- 【深度学习实战】使用深度学习模型可视化工具——Netron在线可视化深度学习神经网络
量子-Alex
深度学习神经网络人工智能
一直以来,对于深度学习领域的开发者,可视化模型都是非常迫切的需求,今天主要介绍一款可视化工具——NetronNetron有三种使用方式:在线、本地安装、pip安装今天在这里只介绍在线使用这种方式。Netron有个官方的网站:Netron点击进去是这样的一个界面我们可以点击openmodel从本地选择一个预训练模型可以看到这里就显示出来了
- 【深度学习实战】行人检测追踪与双向流量计数系统【python源码+Pyqt5界面+数据集+训练代码】YOLOv8、ByteTrack、目标追踪、双向计数、行人检测追踪、过线计数
阿_旭
AI应用软件开发实战深度学习实战深度学习python行人检测行人追踪过线计数
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
- 自然语言处理系列六十一》分布式深度学习实战》TensorFlow深度学习框架
陈敬雷-充电了么-CEO兼CTO
人工智能算法python深度学习自然语言处理AIGCchatgptgpt-3gptai
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架安装和部署过程总结自然语言处理系列六十一分布式深度学习实战》TensorFlow深度学习框架TensorFlow作为最流行的深度学习框架之一,表达了高层次的机器学习计
- fastText 情感分类
dreampai
情感分类任务就是看一段文本,然后分辨这个人是否喜欢他们在讨论的这个东西。情感分类一个最大的挑战就是可能标记的训练集没有那么多,但是有了词嵌入,即使只有中等大小的标记的训练集,你也能构建一个不错的情感分类器image.pngimage.png假设有一个句子:“这个衣服质量不错”通过分词、去除停用词等预处理操作,得到“衣服/质量/不错”获取“衣服”、“质量”、“不错”的对应词向量(可以通过TF-IDF
- 【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
- 自然语言处理系列五十一》文本分类算法》Python快速文本分类器FastText
陈敬雷-充电了么-CEO兼CTO
算法人工智能大数据自然语言处理分类pythonchatgpt人工智能ai机器学习
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列五十一Python开源快速文本分类器FastText》算法原理FastText和Word2vec的区别FastText代码实战总结自然语言处理系列五十一Python开源快速文本分类器FastText》算法原理自然语言处理(N
- PyTorch深度学习实战(26)—— PyTorch与Multi-GPU
shangjg3
PyTorch深度学习实战深度学习pytorch人工智能
当拥有多块GPU时,可以利用分布式计算(DistributedComputation)与并行计算(ParallelComputation)的方式加速网络的训练过程。在这里,分布式是指有多个GPU在多台服务器上,并行指一台服务器上的多个GPU。在工作环境中,使用这两种方式加速模型训练是非常重要的技能。本文将介绍PyTorch中分布式与并行的常见方法,读者需要注意这二者的区别,并关注它们在使用时的注意
- PyTorch深度学习实战(27)—— PyTorch分布式训练
shangjg3
PyTorch深度学习实战深度学习pytorch分布式python
本节将详细介绍如何进行神经网络的分布式训练。其中1.1将结合MPI介绍分布式训练的基本流程,1.2与1.3将分别介绍如何使用torch.distributed以及Horovod进行神经网络的分布式训练。1PyTorch分布式训练1.1使用MPI进行分布式训练下面讲解如何利用MPI进行PyTorch的分布式训练。这里主要介绍的是数据并行的分布式方法:每一块GPU都有同一个模型的副本,仅加载不同的数据
- 遗传算法与深度学习实战(1)——进化深度学习
盼小辉丶
遗传算法与深度学习实战深度学习人工智能遗传算法
遗传算法与深度学习实战(1)——进化深度学习0.前言1.进化深度学习1.1进化深度学习简介1.2进化计算简介2.进化深度学习应用场景3.深度学习优化3.1优化网络体系结构4.通过自动机器学习进行优化4.1自动机器学习简介4.2AutoML工具5.进化深度学习应用5.1模型选择:权重搜索5.2模型架构:架构优化5.3超参数调整/优化5.4验证和损失函数优化5.5增强拓扑的神经进化小结系列链接0.前言
- 遗传算法与深度学习实战(6)——DEAP框架初体验
盼小辉丶
遗传算法与深度学习实战深度学习DEAP遗传算法
遗传算法与深度学习实战(6)——DEAP框架初体验0.前言1.OneMax问题介绍2.遗传算法要素定义3.使用DEAP解决OneMax问题3.1遗传算法要素配置3.2遗传算法解的进化3.3运行结果3.4eaSimple函数小结系列链接0.前言我们已经了解了DEAP库中的重要数据结构和工具,为了快速掌握DEAP,本节中,我们将介绍DEAP框架下的遗传算法构建流程,并使用DEAP解决简单的OneMax
- 遗传算法与深度学习实战(7)——使用遗传算法解决N皇后问题
盼小辉丶
遗传算法与深度学习实战深度学习DEAP遗传算法
遗传算法与深度学习实战(7)——使用遗传算法解决N皇后问题0.前言1.N皇后问题2.解的表示3.遗传算法解决N皇后问题小结系列链接0.前言进化算法(EvolutionaryAlgorithm,EA)和遗传算法(GeneticAlgorithms,GA)已成功解决了许多复杂的设计和布局问题,部分原因是它们采用了受控随机元素的搜索。这通常使得使用EA或GA设计的系统能够超越我们的理解进行创新。在本节中
- fasttext版本,有图有真相
阿喵要当程序员
fasttextnlp
切记:通过pipinstallfasttext的版本是老版本:https://pypi.org/project/fasttext/code时候一些函数会不同,且该版本的模型,新版本是无法load的。新版本需要到fasttext官网或者github上面下载官网:https://fasttext.cc/docs/en/english-vectors.htmlgithub:https://github.
- 基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标追踪、运动物体追踪
阿_旭
深度学习实战AI应用软件开发实战计算机视觉python行人车辆追踪目标追踪YOLOv8深度学习
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
- 基于YOLOv8深度学习的100种中草药智能识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
阿_旭
深度学习实战AI应用软件开发实战计算机视觉深度学习pythonYOLOv8中草药识别深度学习实战
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
- 基于YOLOv8深度学习的智能车牌检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
阿_旭
深度学习实战AI应用软件开发实战计算机视觉深度学习python车牌识别YOLOv8深度学习实战
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
- Task5 基于深度学习的文本分类2
listentorain_W
Task5基于深度学习的文本分类2在上一章节,我们通过FastText快速实现了基于深度学习的文本分类模型,但是这个模型并不是最优的。在本章我们将继续深入。基于深度学习的文本分类本章将继续学习基于深度学习的文本分类。学习目标学习Word2Vec的使用和基础原理学习使用TextCNN、TextRNN进行文本表示学习使用HAN网络结构完成文本分类文本表示方法Part3词向量本节通过word2vec学习
- PyTorch深度学习实战(26)——多对象实例分割
盼小辉丶
深度学习pytorch人工智能
PyTorch深度学习实战(26)——多对象实例分割0.前言1.获取并准备数据2.使用Detectron2训练实例分割模型3.对新图像进行推断小结系列链接0.前言我们已经学习了多种图像分割算法,在本节中,我们将学习如何使用Detectron2平台以及Google开放图像数据集执行多对象实例分割任务。Detectron2是Facebook团队打造的人工智能框架,其中包括了高性能的对象检测算法实现,包
- 深度学习实战篇之 ( 十八) -- Pytorch之SeNet
fengyuxie
深度学习pytorch人工智能python机器学习
科普知识注意力机制(AttentionMechanism)源于对人类视觉的研究。在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息。上述机制通常被称为注意力机制。人类视网膜不同的部位具有不同程度的信息处理能力,即敏锐度(Acuity),只有视网膜中央凹部位具有最强的敏锐度。为了合理利用有限的视觉信息处理资源,人类需要选择视觉区域中的特定部分,然后集中关注它
- PyTorch深度学习实战(23)——从零开始实现SSD目标检测
盼小辉丶
深度学习pytorch目标检测
PyTorch深度学习实战(23)——从零开始实现SSD目标检测0.前言1.SSD目标检测模型1.1SSD网络架构1.2利用不同网络层执行边界框和类别预测1.3不同网络层中默认框的尺寸和宽高比1.4数据准备1.5模型训练2.实现SSD目标检测2.1SSD300架构2.2MultiBoxLoss2.训练SSD小结系列链接0.前言SSD(SingleShotMultiBoxDetector)是一种基于
- Gensim详细介绍和使用:一个Python文本建模库
Bigcrab__
Python库介绍和使用python
Gensim=“GenerateSimilar”一、安装二、文本预处理2.1中文语料处理2.2英文语料处理2.3BOW语料建立三、模型使用3.1word2vecThealgorithmsinGensim,suchasWord2Vec,FastText,LatentSemanticIndexing(LSI,LSA,LsiModel),LatentDirichletAllocation(LDA,Lda
- 【爬虫实战】python文本分析库——Gensim
认真写程序的强哥
爬虫pythonPython爬虫Python学习Python文本分析Gensim开发语言
文章目录01、引言02、主题分析以及文本相似性分析03、关键词提取04、Word2Vec嵌入(词嵌入WordEmbeddings)05、FastText嵌入(子词嵌入SubwordEmbeddings)06、文档向量化01、引言Gensim是一个用于自然语言处理和文本分析的Python库,提供了许多强大的功能,包括文档的相似度计算、关键词提取和文档的主题分析,要开始使用Gensim,您需要安装它,
- 深度学习实战 | 卷积神经网络LeNet手写数字识别(带手写板GUI界面)
两只程序猿
深度学习实战深度学习cnn人工智能
引言在深度学习领域,卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种广泛应用于图像识别任务的神经网络结构。LeNet是一种经典的CNN结构,被广泛应用于基础的图像分类任务。本文将介绍如何使用LeNet卷积神经网络实现手写数字识别,并使用Pytorch实现LeNet手写数字识别,使用PyQt5实现手写板GUI界面,使用户能够通过手写板输入数字并进行识别。完整代码下载
- PyTorch深度学习实战(34)——Pix2Pix详解与实现
盼小辉丶
深度学习pytorch人工智能
PyTorch深度学习实战(34)——Pix2Pix详解与实现0.前言1.模型与数据集1.1Pix2Pix基本原理1.2数据集分析1.3模型构建策略2.实现Pix2Pix生成图像小结系列链接0.前言Pix2Pix是基于生成对抗网络(ConvolutionalGenerativeAdversarialNetworks,GAN)的图像转换框架,能够将输入图像转换为与之对应的输出图像,能够广泛用于图像到
- Python 深度学习实战:聊天机器人
Python人工智能大数据
Python入门实战Java入门实战React入门实战大数据人工智能语言模型JavaPythonReact架构设计
1.背景介绍深度学习是人工智能领域的一个重要分支,它涉及到神经网络、机器学习、数据挖掘等多个领域知识。深度学习的核心思想是通过多层次的神经网络来进行数据的处理和分析,从而实现对复杂问题的解决。在现实生活中,深度学习已经广泛应用于各个领域,如图像识别、自然语言处理、语音识别等。而聊天机器人则是自然语言处理的一个重要应用之一,它可以通过深度学习技术来实现对用户输入的文本进行理解和回复。本文将从以下几个
- 基于YOLOv8深度学习的水稻叶片病害智能诊断系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战
阿_旭
深度学习实战AI应用软件开发实战计算机视觉深度学习pythonYOLOv8水稻病害检测深度学习实战
《博主简介》小伙伴们好,我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源,可关注公-仲-hao:【阿旭算法与机器学习】,共同学习交流~感谢小伙伴们点赞、关注!《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
- 深度学习实战70-数学教材智能问答MathGPT模型与题目latex的pdf生成技术
微学AI
深度学习实战(进阶)深度学习pdf人工智能mathgptGPT
大家好,我是微学AI,今天给大家介绍一下深度学习实战70-数学教材智能问答MathGPT模型与题目latex的pdf生成技术,本文利用MathGPT数学大模型实现的数学教材智能问答系统。该系统结合了自然语言处理和数学知识图谱,能够理解用户的数学问题,并提供准确的答案和解析,随时随地请老师24小时在线回答学生的问题,以最低成本把老师请回家。此外,MathGPT还具备将问题和答案自动转化为LaTeX格
- NPL-FastText文本分类Bag of Tricks for Efficient Text Classification
机器不能学习
这是一个简单有效的文本分类算法优势:可以在排序限制、低损失近似值下以10Min极短的时间训练出百万级的模型架构:整体与cbow类似:cbow根据上下文推测某个单词出现的最大概率对基于词袋bow的句子文本进行一个简单和有效的线性分类该分类可以选择逻辑回归或者SVM为了使输入简单,使用一个look-uptable查找表,把单词平均转化到文本形式-使用softmax来计算预定义类的概率分布,目的是为了加
- PyTorch深度学习实战(32)——DCGAN详解与实现
盼小辉丶
深度学习pytorchAIGC
PyTorch深度学习实战(32)——DCGAN详解与实现0.前言1.模型与数据集分析1.1模型分析1.2数据集介绍2.构建DCGAN生成人脸图像小结系列链接0.前言DCGAN(DeepConvolutionalGenerativeAdversarialNetworks)是基于生成对抗网络(ConvolutionalGenerativeAdversarialNetworks,GAN)的深度学习模型
- PyTorch深度学习实战(33)——条件生成对抗网络(Conditional Generative Adversarial Network, CGAN)
盼小辉丶
深度学习pytorch生成对抗网络
PyTorch深度学习实战(33)——条件生成对抗网络0.前言1.条件生成对抗网络1.1模型介绍1.2模型与数据集分析2.实现条件生成对抗网络小结系列链接0.前言条件生成对抗网络(ConditionalGenerativeAdversarialNetwork,CGAN)是一种生成对抗网络(GenerativeAdversarialNetwork,GAN),旨在通过给定特定条件信息的情况下生成符合条
- 技术动态 | LLM⊗KG范式下的知识图谱问答实现框架思想阅读
开放知识图谱
知识图谱easyui人工智能前端javascript
转载公众号|老刘说NLP分享一张有趣的图,意思是在分类场景下,使用大模型和fasttext的效果,评论也很逗。这其实背后的逻辑是,在类别众多的分类场景下,尤其是在标注数据量不缺的情况下,大模型的收益是否能够比有监督模型的收益更多。这个例子虽然没有说标注数据量,但估计量不会少。我们继续回到知识图谱与大模型的话题:读到一个大模型和知识图谱融合的有趣工作《Think-on-Graph:DeepandRe
- linux系统服务器下jsp传参数乱码
3213213333332132
javajsplinuxwindowsxml
在一次解决乱码问题中, 发现jsp在windows下用js原生的方法进行编码没有问题,但是到了linux下就有问题, escape,encodeURI,encodeURIComponent等都解决不了问题
但是我想了下既然原生的方法不行,我用el标签的方式对中文参数进行加密解密总该可以吧。于是用了java的java.net.URLDecoder,结果还是乱码,最后在绝望之际,用了下面的方法解决了
- Spring 注解区别以及应用
BlueSkator
spring
1. @Autowired
@Autowired是根据类型进行自动装配的。如果当Spring上下文中存在不止一个UserDao类型的bean,或者不存在UserDao类型的bean,会抛出 BeanCreationException异常,这时可以通过在该属性上再加一个@Qualifier注解来声明唯一的id解决问题。
2. @Qualifier
当spring中存在至少一个匹
- printf和sprintf的应用
dcj3sjt126com
PHPsprintfprintf
<?php
printf('b: %b <br>c: %c <br>d: %d <bf>f: %f', 80,80, 80, 80);
echo '<br />';
printf('%0.2f <br>%+d <br>%0.2f <br>', 8, 8, 1235.456);
printf('th
- config.getInitParameter
171815164
parameter
web.xml
<servlet>
<servlet-name>servlet1</servlet-name>
<jsp-file>/index.jsp</jsp-file>
<init-param>
<param-name>str</param-name>
- Ant标签详解--基础操作
g21121
ant
Ant的一些核心概念:
build.xml:构建文件是以XML 文件来描述的,默认构建文件名为build.xml。 project:每个构建文
- [简单]代码片段_数据合并
53873039oycg
代码
合并规则:删除家长phone为空的记录,若一个家长对应多个孩子,保留一条家长记录,家长id修改为phone,对应关系也要修改。
代码如下:
- java 通信技术
云端月影
Java 远程通信技术
在分布式服务框架中,一个最基础的问题就是远程服务是怎么通讯的,在Java领域中有很多可实现远程通讯的技术,例如:RMI、MINA、ESB、Burlap、Hessian、SOAP、EJB和JMS等,这些名词之间到底是些什么关系呢,它们背后到底是基于什么原理实现的呢,了解这些是实现分布式服务框架的基础知识,而如果在性能上有高的要求的话,那深入了解这些技术背后的机制就是必须的了,在这篇blog中我们将来
- string与StringBuilder 性能差距到底有多大
aijuans
之前也看过一些对string与StringBuilder的性能分析,总感觉这个应该对整体性能不会产生多大的影响,所以就一直没有关注这块!
由于学程序初期最先接触的string拼接,所以就一直没改变过自己的习惯!
- 今天碰到 java.util.ConcurrentModificationException 异常
antonyup_2006
java多线程工作IBM
今天改bug,其中有个实现是要对map进行循环,然后有删除操作,代码如下:
Iterator<ListItem> iter = ItemMap.keySet.iterator();
while(iter.hasNext()){
ListItem it = iter.next();
//...一些逻辑操作
ItemMap.remove(it);
}
结果运行报Con
- PL/SQL的类型和JDBC操作数据库
百合不是茶
PL/SQL表标量类型游标PL/SQL记录
PL/SQL的标量类型:
字符,数字,时间,布尔,%type五中类型的
--标量:数据库中预定义类型的变量
--定义一个变长字符串
v_ename varchar2(10);
--定义一个小数,范围 -9999.99~9999.99
v_sal number(6,2);
--定义一个小数并给一个初始值为5.4 :=是pl/sql的赋值号
- Mockito:一个强大的用于 Java 开发的模拟测试框架实例
bijian1013
mockito单元测试
Mockito框架:
Mockito是一个基于MIT协议的开源java测试框架。 Mockito区别于其他模拟框架的地方主要是允许开发者在没有建立“预期”时验证被测系统的行为。对于mock对象的一个评价是测试系统的测
- 精通Oracle10编程SQL(10)处理例外
bijian1013
oracle数据库plsql
/*
*处理例外
*/
--例外简介
--处理例外-传递例外
declare
v_ename emp.ename%TYPE;
begin
SELECT ename INTO v_ename FROM emp
where empno=&no;
dbms_output.put_line('雇员名:'||v_ename);
exceptio
- 【Java】Java执行远程机器上Linux命令
bit1129
linux命令
Java使用ethz通过ssh2执行远程机器Linux上命令,
封装定义Linux机器的环境信息
package com.tom;
import java.io.File;
public class Env {
private String hostaddr; //Linux机器的IP地址
private Integer po
- java通信之Socket通信基础
白糖_
javasocket网络协议
正处于网络环境下的两个程序,它们之间通过一个交互的连接来实现数据通信。每一个连接的通信端叫做一个Socket。一个完整的Socket通信程序应该包含以下几个步骤:
①创建Socket;
②打开连接到Socket的输入输出流;
④按照一定的协议对Socket进行读写操作;
④关闭Socket。
Socket通信分两部分:服务器端和客户端。服务器端必须优先启动,然后等待soc
- angular.bind
boyitech
AngularJSangular.bindAngularJS APIbind
angular.bind 描述: 上下文,函数以及参数动态绑定,返回值为绑定之后的函数. 其中args是可选的动态参数,self在fn中使用this调用。 使用方法: angular.bind(se
- java-13个坏人和13个好人站成一圈,数到7就从圈里面踢出一个来,要求把所有坏人都给踢出来,所有好人都留在圈里。请找出初始时坏人站的位置。
bylijinnan
java
import java.util.ArrayList;
import java.util.List;
public class KickOutBadGuys {
/**
* 题目:13个坏人和13个好人站成一圈,数到7就从圈里面踢出一个来,要求把所有坏人都给踢出来,所有好人都留在圈里。请找出初始时坏人站的位置。
* Maybe you can find out
- Redis.conf配置文件及相关项说明(自查备用)
Kai_Ge
redis
Redis.conf配置文件及相关项说明
# Redis configuration file example
# Note on units: when memory size is needed, it is possible to specifiy
# it in the usual form of 1k 5GB 4M and so forth:
#
- [强人工智能]实现大规模拓扑分析是实现强人工智能的前奏
comsci
人工智能
真不好意思,各位朋友...博客再次更新...
节点数量太少,网络的分析和处理能力肯定不足,在面对机器人控制的需求方面,显得力不从心....
但是,节点数太多,对拓扑数据处理的要求又很高,设计目标也很高,实现起来难度颇大...
- 记录一些常用的函数
dai_lm
java
public static String convertInputStreamToString(InputStream is) {
StringBuilder result = new StringBuilder();
if (is != null)
try {
InputStreamReader inputReader = new InputStreamRead
- Hadoop中小规模集群的并行计算缺陷
datamachine
mapreducehadoop并行计算
注:写这篇文章的初衷是因为Hadoop炒得有点太热,很多用户现有数据规模并不适用于Hadoop,但迫于扩容压力和去IOE(Hadoop的廉价扩展的确非常有吸引力)而尝试。尝试永远是件正确的事儿,但有时候不用太突进,可以调优或调需求,发挥现有系统的最大效用为上策。
-----------------------------------------------------------------
- 小学4年级英语单词背诵第二课
dcj3sjt126com
englishword
egg 蛋
twenty 二十
any 任何
well 健康的,好
twelve 十二
farm 农场
every 每一个
back 向后,回
fast 快速的
whose 谁的
much 许多
flower 花
watch 手表
very 非常,很
sport 运动
Chinese 中国的
- 自己实践了github的webhooks, linux上面的权限需要注意
dcj3sjt126com
githubwebhook
环境, 阿里云服务器
1. 本地创建项目, push到github服务器上面
2. 生成www用户的密钥
sudo -u www ssh-keygen -t rsa -C "
[email protected]"
3. 将密钥添加到github帐号的SSH_KEYS里面
3. 用www用户执行克隆, 源使
- Java冒泡排序
蕃薯耀
冒泡排序Java冒泡排序Java排序
冒泡排序
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月23日 10:40:14 星期二
http://fanshuyao.iteye.com/
- Excle读取数据转换为实体List【基于apache-poi】
hanqunfeng
apache
1.依赖apache-poi
2.支持xls和xlsx
3.支持按属性名称绑定数据值
4.支持从指定行、列开始读取
5.支持同时读取多个sheet
6.具体使用方式参见org.cpframework.utils.excelreader.CP_ExcelReaderUtilTest.java
比如:
Str
- 3个处于草稿阶段的Javascript API介绍
jackyrong
JavaScript
原文:
http://www.sitepoint.com/3-new-javascript-apis-may-want-follow/?utm_source=html5weekly&utm_medium=email
本文中,介绍3个仍然处于草稿阶段,但应该值得关注的Javascript API.
1) Web Alarm API
&
- 6个创建Web应用程序的高效PHP框架
lampcy
Web框架PHP
以下是创建Web应用程序的PHP框架,有coder bay网站整理推荐:
1. CakePHP
CakePHP是一个PHP快速开发框架,它提供了一个用于开发、维护和部署应用程序的可扩展体系。CakePHP使用了众所周知的设计模式,如MVC和ORM,降低了开发成本,并减少了开发人员写代码的工作量。
2. CodeIgniter
CodeIgniter是一个非常小且功能强大的PHP框架,适合需
- 评"救市后中国股市新乱象泛起"谣言
nannan408
首先来看百度百家一位易姓作者的新闻:
三个多星期来股市持续暴跌,跌得投资者及上市公司都处于极度的恐慌和焦虑中,都要寻找自保及规避风险的方式。面对股市之危机,政府突然进入市场救市,希望以此来重建市场信心,以此来扭转股市持续暴跌的预期。而政府进入市场后,由于市场运作方式发生了巨大变化,投资者及上市公司为了自保及为了应对这种变化,中国股市新的乱象也自然产生。
首先,中国股市这两天
- 页面全屏遮罩的实现 方式
Rainbow702
htmlcss遮罩mask
之前做了一个页面,在点击了某个按钮之后,要求页面出现一个全屏遮罩,一开始使用了position:absolute来实现的。当时因为画面大小是固定的,不可以resize的,所以,没有发现问题。
最近用了同样的做法做了一个遮罩,但是画面是可以进行resize的,所以就发现了一个问题,当画面被reisze到浏览器出现了滚动条的时候,就发现,用absolute 的做法是有问题的。后来改成fixed定位就
- 关于angularjs的点滴
tntxia
AngularJS
angular是一个新兴的JS框架,和以往的框架不同的事,Angularjs更注重于js的建模,管理,同时也提供大量的组件帮助用户组建商业化程序,是一种值得研究的JS框架。
Angularjs使我们可以使用MVC的模式来写JS。Angularjs现在由谷歌来维护。
这里我们来简单的探讨一下它的应用。
首先使用Angularjs我
- Nutz--->>反复新建ioc容器的后果
xiaoxiao1992428
DAOmvcIOCnutz
问题:
public class DaoZ {
public static Dao dao() { // 每当需要使用dao的时候就取一次
Ioc ioc = new NutIoc(new JsonLoader("dao.js"));
return ioc.get(