- 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
- 数据预处理全流程:从创建数据集到 PyTorch 张量的完整实践
wwangxubin
pytorch人工智能python
在机器学习和深度学习任务中,数据预处理是至关重要的第一步。本文通过一个完整的示例,演示如何创建包含缺失值的数据集、处理不同类型的缺失值,并将数据转换为PyTorch张量,为后续模型训练奠定基础。一、创建数据集并存储为CSV文件我们首先人工创建一个包含缺失值的房屋数据集,并将其存储为CSV格式。CSV文件因其通用性和易读性,是数据存储与交换的常用格式。python运行importos#创建数据目录(
- 基础数学:线性代数与概率论在AI中的应用
赵青临的辉
深入人工智能:从基础到实战线性代数概率论人工智能
在人工智能(AI)的世界里,数学是其核心语言,尤其是线性代数和概率论。这两门基础数学学科构成了AI算法的基础,理解它们对于深入掌握机器学习和深度学习至关重要。本文将重点探讨线性代数与概率论在AI中的应用,特别是它们如何帮助解决实际问题。线性代数在AI中的应用线性代数是研究向量、矩阵及其运算的数学分支,在机器学习和深度学习中有着广泛的应用。下面是一些主要的应用领域:1.向量空间与数据表示在机器学习中
- apache 安装linux windows
墙头上一根草
apacheinuxwindows
linux安装Apache 有两种方式一种是手动安装通过二进制的文件进行安装,另外一种就是通过yum 安装,此中安装方式,需要物理机联网。以下分别介绍两种的安装方式
通过二进制文件安装Apache需要的软件有apr,apr-util,pcre
1,安装 apr 下载地址:htt
- fill_parent、wrap_content和match_parent的区别
Cb123456
match_parentfill_parent
fill_parent、wrap_content和match_parent的区别:
1)fill_parent
设置一个构件的布局为fill_parent将强制性地使构件扩展,以填充布局单元内尽可能多的空间。这跟Windows控件的dockstyle属性大体一致。设置一个顶部布局或控件为fill_parent将强制性让它布满整个屏幕。
2) wrap_conte
- 网页自适应设计
天子之骄
htmlcss响应式设计页面自适应
网页自适应设计
网页对浏览器窗口的自适应支持变得越来越重要了。自适应响应设计更是异常火爆。再加上移动端的崛起,更是如日中天。以前为了适应不同屏幕分布率和浏览器窗口的扩大和缩小,需要设计几套css样式,用js脚本判断窗口大小,选择加载。结构臃肿,加载负担较大。现笔者经过一定时间的学习,有所心得,故分享于此,加强交流,共同进步。同时希望对大家有所
- [sql server] 分组取最大最小常用sql
一炮送你回车库
SQL Server
--分组取最大最小常用sql--测试环境if OBJECT_ID('tb') is not null drop table tb;gocreate table tb( col1 int, col2 int, Fcount int)insert into tbselect 11,20,1 union allselect 11,22,1 union allselect 1
- ImageIO写图片输出到硬盘
3213213333332132
javaimage
package awt;
import java.awt.Color;
import java.awt.Font;
import java.awt.Graphics;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imagei
- 自己的String动态数组
宝剑锋梅花香
java动态数组数组
数组还是好说,学过一两门编程语言的就知道,需要注意的是数组声明时需要把大小给它定下来,比如声明一个字符串类型的数组:String str[]=new String[10]; 但是问题就来了,每次都是大小确定的数组,我需要数组大小不固定随时变化怎么办呢? 动态数组就这样应运而生,龙哥给我们讲的是自己用代码写动态数组,并非用的ArrayList 看看字符
- pinyin4j工具类
darkranger
.net
pinyin4j工具类Java工具类 2010-04-24 00:47:00 阅读69 评论0 字号:大中小
引入pinyin4j-2.5.0.jar包:
pinyin4j是一个功能强悍的汉语拼音工具包,主要是从汉语获取各种格式和需求的拼音,功能强悍,下面看看如何使用pinyin4j。
本人以前用AscII编码提取工具,效果不理想,现在用pinyin4j简单实现了一个。功能还不是很完美,
- StarUML学习笔记----基本概念
aijuans
UML建模
介绍StarUML的基本概念,这些都是有效运用StarUML?所需要的。包括对模型、视图、图、项目、单元、方法、框架、模型块及其差异以及UML轮廓。
模型、视与图(Model, View and Diagram)
&
- Activiti最终总结
avords
Activiti id 工作流
1、流程定义ID:ProcessDefinitionId,当定义一个流程就会产生。
2、流程实例ID:ProcessInstanceId,当开始一个具体的流程时就会产生,也就是不同的流程实例ID可能有相同的流程定义ID。
3、TaskId,每一个userTask都会有一个Id这个是存在于流程实例上的。
4、TaskDefinitionKey和(ActivityImpl activityId
- 从省市区多重级联想到的,react和jquery的差别
bee1314
jqueryUIreact
在我们的前端项目里经常会用到级联的select,比如省市区这样。通常这种级联大多是动态的。比如先加载了省,点击省加载市,点击市加载区。然后数据通常ajax返回。如果没有数据则说明到了叶子节点。 针对这种场景,如果我们使用jquery来实现,要考虑很多的问题,数据部分,以及大量的dom操作。比如这个页面上显示了某个区,这时候我切换省,要把市重新初始化数据,然后区域的部分要从页面
- Eclipse快捷键大全
bijian1013
javaeclipse快捷键
Ctrl+1 快速修复(最经典的快捷键,就不用多说了)Ctrl+D: 删除当前行 Ctrl+Alt+↓ 复制当前行到下一行(复制增加)Ctrl+Alt+↑ 复制当前行到上一行(复制增加)Alt+↓ 当前行和下面一行交互位置(特别实用,可以省去先剪切,再粘贴了)Alt+↑ 当前行和上面一行交互位置(同上)Alt+← 前一个编辑的页面Alt+→ 下一个编辑的页面(当然是针对上面那条来说了)Alt+En
- js 笔记 函数
征客丶
JavaScript
一、函数的使用
1.1、定义函数变量
var vName = funcation(params){
}
1.2、函数的调用
函数变量的调用: vName(params);
函数定义时自发调用:(function(params){})(params);
1.3、函数中变量赋值
var a = 'a';
var ff
- 【Scala四】分析Spark源代码总结的Scala语法二
bit1129
scala
1. Some操作
在下面的代码中,使用了Some操作:if (self.partitioner == Some(partitioner)),那么Some(partitioner)表示什么含义?首先partitioner是方法combineByKey传入的变量,
Some的文档说明:
/** Class `Some[A]` represents existin
- java 匿名内部类
BlueSkator
java匿名内部类
组合优先于继承
Java的匿名类,就是提供了一个快捷方便的手段,令继承关系可以方便地变成组合关系
继承只有一个时候才能用,当你要求子类的实例可以替代父类实例的位置时才可以用继承。
在Java中内部类主要分为成员内部类、局部内部类、匿名内部类、静态内部类。
内部类不是很好理解,但说白了其实也就是一个类中还包含着另外一个类如同一个人是由大脑、肢体、器官等身体结果组成,而内部类相
- 盗版win装在MAC有害发热,苹果的东西不值得买,win应该不用
ljy325
游戏applewindowsXPOS
Mac mini 型号: MC270CH-A RMB:5,688
Apple 对windows的产品支持不好,有以下问题:
1.装完了xp,发现机身很热虽然没有运行任何程序!貌似显卡跑游戏发热一样,按照那样的发热量,那部机子损耗很大,使用寿命受到严重的影响!
2.反观安装了Mac os的展示机,发热量很小,运行了1天温度也没有那么高
&nbs
- 读《研磨设计模式》-代码笔记-生成器模式-Builder
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
/**
* 生成器模式的意图在于将一个复杂的构建与其表示相分离,使得同样的构建过程可以创建不同的表示(GoF)
* 个人理解:
* 构建一个复杂的对象,对于创建者(Builder)来说,一是要有数据来源(rawData),二是要返回构
- JIRA与SVN插件安装
chenyu19891124
SVNjira
JIRA安装好后提交代码并要显示在JIRA上,这得需要用SVN的插件才能看见开发人员提交的代码。
1.下载svn与jira插件安装包,解压后在安装包(atlassian-jira-subversion-plugin-0.10.1)
2.解压出来的包里下的lib文件夹下的jar拷贝到(C:\Program Files\Atlassian\JIRA 4.3.4\atlassian-jira\WEB
- 常用数学思想方法
comsci
工作
对于搞工程和技术的朋友来讲,在工作中常常遇到一些实际问题,而采用常规的思维方式无法很好的解决这些问题,那么这个时候我们就需要用数学语言和数学工具,而使用数学工具的前提却是用数学思想的方法来描述问题。。下面转帖几种常用的数学思想方法,仅供学习和参考
函数思想
把某一数学问题用函数表示出来,并且利用函数探究这个问题的一般规律。这是最基本、最常用的数学方法
- pl/sql集合类型
daizj
oracle集合typepl/sql
--集合类型
/*
单行单列的数据,使用标量变量
单行多列数据,使用记录
单列多行数据,使用集合(。。。)
*集合:类似于数组也就是。pl/sql集合类型包括索引表(pl/sql table)、嵌套表(Nested Table)、变长数组(VARRAY)等
*/
/*
--集合方法
&n
- [Ofbiz]ofbiz初用
dinguangx
电商ofbiz
从github下载最新的ofbiz(截止2015-7-13),从源码进行ofbiz的试用
1. 加载测试库
ofbiz内置derby,通过下面的命令初始化测试库
./ant load-demo (与load-seed有一些区别)
2. 启动内置tomcat
./ant start
或
./startofbiz.sh
或
java -jar ofbiz.jar
&
- 结构体中最后一个元素是长度为0的数组
dcj3sjt126com
cgcc
在Linux源代码中,有很多的结构体最后都定义了一个元素个数为0个的数组,如/usr/include/linux/if_pppox.h中有这样一个结构体: struct pppoe_tag { __u16 tag_type; __u16 tag_len; &n
- Linux cp 实现强行覆盖
dcj3sjt126com
linux
发现在Fedora 10 /ubutun 里面用cp -fr src dest,即使加了-f也是不能强行覆盖的,这时怎么回事的呢?一两个文件还好说,就输几个yes吧,但是要是n多文件怎么办,那还不输死人呢?下面提供三种解决办法。 方法一
我们输入alias命令,看看系统给cp起了一个什么别名。
[root@localhost ~]# aliasalias cp=’cp -i’a
- Memcached(一)、HelloWorld
frank1234
memcached
一、简介
高性能的架构离不开缓存,分布式缓存中的佼佼者当属memcached,它通过客户端将不同的key hash到不同的memcached服务器中,而获取的时候也到相同的服务器中获取,由于不需要做集群同步,也就省去了集群间同步的开销和延迟,所以它相对于ehcache等缓存来说能更好的支持分布式应用,具有更强的横向伸缩能力。
二、客户端
选择一个memcached客户端,我这里用的是memc
- Search in Rotated Sorted Array II
hcx2013
search
Follow up for "Search in Rotated Sorted Array":What if duplicates are allowed?
Would this affect the run-time complexity? How and why?
Write a function to determine if a given ta
- Spring4新特性——更好的Java泛型操作API
jinnianshilongnian
spring4generic type
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- CentOS安装JDK
liuxingguome
centos
1、行卸载原来的:
[root@localhost opt]# rpm -qa | grep java
tzdata-java-2014g-1.el6.noarch
java-1.7.0-openjdk-1.7.0.65-2.5.1.2.el6_5.x86_64
java-1.6.0-openjdk-1.6.0.0-11.1.13.4.el6.x86_64
[root@localhost
- 二分搜索专题2-在有序二维数组中搜索一个元素
OpenMind
二维数组算法二分搜索
1,设二维数组p的每行每列都按照下标递增的顺序递增。
用数学语言描述如下:p满足
(1),对任意的x1,x2,y,如果x1<x2,则p(x1,y)<p(x2,y);
(2),对任意的x,y1,y2, 如果y1<y2,则p(x,y1)<p(x,y2);
2,问题:
给定满足1的数组p和一个整数k,求是否存在x0,y0使得p(x0,y0)=k?
3,算法分析:
(
- java 随机数 Math与Random
SaraWon
javaMathRandom
今天需要在程序中产生随机数,知道有两种方法可以使用,但是使用Math和Random的区别还不是特别清楚,看到一篇文章是关于的,觉得写的还挺不错的,原文地址是
http://www.oschina.net/question/157182_45274?sort=default&p=1#answers
产生1到10之间的随机数的两种实现方式:
//Math
Math.roun
- oracle创建表空间
tugn
oracle
create temporary tablespace TXSJ_TEMP
tempfile 'E:\Oracle\oradata\TXSJ_TEMP.dbf'
size 32m
autoextend on
next 32m maxsize 2048m
extent m
- 使用Java8实现自己的个性化搜索引擎
yangshangchuan
javasuperword搜索引擎java8全文检索
需要对249本软件著作实现句子级别全文检索,这些著作均为PDF文件,不使用现有的框架如lucene,自己实现的方法如下:
1、从PDF文件中提取文本,这里的重点是如何最大可能地还原文本。提取之后的文本,一个句子一行保存为文本文件。
2、将所有文本文件合并为一个单一的文本文件,这样,每一个句子就有一个唯一行号。
3、对每一行文本进行分词,建立倒排表,倒排表的格式为:词=包含该词的总行数N=行号