- 【PyTorch】torch.nn.Conv1d 类:一维卷积层(处理一维数据的卷积运算)
彬彬侠
PyTorch基础Conv1d一维卷积层神经网络深度学习pytorchpython
torch.nn.Conv1d是PyTorch中的一维卷积层,用于处理一维数据的卷积运算,常用于时序数据、音频信号、文本等的处理。与二维卷积(Conv2d)和三维卷积(Conv3d)类似,Conv1d通过在输入数据的一个维度(通常是时间或空间)上滑动卷积核来提取特征。定义与参数torch.nn.Conv1d的定义如下:torch.nn.Conv1d(in_channels,out_channels
- 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
- 虚拟现实医疗:技术创新与应用前景
给生活加糖!
热门知识vr
虚拟现实(VirtualReality,VR)医疗是近年来随着虚拟现实技术的快速发展而崛起的一个新兴领域,它结合了计算机图形学、传感技术、互动技术与医学的深度融合,通过模拟真实的三维虚拟环境,让医生、患者、医务人员能够在安全、可控的虚拟世界中进行操作、治疗与学习。虚拟现实医疗技术不仅推动了医学教育的革新,还为治疗、康复、心理治疗、手术模拟等方面开辟了新的道路。本文将全面分析虚拟现实医疗的概念、应用
- PyTorch知识点总结之一
Rain松
机器学习与深度学习pytorch深度学习python
PyTorch知识点总结之一1.什么是PyTorch?它有什么特点和优势?PyTorch是一个基于Python的科学计算库,它是用于机器学习和深度学习的框架之一。它由Facebook的人工智能研究团队开发和维护,是一个开源的软件包,可以帮助开发者构建各种深度学习模型。PyTorch的特点和优势如下:易于使用和学习:PyTorch采用了类似于Python的语法,使得它容易上手和学习。它还提供了丰富的
- 51、深度学习-自学之路-自己搭建深度学习框架-12、使用我们自己建的架构重写RNN预测网络
小宇爱
深度学习-自学之路深度学习rnn人工智能
importnumpyasnpclassTensor(object):def__init__(self,data,autograd=False,creators=None,creation_op=None,id=None):self.data=np.array(data)self.autograd=autogradself.grad=Noneif(idisNone):self.id=np.rand
- 工业机器视觉(一)
头疼的程序员
机器视觉经验分享
文章目录前言机器视觉的定义人与机器的视觉系统机器视觉系统与人的视觉的对比机器视觉技术发展机器视觉与计算机视觉机器视觉的应用工业检测中的应用医学诊断中的应用机器视觉系统工业机器视觉系统的组成关键组成部分工业机器视觉系统开发过程前言最后编辑时间为2024-06-12,阅读本文前请注意最后编辑时间,文章内容可能与目前最新的技术发展情况相去甚远。欢迎各位评论与私信,指出错误或是进行交流等。机器视觉的定义通
- 初学者推荐学习AI的路径
ProgramHan
学习人工智能
学习人工智能的路径可以分为基础知识、编程技能、机器学习、深度学习、数据处理与可视化、自然语言处理(NLP)、计算机视觉(CV)、强化学习、实践项目和持续学习几个阶段。以下是一个简要的路径:1️⃣基础知识数学基础(线性代数、微积分、概率统计)编程基础(Python/R等语言)算法与数据结构2️⃣机器学习基础理解监督学习(如回归、分类)、无监督学习(如聚类、PCA)掌握机器学习库(如scikit-le
- YOLOv10(训练完全版更新)
小远披荆斩棘
YOLOv8v9v10等实验与论文总结YOLO
YOLOv10目前还不支持项目上的硬件板使用,等待后续。requirements.txt中已更新(torch版本更新了,提高了些精度)(我新加入了其他库)torch==2.0.1torchvision==0.15.2onnx==1.14.0onnxruntime==1.15.1pycocotools==2.0.7PyYAML==6.0.1scipy==1.13.0onnxsim==0.4.36on
- PyTorch实战:手把手教你完成MNIST手写数字识别任务
吴师兄大模型
PyTorchpytorch人工智能python手写数字数别MNIST深度学习开发语言
系列文章目录Pytorch基础篇01-PyTorch新手必看:张量是什么?5分钟教你快速创建张量!02-张量运算真简单!PyTorch数值计算操作完全指南03-Numpy还是PyTorch?张量与Numpy的神奇转换技巧04-揭秘数据处理神器:PyTorch张量拼接与拆分实用技巧05-深度学习从索引开始:PyTorch张量索引与切片最全解析06-张量形状任意改!PyTorchreshape、tra
- Win10玩游戏缺少d3dx9_36.dll文件的解决方法
mmoo_python
玩游戏windows
Win10玩游戏缺少d3dx9_36.dll文件的解决方法在Windows10操作系统中,玩游戏已成为许多用户消磨无聊时间的重要方式。然而,一些用户在尝试启动游戏时,可能会遇到系统提示d3dx9_36.dll文件丢失的错误,这会导致游戏程序无法正常运行,从而影响到用户的游戏体验。为了帮助大家解决这一问题,本文将详细介绍Win10电脑上d3dx9_36.dll丢失的解决方法,让大家能够找回这个重要的
- 联邦学习与边缘模型优化赋能医疗诊断新路径
智能计算研究中心
其他
内容概要在医疗诊断智能化进程中,数据隐私保护与模型效能提升的双重需求催生出技术创新范式。联邦学习框架通过分布式模型训练机制,有效破解医疗机构间的数据壁垒,使跨机构的医学影像、病理数据在不离开本地服务器的前提下完成知识共享。与此同时,边缘计算节点部署将模型推理能力延伸至诊疗终端,CT影像实时分析响应时间缩短62%,显著提升急诊场景下的决策效率。建议医疗机构在部署联邦学习系统时,优先采用差分隐私与同态
- RTX 3090图形处理巅峰性能解析
智能计算研究中心
其他
内容概要作为NVIDIA面向专业创作者与发烧级玩家的旗舰产品,RTX3090重新定义了图形处理的性能边界。本文将以Ampere架构的技术演进为切入点,系统性解构该显卡在显存配置、运算单元协作及图像处理技术方面的创新设计。通过对比测试数据与工程原理分析,重点探讨24GBGDDR6X显存在8K分辨率场景下的带宽利用率,以及10496个CUDA核心在光线追踪与深度学习超采样(DLSS)任务中的动态负载分
- 联邦学习优化驱动医疗诊断新突破
智能计算研究中心
其他
内容概要医疗人工智能的发展长期面临数据孤岛与隐私合规的双重挑战,传统集中式训练模式难以满足多机构协作需求。联邦学习技术通过构建分布式训练框架,使医疗机构在不共享原始数据的前提下,实现跨域模型的协同优化。这一技术突破为医学影像识别、病理特征分析等场景提供了新的技术路径,特别是在肿瘤筛查领域,通过迁移学习实现跨病种知识迁移,配合超参数自动调优机制,可使模型在有限标注数据下达到95%以上的病灶识别准确率
- DeepSeek高能AI:低成本高效应用突破
智能计算研究中心
其他
内容概要DeepSeek高能AI系统通过混合专家架构(Mixture-of-Experts)实现了技术范式的突破,其670亿参数的模型规模在保证计算效率的同时,构建了多模态处理能力的技术护城河。该系统整合自然语言处理与视觉语言理解的双通道架构,使文本生成、图像解析和跨模态推理形成协同效应。在应用层面,该模型通过动态路由机制实现功能模块的精准调度,为学术研究、商业运营和技术开发提供多场景解决方案。核
- Ascend Extension for PyTorch是个what?
机器学习人工智能深度学习
1AscendExtensionforPyTorchAscendExtensionforPyTorch插件是基于昇腾的深度学习适配框架,使昇腾NPU可以支持PyTorch框架,为PyTorch框架的使用者提供昇腾AI处理器的超强算力。项目源码地址请参见Ascend/Pytorch。昇腾为基于昇腾处理器和软件的行业应用及服务提供全栈AI计算基础设施。您可以通过访问昇腾社区,了解关于昇腾的更多信息。2
- 神经网络与深度学习入门:理解ANN、CNN和RNN
shandianfk_com
ChatGPTAI神经网络深度学习cnn
在现代科技日新月异的今天,人工智能已经成为了我们生活中的重要组成部分。无论是智能手机的语音助手,还是推荐系统,背后都有一项核心技术在支撑,那就是神经网络与深度学习。今天,我们就来聊一聊这个听起来高大上的话题,其实它也没那么难懂!什么是神经网络?首先,我们要了解什么是神经网络。神经网络(ArtificialNeuralNetwork,简称ANN)是模拟人脑神经元连接方式的一种算法。它由一层层的“神经
- SAM应用:医学图像和视频中的任何内容分割中的基准测试与部署
烧技湾
AI&ComputerVisionSAMMED2SAN医学图像分割分割一切
医学图像和视频中的任何内容分割:基准测试与部署目录摘要:一、引言1.1SAM2在医学图像和视频中的应用二.结果2.1数据集和评估协议2.2二维图像分割的评估结果三讨论四局限性和未来的工作五、方法5.1数据来源和预处理5.2微调协议5.3评估指标总结关键字:SAM、分割一切基础模型、医学图像、视频、多模态最近医学分割模型发展迅速,基于SAM的医学图像处理得到了进一步的发展。为了追踪医学图像处理的最新
- 44、深度学习-自学之路-自己搭建深度学习框架-6、自动优化,就是把原来的权重更新的部分用面向对象的方式再写一次
小宇爱
深度学习-自学之路深度学习人工智能
importnumpyasnpnp.random.seed(1)data=np.array([[0,0],[0,1],[1,0],[1,1]])target=np.array([[0],[1],[0],[1]])#weights_0_1=np.random.rand(2,3)#weights_1_2=np.random.rand(3,1)weights_0_1=np.array([[0.1,0.2
- Python的PyTorch+CNN深度学习技术在人脸识别项目中的应用
mosquito_lover1
python深度学习pytorchcnn
人脸识别技术是一种基于人脸特征进行身份识别的生物识别技术,其核心原理包括人脸检测、人脸对齐、特征提取、特征匹配、身份识别。一、应用场景安防:门禁、监控。金融:刷脸支付、身份验证。社交:自动标注、美颜。医疗:患者身份确认、情绪分析。二、关键技术深度学习:CNN在人脸检测、特征提取中表现优异。大数据:大规模数据集(如LFW、MegaFace)提升模型泛化能力。硬件加速:GPU、TPU等加速计算,提升实
- 深度学习与搜索引擎优化的结合:DeepSeek的创新与探索
m0_74825634
面试学习路线阿里巴巴深度学习搜索引擎人工智能
目录引言1.传统搜索引擎的局限性2.深度学习在搜索引擎中的作用3.DeepSeek实现搜索引擎优化的关键技术3.1神经网络与搜索引擎优化3.2自然语言处理与查询理解3.3深度强化学习与搜索结果排序4.DeepSeek的深度学习架构4.1?查询解析与语义理解4.2?搜索排名与相关性排序4.3?个性化推荐与用户行为分析5、总结引言随着人工智能(AI)技术的迅速发展,深度学习(DeepLearning)
- 深度学习笔记——常见的Transformer位置编码
好评笔记
深度学习笔记深度学习transformer人工智能
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3种常见的Transformer位置编码——正弦/余弦位置编码(sin/cos)、基于频率的二维位置编码(2DFrequencyEmbeddings)、旋转式位置编码(RoPE)文章目录Transformer中常见的编码方式正弦/余弦位置编码(SinusoidalPositionalEncoding)基于频率的
- 深度学习面试八股文——决战金三银四
Good Note
补档深度学习面试人工智能机器学习AIGC校招春招
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本笔记的任务是解读深度学习实践/面试过程中可能会用到的知识点,内容通俗易懂,入门、实习和校招轻松搞定。公主号合集地址点击进入优惠地址:深度学习笔记合集笔记介绍本笔记的任务是解读深度学习实践/面试过程中可能会用到的知识点,内容通俗易懂,入门、实习和校招轻松搞定。涵盖深度学习八股文和常用算法、模型,包括深度学习基础知识,前向传
- 2020考研大纲词汇TXT版本5500
讨吃的讨吃了
考研词汇2020考研词汇
是我自己整理的,通过PHP爬虫,再加上一些程序处理,希望能够帮助到大家。另外我还有一个背单词的软件,欢迎大家访问.http://h5.mmmba.cn链接:https://pan.baidu.com/s/11FThsKjsAdK3DixmGzgHWQ提取码:xhik复制这段内容后打开百度网盘手机App,操作更方便哦
- 深度学习入门篇--来瞻仰卷积神经网络的鼻祖LeNet
智算学术
深度学习图像分类篇深度学习
B站视频讲解:深度学习入门篇:使用pytorch搭建LeNet网络并代码详解实战前言大家在学习神经网络的时候肯定会有这样的感受,有很多的文章和视频,有的文章也很好,但是总是不成体系,总是学起来东一榔锤,西一棒槌的,在这种情况下,我会给大家更新深度学习系列的技术文章,轮椅级持续更新技术干货,别问为什么是轮椅级,因为保姆级已经过时了!前置基础知识储备:python/pytorch/神经网络基础知识概念
- 轻量级网络设计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
轻量级网络设计原理与代码实战案例讲解作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着深度学习在各个领域的广泛应用,神经网络模型变得越来越庞大和复杂。然而,大规模模型在计算资源、存储空间以及推理速度方面提出了更高的要求,这在移动设备、嵌入式系统等资源受限的环境中尤为明显。为了解决这一问题,轻量级网络设计应运而生。1.2研
- pytorch3d安装记录
leo0308
3D目标检测Pythonpytorch人工智能pytorch3d3D视觉CV
官方安装教程:https://github.com/facebookresearch/pytorch3d/blob/main/INSTALL.md通过pip或conda可以很容易安装上预编译好的包,安装过程不会报错,但是使用的时候就会报各种错误,原因是预编译好的包跟自己的环境不一定匹配,比如CUDA版本,torch版本等。推荐从源码安装。我是直接下载的源码安装,但是执行pythonsetup.py
- ATB概念之:算子tiling
人工智能深度学习
1什么是算子tiling在计算机科学和深度学习领域,算子tiling(有时也被称作操作符tiling或者循环tiling)是一种优化技术,主要用于提高计算效率,尤其是在处理大规模张量运算时。Tiling技术通常用于将大的计算任务分解成更小的块,这些小块可以在内存中更高效地处理,或者更适合并行计算环境。在深度学习框架中,算子tiling可以应用于不同的场景:内存优化:通过将大的张量切分成更小的部分,
- 2025预测趋势:AI知识库工具挑选指南
知识库知识库管理知识库软件
随着人工智能技术的飞速发展,AI知识库工具已成为企业和个人管理知识资产的重要手段。本文将探讨2025年AI知识库工具的预测趋势,并推荐六款精选工具,帮助用户挑选最适合的AI知识库解决方案。1.AI知识库的智能化:趋势预计到2025年,AI知识库工具将更加智能化,通过深度学习和自然语言处理技术,实现更精准的语义搜索和智能问答功能。这些工具将能够理解用户的查询意图,提供更准确和相关的信息。2.实时自动
- 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
- 大模型学习完整路径(一站式汇总),从零基础到精通!新手友好级指南
Python程序员罗宾
学习语言模型知识图谱人工智能数据库java
如果读者朋友不想深入学习大模型,则了解提示词的使用原则也可以了。要是既不想深入学习,又要做大模型相关的项目,则对于工程同学来说,学习RAG也能把大模型玩转起来。前排提示,文末有大模型AGI-CSDN独家资料包哦!先来一张整体结构图,越是下面部分,越是基础:可以按以下步骤学习:1.理解基础概念需要了解深度学习的基本原理和常见术语,如神经网络、梯度下降、反向传播、监督学习、无监督学习、分类、回归、聚类
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,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
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR