Yii 1开发日记,yii开发日记
Yii 1开发日记,yii开发日记
用yii 1实现后台的搜索功能,效果如下图:
1.模型中:
<span> 1</span> <span>public</span> <span>function</span><span> search() </span><span> 2</span> <span> { </span><span> 3</span> <span> 4</span> <span>$criteria</span> = <span>new</span><span> CDbCriteria; </span><span> 5</span> <span>//</span><span>独立高级搜索</span> <span> 6</span> <span>if</span>(<span>isset</span>( <span>$_GET</span>['goods'<span>]) ) { </span><span> 7</span> <span>//</span><span>商品货号</span> <span> 8</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['goods_sn']) && <span>$_GET</span>['goods']['goods_sn'] != ""<span>) </span><span> 9</span> <span> { </span><span>10</span> <span>$criteria</span>->compare('goods_sn',<span>$_GET</span>['goods']['goods_sn'], <span>true</span><span> ); </span><span>11</span> <span> } </span><span>12</span> <span>//</span><span>商品名称</span> <span>13</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['goods_name']) && <span>$_GET</span>['goods']['goods_name'] != ""<span>) </span><span>14</span> <span> { </span><span>15</span> <span>$criteria</span>->compare('goods_name',<span>$_GET</span>['goods']['goods_name'], <span>true</span><span>); </span><span>16</span> <span> } </span><span>17</span> <span>//</span><span>商品分类</span> <span>18</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['cat_id']) && <span>$_GET</span>['goods']['cat_id'] != ""<span>) </span><span>19</span> <span> { </span><span>20</span> <span>$criteria</span>->compare('cat_id',<span>$_GET</span>['goods']['cat_id'], <span>true</span><span>); </span><span>21</span> <span> } </span><span>22</span> <span>//</span><span>是否上架</span> <span>23</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_on_sale']) && <span>$_GET</span>['goods']['is_on_sale'] != ""<span>) </span><span>24</span> <span> { </span><span>25</span> <span>$criteria</span>->compare('is_on_sale',<span>$_GET</span>['goods']['is_on_sale'<span>]); </span><span>26</span> <span> } </span><span>27</span> <span>//</span><span>是否精品</span> <span>28</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_best']) && <span>$_GET</span>['goods']['is_best'] != ""<span>) </span><span>29</span> <span> { </span><span>30</span> <span>$criteria</span>->compare('is_best',<span>$_GET</span>['goods']['is_best'<span>]); </span><span>31</span> <span> } </span><span>32</span> <span>//</span><span>是否新品</span> <span>33</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_new']) && <span>$_GET</span>['goods']['is_new'] != ""<span>) </span><span>34</span> <span> { </span><span>35</span> <span>$criteria</span>->compare('is_new',<span>$_GET</span>['goods']['is_new'<span>]); </span><span>36</span> <span> } </span><span>37</span> <span>//</span><span>是否热销</span> <span>38</span> <span>if</span> (<span>isset</span>(<span>$_GET</span>['goods']['is_hot']) && <span>$_GET</span>['goods']['is_hot'] != ""<span>) </span><span>39</span> <span> { </span><span>40</span> <span>$criteria</span>->compare('is_hot',<span>$_GET</span>['goods']['is_hot'<span>]); </span><span>41</span> <span> } </span><span>42</span> <span>43</span> <span> } </span><span>44</span> <span>return</span> <span>new</span> CActiveDataProvider(<span>$this</span>, <span>array</span><span>( </span><span>45</span> 'criteria'=><span>$criteria</span> <span>46</span> <span> )); </span><span>47</span> }
2.控制器中:
<span>$model</span>=<span>new</span> B2cGoods('search');
表示在model中启用模型中的search作为搜索。
3.视图中:
<div <span>class</span>="well"> <div <span>class</span>="search-box"> <form <span>class</span>="form-inline" method="get" action=""><br /> <span>//指定form表单提交的页面,很重要</span> <input type='hidden' name='r' value='B2CShop/b2cGoods/goodsList/id/<?php echo $id ?>'> <div <span>class</span>="form-group"> <<span>input name</span>="goods[goods_sn]"<span> type</span>="text" <span>class</span>="form-control"<span> style</span>="width:140px;"<span> placeholder </span>= "商品货号"<span> value</span>=<?php <span>echo</span> <span>$_GET</span>['goods']['goods_sn'] ; ?> > </div>&<span>nbsp; </span><div <span>class</span>="form-group"> <<span>input name</span>="goods[goods_name]"<span> type</span>="text" <span>class</span>="form-control"<span> style</span>="width:140px;"<span> placeholder </span>= "商品名称"<span> value</span>=<?php <span>echo</span> <span>$_GET</span>['goods']['goods_name'] ; ?> > </div> &<span>nbsp; </span><div <span>class</span>="form-group"> <?php <span>echo</span> CHtml::dropDownList( "goods[cat_id]" , <span>$_GET</span>['goods']['cat_id'] ,<span> B2cCategory</span>::listData( <span>$id</span> ) , <span>array</span>( "class"=>"form-control" , 'empty'=>'请选择类型...', 'encode' => <span>false</span>, "style"=>"width:140px") ); ?> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>上架 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_on_sale]"<span> style</span>="width: 24px;"<span> value</span>="1"<br /> <span>//实现checkbox,刷新页面保持原状态</span> <?php <span>echo</span> <span>$_GET</span>['goods']['is_on_sale']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>精品 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_best]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_best']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>新品 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_new]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_new']?'checked="checked"':'' ?> > </label> </div> &<span>nbsp; </span><div <span>class</span>="checkbox"> <label>热销 </span><<span>input type</span>="checkbox"<span> name</span>="goods[is_hot]"<span> style</span>="width: 24px;"<span> value</span>="1" <?php <span>echo</span> <span>$_GET</span>['goods']['is_hot']?'checked="checked"':'' ?> > </label> </div> <button type="submit" <span>class</span>="btn btn-default"><span <span>class</span>="glyphicon glyphicon-search"></span> 搜 索</button> </form> </div> </div>
这里需要注意的一点是实现checkbox,保持原状态,echo $_GET['goods']['is_hot']?'checked="checked"':'' ?>,即用php判断是否有值。

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.

Le FP8 et la précision de quantification inférieure en virgule flottante ne sont plus le « brevet » du H100 ! Lao Huang voulait que tout le monde utilise INT8/INT4, et l'équipe Microsoft DeepSpeed a commencé à exécuter FP6 sur A100 sans le soutien officiel de NVIDIA. Les résultats des tests montrent que la quantification FP6 de la nouvelle méthode TC-FPx sur A100 est proche ou parfois plus rapide que celle de INT4, et a une précision supérieure à celle de cette dernière. En plus de cela, il existe également une prise en charge de bout en bout des grands modèles, qui ont été open source et intégrés dans des cadres d'inférence d'apprentissage profond tels que DeepSpeed. Ce résultat a également un effet immédiat sur l'accélération des grands modèles : dans ce cadre, en utilisant une seule carte pour exécuter Llama, le débit est 2,65 fois supérieur à celui des cartes doubles. un

Lien du projet écrit devant : https://nianticlabs.github.io/mickey/ Étant donné deux images, la pose de la caméra entre elles peut être estimée en établissant la correspondance entre les images. En règle générale, ces correspondances sont 2D à 2D et nos poses estimées sont à échelle indéterminée. Certaines applications, telles que la réalité augmentée instantanée, à tout moment et en tout lieu, nécessitent une estimation de pose des métriques d'échelle, elles s'appuient donc sur des estimateurs de profondeur externes pour récupérer l'échelle. Cet article propose MicKey, un processus de correspondance de points clés capable de prédire les correspondances métriques dans l'espace d'une caméra 3D. En apprenant la correspondance des coordonnées 3D entre les images, nous sommes en mesure de déduire des métriques relatives.

LLaMA-3 (LargeLanguageModelMetaAI3) est un modèle d'intelligence artificielle générative open source à grande échelle développé par Meta Company. Il ne présente aucun changement majeur dans la structure du modèle par rapport à la génération précédente LLaMA-2. Le modèle LLaMA-3 est divisé en différentes versions, notamment petite, moyenne et grande, pour répondre aux différents besoins d'application et ressources informatiques. La taille des paramètres des petits modèles est de 8B, la taille des paramètres des modèles moyens est de 70B et la taille des paramètres des grands modèles atteint 400B. Cependant, lors de la formation, l'objectif est d'atteindre une fonctionnalité multimodale et multilingue, et les résultats devraient être comparables à GPT4/GPT4V. Installer OllamaOllama est un grand modèle de langage open source (LL

Afin d'aligner les grands modèles de langage (LLM) sur les valeurs et les intentions humaines, il est essentiel d'apprendre les commentaires humains pour garantir qu'ils sont utiles, honnêtes et inoffensifs. En termes d'alignement du LLM, une méthode efficace est l'apprentissage par renforcement basé sur le retour humain (RLHF). Bien que les résultats de la méthode RLHF soient excellents, certains défis d’optimisation sont impliqués. Cela implique de former un modèle de récompense, puis d'optimiser un modèle politique pour maximiser cette récompense. Récemment, certains chercheurs ont exploré des algorithmes hors ligne plus simples, dont l’optimisation directe des préférences (DPO). DPO apprend le modèle politique directement sur la base des données de préférence en paramétrant la fonction de récompense dans RLHF, éliminant ainsi le besoin d'un modèle de récompense explicite. Cette méthode est simple et stable
