E寻数据
E寻数据

超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解

目录

yolov8导航

YOLOv8（附带各种任务详细说明链接）

搭建环境说明

不同版本模型性能对比

不同版本对比

模型参数解释

不同版本说明

训练

训练示意代码

训练用数据集与 .yaml 配置方法

.yaml配置

数据说明

数据集路径

训练参数说明

训练过程示意

训练结果文件说明

weights文件夹

best.pt：损失值最小的模型文件

last.pt：训练到最后的模型文件

args.yaml

confusion_matrix.png - 混淆矩阵

confusion_matrix_normalized.png - 标准化混淆矩阵：

F1_curve.png - F1-置信度曲线

labels.jpg - 标签分布图和边界框分布图

labels_correlogram.jpg - 标签相关图

P_curve.png - 精确度-置信度曲线

PR_curve.png - 精确度-召回曲线

R_curve.png - 召回-置信度曲线

results.png 和 results.csv - 训练结果图表和数据

验证

验证示意代码

验证结果

验证参数

预测

预测示意代码

 box输出结果示意

xywh输出示意

 cls输出示意

 输出参数含义解释

预测参数说明

总结

yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

搭建环境说明

        如果不知道如何搭建的小伙伴可以参考这个博文：

        超级详细的！多种方式YOLOV8安装及测试

        操作系统：win10 x64

        编程语言：python3.9

        开发环境：Anaconda

        示例项目下载地址：

        计算机视觉-YOLOv8目标检测-COCO128数据集应用分析

不同版本模型性能对比

不同版本对比

模型 尺寸 (像素) 准确率 Top1 准确率 Top5 速度 CPU ONNX (ms) 速度 A100 TensorRT (ms) 参数 (M) FLOPs (B) at 640
YOLOv8n-cls 224 66.6 87.0 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 72.3 91.1 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.4 93.2 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 78.0 94.1 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 78.4 94.3 232.0 1.01 57.4 154.8

模型参数解释

  1. 尺寸（size）: 模型处理的图像尺寸，这里所有模型的输入分辨率均为224x224像素。

  2. 准确率（accuracy）:

    • top1: 模型在ImageNet验证集上预测最可能类别的正确率。
    • top5: 模型在ImageNet验证集上预测的前五个最可能类别中包含正确类别的概率。

  3. 速度: 衡量模型处理单张图像所需时间的指标，单位是毫秒（ms）。

    • CPU ONNX: 在CPU上使用ONNX格式时的处理速度。
    • A100 TensorRT: 在NVIDIA A100 GPU上使用TensorRT加速时的处理速度。

  4. 参数数量（params (M)）: 模型中的参数总数，以百万（M）为单位。

  5. 浮点运算次数（FLOPs (B) at 640）: 执行一次前向传播所需的浮点运算次数，以十亿（B）为单位，这里基于640像素的输入计算。

不同版本说明

  • YOLOv8n-cls: 这是系列中最轻量的模型，拥有最快的处理速度但准确率相对较低。适合资源有限或对速度要求较高的场景。

  • YOLOv8s-cls: 相比YOLOv8n，它在保持较高速度的同时，准确率有所提升。适合需要在速度和准确度之间取得平衡的应用。

  • YOLOv8m-cls: 在准确率上有显著提升，适合对准确度有更高要求，但仍然需要考虑处理速度的场景。

  • YOLOv8l-cls: 更高的准确率使其适用于对准确度要求较高的应用，但处理速度较慢。

  • YOLOv8x-cls: 在这个系列中，它提供了最高的准确率，但速度最慢，需要较强的硬件支持。适合在准确度至关重要的高端应用。

训练

训练示意代码

from ultralytics import YOLO


# 加载模型
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并转移权重

if __name__ == '__main__':
    # 训练模型
    results = model.train(data='coco128.yaml', epochs=10, imgsz=512)

    metrics = model.val()

        这个代码和图像分类任务中数据指定方式略有不同，图像分类中直接指向数据的文件夹即可，在目标检测中需要你指向配置好的 .yaml 文件。

训练用数据集与 .yaml 配置方法

.yaml配置

# 这里的path需要指向你项目中数据集的目录
path: C:/Users/admin/Desktop/CSDN/YOLOV8_DEF/ultralytics-detect/datasets/coco128/ 
# 这里分别指向你训练、验证、测试的文件地址，只需要指向图片的文件夹即可。但是要注意图片和labels名称要对应
train: images/train2017  # train images (relative to 'path') 128 images
val: images/test2017  # val images (relative to 'path') 128 images
test: images/test2017 # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  ......
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

        上面的则是 yaml文件的配置示意方法。注意这里我直接把测试集和验证集都指向了一个文件夹，正式项目的时候建议这两个数据集都单独准备。

数据说明

        在使用YOLOv8进行目标检测时，每个图像通常都伴随一个.txt文件，该文件包含了关于图像中对象的标注信息。这些.txt文件中的每一行都代表图像中的一个对象，包含以下信息：

  1. 类别ID：这是一个整数，代表了对象所属的类别。例如，如果你的数据集有“人”、“车”和“狗”三个类别，那么可能分别用0、1和2来表示这些类别。

  2. 中心X坐标：这是一个归一化后的值，代表对象边界框中心的X坐标（水平方向）。这个值是相对于整个图像宽度的比例。

  3. 中心Y坐标：这是一个归一化后的值，代表对象边界框中心的Y坐标（垂直方向）。这个值是相对于整个图像高度的比例。

  4. 边界框宽度：这也是一个归一化后的值，代表对象边界框的宽度。这个值是相对于整个图像宽度的比例。

  5. 边界框高度：这同样是一个归一化值，代表对象边界框的高度。这个值是相对于整个图像高度的比例。

        举例来说，如果一个.txt文件中的一行是1 0.5 0.5 0.2 0.3，这意味着该对象属于类别1（例如“车”），其边界框的中心位于图像中心（X和Y坐标均为0.5），边界框的宽度是图像宽度的20%，高度是图像高度的30%。 

数据集路径

       

超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解_第1张图片

        这里需要注意，训练集测试集的图片和标签都要一一对应。同时，注意观察这里面的路径是和 .yaml文件中都是对应的关系。

训练参数说明

参数 默认值 描述 设置建议
model None 模型文件路径，如 yolov8n.pt, yolov8n.yaml 根据需要选择合适的预训练模型文件
data None 数据文件路径，如 coco128.yaml 选择合适的数据集配置文件
epochs 100 训练的周期数 根据数据集大小和模型复杂度调整
time None 训练时间（小时），如果提供，将覆盖epochs参数 根据实际训练时间需求设置
patience 50 早停的周期数，等待无显著改进的周期数 根据模型训练动态调整
batch 16 每个批次的图像数量 根据硬件资源调整
imgsz 640 输入图像的尺寸 根据硬件和模型性能要求调整
save True 是否保存训练检查点和预测结果 通常保持默认
save_period -1 每x周期保存检查点，如果<1则禁用 根据需要设置
cache False 是否使用数据加载缓存，选项：True/ram, disk 或 False 根据硬件资源和数据集大小决定
device None 运行设备，如 cuda device=0 或 device=cpu 根据可用的硬件资源设置
workers 8 数据加载的工作线程数 根据系统资源调整
project None 项目名称 根据需要自定义
name None 实验名称 自定义实验名以便识别
exist_ok False 是否覆盖现有实验 如果需要重复实验，设置为True
pretrained True 是否使用预训练模型 通常对于新的训练任务保持True
optimizer 'auto' 优化器，可选项：SGD, Adam等 根据模型和数据集特性选择合适的优化器
verbose False 是否打印详细输出 开发和调试时可设为True
seed 0 重现性的随机种子 需要重现结果时设置确定值
deterministic True 是否启用确定性模式 需要确保结果一致性时设置为True
single_cls False 是否将多类数据作为单类训练 特定应用场景下调整
rect False 矩形训练，每个批次为最小填充 特定应用场景下调整
cos_lr False 是否使用余弦学习率调度器 根据训练策略调整
close_mosaic 10 关闭马赛克增强的最后周期数 根据训练需求调整
resume False 从最后检查点恢复训练 需要从中断的训练继续时设置为True
amp True 是否使用自动混合精度训练 根据硬件支持选择
fraction 1.0 训练的数据集比例 如需使用数据集的子集进行训练，调整此值
profile False 训练期间记录ONNX和TensorRT速度 性能分析时启用
freeze None 冻结训练期间的前n层或特定层 特定模型调整时使用
lr0 0.01 初始学习率 根据模型和数据集特性调整
lrf 0.01 最终学习率 根据训练策略调整
momentum 0.937 SGD动量/Adam beta1 根据优化器类型调整
weight_decay 0.0005 优化器权重衰减 通常保持默认值
warmup_epochs 3.0 热身周期数 根据模型特性调整
warmup_momentum 0.8 热身初始动量 根据训练策略调整
warmup_bias_lr 0.1 热身初始偏置学习率 根据训练策略调整
box 7.5 盒子损失增益 根据模型特性和训练数据调整
cls 0.5 类别损失增益 根据分类任务的复杂性调整
dfl 1.5 DFL损失增益 根据具体应用调整
pose 12.0 姿态损失增益（仅限姿态） 仅在姿态检测任务中使用
kobj 2.0 关键点目标损失增益（仅限姿态） 仅在姿态检测任务中使用
label_smoothing 0.0 标签平滑（比例） 根据训练策略调整
nbs 64 标称批量大小 根据硬件资源调整
overlap_mask True 掩码在训练期间是否重叠（仅限分割训练） 仅在分割任务中使用
mask_ratio 4 掩码下采样比例（仅限分割训练） 仅在分割任务中使用
dropout 0.0 使用dropout正则化（仅限分类训练） 仅在分类任务中使用
val True 训练期间进行验证/测试 通常保持默认
plots False 训练/验证期间保存图表和图像 需要可视化训练过程时设置为True

训练过程示意

         在可以正常执行训练的时候，咱们就可以看到一个个Epoch的迭代记录了。

超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解_第2张图片

        看到了这个Results saved to runs\detect\train这个路径的时候说明模型已经训练完了，并且把训练的结果已经保存到了这个文件夹中。输出的结果如下：

超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解_第3张图片

训练结果文件说明

weights文件夹

best.pt：损失值最小的模型文件
last.pt：训练到最后的模型文件

args.yaml

        模型训练的配置参数

confusion_matrix.png - 混淆矩阵

        这张图展示了分类模型的性能。每一行代表模型预测的类别，每一列代表实际的类别。对角线上的数值表示模型正确预测的数量。对角线上较深的颜色表示该类别预测正确的数量较多。

confusion_matrix_normalized.png - 标准化混淆矩阵：

        与普通混淆矩阵类似，但这里的值显示的是每个类别的预测正确比例。这有助于比较不同类别的预测准确性，尤其是在类别样本数量不平衡的情况下。

F1_curve.png - F1-置信度曲线

        此曲线显示了F1得分随着置信度阈值的变化。F1得分是精确度和召回率的调和平均值，曲线的峰值表示给定置信度阈值下精确度和召回率的最佳平衡点。

labels.jpg - 标签分布图和边界框分布图

        柱状图显示了不同类别的实例分布数量。散点图则展示了目标检测任务中边界框的空间分布情况，反映了常见的尺寸和长宽比。

labels_correlogram.jpg - 标签相关图

        相关图提供了不同类别标签之间的关系，以及它们在图像中位置的相关性。这有助于理解模型在识别不同类别时可能出现的关联或混淆。

P_curve.png - 精确度-置信度曲线

        这张曲线图展示了模型预测的精确度随着置信度阈值的变化。精确度是模型预测正确正例与预测为正例总数的比值。

PR_curve.png - 精确度-召回曲线

        这张曲线图展示了模型的精确度与召回率之间的关系。理想情况下，模型应在精确度和召回率之间保持良好的平衡。

R_curve.png - 召回-置信度曲线

        此曲线图显示了模型的召回率随置信度阈值的变化。召回率是模型正确预测的正例与实际正例总数的比值。

results.png 和 results.csv - 训练结果图表和数据

        这些图表和数据文件展示了模型在训练过程中的性能变化，包括损失函数的变化和评估指标（如精确度、召回率和mAP）的变化。

        这些图表对于评估和理解模型在分类或目标检测任务中的性能至关重要，帮助我们确定模型的强项和弱点，以及可能需要改进的地方。

验证

验证示意代码

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置已记忆

        上文中进行模型训练的时候有这个代码，是直接对模型基于验证数据集进行验证测试模型实际预测效果。

验证结果

        当执行完了验证之后会输出如下文件：

超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解_第4张图片

验证参数

键 值 描述
data None 数据文件的路径，例如 coco128.yaml
imgsz 640 输入图像的大小，以整数表示
batch 16 每批图像的数量（AutoBatch 为 -1）
save_json False 将结果保存至 JSON 文件
save_hybrid False 保存混合版本的标签（标签 + 额外预测）
conf 0.001 用于检测的对象置信度阈值
iou 0.6 NMS（非极大抑制）用的交并比（IoU）阈值
max_det 300 每张图像的最大检测数量
half True 使用半精度（FP16）
device None 运行所用的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnn False 使用 OpenCV DNN 进行 ONNX 推理
plots False 在训练期间显示图表
rect False 矩形验证，每批图像为了最小填充整齐排列
split val 用于验证的数据集分割，例如 'val'、'test' 或 'train'

预测

预测示意代码

from ultralytics import YOLO

# 读取模型，这里传入训练好的模型
model = YOLO('yolov8n.pt')

# 模型预测，save=True 的时候表示直接保存yolov8的预测结果
metrics = model.predict(['im1.jpg', 'im2.jpg'], save=True)
# 如果想自定义的处理预测结果可以这么操作，遍历每个预测结果分别的去处理
for m in metrics:
    # 获取每个boxes的结果
    box = m.boxes
    # 获取box的位置，
    xywh = box.xywh
    # 获取预测的类别
    cls = box.cls
    
    print(box, xywh, cls)

 box输出结果示意

0: 640x640 4 persons, 1 bus, 1: 640x640 6 persons, 1 car, 64.9ms
Speed: 2.5ms preprocess, 32.5ms inference, 18.5ms postprocess per image at shape (1, 3, 640, 640)
Results saved to runs\detect\predict3
ultralytics.engine.results.Boxes object with attributes:

cls: tensor([0., 5., 0., 0., 0.], device='cuda:0')
conf: tensor([0.8845, 0.8296, 0.3599, 0.3571, 0.3444], device='cuda:0')
data: tensor([[4.3449e+02, 2.1734e+02, 5.5059e+02, 4.9711e+02, 8.8453e-01, 0.0000e+00],
        [4.7913e+01, 8.7620e+00, 7.1790e+02, 4.0818e+02, 8.2957e-01, 5.0000e+00],
        [4.3854e+02, 1.7932e+02, 4.9143e+02, 2.6983e+02, 3.5992e-01, 0.0000e+00],
        [4.9167e+02, 1.5904e+02, 5.2241e+02, 2.6426e+02, 3.5714e-01, 0.0000e+00],
        [5.6224e+02, 1.8580e+02, 5.8750e+02, 2.3147e+02, 3.4444e-01, 0.0000e+00]], device='cuda:0')
id: None
is_track: False
orig_shape: (500, 727)
shape: torch.Size([5, 6])
xywh: tensor([[492.5402, 357.2264, 116.0933, 279.7678],
        [382.9070, 208.4702, 669.9885, 399.4163],
        [464.9885, 224.5762,  52.8898,  90.5052],
        [507.0404, 211.6490,  30.7484, 105.2242],
        [574.8698, 208.6357,  25.2673,  45.6745]], device='cuda:0')
xywhn: tensor([[0.6775, 0.7145, 0.1597, 0.5595],
        [0.5267, 0.4169, 0.9216, 0.7988],
        [0.6396, 0.4492, 0.0728, 0.1810],
        [0.6974, 0.4233, 0.0423, 0.2104],
        [0.7907, 0.4173, 0.0348, 0.0913]], device='cuda:0')
xyxy: tensor([[434.4935, 217.3425, 550.5868, 497.1103],
        [ 47.9128,   8.7620, 717.9013, 408.1783],
        [438.5436, 179.3236, 491.4334, 269.8288],
        [491.6662, 159.0369, 522.4146, 264.2610],
        [562.2361, 185.7984, 587.5034, 231.4729]], device='cuda:0')
xyxyn: tensor([[0.5977, 0.4347, 0.7573, 0.9942],
        [0.0659, 0.0175, 0.9875, 0.8164],
        [0.6032, 0.3586, 0.6760, 0.5397],
        [0.6763, 0.3181, 0.7186, 0.5285],
        [0.7734, 0.3716, 0.8081, 0.4629]], device='cuda:0')

xywh输出示意

tensor([[492.5402, 357.2264, 116.0933, 279.7678],
        [382.9070, 208.4702, 669.9885, 399.4163],
        [464.9885, 224.5762,  52.8898,  90.5052],
        [507.0404, 211.6490,  30.7484, 105.2242],
        [574.8698, 208.6357,  25.2673,  45.6745]], device='cuda:0')
tensor([[117.5208, 281.1165, 109.7290, 153.1513],
        [163.9415, 275.8445,  58.6842, 165.7656],
        [407.1587, 270.8329,  53.9834, 169.9082],
        [443.5874, 269.0132,  81.5869, 171.1809],
        [463.1820, 269.4791, 120.3752, 171.6237],
        [512.3868, 202.5452,  74.8936,  62.6308],
        [404.3465, 251.4608,  48.4166, 132.9844]], device='cuda:0')

 cls输出示意

tensor([0., 5., 0., 0., 0.], device='cuda:0')
tensor([0., 0., 0., 0., 0., 2., 0.], device='cuda:0')

 输出参数含义解释

  1. cls: 这是一个张量（Tensor），表示每个检测到的对象的类别索引。例如，tensor([0., 5., 0., 0., 0.], device='cuda:0')中的0和5表示第一个对象被分类为类别0，第二个对象被分类为类别5，以此类推。

  2. conf: 这是一个张量，表示每个检测到的对象的置信度分数。分数越高，模型对其检测结果越有信心。

  3. data: 这个张量包含了检测到的对象的边界框（bounding box）信息，通常格式为[x, y, width, height, confidence, class]。

  4. xywh: 这是边界框的坐标和尺寸，格式为[中心点x坐标, 中心点y坐标, 宽度, 高度]。

  5. xywhn: 这些是归一化的边界框坐标和尺寸，意味着这些值相对于图像的尺寸进行了归一化，取值范围通常在0到1之间。

  6. xyxy: 这是边界框的坐标，但是以两个角的坐标表示，格式为[左上角x坐标, 左上角y坐标, 右下角x坐标, 右下角y坐标]。

  7. xyxyn: 这些是归一化的xyxy格式的边界框坐标。

  8. is_track: 表示是否使用跟踪算法跟踪对象。

  9. orig_shape 和 shape: 分别表示原始图像的形状和处理后的张量的形状。

预测参数说明

 在执行预测的时候，model() 等同与 model.predict()，里面有如下参数：

名称 类型 默认值 描述
source str 'ultralytics/assets' 图像或视频的源目录
conf float 0.25 检测对象的置信度阈值
iou float 0.7 用于NMS的交并比（IoU）阈值
imgsz int or tuple 640 图像大小，可以是标量或（h, w）列表，例如（640, 480）
half bool False 使用半精度（FP16）
device None or str None 运行设备，例如 cuda device=0/1/2/3 或 device=cpu
show bool False 如果可能，显示结果
save bool False 保存带有结果的图像
save_txt bool False 将结果保存为.txt文件
save_conf bool False 保存带有置信度分数的结果
save_crop bool False 保存带有结果的裁剪图像
show_labels bool True 隐藏标签
show_conf bool True 隐藏置信度分数
max_det int 300 每张图像的最大检测数量
vid_stride bool False 视频帧速率跳跃
stream_buffer bool False 缓冲所有流媒体帧（True）或返回最新帧（False）
line_width None or int None 边框线宽度。如果为None，则按图像大小缩放。
visualize bool False 可视化模型特征
augment bool False 应用图像增强到预测源
agnostic_nms bool False 类别不敏感的NMS
retina_masks bool False 使用高分辨率分割掩码
classes None or list None 按类别过滤结果，例如 classes=0，或 classes=[0,2,3]
boxes bool True 在分割预测中显示框

总结

        这篇博文提供了一个关于使用YOLOv8进行目标检测的全面指南，包括环境搭建、模型训练、验证和预测的详细步骤，以及如何解释训练过程中生成的各种图表和数据。整篇文章为读者提供了一个关于如何利用YOLOv8进行目标检测的实践指南，从环境搭建到模型部署，再到结果分析，每一部分都给出了详细的步骤和解释。此外，还有对于模型输出的解释，帮助读者更好地理解和使用YOLOv8模型。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。

你可能感兴趣的:(YOLOV8系列,计算机视觉,深度学习,YOLO,yolov8,人工智能,计算机视觉,深度学习)

  • python——字符串&切片 其实@qq.com python
    字符串对象：1、字符串定义：(1)定义：字符串就是一系列字符，在python中，用引号(单引号，双引号，三引号都可以)括起来的都是字符串。例如：“kaikai”，“helloworld”，“xixiisagirl”(2)输出字符串直接在print函数中输出字符串。如：print(“kaikai”)(3)拼接字符串python中使用加号(+)来拼接字符串。如：2.字符串的常见方法：(1)字符串大小写
  • 大模型时代，新手和程序员如何转型入局大模型行业？ 我爱学AI transformer人工智能自然语言处理深度学习大模型训练转行大模型LLM
    在当今大模型迅猛发展的环境下，人工智能的应用越来越广泛。然而，这些大模型的背后隐藏着更为深厚的基础技术——传统机器学习和神经网络。理解这些基础技术，不仅能够帮助我更好地使用大模型，还能为我提供创新和解决实际问题的能力。因此，在这个AI迅猛发展的时代，掌握传统机器学习和神经网络显得尤为重要。在近期的全国两会上，“人工智能”再次被提及，并成为国家战略的焦点。这一举措预示着在接下来的十年到十五年里，人工
  • Pygame ，一个强大的游戏创作引擎 李昕壑 游戏python
    0.开篇废话（允许跳过）接下来，系列“游戏制作，但是使用Python，还能离线玩？干！”会为您介绍使用Python完成游戏创作的相关内容，但是，请注意：Python不能用于开发过度精细的3D游戏，如想尝试3D游戏，请移步：虚幻引擎5-UnrealEngine请认准系列名称，都在部分0.中，学习前请确认，以免造成内容不连续今天的内容为Pygame游戏库的简要介绍，后续更新的内容为Pygame优秀样例
  • 深度学习算法，该如何深入，举例说明 liyy614 深度学习
    深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
  • 娱乐圈怪现象之人设日常崩塌 尉迟龙述
    最近翟天临学霸人设崩塌，不仅自己深陷调查，也拽出其导师与院长的一系列瓜来，吃瓜群众好不热闹。在娱乐圈，人设崩塌是最常见的新闻，无数的人设建立，走红，崩塌，循环往复。虽然每次大家都在指责艺人立人设，但其实人设是艺人与受众双重需求的结果。一方面，艺人需要宣传，需要与众不同，必须要有亮点为大众所认知。此时，最简单的办法是把艺人与某个词联系起来，让受众一想到这个词就会想到他。比如学霸、好丈夫、吃货等。另一
  • 人工智能聊天机器人未来趋势：AI聊天机器人演变中会期待什么 AI甲子光年 人工智能机器人
    AI聊天机器人正在改变公司与客户沟通的方式，提供24/7的支持和个性化体验。随着技术的不断发展，AI聊天机器人也在变得越来越复杂和高效。本文将探讨AI聊天机器人的未来趋势，并指出预期将在未来几年塑造其发展的主要创新和发展。了解这些趋势对于希望在AI驱动的客户服务动态领域中保持领先地位的企业和开发者来说至关重要。当前的AI聊天机器人趋势1.自然语言处理的改进在最近过去的一段时间里，自然语言处理（NL
  • 养育18年的孩子居然不是自己亲生的，求老黄心理阴影面积 MissAmpoule
    最近正在追热播的电视剧《带着爸爸去留学》，讲的是由孙红雷饰演的黄成栋带着独生儿黄小栋赴海外留学途中发现的一系列故事，剧情演到第27集的时候，黄美玲因患病不想拖累老黄，便有意识地透露给黄成栋知道，自己一把屎一把尿拉扯大的18岁儿子黄小栋居然不是自己亲生的儿子。试图赶走这个暖男丈夫，让其不为自己患病而受累。一夜之间，不知情的黄成栋感觉自己绿帽带了18年，迫使自己接受这个残酷的罪魁祸首居然是躺在自己身边
  • 滚雪球学MyBatis(11)：项目实战 bug菌¹ 《滚雪球学MyBatis》mybatisjava零基础入门
    前言欢迎回到我们的MyBatis系列教程。在前几期中，我们详细探讨了MyBatis的进阶使用，包括多数据源配置、动态SQL生成器、MyBatisGenerator的使用以及实现复杂查询的方法。这些知识点帮助我们在复杂的业务场景中更高效地使用MyBatis。本期内容中，我们将结合前面的所有知识点，进行一个完整的项目实战。通过实际项目的练习，大家将能够更好地巩固所学知识，并将其应用到实际开发中。11.
  • python基础学习 agente pythonpython学习开发语言
    第一章标识符1、python被称为胶水语言，可以跟各个代码能一块儿使用爬虫、数据分析web全栈开发、数据科学方向、人工智能的机械学习和深度学习、自动化运维、爬虫、办公自动化python是跨平台的，python是解释型语言，不需要编译，python是面向对象的语言1、print()#print()可以输出数字、字符串、含有运算符的表达式#print()可以将内容输出到显示器、文件#print()输出
  • 机器学习和深度学习区别 hong161688 机器学习深度学习人工智能
    机器学习和深度学习作为人工智能领域的两大重要分支，虽然有着紧密的联系，但在多个方面存在显著的差异。以下将从定义与起源、技术基础、模型复杂度、数据需求、计算资源需求、应用领域以及学习方式与特点等角度，详细阐述机器学习和深度学习的区别。一、定义与起源机器学习：是人工智能的一个分支，它让计算机能够在没有明确编程的情况下，通过观察和分析大量数据来学习并做出预测或决策。机器学习起源于20世纪50年代，随着算
  • 2021:乐早起|遇见更好的自己|（133/365）Ⅰ看不到目标比死还可怕 梦想加油站
    每个人都牢记自己是家庭的一分子，好好爱护家庭，家才是甜蜜的、安全的。——曾仕强（齐家篇）导语早起已经很多年，以前早起没有固定的时间点，有的时候会四点起来，有的时候会六点起来，虽然都在“早起”，但早起的效率和质量并不如所愿。2020年09月20日开始，自己发起“在路上”早起习惯养成圈子，经过一系列实践和调整，最终把自己的早起时间点定为04:00。我发起的早起圈子，注重的是早起之后做什么，也就是说，每
  • 深度学习算法在图算法中的应用（图卷积网络GCN和图自编码器GAE） 大嘤三喵军团 深度学习算法网络
    深度学习算法在图算法中的应用1.图卷积网络（GraphConvolutionalNetworks,GCN）图卷积网络（GCN）是一种将卷积神经网络（ConvolutionalNeuralNetworks,CNN）推广到图结构数据的方法。GCN被广泛用于节点分类、图分类、链接预测等任务。优势和好处灵活性：GCN可以处理不规则和不均匀的数据结构，比如社交网络、分子结构、交通网络等。高效性：GCN使用局
  • CSS“多列布局”（补充）——WEB开发系列35 一条晒干的咸魚 WEB前端javascript前端csshtml多列布局css3
    多列布局是一种非常常见的布局方式，适用于内容丰富的页面，如新闻网站、杂志或博客。一、CSS多列布局概述CSS多列布局允许我们将内容分成多个垂直列，使页面布局更加灵活和多样化。多列布局的主要属性包括column-count、column-width和column-gap，这些属性可以单独或结合使用，以实现所需的列布局效果。多列布局的基本属性column-count：指定列的数量。例如，column-
  • 金士镧稀土纳米紫外屏蔽剂 金士镧 全文检索
    稀土纳米紫外屏蔽剂具有以下特点：稀土纳米屏蔽性能优异：能够有效反射、吸收紫外线，显著减小紫外线的透过率，从而为纺织品提供良好的抗紫外线保护。稳定性高：具有较高的热稳定性和化学稳定性，在使用过程中性质较为稳定。安全性好：绿色环保，添加量小，无毒，对人体伤害较小。成本相对较低：与纳米无机材料相比，成本可降低一定比例，有利于大规模应用。金士镧KINGCELA™KCL系列稀土纳米紫外屏蔽剂具有光、热稳定性
  • 从“重开发”到“重运营” 商业地产迎来重要行业“拐点” 蓝海的渊
    从“重开发”到“重运营”商业地产迎来重要行业“拐点”近两年，随着国家对住房市场调控力度不断加大，以及线上商业流量增长不断放缓，中国商业地产经过一系列并购重组和转型升级，正在渐渐走出低谷，迎来重要的行业“拐点”，前所未有的风口与机遇就在眼前。机遇和挑战就像一个天平的两端，总在此起彼伏中摇摆。近日，在由全联房地产商会商业地产研究会主办的中国商业地产行业发展论坛2018年会上，业内人士普遍认为，近两年随
  • Autosar MCAL从入门到精通系列讲解--总目录 常学常思 Autosar--MCAL从入门到精通嵌入式硬件mcu单片机Autosar
    前言欢迎大家一起来学习Autosar，作为一个小白，在最开始的时候也是一脸茫然，不知道如何去学习，如何下手。在这里，我将记录我所有Autosar学习的过程，问题点，以及分享我的代码供大家参考。最终能让大家快速上手。Mcal：可以去官网下载一、EB1.EBtresos创建工程2.EB生成代码编译---makefile二、TricoreMcal实战系列(EB)这里的博客之前都是用S32DS来配置的，在
  • 深度学习速通系列:LoRA微调是什么 Ven% 深度学习速通系列人工智能深度学习python机器学习nlp
    LoRA微调（Low-RankAdaptation）是一种用于大型预训练语言模型（LLM）的高效微调技术。它的核心思想是在不改变预训练模型权重的前提下，通过在模型的Transformer层中引入可训练的低秩矩阵来实现模型的微调。这种方法可以显著减少训练参数的数量，从而降低对计算资源的需求。LoRA微调的原理：LoRA微调方法建议冻结预训练模型的权重，并在每个Transformer块中注入可训练的低
  • 基于深度学习的基因组数据分析 SEU-WYL 深度学习dnn深度学习数据分析人工智能
    基于深度学习的基因组数据分析利用深度学习技术来处理和分析基因组数据，帮助解决基因组学领域中一些复杂且具有挑战性的问题。这种方法已经在疾病预测、基因功能预测、变异检测、基因表达调控分析、个性化医疗等方面取得了显著进展。1.基因组数据分析的核心挑战基因组数据分析涉及以下主要挑战：高维数据与稀疏性：基因组数据通常包括数百万到数十亿个碱基对，数据维度非常高。同时，许多基因变异事件是稀有的，这种稀疏性使得数
  • Java开发中的常用字段校验注解 呢喃coding Javajavawindowspython
    在Java开发中，数据校验是确保应用程序的数据完整性和一致性的重要步骤。Java提供了一系列注解来简化数据校验的过程，以下是一些常用的字段校验注解及其示例代码：@NotNull@NotNull用于确保字段不为null，适用于任何类型的字段，包括基本数据类型和对象引用。importjavax.validation.constraints.NotNull;publicclassExample{@Not
  • SQL MySQL定时器/事件调度器（Event Scheduler） 語衣 SQLsqlmysql数据库
    栏目总目录事件调度器（EventScheduler）在MySQL数据库系统中是一个强大的功能组件，它允许用户定义一系列称为“事件”的数据库对象，这些事件在指定的时间或时间间隔自动执行预定义的SQL语句或操作。事件调度器通过维护一个时间计划表来管理这些事件的执行，从而实现了数据库操作的自动化和定时化。概念事件（Event）：在MySQL中，事件是一个数据库对象，它定义了要执行的SQL语句（或一组SQ
  • 基于深度学习的信号滤波：创新技术与应用挑战 逼子歌 深度学习神经网络信号滤波图像去噪卷积神经网络长短期记忆网络
    一、引言1.1研究背景随着科技的不断发展，信号处理领域面临着越来越复杂的挑战。在众多信号处理技术中，基于深度学习的信号滤波技术逐渐崭露头角，成为研究的热点。基于深度学习的信号滤波在信号处理领域具有至关重要的地位。如今，我们生活在一个数据爆炸的时代，各种信号源不断产生大量的复杂数据。例如，在通信领域，信号常常受到噪声干扰，传统的滤波方法在处理复杂、非线性信号时可能效果不佳。而深度学习技术具有自动特征
  • 基于ReAct提示词框架的大语言模型Agent原理 会写代码的孙悟空 chatGPT语言模型chatgpt人工智能智能体agent
    简介论文出自ReAct:SynergizingReasoningandActinginLanguageModelsReAct=reason+actreason：推理act：行动先看reason和act都是哪种模式思维链技术（ChainofThought）是一种用于提高大型语言模型（如GPT）解决问题能力的技巧。这种技术的核心思想是将复杂的问题分解成一系列更简单的步骤，然后逐步解决这些步骤，最终达到
  • 目标检测-YOLOv3 wydxry 深度学习目标检测YOLO深度学习
    YOLOv3介绍YOLOv3(YouOnlyLookOnce,Version3)是YOLO系列目标检测模型的第三个版本，相较于YOLOv2有了显著的改进和增强，尤其在检测速度和精度上表现优异。YOLOv3的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对YOLOv3改进和优势的介绍，以及YOLOv3核心部分的代码展示。相比YOLOv2的改进与优势多尺度特征金字塔YOLOv3引入了FP
  • 《5%的改变》读书笔记 好心情看好风景
    《5%的改变》是收录心理学家李松蔚老师2019年-2022年期间，通过微信公众平台征集和发布的一系列问答。读者以匿名身份留言提出他们生活中的困惑，老师给出建议，请收到建议的人一周后回信，反馈他们的生活中是否产生了变化。一共挑选了44个案例，分为自我、原生家庭、工作与理想、亲密关系、人际关系五大主题，每个主题的后面都梳理了干预的思路方法，作为“改变的工具箱”。李松蔚老师对每一位提问者都给予了认同，哪
  • 门诊导诊记事 易薇
    二楼导诊分诊台认真清洁、消毒台面流感季节全面卫生清洁做好室内消毒工作全民预防流感图片发自App图片发自App询问病史与患者细心沟通导诊工作的第一天，我在二楼大厅导诊。早上7点30分到达工作岗位，进行一系列的准备工作。接待每一位就诊患者，为其量血压、体温，并做好指引工作。由于近段时间流感频发，下午与同事进行了卫生清洁与消毒工作，全民与流感病毒做斗争！
  • 1、.Net UI框架：Blazor Hybrid - .Net宣传系列文章 lzhdim ui
    BlazorHybrid是.NET6中引入的一个新特性，它允许开发者使用Blazor技术开发跨平台的桌面和移动应用程序。BlazorHybrid结合了BlazorWebAssembly和BlazorServer的优势，提供了一种在桌面和移动设备上运行Blazor应用的方法。BlazorHybrid的关键特性包括：跨平台应用：可以创建在Windows、macOS、Linux、iOS和Android上
  • 两分钟带你了解分账系统收费标准 cjwi774 分账那些事大数据小程序电子商务分账零售
    随着大数据、人工智能、云计算等新兴技术愈发成熟，各行各业数字化、智能化改造升级既是大势所趋也是顺势而为。包括电商行业、共享行业、商业综合体、景区等许多业态都纷纷接入分账系统，助力自身业务进行转型升级。而分账系统的价格一直是企业主们考量的重要标准之一，今天小编就为大家介绍一下分账系统收费标准。其实分账系统没有一个固定的收费标准，因为不同的供应方、不同的功能等收费标准都是不同的。一般来说，目前市面上分
  • 【Python系列】使用切片移动元素位置 Kwan的解忧杂货铺@新空间代码工作室 s2Pythonpython开发语言
    欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan的首页,持续学习,不断总结,共同进步,活到老学到老导航檀越剑指大厂系列:全面总结java核心技术,jvm,并发编程redis,kafka,Spring,微服务等常用开发工具系列:常用的开发工具,IDEA,Mac,Alfred,Git,
  • HTML5中`＜ul＞`标签深入全面解析 软考鸭 html5html5前端html
    在HTML5的广阔天地里，标签作为无序列表的代言人，扮演着举足轻重的角色。它不仅能够整洁地罗列信息，还通过丰富的属性和样式选项，为网页设计师提供了无限的创意空间。本文将深入剖析标签的内核，详细解读其属性与样式，助力你打造更加精致、功能强大的网页。一、标签基础概览，即UnorderedList（无序列表）的缩写，用于在网页中展示一系列无特定顺序的项目。每个项目由（ListItem，列表项）标签包裹，
  • 《加速》读后感5 君君55555
    第二章认知管理16.刻意练习，新手成为大师提高技能与能力的有效方法，全部遵循一系列普通原则“刻意练习”。脱离舒适区需要强大的意志力，在舒适区做事，叫生活，在学习区做事，才叫练习，持续进步的关键就是持续地在“学习区”慢慢想做事。刻意练习有两个非常实用的方法，10000小时定律和基础训练法则。天才是训练的产物，教育或训练的目的是帮助人们发挥潜力，填补缺陷。17.刻意练习的特征，生命不息，精进不止“练习
  • Java开发中，spring mvc 的线程怎么调用？ 小麦麦子 springmvc
    今天逛知乎，看到最近很多人都在问spring mvc 的线程http://www.maiziedu.com/course/java/ 的启动问题，觉得挺有意思的，那哥们儿问的也听仔细，下面的回答也很详尽，分享出来，希望遇对遇到类似问题的Java开发程序猿有所帮助。 问题：     在用spring mvc架构的网站上，设一线程在虚拟机启动时运行，线程里有一全局
  • maven依赖范围 bitcarter maven
    1.test 测试的时候才会依赖，编译和打包不依赖，如junit不被打包 2.compile 只有编译和打包时才会依赖 3.provided 编译和测试的时候依赖，打包不依赖，如：tomcat的一些公用jar包 4.runtime 运行时依赖，编译不依赖 5.默认compile 依赖范围compile是支持传递的，test不支持传递 1.传递的意思是项目A，引用
  • Jaxb org.xml.sax.saxparseexception : premature end of file darrenzhu xmlprematureJAXB
    如果在使用JAXB把xml文件unmarshal成vo(XSD自动生成的vo)时碰到如下错误： org.xml.sax.saxparseexception : premature end of file 很有可能时你直接读取文件为inputstream，然后将inputstream作为构建unmarshal需要的source参数。InputSource inputSource = new In
  • CSS Specificity 周凡杨 html权重Specificitycss
      有时候对于页面元素设置了样式，可为什么页面的显示没有匹配上呢？ because specificity CSS 的选择符是有权重的，当不同的选择符的样式设置有冲突时，浏览器会采用权重高的选择符设置的样式。     规则：   HTML标签的权重是1 Class 的权重是10 Id 的权重是100
  • java与servlet g21121 servlet
    servlet 搞java web开发的人一定不会陌生，而且大家还会时常用到它。 下面是java官方网站上对servlet的介绍： java官网对于servlet的解释 写道 Java Servlet Technology Overview Servlets are the Java platform technology of choice for extending and enha
  • eclipse中安装maven插件 510888780 eclipsemaven
    1.首先去官网下载 Maven： http://www.apache.org/dyn/closer.cgi/maven/binaries/apache-maven-3.2.3-bin.tar.gz 下载完成之后将其解压， 我将解压后的文件夹：apache-maven-3.2.3， 并将它放在 D:\tools目录下， 即 maven 最终的路径是：D:\tools\apache-mave
  • jpa@OneToOne关联关系 布衣凌宇 jpa
    Nruser里的pruserid关联到Pruser的主键id，实现对一个表的增删改，另一个表的数据随之增删改。 Nruser实体类 //***************************************************************** @Entity @Table(name="nruser") @DynamicInsert @Dynam
  • 我的spring学习笔记11-Spring中关于声明式事务的配置 aijuans spring事务配置
    这两天学到事务管理这一块，结合到之前的terasoluna框架，觉得书本上讲的还是简单阿。我就把我从书本上学到的再结合实际的项目以及网上看到的一些内容，对声明式事务管理做个整理吧。我看得Spring in Action第二版中只提到了用TransactionProxyFactoryBean和<tx:advice/>,定义注释驱动这三种，我承认后两种的内容很好，很强大。但是实际的项目当中
  • java 动态代理简单实现 antlove javahandlerproxydynamicservice
    dynamicproxy.service.HelloService package dynamicproxy.service; public interface HelloService { public void sayHello(); }   dynamicproxy.service.impl.HelloServiceImpl package dynamicp
  • JDBC连接数据库 百合不是茶 JDBC编程JAVA操作oracle数据库
             如果我们要想连接oracle公司的数据库，就要首先下载oralce公司的驱动程序，将这个驱动程序的jar包导入到我们工程中;   JDBC链接数据库的代码和固定写法;     1,加载oracle数据库的驱动;     &nb
  • 单例模式中的多线程分析 bijian1013 javathread多线程java多线程
    谈到单例模式，我们立马会想到饿汉式和懒汉式加载，所谓饿汉式就是在创建类时就创建好了实例，懒汉式在获取实例时才去创建实例，即延迟加载。 饿汉式： package com.bijian.study; public class Singleton { private Singleton() { } // 注意这是private 只供内部调用 private static
  • javascript读取和修改原型特别需要注意原型的读写不具有对等性 bijian1013 JavaScriptprototype
            对于从原型对象继承而来的成员，其读和写具有内在的不对等性。比如有一个对象A，假设它的原型对象是B，B的原型对象是null。如果我们需要读取A对象的name属性值，那么JS会优先在A中查找，如果找到了name属性那么就返回；如果A中没有name属性，那么就到原型B中查找name，如果找到了就返回；如果原型B中也没有
  • 【持久化框架MyBatis3六】MyBatis3集成第三方DataSource bit1129 dataSource
    MyBatis内置了数据源的支持，如：   <environments default="development"> <environment id="development"> <transactionManager type="JDBC" /> <data
  • 我程序中用到的urldecode和base64decode,MD5 bitcarter cMD5base64decodeurldecode
    这里是base64decode和urldecode，Md5在附件中。因为我是在后台所以需要解码： string Base64Decode(const char* Data,int DataByte,int& OutByte) { //解码表 const char DecodeTable[] = { 0, 0, 0, 0, 0, 0
  • 腾讯资深运维专家周小军：QQ与微信架构的惊天秘密 ronin47
    社交领域一直是互联网创业的大热门，从PC到移动端，从OICQ、MSN到QQ。到了移动互联网时代，社交领域应用开始彻底爆发，直奔黄金期。腾讯在过去几年里，社交平台更是火到爆，QQ和微信坐拥几亿的粉丝，QQ空间和朋友圈各种刷屏，写心得，晒照片，秀视频，那么谁来为企鹅保驾护航呢？支撑QQ和微信海量数据背后的架构又有哪些惊天内幕呢？本期大讲堂的内容来自今年2月份ChinaUnix对腾讯社交网络运营服务中心
  • java-69-旋转数组的最小元素。把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素 bylijinnan java
    public class MinOfShiftedArray { /** * Q69 旋转数组的最小元素 * 把一个数组最开始的若干个元素搬到数组的末尾，我们称之为数组的旋转。输入一个排好序的数组的一个旋转，输出旋转数组的最小元素。 * 例如数组{3, 4, 5, 1, 2}为{1, 2, 3, 4, 5}的一个旋转，该数组的最小值为1。 */ publ
  • 看博客，应该是有方向的 Cb123456 反省看博客
    看博客，应该是有方向的:  我现在就复习以前的，在补补以前不会的，现在还不会的，同时完善完善项目，也看看别人的博客.  我刚突然想到的:  1.应该看计算机组成原理，数据结构，一些算法，还有关于android,java的。  2.对于我，也快大四了，看一些职业规划的，以及一些学习的经验，看看别人的工作总结的.    为什么要写
  • [开源与商业]做开源项目的人生活上一定要朴素,尽量减少对官方和商业体系的依赖 comsci 开源项目
         为什么这样说呢？  因为科学和技术的发展有时候需要一个平缓和长期的积累过程，但是行政和商业体系本身充满各种不稳定性和不确定性，如果你希望长期从事某个科研项目，但是却又必须依赖于某种行政和商业体系，那其中的过程必定充满各种风险。。。       所以，为避免这种不确定性风险，我
  • 一个 sql优化 （[精华] 一个查询优化的分析调整全过程！很值得一看 ） cwqcwqmax9 sql
    见   http://www.itpub.net/forum.php?mod=viewthread&tid=239011 Web翻页优化实例 提交时间: 2004-6-18 15:37:49      回复    发消息  环境： Linux ve
  • Hibernat and Ibatis dashuaifu Hibernateibatis
    Hibernate  VS  iBATIS 简介 Hibernate 是当前最流行的O/R mapping框架，当前版本是3.05。它出身于sf.net，现在已经成为Jboss的一部分了 iBATIS 是另外一种优秀的O/R mapping框架，当前版本是2.0。目前属于apache的一个子项目了。 相对Hibernate“O/R”而言，iBATIS 是一种“Sql Mappi
  • 备份MYSQL脚本 dcj3sjt126com mysql
    #!/bin/sh # this shell to backup mysql #[email protected] (QQ:1413161683 DuChengJiu) _dbDir=/var/lib/mysql/ _today=`date +%w` _bakDir=/usr/backup/$_today [ ! -d $_bakDir ] && mkdir -p
  • iOS第三方开源库的吐槽和备忘 dcj3sjt126com ios
    转自 ibireme的博客   做iOS开发总会接触到一些第三方库，这里整理一下，做一些吐槽。   目前比较活跃的社区仍旧是Github，除此以外也有一些不错的库散落在Google Code、SourceForge等地方。由于Github社区太过主流，这里主要介绍一下Github里面流行的iOS库。   首先整理了一份 Github上排名靠
  • html wlwmanifest.xml eoems htmlxml
    所谓优化wp_head()就是把从wp_head中移除不需要元素，同时也可以加快速度。 步骤： 加入到function.php remove_action('wp_head', 'wp_generator'); //wp-generator移除wordpress的版本号，本身blog的版本号没什么意义，但是如果让恶意玩家看到，可能会用官网公布的漏洞攻击blog remov
  • 浅谈Java定时器发展 hacksin java并发timer定时器
    java在jdk1.3中推出了定时器类Timer,而后在jdk1.5后由Dou Lea从新开发出了支持多线程的ScheduleThreadPoolExecutor，从后者的表现来看，可以考虑完全替代Timer了。 Timer与ScheduleThreadPoolExecutor对比： 1.    Timer始于jdk1.3,其原理是利用一个TimerTask数组当作队列
  • 移动端页面侧边导航滑入效果 ini jqueryWebhtml5cssjavascirpt
    效果体验：http://hovertree.com/texiao/mobile/2.htm可以使用移动设备浏览器查看效果。效果使用到jquery-2.1.4.min.js，该版本的jQuery库是用于支持HTML5的浏览器上，不再兼容IE8以前的浏览器，现在移动端浏览器一般都支持HTML5，所以使用该jQuery没问题。HTML文件代码： <!DOCTYPE html> <h
  • AspectJ+Javasist记录日志 kane_xie aspectjjavasist
    在项目中碰到这样一个需求，对一个服务类的每一个方法，在方法开始和结束的时候分别记录一条日志，内容包括方法名，参数名+参数值以及方法执行的时间。   @Override public String get(String key) { // long start = System.currentTimeMillis(); // System.out.println("Be
  • redis学习笔记 MJC410621 redisNoSQL
    1)nosql数据库主要由以下特点：非关系型的、分布式的、开源的、水平可扩展的。 1，处理超大量的数据 2，运行在便宜的PC服务器集群上， 3，击碎了性能瓶颈。 1)对数据高并发读写。 2)对海量数据的高效率存储和访问。 3)对数据的高扩展性和高可用性。 redis支持的类型： Sring 类型 set name lijie get name lijie set na
  • 使用redis实现分布式锁 qifeifei
    在多节点的系统中，如何实现分布式锁机制，其中用redis来实现是很好的方法之一，我们先来看一下jedis包中，有个类名BinaryJedis,它有个方法如下：   public Long setnx(final byte[] key, final byte[] value) { checkIsInMulti(); client.setnx(key, value); ret
  • BI并非万能，中层业务管理报表要另辟蹊径 张老师的菜 大数据BI商业智能信息化
           BI是商业智能的缩写，是可以帮助企业做出明智的业务经营决策的工具，其数据来源于各个业务系统，如ERP、CRM、SCM、进销存、HER、OA等。        BI系统不同于传统的管理信息系统，他号称是一个整体应用的解决方案，是融入管理思想的强大系统：有着系统整体的设计思想，支持对所有
  • 安装rvm后出现rvm not a function 或者ruby -v后提示没安装ruby的问题 wudixiaotie function
    1.在~/.bashrc最后加入 [[ -s "$HOME/.rvm/scripts/rvm" ]] && source "$HOME/.rvm/scripts/rvm"  2.重新启动terminal输入：   rvm use ruby-2.2.1 --default  把当前安装的ruby版本设为默
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他