- 模型移植实战:从PyTorch到ONNX完整指南
慕婉0307
神经网络pytorch人工智能python
一、认识ONNXONNX(OpenNeuralNetworkExchange)是一种开放的模型表示格式,由微软和Facebook(现Meta)在2017年共同推出,旨在解决深度学习模型在不同框架之间的互操作性问题。ONNX的主要优势包括:跨框架兼容性:支持主流深度学习框架间的模型转换,包括PyTorch、TensorFlow、MXNet、CNTK等例如,可以将PyTorch训练的ResNet模型导
- MikroTik RouterOS 6.49.2 x86_64架构 L6全功能版本
伍熠逸Peg
MikroTikRouterOS6.49.2x86_64架构L6全功能版本【下载地址】MikroTikRouterOS6.49.2x86_64架构L6全功能版本这是一个基于MikroTikRouterOS6.49.2的OVA虚拟机版本,专为x86_64架构设计,搭载L6级全功能许可,支持升级至7.x版本。该版本已集成vmxnet3万兆网卡驱动,并支持2GB以上内存,适用于VMwareWorksta
- pytorch深度学习入门(12)之-神经网络导出onnx模型部署与应用
码农呆呆
深度学习深度学习pytorch神经网络
概述:ONNX(OpenNeuralNetworkExchange)是一种开放神经网络交换格式,它使得不同深度学习框架(如TensorFlow、PyTorch、MXNet等)之间的互操作成为可能。ONNX提供了一种标准化的方式,可以将训练好的模型导出并转换为ONNX格式,然后可以在其他支持ONNX的框架或工具中进行部署和推理。ONNX的主要优势在于它促进了深度学习模型在不同平台之间的互操作性和可移
- 《动手学深度学习》-2.1. 数据操作
SSWDUT
动手学深度学习深度学习人工智能
2.1.数据操作为了能够完成各种数据操作,我们需要某种方法来存储和操作数据。通常,我们需要做两件重要的事:(1)获取数据;(2)将数据读入计算机后对其进行处理。如果没有某种方法来存储数据,那么获取数据是没有意义的。首先,我们介绍n维数组,也称为张量(tensor)。使用过Python中NumPy计算包的读者会对本部分很熟悉。无论使用哪个深度学习框架,它的张量类(在MXNet中为ndarray,在P
- MXNet深度学习框架入门指南:核心概念与架构解析
陆璞朝Jocelyn
MXNet深度学习框架入门指南:核心概念与架构解析mxnet项目地址:https://gitcode.com/gh_mirrors/mx/mxnet什么是MXNetApacheMXNet是一个开源的深度学习框架,它提供了全面而灵活的API来创建深度学习模型。作为现代深度学习的重要工具,MXNet在工业界和学术界都得到了广泛应用。MXNet的核心优势高性能与可扩展性:原生支持多GPU和分布式多主机任
- Dive-into-DL-PyTorch项目解析:目标检测中的R-CNN系列算法演进
陆或愉
Dive-into-DL-PyTorch项目解析:目标检测中的R-CNN系列算法演进Dive-into-DL-PyTorch本项目将《动手学深度学习》(DiveintoDeepLearning)原书中的MXNet实现改为PyTorch实现。项目地址:https://gitcode.com/gh_mirrors/di/Dive-into-DL-PyTorch引言目标检测是计算机视觉领域的核心任务之一
- 解决Linux服务器MXNet安装与`npx`模块问题
cocogogogo
服务器linuxmxnet
解决Linux服务器MXNet安装与npx模块问题背景在Ubuntu18.04服务器上,通过Mac终端在pytorch_env(Python3.9.21)中解决MXNet相关错误,最终实现npx模块使用。问题及解决步骤1.问题:AttributeError:module'numpy'hasnoattribute'bool'环境:MXNet1.5.1,NumPy1.24.4。原因:NumPy1.20
- EXO:模型最终验证的地方;infer_tensor;step;MLXDynamicShardInferenceEngine
ZhangJiQun&MXP
2024大模型以及算力2021AIpython教学语言模型transformer人工智能
目录EXO:模型最终验证的地方EXO:infer_tensorEXO:stepMXNet的mx.array类型是什么NDArray优化了什么1.异步计算和内存优化2.高效的数学和线性代数运算3.稀疏数据支持4.自动化求导举例说明EXO:模型最终验证的地方EXO:infer_tensor这段代码定义了一个名为infer_tensor的异步方法,它属于某个类(虽然类名未在此代码段中给出)。这个方法的目
- 深度学习模型优化与行业应用新突破
智能计算研究中心
其他
内容概要当前深度学习模型优化正经历多维技术革新,核心突破集中在算法效率与场景适配性提升。以自适应学习优化和超参数调优为代表的动态调整机制,显著降低了模型训练对人工经验的依赖。主流框架如MXNet与PyTorch在分布式计算、自动微分等关键能力上形成差异化优势(见表1),而边缘计算与联邦学习的融合,则通过本地化数据处理与隐私保护机制,为医疗影像诊断、金融风险预测等高敏感场景提供了可信部署方案。框架特
- 模型优化技术驱动行业应用创新
智能计算研究中心
其他
内容概要当前模型优化技术正通过多维度创新重构行业应用版图。从底层框架演进看,TensorFlow、PyTorch与MXNet等主流工具通过自适应学习机制与参数化建模能力,显著提升了模型训练效率;而在技术融合层面,联邦学习与边缘计算的协同部署方案,为解决数据隐私与算力瓶颈提供了新范式。与此同时,量子计算驱动的新型优化算法正突破传统数学模型的性能边界,结合可解释性增强与超参数动态调整策略,使医疗诊断、
- 智能模型优化趋势与行业实践突破
智能计算研究中心
其他
内容概要当前智能模型优化技术正沿着多维度路径加速演进,其中自动化机器学习(AutoML)与可解释性模型的融合成为降低技术门槛的核心方向。从技术演进路径来看,边缘计算与联邦学习的结合显著提升了分布式场景下的模型效率,而量子计算的引入则为复杂优化问题提供了突破性思路。与此同时,MXNet、PyTorch等主流框架在动态计算图与分布式训练方面的创新,进一步推动了行业模型的快速迭代。为系统呈现技术趋势与实
- 模型优化技术演进与行业场景突破
智能计算研究中心
其他
内容概要模型优化技术正经历从算法改进到系统级创新的范式跃迁。随着自动化机器学习(AutoML)与联邦学习技术的成熟,模型开发效率与隐私保护能力显著提升,而模型压缩技术则推动轻量化部署在边缘计算场景中加速落地。与此同时,量子计算为优化算法提供了新的计算维度,MXNet、PyTorch等框架通过动态计算图特性,在医疗影像识别和语音交互领域实现推理速度的突破性进展。技术演进阶段核心技术突破典型应用场景主
- 智能模型优化与跨行业应用趋势
智能计算研究中心
其他
内容概要智能模型优化技术正经历多维度的范式突破,从算法架构到部署模式均呈现显著变革。核心演进路径涵盖三大维度:在技术层,自动化机器学习(AutoML)与自适应学习优化技术大幅降低建模门槛,结合超参数优化与正则化方法,实现模型性能与效率的平衡;在架构层,边缘计算与联邦学习推动分布式模型部署,MXNet、PyTorch等框架通过模型压缩与量化技术,适配低功耗设备部署需求;在应用层,医疗诊断、金融预测等
- AI模型技术演进与行业应用图谱
智能计算研究中心
其他
内容概要当前AI模型技术正经历从基础架构到行业落地的系统性革新。主流深度学习框架如TensorFlow和PyTorch持续优化动态计算图与分布式训练能力,而MXNet凭借高效的异构计算支持在边缘场景崭露头角。与此同时,模型压缩技术通过量化和知识蒸馏将参数量降低60%-80%,联邦学习则通过加密梯度交换实现多机构数据协同训练。在应用层面,医疗诊断模型通过迁移学习在CT影像分类任务中达到98.2%的准
- AI模型技术前沿与跨场景应用实践
智能计算研究中心
其他
内容概要当前AI模型技术正呈现多维度突破与跨领域融合的特征。从技术演进角度看,可解释性模型与量子计算框架的协同发展正在突破传统黑箱限制,而联邦学习、自适应优化等技术则为复杂场景建模提供了新的方法论支撑。应用层面,TensorFlow与PyTorch框架在医疗影像诊断、金融时序预测等领域的实战案例,验证了深度学习模型在垂直行业的泛化能力。值得关注的是,工具链整合已成为技术落地的关键环节,MXNet与
- AI学习预备知识-数据操作(5)内存节省
羞涩的小吉他
AI开发学习之路人工智能学习
AI学习预备知识-数据操作(5)内存节省提示:本系列持续更新中文章目录AI学习预备知识-数据操作(5)内存节省前言内存节省总结前言随着开始人工智能的学习越来越多,那么再学习过程中,我们应该有一定的基础知识储备,本系列为基础知识储备介绍,本文主要讲解AI学习储备知识–在数据操作过程中所需考虑到的内存节省。内存节省提示:默认使用python,数据操作使用mxnet在数据操作过程中运行一些操作可能会导致
- 蚂蚁集团可转正实习算法岗内推-自然语言
飞300
业界资讯自然语言处理
具备极佳的工程实现能力,精通C/C++、Java、Pvthon、Perl等至少一门语言:对目前主流的深度学习平台:tensorflow、pytorch、mxnet等,至少对其中一个有上手经验;熟悉深度学习以及常见机器学习算法的原理与算法,能熟练运用聚类、分类、回归、排序等模型解决有挑战性的问题,有大数据处理的实战经验;有强烈求知欲,对人工智能领域相关技术有热情,内推链接:https://u.ali
- 跨框架模型演进与行业应用路径
智能计算研究中心
其他
内容概要在人工智能技术持续迭代的背景下,模型框架的演进与行业应用的深度融合已成为推动产业智能化升级的核心驱动力。本文系统性梳理TensorFlow、PyTorch、MXNet等主流框架的技术发展脉络,重点分析其从通用计算架构向多模态、轻量化方向的转型路径。同时,针对模型优化技术领域,深入探讨迁移学习、超参数调优及模型压缩等方法的创新突破,揭示其在降低计算资源消耗、提升推理效率方面的关键作用。在行业
- Java部署机器学习模型:方案二(基于DJL)
iiilloi
机器学习springspringboot
DJL(DeepJavaLibrary)是由亚马逊公司开发的一款开源的深度学习框架,它旨在为Java开发人员提供一个简单而强大的API,使得在Java中使用深度学习变得更加容易。DJL有以下几个方面优势:支持多个底层引擎DJL支持多个底层引擎,包括MXNet、TensorFlow和PyTorch等。这使得DJL可以在多个平台上使用,包括Java、Android、iOS和RaspberryPi等。易
- Apache MXNet:灵活高效的深度学习库
零 度°
python深度学习apachemxnet
ApacheMXNet是一个开源的深度学习框架,适用于灵活的研究原型设计和生产。它提供了一个混合前端,可以无缝地在Gluon(动态图)和Symbolic(静态图)模式之间转换,以提供灵活性和速度。MXNet支持多种语言绑定,包括Python、Scala、Julia、Clojure、Java、C++、R和Perl,并且拥有一个活跃的工具和库生态系统,可以扩展MXNet的功能,支持计算机视觉、自然语言
- Apache MXNet 深度学习框架教程
娄妃元Kacey
ApacheMXNet深度学习框架教程mxnetLightweight,Portable,FlexibleDistributed/MobileDeepLearningwithDynamic,Mutation-awareDataflowDepScheduler;forPython,R,Julia,Scala,Go,Javascriptandmore项目地址:https://gitcode.com/g
- Ubuntu为julia安装深度学习框架MXNet(支持CUDA和OPenCV编译)
盼小辉丶
julia深度学习cmakelinuxmxnetjulialanguage深度学习
Ubuntu为julia安装深度学习框架MXNet(支持CUDA和OPenCV编译)环境介绍与注意事项下载源文件安装依赖编译环境配置安装MXNet测试后记环境介绍与注意事项Ubuntu18.04julia1.5.3CUDA10.1(为了GPU支持,需要安装CUDA和cudnn,可以参考博客,若CUDA版本不同,参考此网站下载合适的MXNet版本)安装MXNet的julia绑定,经过多次测试,并不能
- MXNet深度学习框架:高效与灵活性的结合
原机小子
深度学习mxnet人工智能
标题:MXNet深度学习框架:高效与灵活性的结合MXNet是一个由Apache软件基金会支持的开源深度学习框架,以其高效性能和灵活性而闻名。它最初由亚马逊团队开发,并于2015年开源,迅速成为深度学习领域的一个重要工具。MXNet支持多种编程语言,包括Python、Java、Scala、R、C++等,能够运行在CPU、GPU和云平台上,满足不同场景下的需求。1.MXNet的核心特性MXNet的主要
- 【单层神经网络】基于MXNet的线性回归实现(底层实现)
辰尘_星启
线性回归mxnet机器学习人工智能深度学习神经网络python
写在前面刚开始先从普通的寻优算法开始,熟悉一下学习训练过程下面将使用梯度下降法寻优,但这大概只能是局部最优,它并不是一个十分优秀的寻优算法整体流程生成训练数据集(实际工程中,需要从实际对象身上采集数据)确定模型及其参数(输入输出个数、阶次,偏置等)确定学习方式(损失函数、优化算法,学习率,训练次数,终止条件等)读取数据集(不同的读取方式会影响最终的训练效果)训练模型完整程序及注释fromIPyth
- 线性回归的简单实现
SkaWxp
深度学习深度学习机器学习mxnetgluon
本文是《动手学深度学习》的笔记文章目录线性回归的简单实现生成随机数据集读取数据初始化模型参数定义模型定义损失函数定义优化算法训练模型线性回归的简洁实现生成数据集读取数据定义模型初始化模型参数定义损失函数定义优化算法训练模型线性回归的简单实现用了mxnet中的自动求导和数组结构frommxnetimportautograd,ndimportrandom生成随机数据集只有这个是用了自己造的数据,因为线
- Task01:线性回归;Softmax与分类模型、多层感知机
恰人陈
pytorch机器学习深度学习神经网络
一、mxnet相关函数用法mxnet.nd用法对标numpy库(1)nd.concatfrommxnetimportndnd.concat(X,Y,dim=0)nd.concat(X,Y,dim=1)X,Y为两个矩阵nd.concat为连接矩阵,dim表示连接的维度,若原来两个矩阵为(4,3),dim=0就表示新生成矩阵为(8,3)dim=1表示新生成矩阵为(4,6)(2)y+=xy=y+x这样的
- 【单层神经网络】基于MXNet库简化实现线性回归
辰尘_星启
神经网络mxnet线性回归
写在前面同最开始的两篇文章完整程序及注释'''导入使用的库'''#基本frommxnetimportautograd,nd,gluon#模型、网络frommxnet.gluonimportnnfrommxnetimportinit#学习frommxnet.gluonimportlossasgloss#数据集frommxnet.gluonimportdataasgdata'''生成测试数据集'''#
- 线性回归基础学习
Remoa
人工智能线性回归优化gluonmxnetloss
线性回归基础学习目录:理论知识样例代码测试参考文献一、理论知识线性回归思维导图NDArray:MXNet中存储和变换数据的主要工具,提供GPU计算和自动求梯度等功能线性回归可以用神经网络图表示,也可以用矢量计算表示在Gluon中,data模块提供了有关数据处理的工具,nn模块定义了大量神经网络的层,loss模块定义了各种损失函数在MXNet的init模块(initializer)提供了模型参数化的
- 《动手学深度学习》(PyTorch版)
chaser&upper
深度学习pytorch深度学习python
《动手学深度学习》PyTorch版前言简介面向人群食用方法方法一方法二方法三目录原书地址引用阅读指南前言读书啦!!!本项目将《动手学深度学习》原书中MXNet代码实现改为PyTorch实现。原书作者:阿斯顿·张、李沐、扎卡里C.立顿、亚历山大J.斯莫拉以及其他社区贡献者,GitHub地址:https://github.com/d2l-ai/d2l-zh此书的中英版本存在一些不同,针对此书英文版的P
- 使用onnxruntime-web 运行yolov8-nano推理
CHEN_RUI_2200
机器学习YOLO
ONNX(OpenNeuralNetworkExchange)模型具有以下两个特点促成了我们可以使用onnxruntime-web直接在web端上运行推理模型,为了让这个推理更直观,我选择了试验下yolov8识别预览图片:1.跨平台兼容性ONNX是一种开放的格式,可以在不同的深度学习框架之间共享模型,如PyTorch、TensorFlow、MXNet和Caffe2。这使得用户可以在一个框架中训练模
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f