- 在 Conda 中删除环境及所有安装的库
Studying 开龙wu
conda
注意事项1.删除环境前确保你没有在该环境中运行任何程序。2.删除操作是不可逆的,所有该环境中的包和配置都会被永久删除。3.如果你想保留环境的配置信息,可以在删除前使用condaenvexport>environment.yml导出环境配置。关于requirements.txt和environment.yaml文件使用介绍详情可参考以往文章,争对机器学习和深度学习里Python项目开发管理项目依赖的
- 开发智能化的企业并购风险评估模型
开发智能化的企业并购风险评估模型关键词:企业并购、风险评估、人工智能、机器学习、深度学习、数学建模摘要:本文详细探讨了开发智能化企业并购风险评估模型的背景、核心概念、算法原理、系统架构设计以及项目实战。通过结合机器学习和深度学习技术,提出了一种基于数据驱动的智能化风险评估方法,旨在帮助企业更准确地识别和预测并购过程中的潜在风险,提升决策的科学性和有效性。第1章:企业并购风险评估模型的背景与问题描述
- FP16、BF16、INT8、INT4精度模型加载所需显存以及硬件适配的分析
herosunly
大模型精度BF16硬件适配
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 本文主要介绍了FP16、INT8、INT4精度模型加载占用显存大小的分析,希望对学习大
- 深度学习使用Pytorch训练模型步骤
vvvdg
深度学习pytorch人工智能
训练模型是机器学习和深度学习中的核心过程,旨在通过大量数据学习模型参数,以便模型能够对新的、未见过的数据做出准确的预测。训练模型通常包括以下几个步骤:1.数据准备:收集和处理数据,包括清洗、标准化和归一化。将数据分为训练集、验证集和测试集。2.定义模型:选择模型架构,例如决策树、神经网络等。初始化模型参数(权重和偏置)。3.选择损失函数:根据任务类型(如分类、回归)选择合适的损失函数。4.选择优化
- 理解不同层的表示(layer representations)
科学禅道
高维表示人工智能深度学习
在机器学习和深度学习领域,特别是在处理音频和自然语言处理(NLP)任务时,"层的表示"(layerrepresentations)通常是指神经网络不同层在处理输入数据时生成的特征或嵌入。这些表示捕获了输入数据的不同层次的信息。1.层的表示(layerrepresentations)为了更好地理解这一概念,我们可以从以下几个方面进行解释:1.深度神经网络结构深度神经网络(DNN)通常由多个层组成,每
- 【机器学习实战】Datawhale夏令营2:深度学习回顾
城主_全栈开发
机器学习机器学习深度学习人工智能
#DataWhale夏令营#ai夏令营文章目录1.深度学习的定义1.1深度学习&图神经网络1.2机器学习和深度学习的关系2.深度学习的训练流程2.1数学基础2.1.1梯度下降法基本原理数学表达步骤学习率α梯度下降的变体2.1.2神经网络与矩阵网络结构表示前向传播激活函数反向传播批处理卷积操作参数更新优化算法正则化初始化2.2激活函数Sigmoid函数:Tanh函数:ReLU函数(Rectified
- 理解python、anaconda、pytorch以及pycharm之间的关系
幸运小仙
pythonpytorchpycharm
1.Python:编程语言,是基础Python是一种高级的、通用的编程语言。它以其简洁的语法、丰富的库和强大的社区支持而闻名。在数据科学、机器学习和深度学习领域,Python是主要的编程语言。可以使用Python编写代码来处理数据、构建模型、进行实验等。2.Anaconda:Python的发行版,提供便利Anaconda是一个流行的Python发行版,它包含了Python解释器以及许多常用的科学计
- AI大模型学习路线(2025最新)神仙级大模型教程分享,非常详细收藏这一篇就够!
AI大模型-大飞
人工智能学习语言模型大模型大模型学习LLMAI大模型
大模型学习路线图前排提示,文末有大模型AGI-CSDN独家资料包哦!第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRos
- AI学习指南高数篇-泛函分析
俞兆鹏
AI学习指南ai
AI学习指南高数篇-泛函分析概述在数学领域中,泛函分析是研究无限维向量空间及其内涵结构的分支学科。泛函分析通过研究向量空间内的连续线性泛函,解决了无限维空间上函数序列的极限性质以及函数空间的拓扑性质等问题。泛函分析在AI中的使用场景泛函分析在人工智能领域中发挥着重要作用,特别是在机器学习和深度学习领域。通过泛函分析的方法,AI系统可以更好地处理高维数据,从而更准确地进行模式识别、数据建模和预测分析
- DeepSeek 源码解构:从 MoE 架构到 MLA 的工程化实现
威哥说编程
架构人工智能AI编程
在机器学习和深度学习的领域中,**MoE(MixtureofExperts)架构和MLA(Multi-LevelArchitecture)**的工程化实现已成为极具前景和挑战的技术路线。MoE架构通过在模型中引入多个专家(Expert),根据输入数据的不同动态选择合适的专家,显著提高了模型的表达能力。而MLA作为一种多层次结构,在更大规模的数据集上展现出了出色的性能,尤其在模型训练和推理效率方面表
- (十三)计算机视觉中的深度学习:特征表示、模型架构与视觉认知原理
只有左边一个小酒窝
深度学习计算机视觉深度学习人工智能
1计算机视觉简介计算机视觉(ComputerVision)是一门使计算机能够从图像或视频中获取、处理和理解视觉信息的学科。它结合了信号处理、机器学习和深度学习等领域的技术,以实现对图像和视频内容的自动分析和理解。1.1计算机视觉的任务计算机视觉的任务多种多样,以下是一些常见的任务:图像分类(ImageClassification):定义:将图像分为预定义的类别。应用场景:自动照片标注、医学图像诊断
- 机器学习小白必看:从零开始的模型压缩与优化
人工智能教程
机器学习人工智能自然语言处理cnn分类深度学习线性回归
在机器学习和深度学习领域,模型压缩与优化是一个非常重要且实用的话题。随着模型规模的不断增大,如何在保持模型性能的同时减少模型的存储和计算开销,成为了一个亟待解决的问题。本文将从零开始,带你了解模型压缩与优化的基本概念、常用方法以及如何在实际项目中应用这些技术。一、模型压缩与优化的背景在实际应用中,深度学习模型往往需要大量的计算资源和存储空间。例如,一个典型的卷积神经网络(CNN)可能包含数百万甚至
- 评价分类器性能的方法有
王摇摆
机器学习
在机器学习和深度学习中,有许多不同的方法可以用来评估模型的性能。以下是一些常用的模型评估方法:准确率(Accuracy):准确率是分类问题中最直接的评估指标,它表示模型预测正确的样本所占的比例。精确度(Precision):精确度是在所有被模型预测为正类别的样本中,真正例的比例。适用于关注降低假正例的情况。召回率(Recall):召回率是在所有真实正类别样本中,模型成功预测为正类别的比例。适用于关
- 第3章 开源大模型框架概览3.3 模型转换框架与工具3.3.1 ONNX:跨框架模型转换
AI天才研究院
计算大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
https://aurigait.com/blog/onnx-onnx-runtime-and-tensortrt/1.背景介绍1.背景介绍开源大模型框架已经成为机器学习和深度学习领域的重要组成部分。这些框架为研究人员和工程师提供了强大的工具,以便更快地构建、训练和部署深度学习模型。在这个系列文章中,我们将深入探讨一些最受欢迎的开源大模型框架,并探讨它们在实际应用中的优势和局限性。在本章中,我们将
- (三)动手学线性神经网络:从数学原理到代码实现
只有左边一个小酒窝
动手学深度学习神经网络人工智能深度学习
1线性回归线性回归是一种基本的预测模型,用于根据输入特征预测连续的输出值。它是机器学习和深度学习中最简单的模型之一,但却是理解更复杂模型的基础。1.1线性回归的基本元素概念理解:线性回归假设输入特征和输出之间存在线性关系。具体来说,假设有一个输入特征向量xxx和一个目标值yyy,线性回归模型的目标是找到一个线性函数f(x)f(x)f(x),使得f(x)f(x)f(x)尽可能接近yyy。线性回归模型
- AI应用工程师面试
道亦无名
面试人工智能
技术基础简述人工智能、机器学习和深度学习之间的关系。人工智能是一个广泛的概念,旨在让机器能够模拟人类的智能行为。机器学习是人工智能的一个子集,它专注于开发算法和模型,让计算机能够从数据中学习规律并进行预测。深度学习则是机器学习的一个分支,它利用深度神经网络来自动学习数据的特征表示,具有强大的特征提取能力,能够处理复杂的非线性问题。解释梯度下降算法的原理。梯度下降是一种优化算法,用于最小化损失函数。
- 消融实验简介
Komorebi_9999
机器学习
消融实验(AblationStudy)是一种在科学研究、特别是在机器学习和深度学习领域中常用的实验设计方法,用于评估模型中不同组件或特征对整体性能的影响。通过系统地移除(或“消融”)模型中的某些部分,并观察这种变化如何影响模型的性能,研究者可以深入了解各个组件在模型中的贡献程度,从而指导模型的改进和优化。在消融实验中,通常会设定一个基线模型(BaselineModel),这是包含所有预定组件的完整
- 我2025上岸大模型就靠它了,冲击大厂大模型岗位!大模型学习路线(2025最新)从零基础入门到精通_大模型学习路线
大模型老炮
学习人工智能程序员Agent大模型教学知识库大模型
大模型学习路线图第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。\1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRoss,《概率论与随机过程》在线课程:KhanAcad
- 大模型学习路线(2025最新)神仙级大模型教程分享,非常详细收藏这一篇就够
AGI大模型学习
学习人工智能大模型大模型学习AI程序员大模型教程
大模型学习路线图前排提示,文末有大模型AGI-CSDN独家资料包哦!第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRos
- 神仙级大模型教程分享,不用感谢,请叫我活雷锋!大模型 学习路线非常详细_大模型学习路线(2025最新)
程序员辣条
学习人工智能大模型产品经理智能体大模型教程AI大模型
大模型学习路线图第一阶段:基础知识准备在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数:矩阵运算、向量空间、特征值与特征向量等。概率统计:随机变量、概率分布、贝叶斯定理等。微积分:梯度、偏导数、积分等。学习资料书籍:GilbertStrang,《线性代数及其应用》SheldonRoss,《概率论与随机过程》在线课程:KhanAcade
- 什么时候开始学习深度学习?
机器学习算法
人工智能机器学习深度学习学习深度学习人工智能机器学习计算机视觉知识图谱神经网络
咱们先来聊聊机器学习和深度学习的关系~这个问题其实挺常见的,之前我也跟不少同事、同学聊过。最近有好几个同学也聊过。简单说,深度学习是机器学习的一个子集,两者不是并列关系,而是“包含”关系。你可以这么理解:机器学习是一个大圈子,里面包括了各种方法,比如线性回归、决策树、支持向量机等等。而深度学习,它是基于神经网络的一类方法,尤其适合处理图像、语音、自然语言这些复杂的、非结构化的数据。深度学习为什么这
- AIGC提示(prompt)飞升方法:走向专家之路
herosunly
大模型AIGCprompt专家之路
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 本文主要介绍了AIGC提示(prompt)飞升方法:走向专家之路,希望对学习大语言模型
- AI时代新词-零样本学习(Zero-Shot Learning):AI的未来趋势
明似水
AI人工智能学习
一、什么是零样本学习(Zero-ShotLearning)?零样本学习(Zero-ShotLearning,简称ZSL)是一种机器学习范式,其目标是让模型能够识别和分类那些在训练阶段从未见过的类别。在传统的机器学习和深度学习中,模型的性能通常依赖于大量标注数据的训练,而零样本学习则试图突破这一限制,使模型能够通过已有的知识泛化到未见过的类别上。这种能力在现实世界中尤为重要,因为获取大量标注数据往往
- 深入详解线性代数基础知识:理解矩阵与向量运算、特征值与特征向量,以及矩阵分解方法(如奇异值分解SVD和主成分分析PCA)在人工智能中的应用
猿享天开
人工智能数学基础专讲线性代数人工智能矩阵特征向量
深入详解线性代数基础知识在人工智能中的应用线性代数是人工智能,尤其是机器学习和深度学习领域的基石。深入理解矩阵与向量运算、特征值与特征向量,以及矩阵分解方法(如奇异值分解SVD和主成分分析PCA),对于数据降维、特征提取和模型优化至关重要。本文将详细探讨这些线性代数的核心概念及其在人工智能中的应用,并辅以示例代码以助理解。1.矩阵与向量运算线性代数中的矩阵与向量运算是理解高维数据处理和模型训练的基
- 深入详解人工智能入门数学基础:理解向量、矩阵及导数的概念
猿享天开
人工智能数学基础专讲人工智能矩阵线性代数数学
人工智能入门数学基础详解数学是人工智能的基石,理解数学基础对于掌握机器学习和深度学习算法至关重要。本篇文章将详细探讨线性代数和微积分中的基础概念,涵盖向量、矩阵及其运算,以及导数的基本概念。第一部分:线性代数中的向量1.向量的定义与表示向量是线性代数的核心概念之一。它不仅仅是一个数值的集合,而是一个具有大小和方向的数学对象。在多维空间中,向量可以用于表示点的位置、速度、力等物理量。1.1向量的表示
- 机器学习、深度学习,大模型之间的关系?
优优学AI大模型
人工智能ai改行学it语言模型深度学习
好多朋友因为ChatGPT、DeepSeek才开始关注AI,当深入了解AI技术,又接触到类似于机器学习、深度学习的概念。对于非技术背景的粉丝朋友来说,开始总会有些晕,搞不清楚机器学习、深度学习、大模型彼此之间的关系。到底哪一个技术更高级?他们是替代关系、包含关系、还是互补关系呢?其实所有AI技术的实现载体,都叫“模型”。大模型是AI技术模型的一种。机器学习和深度学习都是获得模型的方法和手段。从概念
- 2025转行指南:Java开发工程师转AI工程师,附全网最详细的大模型学习路线
AI小白熊
java人工智能学习大模型程序员ai开发语言
关键要点研究表明,Java开发工程师转AI工程师需要学习数学、Python编程、机器学习和深度学习等技能。证据显示,掌握TensorFlow、PyTorch等框架和云部署技术(如Aliyun、AWS)也很重要。学习资源包括Coursera的免费课程、DiveintoDeepLearning书和国内平台如PaddlePaddle。技能和学习资料概述所需技能要从Java开发工程师成功转型为AI工程师,
- 一文读懂迁移学习:从理论到实践
2201_75491841
迁移学习人工智能机器学习
在机器学习和深度学习的快速发展历程中,数据和计算资源成为了制约模型训练的关键因素。当我们面对新的任务时,重新训练一个从头开始的模型往往耗时耗力,而且在数据量不足的情况下,模型的性能也难以达到理想状态。这时,迁移学习作为一种强大的技术应运而生,它能够帮助我们复用已有的知识,快速且高效地解决新问题。本文将带大家深入了解迁移学习,从基本概念、核心思想,到实际应用和代码实现,全方位剖析这一技术。一、迁移学
- 人工智能机器学习深度学习中著名有用的数据集
AI数据集
人工智能机器学习深度学习
在人工智能、机器学习和深度学习领域,优质的数据集是模型训练和发展的基石。以下介绍一些当前比较有名且有用的数据集。目录图像领域自然语言处理领域语音领域其他领域图像领域MNIST数据集内容:由美国国家标准与技术研究院收集整理,包含6万张用于训练的手写数字图像、1万张用于测试验证的图像,图像为28×28像素的灰度图,像素值在0到255之间。用途:主要用于图像分类任务,特别是手写数字识别,是初学者学习图像
- 深入探讨TensorFlow:张量与矩阵
人工智能杂谈
人工智能分享tensorflow矩阵人工智能
在机器学习和深度学习领域中,TensorFlow作为一款强大且受欢迎的开源机器学习框架,为研究人员和开发者提供了丰富的工具和资源。在TensorFlow中,张量(tensor)和矩阵(matrix)是核心概念,它们承担了存储数据和执行计算的重要任务。本文将深入探讨TensorFlow中的张量和矩阵,介绍它们的基本概念、操作和在深度学习中的应用。##张量与矩阵的基本概念###张量(Tensor)在T
- 继之前的线程循环加到窗口中运行
3213213333332132
javathreadJFrameJPanel
之前写了有关java线程的循环执行和结束,因为想制作成exe文件,想把执行的效果加到窗口上,所以就结合了JFrame和JPanel写了这个程序,这里直接贴出代码,在窗口上运行的效果下面有附图。
package thread;
import java.awt.Graphics;
import java.text.SimpleDateFormat;
import java.util
- linux 常用命令
BlueSkator
linux命令
1.grep
相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志,这个命令绝对是必不可少的。
但之前总是习惯于使用 (grep -n 关键字 文件名 )查出关键字以及该关键字所在的行数,然后再用 (sed -n '100,200p' 文件名),去查出该关键字之后的日志内容。
但其实还有更简便的办法,就是用(grep -B n、-A n、-C n 关键
- php heredoc原文档和nowdoc语法
dcj3sjt126com
PHPheredocnowdoc
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
<title>Current To-Do List</title>
</head>
<body>
<?
- overflow的属性
周华华
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
- 《我所了解的Java》——总体目录
g21121
java
准备用一年左右时间写一个系列的文章《我所了解的Java》,目录及内容会不断完善及调整。
在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等,请大家及时指出,我会第一时间更正。
&n
- [简单]docx4j常用方法小结
53873039oycg
docx
本代码基于docx4j-3.2.0,在office word 2007上测试通过。代码如下:
import java.io.File;
import java.io.FileInputStream;
import ja
- Spring配置学习
云端月影
spring配置
首先来看一个标准的Spring配置文件 applicationContext.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi=&q
- Java新手入门的30个基本概念三
aijuans
java新手java 入门
17.Java中的每一个类都是从Object类扩展而来的。 18.object类中的equal和toString方法。 equal用于测试一个对象是否同另一个对象相等。 toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法) 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。
- 《2008 IBM Rational 软件开发高峰论坛会议》小记
antonyup_2006
软件测试敏捷开发项目管理IBM活动
我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵!
其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下.
参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
- PL/SQL的过程编程,异常,声明变量,PL/SQL块
百合不是茶
PL/SQL的过程编程异常PL/SQL块声明变量
PL/SQL;
过程;
符号;
变量;
PL/SQL块;
输出;
异常;
PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
- Mockito(三)--完整功能介绍
bijian1013
持续集成mockito单元测试
mockito官网:http://code.google.com/p/mockito/,打开documentation可以看到官方最新的文档资料。
一.使用mockito验证行为
//首先要import Mockito
import static org.mockito.Mockito.*;
//mo
- 精通Oracle10编程SQL(8)使用复合数据类型
bijian1013
oracle数据库plsql
/*
*使用复合数据类型
*/
--PL/SQL记录
--定义PL/SQL记录
--自定义PL/SQL记录
DECLARE
TYPE emp_record_type IS RECORD(
name emp.ename%TYPE,
salary emp.sal%TYPE,
dno emp.deptno%TYPE
);
emp_
- 【Linux常用命令一】grep命令
bit1129
Linux常用命令
grep命令格式
grep [option] pattern [file-list]
grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。
pattern可以是普通字符串,也可以是正则表达式,当查找的字符串包含正则表达式字符或者特
- mybatis3入门学习笔记
白糖_
sqlibatisqqjdbc配置管理
MyBatis 的前身就是iBatis,是一个数据持久层(ORM)框架。 MyBatis 是支持普通 SQL 查询,存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。
以前也学过iBatis,因为MyBatis是iBatis的升级版本,最初以为改动应该不大,实际结果是MyBatis对配置文件进行了一些大的改动,使整个框架更加方便人性化。
- Linux 命令神器:lsof 入门
ronin47
lsof
lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息,但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实,因为它是指“列出打开文件(lists openfiles)”。而有一点要切记,在Unix中一切(包括网络套接口)都是文件。
有趣的是,lsof也是有着最多
- java实现两个大数相加,可能存在溢出。
bylijinnan
java实现
import java.math.BigInteger;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class BigIntegerAddition {
/**
* 题目:java实现两个大数相加,可能存在溢出。
* 如123456789 + 987654321
- Kettle学习资料分享,附大神用Kettle的一套流程完成对整个数据库迁移方法
Kai_Ge
Kettle
Kettle学习资料分享
Kettle 3.2 使用说明书
目录
概述..........................................................................................................................................7
1.Kettle 资源库管
- [货币与金融]钢之炼金术士
comsci
金融
自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的
那么随着人类在理论物理和工程物理上面取得的一些突破性进展......
炼金术这个古老
- Toast原来也可以多样化
dai_lm
androidtoast
Style 1: 默认
Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT);
def.show();
Style 2: 顶部显示
Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT);
t
- java数据计算的几种解决方法3
datamachine
javahadoopibatisr-languer
4、iBatis
简单敏捷因此强大的数据计算层。和Hibernate不同,它鼓励写SQL,所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦,只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。
复杂计算环境是它的弱项,比如:分布式计算、复杂计算、非数据
- 向网页中插入透明Flash的方法和技巧
dcj3sjt126com
htmlWebFlash
将
Flash 作品插入网页的时候,我们有时候会需要将它设为透明,有时候我们需要在Flash的背面插入一些漂亮的图片,搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。
一、Swf透明、无坐标控制 首先教大家最简单的插入Flash的代码,透明,无坐标控制: 注意wmode="transparent"是控制Flash是否透明
- ios UICollectionView的使用
dcj3sjt126com
UICollectionView的使用有两种方法,一种是继承UICollectionViewController,这个Controller会自带一个UICollectionView;另外一种是作为一个视图放在普通的UIViewController里面。
个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。
1.UIViewController实现委托,代码如
- Eos平台java公共逻辑
蕃薯耀
Eos平台java公共逻辑Eos平台java公共逻辑
Eos平台java公共逻辑
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月1日 17:20:4
- SpringMVC4零配置--Web上下文配置【MvcConfig】
hanqunfeng
springmvc4
与SpringSecurity的配置类似,spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。
applicationContext-MvcConfig.xml
<!-- 启用注解,并定义组件查找规则 ,mvc层只负责扫描@Controller -->
<
- 解决ie和其他浏览器poi下载excel文件名乱码
jackyrong
Excel
使用poi,做传统的excel导出,然后想在浏览器中,让用户选择另存为,保存用户下载的xls文件,这个时候,可能的是在ie下出现乱码(ie,9,10,11),但在firefox,chrome下没乱码,
因此必须综合判断,编写一个工具类:
/**
*
* @Title: pro
- 挥洒泪水的青春
lampcy
编程生活程序员
2015年2月28日,我辞职了,离开了相处一年的触控,转过身--挥洒掉泪水,毅然来到了兄弟连,背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人,还敢跨行业,选择Unity3D?“,”真是不自量力••••••“,”真是初生牛犊不怕虎•••••“,••••••我只是淡淡一笑,拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连!
这就是我青春的分割线,不后悔,只会去用泪水浇灌——已经来到
- 稳增长之中国股市两点意见-----严控做空,建立涨跌停版停牌重组机制
nannan408
对于股市,我们国家的监管还是有点拼的,但始终拼不过飞流直下的恐慌,为什么呢?
笔者首先支持股市的监管。对于股市越管越荡的现象,笔者认为首先是做空力量超过了股市自身的升力,并且对于跌停停牌重组的快速反应还没建立好,上市公司对于股价下跌没有很好的利好支撑。
我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空,在
- 动态设置iframe高度(iframe高度自适应)
Rainbow702
JavaScriptiframecontentDocument高度自适应局部刷新
如果需要对画面中的部分区域作局部刷新,大家可能都会想到使用ajax。
但有些情况下,须使用在页面中嵌入一个iframe来作局部刷新。
对于使用iframe的情况,发现有一个问题,就是iframe中的页面的高度可能会很高,但是外面页面并不会被iframe内部页面给撑开,如下面的结构:
<div id="content">
<div id=&quo
- 用Rapael做图表
tntxia
rap
function drawReport(paper,attr,data){
var width = attr.width;
var height = attr.height;
var max = 0;
&nbs
- HTML5 bootstrap2网页兼容(支持IE10以下)
xiaoluode
html5bootstrap
<!DOCTYPE html>
<html>
<head lang="zh-CN">
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">