- Python中的深度学习神经网络
2301_78297473
深度学习python神经网络
文章目录1.引言-简介-深度学习与Python的关系2.神经网络的原理-神经网络基础知识-Python中的神经网络库与工具-构建与训练神经网络模型的步骤深度学习训练过程3.卷积神经网络的原理-卷积层与池化层-特征提取与全连接层-Python中的CNN库与工具4.Python中深度学习的挑战和未来发展方向-计算资源与速度-迁移学习与模型压缩-融合多种深度学习算法1.引言-简介深度学习是机器学习的一个
- 一文读懂深度适配网络(DAN)
weixin_34088838
人工智能
这周五下午约见了机器学习和迁移学习大牛、清华大学的龙明盛老师。老师为人非常nice,思维敏捷,非常健谈!一不留神就谈了1个多小时,意犹未尽,学到了很多东西!龙明盛老师在博士期间(去年博士毕业)发表的文章几乎全部是A类顶会,他在学期间与世界知名学者杨强、PhilipS.Yu及MichaelI.Jordan多次合作,让我非常膜拜!这次介绍他在ICML-15上提出的深度适配网络。深度适配网络(DeepA
- 迁移学习之领域泛化
踩着上帝的小丑
#RL迁移学习人工智能机器学习
领域泛化领域泛化(DomainGeneralization)是机器学习和计算机视觉中的一个重要概念,它指的是模型能够从一个或多个源领域(sourcedomains)学习到的知识或模式,成功地应用到与训练时未见过的目标领域(targetdomain)上,即使这些领域之间存在分布差异。简单来说,领域泛化就是希望模型能够“举一反三”,不仅限于在特定数据集或特定环境下表现良好,而是能够跨越不同的环境或数据
- 23 注意力机制—BERT
Unknown To Known
动手学习深度学习bert人工智能深度学习
目录BERT预训练NLP里的迁移学习BERTBERT动机BERT预训练NLP里的迁移学习在计算机视觉中比较流行,将ImageNet或者更大的数据集上预训练好的模型应用到其他任务中,比如小数据的预测、图片分类或者是目标检测使用预训练好的模型(例如word2vec或语言模型)来抽取词、句子的特征做迁移学习的时候,一般不更新预训练好的模型在更换任务之后,还是需要构建新的网络来抓取新任务需要的信息使用预训
- Unet 高阶分割网络实战、多类别分割、迁移学习(deeplab、resnet101等等)
听风吹等浪起
图像分割计算机视觉人工智能
1、前言Unet图像分割之前介绍了不少,具体可以参考图像分割专栏为了实现多类别的自适应分割,前段时间利用numpy的unique函数实现了一个项目。通过numpy函数将mask的灰度值提取出来,保存在txt文本里,这样txt里面就会有类似012...等等的灰度值。而有几个灰度值,就代表分割要分出几个类别。具体可以参考:Unet实战分割项目、多尺度训练、多类别分割将vgg换成resnet的unet参
- 探索XGBoost:深度集成与迁移学习
Echo_Wish
Python笔记Python算法迁移学习机器学习人工智能
导言深度集成与迁移学习是机器学习领域中的两个重要概念,它们可以帮助提高模型的性能和泛化能力。本教程将详细介绍如何在Python中使用XGBoost进行深度集成与迁移学习,包括模型集成、迁移学习的概念和实践等,并提供相应的代码示例。模型集成模型集成是一种通过组合多个模型来提高性能的技术。XGBoost提供了集成多个弱学习器的功能,可以通过设置booster参数来选择集成模型。以下是一个简单的示例:i
- 机器学习、深度学习、强化学习、迁移学习的关联与区别
半亩花海
学习笔记机器学习深度学习迁移学习学习人工智能
Hi,大家好,我是半亩花海。本文主要了解并初步探究机器学习、深度学习、强化学习、迁移学习的关系与区别,通过清晰直观的关系图展现出四种“学习”之间的关系。虽然这四种“学习”方法在理论和应用上存在着一定的区别,但它们之间也存在交叉和重叠,有时候也会结合使用来解决实际问题。一、四种“学习”1.机器学习机器学习是人工智能的一个子领域,研究如何让计算机系统利用数据和经验,来不断改善和优化自身的性能。其核心思
- 预训练和微调在迁移学习中的作用
一条小小yu
迁移学习人工智能机器学习
在机器学习和深度学习中,"pre-training"(预训练)和"fine-tuning"(微调)是两个常见且重要的概念,它们通常在迁移学习场景中使用,以提高模型在特定任务上的性能。预训练(Pre-training)预训练是指在一个大型且通常与目标任务相关但不完全相同的数据集上训练模型的过程。这个阶段的目的是让模型学习到一些通用的特征或知识,这些特征或知识可以帮助模型在后续的特定任务上表现更好。预
- Python环境下基于深度判别迁移学习网络的轴承故障诊断
哥廷根数学学派
故障诊断信号处理深度学习python迁移学习开发语言
目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中,该假设却未必存在。一方面,如果将利用某一领域数据训练得到的模型直接应用于新的目标领域,领域之间切实存在的数据差异可能会导致模型效果的骤然下降。另一方面,如果直接在新的目标领域中进行模型的训练,其数据的稀缺和标注的不完整可能会导致监督学习出现严重的过拟合问题,难以达到令人满意的学习效果
- 【深度学习:迁移学习】图像识别预训练模型的迁移学习
jcfszxc
深度学习知识专栏深度学习迁移学习人工智能
【深度学习:迁移学习】图像识别预训练模型的迁移学习什么是迁移学习?为什么不从头开始训练模型?迁移学习的优点是:如何使用预训练模型进行迁移学习:迁移学习的过程:实施迁移学习来构建人脸识别模型:模型的构建分为3个步骤:1.导入预训练模型并添加密集层。2.将训练数据加载到图像数据生成器中。3.通过预测验证数据标签加载训练模型和模型评估结论:本文的目的是使用迁移学习快速、轻松地解决图像识别问题。为了演示,
- 【前沿技术杂谈:迁移学习】欧洲人工智能法案对人工智能开发者的意义 [2023 年 12 月更新]
jcfszxc
深度学习知识专栏人工智能迁移学习机器学习
【前沿技术杂谈:迁移学习】欧洲人工智能法案对人工智能开发者的意义[2023年12月更新]定义、一般原则和禁止做法人工智能系统开发者基于风险的义务固定和通用人工智能开发人员(第3/28条)基础模型的提供者(第28b条)生成人工智能模型的提供商(第28b4条)高风险人工智能系统和分类(第6/7条)治理和执行12月修正案和批准最后的评论TL;DRAI窥视,准备迎接冲击!欧盟人工智能法案即将推出,这是世界
- 低资源学习与知识图谱:构建与应用
cooldream2009
AI技术知识图谱知识图谱人工智能低资源
目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域,低资源学习成为一个备受关注的话题,尤其是在少样本学习和零样本学习方面。这种学
- 深度学习之迁移学习实现神奇宝贝识别
starlet_kiss
机器学习深度学习人工智能迁移学习
经过之前深度学习的实践,无论是自己搭建的CNN网络也好,还是通过迁移学习调用官方的网络模型也好,都有其优点以及不足。本次实验通过对各种常用的CNN网络模型进行调用,了解一下它们的特点,对比一下在对于同一数据集进行分类时的准确率。本次所调用的CNN模型有:VGG16VGG19ResNetDensenet模型1.导入库importtensorflowastfimportnumpyasnpimportm
- LLM大模型常见问题解答(2)
lichunericli
LLM人工智能语言模型
对大模型基本原理和架构的理解大型语言模型如GPT(GenerativePre-trainedTransformer)系列是基于自注意力机制的深度学习模型,主要用于处理和生成人类语言。基本原理自然语言理解:模型通过对大量文本数据的预训练,学习到语言的统计规律,从而能够在不同的语言任务上表现出自然语言理解的能力。迁移学习:GPT类模型首先在一个广泛的数据集上进行预训练,以掌握语言的通用表示,然后可以在
- 大模型注入领域知识,模型体验和Token重复知识
lichunericli
LLM人工智能语言模型
1如何给LLM注入领域知识?给LLM(低层次模型,如BERT、GPT等)注入领域知识的方法有很多。以下是一些建议:数据增强:在训练过程中,可以通过添加领域相关的数据来增强模型的训练数据。这可以包括从领域相关的文本中提取示例、对现有数据进行扩充或生成新的数据。迁移学习:使用预训练的LLM模型作为基础,然后在特定领域的数据上进行微调。这样可以利用预训练模型学到的通用知识,同时使其适应新领域。领域专家标
- 深度学习基础
EEPI
深度学习人工智能
深度学习基础highvariance/datamismatchwhatisdatamismatchhowtosolvedatamismatchdatasynthesis数据合成迁移学习与预训练/微调什么时候用迁移学习highvariance/datamismatchwhatisdatamismatch如果训练集和验证集的loss不一样,且验证集的loss高很多,有2种原因:1.方差太大。模型没见过
- 基于NSGA-II的深度迁移学习
代码缝合怪
机器学习+深度学习迁移学习人工智能机器学习
深度迁移学习迁移学习是一种机器学习技术,它允许一个预训练的模型被用作起点,在此基础上进行微调以适应新的任务或数据。其核心思想是利用从一个任务中学到的知识来帮助解决另一个相关的任务,即使这两个任务的数据分布不完全相同。这种方法可以加速学习过程,提高模型性能,并减少对新数据标注的依赖。为什么要迁移大数据与少标注的矛盾在大数据的时代背景下,我们所面临的数据量呈现爆炸性增长,同时数据类型也变得日益复杂多样
- Tensorflow2.0 查看网络中每层的名称、权重及特征图绘制
cofisher
Tensorflow2.0深度学习PHM项目实战--建模篇深度学习pythontensorflow
文章目录项目介绍实现过程1、构建网络2、查看每层名称3、查看指定层的权值4、特征图绘制项目介绍在网络训练过程中,我们经常需要查看某层权重的变化过程,这其实只需要简单的API就能实现。为了方便演示,我们使用迁移学习到的MobileNetV2网络。实现过程1、构建网络我们将冻结迁移到的MobileNetV2网络,然后将它最后的分类层换成我们自己定义的分类层即可。mobile=tf.keras.appl
- Tensorflow2.0 评价模型复杂度:参数量、FLOPs 和 MACC 计算
cofisher
深度学习PHM项目实战--建模篇tensorflow深度学习卷积python
文章目录项目介绍代码实现:对于迁移学习网络(复杂)1、迁移学习不带分类层的简化版MobileNetV2网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC代码实现:对于自编写网络(简单)1、导入网络2、查看网络结构3、提取需要分析的层4、计算FLOPs和MACC项目介绍在论文写作时,我们经常会对所提出模型的复杂度进行分析,主要用到的评价指标包括参数量、FLOPs和MACC,它们的计
- 【PyTorch】实现迁移学习框架DaNN
cofisher
PHM项目实战--建模篇PyTorchpytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义MMD损失5、定义训练函数5.1nn.CrossEntropyLoss()5.2.detach()5.3.sizeVS.shape5.4.to(DEVICE)5.5.max()5.6optimizer.zero_grad()
- 论文笔记:NIPS 2020 Graph Contrastive Learning with Augmentations
饮冰l
图弱监督数据挖掘机器学习神经网络深度学习
前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说,本文提出了一种图对比学习框架来无监督的完成图表示学习,首先作者提出了基于各种先验信息的四种图数据增强方法。然后,作者分析了在四种不同的图数据增强条件下,不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战,本文的主要贡献如下:作者提出
- 【多模态大模型】GLIP:零样本学习 + 目标检测 + 视觉语言大模型
Debroon
医学大模型:健康长寿学习目标检测人工智能
GLIP核心思想GLIP对比BLIP、BLIP-2、CLIP主要问题:如何构建一个能够在不同任务和领域中以零样本或少样本方式无缝迁移的预训练模型?统一的短语定位损失语言意识的深度融合预训练数据类型的结合语义丰富数据的扩展零样本和少样本迁移学习效果论文:https://arxiv.org/pdf/2112.03857.pdf代码:https://github.com/microsoft/GLIP核心
- 【PyTorch】实现迁移学习框架DANN
cofisher
PyTorchPHM项目实战--建模篇pytorch迁移学习人工智能
文章目录前言代码实现1、导入数据库关于torch.manual_seed(1)2、参数设置3、数据导入4、定义训练函数4.1nn.CrossEntropyLoss()4.2.detach()4.3.sizeVS.shape4.4.to(DEVICE)4.5.max()4.6optimizer.zero_grad()4.7len(data
- PyTorch 2.2 中文官方教程(十五)
绝不原创的飞龙
人工智能pytorch人工智能python
(beta)计算机视觉的量化迁移学习教程原文:pytorch.org/tutorials/intermediate/quantized_transfer_learning_tutorial.html译者:飞龙协议:CCBY-NC-SA4.0提示为了充分利用本教程,我们建议使用这个Colab版本。这将允许您尝试下面提供的信息。作者:ZafarTakhirov审阅者:RaghuramanKrishna
- Python 处理小样本数据的文档分类问题
田猿笔记
python知识库分类人工智能数据挖掘
在处理小样本数据的文档分类问题时,可以尝试使用迁移学习或者基于预训练模型的方法,如BERT、GPT等。然而,直接在这里编写一个完整的深度学习文档分类代码超出了这个平台的限制,但我可以为你提供一个基本的思路和简单示例,你可以根据这个思路进一步研究并实现。#导入必要的库fromtransformersimportBertTokenizer,BertForSequenceClassificationim
- 【文本到上下文 #10】探索地平线:GPT 和 NLP 中大型语言模型的未来
无水先生
NLP高级和ChatGPT人工智能自然语言处理gpt语言模型
一、说明 欢迎阅读我们【文本到上下文#10】:此为最后一章。以我们之前对BERT和迁移学习的讨论为基础,将重点转移到更广阔的视角,包括语言模型的演变和未来,特别是生成式预训练转换器(GPT)及其在NLP中的重要作用。 在最后一章中,我们将探讨:语言模型概述:了解它们在NLP中的作用和演变。GPT模型:深入研究GPT谱系及其影响。大型语言模型(LLM):揭示潜力和挑战。现实世界的NLP应用:这些
- AI预测-注意力机制/多头注意力机制及其tensorflow实现
写代码的中青年
AI预测人工智能tensorflowpython深度学习keras
AI预测相关目录AI预测流程,包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现holt提取时序序列特征TCN时
- AI预测-迁移学习在时序预测任务上的tensoflow2.0实现
写代码的中青年
AI预测人工智能迁移学习机器学习神经网络pythontensorflow
AI预测相关目录AI预测流程,包括ETL、算法策略、算法模型、模型评估、可视化等相关内容最好有基础的python算法预测经验EEMD策略及踩坑VMD-CNN-LSTM时序预测对双向LSTM等模型添加自注意力机制K折叠交叉验证optuna超参数优化框架多任务学习-模型融合策略Transformer模型及Paddle实现迁移学习在预测任务上的tensoflow2.0实现文章目录AI预测相关目录一、迁移
- 迁移学习Transfer Learning的优缺点,以及在使用迁移学习的注意事项!
小桥流水---人工智能
机器学习算法Python程序代码迁移学习人工智能机器学习
迁移学习TransferLearning1.迁移学习的优点和缺点:2.使用迁移学习时,需要解决以下问题:1.迁移学习的优点和缺点:迁移学习是一种机器学习方法,它可以使机器学习模型利用已有任务的学习结果,来帮助解决相似的新任务。优点:知识转移:迁移学习的核心思想是将在一个领域学到的知识应用到另一个领域。这使得我们可以在已有的数据集上训练模型,然后将这个模型应用到新的、不同的数据集上。避免重新训练:对
- 迁移学习实现图片分类任务
Cuteboom
迁移学习分类人工智能
导入工具包importtimeimportosimportnumpyasnpfromtqdmimporttqdmimporttorchimporttorchvisionimporttorch.nnasnnimporttorch.nn.functionalasFimportmatplotlib.pyplotasplt%matplotlibinline#忽略烦人的红色提示importwarningsw
- Java实现的基于模板的网页结构化信息精准抽取组件:HtmlExtractor
yangshangchuan
信息抽取HtmlExtractor精准抽取信息采集
HtmlExtractor是一个Java实现的基于模板的网页结构化信息精准抽取组件,本身并不包含爬虫功能,但可被爬虫或其他程序调用以便更精准地对网页结构化信息进行抽取。
HtmlExtractor是为大规模分布式环境设计的,采用主从架构,主节点负责维护抽取规则,从节点向主节点请求抽取规则,当抽取规则发生变化,主节点主动通知从节点,从而能实现抽取规则变化之后的实时动态生效。
如
- java编程思想 -- 多态
百合不是茶
java多态详解
一: 向上转型和向下转型
面向对象中的转型只会发生在有继承关系的子类和父类中(接口的实现也包括在这里)。父类:人 子类:男人向上转型: Person p = new Man() ; //向上转型不需要强制类型转化向下转型: Man man =
- [自动数据处理]稳扎稳打,逐步形成自有ADP系统体系
comsci
dp
对于国内的IT行业来讲,虽然我们已经有了"两弹一星",在局部领域形成了自己独有的技术特征,并初步摆脱了国外的控制...但是前面的路还很长....
首先是我们的自动数据处理系统还无法处理很多高级工程...中等规模的拓扑分析系统也没有完成,更加复杂的
- storm 自定义 日志文件
商人shang
stormclusterlogback
Storm中的日志级级别默认为INFO,并且,日志文件是根据worker号来进行区分的,这样,同一个log文件中的信息不一定是一个业务的,这样就会有以下两个需求出现:
1. 想要进行一些调试信息的输出
2. 调试信息或者业务日志信息想要输出到一些固定的文件中
不要怕,不要烦恼,其实Storm已经提供了这样的支持,可以通过自定义logback 下的 cluster.xml 来输
- Extjs3 SpringMVC使用 @RequestBody 标签问题记录
21jhf
springMVC使用 @RequestBody(required = false) UserVO userInfo
传递json对象数据,往往会出现http 415,400,500等错误,总结一下需要使用ajax提交json数据才行,ajax提交使用proxy,参数为jsonData,不能为params;另外,需要设置Content-type属性为json,代码如下:
(由于使用了父类aaa
- 一些排错方法
文强chu
方法
1、java.lang.IllegalStateException: Class invariant violation
at org.apache.log4j.LogManager.getLoggerRepository(LogManager.java:199)at org.apache.log4j.LogManager.getLogger(LogManager.java:228)
at o
- Swing中文件恢复我觉得很难
小桔子
swing
我那个草了!老大怎么回事,怎么做项目评估的?只会说相信你可以做的,试一下,有的是时间!
用java开发一个图文处理工具,类似word,任意位置插入、拖动、删除图片以及文本等。文本框、流程图等,数据保存数据库,其余可保存pdf格式。ok,姐姐千辛万苦,
- php 文件操作
aichenglong
PHP读取文件写入文件
1 写入文件
@$fp=fopen("$DOCUMENT_ROOT/order.txt", "ab");
if(!$fp){
echo "open file error" ;
exit;
}
$outputstring="date:"." \t tire:".$tire."
- MySQL的btree索引和hash索引的区别
AILIKES
数据结构mysql算法
Hash 索引结构的特殊性,其 检索效率非常高,索引的检索可以一次定位,不像B-Tree 索引需要从根节点到枝节点,最后才能访问到页节点这样多次的IO访问,所以 Hash 索引的查询效率要远高于 B-Tree 索引。
可能很多人又有疑问了,既然 Hash 索引的效率要比 B-Tree 高很多,为什么大家不都用 Hash 索引而还要使用 B-Tree 索引呢
- JAVA的抽象--- 接口 --实现
百合不是茶
抽象 接口 实现接口
//抽象 类 ,方法
//定义一个公共抽象的类 ,并在类中定义一个抽象的方法体
抽象的定义使用abstract
abstract class A 定义一个抽象类 例如:
//定义一个基类
public abstract class A{
//抽象类不能用来实例化,只能用来继承
//
- JS变量作用域实例
bijian1013
作用域
<script>
var scope='hello';
function a(){
console.log(scope); //undefined
var scope='world';
console.log(scope); //world
console.log(b);
- TDD实践(二)
bijian1013
javaTDD
实践题目:分解质因数
Step1:
单元测试:
package com.bijian.study.factor.test;
import java.util.Arrays;
import junit.framework.Assert;
import org.junit.Before;
import org.junit.Test;
import com.bijian.
- [MongoDB学习笔记一]MongoDB主从复制
bit1129
mongodb
MongoDB称为分布式数据库,主要原因是1.基于副本集的数据备份, 2.基于切片的数据扩容。副本集解决数据的读写性能问题,切片解决了MongoDB的数据扩容问题。
事实上,MongoDB提供了主从复制和副本复制两种备份方式,在MongoDB的主从复制和副本复制集群环境中,只有一台作为主服务器,另外一台或者多台服务器作为从服务器。 本文介绍MongoDB的主从复制模式,需要指明
- 【HBase五】Java API操作HBase
bit1129
hbase
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.HColumnDescriptor;
import org.apache.ha
- python调用zabbix api接口实时展示数据
ronin47
zabbix api接口来进行展示。经过思考之后,计划获取如下内容: 1、 获得认证密钥 2、 获取zabbix所有的主机组 3、 获取单个组下的所有主机 4、 获取某个主机下的所有监控项  
- jsp取得绝对路径
byalias
绝对路径
在JavaWeb开发中,常使用绝对路径的方式来引入JavaScript和CSS文件,这样可以避免因为目录变动导致引入文件找不到的情况,常用的做法如下:
一、使用${pageContext.request.contextPath}
代码” ${pageContext.request.contextPath}”的作用是取出部署的应用程序名,这样不管如何部署,所用路径都是正确的。
- Java定时任务调度:用ExecutorService取代Timer
bylijinnan
java
《Java并发编程实战》一书提到的用ExecutorService取代Java Timer有几个理由,我认为其中最重要的理由是:
如果TimerTask抛出未检查的异常,Timer将会产生无法预料的行为。Timer线程并不捕获异常,所以 TimerTask抛出的未检查的异常会终止timer线程。这种情况下,Timer也不会再重新恢复线程的执行了;它错误的认为整个Timer都被取消了。此时,已经被
- SQL 优化原则
chicony
sql
一、问题的提出
在应用系统开发初期,由于开发数据库数据比较少,对于查询SQL语句,复杂视图的的编写等体会不出SQL语句各种写法的性能优劣,但是如果将应用系统提交实际应用后,随着数据库中数据的增加,系统的响应速度就成为目前系统需要解决的最主要的问题之一。系统优化中一个很重要的方面就是SQL语句的优化。对于海量数据,劣质SQL语句和优质SQL语句之间的速度差别可以达到上百倍,可见对于一个系统
- java 线程弹球小游戏
CrazyMizzz
java游戏
最近java学到线程,于是做了一个线程弹球的小游戏,不过还没完善
这里是提纲
1.线程弹球游戏实现
1.实现界面需要使用哪些API类
JFrame
JPanel
JButton
FlowLayout
Graphics2D
Thread
Color
ActionListener
ActionEvent
MouseListener
Mouse
- hadoop jps出现process information unavailable提示解决办法
daizj
hadoopjps
hadoop jps出现process information unavailable提示解决办法
jps时出现如下信息:
3019 -- process information unavailable3053 -- process information unavailable2985 -- process information unavailable2917 --
- PHP图片水印缩放类实现
dcj3sjt126com
PHP
<?php
class Image{
private $path;
function __construct($path='./'){
$this->path=rtrim($path,'/').'/';
}
//水印函数,参数:背景图,水印图,位置,前缀,TMD透明度
public function water($b,$l,$pos
- IOS控件学习:UILabel常用属性与用法
dcj3sjt126com
iosUILabel
参考网站:
http://shijue.me/show_text/521c396a8ddf876566000007
http://www.tuicool.com/articles/zquENb
http://blog.csdn.net/a451493485/article/details/9454695
http://wiki.eoe.cn/page/iOS_pptl_artile_281
- 完全手动建立maven骨架
eksliang
javaeclipseWeb
建一个 JAVA 项目 :
mvn archetype:create
-DgroupId=com.demo
-DartifactId=App
[-Dversion=0.0.1-SNAPSHOT]
[-Dpackaging=jar]
建一个 web 项目 :
mvn archetype:create
-DgroupId=com.demo
-DartifactId=web-a
- 配置清单
gengzg
配置
1、修改grub启动的内核版本
vi /boot/grub/grub.conf
将default 0改为1
拷贝mt7601Usta.ko到/lib文件夹
拷贝RT2870STA.dat到 /etc/Wireless/RT2870STA/文件夹
拷贝wifiscan到bin文件夹,chmod 775 /bin/wifiscan
拷贝wifiget.sh到bin文件夹,chm
- Windows端口被占用处理方法
huqiji
windows
以下文章主要以80端口号为例,如果想知道其他的端口号也可以使用该方法..........................1、在windows下如何查看80端口占用情况?是被哪个进程占用?如何终止等. 这里主要是用到windows下的DOS工具,点击"开始"--"运行",输入&
- 开源ckplayer 网页播放器, 跨平台(html5, mobile),flv, f4v, mp4, rtmp协议. webm, ogg, m3u8 !
天梯梦
mobile
CKplayer,其全称为超酷flv播放器,它是一款用于网页上播放视频的软件,支持的格式有:http协议上的flv,f4v,mp4格式,同时支持rtmp视频流格 式播放,此播放器的特点在于用户可以自己定义播放器的风格,诸如播放/暂停按钮,静音按钮,全屏按钮都是以外部图片接口形式调用,用户根据自己的需要制作 出播放器风格所需要使用的各个按钮图片然后替换掉原始风格里相应的图片就可以制作出自己的风格了,
- 简单工厂设计模式
hm4123660
java工厂设计模式简单工厂模式
简单工厂模式(Simple Factory Pattern)属于类的创新型模式,又叫静态工厂方法模式。是通过专门定义一个类来负责创建其他类的实例,被创建的实例通常都具有共同的父类。简单工厂模式是由一个工厂对象决定创建出哪一种产品类的实例。简单工厂模式是工厂模式家族中最简单实用的模式,可以理解为是不同工厂模式的一个特殊实现。
- maven笔记
zhb8015
maven
跳过测试阶段:
mvn package -DskipTests
临时性跳过测试代码的编译:
mvn package -Dmaven.test.skip=true
maven.test.skip同时控制maven-compiler-plugin和maven-surefire-plugin两个插件的行为,即跳过编译,又跳过测试。
指定测试类
mvn test
- 非mapreduce生成Hfile,然后导入hbase当中
Stark_Summer
maphbasereduceHfilepath实例
最近一个群友的boss让研究hbase,让hbase的入库速度达到5w+/s,这可愁死了,4台个人电脑组成的集群,多线程入库调了好久,速度也才1w左右,都没有达到理想的那种速度,然后就想到了这种方式,但是网上多是用mapreduce来实现入库,而现在的需求是实时入库,不生成文件了,所以就只能自己用代码实现了,但是网上查了很多资料都没有查到,最后在一个网友的指引下,看了源码,最后找到了生成Hfile
- jsp web tomcat 编码问题
王新春
tomcatjsppageEncode
今天配置jsp项目在tomcat上,windows上正常,而linux上显示乱码,最后定位原因为tomcat 的server.xml 文件的配置,添加 URIEncoding 属性:
<Connector port="8080" protocol="HTTP/1.1"
connectionTi