- 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
- 机器学习的三个步骤-ChatGPT4o作答
部分分式
机器学习人工智能
机器学习的三个步骤分别是:设置范围、设置标准、达成目标。这三个步骤是任何机器学习项目的基础框架,它们为模型的选择、优化和评估提供了清晰的指导。让我们深入探讨这三个步骤的具体内容。1.设置范围(DefiningtheScope)设置范围是机器学习项目中的第一步,它涉及到明确问题的类型和目标,选择合适的算法和模型结构。这个阶段的目标是确定适合当前任务的机器学习方法。关键内容:问题类型:监督学习(Sup
- 数据标注中的归类与定义,从聚类,相关,关联,回归四个方面分析
小宝哥Code
人工智能训练师聚类回归数据挖掘
在数据标注和AI训练过程中,数据的归类与定义是关键步骤,不同的数据分析方法可以用于不同的场景。本文从**聚类(Clustering)、相关(Correlation)、关联(Association)、回归(Regression)**四个角度探讨数据标注的优化,并结合Python代码示例进行说明。1.聚类(Clustering)1.1概念聚类是一种无监督学习方法,它将相似的数据点分为同一个组,而无需预
- LangChain 入门与避坑指北_chatglm3的half精度是什么意思
程序员老冉
langchaintransformer面试深度学习机器学习算法ai
前言:本文对最近学习LangChain的过程进行一个简单的概述,介绍基本的概念、简述需要注意的问题,并提供我觉得当下还不错的学习方法。1前期准备Python基础,alittle就行,或者拥有基本的debug能力即可上手shell基础,环境问题是所有问题中最头疼的问题,有shell命令的基础能快速复现环境即可面向对象思想。可有可无,这是后面自己查看工程结构的必须,减少重复编程。6g+的显存orOPE
- 高斯混合模型(GMM)与K均值算法(K-means)算法的异同
路野yue
人工智能机器学习聚类
高斯混合模型(GaussianMixtureModel,GMM)和K均值(K-Means)算法都是常用于聚类分析的无监督学习方法,虽然它们的目标都是将数据分成若干个类别或簇,但在实现方法、假设和适用场景上有所不同。1.模型假设K均值(K-Means):假设每个簇的样本点在簇中心附近呈均匀分布,通常是球形的(即每个簇的数据点彼此之间的距离相对均匀,具有相同的方差)。每个簇通过一个中心点来表示(即质心
- 第26篇:pFedLoRA: Model-Heterogeneous Personalized Federated Learning with LoRA使用lora微调的模型异构个性化联邦学习
还不秃顶的计科生
联邦学习深度学习人工智能开发语言
第一部分:解决的问题联邦学习(FederatedLearning,FL)是一种分布式机器学习方法,允许客户端在本地数据上训练模型,同时通过中心服务器共享学习成果。传统FL框架假设客户端使用相同的模型结构(模型同构),但在实际中可能面对:统计异质性:客户端的数据分布不均(non-IID)。资源异质性:客户端硬件资源有限。模型异质性:客户端可能拥有不同的模型结构。模型异构的个性化联邦学习(MHPFL)
- DeepSeek如何重塑我的编程学习:计算机新生的AI实践
EnigmaCoder
DeepSeek学习人工智能
目录前言邂逅DeepSeek:从困惑到惊喜初学编程的困境DeepSeek的优势️DeepSeek在编程学习中的运用注释算法逐步分析调试帮助跨语言迁移学习AI时代学习方法论革新知识获取方式转变新型学习能力培养反思与展望反思展望总结前言大家好!我是EnigmaCoder,本文我将介绍我的AI编程学习之旅。春节期间,DeepSeek横空出世,迅速登顶热榜。它功能强大,精准答疑、高效创作,瞬间点燃大众热情
- 机器学习:决策树
小源学AI
人工智能机器学习决策树人工智能
1.初步概念决策树是一种基于分裂特征的机器学习方法,用于分类和回归任务。它通过将数据按特征值进行分割,最终做出预测。与线性模型不同,决策树能够自动识别重要的特征,并根据数据情况生成复杂的决策规则。2.决策树的核心思想决策树的核心思想在于选择一个特征作为分裂条件,将当前的数据划分为两个子节点,并重复这个过程直到达到停止条件。分裂条件的选择通常基于信息增益(香农信息量)或基尼不等式,以确保每次分裂都能
- 情感分析研究综述:方法演化与前沿挑战
next_travel
人工智能机器学习深度学习
文章目录摘要abstract1.引言2.模型方法2.1文本情感分析2.1.1文档级情感分类2.1.2句子级情感分类2.1.3方面级情感分类2.2文本情感分析方法2.2.1基于词典的方法2.2.2基于机器学习的方法2.2.3基于深度学习方法2.3视觉情感分析2.4音频情感分析2.5多模态情感分析2.5.1图文方法2.5.2视听方法2.5.3音频-图像-文本方法3.情感分析的挑战3.1讥讽检测3.2模
- Java初学者:Java - 从新手到高效掌握的重点与难点
ProgramHan
java学习开发语言
很多人都想学习Java,但是又无从下手,难道Java只能到培训机构去花钱学吗?结合本人的经验,我认为不需要去培训机构花钱学也可以学习Java。首先,我们的需求很明确,是关于学习方法和如何将所学应用到工作中。可能我们希望文章详细且有实际指导意义,帮助他们高效学习Java。接下来,我得考虑文章的结构。通常,学习指南会包括基础知识、重点难点、实践应用等部分,这样我们可以有条理地进行学习。然后,如何将学习
- 强化学习原理与代码实战案例讲解
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型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
1.背景介绍1.1什么是强化学习?强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,它关注的是智能体(Agent)如何在环境中通过与环境交互来学习最优的行为策略。与其他机器学习方法不同,强化学习并不依赖于预先标注的数据,而是通过试错的方式来学习。想象一下,你正在训练一只小狗学习坐下。你不会给它看成千上万张“坐下”的照片,而是会给它一些指令,比如“坐下”,如果它照
- 强化学习在连续动作空间的应用:DDPG与TD3
AI天才研究院
计算AI大模型应用入门实战与进阶大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
1.背景介绍1.1强化学习简介强化学习(ReinforcementLearning,简称RL)是一种机器学习方法,它通过让智能体(Agent)在环境(Environment)中与环境进行交互,学习如何根据观察到的状态(State)选择动作(Action),以最大化某种长期累积奖励(Reward)的方法。强化学习的核心问题是学习一个策略(Policy),即在给定状态下选择动作的映射关系。1.2连续动
- 【DeepSeek】一文详解GRPO算法——为什么能减少大模型训练资源?
FF-Studio
DeepSeekR1算法
GRPO,一种新的强化学习方法,是DeepSeekR1使用到的训练方法。今天的这篇博客文章,笔者会从零开始,层层递进地为各位介绍一种在强化学习中极具实用价值的技术——GRPO(GroupRelativePolicyOptimization)。如果你是第一次听说这个概念,也不必慌张,笔者会带领你从最基础的强化学习背景知识讲起,一步步剖析其来龙去脉,然后再结合实例讲解GRPO在实际应用中的思路和操作示
- DeepSeek底层揭秘——多头潜在注意力MLA
9命怪猫
AIai人工智能大模型
目录1.多头潜在注意力(MLA)2.核心功能3.技术要素4.难点挑战暨含解决方案5.技术路径6.应用场景7.实际案例:DeepSeek8.最新研究与技术进展9.未来趋势猫哥说1.多头潜在注意力(MLA)(1)定义“多头潜在注意力(Multi-HeadLatentAttention,MLA)”是一种基于注意力机制的深度学习方法,旨在通过多个注意力头(Multi-HeadAttention)对潜在空间
- 每天一篇逻辑漏洞
不灭锦鲤
学习
前言:水一篇文章,今天也没有去挖洞内容:学了那么多了,还没有长进,是不是我的学习方法有问题但是到底哪里有问题呢,我又不知道,我好像好久没有总结了,应该写一篇日记,然后总结的一篇文章,然后把日记的内容丢里面,感觉就挺好了,就不用去找文章了好了就这样,进入正题好了,今天学会伪造了jsonp的xss,就是说是json格式的话,不是jsonp格式,可以尝试在url后面加上callback,看是否有返回值
- 2020-10-09
weixin_45660257
笔记
java学习集合的目标1.会使用集合存储数据2.会遍历集合,把数据取出来3.掌握每种集合的特性集合框架的学习方法方式1.学习顶层:学习顶层接口,抽象类中共性的方法,所有的子类创建对象使用Collection接口定义的是所有的单列集合中共性的方法所有的单列集合都可以使用共性的方法没有带索引的方法继承:子类共性抽取形成父类(接口)List接口1.有序的集合(存储和取出元素顺序相同)2.允许存储重复的元
- 强化学习在机器人控制中的应用:从理论到实践
Echo_Wish
前沿技术人工智能机器人
强化学习在机器人控制中的应用:从理论到实践大家好,我是你们熟悉的人工智能与Python领域自媒体创作者Echo_Wish。今天我们来聊聊一个炙手可热的话题——强化学习在机器人控制中的应用。近年来,随着人工智能技术的飞速发展,机器人在各个领域的应用越来越广泛。而强化学习作为一种重要的机器学习方法,为机器人控制提供了强有力的技术支持。接下来,让我们一起探讨强化学习在机器人控制中的原理和实践,并通过具体
- 目标检测代码示例(基于Python和OpenCV)
matlab_python22
计算机视觉
引言目标检测是计算机视觉领域中的一个核心任务,其目标是在图像或视频中定位和识别特定对象。随着技术的发展,目标检测算法不断演进,从传统的基于手工特征的方法到现代的深度学习方法,再到基于Transformer的架构,目标检测技术已经取得了显著的进步。本文将总结和对比几种主要的目标检测算法,探讨它们的优势、劣势和适用场景。1.目标检测算法分类1.1单阶段检测(One-Stage)与双阶段检测(Two-S
- |网络安全|网络安全学习方法
网络安全King
web安全学习方法安全
1、先网络后安全很多初学者还没搞定网络看懂网络拓扑,就急着研究防火墙或VPN,其实这样就不清楚整个网络架构是如何安全演进的。正确的流程是:先通过网络协议和拓扑设计的学习,能独立搭建一个企业网/校园网,再引入局域网安全、防火墙、入侵检测、VPN等安全技术,使整个网络慢慢变得安全起来,这样才能看到整个网络安全的全貌。2、勤做实验勤抓包目前各大网络和安全厂商都有对应的模拟器,不再需要硬件支持就可以在电脑
- 一、系统分析师考试介绍
Rainbow酱
系统分析系统分析软考
科目1考点考试介绍考试报名、考试科目、大纲及考点分析、证书价值、常见问题。视频课程规划、推荐资料、学习方法。计算机组成与结构数据的表示:进制转换、编码表示、逻辑运算、浮点数。校验码:奇偶校验码、循环冗余校验码、海明校验码。计算机硬件:硬件组成、CPU、寄存器等。计算机指令:寻址方式、指令流水线计算。计算机体系结构:Flynn分类,指令系统CISC和RISC。计算机存储系统:分级存储、cache、存
- 17.推荐系统的在线学习与实时更新
郑万通
推荐系统
接下来就讲解推荐系统的在线学习与实时更新。推荐系统的在线学习和实时更新是为了使推荐系统能够动态地适应用户行为的变化,保持推荐结果的实时性和相关性。以下是详细的介绍和实现方法。推荐系统的在线学习与实时更新在线学习的概念在线学习(OnlineLearning)是一种机器学习方法,与传统的批量学习(BatchLearning)不同,在线学习模型能够在数据流到达时逐步更新,而不是在整个数据集上训练一次。这
- KDD 2023 | 先睹为快!KDD 2023论文合集50篇(附下载地址)
马拉AI
机器学习人工智能深度学习
下载地址:点我跳转1.DoubleAdapt:AMeta-learningApproachtoIncrementalLearningforStockTrendForecastingCode:NoneArea:一种用于股票趋势预测增量学习的元学习方法2.HomoGCL:RethinkingHomophilyinGraphContrastiveLearningCode:https://github.c
- 对DeepSeek-R1通过强化学习提升大型语言模型推理能力的技术原理解析
一只贴代码君
语言模型人工智能自然语言处理学习AI编程开发语言
强化学习基础•基本概念:强化学习是一种机器学习方法,智能体(模型)通过与环境进行交互,根据环境反馈的奖励信号来学习最优的行为策略。•关键要素:包括环境(模型所处的推理任务场景)、状态(模型在推理过程中的当前情况,如已有的推理步骤、已知信息等)、动作(模型在当前状态下做出的推理决策,如选择何种推理方法、如何组织语言等)、奖励(根据模型的动作和结果给予的反馈,如推理正确给予正奖励,错误给予负奖励或无奖
- 迁移学习 Transfer Learning
有人给我介绍对象吗
模块迁移学习人工智能机器学习
迁移学习(TransferLearning)是什么?迁移学习是一种机器学习方法,它的核心思想是利用已有模型的知识来帮助新的任务或数据集进行学习,从而减少训练数据的需求、加快训练速度,并提升模型性能。1.为什么需要迁移学习?在深度学习任务(如目标检测、分类)中,通常需要大量数据和计算资源来训练一个高性能模型。然而,在某些场景下,我们面临以下挑战:数据有限:有些领域(如医学影像、多光谱图像)很难收集足
- deepseek:三个月备考高级系统架构师
wujiada001
AI-MODEL系统架构
一、备考总体规划(2025年2月11日-2025年5月)1.第一阶段:基础夯实(2025年2月11日-2025年3月10日)目标:快速掌握系统架构师考试的核心知识点。重点内容:计算机组成原理、操作系统、数据库原理。软件工程、设计模式、系统架构设计原则。网络通信、分布式系统、云计算、大数据等新兴技术。学习方法:阅读《系统架构设计师教程》或精简版教材,快速过一遍知识点。观看视频课程(如慕课网、腾讯课堂
- 聚类算法概念、分类、特点及应用场景【机器学习】【无监督学习】
飞火流星02027
云计算机器学习算法聚类人工智能聚类算法
概念机器学习聚类算法是一种无监督学习方法,旨在将数据集分割成不同的类或簇,使得同一簇内的数据对象相似性尽可能大,而不同簇之间的数据对象差异性也尽可能大。聚类算法广泛应用于新闻自动分组、用户分群、图像分割等领域。主要聚类算法及其特点层次聚类算法层次法(hierarchicalmethods)通过构建数据点之间的层次结构来进行聚类,可以是自底向上的凝聚方法或自顶向下的分裂方法。代表算法包括CU
- 土壤分析:土壤污染监测_(18).土壤污染监测与修复的最新进展
zhubeibei168
农业检测opencv人工智能计算机视觉无人机图像处理农业检测
土壤污染监测与修复的最新进展1.引言随着工业化和城市化的快速发展,土壤污染问题日益严重,对环境和人类健康构成了巨大威胁。传统的土壤污染监测方法依赖于实验室分析,耗时且成本高昂。近年来,计算机视觉技术在土壤污染监测领域的应用取得了显著进展,通过图像处理和机器学习方法,可以快速、准确地识别和监测土壤污染情况。本节将介绍计算机视觉技术在土壤污染监测与修复中的最新进展,包括数据采集、图像处理、特征提取、污
- 大模型学习笔记 - LLM 对齐优化算法 DPO
JL_Jessie
学习笔记算法LLM
LLM-DPOLLM-DPODPO概述DPO目标函数推导DPO目标函数梯度的推导DPO概述大模型预训练是从大量语料中进行无监督学习,语料库内容混杂,训练的目标是语言模型损失,任务是nexttokenprediction,生成的token不可控,为了让大模型能生成符合人类偏好的答案(无毒无害等)一般都会进行微调和人类对齐,通常采用的方法是基于人类反馈的强化学习方法RLHF.RLHF是一个复杂且经常不
- 自监督的主要学习方法
一只波加猹~
自监督学习自监督
自监督学习是一种机器学习方法,其中模型从未标注的数据中学习生成标签,通常通过构造预训练任务或预测任务来从数据的内部结构中提取信息。它的核心目标是利用无监督的数据进行学习,从而在下游任务中更好地利用监督信号。自监督学习的主要方法可以分为以下三类:1.基于上下文(Context-based)方法基于上下文的方法通过预测数据的局部信息或不同部分之间的关系,来进行自监督学习。模型通过挖掘数据本身的结构或模
- Python近红外光谱分析与机器学习、深度学习方法融合实践技术
xiao5kou4chang6kai4
人工智能机器学习深度学习python机器学习深度学习近红外光谱
第一章Python入门基础【理论讲解与案例演示实操练习】1、Python环境搭建(下载、安装与版本选择)。2、如何选择Python编辑器?(IDLE、Notepad++、PyCharm、Jupyter…)3、Python基础(数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等)4、常见的错误与程序调试5、第三方模块的安装与使用6、文件读写(I/O)7、实操练习第
- 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