Walter_Silva
Walter_Silva

NLP到word2vec实战班视频截图2---Word2vec理论基础

视频地址：https://www.bilibili.com/video/av27083004/?p=2

老师的blog地址：https://www.zybuluo.com/hanxiaoyang/note/472184

NLP到word2vec实战班视频截图2---Word2vec理论基础_第1张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第2张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第3张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第4张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第5张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第6张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第7张图片

词袋模型即第一项中文档向量表示为直接将各词的向量直接加和

TDIDF也是词袋模型的一种表示法

gram：元

language model：非常重要，特别是machine translation。

下面的连乘一般用log取和

NLP到word2vec实战班视频截图2---Word2vec理论基础_第8张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第9张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第10张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第11张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第12张图片

下面的每一行或者每一列都能纯天然地作为一个词向量，对称矩阵

NLP到word2vec实战班视频截图2---Word2vec理论基础_第13张图片

 

NLP到word2vec实战班视频截图2---Word2vec理论基础_第14张图片

对于上面的sparse matrix，自然会想到降维，SVD、PCA等

NLP到word2vec实战班视频截图2---Word2vec理论基础_第15张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第16张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第17张图片

word2vec的前身

从下往上：

第一层：投射层，取出词对应的词向量，词的初始向量可以随机初始化（one-hot），注意投影矩阵是D行V列，然后点乘V行1列，得到该词的D行一列的向量。在输入隐层前，输入的向量会在投影层进行简单的concat拼接，比如每个单词都是300维，则三个单词拼接为900维

第二层：隐层，激活函数。

第三层：softmax，输出V个词的概率

最后我们是想要投射层的参数，它有每个词的词向量

NLP到word2vec实战班视频截图2---Word2vec理论基础_第18张图片

 

下面介绍word2vec

与NNLM的不同点：

1、把投射层去掉，输入直接是词向量，而不是one-hot的编码（投影太麻烦）

2、对词向量不再concat，而是直接sum求和，再softmax

3、去掉了hidden layer

目标函数：对数最大似然

针对最后一层softmax，至少几十万维，两种优化方案：层次softmax和负采样

层次softmax：对最后一层的二叉树改进为huffman树，降低树的深度，每个节点往左走或者往右走都是一次lr。

NLP到word2vec实战班视频截图2---Word2vec理论基础_第19张图片

负采样

NLP到word2vec实战班视频截图2---Word2vec理论基础_第20张图片

怎么选择那V-1个负样本呢？

随机丢看落在0-1线段的哪个区域，与词的频率有关

NLP到word2vec实战班视频截图2---Word2vec理论基础_第21张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第22张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第23张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第24张图片

对于样本量不是特别大的情况，我们倾向于用CBOW，样本量非常非常大的话考虑negative sample

 

NLP到word2vec实战班视频截图2---Word2vec理论基础_第25张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第26张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第27张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第28张图片

NLP到word2vec实战班视频截图2---Word2vec理论基础_第29张图片

 

 

你可能感兴趣的:(NLP)

  • 【自然语言处理】自然语言处理NLP概述及应用 @我们的天空 人工智能技术nlp人工智能深度学习python机器学习自然语言处理scikit-learn
    自然语言处理（NaturalLanguageProcessing，简称NLP）是一门集计算机科学、人工智能以及语言学于一体的交叉学科，致力于让计算机能够理解、解析、生成和处理人类的自然语言。它是人工智能领域的一个关键分支，旨在缩小人与机器之间的交流障碍，使得机器能够更有效地识别并响应人类的自然语言指令或内容。自然语言处理NLP概述基本任务：文本分类：将文本划分为预定义的类别，如情感分析、主题分类等
  • OPENAI中RAG实现原理以及示例代码用PYTHON来实现 dzend aigcpython开发语言ai
    OPENAI中RAG实现原理以及示例代码用PYTHON来实现1.引言在当今人工智能领域，自然语言处理（NLP）是一个非常重要的研究方向。近年来，OPENAI发布了许多创新的NLP模型，其中之一就是RAG（Retrieval-AugmentedGeneration）模型。RAG模型结合了检索和生成两种方法，可以用于生成与给定问题相关的高质量文本。本文将介绍RAG模型的实现原理，并提供使用Python
  • 开源AI图像识别：支持扫描文件批量识别快速对接数据库存储 思通数科x 人工智能计算机视觉图像处理OCR文本识别
    随着数字化转型的不断深入，图像识别技术在各行各业中的应用越来越广泛。文件封识别作为图像识别技术的一个分支，能够有效地提高文件处理的自动化程度和准确性。本文将探讨文件封识别技术的原理、应用场景以及如何将识别后的内容批量对应数据库字段进行存储。开源项目介绍(可本地部署，支持国产化)思通数科研发了一款多模态AI能力引擎，专注于提供自然语言处理（NLP）、情感分析、实体识别、图像识别与分类、OCR识别和语
  • 德克萨斯大学奥斯汀分校自然语言处理硕士课程汉化版(第十一周) - 自然语言处理扩展研究 Encarta1993 自然语言处理自然语言处理人工智能
    自然语言处理扩展研究1.多语言研究2.语言锚定3.伦理问题1.多语言研究多语言(Multilinguality)是NLP的一个重要研究方向，旨在开发能够处理多种语言的模型和算法。由于不同语言在语法、词汇和语义结构上存在差异，这成为一个复杂且具有挑战性的研究领域。多语言性的研究促进了机器翻译、跨语言信息检索和多语言对话系统等应用的发展。以下是多语言的几个主要研究方向和重要技术：多语言模型的构建，开发
  • pytorch NLP自然语言处理入门一：文本表示 whyte王 pytorchNLP基础pytorch自然语言处理人工智能
    开始编辑：2024/2/16；最后编辑2024/2/16教程出自：https://learn.microsoft.com/en-sg/training/modules/intro-natural-language-processing-pytorch/第二部分：https://blog.csdn.net/qq_33345365/article/details/136142152本博客旨在探讨处理自
  • 【自然语言处理】第一章绪论 Ausgelebt 智能科学与技术自然语言处理人工智能
    第一章绪论文章目录第一章绪论1.什么是自然语言2.自然语言处理的定义2.1自然语言处理NLP2.2计算语言学CL2.3NLP与CL3.自然语言处理的研究内容3.1研究对象3.2研究层次3.3研究问题3.4研究内容3.4.1资源建设3.4.2基础研究3.4.3应用技术研究3.4.4应用系统4.自然语言处理的流派5.自然语言处理的挑战1.什么是自然语言自然语言：通常指人类的语言是人类的思维和逻辑的载体
  • python项目实战之基于深度学习的电影评论情感分析系统 什么任性 python深度学习开发语言djangoflaskhtml5javascript
    一、引言在信息爆炸的时代，用户生成的内容（UGC）如社交媒体、博客和论坛上的评论等，已经成为产品或服务口碑的重要来源。情感分析是一种自然语言处理（NLP）技术，用于识别和提取文本中的情感信息，从而理解大众对特定话题的态度。基于深度学习的电影评论情感分析系统能够自动分类评论的情感倾向，如正面、负面或中性，为电影制片人、营销人员和观众提供有价值的见解。二、技术栈和框架前端HTML/CSS:用于构建静态
  • NLP面试题（9月4日笔记） 好好学习Py 自然语言处理自然语言处理笔记人工智能
    常见的分词方法分词是将连续的子序列按照一定的规则进行重新组合形成词序列的过程，是NLP领域内最基础的内容。常见的分词方法有jieba分词，jieba分词支持多种分词模模式：精确模式，全模式，搜索引擎模式。1）精确模式：将句子最精确的进行切分，适合文本分析，在日常工作中最为常用；2）全模式：将句子中所有可以成词的词语都扫描出来，速度非常快，但不能消除歧义。3）搜索引擎模式：在精确模式的基础上，对长词
  • 机器学习-神经网络：循环神经网络（RNN）详解 刷刷刷粉刷匠 机器学习机器学习神经网络rnn
    引言在当今人工智能（AI）和深度学习（DL）领域，循环神经网络（RNN）作为一种专门处理序列数据的模型，具有不可忽视的重要性。RNN的设计目标是模拟和处理序列中的时间依赖关系，使其成为许多应用场景的理想选择，如自然语言处理（NLP）、时间序列预测和语音识别等。它不仅能处理固定长度的数据输入，还能应对输入长度不一的序列，从而为各种复杂的时序数据任务提供了强有力的支持。1.RNN的起源与发展循环神经网
  • 多模态大模型：技术原理与实战 ChatGPT的诞生 AI大模型应用之禅 计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    多模态大模型：技术原理与实战ChatGPT的诞生作者：禅与计算机程序设计艺术1.背景介绍1.1人工智能的发展历程1.1.1早期人工智能1.1.2机器学习时代1.1.3深度学习的崛起1.2自然语言处理的演进1.2.1基于规则的方法1.2.2统计机器学习方法1.2.3深度学习在NLP中的应用1.3大语言模型的出现1.3.1Transformer架构的提出1.3.2预训练语言模型的发展1.3.3GPT系
  • 版本匹配指南：Scipy版本、Python版本和Numpy版本的对应关系 高斯小哥 版本对应关系scipypythonnumpy新手入门学习
    版本匹配指南：Scipy版本、Python版本和Numpy版本的对应关系下滑查看解决方法欢迎莅临我的个人主页这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！博主简介：985高校的普通本硕，曾有幸发表过人工智能领域的中科院顶刊一作论文，熟练掌握PyTorch框架。技术专长：在CV、NLP及多模态等领域有丰富的项目实战经验。已累计一对一为数百位用户提供近千次专业服务，助力他们少走弯路、提高效
  • 【Python报错】已解决ModuleNotFoundError: No module named datasets 云天徽上 python运行报错解决记录numpy数据库pandas机器学习
    成功解决“ModuleNotFoundError:Nomodulenameddatasets”错误的全面指南在Python编程中，遇到ModuleNotFoundError:Nomodulenameddatasets这样的错误通常意味着Python解释器无法找到名为datasets的模块。datasets是一个流行的Python库，常用于加载和处理大型数据集，特别是在自然语言处理（NLP）和机器学
  • Transformer模型在文本摘要任务中的应用与性能分析 liuxin33445566 transformer深度学习人工智能
    Transformer模型自从由Vaswani等人在2017年提出以来，已经在自然语言处理（NLP）的多个领域取得了显著的成果，尤其是在文本摘要任务中。文本摘要是将长文本转换成更短的、包含关键信息的文本的过程。本文将探讨Transformer模型在文本摘要任务中的应用，并分析其性能表现。1.Transformer模型简介Transformer模型是一种基于自注意力机制的神经网络架构，它摆脱了传统的
  • window系统运行pytorch找不到指定的模块，报错“fbgemm.dll“ or one of its dependencies.” weixin_44598491 笔记
    安装好pytorch后，importtorch报错如下：Traceback(mostrecentcalllast):File"d:\work_space\01_code\BMCourse\exercises\L2_NLP_pipeline_pytorch\annotated_code\test.py",line1,inimporttorchFile"C:\Users\ZJ\AppData\Loca
  • 【Python报错】成功解决IndentationError: expected an indented block 云天徽上 python运行报错解决记录pandaspython机器学习numpy
    【Python报错】成功解决IndentationError:expectedanindentedblock欢迎莅临我的个人主页这里是我深耕Python编程、机器学习和自然语言处理（NLP）领域，并乐于分享知识与经验的小天地！博主简介：我是云天徽上，一名对技术充满热情的探索者。多年的Python编程和机器学习实践，使我深入理解了这些技术的核心原理，并能够在实际项目中灵活应用。尤其是在NLP领域，我
  • 【大模型实战篇】大模型周边NLP技术回顾及预训练模型数据预处理过程解析（预告） 源泉的小广场 大模型自然语言处理人工智能大模型LLM预训练模型数据预处理高质量数据
    1.背景介绍进入到大模型时代，似乎宣告了与过去自然语言处理技术的结束，但其实这两者并不矛盾。大模型时代，原有的自然语言处理技术，依然可以在大模型的诸多场景中应用，特别是对数据的预处理阶段。本篇主要关注TextCNN、FastText和Word2Vec等低成本的自然语言处理技术，如何在大模型时代发挥其余热。今天先抛出这个主题预告，接下来会花些时间，逐步细化分析这些周边技术的算法原理、数学分析以及大模
  • 自然语言处理（NLP） (ง •_•)ง up 自然语言处理自然语言处理人工智能
    自然语言处理（NLP）文章目录自然语言处理（NLP）一、什么是自然语言处理（NLP）？二、自然语言处理的发展历史三、自然语言处理的实际应用四、自然语言处理的相关方法五、自然语言处理中的模型六、自然语言处理的挑战一、什么是自然语言处理（NLP）？百度解释:自然语言处理(NaturalLanguageProcessing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之
  • 《深入浅出多模态》（九）多模态经典模型：MiniGPT-v2、MiniGPT5 GoAI 深入浅出多模态深入浅出AI多模态vllmLLM大模型stablediffusion
    AI学习星球推荐：GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的学习资料，配有全面而有深度的专栏内容，包括不限于前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关（简历撰写技巧、面经资料与心得）多方面综合学习平台，强烈推荐AI小白及AI爱好者学习，性价比非常高！加入星球➡️点击链接✨专栏介绍：</
  • NLP-预训练模型-中文：封神榜系列【姜子牙（通用大模型）、太乙（多模态）、二郎神（语言理解）、闻仲（语言生成）、燃灯（语言转换）、余元（领域）、...】 u013250861 LLM自然语言处理人工智能深度学习
    封神榜模型系列简介系列名称需求适用任务参数规模备注姜子牙通用通用大模型>70亿参数通用大模型“姜子牙”系列，具备翻译，编程，文本分类，信息抽取，摘要，文案生成，常识问答和数学计算等能力太乙特定多模态8千万-10亿参数应用于跨模态场景，包括文本图像生成，蛋白质结构预测,语音-文本表示等
  • 大模型--个人学习心得 挚爱清&虚 人工智能
    大模型LLM定义大模型LLM，全称LargeLanguageModel，即大型语言模型LLM是一种基于Transformer架构模型，它通过驯良大量文本数据，学习语言的语法、语义和上下文信息，从而能够对自然语言文本进行建模这种模型在自然语言处理(NLP)领域具有广泛应用常见的13个大模型BERT、GPT系列、T5、Meta的Llama系列、华为盘古模型、阿里巴巴通义大模型、科大讯飞星火大模型、百度
  • 用AI改变对话：ChatGPT的全面研究 AI立志传 chatgpt人工智能
    近年来，人工智能在各个领域取得了突破性的进展，其中最显著的发明之一就是ChatGPT。这款由OpenAI开发的工具一经推出，便开始彻底变革AI辅助下的对话方式，使其更加快速且贴近人类。未来的可用性研究旨在更好地理解和发现ChatGPT的美，以及它的影响、背后的技术以及实际对话的未来。进化与影响实际上，ChatGPT的发展可以说是源于NLP（自然语言处理）和ML（机器学习）领域的整体进步。ChatG
  • NLP从零开始------17.文本中阶处理之序列到序列模型（2） 人生百态，人生如梦 nlp从零开始自然语言处理人工智能
    3.学习序列到序列模型可以看成一种条件语言模型，以源句x为条件计算目标句的条件概率该条件概率通过概率乘法公式分解为从左到右每个词的条件概率之积：序列到序列模型的监督学习需要使用平行语料，其中每个数据点都包含一对源句和目标句。以中译英机器翻译为例，平行语料的每个数据点就是一句中文句子和对应的一句英文句子。机器翻译领域较为有名的平行语料库来自机器翻译研讨会(workshoponmachinetrans
  • 基于Bert-base-chinese训练多分类文本模型(代码详解） 一颗洋芋 bert分类自然语言处理
    目录一、简介二、模型训练三、模型推理一、简介BERT（BidirectionalEncoderRepresentationsfromTransformers）是基于深度学习在自然语言处理（NLP）领域近几年出现的、影响深远的创新模型之一。在BERT之前，已经有许多预训练语言模型，如ELMO和GPT，它们展示了预训练模型在NLP任务中的强大性能。然而，这些模型通常基于单向的上下文信息，即只考虑文本中
  • 格局？境界？思想的维度的外衣！ 晓小女子
    日常生活中，我们常说一个人的格局小，境界低，这到底是用什么来衡量的？似乎不太容易解释清楚。我们把格局和境界，用NLP中的一个工具来解释！这个工具叫做“思想健身室”。通常，我们都知道保持良好的身体状态，需要健康饮食，充足睡眠，合理运动，思维也一样，想要达到更高的境界，需要刻意练习。一、NLP是什么？它是一项研究我们大脑如何工作的学问，也称为神经语言程序学。二、“思想健身室”的三个维度1、是思维的长度
  • 【深度学习 transformer】使用pytorch 训练transformer 模型,hugginface 来啦 东华果汁哥 深度学习-文本分类深度学习transformerpytorch
    HuggingFace是一个致力于开源自然语言处理（NLP）和机器学习项目的社区。它由几个关键组件组成：Transformers：这是一个基于PyTorch的库，提供了各种预训练的NLP模型，如BERT、GPT、RoBERTa、DistilBERT等。它还提供了一个简单易用的API来加载这些模型，并进行微调以适应特定的下游任务。Datasets：这是一个用于加载和预处理NLP数据集的库，与Tran
  • NLP中的词向量及其应用 喜欢打酱油的老鸟 NLP词向量
    https://www.toutiao.com/a6643219722961682947/2019-01-0611:25:24词向量基本上是一种单词表示形式，它将人类对语言的理解与机器的理解连接起来。词向量是文本在n维空间中的分布式表示。这些是解决大多数NLP问题所必需的。领域适应是一种技术，它允许机器学习和转移学习模型来映射小生境数据集，这些数据集都是用同一种语言编写的，但在语言上仍然不同。例如
  • 基于人工智能的智能客服系统 嵌入式详谈 人工智能
    目录引言项目背景客服系统的现状与挑战AI在客服领域的应用前景系统设计系统架构模块划分关键技术与实现自然语言处理（NLP）对话管理语音识别与合成情感分析数据准备与训练数据收集数据预处理模型训练系统集成与部署前端接口设计后端服务实现系统集成部署方案测试与优化系统测试性能优化用户反馈与迭代应用场景与案例分析电子商务客服银行与金融服务医疗健康咨询常见问题及解决方案常见问题解决方案未来发展与展望结论1.引言
  • LLM大模型落地-从理论到实践 hhaiming_ 语言模型人工智能ai深度学习
    简述按个人偏好和目标总结了学习目标和路径（可按需学习），后续将陆续整理出相应学习资料和资源。学习目标熟悉主流LLM（Llama,ChatGLM,Qwen）的技术架构和技术细节；有实际应用RAG、PEFT和SFT的项目经验较强的NLP基础，熟悉BERT、T5、Transformer和GPT的实现和差异，能快速掌握业界进展，有对话系统相关研发经验掌握TensorRT-LLM、vLLM等主流推理加速框架
  • TorchText宝典：解锁PyTorch下的NLP炼金术 2401_85702623 pytorch自然语言处理人工智能
    标题：TorchText宝典：解锁PyTorch下的NLP炼金术在深度学习与自然语言处理(NLP)的交叉领域中，PyTorch已经成为了一个强大的工具。而torchtext，作为PyTorch的扩展库，专注于简化文本数据的预处理流程，为NLP任务提供了极大的便利。本文将深入探讨torchtext的多种用途，并通过代码示例展示如何使用这一库来增强你的NLP项目。1.torchtext简介torcht
  • 情感分析相关汇总 宁缺100 自然语言处理自然语言处理情感分析
    文章目录情感分析语音情感识别句子or文档级别情感分析情感词汇字典大连理工大学中文情感词汇本体中文金融情感词典金融社交媒体数据应用的市场情绪词典中文情感分析常用词典台湾大学NTUSD简体中文情感词典BosonNLPABSA细腻度情感分析相关比赛【千言情感分析】SKEP句子级情感分析相关博客或者论文中文情感分析(SentimentAnalysis)的难点在哪？现在做得比较好的有哪几家？文本挖掘在商品评
  • Java实现的简单双向Map，支持重复Value superlxw1234 java双向map
    关键字：Java双向Map、DualHashBidiMap     有个需求，需要根据即时修改Map结构中的Value值，比如，将Map中所有value=V1的记录改成value=V2，key保持不变。   数据量比较大，遍历Map性能太差，这就需要根据Value先找到Key，然后去修改。   即：既要根据Key找Value，又要根据Value
  • PL/SQL触发器基础及例子 百合不是茶 oracle数据库触发器PL/SQL编程
      触发器的简介; 触发器的定义就是说某个条件成立的时候，触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用，也不能调用。触发器和过程函数类似 过程函数必须要调用,   一个表中最多只能有12个触发器类型的,触发器和过程函数相似 触发器不需要调用直接执行, 触发时间：指明触发器何时执行，该值可取： before：表示在数据库动作之前触发
  • [时空与探索]穿越时空的一些问题 comsci 问题
          我们还没有进行过任何数学形式上的证明,仅仅是一个猜想.....       这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
  • easy ui datagrid上移下移一行 商人shang js上移下移easyuidatagrid
    /** * 向上移动一行 * * @param dg * @param row */ function moveupRow(dg, row) { var datagrid = $(dg); var index = datagrid.datagrid("getRowIndex", row); if (isFirstRow(dg, row)) {
  • Java反射 oloz 反射
    本人菜鸟，今天恰好有时间，写写博客，总结复习一下java反射方面的知识，欢迎大家探讨交流学习指教 首先看看java中的Class package demo; public class ClassTest { /*先了解java中的Class*/ public static void main(String[] args) { //任何一个类都
  • springMVC 使用JSR-303 Validation验证 杨白白 springmvc
    JSR-303是一个数据验证的规范，但是spring并没有对其进行实现，Hibernate Validator是实现了这一规范的，通过此这个实现来讲SpringMVC对JSR-303的支持。 JSR-303的校验是基于注解的，首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。 登录需要验证类 public class Login { @NotEmpty
  • log4j 香水浓 log4j
    log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE #log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML #console log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender log4
  • 使用ajax和history.pushState无刷新改变页面URL agevs jquery框架Ajaxhtml5chrome
    表现 如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时，细心的你会发现页面之间的点击是通过ajax异步请求的，同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。 是什么有这么强大的功能呢？ HTML5里引用了新的API，history.pushState和history.replaceState，就是通过
  • centos中文乱码 AILIKES centosOSssh
    一、CentOS系统访问 g.cn ，发现中文乱码。 于是用以前的方式：yum -y install fonts-chinese CentOS系统安装后，还是不能显示中文字体。我使用 gedit 编辑源码，其中文注释也为乱码。       后来，终于找到以下方法可以解决，需要两个中文支持的包： fonts-chinese-3.02-12.
  • 触发器 baalwolf 触发器
    触发器(trigger)：监视某种情况，并触发某种操作。 触发器创建语法四要素：1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete) 语法： create trigger triggerName after/before 
  • JS正则表达式的i m g bijian1013 JavaScript正则表达式
            g:表示全局（global)模式，即模式将被应用于所有字符串，而非在发现第一个匹配项时立即停止。         i:表示不区分大小写（case-insensitive）模式，即在确定匹配项时忽略模式与字符串的大小写。         m:表示
  • HTML5模式和Hashbang模式 bijian1013 JavaScriptAngularJSHashbang模式HTML5模式
            我们可以用$locationProvider来配置$location服务（可以采用注入的方式，就像AngularJS中其他所有东西一样）。这里provider的两个参数很有意思，介绍如下。 html5Mode         一个布尔值，标识$location服务是否运行在HTML5模式下。 ha
  • [Maven学习笔记六]Maven生命周期 bit1129 maven
    从mvn test的输出开始说起   当我们在user-core中执行mvn test时，执行的输出如下：   /software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
  • 【Hadoop七】基于Yarn的Hadoop Map Reduce容错 bit1129 hadoop
    运行于Yarn的Map Reduce作业，可能发生失败的点包括 Task Failure Application Master Failure Node Manager Failure Resource Manager Failure 1. Task Failure 任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
  • 记一次数据推送的异常解决端口解决 ronin47 记一次数据推送的异常解决
    　　 需求：从db获取数据然后推送到B         程序开发完成，上jboss,刚开始报了很多错，逐一解决，可最后显示连接不到数据库。机房的同事说可以ping 通。 　　  自已画了个图，逐一排除，把linux 防火墙　和　setenforce　设置最低。 　　　service iptables stop
  • 巧用视错觉-UI更有趣 brotherlamp UIui视频ui教程ui自学ui资料
    我们每个人在生活中都曾感受过视错觉（optical illusion）的魅力。 视错觉现象是双眼跟我们开的一个玩笑，而我们往往还心甘情愿地接受我们看到的假象。其实不止如此，视觉错现象的背后还有一个重要的科学原理——格式塔原理。 格式塔原理解释了人们如何以视觉方式感觉物体，以及图像的结构，视角，大小等要素是如何影响我们的视觉的。 在下面这篇文章中，我们首先会简单介绍一下格式塔原理中的基本概念，
  • 线段树-poj1177-N个矩形求边长（离散化+扫描线） bylijinnan 数据结构算法线段树
    package com.ljn.base; import java.util.Arrays; import java.util.Comparator; import java.util.Set; import java.util.TreeSet; /** * POJ 1177 (线段树+离散化+扫描线)，题目链接为http://poj.org/problem?id=1177
  • HTTP协议详解 chicony http协议
    引言                                 
  • Scala设计模式 chenchao051 设计模式scala
    Scala设计模式                我的话： 在国外网站上看到一篇文章，里面详细描述了很多设计模式，并且用Java及Scala两种语言描述，清晰的让我们看到各种常规的设计模式，在Scala中是如何在语言特性层面直接支持的。基于文章很nice，我利用今天的空闲时间将其翻译，希望大家能一起学习，讨论。翻译
  • 安装mysql daizj mysql安装
    安装mysql   (1)删除linux上已经安装的mysql相关库信息。rpm  -e  xxxxxxx   --nodeps (强制删除)      执行命令rpm -qa |grep mysql 检查是否删除干净   (2)执行命令  rpm -i MySQL-server-5.5.31-2.el
  • HTTP状态码大全 dcj3sjt126com http状态码
    完整的 HTTP 1.1规范说明书来自于RFC 2616，你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性，因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端，支持协议版本可以通过调用request
  • asihttprequest上传图片 dcj3sjt126com ASIHTTPRequest
    NSURL *url =@"yourURL"; ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url]; [currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
  • C语言中，关键字static的作用 e200702084 C++cC#
    在C语言中，关键字static有三个明显的作用： 1)在函数体，局部的static变量。生存期为程序的整个生命周期，（它存活多长时间）；作用域却在函数体内（它在什么地方能被访问（空间））。 一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区，函数调用结束后并不释放单元，但是在其它的作用域的无法访问。当再次调用这个函数时，这个局部的静态变量还存活，而且用在它的访
  • win7/8使用curl geeksun win7
    1.  WIN7/8下要使用curl，需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。 下载地址：  http://curl.haxx.se/download.html 请选择不带SSL的版本，否则还需要安装SSL的支持包   2.  可以给Windows增加c
  • Creating a Shared Repository; Users Sharing The Repository hongtoushizi git
    转载自：   http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section: git init –bare git clone git remote git pull git p
  • Java实现字符串反转的8种或9种方法 Josh_Persistence 异或反转递归反转二分交换反转java字符串反转栈反转
    注：对于第7种使用异或的方式来实现字符串的反转，如果不太看得明白的，可以参照另一篇博客： http://josh-persistence.iteye.com/blog/2205768   /** * */ package com.wsheng.aggregator.algorithm.string; import java.util.Stack; /**
  • 代码实现任意容量倒水问题 home198979 PHP算法倒水
    形象化设计模式实战             HELLO!架构                     redis命令源码解析   倒水问题：有两个杯子，一个A升，一个B升，水有无限多，现要求利用这两杯子装C
  • Druid datasource zhb8015 druid
    推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证，稳定可靠。 它最重要的特点是：监控、扩展和性能。 下载和Maven配置看这里： http
  • 两种启动监听器ApplicationListener和ServletContextListener spjich javaspring框架
    引言:有时候需要在项目初始化的时候进行一系列工作，比如初始化一个线程池，初始化配置文件，初始化缓存等等，这时候就需要用到启动监听器，下面分别介绍一下两种常用的项目启动监听器   ServletContextListener  特点: 依赖于sevlet容器，需要配置web.xml 使用方法: public class StartListener implements
  • JavaScript Rounding Methods of the Math object 何不笑 JavaScriptMath
        The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(),  Math.floor(), and  Math.round() — handle rounding in differen
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他