2 KKALL1314

尚未进行身份认证

我要认证

暂无相关简介

等级
TA的排名 7w+

SpringCache 给不同的key设置不同的过期时间

前言spring cache可以使用注解来很方便的操作缓存,但是它的过期时间配置却是统一的,如何自定义每个key的过期时间?关键点以springboot+redis为例,使用注解来操作redis之前需要有一个redis配置类@Configuration//@EnableConfigurationProperties({Properties.class})@EnableCachingpublic class RedisConfig { @Bean public CacheMan

2020-06-26 19:47:18

idea忽略不用与远程同步的文件

https://www.cnblogs.com/leiblog/p/11458171.html

2020-04-16 09:10:43

springboot实现读写分离

读写分离/多数据源配置技术选型springbootmybatismysql实现关键点使用springboot实现mysql的读写分离,或者说多数据源配置,最关键的一点就是实现:sql的动态路由即对于一个要执行的sql,系统自动判断这个sql将要在哪个mysql服务器上执行,也就是需要实现数据源的动态切换。spring提供了一个用于切换数据源的抽象类:org.springfra...

2020-03-23 12:10:18

java断点续传

前言断点续传就是从文件上次中断的地方开始重新下载或上传,当下载或上传文件的时候,如果没有实现断点续传功能,那么每次出现异常或者用户主动的暂停,都会去重头下载,这样很浪费时间。并且对于大型文件,采用切片上传的方法,客户端对文件进行切片处理后,多次请求服务器,每次只传递一个分片。前端前端需要对上传的文件进行分片处理,记录当前上传的文件分片的开始字节start和结束字节end,同时,整个大文件有一...

2020-03-07 09:50:01

2017CS231n笔记_S16对抗样本和对抗训练

对抗样本:对抗样本是用心构造出来的会被分错类的样本。使用对抗样本来攻击深度卷积网络,使得它出错。对抗样本可以欺骗很多种线性模型,包括逻辑回归和支持向量机。对抗样本也可以欺骗非线性模型。对抗样本的产生是因为模型线性程度过高。对抗样本的寻找:找到一个和梯度方向能形成很大的内积的方向,然后只要大概沿着这个方向移动一点,就能找到对抗样本,欺骗网络模型。对抗区域:对抗样本所在的区域称为对抗区域/对抗...

2020-02-11 23:25:42

2017CS231n笔记_S15深度学习的方法和硬件

目录S15.0前言S15.1Algorithms for Efficient InferenceS15.2Hardware for Efficient InferenceS15.3Algorithms for Efficient TrainingS15.4Hardware for Efficient TrainingS15.0前言深度学习正在改变我们的生活,例如自动驾驶...

2020-02-11 23:21:35

2017CS231n笔记_S14深度增强学习

目录S14.1增强学习(Reinforcement Learning,RL)S14.2马尔科夫决策过程Markov Decision ProcessesS14.1增强学习(Reinforcement Learning,RL)增强学习(强化学习)架构如下图所示。在建立增强学习过程中,有一个代理Agent和一个环境增强Environment。环境赋予代理一个状态State,代理将采取行...

2020-02-11 23:13:17

2017CS231n笔记_S13生成模型

目录S13.1Supervised vs Unsupervised LearningS13.2生成模型Generative ModelS13.2.1Fully visible belief networkS13.2.3变分编码器(Variational Autoencoders ,VAE)S13.2.4对抗生成网络(Generative Adversarial Network...

2020-02-11 22:10:06

2017CS231n笔记_S12可视化和理解

目录S12.1可视化S12.2其他S12.1可视化CNN网络是一个黑盒子,这一节主要是为了理解CNN学到了什么,CNN中间层的作用是什么,CNN在找图片的什么。第一个卷积层Filters可视化:对一些常见网络的第一层卷积层的Filters可视化结果如下所示。可视化方法是,Filters的形状为(H,W,Depth=3,Num),将Filters视为Num个彩色图像,图像形状为(...

2020-02-10 17:53:30

2017CS231n笔记_S11分割,定位,检测

目录S11.0前言S11.1语义分割S11.1.1滑动窗口方法S11.1.2全卷积方法S11.1.13上采样S11.2分类+定位S11.2.1分类+定位S11.2.2姿态估计S11.3目标检测S11.3.1目标检测作为回归任务?S11.3.2目标检测作为分类任务S11.3.3Detection with Region ProposalsS11.3...

2020-02-09 22:52:19

2017CS231n笔记_S10循环神经网络

目录S10.1循环神经网络(Recurrent Neural Networks,RNN)S10.1.1RNN通用架构S10.1.2RNN的5种类型S10.2语言建模(Language Modeling)S10.2.1字符级语言模型例子S10.2.2反向传播S10.3RNN应用S10.3.1图像标注S10.3.2视觉问答Visual Question Answer...

2020-02-06 17:34:17

2017CS231n笔记_S9CNN架构

目录S9.1LeNetS9.2AlexNetS9.3ZFNetS9.4VGGS9.5GoogleNetS9.6ResNetS9.7比较S9.8OthersS9.1LeNet该网络由LeCun等人提出[LeCun et al., 1998]。该网络可看作是通信网络的第一个实例,并且在数字识别领域的应用方面取得了成功。网络架构为[CONV-POOL-CONV-P...

2020-02-05 17:39:27

2017CS231n笔记_S8深度学习软件

目录S8.1CPU vs GPUS8.2深度学习框架Deep Learning FrameworksS8.1CPU vs GPUCPU是中央处理器。GPU是图像处理单元或者图形卡,最初用于对计算机图形进行渲染,特别是游戏视频等等。CPU和GPU都是通用的计算机器,它们可以执行任何指令。CPU的核数少于GPU的核数,但两者的核不能进行简单地数字比较。CPU的核能够单独运行,而GPU的...

2020-02-04 09:51:09

2017CS231n笔记_S7训练神经网络(下)

目录S7.1更好的优化Fancier optimizationS7.2集成模型S7.3正则化(Regularization)S7.4迁移学习(Transer Learning)S7.1更好的优化Fancier optimization训练神经网络的核心问题是对损失函数的优化问题。优化方法有:随机梯度下降法(Stochastic Gradient Descent,SGD),带...

2020-02-03 10:40:28

2017CS231n笔记_S6训练神经网络(上)

目录S6.1前言S6.2激活函数(Activation Functions)S6.3数据预处理(Data Preprocessing)S6.4权重初始化(Weight Initalization)S6.5批归一化S6.6训练过程监控S6.7超参数优化(Hyperparameter Optimization)S6.1前言在训练网络之前,如何选择激活函数,怎样做数据...

2020-02-01 21:13:56

2017CS231n笔记_S5卷积神经网络

目录S5.1历史S5.2卷积和池化S5.1历史神经网络历史1957年,Frank RosenBlatt发明了第一代感知机器,首次实现了感知器算法。 1960年,Windrow和Hoff发明了Adaline/Madaline,首次将线性层叠加,整合为多层感知器网络。 1986年,Rumelhart首次提出反向传播算法。接着链式法则,更新算法才慢慢出现。 2006年,Hint...

2020-01-31 18:27:11

2017CS231n笔记_S4神经网络介绍

目录S4.1反向传播(Backpropagation)S4.2神经网络(Neural Networks)S4.1反向传播(Backpropagation)背景模型 SVM损失 整体损失函数 目标 找到使得L最小的W。为了找到W,需要求L在W方向上的梯度。 反向传播反向传播是指在神经网络中,将上层节点的梯度值进行反向地传播,进而求...

2020-01-30 21:15:15

2017CS231n笔记_S3损失函数和优化

目录S3.1损失函数S3.2优化S3.1损失函数背景假设有3张图像的训练集,S2.3中使用某个W来进行对图像进行预测,得到了这三张图像分别在10个分类上的得分。得分即是模型的预测值或者输出值。损失函数(loss function)损失函数用于度量模型权重W的好坏。损失函数将W作为输入,然后得到一个损失值,定量的估计W的好坏。依据损失函数,就可以评估W是好是坏。使用表示样...

2020-01-29 13:11:34

2017CS231n笔记_S2图像分类

目录S2.1数据驱动方法S2.2K-最近邻算法S2.3线性分类S2.1数据驱动方法图像分类定义图像分类任务是计算机视觉的核心任务。在进行图像分类时,分类器接收一些输入图像,同时也知道图像集合对应的标签集合。分类器的任务就是为输入的图像分配一个固定的分类标签。图像的类别是人类赋予的语义的概念,而对于计算机来说,RGB图像仅仅是3维度的张量,是一个巨大的数字阵列。因此在进行图像...

2020-01-28 18:02:27

2017CS231n笔记_S1课程介绍

目录S1.1CV概述S1.2CV历史背景S1.3课程后勤S1.1CV概述定义计算机视觉(computer vision,CV)是对视觉数据的研究,是一个多学科交叉的领域(物理,生物学,心理学,计算机科学,数学,工程学)。这些年,视觉数据呈爆炸式地增长,这很大程度上得益于世界上许许多多的视觉传感器。这些传感器每天能产生大量的视觉数据,这些数据构成了网络上传输的大部分数据。然而...

2020-01-26 21:41:23

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 1024勋章
    1024勋章
    #1024程序员节#活动勋章,当日发布原创博客即可获得
  • 勤写标兵Lv4
    勤写标兵Lv4
    授予每个自然周发布9篇以上(包括9篇)原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。