- Pytorch实现之GIEGAN(生成器信息增强GAN)训练自己的数据集
这张生成的图像能检测吗
GAN系列pytorch生成对抗网络人工智能深度学习计算机视觉机器学习python
简介简介:在训练数据样本之前首先利用VAE来推断潜在空间中不同类的分布,用于后续的训练,并使用它来初始化GAN。与ACGAN和BAGAN不同的是,提出的GIEGAN有一个分类器结构,这个分类器主要判断生成的图像或者样本图像属于哪个类,而鉴别器仅判断图像是来自于生成器还是真实样本。论文题目:GeneratorInformationEnhancementGenerativeAdversarialNet
- 网络端口号大全
Long._.L
网络安全Windows网络安全系统安全
文章目录端口分类端口大全0-117118-374376-595597-19121981-55995600-76757676-2737430100-65301端口分类公认端口(Well-KnownPorts)范围从0到1023动态端口(DynamicPorts)范围从1024到65535公认端口:它们紧密绑定于一些服务。通常这些端口的通讯明确表明了某种服务的协议。例如21端口分配给FTP服务,25端
- 【深度学习】Unet的基础介绍
牧歌悠悠
深度学习人工智能算法深度学习人工智能U-net
U-Net是一种用于图像分割的深度学习模型,特别适合医学影像和其他需要分割细节的任务。如图:Unet论文原文为什么叫U-Net?U-Net的结构像字母“U”,所以得名。它的结构由两个主要部分组成:下采样(编码器):图像逐渐被缩小并且提取特征。上采样(解码器):逐渐恢复图像的尺寸,并通过“跳跃连接”将高分辨率的特征与低分辨率的特征结合,以保持细节。网络结构U-Net通常包括以下几部分:(1)下采样(
- 2025年——自学黑客计划(网络安全)
网安CILLE
web安全网络安全网络安全linux
CSDN大礼包:基于入门网络安全/黑客打造的:黑客&网络安全入门&进阶学习资源包前言什么是网络安全网络安全可以基于攻击和防御视角来分类,我们经常听到的“红队”、“渗透测试”等就是研究攻击技术,而“蓝队”、“安全运营”、“安全运维”则研究防御技术。如何成为一名黑客很多朋友在学习安全方面都会半路转行,因为不知如何去学,在这里,我将这个整份答案分为黑客(网络安全)入门必备、黑客(网络安全)职业指南、黑客
- 2025年——自学黑客计划(网络安全)
网安CILLE
web安全网络安全网络安全linux
CSDN大礼包:基于入门网络安全/黑客打造的:黑客&网络安全入门&进阶学习资源包前言什么是网络安全网络安全可以基于攻击和防御视角来分类,我们经常听到的“红队”、“渗透测试”等就是研究攻击技术,而“蓝队”、“安全运营”、“安全运维”则研究防御技术。如何成为一名黑客很多朋友在学习安全方面都会半路转行,因为不知如何去学,在这里,我将这个整份答案分为黑客(网络安全)入门必备、黑客(网络安全)职业指南、黑客
- SSL证书种类解析与选型指南!
sslhttps
SSL证书作为保障网站安全的核心要素,其种类选择直接影响着网站的安全性和可信度。本文将解析主流SSL证书类型,并提供选型建议。SSL证书主要从三个维度进行分类:1.验证级别域名验证型(DV):快速验证域名所有权,适合个人网站组织验证型(OV):验证企业真实性,适合企业官网扩展验证型(EV):最高级别验证,适合金融支付场景↓SSL证书申请:https://www.joyssl.com/brands/
- AI 驱动的自动化测试:从代码到报告的全面解读
测试者家园
人工智能软件测试质量效能测试策略自动化测试测试报告测试用例
在软件开发的生命周期中,测试一直是确保软件质量的关键环节。然而,随着开发规模的日益庞大,传统的手动测试和简单的自动化脚本已经无法满足高效、快速和高质量的需求。随着人工智能(AI)的兴起,尤其是在深度学习、自然语言处理(NLP)和智能决策算法方面的突破,AI驱动的自动化测试正逐渐成为现代软件开发中的核心组成部分。从自动生成测试用例、智能缺陷预测、到自动化报告生成,AI技术的应用为软件测试带来了革命性
- Excel数据透视表行标签和列标签设置详解
mmoo_python
excelwindows
Excel数据透视表行标签和列标签设置详解在Excel中,数据透视表作为一种高效的数据分析工具,被广泛用于数据处理和报告生成。它允许用户以灵活的方式对大量数据进行汇总、分类和分析,而行标签和列标签则是数据透视表中至关重要的组成部分,它们决定了数据的展示方式和阅读便利性。本文将详细介绍如何在Excel中设置数据透视表的行标签和列标签,帮助用户轻松掌握这一实用技能。一、数据透视表基础在深入探讨行标签和
- 模型压缩-模型蒸馏、模型剪枝、模型量化
NLP的小Y
剪枝机器学习nlp语言模型
一、模型蒸馏1.1蒸馏简介知识蒸馏是指通过教师模型指导学生模型训练,通过蒸馏的方式让学生模型学习到教师模型的知识,最终使学生模型达到或媲美教师模型的准确度。在模型压缩中,教师模型是一个预训练好的复杂的模型,而学生模型是一个规模较小的模型。如分类任务中,由训练好的教师模型在相同的数据下,通过将教师模型对样本的预测值作为学生模型的预测目标,指导学生模型学习,这个预测值一般指教师网络输出的类概率。教师模
- 机器学习(一) 本文(3万字) | 机器学习概述 |
小酒馆燃着灯
机器学习人工智能深度学习目标检测vscodepytorchpython
推荐阅读,点击查看文章目录1.统计学习(机器学习)1.1特点1.2对象1.3目的1.4方法1.5步骤2.基本分类2.1监督学习2.1.1输入空间、特征空间和输出空间2.1.2概率分布2.1.3假设空间2.1.4问题的形式化2.2无监督学习2.3强化学习2.4半监督学习与主动学习3.基于模型分类4.基于技巧分类4.1贝叶斯学习4.2核方法5.统计学习三要素5.1模型5.2策略5.2.1损失函数与风险
- 智能汽车安全实战:车联网威胁检测从入门到精通(含CAN总线/OTA/深度学习完整代码实现)
Coderabo
DeepSeekR1模型企业级应用汽车安全深度学习
车联网安全威胁检测实战:从CAN总线到OTA的全链路攻防解析(附完整Python代码)一、车联网安全威胁现状与挑战随着智能网联汽车渗透率突破60%,车端ECU数量超过150个,车载通信接口增加至8种以上,攻击面呈现指数级增长趋势。2023年某知名车企曝出的OTA升级漏洞导致50万辆汽车面临远程控制风险,凸显车联网安全检测的紧迫性。二、车联网安全检测技术框架2.1威胁检测架构设计classVehic
- 58同城深度学习推理平台:基于Istio的云原生网关实践解析
ITPUB-微风
云原生深度学习istio
在当今数字化时代,深度学习技术的快速发展为各行各业带来了革命性的变化。作为国内领先的分类信息网站,58同城一直致力于通过技术创新提升服务质量和用户体验。近期,58同城AILab推出了一项重要的技术革新——基于Istio的云原生网关深度学习推理平台。本文将从技术角度深入解析这一创新实践,探讨其架构设计、应用效果以及未来发展方向。一、深度学习推理平台的重要性深度学习推理平台在58同城的业务中扮演着至关
- 内容中台重构智能服务:人工智能技术驱动精准决策
清风徐徐de来
其他
内容概要现代企业数字化转型进程中,内容中台与人工智能技术的深度融合正在重构智能服务的基础架构。通过整合自然语言处理、知识图谱构建与深度学习算法三大技术模块,该架构实现了从数据采集到决策输出的全链路智能化。在数据层,系统可对接CRM、ERP等企业软件,通过标准化接口完成多源异构数据的实时清洗与结构化处理,例如某金融科技平台利用动态知识图谱技术,将分散的客户行为数据与市场情报进行语义关联,形成可解释的
- 给你的数据加上杠杆:文本增强技术的研究进展及应用实践
熵简科技Value Simplex
作者信息:文本出自熵简科技NLP算法团队,团队利用迁移学习、少样本学习、无监督学习等深度学习领域最新的思想和技术,为熵简科技各大业务线提供底层AI技术支持和可落地的解决方案,包括前沿算法的领域内落地以及持续部署的后台支持等。导读:本文摘自熵简科技NLP团队的内部技术沙龙,文章系统性地回顾了自然语言处理领域中的文本增强技术在近几年的发展情况,重点列举和讨论了18年、19年中人们常用的五类文本增强技术
- 深度学习时间序列预测:LSTM算法构建PM2.5单变量模型及Python实现
代码编织匠人
python深度学习lstm
深度学习时间序列预测:LSTM算法构建PM2.5单变量模型及Python实现时间序列预测是指根据历史数据对未来的时间点进行预测,对于一些与时间相关的问题,例如气象、股票市场走势等,时间序列预测具有非常重要的应用价值。本文将介绍如何使用深度学习中的LSTM算法,构建针对空气质量(PM2.5)的时间序列单变量模型,并使用Python进行实现。数据准备首先,我们需要收集历史空气质量(PM2.5)数据,以
- 利用深度学习进行汇率预测:LSTM与Transformer模型的应用实践
人工智能_SYBH
深度学习lstmtransformer
第一部分:数据收集与准备1.1数据集介绍1.2数据准备第二部分:使用LSTM模型进行汇率预测2.1数据序列化2.2LSTM模型构建2.3模型训练与评估2.4结果可视化第三部分:使用Transformer模型进行汇率预测3.1数据序列化3.2Transformer模型构建3.3模型训练与评估3.4结果可视化结论引言外汇市场是一个充满波动性的金融市场,吸引了众多交易者和投资者。为了做出明智的决策,预测
- 使用shell脚本运行python程序
GiantGo
#Pythonpython开发语言
在训练深度学习模型时,为了解放生产力,避免手动调参等,一般写成shell脚本的形式,执行一次shell就可以把所有的python程序给运行完毕。例如,我需要探究batchsize的影响,一般新手入门可能这样做:设置batchsize=8,运行一次main.py程序。设置batchsize=16,运行一次main.py程序。设置batchsize=32,运行一次main.py程序。设置batchsi
- FaceSwap——人脸的自动交换或替换
爱研究的小牛
AIGC——图像AIGC人工智能深度学习
一、FaceSwap介绍FaceSwap是一款开源的深度学习应用程序,旨在实现人脸的自动交换或替换。二、FaceSwap的核心功能人脸交换(FaceSwapping):FaceSwap的主要功能是将一张人脸从源图像或视频中提取出来,然后将其应用到目标图像或视频中。该功能适用于静态图片和动态视频处理。人脸自动检测与对齐(FaceDetectionandAlignment):在进行人脸交换之前,Fac
- Deepseek整合SpringAI
java技术小馆
javaspringcloud
在现代应用开发中,问答系统是一个常见的需求,尤其是在客服、教育和技术支持领域。本文将介绍如何使用SpringBoot、Deepseek和SpringAI构建一个简单的问答系统,并通过Postman调用API接口实现问答功能。通过本文,你将学习如何整合这些技术,快速实现一个高效的问答系统。1.技术栈介绍SpringBoot:用于快速构建Java后端服务。Deepseek:高性能的深度学习推理框架,用
- wav文件详解
满舅娘
wav文件详解分类:视频音频图像处理算法2013-10-1013:5066人阅读评论(0)收藏举报音频wav格式介绍ffmpeg目录(?)[+]工具我们这里使用的工具有ffmpeg,cooledit,ultraedit。音频文件我们以这音频文件为介绍例子文件链接http://pan.baidu.com/s/1j6fbt
- 使用 AnyscaleEmbeddings 进行文本嵌入
dgay_hua
python
在自然语言处理(NLP)领域中,嵌入(Embedding)是一种将文本转换为向量表示的方法。今天,我们将通过AnyscaleEmbeddings类来演示如何进行文本嵌入,它能有效地将文本转换为高维向量,这在文本相似度计算、文本分类等任务中非常有用。1.技术背景介绍嵌入模型是NLP中的一种常见技术,它能够将语言数据映射为固定长度的高维向量。通过预训练模型(如BERT、GPT等),我们可以获得语义丰富
- DeepSeek智能测试助手:分类+推理+导出一站式工具
Python测试之道
测试提效pythonpython人工智能DeepSeek测试用例
前言测试开发工程师在日常工作中需要处理大量测试文档,并且这些文档需要被高效分类、清洗和管理,同时结合强大的AI推理能力(如DeepSeek模型)进行智能化处理和分析。为此,我们开发了一款基于PyQt5的GUI工具,集文件分类、内容清洗、内容展示、DeepSeek推理和结果导出于一体。本文将详细介绍这款工具的功能实现,并提供完整的源码,让测试工程师轻松实现测试文档的智能化管理与分析。功能特点智能文档
- 量化交易入门——平台框架、技术类策略、量化心得
アナリスト
机器学习深度学习概率论算法
量化平台分类:本地:MC、TB、WH、TS、MT4云端:聚宽、优矿、米筐、bigquantSDK/量化API:万得、东财choice、掘金量化开源框架:PyCTP、Vnpy、zipline、quicklib使用平台的优点:省时省力,无需收集清洗数据无需编写复杂的回测引擎有大量集成好的函数使用使用平台的缺点:无法导入数据;数据有问题就没辙无法自定义下单算法很多限制,如日线只能用收盘价买卖编程语法不统
- R语言中的偏最小乘回归(Partial Least Squares Regression, PLSR)和判别分析(Discriminant Analysis,
程序才子
r语言回归开发语言R语言
R语言中的偏最小乘回归(PartialLeastSquaresRegression,PLSR)和判别分析(DiscriminantAnalysis,DA)偏最小乘回归(PartialLeastSquaresRegression,PLSR)与判别分析(DiscriminantAnalysis,DA)是R语言中常用的数据建模和预测技术。它们可以用于解决回归问题和分类问题。本文将介绍PLSR和DA的基本
- 为AI聊天工具添加一个知识系统 之113 详细设计之54 Chance:偶然和适配 之2
一水鉴天
软件智能智能制造人工语言开发语言人工智能
本文要点要点祖传代码中的”槽“(占位符变量)和它在实操中的三种槽(占据槽,请求槽和填充槽,实时数据库(source)中数据(流入ETL的一个正序流程行列并发靶向整形绑定变量)是如何通过“命名所依的AI行为”、“分类所缘的因果结构”和“求实所据的机器特征”(元数据仓库OLAP的三个行式并行服务进程锚定配形-限定变量)来精确锚定ETL任务绑定中的这个绑定到底是,谁和谁的什么绑定(资源存储库随着ETL的
- 国外7个最佳大语言模型 (LLM) API推荐
程序员后端
大型语言模型(LLM)API将彻底改变我们处理语言的方式。在深度学习和机器学习算法的支持下,LLMAPI提供了前所未有的自然语言理解能力。通过利用这些新的API,开发人员现在可以创建能够以前所未有的方式理解和响应书面文本的应用程序。下面,我们将比较从Bard到ChatGPT、PaLM等市场上顶级LLMAPI。我们还将探讨整合这些LLM的潜在用例,并考虑其对语言处理的影响。什么是大语言模型(LLM)
- Ubuntu22.4.03服务器版安装及搭建深度学习环境的问题总结
蜡笔小祎在线学习
问题集合深度学习人工智能
Ubuntu22.4.03服务器版安装流程整个流程已经有很多分享帖了,这里概述一下:下载iso制作启动U盘,按f2进入安装,选择语言,键盘布局english,ubuntuserver安装,DHCP自动配置网络(问题1),代理服务器我们没填,配置阿里云镜源http://mirrors.aliyun.com/ubuntu/,磁盘分区(问题2),设置服务器密码,安装ssh远程工具,重启reboot。可参
- 基于Transformer的YOLOv8检测头架构改进:提升目标检测精度的全新突破(YOLOv8)
步入烟尘
transformerYOLO目标检测
本专栏专为AI视觉领域的爱好者和从业者打造。涵盖分类、检测、分割、追踪等多项技术,带你从入门到精通!后续更有实战项目,助你轻松应对面试挑战!立即订阅,开启你的YOLOv8之旅!专栏订阅地址:https://blog.csdn.net/mrdeam/category_12804295.html文章目录基于Transformer的YOLOv8检测头架构改进:提升目标检测精度的全新突破什么是DAtten
- ptython setup.py install 设置python包编译时的并行数
leo0308
基础知识Pythonpythonpytorch3d
通过源码编译安装pytorch3d的时候,直接执行pythonsetup.pyinstall时,默认开的并行数很多,有10几个,直接导致机器卡死。通过设置下面的环境变量,可以设置较小的并行数,避免占用过多的资源。exportMAX_JOBS=4设置后,同时只有4个编译的进程。
- 【深度学习目标检测|YOLO算法5-1-1】YOLO家族进化史:从YOLOv1到YOLOv11的架构创新、性能优化与行业应用全解析...
985小水博一枚呀
论文解读深度学习目标检测YOLO人工智能算法架构网络
【深度学习目标检测|YOLO算法5-1-1】YOLO家族进化史:从YOLOv1到YOLOv11的架构创新、性能优化与行业应用全解析…【深度学习目标检测|YOLO算法5-1-1】YOLO家族进化史:从YOLOv1到YOLOv11的架构创新、性能优化与行业应用全解析…文章目录【深度学习目标检测|YOLO算法5-1-1】YOLO家族进化史:从YOLOv1到YOLOv11的架构创新、性能优化与行业应用全解
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不