- 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
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite