学科分列时就已经注定了。那要如何办呢？每天去做最重要的事情就是真谛之一！每个人有大量的事情需要处理，但如何集中精力解决最重要的问题
  • python如何更方便的处理日期和时间 openwin_top python编程示例系列python编程示例系列二pythonjava前端
    Arrow是一个第三方Python库，提供了更加易用和方便的日期和时间处理接口。它的设计目标是提供一种简单、一致且易于使用的API，以替代Python内置的datetime模块。Arrow支持各种日期和时间的操作，包括时区转换、日期和时间格式化、日期和时间差计算等功能。它还支持与其他日期和时间库的互操作，例如datetime、dateutil和pandas等库。以下是一个使用Arrow库的简单示例
  • 京粉怎么给自己返利?京粉自己下单有佣金吗 日常购物小技巧
    大家好，我是花桃APP商品推荐官：美美，今天给各位说说京粉怎么给自己返利?京粉自己下单有佣金吗。京粉怎么给自己返利？京粉自己下单有佣金吗京粉怎么给自己返利？京粉自己下单买有佣金吗？怎么实现单个账号自推自买？说【京粉返利】之前给大家推荐一款返利APP，【全网返利最高哦!可以对比一下自己在用的返利软件】都是有内部返利和优惠券的，应用商店搜索下载花桃APP即可查询返利佣金。【官方邀请码：00028】目前
  • tushare库获取金融股票数据 罔闻_spider python进阶python
    定义：Tushare是一个为金融量化分析师和数据爱好者设计的开源工具，提供从数据采集、清洗加工到数据存储的全流程服务。它能够实时抓取沪深两市的股票和期货市场数据，包括交易价格、成交量、市值、市盈率等关键指标，同时也提供历史数据的采集。Tushare的数据采集功能是其核心优势之一，它支持多种数据类型，包括日K线数据和分钟级数据，满足不同分析需求。Tushare的数据清洗与加工功能提供了强大的工具集，
  • Java集合类框架源码分析 之 RoleList源码解析 【6】 yunzhonghefei Java集合类源码分析RoleList源码解析
    该类继承于ArrayList，针对Role进行了一些扩展。其他方法和ArrayList中基本相同，源码不做针对性分析：看一下类简介：/***代表了一个roles的列表，作为方法setRoles()的参数，去创建一个关联关系，并且尝试在同一个关系中设置多个角色。*ARoleListrepresentsalistofroles(Roleobjects).Itisusedas*parameterwhen
  • 2018-11-10 菜菜_d868
    姓名：邢彩颜公司：蔚蓝时代【日精进打卡第101天】【知-学习】1.读0六项精进【经典名句分享】努力不一定成功，但不努力一定不会成功行：今日休息【省-觉悟】躺一整天没有运动。【感谢】感谢420谦虚2组的成员，感恩父母，感谢我的领导、我的团队。感谢身边的朋友，【发愿】愿我身边的朋友健健康康。愿爱我的人每天都快乐，幸福。愿自己能够每天进步一点点。愿我的家人都健康快乐幸福。今日0善,累计103件.
  • 练就理论联系实际的真功夫 TBC
    理论联系实际是中国共产党的三大作风之一，理论从实际中来，要到实际中去。理论不是唯一的真理，理论要在现实中接受实践的检验，才能更好地指导实践，理论脱离实际就会变成一种僵硬的教条，茶杯硬套锅盖，风马牛不相及。理论从实际中来，并接受实践的检验。理论是一种经验总结，是我们的指导手册，引导我们的方向盘，它能指引我们在贯彻落实工作中少走弯路。理论是前人阶段性工作的经验总结，它使得我们能站在“巨人的肩膀”上更为
  • shp转geojson、kml转geojson 是乔木 地图javascript前端
    导入效果：用到的npm库pnpmaddshpjs//或者npmishpjs5.0.2pnpmaddjszip//或者npmijszip版本3.10.1pnpmadd@tmcw/togeojson//或者npmi@tmcw/togeojson版本5.8.1创建方法用来区分导入的文件1.这里只是做了一个文件的区分其中的kmlToGeoJson和readShp、dealZip具体方法会写明//处理文件e
  • Joey-晓得-2023-02-21 晓楠得一录
    #HAIO#H:今天的HAIO恰巧是健康之我见，发现这我自己这方面的知识匮乏；聊早起，聊睡眠发现没有相关的知识做支撑~A:后面在读《心态》这本书的时候，才会明白，应该可以介绍成长型的心态，进取型的心态，开放型和外向型的心态；在说服力的介绍中明白该怎么介绍了。比如，参加HAIO的好处有:①学会成长，每日的朗读，早起，都让我们在做有价值的输入，每天正能量开启我们的生活；②学会分享，共读一本书，当听别人
  • 磁盘性能评价指标—IOPS和吞吐量 ???? ??? Frank
    一、磁盘I/O的概念I/O的概念，从字义来理解就是输入输出。操作系统从上层到底层，各个层次之间均存在I/O。比如，CPU有I/O，内存有I/O,VMM有I/O,底层磁盘上也有I/O，这是广义上的I/O。通常来讲，一个上层的I/O可能会产生针对磁盘的多个I/O，也就是说，上层的I/O是稀疏的，下层的I/O是密集的。磁盘的I/O，顾名思义就是磁盘的输入输出。输入指的是对磁盘写入数据，输出指的是从磁盘读
  • 我们在读书会尝试OKR，结果成了PDCA 湖边的阿曦
    “读书要玩味，好玩又有味。”前面有了不成熟的理解——《OKR的优势是什么？它的实践原则有哪些？》，现在又有了不成熟的实践——在读书会尝试OKR。我们的现状我们读书会是个小组织，每个月一次线下活动，每次参加人数在10位左右。也是个自组织，没有管理员，没有固定组织者，只有每次活动时的临时主持者。我们也没有任何规定，一切基于个人的自我驱动及相互尊重。活动的内容，可能是一本书，也可能是一个主题。在活动前，
  • 复盘日记第56天 恩佳一
    一、学习听：今天听一书一课0.5小时，樊登读书2小时，《自驱型成长》学会让孩子做主又要设定边界，里面有3句话特别要记下来：1.你特别懂你自己，你可是你自己的专家；2.你脖子上长着你的小脑袋；3.你想要生活中的一切有条不紊。《活出心花怒放的人生》get到的一个点：内向性格无法改变，但你可以改变你的行为，内向的人可以做不内向的事，做一个心灵捕手很重要。做：今日做诗一首：睡莲文|竹子水中那抹翠绿中显露的
  • 死亡意味着什么 张野臻
    死亡意味着什么？再也不会有，一杯奶茶带来的心动，一个微笑产生的甜蜜，一次加班引起的焦躁，一个失误带来的崩溃，一次争吵引发的失眠。我们无法将死亡封死在门外，我们也同样不会将生命封死在门内。依然要，自自然然地心动，痛痛快快地受伤，毫不抵御地忧愁，再毫不回头地往前跑。恐惧是真实的，希望也是真实的。
  • 如何避免学习linux必然会遇到的几个问题 twintwin
    相信在看这篇文章的都是对linux系统所迷的志同道合的人，不管你是刚开始学，还是已经接触过一些linux的知识，下面的问题是你在学习linux所必须遇到的，若是没有的话那我只能说大神我服你了。下面我就作为一个过来人分享下我学习后的经验。一、无法摆脱Windows的思维方式相信大家接触电脑的时候都是从windows开始，windows的思维方式已经根深蒂固。不过现在你已经打算开始学习linux了，就
  • 我在他乡挺好的 栀伊婉湫
    最近芒果上映的一部新剧，戳中了异乡人的泪点。乔夕辰经历自己半年房租被骗，好朋友自杀去世，自己马上被公司辞退，连夜加班，却依然和父母打电话时，说自己没事，一个人挺好的。每个异乡人，在他乡，同父母打电话，只报喜，却不报忧。同样，父母也是如此，他们只是都不想让彼此担心。异乡人把自己的梦想交付给另一个城市，他也是对自己下了赌注，要在城市，营造属于自己的小天地。可想法是好的，梦想是美的，但现实是骨感的，残酷
  • 《大明王朝》：他虽只是个太监，但却道出了如何为官的“秘密”！ 影评空间
    欢迎关注：影评空间！在《大明王朝1566》中，太监冯保因急于表功争宠，得罪了他的上级领导。众所周知，大太监冯保后来可是在朝中叱咤风云的人物。那么他是怎么扭转这种不利的局面，到后来的平步青云的呢？冯保的干爹吕方，时任大内太监首领，可谓是太监中官职最高的了。吕方对冯保的一方劝导，全然说尽了为官的方法。也正是由于冯保善于听取干爹吕芳的意见，这才能转危为安。那么在这次对于冯保转折性的谈话中，吕方是怎么说出
  • 个人在这个时代还有机会吗？ 斑竹江南
    在这个极其快速变化的时代，我们的这些普通人还有机会吗？姑且不论这个问题是否问的正确，我们可以从不同的角度探讨一下。大部分的人受到的教育是专注于某一领域，例如文学、历史、生物工程、土木工程等专业，通识教育或者跨专业学习都是极少数个人能够完成的。完成专业领域的教育后，要么继续在领域内深造，要么到社会上就业了，在这层面上不能逃离这个窠臼。可是，社会上需要解决的问题不是按照专业来划分的，需要多专业人才的配
  • 听学长学姐录音有感 dd7ac5aef048
    在听学长学姐的录音时，我记下了一些关键词来帮助自己做出总结。首先，办公软件的应用能力是个高频词，无论是税务部门还是企业、银行等，都需要对办公软件的熟练应用来提升办事效率，比较常规的Excel、PS其实是有基础在的，但要更加重视，不要慢慢丢失了这些能力，还要加强使用能力。读写能力、沟通能力也是不断被强调。对于这方面的能力，大学就是最好的训练场，重视每一次写作的锻炼机会，在过程中，你的检索能力、自我学
  • 俄罗斯双城游记2——涅瓦河畔的漫步 NostalgiaFe
    冬宫的奢靡的确是让我瞠目结舌，无法想象曾经的沙皇贵族过着多么纸醉金迷的生活，但是，当这电视上、媒体上出现过无数次的绿色宫殿开始直接冲击我的视野的时候，我心中竟然涌现出一股莫名的陌生感。毕竟，自己亲眼看见，才能够真正体会到每一个细节带来的心灵的涤荡。最为直击心灵的，想必是那个书房了吧，一见钟情的感觉，就是这样。我第一眼看到这个书房，我就想将来在自己的家中，复刻出来，让自己拥有一个自己的书籍的宫殿，自
  • 转变教师角色，发挥学生主体作用 双辽646杨莹
    首先是教师要转变观念。当今知识的迅速更新使教育的任务越来越繁重，教师的工作和学习似乎达到极限，教育再也无法实现“将一切知识教给一切人的理想。”这就为教育提出了新的要求。要求我们教育不仅要传授知识给学生，更重要的是要教给学生获得知识的方法，培养学生的能力。传统教学过于注重知识的传授而忽视了积极主动学习。已不能充分调动学生的积极性和主动性，激发学生的学习动机和学习愿望。随着信息社会的到来，人的学习主动
  • 【连载】左手梅里，右手雨崩·入藏十三线纯徒日记 杉道
    徒步进藏日记·滇藏线篇DAY124－125起点：木许乡入口中点：佛山乡终点：溜筒江村距离：48KM日期：2021.01.12-2021.01.13佛山乡2021.01.12·····原文链接：杉道·····昨夜雨疏风骤，淡睡难消囿困。夜半一阵锁链拖地的细碎声响由远及近、飘忽不定，路灯已暗，周围一片寂静，遂想起恐怖片里杀人碎尸的一些镜头，总觉得锁链那头是一柄被紧紧撰在手里的斧头，它的主人面带寒笑，与
  • jvm调优总结（从基本概念 到 深度优化） oloz javajvmjdk虚拟机应用服务器
    JVM参数详解：http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html   Java虚拟机中，数据类型可以分为两类：基本类型和引用类型。基本类型的变量保存原始值，即：他代表的值就是数值本身；而引用类型的变量保存引用值。“引用值”代表了某个对象的引用，而不是对象本身，对象本身存放在这个引用值所表示的地址的位置。
  • 【Scala十六】Scala核心十：柯里化函数 bit1129 scala
    本篇文章重点说明什么是函数柯里化，这个语法现象的背后动机是什么，有什么样的应用场景，以及与部分应用函数(Partial Applied Function)之间的联系   1. 什么是柯里化函数 A way to write functions with multiple parameter lists. For instance def f(x: Int)(y: Int) is a
  • HashMap dalan_123 java
    HashMap在java中对很多人来说都是熟的；基于hash表的map接口的非同步实现。允许使用null和null键；同时不能保证元素的顺序；也就是从来都不保证其中的元素的顺序恒久不变。 1、数据结构     在java中，最基本的数据结构无外乎：数组 和 引用（指针），所有的数据结构都可以用这两个来构造，HashMap也不例外，归根到底HashMap就是一个链表散列的数据
  • Java Swing如何实时刷新JTextArea，以显示刚才加append的内容 周凡杨 java更新swingJTextArea
    在代码中执行完textArea.append("message")后，如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新，我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。 问题是这个方法并不能有任何效果，textArea的内容没有任何变化，这或许是swing的一个bug，有一个笨拙的办法可以实现
  • servlet或struts的Action处理ajax请求 g21121 servlet
    其实处理ajax的请求非常简单，直接看代码就行了： //如果用的是struts //HttpServletResponse response = ServletActionContext.getResponse(); // 设置输出为文字流 response.setContentType("text/plain"); // 设置字符集 res
  • FineReport的公式编辑框的语法简介 老A不折腾 finereport公式总结
    FINEREPORT用到公式的地方非常多，单元格（以=开头的便被解析为公式），条件显示，数据字典，报表填报属性值定义，图表标题，轴定义，页眉页脚，甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。 简单的说下自己感觉的公式要注意的几个地方：   1.if语句语法刚接触感觉比较奇怪，if(条件式子,值1,值2)，if可以嵌套，if(条件式子1，值1，if(条件式子2，值2，值3)
  • linux mysql 数据库乱码的解决办法 墙头上一根草 linuxmysql数据库乱码
    linux 上mysql数据库区分大小写的配置 lower_case_table_names=1 1-不区分大小写 0-区分大小写   修改/etc/my.cnf 具体的修改内容如下:   [client] default-character-set=utf8   [mysqld] datadir=/var/lib/mysql socket=/va
  • 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想 aijuans Spring 3
    ApplicationContext能读取多个Bean定义文件，方法是： ApplicationContext appContext = new ClassPathXmlApplicationContext（ new String[]｛“bean-config1.xml”，“bean-config2.xml”，“bean-config3.xml”，“bean-config4.xml
  • mysql 基准测试之sysbench annan211 基准测试mysql基准测试MySQL测试sysbench
    1 执行如下命令，安装sysbench-0.5： tar xzvf sysbench-0.5.tar.gz  cd sysbench-0.5  chmod +x autogen.sh  ./autogen.sh  ./configure --with-mysql --with-mysql-includes=/usr/local/mysql
  • sql的复杂查询使用案列与技巧 百合不是茶 oraclesql函数数据分页合并查询
      本片博客使用的数据库表是oracle中的scott用户表;          -------------------  自然连接查询           查询 smith 的上司(两种方法) &
  • 深入学习Thread类 bijian1013 javathread多线程java多线程
    一．             线程的名字 下面来看一下Thread类的name属性，它的类型是String。它其实就是线程的名字。在Thread类中，有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。 同时，Thr
  • JSON串转换成Map以及如何转换到对应的数据类型 bijian1013 javafastjsonnet.sf.json
            在实际开发中，难免会碰到JSON串转换成Map的情况，下面来看看这方面的实例。另外，由于fastjson只支持JDK1.5及以上版本，因此在JDK1.4的项目中可以采用net.sf.json来处理。 一.fastjson实例 JsonUtil.java package com.study; impor
  • 【RPC框架HttpInvoker一】HttpInvoker：Spring自带RPC框架 bit1129 spring
    HttpInvoker是Spring原生的RPC调用框架，HttpInvoker同Burlap和Hessian一样，提供了一致的服务Exporter以及客户端的服务代理工厂Bean，这篇文章主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成   在 【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
  • 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析 bit1129 Mahout
    #!/bin/bash # # Licensed to the Apache Software Foundation (ASF) under one or more # contributor license agreements. See the NOTICE file distributed with # this work for additional information re
  • nginx三种获取用户真实ip的方法 ronin47
    随着nginx的迅速崛起，越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速，但是随之也遇到一个问题：nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>，如果是后端真实服务器是nginx，那么继续往下看。 实例环境： 用户IP 120.22.11.11
  • java-判断二叉树是不是平衡 bylijinnan java
    参考了 http://zhedahht.blog.163.com/blog/static/25411174201142733927831/ 但是用java来实现有一个问题。 由于Java无法像C那样“传递参数的地址，函数返回时能得到参数的值”，唯有新建一个辅助类：AuxClass import ljn.help.*; public class BalancedBTree {
  • BeanUtils.copyProperties VS PropertyUtils.copyProperties 诸葛不亮 PropertyUtilsBeanUtils
     BeanUtils.copyProperties VS  PropertyUtils.copyProperties  作为两个bean属性copy的工具类，他们被广泛使用，同时也很容易误用，给人造成困然；比如：昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时，没有考虑到会将null转换为0，而后面的业
  • [金融与信息安全]最简单的数据结构最安全 comsci 数据结构
          现在最流行的数据库的数据存储文件都具有复杂的文件头格式，用操作系统的记事本软件是无法正常浏览的，这样的情况会有什么问题呢？        从信息安全的角度来看，如果我们数据库系统仅仅把这种格式的数据文件做异地备份，如果相同版本的所有数据库管理系统都同时被攻击，那么
  • vi区段删除 Cwind linuxvi区段删除
    区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。   vi概述    引文中并未将末行模式单独列为一种模式。单不单列并不重要，能区分命令模式与末行模式即可。   vi区段删除步骤： 1. 在末行模式下使用:set nu显示行号 非必须，随光标移动vi右下角也会显示行号，能够正确找到并记录删除开始行
  • 清除tomcat缓存的方法总结 dashuaifu tomcat缓存
    用tomcat容器，大家可能会发现这样的问题，修改jsp文件后，但用IE打开 依然是以前的Jsp的页面。 出现这种现象的原因主要是tomcat缓存的原因。 解决办法如下: 在jsp文件头加上 <meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
  • 不要盲目的在项目中使用LESS CSS dcj3sjt126com Webless
    　如果你还不知道LESS CSS是什么东西，可以看一下这篇文章，是我一朋友写给新人看的《CSS——LESS》 　　不可否认，LESS CSS是个强大的工具，它弥补了css没有变量、无法运算等一些“先天缺陷”，但它似乎给我一种错觉，就是为了功能而实现功能。 　　比如它的引用功能 ? .rounded_corners{     
  • [入门]更上一层楼 dcj3sjt126com PHPyii2
    更上一层楼 通篇阅读完整个“入门”部分，你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能，例如通过 HTML 表单从用户那获取数据，从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。 本章将介绍一些有助于更好使用 Yii 的资源：
  • Apache HttpClient使用详解 eksliang httpclienthttp协议
    Http协议的重要性相信不用我多说了，HttpClient相比传统JDK自带的URLConnection，增加了易用性和灵活性（具体区别，日后我们再讨论），它不仅是客户端发送Http请求变得容易，而且也方便了开发人员测试接口（基于Http协议的），即提高了开发的效率，也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容，掌握HttpClient后，相信对于Http协议的了解会
  • zxing二维码扫描功能 gundumw100 androidzxing
    经常要用到二维码扫描功能 现给出示例代码 import com.google.zxing.WriterException; import com.zxing.activity.CaptureActivity; import com.zxing.encoding.EncodingHandler; import android.app.Activity; import an
  • 纯HTML+CSS带说明的黄色导航菜单 ini htmlWebhtml5csshovertree
    HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航   在线体验效果：http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果：   <!DOCTYPE html > <html > <head> <title>HoverTree
  • fastjson初始化对性能的影响 kane_xie fastjson序列化
    之前在项目中序列化是用thrift，性能一般，而且需要用编译器生成新的类，在序列化和反序列化的时候感觉很繁琐，因此想转到json阵营。对比了jackson，gson等框架之后，决定用fastjson，为什么呢，因为看名字感觉很快。。。   网上的说法：   fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器，来自阿里巴巴的工程师开发。
  • 基于Mybatis封装的增删改查实现通用自动化sql mengqingyu DAO
    1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml，有效的提高开发速度。 2.支持自定义注解包括主键生成、列重复验证、列名、表名等 3.支持批量插入、批量更新、批量删除 <bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
  • js控制input输入框的方法封装(数字，中文，字母，浮点数等) qifeifei javascript js
    在项目开发的时候，经常有一些输入框，控制输入的格式，而不是等输入好了再去检查格式，格式错了就报错，体验不好。 /** 数字，中文，字母,浮点数(+/-/.) 类型输入限制，只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注：floating属性只能单独用*/     funct
  • java 计时器应用 tangqi609567707 javatimer
    mport java.util.TimerTask;   import java.util.Calendar;   public class MyTask extends TimerTask {        private static final int
  • erlang输出调用栈信息 wudixiaotie erlang
    在erlang otp的开发中，如果调用第三方的应用，会有有些错误会不打印栈信息，因为有可能第三方应用会catch然后输出自己的错误信息，所以对排查bug有很大的阻碍，这样就要求我们自己打印调用的栈信息。用这个函数：erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。 也可以用这个函数：erlang:get_s
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他