- PytorchLightning最佳实践基础篇
贝塔西塔
工程经验pytorchLightning深度学习编程框架
PyTorchLightning(简称PL)是一个建立在PyTorch之上的高层框架,核心目标是剥离工程代码与研究逻辑,让研究者专注于模型设计和实验思路,而非训练循环、分布式配置、日志管理等重复性工程工作。本文从基础到进阶,全面介绍其功能、核心组件、封装逻辑及最佳实践。一、PyTorchLightning核心价值原生PyTorch训练代码中,大量精力被消耗在:手动编写训练/验证循环(epoch、b
- Epoch
老兵发新帖
人工智能
在深度学习和机器学习中,Epoch(轮次或周期)是一个核心训练概念,指模型在整个训练数据集上完成一次完整遍历的过程。以下是关于Epoch的详细解析:一、核心定义基本含义Epoch表示模型将所有训练数据完整学习一次的过程。例如:若训练集有10,000个样本,则1个Epoch即模型用这10,000个样本训练一轮。与相关概念的关系Batch(批次):数据集被分割成的小组(如每批32个样本)。Iterat
- 【深度学习实战】当前三个最佳图像分类模型的代码详解
云博士的AI课堂
大模型技术开发与实践哈佛博后带你玩转机器学习深度学习深度学习人工智能分类模型机器学习TransformerEfficientNetConvNeXt
下面给出三个在当前图像分类任务中精度表现突出的模型示例,分别基于SwinTransformer、EfficientNet与ConvNeXt。每个模型均包含:训练代码(使用PyTorch)从预训练权重开始微调(也可注释掉预训练选项,从头训练)数据集目录结构:└──dataset_root├──buy#第一类图像└──nobuy#第二类图像随机拆分:80%训练,20%验证每个Epoch输出一次loss
- huggingface 笔记: Trainer
UQI-LIUWJ
笔记人工智能
Trainer是一个为Transformers中PyTorch模型设计的完整训练与评估循环只需将模型、预处理器、数据集和训练参数传入Trainer,其余交给它处理,即可快速开始训练自动处理以下训练流程:根据batch计算loss使用backward()计算梯度根据梯度更新权重重复上述流程直到达到指定的epoch数1配置TrainingArguments使用TrainingArguments定义训练
- ppocrv5训练参数设置完整配置(实测在2080ti可成功运行且f1>85%)
Global:model_name:PP-OCRv5_server_det#Tousestaticmodelforinference.debug:falseuse_gpu:trueepoch_num:&epoch_num500log_smooth_window:20print_batch_step:5save_model_dir:./output/PP-OCRv5_server_detsave_e
- 模型调试实用技巧
喝过期的拉菲
PyTorchLightning调试模型Lightningpytorch
【PL基础】模型调试实用技巧1.设置断点2.快速运行所有模型代码一次3.缩短epoch长度4.运行健全性检查5.打印LightningModule权重摘要6.打印输入输出层尺寸1.设置断点 断点会停止代码执行,以便您可以检查变量等。并允许您的代码一次执行一行。deffunction_to_debug():x=2#setbreakpointbreakpoint()y=x**2在此示例中,代码将在执
- python中的高级变量IV
hbwhmama
python学习python开发语言
python中的高级变量IV列表(list)的循环遍历列表遍历就是从头到尾依次从列表中提取数据列表遍历的实现:建立一个循环,在循环体内部对每一个元素执行相同的操作为了提高遍历效率,python使用迭代(iteration)遍历迭代遍历的实现:for循环体内部的变量in列表名(for后面的变量名自定)代码演示name_list=["Ken","John","Jack","Alice","Jan"]f
- 再来看看Python中的迭代器&生成器
孤寒者
Python全栈系列教程python迭代器生成器可迭代对象
目录:每篇前言:迭代器(Iterator)与生成器(Generator)1.迭代(Iteration)可迭代对象(Iterable)0、判断是否可迭代自定义可迭代对象示例方法一:通过实现`__iter__`返回生成器方法二:通过实现旧式协议`__getitem__`方法三:封装已有可迭代对象迭代器(Iterator)示例一:使用内置迭代器✍示例二:自定义迭代器类2.生成器(Generator)生成
- tensorflow GPU训练loss与val loss值差距过大问题
LXJSWD
tensorflow人工智能python
问题最近在ubuntugpu上训练模型,训练十轮,结果如下epoch,loss,lr,val_loss200,nan,0.001,nan200,0.002468767808750272,0.001,44.29948425292969201,0.007177405059337616,0.001,49.16984176635742202,0.012423301115632057,0.001,49.30
- Python训练营-Day37-早停策略和模型权重的保存
1.记录训练集的损失函数可以观察是否过拟合#记录损失值并更新进度条if(epoch+1)%200==0:losses.append(loss.item())epochs.append(epoch+1)#更新进度条的描述信息pbar.set_postfix({'Loss':f'{loss.item():.4f}'})2.模型保存和加载#保存模型参数torch.save(model.state_dic
- 初学者对训练神经网络的疑问
shuise_9527
神经网络人工智能深度学习
作为初学者,在开始跑论文当中的代码,会产生一些疑问,我希望用这篇总结一下。如果有没涉及到的,或者错误之处,希望大家可以指出来,后面我也会在学习中不断完善这部分内容。超参数1.batchsize(批量大小)每次训练输入给模型多少张图像。例如batchsize=8,那模型每次只处理8张,叫做“一个batch”如果共有10,000张训练图,那么一个epoch会包含10,000÷8=1250个batch2
- 6.13打卡
丁值心
机器学习小白从0到1人工智能深度学习python开发语言机器学习
@浙大疏锦行DAY51复习日作业:day43的时候我们安排大家对自己找的数据集用简单cnn训练,现在可以尝试下借助这几天的知识来实现精度的进一步提高对猫狗数据集进行训练Epoch50/50完成|耗时:32.76s|训练准确率:93.98%|测试准确率:87.89%importtorchimporttorch.nnasnnimporttorch.optimasoptimfromtorchvision
- Redis 哨兵模式
伤不起bb
redis数据库缓存
目录一、Redis哨兵介绍1.概述2.实现原理3.架构4.选举领导者哨兵的过程5.故障后恢复过程6.实现原理二、实验案例环境三、搭建基础环境四、部署Redis主从五、部署哨兵节点1.部署哨兵2.修改配置文件3.编写服务脚本4.查看哨兵状态信息5.故障转移6.查看哨兵epoch一、Redis哨兵介绍1.概述Redis哨兵是分布式高可用解决方案,用于实现:主从自动故障转移(Master-SlaveFa
- Python 训练营打卡 Day 44
2401_86382089
Python打卡python
预训练模型1.预训练模型的概念我们之前在训练中发现,准确率最开始随着epoch的增加而增加。随着循环的更新,参数在不断发生更新。所以参数的初始值对训练结果有很大的影响:如果最开始的初始值比较好,后续训练轮数就会少很多很有可能陷入局部最优值,不同的初始值可能导致陷入不同的局部最优值所以很自然的想到,如果最开始能有比较好的参数,即可能导致未来训练次数少,也可能导致未来训练避免陷入局部最优解的问题。这就
- Redis哨兵模式
惊起白鸽450
redismybatis数据库
目录概述实现原理基础环境部署Redis主从部署Redis服务编写服务脚本修改配置文件主从验证部署哨兵节点部署哨兵修改配置文件编写服务脚本查看哨兵状态信息故障转移查看哨兵epoch概述在一主多从的Redis架构中,从节点可以起到数据冗余备份和读写分离的作用。如果主节点遇到故障导致无法提供服务时,可以采用手动方式将其一个从节点提升为主节点,保证Redis主从能够正常工作。主从切换通过手动完成比较耗时、
- 深度学习习题3
1.训练神经网络过程中,损失函数在一些时期(Epoch)不再减小,原因可能是:1.学习率太低2.正则参数太大3.卡在了局部最小值A1and2B.2and3C.1and3D.都是2.对于分类任务,我们不是将神经网络中的随机权重初始化,而是将所有权重设为零。下列哪项正确?A.没有任何问题,神经网络模型将正常训练B.神经网络模型可以训练,但所有的神经元最终将识别同样的事情C.神经网络模型不会进行训练,因
- DAY36打卡@浙大疏锦行
weixin_71046789
Python打卡训练营内容人工智能深度学习python
1.接35day作业补充总体来看,配置2和配置3在准确率和损失值上表现较好,但配置3训练速度更快;配置1在各项指标上相对较弱。可以根据实际需求(如对训练时间和准确率的侧重)来选择最终使用的超参数配置。从训练损失对比图可以看出,三条曲线分别代表三种不同超参数配置下模型训练过程中损失值(Loss)随训练轮次(Epoch)的变化情况,且三条曲线的损失值都随着Epoch的增加呈下降趋势,说明三种配置下模型
- YOLOv11小白的进击之路(七)训练输出日志解读以及训练OOM报错解决办法
水静川流
YOLO深度学习YOLOyolopytorch人工智能python
YOLO训练输出日志解读我们在进行训练时,在控制台会输出如下图所示的YOLO训练输出日志:我们逐一来分析,从左到右每列通常代表以下信息:Epoch:当前训练已进行的轮数和总轮数。例:83/150即第83个Epoch,共计要训练150个Epoch。GPU_mem:显示当前使用的显存大小(如3.66G),方便监控显存占用情况。box_loss/cls_loss/dfl_loss:这仨就是不同类型的损失
- NanoGPT的BenchMarking.py
2301_80365274
人工智能
1.Benchmarking是一种评估和比较性能的过程。在深度学习领域,它通常涉及对模型的训练速度、推理速度、内存占用等指标进行测量,以便评估不同模型、不同硬件配置或者不同软件版本之间的性能差异。例如,当你尝试比较两个不同架构的模型(如ResNet和EfficientNet)在相同数据集和硬件条件下的训练效率时,就可以进行benchmarking。通过记录每个模型的训练时间、每个epoch的处理时
- 【Pytorch实用教程】【分布式】torch.utils.data.distributed.DistributedSampler用法介绍
若北辰
pytorch分布式人工智能
文章目录基本用法构造方法使用示例说明`set_epoch`方法典型场景torch.utils.data.distributed.DistributedSampler是PyTorch中用于分布式训练的一个采样器(sampler)。在分布式训练时,它可以帮助将数据集分成多个子集,并且确保每个GPU或进程处理的样本是唯一的,不会重复其他进程处理的样本,从而提升训练效率。基本用法DistributedSa
- python打卡day37
(・Д・)ノ
Python打卡训练人工智能
早停策略和模型权重保存知识点回顾:过拟合的判断:测试集和训练集同步打印指标模型的保存和加载仅保存权重保存权重和模型保存全部信息checkpoint,还包含训练状态早停策略是否过拟合,可以通过同步打印训练集和测试集的loss曲线来判断(要点就是训练一定epoch后,就开始推理,然后接着训练)正常训练(理想情况)训练Loss和测试Loss同步下降,最终趋于稳定两条曲线的最终值接近,且测试Loss没有明
- Iteration in Golang – How to Loop Through Data Structures in Go
武昌库里写JAVA
面试题汇总与解析课程设计springbootvue.jsjava学习
Inprogramming,iteration(commonlyknownaslooping)isaprocesswhereastepisrepeatednnumberoftimesuntilaspecificconditionismet.Justlikeeveryotherprogramminglanguage,Golanghasawayofiteratingthroughdifferentda
- loso训练策略
一只波加猹~
微表情检测深度学习机器学习人工智能
问:loso训练策略是保留一个受试者作为测试集,其他受试者作为训练集那在一个epoch中,是只有一个受试者作为测试,还是说在这个一个epoch中每个受试者都轮流作为测试呢?AN:LOSO(Leave-One-Subject-Out)训练策略的主要思想是:每次选择一个受试者作为测试集,而剩余的所有受试者作为训练集。在一个完整的LOSO交叉验证过程中,每个受试者都会轮流作为测试集,最终会执行N次训练-
- datetime64[ns]转化为datetime
一把年纪学编程
五
#dtype:datetime64[ns]转化为datetimeunix_epoch=np.datetime64(0,'s')one_second=np.timedelta64(1,'s')seconds_since_epoch=(t3a2-unix_epoch)/one_secondseconds_since_epocht3a3=datetime.datetime.utcfromtimestam
- 使用paddlepaddle框架构建ViT用于CIFAR10图像分类
sherlockjjobs
深度学习Pythonpython深度学习图像分类
使用paddlepaddle框架构建ViT用于CIFAR10图像分类硬件环境:GPU(1*NVIDIAT4)运行时间:一个epoch大概一分钟importpaddleimporttimeimportpaddle.nnasnnimportpaddle.nn.functionalasFimportpaddle.vision.transformsastransformsfrompaddle.ioimpo
- 深度学习中保存最优模型的实践与探索:以食物图像分类为例
不吃香菜?
深度学习分类人工智能
深度学习中保存最优模型的实践与探索:以食物图像分类为例在深度学习的模型训练过程中,训练一个性能良好的模型往往需要耗费大量的时间和计算资源。而保存最优模型不仅可以避免重复训练,还能方便后续使用和部署。本文将结合食物图像分类的代码实例,深入探讨如何在深度学习项目中保存最优模型,以及不同保存方式的特点和适用场景。一、保存最优模型的重要性在深度学习模型的训练过程中,随着训练轮次(epoch)的增加,模型的
- ATOM resnet50/PrDiMP18 在UAV123数据集测试结果
朱朱呀
笔记#目标跟踪#pytorch深度学习pytorch神经网络
ATOMresnet50/PrDiMP18(epoch=90)在UAV123数据集测试结果(tracker_num=1)结果保存在tracking_results_me_prdimp18_epoch90_atom5/result_plots_me_prdimp18_epoch90_atom50Running:myexperimentsatom_dimp_uavEvaluating2trackers
- 深度学习中的 batch size 参数的设置技巧
JOYCE_Leo16
计算机视觉深度学习batch人工智能
文章目录前言1、batch=1时2、batch的选择3、增大batchsize的好处4.盲目增大的坏处总结具体关于batchsize可参考:BatchSize对神经网络训练的影响_batchsize大小对训练的影响-CSDN博客前言深度学习中经常看到epoch、iteration和batchsize,下面说说这三个的区别:(1)batchsize:批大小。在深度学习中,一般采用SGD训练,即每次训
- Python笔记:日期时间获取与转换
测试开发小记
#Python笔记pythondatetime
python日期时间获取与转换目录世界时、原子时和世界协调时世界时原子时世界协调时epochtime2038问题pythontimepython获取当前时间标准时间转换为epoch时间epoch时间转换为标准时间pythondatetime获取当前时间(本地时间)时间格式化timedelta时间差系列文章世界时、原子时和世界协调时世界时世界时(UniversalTime,UT)是根据地球自转周期确
- 【Pandas】pandas DataFrame get
liuweidong0802
DataFramepandas
Pandas2.2DataFrameIndexing,iteration方法描述DataFrame.head([n])用于返回DataFrame的前几行DataFrame.at快速访问和修改DataFrame中单个值的方法DataFrame.iat快速访问和修改DataFrame中单个值的方法DataFrame.loc用于基于标签(行标签和列标签)来访问和修改DataFrame中的数据DataFr
- 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