- 深入理解卷积神经网络(CNN)与循环神经网络(RNN)
CodeJourney.
cnnrnn人工智能
在当今的人工智能领域,神经网络无疑是最为璀璨的明珠之一。而卷积神经网络(ConvolutionalNeuralNetworks,CNN)和循环神经网络(RecurrentNeuralNetworks,RNN)作为神经网络家族中的重要成员,各自有着独特的架构和强大的功能,广泛应用于众多领域。本文将深入探讨这两种神经网络的原理、特点以及应用场景,为对深度学习感兴趣的读者提供全面的知识讲解。一、卷积神经
- 时序预测 | MATLAB实现贝叶斯优化CNN-GRU时间序列预测(股票价格预测)
Matlab机器学习之心
matlabcnngru
✅作者简介:热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页:Matlab科研工作室个人信条:格物致知,期刊达人。内容介绍股票价格预测一直是金融领域一个极具挑战性的课题。其内在的非线性、随机性和复杂性使得传统的预测方法难以取得令人满意的效果。近年来,深度学习技术,特别是卷积神经网络(CNN)和门控循环单元(GRU)的结合,为时
- 时序预测 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元时间序列预测
Matlab算法改进和仿真定制工程师
matlabcnngru
✅作者简介:热爱数据处理、数学建模、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击:Matlab科研工作室个人信条:格物致知。内容介绍时间序列预测在各个领域都具有重要的应用价值,例如金融市场预测、气象预报、交通流量预测等。准确地预测未来趋势对于决策制定至关重要。近年来,深度学习技术在时间序列预测领域取得了显著进展,其中卷积神经网络(CNN)和门控循环单元(GRU)由于其强
- 基于深度学习的目标检测算法综述:从RCNN到YOLOv13,一文看懂十年演进!
人工智能教程
深度学习目标检测算法人工智能自动驾驶YOLO机器学习
一、引言:目标检测的十年巨变2012年AlexNet拉开深度学习序幕,2014年RCNN横空出世,目标检测从此进入“深度时代”。十年间,算法从两阶段到单阶段,从Anchor-base到Anchor-free,从CNN到Transformer,从2D到3D,从监督学习到自监督学习,迭代速度之快令人目不暇接。本文将系统梳理基于深度学习的目标检测算法,带你全面了解技术演进、核心思想、代表算法、工业落地与
- 《目标法则》:如何找到你的明确首要目标?
女朱姝涵
我们每个人都想找到自己最终要确定的目标,但是很多人终其一生都在寻找中,都没有找到自己最需要的目标。在一本书中,结合成功学之父拿破仑•希尔里面的理念,可以助力你找到自己最终的目标。该书就是《目标法则—大师的积极思维课》。作者是米奇•霍洛维茨,作家,企鹅出版社编辑,著有《隐秘美国》《神奇俱乐部》等获奖图书。是很多时报的专栏作家,更是CNN,哥伦比亚广播等有声书讲师,一生在研究拿破仑•希尔的思想。什么是
- 【YOLO系列】YOLOv1详解:模型结构、损失函数、训练方法及代码实现
一碗白开水一
yolo系列助你拿捏AI算法YOLO人工智能目标检测计算机视觉
YOLOv1(YouOnlyLookOnce):实时目标检测的革命性突破✨motivation在目标检测领域,传统方法如R-CNN系列存在计算冗余、推理速度慢的问题。2016年提出的YOLO(YouOnlyLookOnce)首次实现端到端单阶段检测,将检测速度提升至45FPS(FasterR-CNN仅7FPS),彻底改变了实时目标检测的格局。其核心思想是将检测视为回归问题,实现"看一眼即知全貌"的
- 基于深度学习的图像分类:使用ShuffleNet实现高效分类
Blossom.118
机器学习与人工智能深度学习分类人工智能机器学习数据挖掘python目标检测
前言图像分类是计算机视觉领域中的一个基础任务,其目标是将输入的图像分配到预定义的类别中。近年来,深度学习技术,尤其是卷积神经网络(CNN),在图像分类任务中取得了显著的进展。ShuffleNet是一种轻量级的深度学习架构,专为移动和嵌入式设备设计,能够在保持较高分类精度的同时,显著减少计算量和模型大小。本文将详细介绍如何使用ShuffleNet实现高效的图像分类,从理论基础到代码实现,带你一步步掌
- 实时检测延迟超200ms?陌讯新框架FPS提速50%揭晓
2501_92474779
目标跟踪人工智能计算机视觉机器学习算法视觉检测
开篇痛点在现代安防监控场景中,实时目标检测(Real-timeObjectDetection)至关重要,但传统算法如FasterR-CNN或YOLOv5往往面临严峻挑战。实测数据显示:复杂环境下(如夜间低光照、人群密集区),漏检率(MissRate)高达15-20%,导致安全隐患;同时,检测延迟(Latency)常超过200ms,影响应急响应。例如,某城市交通监控系统报告,在雨雾天气中的车辆误报率
- MATLAB实现基于GA-CNN-BiLSTM-Attention遗传算法(GA)优化卷积双向长短期记忆神经网络融合注意力机制进行多变量时序预测的详细项目实例(含模型描述及示例代码)
nantangyuxi
MATLAB含模型描述及示例代码神经网络matlabcnn支持向量机人工智能大数据深度学习
目录MATLAB实现基于GA-CNN-BiLSTM-Attention遗传算法(GA)优化卷积双向长短期记忆神经网络融合注意力机制进行多变量时序预测的详细项目实例...2项目背景介绍...2项目目标与意义...31.提高多变量时序预测的准确性...32.弥补传统方法的局限性...33.提高模型训练效率...3
- GWO-CNN-BiLSTM-Attention多变量多步时间序列预测 | Matlab实现灰狼算法优化卷积双向长短期记忆融合注意力机制
✅作者简介:热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页:Matlab科研工作室个人信条:格物致知,期刊达人。内容介绍摘要:时间序列预测在各个领域具有广泛的应用,而多变量多步时间序列预测由于其复杂性和挑战性,一直是研究热点。本文提出了一种基于灰狼算法(GreyWolfOptimizer,GWO)优化的卷积神经网络(Conv
- 14、基于无人机与CNN技术的森林研究:原木识别与冠层空隙分析
Sunny
计算科学前沿:ICCSA2021精选无人机CNN原木识别
基于无人机与CNN技术的森林研究:原木识别与冠层空隙分析基于CNN的原木识别研究近年来,基于单根原木追踪圆木的方法备受关注。此前的研究提出了一种基于原木端面图像的物理自由方法,借鉴了指纹和虹膜识别的技术,在使用真实分割数据时取得了不错的效果。但在实际应用中,需要一个完全自动化的系统。为了填补这一空白,研究采用了基于卷积神经网络(CNN)的分割方法与原木识别方法相结合的方式,并与传统原木识别方法在自
- 基于孪生网络 (Siamese Network) 的人脸识别系统
DeniuHe
Pytorchpytorch
上一个帖子记录了基于普通CNN的人脸识别系统。但是,测试准确率实在太低了只有30%。这次使用孪生网络(SiameseNet)进行实现。代码实现使用了VGG19预训练模型作为特征提取器,通过对比学习来判断两张人脸图像是否属于同一人。整个代码分为数据准备、模型构建、训练和测试四个主要部分。importmatplotlib.pyplotaspltimporttorchfromtorchimportnnf
- 基于深度学习的图像分类:使用Inception-v3实现高效分类
Blossom.118
机器学习与人工智能深度学习分类人工智能机器学习数据挖掘计算机视觉python
前言图像分类是计算机视觉领域中的一个基础任务,其目标是将输入的图像分配到预定义的类别中。近年来,深度学习技术,尤其是卷积神经网络(CNN),在图像分类任务中取得了显著的进展。Inception-v3是一种高效的深度学习架构,通过引入多尺度特征提取和模块化设计,显著提高了模型的性能和效率。本文将详细介绍如何使用Inception-v3实现高效的图像分类,从理论基础到代码实现,带你一步步掌握基于Inc
- 探秘VCSI:一款创新的视觉内容识别工具
探秘VCSI:一款创新的视觉内容识别工具是一个基于深度学习的开源项目,其主要目标是帮助开发者和数据科学家进行高效、精确的视觉内容识别。在这个数字时代,我们每天都被大量的图像和视频所包围,VCSI提供了强大的工具,使得机器能够理解这些媒体内容,从而打开了一扇全新的应用之门。技术解析VCSI基于现代神经网络架构,特别是卷积神经网络(CNNs),用于图像特征提取。它利用预训练模型,如VGG16和ResN
- 阿里云内容审核之图片审核 spring boot 项目
大佐不会说日语~
阿里云云计算安全springboot
内容审核-阿里云视觉智能开放平台阿里云的图片审核服务是一种高效的内容安全解决方案,用于自动检测和过滤图片中的不适当内容。以下是关于阿里云图片审核服务:审核方式:阿里云图片审核服务采用两种主要方式来检测图片内容:MD5比对:通过比较上传图片的MD5值与素材库中的MD5值来获取审核结果。卷积神经网络(CNN)技术:使用CNN技术进行特征提取、各部分特征汇总,并通过分类器预测识别来进行审核。内容安全服务
- 浪潮之巅--蓝色巨人IBM篇章
wingzheng
1911年,国际时间记录公司、计算尺公司、霍勒里斯的制表机器公司合并,成立了计算-制表-记录公司(Computing-Tabulating-RecordingCompany),即CTR公司。1914年,老托马斯沃森(ThomasJ.Watson,Sr.)加入CTR1924年,Watson将CTR改组为IBM早期的IBM,主要用户锁定为政府部门、和企事业单位(这一点一直延续至今)1925年,进入日本
- 深入探讨 Transformer 模型架构
年纪轻轻头已凉
transformer深度学习人工智能
```html深入探讨Transformer模型架构深入探讨Transformer模型架构Transformer是一种革命性的神经网络架构,由Vaswani等人在2017年提出,并在自然语言处理(NLP)领域取得了显著的成功。与传统的循环神经网络(RNN)和卷积神经网络(CNN)不同,Transformer完全依赖于自注意力机制(Self-AttentionMechanism),这使得它在处理长序
- Nacos - 阿里开源配置中心
文振熙
配置中心相信大家都有听过,zookeeper、apollo等等都是配置中心的代表,但大部分都是JAVA系为主的,笔者主要开发语言使用的是Golang当然也有类似于ETCD这样的组件,但是并不方便管理也无法可视化,在无意之间发现了阿里爸爸开源了nacos这个服务发现+配置中心组件,也经过了一段时间的时候在这里分享给大家附上:喵了个咪的博客:w-blog.cnNacos官方Git地址:https://
- Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法(BO)优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例(含模型描述及示例代
nantangyuxi
Python含模型描述及示例代码算法神经网络python人工智能大数据深度学习机器学习
目录Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法(BO)优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例...2项目背景介绍...2项目目标与意义...3高效的模型优化...3深度特征提取...3序列数据的时序建模...3
- 论文:SOLO: Segmenting Objects by Locations
小仙女呀灬
图像分割计算机视觉机器学习人工智能
作者摘要我们提出了一种新的、非常简单的实例分割方法。与许多其他密集预测任务(例如语义分割)相比,任意数量的实例使实例分割更具挑战性。为了预测每个实例的掩码,主流方法要么遵循“先检测后分割”策略(例如,MaskR-CNN),要么先预测嵌入向量,然后使用聚类技术将像素分组到单个实例中。我们通过引入“实例类别”的概念,从全新的角度看待实例分割的任务,它根据实例的位置和大小为实例中的每个像素分配类别,从而
- 60、深度学习的发展历程和应用领域【用Python进行AI数据分析进阶教程】
理工男大辉郎
python人工智能数据分析机器学习深度学习
用Python进行AI数据分析进阶教程60:深度学习的发展历程和应用领域关键词:深度学习、神经网络、卷积神经网络、自然语言处理、自动驾驶摘要:本文概述了深度学习的发展历程及其应用领域。从20世纪40年代的神经网络起源,到80年代反向传播算法的提出,再到21世纪初因数据爆炸和计算能力提升而复兴,深度学习经历了多个重要阶段。如今,各种深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)及其变体
- TVP:用于高效二维时序视频定位的文本-视觉提示方法
AI专题精讲
强化学习强化学习文本视觉人工智能
温馨提示:本篇文章已同步至"AI专题精讲"TVP:用于高效二维时序视频定位的文本-视觉提示方法摘要本文研究的是时序视频定位(TemporalVideoGrounding,TVG)问题,其目标是在一段未经剪辑的长视频中,根据一条文本描述预测对应事件片段的起始和结束时间点。近年来,得益于精细的三维视觉特征,TVG技术取得了显著进展。然而,三维卷积神经网络(3DCNN)计算复杂度高,使得密集的3D视觉特
- DL00478-涡轮叶片缺陷检测数据集yolo格式1300张左右
涡轮叶片缺陷检测数据集yolo格式1300张左右涡轮叶片缺陷检测数据集YOLO格式解析:提升研究与论文写作的关键要点在研究涡轮叶片缺陷检测的过程中,数据集的选择和格式处理是一个至关重要的环节。特别是当你打算通过卷积神经网络(CNN)等深度学习模型进行缺陷检测时,数据集的标注和格式化直接影响到模型的训练效果和论文的质量。本文将重点探讨涡轮叶片缺陷检测数据集的YOLO格式,并分析如何利用这一格式为研究
- 车辆云端威胁情报共享系统的多维解析与发展路径
百态老人
大数据人工智能
第一部分:内容本质提取原始内容描述了一个闭环网络安全体系:“车辆实时上传异常行为日志至安全运营中心(VSOC),云端通过机器学习分析攻击模式并下发全局防御策略”。其核心架构包含:数据采集层:车辆端持续收集异常行为日志数据,包含CAN总线通信模式、网络流量特征及驾驶行为数据传输层:通过V2X通信协议和OTA更新通道实现车云双向通信分析层:安全运营中心(VSOC)采用CNN-BiSRU等深度学习模型进
- 基于卷积神经网络与小波变换的医学图像超分辨率算法复现
神经网络15044
python算法cnn算法人工智能图像处理开发语言神经网络深度学习
基于卷积神经网络与小波变换的医学图像超分辨率算法复现前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家,觉得好请收藏。点击跳转到网站。1.引言医学图像超分辨率技术在临床诊断和治疗规划中具有重要意义。高分辨率的医学图像能够提供更丰富的细节信息,帮助医生做出更准确的诊断。近年来,深度学习技术在图像超分辨率领域取得了显著进展。本文将复现一种结合卷积神经网络(CNN)、小波变
- 【三维感知目标检测论文阅读】《Point RCNN: An Angle-Free Framework for Rotated Object Detection》
今天给大家带来的论文是2019年的《PointRCNN:AnAngle-FreeFrameworkforRotatedObjectDetection》。尽管这是一篇较早的纯点云检测论文,但我把它放在了最后来讲。因为在了解了各类主流方法后,再回过头来阅读它会有更深的理解。PointRCNN采用自底向上的方式直接从点云生成高质量的3D候选框,其对于旋转框的无角度(Angle-Free)处理方式,对于理
- 【人工智能99问】卷积神经网络(CNN)的结构和原理是什么?(10/99)
文章目录卷积神经网络(CNN)的结构及原理一、CNN的核心结构1.输入层(InputLayer)2.卷积层(ConvolutionalLayer)2.卷积层的核心机制:局部感受野与权值共享3.池化层(PoolingLayer)4.全连接层(FullyConnectedLayer)5.输出层(OutputLayer)6.辅助层二、CNN的工作原理三、CNN的使用场景1.计算机视觉(最核心场景)2.其
- 【CNN】卷积神经网络池化- part2
1.池化降采样,减少参数数量,避免过拟合,提高鲁棒性2.池化操作池化操作(也称为下采样,Subsampling)类似卷积操作,使用的也是一个很小的矩阵,叫做池化核,但是池化核本身没有参数,只是通过对输入特征矩阵本身进行运算,它的大小通常是2x2、3x3、4x4等,其中2x2使用频率最高。然后将池化核在卷积得到的输出特征图中进行池化操作,需要注意的是,池化的过程中也有Padding方式以及步长的概念
- VSCode - VSCode 快速跳转标签页
VSCode快速跳转标签页1、标签页列表快速跳转通过快捷键Ctrl+Tab即可快速跳转标签页#操作方式先按住Ctrl键,再按Tab键,此时,即可打开标签页列表(保持Ctrl键一直按住)然后,再按Tab键,即可快速切换标签页,每按一次Tab键,即可切换到下一个标签页最后,松开Ctrl键,即可快速跳转标签页2、标签页前后快速跳转通过快捷键Ctrl+PgUp即可快速跳转前一个标签页#操作方式先按住Ctr
- 【人工智能之深度学习】6. 卷积核工作原理:从边缘检测到特征抽象的逐层演进(附可视化工具与行业实战代码)
AI_DL_CODE
人工智能深度学习卷积核特征提取卷积神经网络边缘检测特征可视化
摘要:卷积核是卷积神经网络(CNN)的核心组件,其通过局部感受野与参数共享机制实现高效特征提取。本文从数学本质出发,揭示卷积操作的空域-频域对偶性:空域卷积等价于频域乘积(F{f∗g}=F{f}⋅F{g}F\{f*g\}=F\{f\}⋅F\{g\}F{f∗g}=F{f}⋅F{g}),解释边缘检测核(Sobel、Laplacian)的频域响应特性。通过特征可视化实验表明,CNN特征呈现逐层抽象规律:
- java类加载顺序
3213213333332132
java
package com.demo;
/**
* @Description 类加载顺序
* @author FuJianyong
* 2015-2-6上午11:21:37
*/
public class ClassLoaderSequence {
String s1 = "成员属性";
static String s2 = "
- Hibernate与mybitas的比较
BlueSkator
sqlHibernate框架ibatisorm
第一章 Hibernate与MyBatis
Hibernate 是当前最流行的O/R mapping框架,它出身于sf.net,现在已经成为Jboss的一部分。 Mybatis 是另外一种优秀的O/R mapping框架。目前属于apache的一个子项目。
MyBatis 参考资料官网:http:
- php多维数组排序以及实际工作中的应用
dcj3sjt126com
PHPusortuasort
自定义排序函数返回false或负数意味着第一个参数应该排在第二个参数的前面, 正数或true反之, 0相等usort不保存键名uasort 键名会保存下来uksort 排序是对键名进行的
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8&q
- DOM改变字体大小
周华华
前端
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml&q
- c3p0的配置
g21121
c3p0
c3p0是一个开源的JDBC连接池,它实现了数据源和JNDI绑定,支持JDBC3规范和JDBC2的标准扩展。c3p0的下载地址是:http://sourceforge.net/projects/c3p0/这里可以下载到c3p0最新版本。
以在spring中配置dataSource为例:
<!-- spring加载资源文件 -->
<bean name="prope
- Java获取工程路径的几种方法
510888780
java
第一种:
File f = new File(this.getClass().getResource("/").getPath());
System.out.println(f);
结果:
C:\Documents%20and%20Settings\Administrator\workspace\projectName\bin
获取当前类的所在工程路径;
如果不加“
- 在类Unix系统下实现SSH免密码登录服务器
Harry642
免密ssh
1.客户机
(1)执行ssh-keygen -t rsa -C "
[email protected]"生成公钥,xxx为自定义大email地址
(2)执行scp ~/.ssh/id_rsa.pub root@xxxxxxxxx:/tmp将公钥拷贝到服务器上,xxx为服务器地址
(3)执行cat
- Java新手入门的30个基本概念一
aijuans
javajava 入门新手
在我们学习Java的过程中,掌握其中的基本概念对我们的学习无论是J2SE,J2EE,J2ME都是很重要的,J2SE是Java的基础,所以有必要对其中的基本概念做以归纳,以便大家在以后的学习过程中更好的理解java的精髓,在此我总结了30条基本的概念。 Java概述: 目前Java主要应用于中间件的开发(middleware)---处理客户机于服务器之间的通信技术,早期的实践证明,Java不适合
- Memcached for windows 简单介绍
antlove
javaWebwindowscachememcached
1. 安装memcached server
a. 下载memcached-1.2.6-win32-bin.zip
b. 解压缩,dos 窗口切换到 memcached.exe所在目录,运行memcached.exe -d install
c.启动memcached Server,直接在dos窗口键入 net start "memcached Server&quo
- 数据库对象的视图和索引
百合不是茶
索引oeacle数据库视图
视图
视图是从一个表或视图导出的表,也可以是从多个表或视图导出的表。视图是一个虚表,数据库不对视图所对应的数据进行实际存储,只存储视图的定义,对视图的数据进行操作时,只能将字段定义为视图,不能将具体的数据定义为视图
为什么oracle需要视图;
&
- Mockito(一) --入门篇
bijian1013
持续集成mockito单元测试
Mockito是一个针对Java的mocking框架,它与EasyMock和jMock很相似,但是通过在执行后校验什么已经被调用,它消除了对期望 行为(expectations)的需要。其它的mocking库需要你在执行前记录期望行为(expectations),而这导致了丑陋的初始化代码。
&nb
- 精通Oracle10编程SQL(5)SQL函数
bijian1013
oracle数据库plsql
/*
* SQL函数
*/
--数字函数
--ABS(n):返回数字n的绝对值
declare
v_abs number(6,2);
begin
v_abs:=abs(&no);
dbms_output.put_line('绝对值:'||v_abs);
end;
--ACOS(n):返回数字n的反余弦值,输入值的范围是-1~1,输出值的单位为弧度
- 【Log4j一】Log4j总体介绍
bit1129
log4j
Log4j组件:Logger、Appender、Layout
Log4j核心包含三个组件:logger、appender和layout。这三个组件协作提供日志功能:
日志的输出目标
日志的输出格式
日志的输出级别(是否抑制日志的输出)
logger继承特性
A logger is said to be an ancestor of anothe
- Java IO笔记
白糖_
java
public static void main(String[] args) throws IOException {
//输入流
InputStream in = Test.class.getResourceAsStream("/test");
InputStreamReader isr = new InputStreamReader(in);
Bu
- Docker 监控
ronin47
docker监控
目前项目内部署了docker,于是涉及到关于监控的事情,参考一些经典实例以及一些自己的想法,总结一下思路。 1、关于监控的内容 监控宿主机本身
监控宿主机本身还是比较简单的,同其他服务器监控类似,对cpu、network、io、disk等做通用的检查,这里不再细说。
额外的,因为是docker的
- java-顺时针打印图形
bylijinnan
java
一个画图程序 要求打印出:
1.int i=5;
2.1 2 3 4 5
3.16 17 18 19 6
4.15 24 25 20 7
5.14 23 22 21 8
6.13 12 11 10 9
7.
8.int i=6
9.1 2 3 4 5 6
10.20 21 22 23 24 7
11.19
- 关于iReport汉化版强制使用英文的配置方法
Kai_Ge
iReport汉化英文版
对于那些具有强迫症的工程师来说,软件汉化固然好用,但是汉化不完整却极为头疼,本方法针对iReport汉化不完整的情况,强制使用英文版,方法如下:
在 iReport 安装路径下的 etc/ireport.conf 里增加红色部分启动参数,即可变为英文版。
# ${HOME} will be replaced by user home directory accordin
- [并行计算]论宇宙的可计算性
comsci
并行计算
现在我们知道,一个涡旋系统具有并行计算能力.按照自然运动理论,这个系统也同时具有存储能力,同时具备计算和存储能力的系统,在某种条件下一般都会产生意识......
那么,这种概念让我们推论出一个结论
&nb
- 用OpenGL实现无限循环的coverflow
dai_lm
androidcoverflow
网上找了很久,都是用Gallery实现的,效果不是很满意,结果发现这个用OpenGL实现的,稍微修改了一下源码,实现了无限循环功能
源码地址:
https://github.com/jackfengji/glcoverflow
public class CoverFlowOpenGL extends GLSurfaceView implements
GLSurfaceV
- JAVA数据计算的几个解决方案1
datamachine
javaHibernate计算
老大丢过来的软件跑了10天,摸到点门道,正好跟以前攒的私房有关联,整理存档。
-----------------------------华丽的分割线-------------------------------------
数据计算层是指介于数据存储和应用程序之间,负责计算数据存储层的数据,并将计算结果返回应用程序的层次。J
&nbs
- 简单的用户授权系统,利用给user表添加一个字段标识管理员的方式
dcj3sjt126com
yii
怎么创建一个简单的(非 RBAC)用户授权系统
通过查看论坛,我发现这是一个常见的问题,所以我决定写这篇文章。
本文只包括授权系统.假设你已经知道怎么创建身份验证系统(登录)。 数据库
首先在 user 表创建一个新的字段(integer 类型),字段名 'accessLevel',它定义了用户的访问权限 扩展 CWebUser 类
在配置文件(一般为 protecte
- 未选之路
dcj3sjt126com
诗
作者:罗伯特*费罗斯特
黄色的树林里分出两条路,
可惜我不能同时去涉足,
我在那路口久久伫立,
我向着一条路极目望去,
直到它消失在丛林深处.
但我却选了另外一条路,
它荒草萋萋,十分幽寂;
显得更诱人,更美丽,
虽然在这两条小路上,
都很少留下旅人的足迹.
那天清晨落叶满地,
两条路都未见脚印痕迹.
呵,留下一条路等改日再
- Java处理15位身份证变18位
蕃薯耀
18位身份证变15位15位身份证变18位身份证转换
15位身份证变18位,18位身份证变15位
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 201
- SpringMVC4零配置--应用上下文配置【AppConfig】
hanqunfeng
springmvc4
从spring3.0开始,Spring将JavaConfig整合到核心模块,普通的POJO只需要标注@Configuration注解,就可以成为spring配置类,并通过在方法上标注@Bean注解的方式注入bean。
Xml配置和Java类配置对比如下:
applicationContext-AppConfig.xml
<!-- 激活自动代理功能 参看:
- Android中webview跟JAVASCRIPT中的交互
jackyrong
JavaScripthtmlandroid脚本
在android的应用程序中,可以直接调用webview中的javascript代码,而webview中的javascript代码,也可以去调用ANDROID应用程序(也就是JAVA部分的代码).下面举例说明之:
1 JAVASCRIPT脚本调用android程序
要在webview中,调用addJavascriptInterface(OBJ,int
- 8个最佳Web开发资源推荐
lampcy
编程Web程序员
Web开发对程序员来说是一项较为复杂的工作,程序员需要快速地满足用户需求。如今很多的在线资源可以给程序员提供帮助,比如指导手册、在线课程和一些参考资料,而且这些资源基本都是免费和适合初学者的。无论你是需要选择一门新的编程语言,或是了解最新的标准,还是需要从其他地方找到一些灵感,我们这里为你整理了一些很好的Web开发资源,帮助你更成功地进行Web开发。
这里列出10个最佳Web开发资源,它们都是受
- 架构师之面试------jdk的hashMap实现
nannan408
HashMap
1.前言。
如题。
2.详述。
(1)hashMap算法就是数组链表。数组存放的元素是键值对。jdk通过移位算法(其实也就是简单的加乘算法),如下代码来生成数组下标(生成后indexFor一下就成下标了)。
static int hash(int h)
{
h ^= (h >>> 20) ^ (h >>>
- html禁止清除input文本输入缓存
Rainbow702
html缓存input输入框change
多数浏览器默认会缓存input的值,只有使用ctl+F5强制刷新的才可以清除缓存记录。
如果不想让浏览器缓存input的值,有2种方法:
方法一: 在不想使用缓存的input中添加 autocomplete="off";
<input type="text" autocomplete="off" n
- POJO和JavaBean的区别和联系
tjmljw
POJOjava beans
POJO 和JavaBean是我们常见的两个关键字,一般容易混淆,POJO全称是Plain Ordinary Java Object / Pure Old Java Object,中文可以翻译成:普通Java类,具有一部分getter/setter方法的那种类就可以称作POJO,但是JavaBean则比 POJO复杂很多, Java Bean 是可复用的组件,对 Java Bean 并没有严格的规
- java中单例的五种写法
liuxiaoling
java单例
/**
* 单例模式的五种写法:
* 1、懒汉
* 2、恶汉
* 3、静态内部类
* 4、枚举
* 5、双重校验锁
*/
/**
* 五、 双重校验锁,在当前的内存模型中无效
*/
class LockSingleton
{
private volatile static LockSingleton singleton;
pri