- 博客摘录「 yolo 11从原理、创新点、训练到部署(yolov11代码+教程)」2025年4月28日
G.547
笔记
2.1新的Backbone设计YOLOv11引入了一个改进的Backbone网络架构,采用了CSPNet(CrossStagePartialNetwork)的升级版。CSPNet的引入使得YOLOv11在计算量相对较低的情况下能够更有效地提取深度特征,从而提高模型的表达能力。具体来说,CSPNet通过将特征图进行部分跨层连接,减少了冗余梯度信息,提高了模型的学习效率和泛化能力。2.2SPPF(Sp
- 【语义分割专栏】4:deeplab系列实战篇(附上完整可运行的代码pytorch)
fouen
语义分割pytorch人工智能python计算机视觉深度学习
文章目录前言Deeplab系列全流程代码模型搭建(model)backbone的搭建Deeplabv1Deeplabv2Deeplabv3Deeplabv3+数据处理(dataloader)评价指标(metric)训练流程(train)模型测试(test)效果图结语前言Deeplab系列原理篇讲解:【语义分割专栏】4:deeplab系列原理篇_deeplab系列详解-CSDN博客代码地址,下载可复
- 考场/工厂违规用机难捕捉?3维度优化方案部署成本直降40%
2501_92487762
视觉检测计算机视觉算法目标检测
开篇痛点工业场景中传统玩手机识别面临三重挑战:小目标检测(手机平均像素占比<0.5%)、遮挡干扰(人手/物体遮挡率超60%)、实时性要求(需200ms内响应)。某安检企业反馈,开源YOLOv5在车间场景误报率高达34%。技术解析:双流特征融合架构陌讯算法创新性融合双路径特征(图1):#陌讯核心代码逻辑(简化版)defdual_path_fusion(backbone):shallow_path=C
- 安防监控漏报频发?陌讯实时检测算法实测召回率98%
2501_92487721
目标跟踪计算机视觉人工智能算法
一、开篇痛点:安防监控的检测难题在夜间低光、遮挡、小目标等复杂场景下,传统YOLO系列算法常出现漏检(FN)和误检(FP)。某安防厂商测试数据显示:当目标像素<50×50时,开源模型召回率骤降至65%以下。二、技术解析:陌讯算法的三重创新陌讯视觉算法通过多尺度特征融合+自适应光照补偿提升鲁棒性:动态感受野机制在Backbone中引入可变形卷积(DeformableConv),公式表示为:y(p)=
- 万字长文详解YOLOv8 yaml 文件,结合模型输出的网络结构图分析Parameters /backbone/head以及三者的数学关联
YOLO大师
YOLO论文阅读
YOLO目标检测创新改进与实战案例专栏专栏目录:YOLO有效改进系列及项目实战目录包含卷积,主干注意力,检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLO基础解析+创新改进+实战案例之前写过一篇YOLOv8yaml配置文件逐层的解析:结合YOLOv8源码逐层解读yaml文件的配置,本文主要从整体的角度去解析yaml。YOLOv8模型YOLOv8提供了非常多的模型,详见:https:
- 万字长文带你搞懂yolov5和yolov8以及目标检测相关面试
起个别名
C++YOLO目标检测目标跟踪
一、与yoloV4相比,yoloV5的改进输入端:在模型训练阶段,使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放基准网络:使用了FOCUS结构和CSP结构Neck网络:在Backbone和最后的Head输出层之间插入FPN_PAN结构Head输出层:训练时的损失函数GIOU_Loss,预测筛选框的DIOU_nms二、yolov5网络结构预处理在模型预处理阶段,使用了Mosaic数据增强
- 《中国电信运营商骨干网:历史、现状与未来演进》系列 第一篇:中国骨干网全景图:一级运营商与专用网络的演进
老马爱知
通信网络#电信运营商网络骨干网电信运营商网络架构数字基础设施互联网科普
一、引言:骨干网——国家“信息大动脉”在当今数字经济蓬勃发展的时代,信息网络已成为国家基础设施的核心组成部分。而在这张错综复杂的信息大网中,骨干网(BackboneNetwork)扮演着“
- YOLOv11 改进策略 | GFPN:超越 BiFPN,跳层与跨尺度连接重塑特征金字塔
YOLOv11改进策略|GFPN:超越BiFPN,跳层与跨尺度连接重塑特征金字塔!介绍颈部网络(Neck)在目标检测任务中扮演着至关重要的角色,它负责有效地融合来自骨干网络(Backbone)不同层级的特征图,为检测头部(Head)提供包含丰富语义和空间信息的多尺度特征。FPN、PANet和BiFPN等结构是特征金字塔融合的代表。BiFPN作为其中的佼佼者,通过双向连接和加权融合取得了优异的性能。
- 【2024 CVPR-Backbone】RepViT: Revisiting Mobile CNN From ViT Perspective
无敌悦悦王
文献阅读cnn人工智能神经网络计算机视觉图像处理python深度学习
摘要近期,轻量级视觉Transformer(ViT)在资源受限的移动设备上表现出比轻量级卷积神经网络(CNN)更优异的性能和更低的延迟。研究人员已发现轻量级ViT与轻量级CNN之间存在许多结构关联,但二者在模块结构、宏观和微观设计上的显著架构差异尚未得到充分研究。本研究从ViT视角重新审视轻量级CNN的高效设计,并强调其在移动设备上的应用前景。具体而言,我们通过整合轻量级ViT的高效架构设计,逐步
- FB-OCC: 3D Occupancy Prediction based on Forward-BackwardView Transformation
justtoomuchforyou
智驾
NVidia,CVPR20233DOccupancyPredictionChallengeworkshoppaper:https://arxiv.org/pdf/2307.1492code:https://github.com/NVlabs/FB-BEV大参数量imagebackboneInternImage-H,1B外部数据集预训练:object365nuscenes:有点云label,强化网络
- Odoo OWL 框架深度研究(VIP10万字版)
源力祁老师
odoo开发实践学习方法开发语言前端
一、核心理念、架构定位与实践价值前言:为什么需要一份新的前端框架?在Odoo的漫长发展历程中,其前端部分长期依赖于一个基于Backbone.js的自定义Widget系统。这个系统在当时是有效的,但随着前端技术的飞速发展(以React,Vue,Svelte等框架为代表),其固有的命令式编程、手动DOM操作和复杂的继承体系等问题,逐渐成为制约开发效率和应用性能的瓶颈。为了彻底解决这些历史遗留问题,并拥
- 人像抠图学习笔记
AI算法网奇
人脸识别深度学习宝典深度学习神经网络自动驾驶
目录RobustVideoMatting实时视频抠图Modnet预测脚本人脸分割BiseNetV2MODNetu2net:MODNet方法RobustVideoMatting实时视频抠图Modnet预测脚本Modnet效果有时比RobustVideoMatting好,在衣服分割时,backbone是mobilev2gpu512*512速度22ms。importosimportsysimportar
- 目标检测neck经典算法之FPN的源码实现
ZzzZ31415926
目标检测算法人工智能图像处理计算机视觉深度学习python
┌────────────────────────────────────────────────────┐│初始化构造(__init__)│└────────────────────────────────────────────────────┘↓【1】参数保存+基础配置断言↓【2】判断使用哪些backbone层(start→end)↓【3】判断是否添加额外输出(extraconv)↓【4】构
- YOLOV8模型优化-选择性视角类别整合模块(SPCI):遥感目标检测的注意力增强模型详解
清风AI
YOLO算法魔改系列深度学习算法详解及代码复现计算机视觉算法目标跟踪人工智能计算机视觉YOLOpython目标检测深度学习
一、研究背景与挑战随着卫星和无人机技术的普及,高分辨率遥感影像为城市规划、灾害监测等领域提供了海量数据。然而,遥感目标检测面临三大难题:尺度剧变:目标尺寸从几米到几百米不等(如飞机vs油罐)密集分布:港口/机场等场景存在大量密集目标背景干扰:自然/人造景观交织导致语义混淆现有方法如YOLOv8虽在通用目标检测表现优异,但在遥感场景存在以下局限:Backbone缺乏显式的多尺度特征融合机制传统注意力
- YOLOv5 模型结构详解
要努力啊啊啊
计算机视觉YOLO目标跟踪人工智能计算机视觉深度学习
✅YOLOv5模型结构详解以下是以YOLOv5的最小版本yolov5s为例的模型结构(来自Ultralytics/yolov5官方实现):输入图像大小:640×640×3YOLOv5s的完整模型结构(来自models/yolov5s.yaml)#YOLOv5smodelbackbone:#[from,number,module,args][[-1,1,'Conv',[64,6,2,2]],#0-P
- 深度学习 backbone,neck,head网络关键组成
SLAM必须dunk
深度学习人工智能
在深度学习,尤其是计算机视觉任务中,backbone(骨干网络),neck(颈部),head(头部)是网络的关键组成部分,各自承担了不同的功能:1,总署:Backbone,译作骨干网络,主要指用于特征提取的,已在大型数据集(例如ImageNet|COCO等)上完成预训练,拥有预训练参数的卷积神经网络,例如:ResNet-50、Darknet53等;Head,译作检测头,主要用于预测目标的种类和位置
- YOLOv12改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对A2C2f进行二次创新
Limiiiing
YOLOv12改进专栏YOLOv12深度学习目标检测计算机视觉
一、本文介绍本文记录的是利用空间自适应特征调制模块SAFM优化YOLOv12的目标检测方法研究。SAFM通过更好地利用特征信息来实现模型性能和效率的平衡。本文通过二次创新A2C2f,能够动态选择代表性特征,并结合局部上下文信息,提升模型的检测精度。专栏目录:YOLOv12改进目录一览|涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址:YOLOv
- YOLOv10改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对 C2fCIB 、PSA 进行二次创新
Limiiiing
YOLOv10改进专栏YOLO深度学习目标检测计算机视觉
一、本文介绍本文记录的是利用空间自适应特征调制模块SAFM优化YOLOv10的目标检测方法研究。SAFM通过更好地利用特征信息来实现模型性能和效率的平衡。本文通过二次创新C2fCIB、PSA,能够动态选择代表性特征,并结合局部上下文信息,提升模型的检测精度。专栏目录:YOLOv10改进目录一览|涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址:
- 2015-5-10分享的PDF
qq2011705918
iOS传感器应用开发最佳实践_PDF电子书下载带书签目录完整版http://pan.baidu.com/s/1dDtSP2LNode应用程序构建使用MongoDB和Backbone_PDF电子书下载带书签目录完整版http://pan.baidu.com/s/1c04KnNMPhoneGap移动应用开发手册_PDF电子书下载带书签目录完整版http://pan.baidu.com/s/1mgssE
- YOLOv12改进策略【Neck】| 替换颈部结构为TPAMI 2025的Hyper-YOLO
Limiiiing
YOLOv12改进专栏YOLO目标检测深度学习计算机视觉
一、本文介绍Hyper-YOLO是一种创新的目标检测模型,将超图计算集成到YOLO架构中,以捕捉视觉特征之间复杂的高阶相关性,从而提升目标检测性能。本文记录如何将Hyper-YOLO模型与YOLOv12结合。专栏目录:YOLOv12改进目录一览|涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址:YOLOv12改进专栏——以发表论文的角度,快速准
- YOLOv10改进策略【Neck】| 替换颈部结构为TPAMI 2025的Hyper-YOLO
Limiiiing
YOLOv10改进专栏YOLO计算机视觉目标检测深度学习
一、本文介绍Hyper-YOLO是一种创新的目标检测模型,将超图计算集成到YOLO架构中,以捕捉视觉特征之间复杂的高阶相关性,从而提升目标检测性能。本文记录如何将Hyper-YOLO模型与YOLOv10结合。专栏目录:YOLOv10改进目录一览|涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进专栏地址:YOLOv10改进专栏——以发表论文的角度,快速准
- 【目标检测】backbone究竟有何关键作用?
猫天意
目标检测目标检测人工智能计算机视觉CV
backbone的核心在于能为检测提供若干种感受野大小和中心步长的组合,以满足对不同尺度和类别的目标检测。
- 目标检测模型的主要组成部分
asdfg1258963
目标检测_ai目标检测人工智能计算机视觉
目标检测模型通常由以下几个主要部分组成:1.主干网络(Backbone)主干网络是目标检测模型的核心部分,负责从输入图像中提取特征。常见的主干网络包括:卷积神经网络(CNN):如ResNet、VGG、MobileNet等。它们通过多层卷积操作提取图像的多层次特征。Transformer架构:如VisionTransformer(ViT)及其变体,通过自注意力机制提取全局特征。主干网络的输出是一个特
- 【目标检测】检测网络中neck的核心作用
猫天意
目标检测人工智能计算机视觉CV基础
1.neck最主要的作用就是特征融合,融合就是将具有不同大小感受野的特征图进行了耦合,从而增强了特征图的表达能力。2.neck决定了head的数量,进而潜在决定了不同尺度样本如何分配到不同的head,这一点可以看做是将整个网络的多尺度目标学习的负担,分散到了多个层级的特征图上。3.neck将来自于backbone上的多个层级的特征图进行融合加工,增强其表达能力的同时,输出加工后并具有相同宽度的特征
- 目标检测:Deformable DETR: Deformable Transformers for End-to-End Object Detection【方法解读】
沉浸式AI
《AI与SLAM论文解析》目标检测人工智能计算机视觉深度学习算法论文解读
可以查看B站视频(讲的很详细,对照下文内容进行视频观看,效果更佳):(1)DeformableDETR|1、Abstract算法概述(2)DeformableDETR|2、backbone、MultiHeadAttention公式讲解(3)DeformableDETR|3、DeformableAttention、MSDeformAttention、流程讲解摘要DETR最近被提出以消除许多手工设计的
- RT-DETR改进策略【Backbone/主干网络】| ICLR-2023 替换骨干网络为:RevCol 一种新型神经网络设计范式
Limiiiing
RT-DETR改进专栏深度学习目标检测RT-DETR计算机视觉
一、本文介绍本文记录的是基于RevCol的RT-DETR目标检测改进方法研究。RevCol是一种新型神经网络设计范式,它由多个子网(列)及多级可逆连接构成,正向传播时特征逐渐解缠结且保持信息。可逆变换借鉴可逆神经网络思想,设计多级可逆单元用于解决模型对特征图形状的限制以及与信息瓶颈原则的冲突。本文将其应用到RT-DETR中,并配置了原论文中的revcol_tiny、revcol_small、rev
- YOLOv9改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制
Limiiiing
YOLOv9改进专栏计算机视觉深度学习YOLO目标检测
一、本文介绍本文记录的是基于CAA注意力模块的YOLOv9目标检测改进方法研究。在远程遥感图像或其他大尺度变化的图像中目标检测任务中,为准确提取其长距离上下文信息,需要解决大目标尺度变化和多样上下文信息时的不足的问题。CAA能够有效捕捉长距离依赖,并且参数量和计算量更少。专栏目录:YOLOv9改进目录一览|涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改
- 2、YOLOv12架构解析:速度与精度的艺术
进取星辰
YOLO
前言:拆解YOLO的"超级大脑"还记得我们上篇文章用5行代码实现的物品检测吗?今天我要带你走进YOLOv12的"大脑",看看这个闪电侠是如何思考的!想象一下:当你走进一家咖啡馆时,你的大脑会:快速扫描整个场景(Backbone)注意到重要区域:柜台、座位区(Neck)精确识别:拿铁咖啡、巧克力蛋糕(Head)YOLOv12的工作方式惊人地相似!下面我们就来拆解这套视觉感知系统:1.整体架构:从三明
- 探秘BERT与VITS2的完美融合:Bert-VITS2,跨语言语音合成新纪元
郑微殉
探秘BERT与VITS2的完美融合:Bert-VITS2,跨语言语音合成新纪元Bert-VITS2vits2backbonewithmultilingual-bert项目地址:https://gitcode.com/gh_mirrors/be/Bert-VITS2一、项目介绍Bert-VITS2,如其名,是一个融合了多语言预训练模型——BERT与新一代文本到语音(Text-to-Speech,TT
- 基于RT-DETR的YOLOv8目标检测框架优化及其应用前景
向哆哆
YOLO创新涨点系列YOLO目标检测人工智能yolov8
文章目录什么是RT-DETR?一、YOLOv8与RT-DETR检测头的结合YOLOv8架构概述代码实例:YOLOv8与RT-DETR检测头的集成1.引入必要的库2.YOLOv8Backbone(特征提取)3.RT-DETR检测头4.集成YOLOv8Backbone与RT-DETR头5.模型训练与评估二、YOLOv8与RT-DETR检测头的结合:进一步的优化与调优1.数据增强与多尺度训练数据增强技术
- scala的option和some
矮蛋蛋
编程scala
原文地址:
http://blog.sina.com.cn/s/blog_68af3f090100qkt8.html
对于学习 Scala 的 Java™ 开发人员来说,对象是一个比较自然、简单的入口点。在 本系列 前几期文章中,我介绍了 Scala 中一些面向对象的编程方法,这些方法实际上与 Java 编程的区别不是很大。我还向您展示了 Scala 如何重新应用传统的面向对象概念,找到其缺点
- NullPointerException
Cb123456
androidBaseAdapter
java.lang.NullPointerException: Attempt to invoke virtual method 'int android.view.View.getImportantForAccessibility()' on a null object reference
出现以上异常.然后就在baidu上
- PHP使用文件和目录
天子之骄
php文件和目录读取和写入php验证文件php锁定文件
PHP使用文件和目录
1.使用include()包含文件
(1):使用include()从一个被包含文档返回一个值
(2):在控制结构中使用include()
include_once()函数需要一个包含文件的路径,此外,第一次调用它的情况和include()一样,如果在脚本执行中再次对同一个文件调用,那么这个文件不会再次包含。
在php.ini文件中设置
- SQL SELECT DISTINCT 语句
何必如此
sql
SELECT DISTINCT 语句用于返回唯一不同的值。
SQL SELECT DISTINCT 语句
在表中,一个列可能会包含多个重复值,有时您也许希望仅仅列出不同(distinct)的值。
DISTINCT 关键词用于返回唯一不同的值。
SQL SELECT DISTINCT 语法
SELECT DISTINCT column_name,column_name
F
- java冒泡排序
3213213333332132
java冒泡排序
package com.algorithm;
/**
* @Description 冒泡
* @author FuJianyong
* 2015-1-22上午09:58:39
*/
public class MaoPao {
public static void main(String[] args) {
int[] mao = {17,50,26,18,9,10
- struts2.18 +json,struts2-json-plugin-2.1.8.1.jar配置及问题!
7454103
DAOspringAjaxjsonqq
struts2.18 出来有段时间了! (貌似是 稳定版)
闲时研究下下! 貌似 sruts2 搭配 json 做 ajax 很吃香!
实践了下下! 不当之处请绕过! 呵呵
网上一大堆 struts2+json 不过大多的json 插件 都是 jsonplugin.34.jar
strut
- struts2 数据标签说明
darkranger
jspbeanstrutsservletScheme
数据标签主要用于提供各种数据访问相关的功能,包括显示一个Action里的属性,以及生成国际化输出等功能
数据标签主要包括:
action :该标签用于在JSP页面中直接调用一个Action,通过指定executeResult参数,还可将该Action的处理结果包含到本页面来。
bean :该标签用于创建一个javabean实例。如果指定了id属性,则可以将创建的javabean实例放入Sta
- 链表.简单的链表节点构建
aijuans
编程技巧
/*编程环境WIN-TC*/ #include "stdio.h" #include "conio.h"
#define NODE(name, key_word, help) \ Node name[1]={{NULL, NULL, NULL, key_word, help}}
typedef struct node { &nbs
- tomcat下jndi的三种配置方式
avords
tomcat
jndi(Java Naming and Directory Interface,Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。命名服务将名称和对象联系起来,使得我们可以用名称
访问对象。目录服务是一种命名服务,在这种服务里,对象不但有名称,还有属性。
tomcat配置
- 关于敏捷的一些想法
houxinyou
敏捷
从网上看到这样一句话:“敏捷开发的最重要目标就是:满足用户多变的需求,说白了就是最大程度的让客户满意。”
感觉表达的不太清楚。
感觉容易被人误解的地方主要在“用户多变的需求”上。
第一种多变,实际上就是没有从根本上了解了用户的需求。用户的需求实际是稳定的,只是比较多,也比较混乱,用户一般只能了解自己的那一小部分,所以没有用户能清楚的表达出整体需求。而由于各种条件的,用户表达自己那一部分时也有
- 富养还是穷养,决定孩子的一生
bijian1013
教育人生
是什么决定孩子未来物质能否丰盛?为什么说寒门很难出贵子,三代才能出贵族?真的是父母必须有钱,才能大概率保证孩子未来富有吗?-----作者:@李雪爱与自由
事实并非由物质决定,而是由心灵决定。一朋友富有而且修养气质很好,兄弟姐妹也都如此。她的童年时代,物质上大家都很贫乏,但妈妈总是保持生活中的美感,时不时给孩子们带回一些美好小玩意,从来不对孩子传递生活艰辛、金钱来之不易、要懂得珍惜
- oracle 日期时间格式转化
征客丶
oracle
oracle 系统时间有 SYSDATE 与 SYSTIMESTAMP;
SYSDATE:不支持毫秒,取的是系统时间;
SYSTIMESTAMP:支持毫秒,日期,时间是给时区转换的,秒和毫秒是取的系统的。
日期转字符窜:
一、不取毫秒:
TO_CHAR(SYSDATE, 'YYYY-MM-DD HH24:MI:SS')
简要说明,
YYYY 年
MM 月
- 【Scala六】分析Spark源代码总结的Scala语法四
bit1129
scala
1. apply语法
FileShuffleBlockManager中定义的类ShuffleFileGroup,定义:
private class ShuffleFileGroup(val shuffleId: Int, val fileId: Int, val files: Array[File]) {
...
def apply(bucketId
- Erlang中有意思的bug
bookjovi
erlang
代码中常有一些很搞笑的bug,如下面的一行代码被调用两次(Erlang beam)
commit f667e4a47b07b07ed035073b94d699ff5fe0ba9b
Author: Jovi Zhang <
[email protected]>
Date: Fri Dec 2 16:19:22 2011 +0100
erts:
- 移位打印10进制数转16进制-2008-08-18
ljy325
java基础
/**
* Description 移位打印10进制的16进制形式
* Creation Date 15-08-2008 9:00
* @author 卢俊宇
* @version 1.0
*
*/
public class PrintHex {
// 备选字符
static final char di
- 读《研磨设计模式》-代码笔记-组合模式
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.util.ArrayList;
import java.util.List;
abstract class Component {
public abstract void printStruct(Str
- 利用cmd命令将.class文件打包成jar
chenyu19891124
cmdjar
cmd命令打jar是如下实现:
在运行里输入cmd,利用cmd命令进入到本地的工作盘符。(如我的是D盘下的文件有此路径 D:\workspace\prpall\WEB-INF\classes)
现在是想把D:\workspace\prpall\WEB-INF\classes路径下所有的文件打包成prpall.jar。然后继续如下操作:
cd D: 回车
cd workspace/prpal
- [原创]JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明
comsci
eclipse设计模式算法工作swing
JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明
&nb
- SecureCRT右键粘贴的设置
daizj
secureCRT右键粘贴
一般都习惯鼠标右键自动粘贴的功能,对于SecureCRT6.7.5 ,这个功能也已经是默认配置了。
老版本的SecureCRT其实也有这个功能,只是不是默认设置,很多人不知道罢了。
菜单:
Options->Global Options ...->Terminal
右边有个Mouse的选项块。
Copy on Select
Paste on Right/Middle
- Linux 软链接和硬链接
dongwei_6688
linux
1.Linux链接概念Linux链接分两种,一种被称为硬链接(Hard Link),另一种被称为符号链接(Symbolic Link)。默认情况下,ln命令产生硬链接。
【硬连接】硬连接指通过索引节点来进行连接。在Linux的文件系统中,保存在磁盘分区中的文件不管是什么类型都给它分配一个编号,称为索引节点号(Inode Index)。在Linux中,多个文件名指向同一索引节点是存在的。一般这种连
- DIV底部自适应
dcj3sjt126com
JavaScript
<!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
- Centos6.5使用yum安装mysql——快速上手必备
dcj3sjt126com
mysql
第1步、yum安装mysql
[root@stonex ~]# yum -y install mysql-server
安装结果:
Installed:
mysql-server.x86_64 0:5.1.73-3.el6_5 &nb
- 如何调试JDK源码
frank1234
jdk
相信各位小伙伴们跟我一样,想通过JDK源码来学习Java,比如collections包,java.util.concurrent包。
可惜的是sun提供的jdk并不能查看运行中的局部变量,需要重新编译一下rt.jar。
下面是编译jdk的具体步骤:
1.把C:\java\jdk1.6.0_26\sr
- Maximal Rectangle
hcx2013
max
Given a 2D binary matrix filled with 0's and 1's, find the largest rectangle containing all ones and return its area.
public class Solution {
public int maximalRectangle(char[][] matrix)
- Spring MVC测试框架详解——服务端测试
jinnianshilongnian
spring mvc test
随着RESTful Web Service的流行,测试对外的Service是否满足期望也变的必要的。从Spring 3.2开始Spring了Spring Web测试框架,如果版本低于3.2,请使用spring-test-mvc项目(合并到spring3.2中了)。
Spring MVC测试框架提供了对服务器端和客户端(基于RestTemplate的客户端)提供了支持。
&nbs
- Linux64位操作系统(CentOS6.6)上如何编译hadoop2.4.0
liyong0802
hadoop
一、准备编译软件
1.在官网下载jdk1.7、maven3.2.1、ant1.9.4,解压设置好环境变量就可以用。
环境变量设置如下:
(1)执行vim /etc/profile
(2)在文件尾部加入:
export JAVA_HOME=/home/spark/jdk1.7
export MAVEN_HOME=/ho
- StatusBar 字体白色
pangyulei
status
[[UIApplication sharedApplication] setStatusBarStyle:UIStatusBarStyleLightContent];
/*you'll also need to set UIViewControllerBasedStatusBarAppearance to NO in the plist file if you use this method
- 如何分析Java虚拟机死锁
sesame
javathreadoracle虚拟机jdbc
英文资料:
Thread Dump and Concurrency Locks
Thread dumps are very useful for diagnosing synchronization related problems such as deadlocks on object monitors. Ctrl-\ on Solaris/Linux or Ctrl-B
- 位运算简介及实用技巧(一):基础篇
tw_wangzhengquan
位运算
http://www.matrix67.com/blog/archives/263
去年年底写的关于位运算的日志是这个Blog里少数大受欢迎的文章之一,很多人都希望我能不断完善那篇文章。后来我看到了不少其它的资料,学习到了更多关于位运算的知识,有了重新整理位运算技巧的想法。从今天起我就开始写这一系列位运算讲解文章,与其说是原来那篇文章的follow-up,不如说是一个r
- jsearch的索引文件结构
yangshangchuan
搜索引擎jsearch全文检索信息检索word分词
jsearch是一个高性能的全文检索工具包,基于倒排索引,基于java8,类似于lucene,但更轻量级。
jsearch的索引文件结构定义如下:
1、一个词的索引由=分割的三部分组成: 第一部分是词 第二部分是这个词在多少