- 【模型部署】如何在Linux中通过脚本文件部署模型
满怀1015
人工智能linux网络人工只能模型部署
在Linux中,你可以将部署命令保存为可执行脚本文件,并通过终端直接调用。以下是几种常见且实用的方法:方法1:Shell脚本(推荐)步骤创建一个.sh文件(例如start_vllm.sh):#!/bin/bashCUDA_VISIBLE_DEVICES=7\python-mvllm.entrypoints.openai.api_server\--served-model-nameQwen2-7B-
- Spring Boot + ONNX Runtime模型部署
文章目录前言一、模型导出二、Java推理引擎选型三、SpringBoot实战3.1核心架构3.2分层架构详细实现1.Controller层-请求入口2.Service层-核心业务流程3.关键组件深度优化四、云原生部署:Docker+Kubernetes总结前言在AI浪潮席卷全球的今天,Java工程师如何守住后端主战场?模型部署正是Java工程师融入AI领域的方向。为什么Java工程师必须掌握模型部
- onnx模型部署 python_深度学习模型转换与部署那些事(含ONNX格式详细分析)
weixin_39759270
onnx模型部署python
背景深度学习模型在训练完成之后,部署并应用在生产环境的这一步至关重要,毕竟训练出来的模型不能只接受一些公开数据集和榜单的检验,还需要在真正的业务场景下创造价值,不能只是为了PR而躺在实验机器上在现有条件下,一般涉及到模型的部署就要涉及到模型的转换,而转换的过程也是随着对应平台的不同而不同,一般工程师接触到的平台分为GPU云平台、手机和其他嵌入式设备对于GPU云平台来说,在上面部署本应该是最轻松的事
- vLLM调度部署Qwen3
你好,此用户已存在
人工智能linux大模型
vLLM介绍在之前的文章中,我们介绍了如何使用ollama部署qwen3,一般而言,ollama适合个人部署使用,在面对企业级的模型部署时,一般更建议使用vLLMvLLM(高效大语言模型推理库)是一个专为大语言模型(LLMs)优化推理速度的开源框架,由斯坦福大学系统研究组开发。其核心目标是通过创新的软件和算法设计,大幅提升LLM在生成文本时的吞吐量和效率,尤其适用于处理高并发的推理请求。从各种基准
- 基于深度学习的线上问诊系统设计与实现(Python+Django+MySQL)
神经网络15044
深度学习算法神经网络python深度学习django机器学习人工智能算法目标检测
基于深度学习的线上问诊系统设计与实现(Python+Django+MySQL)一、系统概述本系统结合YOLOv8目标检测和ResNet50图像分类算法,构建了一个智能线上问诊平台。系统支持用户上传医学影像(皮肤照片/X光片),自动分析并生成诊断报告,同时提供医生审核功能。二、技术栈后端框架:Django4.2数据库:MySQL8.0深度学习:YOLOv8:皮肤病变区域检测ResNet50:肺炎X光
- 如何构建AI原生应用领域的高效SaaS架构
AI原生应用开发
AI-native架构ai
如何构建AI原生应用领域的高效SaaS架构关键词:AI原生应用、SaaS架构、微服务、容器化、机器学习模型部署、自动扩展、多租户隔离摘要:本文深入探讨如何构建面向AI原生应用的高效SaaS架构。我们将从基础概念出发,逐步解析AISaaS架构的核心组件、设计原则和最佳实践,并通过实际案例展示如何实现高性能、可扩展的AI服务交付平台。文章将涵盖从基础设施选择到模型部署,从多租户隔离到自动扩展的全方位技
- YOLOv11: AN OVERVIEW OF THE KEY ARCHITECTURAL ENHANCEMENTS目标检测论文精读(逐段解析)
昵称是6硬币
(持续更新)YOLO深度学习计算机视觉人工智能目标检测图像处理
YOLOv11:ANOVERVIEWOFTHEKEYARCHITECTURALENHANCEMENTS目标检测论文精读(逐段解析)论文地址:https://www.arxiv.org/abs/2410.17725RahimaKhanamandMuhammadHussainUltralytics公司发布CVPR2024论文写的比较简单,比较核心的改进包括:C3K2高效特征提取机制。对C2f模块的改进
- 使用 Xinference 命令行工具(xinference launch)部署 Nanonets-OCR-s
没刮胡子
Linux服务器技术人工智能AI软件开发技术实战专栏ocr
使用Xinference命令行工具(xinferencelaunch)部署Nanonets-OCR-s一、核心优势与适用场景通过xinferencelaunch命令可直接在命令行完成模型部署,无需编写Python代码,适合快速验证或生产环境批量部署。二、部署步骤:从命令行启动模型1.确认环境与依赖已安装Xinference:pipinstall"xinference[all]"GPU显存≥9GB(
- AingDesk开源免费的本地 AI 模型管理工具(搭建和调用MCP)
没刮胡子
Linux服务器技术软件开发技术实战专栏人工智能AI开源人工智能AI助手mcpsse知识库智能体
说明AingDesk是一款开源免费的本地AI模型管理工具,旨在简化AI模型部署流程并提升用户体验。AingDesk支持本地AI模型及API+知识库搭建。支持知识库、模型API、分享、联网搜索、智能体。✨产品亮点跨平台支持客户端支持Windows、macOS,服务端可通过Docker部署高效下载与网络优化自动选择最优下载线路,支持断点续传,提升大模型部署速度兼容OpenAIAPI格式,方便第三方模型
- ss928v100模型的导出、量化和转换
yunken28
python开发语言
1、yolov8导出为onnxfromultralyticsimportYOLOmodel=YOLO("./best.pt")model.export(format="onnx",imgsz=640,dynamic=False,simplify=True,opset=11,batch=1,half=False)以下是model.export()方法各参数的详细解释:format="onnx"指
- 口罩检测数据集-1591张图片疫情防控管理 智能门禁系统 公共场所安全监控
cver123
数据集目标跟踪人工智能计算机视觉目标检测pytorch
口罩检测数据集-1591张图片已发布目标检测数据集合集(持续更新)口罩检测数据集介绍数据集概览包含类别应用场景数据样本展示文件结构与使用建议使用建议技术标签YOLOv8训练实战1.环境配置安装YOLOv8官方库ultralytics2.数据准备2.1数据标注格式(YOLO)2.2文件结构示例2.3创建data.yaml配置文件3.模型训练关键参数补充说明:4.模型验证与测试4.1验证模型性能关键参
- YOLOv8模型在RDK5开发板上的部署指南:.pt到.bin转换与优化实践
pk_xz123456
python算法仿真模型YOLO人工智能rnn深度学习开发语言lstm
以下是针对在RDK5开发板(基于NVIDIAJetsonOrin平台)部署YOLOv8模型的详细技术指南,涵盖从模型转换、优化到部署的全流程:YOLOv8模型在RDK5开发板上的部署指南:.pt到.bin转换与优化实践——基于TensorRT的高性能嵌入式部署方案第一章:技术背景与核心概念1.1RDK5开发板硬件架构NVIDIAJetsonOrinNX核心参数:1024-coreAmpereGPU
- 解密大模型全栈开发:从搭建环境到实战案例,一站式攻略
海棠AI实验室
“智元启示录“-AI发展的深度思考与未来展望人工智能大模型全栈开发
目录大模型基础概念什么是大模型?大模型的发展历程大模型的类型大模型全栈开发环境搭建硬件需求软件环境配置云服务选择大模型应用开发流程模型选择策略提示工程(PromptEngineering)模型微调(Fine-tuning)参数高效微调(PEFT)大模型应用架构设计基本应用架构RAG(检索增强生成)系统Agent系统设计大模型应用部署与优化模型部署选项模型优化技术性能监控与调优大模型应用实战案例智能
- 基于YOLOv8和Faster R-CNN的输电线路异物目标检测项目 检测 输电线异物数据集 输电线缺陷数据集 绝缘子 如何使用YOLOv8和Faster R-CNN训练输电线路异物目标检测数据集
QQ67658008
YOLOr语言cnn输电线路绝缘子线路异物目标检测
电力篇-输电线路缺陷数据集输电线路异物目标检测数据集16000张5种检测目标:‘burst’-爆裂‘defect’-缺陷‘foreign_obj’-异物‘insulator’-绝缘体‘nest’-窝(巢)带标注-YOLO格式可直接用于YOLO系列目标检测算法模型训练如何使用YOLOv8和FasterR-CNN训练输电线路异物目标检测数据集的详细步骤和代码。假设数据集包含16000张图片和5种检测目
- 道路交通标志检测数据集-智能地图与导航 交通监控与执法 智慧城市交通管理-2,000 张图像
cver123
数据集智慧城市人工智能目标跟踪计算机视觉目标检测
道路交通标志检测数据集已发布目标检测数据集合集(持续更新)道路交通标志检测数据集介绍数据集概览包含类别应用场景数据样本展示YOLOv8训练实战1.环境配置安装YOLOv8官方库ultralytics2.数据准备2.1数据标注格式(YOLO)2.2文件结构示例2.3创建data.yaml配置文件3.模型训练关键参数补充说明:4.模型验证与测试4.1验证模型性能关键参数详解常用可选参数典型输出指标4.
- PyTorch教程:LSTM语言模型的动态量化技术解析
怀灏其Prudent
PyTorch教程:LSTM语言模型的动态量化技术解析tutorialsPyTorchtutorials.项目地址:https://gitcode.com/gh_mirrors/tuto/tutorials前言在深度学习模型部署过程中,模型大小和推理速度是两个至关重要的考量因素。PyTorch提供的动态量化技术能够在不显著影响模型准确率的前提下,有效减小模型体积并提升推理速度。本文将深入解析如何对
- 从实验到生产:DeepSeek大模型工程化部署的关键步骤与风险控制
一ge科研小菜菜
人工智能人工智能
个人主页:一ge科研小菜鸡-CSDN博客期待您的关注一、引言:大模型部署迈入“工程化时代”随着DeepSeek等开源大语言模型(LLM)的发展,大模型不再是AI实验室的专属工具,越来越多的企业正尝试将其纳入业务生产系统,应用于客服问答、合同审查、数据分析、自动写作等场景。但模型的能力≠可用的系统。从模型下载到模型上线,中间隔着“部署的鸿沟”:资源配置、服务稳定性、响应效率、安全控制、上线合规……一
- 基于YOLOv8的桃子成熟度检测系统,支持图片、视频、摄像头输入,PyQt5界面检测。识别并分类桃子的成熟度(未熟、半熟、成熟)
QQ67658008
YOLO音视频qt桃子成熟水果成熟度检测系统
基于YOLOv8的桃子成熟度检测系统,支持图片、视频、摄像头输入,PyQt5界面检测。识别并分类桃子的成熟度(未熟、半熟、成熟)文章目录调用示例加载预训练模型开始训练加载训练好的模型在验证集上评估加载训练好的模型文字及代码仅供参考。桃子成熟度分类检测数据集,主要用于桃子成熟度分类检测应用任务数据背景:模拟实际田间条件,涵盖多种可能影响桃子检测准确性的因素,如变化的自然光照强度、多果粘连现象以及由枝
- DeepSeek 部署中的常见问题及解决方案:从环境配置到性能优化的全流程指南
慌ZHANG
人工智能人工智能
个人主页:慌ZHANG-CSDN博客期待您的关注一、引言:大模型部署的现实挑战随着大模型技术的发展,以DeepSeek为代表的开源中文大模型,逐渐成为企业与开发者探索私有化部署、垂直微调、模型服务化的重要选择。然而,模型部署的过程并非“一键启动”那么简单。从环境依赖、资源限制,到推理性能和服务稳定性,开发者往往会遇到一系列“踩坑点”。本文将系统梳理DeepSeek模型在部署过程中的典型问题与实践经
- MI300X vs H100:DeepSeek 部署在哪个 GPU 上性价比最高?
卓普云
技术科普AIGC人工智能DeepseekH100MI300x
随着大模型部署和推理变得越来越普及,开发者和企业对GPU的选择也越来越挑剔。特别是像DeepSeek这样的开源模型家族,从轻量级的6.7B,到动辄上百亿甚至数百亿参数的超大模型,背后对算力和显存的要求各不相同。最近,一则重磅消息在AI圈引起了轩然大波:连AI巨头OpenAI也在探索并计划使用AMDInstinctMI300xGPU!这无疑是对AMD这款高性能GPU的巨大认可,也预示着它将在AI算力
- 【软件系统架构】系列四:嵌入式软件-NPU(神经网络处理器)系统及模板
目录一、什么是NPU?二、NPU与CPU/GPU/DSP对比三、NPU的工作原理核心结构:数据流架构:四、NPU芯片架构(简化图)五、NPU的优势六、NPU应用场景视觉识别语音识别自动驾驶智能监控AIoT设备七、主流NPU芯片/架构实例八、开发者工具生态(通用)九、NPU集成建议(嵌入式开发场景)十、NPU芯片选型对比+模型部署流程+嵌入式工程模板1.主流NPU芯片选型对比表2.模型部署流程(以T
- 【高频考点精讲】前端AI集成实战:从TensorFlow.js到模型部署
全栈老李技术面试
前端高频考点精讲前端javascripthtmlcss面试题reactvue
前端AI集成实战:从TensorFlow.js到模型部署作者:全栈老李更新时间:2025年5月适合人群:前端初学者、进阶开发者版权:本文由全栈老李原创,转载请注明出处。今天咱们聊聊前端工程师如何玩转AI——没错,用JavaScript就能搞机器学习!我是全栈老李,一个喜欢把复杂技术讲简单的实战派。最近发现不少前端同学对AI既好奇又害怕,其实真没想象中那么难,跟着老李走,30分钟让你亲手部署第一
- 【机器学习的五大核心步骤】从零构建一个智能系统
目录一、数据处理:一切从“数据”开始✅常见数据源✅关键任务二、特征工程:从“数据”中提取“洞察”✅常用方法✅高阶技巧三、建立模型:从“算法”到“智能”✅模型类型✅常见算法✅模型训练四、评估迭代:没有反馈,就没有智能✅常用评估指标✅迭代优化方法五、上线应用与持续优化:从“实验室”到“真实世界”✅模型部署方式✅持续优化总结:看懂全流程!延伸阅读推荐作者:一叶轻舟|AI应用开发者&技术博主日期:2025
- 基于 opencv+yolov8+easyocr的车牌追踪识别
(ECUT)Edward-tan
人工智能--CVpython进阶全栈开发opencvyolov8ocrpython
(本项目所有代码打包至我的资源中,大家可在我的文章底部选择下载)目录需求实现效果学习视频大致思路代码实现资源下载需求通过车辆识别技术,识别视频中每个车辆及其车牌号,车辆应进行追踪,避免重复计数量。实现效果车牌识别学习视频使用Python、Yolov8和EasyOCR自动识别车牌计算机视觉教程_哔哩哔哩_bilibili大致思路通过opencv将视频转换为帧,对帧应用车辆识别模型,并使用model.
- 深度学习应用于情感识别:利用YOLOv8进行AffectNet情感分类
YOLO实战营
深度学习YOLO分类人工智能目标检测目标跟踪数据挖掘
引言情感识别(EmotionRecognition)是计算机视觉和自然语言处理中的一个重要研究方向,广泛应用于人机交互、智能客服、心理健康监测、视频分析等领域。随着深度学习技术的发展,情感识别取得了显著进展,特别是在面部表情识别方面。面部表情作为人类情感的自然表现之一,能在很大程度上反映个体的情感状态。AffectNet数据集是一个广泛使用的情感识别数据集,它包含了大量带有标注情感标签的面部表情图
- 如何使用YOLOv8对遥感图像中的滑坡-泥石流进行分割 深度学习遥感图像滑坡泥石流分割数据集的训练及应用
计算机C9硕士_算法工程师
YOLO深度学习人工智能
如何使用YOLOv8对遥感图像中的滑坡-泥石流进行分割深度学习遥感图像滑坡泥石流分割数据集的训练及应用文章目录遥感图像滑坡-泥石流分割数据集情况数据集概述类别统计总体统计注意事项✅一、安装CUDA驱动(Linux示例)✅二、安装Anaconda(Linux示例)✅三、创建Python虚拟环境并安装依赖✅四、数据集结构示例(遥感图像滑坡-泥石流分割)✅五、创建data.yaml文件(用于训练)✅六、
- 深度学习目标检测中使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化
计算机C9硕士_算法工程师
深度学习目标检测YOLO
深度学习目标检测中使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化文章目录1.环境设置2.数据准备3.模型训练4.推理与结果可视化推理代码示例5.构建可视化界面PyQt5GUI代码示例总结以下文字及代码仅供参考。树冠检测数据集的训练及推理1使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化等方面进行详细介绍。1.环境设置首先确保
- Python 人工智能Ai视觉模型 YOLOv8
GHY云端大师
pythonAI大模型视觉训练人工智能YOLO
YOLOv8简介:Python中的高效AI视觉模型YOLOv8是Ultralytics公司开发的最新目标检测模型,属于YOLO(YouOnlyLookOnce)系列的最新版本,以其高效和准确著称。核心特点高性能:在速度和精度之间取得了更好的平衡多功能:支持目标检测、实例分割和图像分类用户友好:简化了API设计,更易于使用可扩展性:支持从移动端到云端的多种部署场景主要改进更高的检测精度更快的推理速度
- Yolov5 ONNX Runtime 的 Python 部署
爱钓鱼的歪猴
#目标检测模型部署YOLO
这里使用的yolov56.2,使用export.py很方便地得到onnx格式的模型。然后用onnxruntime推理框架在Python上进行部署。主要是为了测试模型的准确,模型部署的最终是用C++部署,从而部署在嵌入式设备等。整个代码分为四个部分:1、对输入进行预处理;2、onnxruntime推理得到输出;3、对输出进行后处理4、画预测框代码的难点是nms处理。代码尚存在的缺陷是,将输入图像处理
- 一[3.0]、 yolov8 工作原理
他人是一面镜子,保持谦虚的态度
车道检测研究YOLO
目录YOLOv8简介什么是YOLOv8?yaml配置文件解析YOLOv8架构图Yolov8有什么新功能?YOLO模型彻底改变了计算机视觉领域。识别物体是计算机视觉中的一项关键任务,可应用于机器人、医学成像、监控系统和自动驾驶汽车等多个领域。YOLO模型的最新版本YOLOv8是一种先进的实时物体检测框架,引起了研究界的关注。在所有流行的物体识别机器学习模型(如FasterR-CNN、SSD和Reti
- 深入浅出Java Annotation(元注解和自定义注解)
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制,用来将任何的信息或元数据(metadata)与程序元素(类、方法、成员变量等)进行关联。
更通俗的意思是为程序的元素(类、方法、成员变量)加上更直观更明了的说明,这些说明信息是与程序的业务逻辑无关,并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的,所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数,有两种非常不同的作用,他可以统计某个列值的数量,也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境:
MAC AIR,OS X 10.10,64位
历史:
过去 Mac 上的 Java 都是由 Apple 自己提供,只支持到 Java 6,并且OS X 10.7 开始系统并不自带(而是可选安装)(原自带的是1.6)。
后来 Apple 加入 OpenJDK 继续支持 Java 6,而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript (1)
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号,它有七类: 赋值运算符(=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=)、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性,避免落大部队太远,我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎,它们存储着JSON文档,MongoDB存着JSON文档,或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版,自行搜索。
1.2 Latex (MacTex):
系统环境:https://tug.org/mactex/
&nb
- Maven实战(四)生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期,它们分别为clean,default和site。 每个生命周期包含一些阶段,这些阶段是有顺序的,并且后面的阶段依赖于前面的阶段,用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例,它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题:在使用HTTP协议实现应用间接口通信时,服务端读取客户端请求过来的数据,会用到request.getInputStream(),第一次读取的时候可以读取到数据,但是接下来的读取操作都读取不到数据
原因: 1. 一个InputStream对象在被读取完成后,将无法被再次读取,始终返回-1; 2. InputStream并没有实现reset方法(可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多,但是比较杂乱。近日有空整理了一下,写出来跟大家分享一下,其中有错误和不足的地方,还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版,希望大家阅读之后,感觉好的话推荐给更多的人,让更多的人看到、纠正以及补充。
1.对查询进行优化,要尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据,因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API,它包含了如下几个内部类
首先分析它的内部类,从WatchRegistration开始,为指定的znode path注册一个Watcher,
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七:部分应用函数
bit1129
scala
何为部分应用函数?
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了,什么错都没报出来,只提示了Error listenerStart。为了调试,我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties,内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题,要求不用加减符号(包括负号)来实现加减法。
分析一下,先看最简单的情况,假设1+1,按二进制算的话结果是10,可以看到从右往左的第一位变为0,第二位由于进位变为1。
 
- 读《研磨设计模式》-代码笔记-状态模式-State
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/*
当一个对象的内在状态改变时允许改变其行为,这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中,可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小,该大小可以是dim3类型的(三维数组),只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常!!!GPU根本不会执行运算!!!
所以验证结果的正确性很重要!!!
在VS中创建CUDA项目会有一个模板,里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置,ParNew经常会出现停顿时间特别长的情况,有时候甚至长到令人发指的地步,例如请看如下日志:
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前,要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址:http://maven.apache.org/download.html,目前最新的是这个apache-maven-3.2.5-bin.zip,然后解压在任意位置,最好地址中不要带中文字符,这个做java 的都知道,地址中出现中文会出现很多
- PHP网站安全,避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中,我们经常需要将集合对象(List,Set)转换为数组对象,或者将数组对象转换为集合对象。Java提供了相互转换的工具,但是我们使用的时候需要注意,不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象,然后遍历数组,依次将数组中的元素放入到新的集合中,但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求,需要在一台主机上用nginx部署2个php应用,分别是wordpress和wiki,探索了半天,终于部署好了,下面把过程记录下来。
1. 在nginx下创建vhosts目录,用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置, 在http节点增加下面内容设置,用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种:useradd 和adduser . 本人尝试了useradd方法,步骤如下:
1:useradd
使用useradd时,如果后面不加任何参数的话,如:sudo useradd sysadm 创建出来的用户将是默认的三无用户:无home directory ,无密码,无系统shell。
顾应该如下操作:
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛,因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能;目前Lua也有几个JSON库,本人用过cjson、dkjson。其中cjson的语法严格(比如unicode \u0020\u7eaf),要求符合规范否则会解析失败(如\u002),而dkjson相对宽松,当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易,转载请注明出处:Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址:http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置:Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别?
pda158
linux
一、df显示文件系统的使用情况,与du比較,就是更全盘化。 最经常使用的就是 df -T,显示文件系统的使用情况并显示文件系统的类型。 举比例如以下: [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时,觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了,就写了一个工具类,用到了反射,可以把查询记录的值装到对应的VO里,也可以生成该VO的List。
使用时需要注意:
考虑到Android的性能问题,VO没有使用Setter和Getter,而是直接用public的属性。
表中的字段名需要和VO的属性名一样,要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表,在该笔记中用到的就是这张表,大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓