- 基础NLP | 01 机器学习 深度学习基础介绍
是娜个二叉树!
NLP自然语言处理机器学习深度学习
文章目录机器学习简介有监督学习无监督学习一般流程常用概念深度学习简介隐含层/中间层例子and流程如果想要猜测的又快又准,调整的方向有哪些?随机初始化损失函数导数与梯度梯度下降优化器MiniBatchepoch流程深度学习的基本思想机器学习简介有监督学习核心目标:建立一个模型(函数),来描述输入(X)和输出(Y)之间的映射关系价值:对于新的输入,通过模型给出预测的输出要点:有一定数量的训练样本输入和
- Datawhale X 魔塔 Ai夏令营 --深度学习基础
一、局部极小值与全局极小值全局极小值:在损失函数的整个定义域内,损失值最小的点。这是我们在训练深度学习模型时希望找到的点,因为它代表着模型的最佳性能。局部极小值:在损失函数的一个局部区域内,损失值达到最小,但在整个函数定义域内可能不是最小的。当优化算法陷入局部极小值时,它可能会误以为已经找到了全局最优解,从而停止搜索。局部极小值的检测两种直观的方法来检测局部极小值:可视化方法:对于低维问题,我们可
- 【深度学习基础】PyTorch中model.eval()与with torch.no_grad()以及detach的区别与联系?
目录1.核心功能对比2.使用场景对比3.区别与联系4.典型代码示例(1)模型评估阶段(2)GAN训练中的判别器更新(3)提取中间特征5.关键区别总结6.常见问题与解决方案(1)问题:推理阶段显存爆掉(2)问题:Dropout/BatchNorm行为异常(3)问题:中间张量意外参与梯度计算7.最佳实践8.总结以下是PyTorch中model.eval()、withtorch.no_grad()和.d
- 深度学习基础与应用:从理论到实战
创新工场
本文还有配套的精品资源,点击获取简介:深度学习是人工智能的核心分支,通过模拟人脑神经网络处理大量数据以执行复杂任务。Python因其简洁性和强大的库支持成为深度学习研究的首选语言。本文概述了深度学习基础概念、核心算法、Python框架,并假设了一个包含教程、示例代码、数据集、交互式学习环境、性能评估指标和进阶主题的“deep-learning-study-main”压缩包内容,旨在帮助学习者深入理
- 深度学习基础2
TY-2025
深度学习深度学习人工智能
5.张量索引操作(1)索引操作行列索引列表索引print(data[[0,2],[1,2]])#返回(0,1),(2,2)两个位置的元素print(data[[[0],[1]],[1,2]])#返回0,1行的1,2列共4个元素范围索引print(data[:3,:2])#前3行前2列数据print(data[2:,:2])#第2行到最后的前2列数据布尔索引tensor([[0,7,6,5,9],[
- 阅读笔记(2) 单层网络:回归
a2507283885
笔记
阅读笔记(2)单层网络:回归该笔记是DataWhale组队学习计划(共度AI新圣经:深度学习基础与概念)的Task02以下内容为个人理解,可能存在不准确或疏漏之处,请以教材为主。1.从泛函视角来看线性回归还记得线性代数里学过的“基”这个概念吗?一组基向量是一组线性无关的向量,它们通过线性组合可以张成一个向量空间。也就是说,这个空间里的任意一个向量,都可以表示成这组基的线性组合。函数其实也可以看作是
- 基于通义大模型的智能客服系统构建实战:从模型微调到API部署
大熊计算机
开发实战语言模型人工智能
1引言本文将深入探讨基于通义大模型的智能客服系统构建全流程,从数据准备、模型微调、性能优化到API部署和系统集成。不同于理论概述,本文将通过实战案例、代码演示和性能数据对比,展示每个环节的技术细节与工程实践。文章面向具备Python和深度学习基础的开发者,重点解决以下核心问题:如何针对客服场景准备和优化训练数据?如何高效微调通义大模型以适配特定业务需求?如何解决大模型部署中的延迟和并发挑战?如何构
- TensorFlow:深度学习基础设施的架构哲学与工程实践革新
双囍菜菜
AI深度学习tensorflow架构
TensorFlow:深度学习基础设施的架构哲学与工程实践革新文章目录TensorFlow:深度学习基础设施的架构哲学与工程实践革新一、计算范式革命:从静态图到动态执行的深度架构剖析1.1静态计算图的编译优化体系1.2动态图模式的实现原理1.3混合执行模式的编译原理二、张量计算引擎的深度架构解析2.1运行时核心组件2.2计算图优化技术2.3分布式训练架构三、可微分编程范式的实现奥秘3.1自动微分系
- 计算机视觉与深度学习实战:以Python为工具,基于深度学习的汽车目标检测
好知识传播者
Python实例开发实战计算机视觉深度学习python基于深度学习的汽车目标检测
随着人工智能技术的飞速发展,计算机视觉与深度学习已经成为当今科技领域的热点。其中,汽车目标检测作为自动驾驶、智能交通等系统的核心技术,受到了广泛关注。本文将以Python为工具,探讨基于深度学习的汽车目标检测方法及其实战应用。一、计算机视觉与深度学习基础计算机视觉是研究如何让计算机从图像或视频中获取信息、理解内容并作出决策的科学。深度学习则是一种模拟人脑神经网络的机器学习技术,通过构建深层神经网络
- 程序员转向人工智能
CoderIsArt
机器学习与深度学习人工智能
以下是针对程序员转向人工智能(AI)领域的学习路线建议,分为基础、核心技术和进阶方向,结合你的编程背景进行优化:1.夯实基础数学基础(选择性补足,边学边用)线性代数:矩阵运算、特征值、张量(深度学习基础)概率与统计:贝叶斯定理、分布、假设检验微积分:梯度、导数(优化算法核心)优化算法:梯度下降、随机梯度下降(SGD)学习资源:3Blue1Brown(视频)、《程序员的数学》系列编程工具Python
- 深度学习基础知识总结
1.BatchNorm2d加速收敛:BatchNormalization可以使每层的输入保持较稳定的分布(接近标准正态分布),减少梯度更新时的震荡问题,从而加快模型训练速度。减轻过拟合:批归一化引入了轻微的正则化效果,因为它依赖于mini-batch中的统计信息,这种方式可以减少对单个样本的过度拟合。提高模型性能:在训练过程中,BatchNormalization通过动态调整激活值的分布,让模型更
- 大数据最新大模型学习路线与建议:掌握大模型学习路径
大模型教程
大数据学习人工智能大模型AI大模型程序员AI
1既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新第一章深度学习基础第二章智能对话系统基础第三章大模型基础第四章大模型应用实践第五章大模型实战项目第一章深度学习基础深度学习基础深度学习经典模型解
- 深度学习模型:技术演进、热点突破与未来图景
accurater
c++算法笔记深度学习
第一章深度学习模型的技术演进1.1从感知机到深度神经网络里程碑突破:AlexNet在ImageNet竞赛中实现图像分类性能飞跃,首次验证深度卷积网络(CNN)的潜力。其采用ReLU激活函数、Dropout正则化等创新,奠定现代深度学习基础架构。梯度消失的破解:LSTM网络通过门控机制实现长时序依赖建模,为自然语言处理(NLP)开辟道路,后续双向LSTM、GRU等变体持续优化记忆能力。计算范式革新:
- 我们掌握的技能与进入企业的机会
万能小贤哥
人工智能算法深度学习
深度学习:从基础到实践一、引言深度学习是机器学习的一个分支,它通过构建多层神经网络来模拟人类大脑的信息处理方式,从而实现对复杂数据的自动特征提取和模式识别。近年来,深度学习在计算机视觉、自然语言处理、语音识别等领域取得了巨大的突破,引发了全球范围内的研究和应用热潮。本文将从深度学习的基本概念出发,逐步深入到实际应用,并结合代码示例展示如何实现一个简单的深度学习模型。二、深度学习基础(一)神经网络的
- 吴恩达深度学习课程实践项目集
Kiki-2189
本文还有配套的精品资源,点击获取简介:吴恩达深度学习编程作业包含了Coursera平台课程中的实践环节,为学员提供深度学习理论与编程技能的巩固。这些作业从基础神经网络到复杂架构,涵盖深度学习的各种关键概念和技术,使用TensorFlow进行模型构建和训练,适合作为入门深度学习的资源。1.深度学习基础与理论框架在当今的人工智能领域,深度学习以其强大的模式识别能力,已经成为了众多技术革新的核心。本章将
- YOLOv7在自定义数据集上的Jupyter Notebook训练指南
t0_54program
大数据与人工智能YOLOjupyteride个人开发
在当今的计算机视觉领域,目标检测是一项至关重要的任务,而YOLO(YouOnlyLookOnce)系列算法因其高效性和准确性备受关注。本文将详细介绍如何在JupyterNotebook环境中,利用YOLOv7模型对自定义数据集进行训练。前期准备环境与基础设置:开始之前,你需要具备一定的Python编程经验和深度学习基础知识,并且拥有一台性能足够强大的机器。若没有GPU,DigitalOceanGP
- 自然语言处理 (NLP) 学习路线
我喝AD钙
我的学习笔记自然语言处理学习人工智能
自然语言处理学习路线1.基础准备(可参考mooc学习)2.学习基础NLP技术(可参考mooc学习)3.经典机器学习算法在NLP中的应用(可参考吴恩达机器学习课程)4.深度学习基础(基础参考吴恩达、工具看TF、Keras官网手册)5.深度学习在NLP中的应用(arxiv论文原文和解析博客,实战参考gitee/github)6.现代NLP模型(arxiv论文原文和解析博客,实战参考gitee/gith
- MONAI 高级开发者研究教程专栏:从精通到引领医学影像AI创新
LIUDAN'S WORLD
MONAI高级开发者研究教程专栏人工智能
专栏导语:本专栏旨在为已有深度学习基础并希望在医学影像AI领域进行深入研究的高级开发者提供一套系统性的MONAI学习与实践指南。我们将不仅仅停留在“如何使用”,更会深入探讨“为何如此设计”以及“如何扩展与创新”,助您充分利用MONAI的强大功能,引领前沿研究。第一章MONAI基石与医学影像AI生态MONAI的设计哲学与核心架构解析:不仅仅是介绍:深入探讨MONAI诞生的背景,解决了医学影像AI的哪
- 深度学习面试八股简略速览
石去皿
学习记录经验分享深度学习人工智能
在准备深度学习面试时,你可能会感到有些不知所措。毕竟,深度学习是一个庞大且不断发展的领域,涉及众多复杂的技术和概念。但别担心,本文将为你提供一份全面的指南,从基础理论到实际应用,帮助你在面试中脱颖而出。1.深度学习基础:理解核心概念1.1神经网络基础神经网络是深度学习的核心,它由许多简单的处理单元(神经元)组成,这些神经元通过权重连接在一起。每个神经元接收输入,通过一个激活函数进行处理,然后输出结
- 【第15章:量子深度学习与未来趋势—15.2 量子深度学习模型的基础理论与实现方法探索】
再见孙悟空_
#【深度学习・探索智能核心奥秘】深度学习DeepSeek人工智能计算机视觉强化学习量子计算量子深度学习
还记得《三体》中智子锁死地球科技的绝望吗?今天AI领域正面临类似的困境——GPT-4训练需要消耗1.7万个NVIDIAA100GPU运行3个月,能耗相当于300个家庭一年的用电量。更可怕的是,图像识别任务的参数空间维度每增加1级,计算量就会爆炸式增长10^8倍。这时候量子计算犹如破壁者,带着量子并行计算和指数级存储空间这两把密钥,正在打开AI的降维打击时代。一、量子深度学习基础:从量子比特到量子神
- 【深度学习基础/面试高频问题】归一化-为何BN层能帮助模型优化
无敌悦悦王
面试准备基础理论深度学习人工智能计算机视觉图像处理
深度学习基础知识为何BN能够帮助训练优化1、发现问题2、BatchNorm的性能是否源于控制内部协变量偏移?3、为什么BatchNorm有效?1)BatchNorm的平滑效果2)优化景观的探索3)BatchNorm是平滑景观的最佳(唯一?)方法吗?4、理论分析5、相关工作6、结论参考文献:1、HowDoesBatchNormalizationHelpOptimization?HowDoesBatc
- 第21节:深度学习基础-激活函数比较(ReLU, Sigmoid, Tanh)
点我头像干啥
从零开始学习深度学习图像分类实战(pytorch)深度学习算法人工智能
1.引言在深度学习领域,激活函数是神经网络中至关重要的组成部分它决定了神经元是否应该被激活以及如何将输入信号转换为输出信号激活函数为神经网络引入了非线性因素,使其能够学习并执行复杂的任务没有激活函数,无论神经网络有多少层,都只能表示线性变换,极大地限制了网络的表达能力本文将深入探讨三种最常用的激活函数:ReLU(RectifiedLinearUnit)、Sigmoid和Tanh(双曲正切函数),从
- AI Python 教程
Empty-Filled
人工智能python开发语言
AIPython教程为什么使用Python学习AI?AI之Python前提AIPython教程人工智能AI之Python-机器学习监督学习回归算法分类算法非监督学习聚类算法数据降维增强学习AI之Python-深度学习深度学习基础深度学习架构AI之Python-自然语言处理文本处理和表示文本处理文本表示词汇语义学AI之Python-计算机视觉图像处理和转换图像识别架构物体检测架构两步检测器单步检测器
- 第20节:深度学习基础-反向传播算法详解
点我头像干啥
从零开始学习深度学习图像分类实战(pytorch)深度学习神经网络人工智能机器学习
一、引言反向传播算法(Backpropagation,简称BP算法)是深度学习领域最为核心的算法之一,它为神经网络提供了一种高效计算梯度的方法,使得基于梯度的优化成为可能。自20世纪80年代被重新发现并广泛应用以来,反向传播算法已经成为训练多层神经网络的标准方法,推动了深度学习革命的发展。反向传播算法的本质是链式法则(ChainRule)在神经网络中的巧妙应用,它通过从输出层向输入层反向传播误差信
- 深度学习模型:从基础到前沿的技术解析与实践指南
爱吃青菜的大力水手
深度学习人工智能
深度学习模型全面解析文章框架,结合代码演示与图形展示,内容深入浅出:深度学习模型:从基础到前沿的技术解析与实践指南第一章深度学习基础与核心思想1.1深度学习的本质与优势表示学习理论:通过多层非线性变换自动提取数据特征,无需人工设计特征(如CNN对边缘→纹理→物体的逐层抽象)与传统机器学习的对比:以ImageNet分类为例,AlexNet将Top-5错误率从26.2%降至15.3%,证明了深度学习的
- PyTorch深度学习基础/Logistic回归
Zeal Just Hurries
深度学习人工智能机器学习pytorch回归python
一、PyTorch深度学习基础1、Tensor对象及其运算Tensor对象是一个多维的数据结构,用于存储数值型数据,通常用在深度学习中进行各种计算。Tensor对象可以简单理解为一个高维数组,它是矩阵概念的扩展。在深度学习领域,特别是在使用某些框架如PyTorch或TensorFlow时,Tensor扮演着核心角色。它们不仅拥有丰富的数学属性,还内置了一些专为深度学习设计的运算,这使得Tensor
- 探索人工智能在医疗诊断中的前沿应用:深度学习助力精准医疗
Thanks_ks
IT洞察集深度学习医疗诊断医学影像识别基因组学智能辅助诊断精准医疗个性化治疗
目录引言一、深度学习基础与医疗诊断的融合1.深度学习的自适应学习能力2.特征提取的自动化与高效性3.多模态数据的融合处理4.实时诊断与远程医疗的潜力5.个性化医疗的推动二、深度学习在医学影像识别中的应用1.肿瘤检测与分类2.眼科疾病筛查3.病变识别4.脑部疾病诊断5.骨折检测与评估6.多模态影像融合分析7.自动化报告生成三、深度学习在基因组学中的应用1.精准遗传病诊断2.疾病风险预测与预防3.精准
- 深度学习基础知识-全连接层
Jul.01
深度学习人工智能神经网络
全连接(FullyConnected,简称FC)层是深度学习神经网络中一种基本的层结构。它主要用于神经网络的最后几层,将高层特征映射到输出空间中。全连接层对数据的每个输入节点与每个输出节点进行连接,用于实现输入特征和输出结果之间的映射关系。以下是对全连接层的详细解释。1.全连接层的结构和原理在全连接层中,每一个输入节点与每一个输出节点之间都有一条连接线。假设输入层有n个神经元,输出层有m个神经元,
- 深度学习基础:从入门到理解核心概念
巷955
深度学习人工智能
引言近年来,深度学习(DeepLearning)已成为人工智能领域最热门的研究方向之一。从AlphaGo战胜人类围棋冠军,到ChatGPT等大型语言模型的惊艳表现,深度学习技术正在深刻改变我们的生活和工作方式。本文将系统介绍深度学习的基础知识,帮助初学者建立对这一领域的全面认识。一、什么是深度学习?深度学习是机器学习的一个子领域,它通过模拟人脑神经元的工作方式,构建多层的神经网络模型,从数据中自动
- 深度学习基础原理知识整理
MayByte
深度学习深度学习人工智能
深度学习基础原理知识整理线性回归模型线性回归模型定义假设给定数据集(D={(x1,y1),(x2,y2),…,(xm,ym)}),其中xi=(xi1;xi2;…;xid),xi∈Rx~i~\in\mathbb{R}xi∈R。线性回归就是试图学得一个线性模型,尽可能准确地预测实际输出值。通俗地讲,即求属性与结果之间的线性关系。线性回归模型的函数表达式为:f(x)=w1x1+w2x2+⋯+wnxn+b
- Linux的Initrd机制
被触发
linux
Linux 的 initrd 技术是一个非常普遍使用的机制,linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式,变化不仅反映在文件格式上, linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术,然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
- maven本地仓库路径修改
bitcarter
maven
默认maven本地仓库路径:C:\Users\Administrator\.m2
修改maven本地仓库路径方法:
1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml
2.找到
 
- XSD和XML中的命名空间
darrenzhu
xmlxsdschemanamespace命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml
http://blog.csdn.net/wanghuan203/article/details/9203621
http://blog.csdn.net/wanghuan203/article/details/9204337
http://www.cn
- Java 求素数运算
周凡杨
java算法素数
网络上对求素数之解数不胜数,我在此总结归纳一下,同时对一些编码,加以改进,效率有成倍热提高。
第一种:
原理: 6N(+-)1法 任何一个自然数,总可以表示成为如下的形式之一: 6N,6N+1,6N+2,6N+3,6N+4,6N+5 (N=0,1,2,…)
- java 单例模式
g21121
java
想必单例模式大家都不会陌生,有如下两种方式来实现单例模式:
class Singleton {
private static Singleton instance=new Singleton();
private Singleton(){}
static Singleton getInstance() {
return instance;
}
- Linux下Mysql源码安装
510888780
mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz
(1)创建mysql的安装目录及数据库存放目录
解压缩下载的源码包,目录结构,特殊指定的目录除外:
- 32位和64位操作系统
墙头上一根草
32位和64位操作系统
32位和64位操作系统是指:CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的,但是这些CPU并不是真正意义上的64 位CPU,里面依然保留了大部分32位的技术,只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面,32位系统的最大寻址空间是2 的32次方= 4294967296(bit)= 4(GB)左右,而64位系统的最大寻址空间的寻址空间则达到了
- 我的spring学习笔记10-轻量级_Spring框架
aijuans
Spring 3
一、问题提问:
→ 请简单介绍一下什么是轻量级?
轻量级(Leightweight)是相对于一些重量级的容器来说的,比如Spring的核心是一个轻量级的容器,Spring的核心包在文件容量上只有不到1M大小,使用Spring核心包所需要的资源也是很少的,您甚至可以在小型设备中使用Spring。
 
- mongodb 环境搭建及简单CURD
antlove
WebInstallcurdNoSQLmongo
一 搭建mongodb环境
1. 在mongo官网下载mongodb
2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db"
3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
- 数据字典和动态视图
百合不是茶
oracle数据字典动态视图系统和对象权限
数据字典(data dictionary)是 Oracle 数据库的一个重要组成部分,这是一组用于记录数据库信息的只读(read-only)表。随着数据库的启动而启动,数据库关闭时数据字典也关闭 数据字典中包含
数据库中所有方案对象(schema object)的定义(包括表,视图,索引,簇,同义词,序列,过程,函数,包,触发器等等)
数据库为一
- 多线程编程一般规则
bijian1013
javathread多线程java多线程
如果两个工两个以上的线程都修改一个对象,那么把执行修改的方法定义为被同步的,如果对象更新影响到只读方法,那么只读方法也要定义成同步的。
不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据,就不要将方法设置为synchronized的。
- 将文件或目录拷贝到另一个Linux系统的命令scp
bijian1013
linuxunixscp
一.功能说明 scp就是security copy,用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议,保证了数据传输的安全,其格式如下: scp 远程用户名@IP地址:文件的绝对路径
- 【持久化框架MyBatis3五】MyBatis3一对多关联查询
bit1129
Mybatis3
以教员和课程为例介绍一对多关联关系,在这里认为一个教员可以叫多门课程,而一门课程只有1个教员教,这种关系在实际中不太常见,通过教员和课程是多对多的关系。
示例数据:
地址表:
CREATE TABLE ADDRESSES
(
ADDR_ID INT(11) NOT NULL AUTO_INCREMENT,
STREET VAR
- cookie状态判断引发的查找问题
bitcarter
formcgi
先说一下我们的业务背景:
1.前台将图片和文本通过form表单提交到后台,图片我们都做了base64的编码,并且前台图片进行了压缩
2.form中action是一个cgi服务
3.后台cgi服务同时供PC,H5,APP
4.后台cgi中调用公共的cookie状态判断方法(公共的,大家都用,几年了没有问题)
问题:(折腾两天。。。。)
1.PC端cgi服务正常调用,cookie判断没
- 通过Nginx,Tomcat访问日志(access log)记录请求耗时
ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间
nginx.conf使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
- java-67- n个骰子的点数。 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
bylijinnan
java
public class ProbabilityOfDice {
/**
* Q67 n个骰子的点数
* 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
* 在以下求解过程中,我们把骰子看作是有序的。
* 例如当n=2时,我们认为(1,2)和(2,1)是两种不同的情况
*/
private stati
- 看别人的博客,觉得心情很好
Cb123456
博客心情
以为写博客,就是总结,就和日记一样吧,同时也在督促自己。今天看了好长时间博客:
职业规划:
http://www.iteye.com/blogs/subjects/zhiyeguihua
android学习:
1.http://byandby.i
- [JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析
comsci
工作流
我们已经不满足于仅仅跳跃一次,通过对引擎的升级,今天我测试了一下循环反馈模式,大概跑了200圈,引擎报一个溢出错误
在一个流程图的结束节点中嵌入一段方程,每次引擎运行到这个节点的时候,通过实时编译器GM模块,计算这个方程,计算结果与预设值进行比较,符合条件则跳跃到开始节点,继续新一轮拓扑分析,直到遇到
- JS常用的事件及方法
cwqcwqmax9
js
事件 描述
onactivate 当对象设置为活动元素时触发。
onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。
onbeforeactivate 对象要被设置为当前元素前立即触发。
onbeforecut 当选中区从文档中删除之前在源对象触发。
onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
- 正则表达式验证日期格式
dashuaifu
正则表达式IT其它java其它
正则表达式验证日期格式
function isDate(d){
var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i);
if(!v) {
this.focus();
return false;
}
}
<input value="2000-8-8" onblu
- Yii CModel.rules() 方法 、validate预定义完整列表、以及说说验证
dcj3sjt126com
yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。 返回属性的有效性规则。声明验证规则,应重写此方法。 每个规则是数组具有以下结构:array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
- UITextAttributeTextColor = deprecated in iOS 7.0
dcj3sjt126com
ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0."
Ins
- 判断一个数是质数的几种方法
EmmaZhao
Mathpython
质数也叫素数,是只能被1和它本身整除的正整数,最小的质数是2,目前发现的最大的质数是p=2^57885161-1【注1】。
判断一个数是质数的最简单的方法如下:
def isPrime1(n):
for i in range(2, n):
if n % i == 0:
return False
return True
但是在上面的方法中有一些冗余的计算,所以
- SpringSecurity工作原理小解读
坏我一锅粥
SpringSecurity
SecurityContextPersistenceFilter
ConcurrentSessionFilter
WebAsyncManagerIntegrationFilter
HeaderWriterFilter
CsrfFilter
LogoutFilter
Use
- JS实现自适应宽度的Tag切换
ini
JavaScripthtmlWebcsshtml5
效果体验:http://hovertree.com/texiao/js/3.htm
该效果使用纯JavaScript代码,实现TAB页切换效果,TAB标签根据内容自适应宽度,点击TAB标签切换内容页。
HTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"
- Hbase Rest API : 数据查询
kane_xie
RESThbase
hbase(hadoop)是用java编写的,有些语言(例如python)能够对它提供良好的支持,但也有很多语言使用起来并不是那么方便,比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口,它内嵌了jetty作为servlet容器。
启动命令:./bin/hbase rest s
- JQuery实现鼠标拖动元素移动位置(源码+注释)
明子健
jqueryjs源码拖动鼠标
欢迎讨论指正!
print.html代码:
<!DOCTYPE html>
<html>
<head>
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
<title>发票打印</title>
&l
- Postgresql 连表更新字段语法 update
qifeifei
PostgreSQL
下面这段sql本来目的是想更新条件下的数据,可是这段sql却更新了整个表的数据。sql如下:
UPDATE tops_visa.visa_order
SET op_audit_abort_pass_date = now()
FROM
tops_visa.visa_order as t1
INNER JOIN tops_visa.visa_visitor as t2
ON t1.
- 将redis,memcache结合使用的方案?
tcrct
rediscache
公司架构上使用了阿里云的服务,由于阿里的kvstore收费相当高,打算自建,自建后就需要自己维护,所以就有了一个想法,针对kvstore(redis)及ocs(memcache)的特点,想自己开发一个cache层,将需要用到list,set,map等redis方法的继续使用redis来完成,将整条记录放在memcache下,即findbyid,save等时就memcache,其它就对应使用redi
- 开发中遇到的诡异的bug
wudixiaotie
bug
今天我们服务器组遇到个问题:
我们的服务是从Kafka里面取出数据,然后把offset存储到ssdb中,每个topic和partition都对应ssdb中不同的key,服务启动之后,每次kafka数据更新我们这边收到消息,然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了,最开始我们是在代码中打印存储的日志,发现没什么问题,后来去查看ssdb的日志,才发现里面每次set的时候都会对同一个key