- 大模型训练和推理
李明朔
AIGC深度学习人工智能
文章目录一、NLP基础1.Tokenizer2.positionencoding3.注意力机制与transformer架构二、大模型训练1.SFT训练2.RLHF训练3.分布式并行训练技术(1)模型并行(2)数据并行4.MoE技术4.PEFT训练5.上下文扩展技术三、大模型推理1.模型压缩(1)剪枝(2)量化2.显存优化技术3.调度优化技术4.请求优化技术5.采样和解码加速6.模型并行策略7.其他
- 自然语言处理系列四十二》新词发现与短语提取》新词发现》代码实战
陈敬雷-充电了么-CEO兼CTO
自然语言处理人工智能nlpaichatgptgptjava
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四十二新词发现》代码实战短语提取算法原理总结自然语言处理系列四十二新词发现》代码实战新词发现是NLP的基础任务之一,通过对已有语料进行挖掘,从中识别出新词。上一篇文章已经对新词发现做了详细介绍,下面展示代码,HanLP工具提
- 计算机毕业设计之基于Python的旅游景点评论内容分析与研究
微信bishe58
课程设计springbootpython信息可视化
旅游景点评论内容分析与研究是一个涉及文本挖掘、情感分析和数据可视化等多领域技术的复杂过程。本研究以Python编程语言为基础,首先收集了来自不同旅游平台的用户评论数据。通过运用自然语言处理(NLP)技术,清洗并预处理了这些数据,以便于后续分析。随后,采用情感分析方法来识别和量化评论中的主观态度和情绪倾向,从而判断游客的整体满意度。此外,还运用词云、主题建模等手段来探索游客评论中的关键词汇和讨论主题
- 【机器学习-随记】使用 Slack 和 Facebook Messenger 的消息机器人实现虚拟客服人员
听忆.
机器学习facebook机器人
使用Slack和FacebookMessenger的消息机器人实现虚拟客服人员1.平台选择与集成2.消息机器人开发3.自然语言处理(NLP)4.虚拟助手功能实现5.语音助手集成6.安全与用户隐私7.测试与部署边走、边悟迟早会好实现一个虚拟客服人员,能够通过Slack和FacebookMessenger进行交互,并执行虚拟助手和语音助手通常完成的任务,涉及多个技术组件和步骤。以下是实现这一系统的详细
- 论文:Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Ian_Wonder
论文阅读
论文:Retrieval-AugmentedGenerationforKnowledge-IntensiveNLPTaskscode:https://github.com/huggingface/transformerscode:https://github.com/huggingface/transformers/blob/master/model_cards/facebook/rag-toke
- 初识LangChain的快速入门指南
hai40587
langchain
初识LangChain的快速入门指南LangChain是一个强大的自然语言处理(NLP)工具链,旨在帮助开发者快速构建复杂的语言处理应用。它简化了与大语言模型(LLM)的交互过程,支持数据检索和将不同功能模块串联起来以完成复杂任务。本指南将详细介绍LangChain的安装、核心概念、基本使用、进阶使用以及社区与支持,帮助读者快速上手LangChain。一、安装与设置首先,确保你的系统中已安装Pyt
- 【好书分享第十期】大模型应用解决方案_基于ChatGPT和GPT-4等Transformer架构的自然语言处理(文末送书)
屿小夏
书籍推荐chatgpttransformer架构大模型AI
文章目录前言一、内容简介二、作者简介三、目录四、摘录粉丝福利前言在不到4年的时间里,Transformer模型以其强大的性能和创新的思想,迅速在NLP社区崭露头角,打破了过去30年的记录。BERT、T5和GPT等模型现在已成为计算机视觉、语音识别、翻译、蛋白质测序、编码等各个领域中新应用的基础构件。因此,斯坦福大学最近提出了“基础模型”这个术语,用于定义基于巨型预训练Transformer的一系列
- 【Python机器学习】NLP分词——利用分词器构建词汇表(三)——度量词袋之间的重合度
zhangbin_237
Python机器学习机器学习自然语言处理人工智能python开发语言
如果能够度量两个向量词袋之间的重合度,就可以很好地估计他们所用词的相似程度,而这也是它们语义上重合度的一个很好的估计。因此,下面用点积来估计一些新句子和原始的Jefferson句子之间的词袋向量重合度:importpandasaspdsentence="""ThomasJeffersonBeganbulidingMonticelliastheageof26.\n"""sentence=senten
- 【Python机器学习】NLP概述——深度处理
zhangbin_237
Python机器学习python机器学习自然语言处理人工智能机器人
自然语言处理流水线的各个阶段可以看作是层,就像是前馈神经网络中的层一样。深度学习就是通过在传统的两层机器学习模型架构(特征提取+建模)中添加额外的处理层来创建更复杂的模型和行为。上图中,前四层对应于聊天机器人流水线中的前两个阶段(特征提取和特征分析)。例如,词性标注(POS标注)是在聊天机器人流水线的分析阶段生成特征的一种方法。POS标签由默认的SpaCY流水线自动生成,该流水线包括上图中所有的前
- 【Python机器学习】NLP分词——词干还原的挑战
zhangbin_237
Python机器学习自然语言处理人工智能机器学习python开发语言
要想使用自然语言处理的相关应用,第一件事就是需要一个强大的词汇表。我们要把文档或任何字符串拆分为离散的有意义的词条,这里说的词条仅限于词、标点符号和数值,但是这里使用的技术可以很容易推广到字符序列包含的任何其他有意义的单元,比如ASCII表情符号、Unicode表情符号和数学符号。从文档中检索词条需要一些字符串处理方法,这些方法不仅仅是str.split(),处理时需要把标点符号与词分开,还需要将
- NLP化学反应式
福哥0075826
我只能承认,这样子理解NLP的人一定是个奇葩。对,我必须承认自己是个奇葩。因为以前的我总认为这世界很奇葩,所以我也只能变成个奇葩才能适应它……呃,Whatonearth我奇葩吗?好了,言归正传,NLP和化学有什么关系吗?我觉得有,或者说最起码它俩在识别标准上是比较相似的。初中的化学老师为了帮助我区分化学和物理的区别,曾经和我说过,看一个反应过程到底是属于化学反应还是物理变化,关键在于看它的结果是否
- 常见的NLP处理框架介绍!
weixin_54503231
自然语言处理人工智能
自然语言处理(NLP)处理框架是指一系列用于开发、实现和部署自然语言处理应用程序的工具、库和框架。以下是一些主要的NLP处理框架的介绍:一、NLTK(NaturalLanguageToolkit)概述:NLTK是Python编程语言中最著名的NLP库之一,由StevenBird、EwanKlein和EdwardLoper等人开发。它提供了丰富的资源,包括文本处理、语料库、分类、标记、解析、语义推理
- NLP学习——信息抽取
P-ShineBeam
NLP基础学习
信息抽取自动从半结构或无结构的文本中抽取出结构化信息的任务。常见的信息抽取任务有三类:实体抽取、关系抽取、事件抽取。1、实体抽取从一段文本中抽取出文本内容并识别为预定义的类别。实体抽取任务中的复杂问题:重复嵌套,原文中多个实体之间共享片段不连续,一个实体由多个不连续片段组成2、关系抽取从文本中抽取一对实体和预定义的关系类型。传统的关系抽取任务实现方案是先进行实体抽取,再输入头尾实体与原文进行关系分
- Prompt-Tuning:大模型微调技术
百度_开发者中心
prompt自然语言处理大模型
随着深度学习技术的不断发展,大模型(如GPT、BERT等)在各种自然语言处理(NLP)任务中取得了显著的成功。然而,训练和部署大模型需要大量的计算资源和时间,这限制了其在一些资源有限场景中的应用。为了解决这个问题,研究人员提出了各种大模型微调技术,以减少模型的大小和计算复杂度,同时保持模型的性能。本文将重点介绍一些常见的大模型微调技术,包括Adapter-Tuning、Prefix-Tuning、
- 喝了那么多鸡汤,你知道哪一碗有毒吗?
b66c6f1f6d41
最近刚学了一句话:“管好自己是神,管别人是神经病!”因为这句话我做出了很大改变,不再想去改变任何一个人,从改变自己做起。虽然曾经我也学过NLP里一句话:“一个人不能改变另一个人。”在此之后我也一直在做出改变,不再去强势的想要改变别人,可是最近我却被文章开始的这句话迷失自我。很纠结的原因是,我的工作是保险代理人,这份工作其实在没有保险观念的客户面前,我都在想着怎么去与他们交流,让他们放心的购买保险,
- 从零开始大模型开发与微调:有趣的词嵌入
AGI通用人工智能之禅
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
从零开始大模型开发与微调:有趣的词嵌入作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来自然语言处理(NLP)领域近年来取得了飞速发展,尤其是在预训练语言模型(Pre-trainedLanguageModels,简称PLMs)方面。从最初的词袋模型、隐语义模型,到如今的Transformer模型,PLMs在NLP任务中取得了
- 【Python机器学习】NLP概述——自然语言智商
zhangbin_237
Python机器学习机器学习自然语言处理人工智能python机器人
就像人类的智能一样,如果不考虑多个智能维度,单凭一个智商分数是无法轻易衡量NLP流水线的能力的。衡量机器人系统能力的一种常见方法是:根据系统行为的复杂性和所需的人类监督成都这两个维度来衡量。但是对自然语言处理流水线而言,其目标是建立一个完全自动化的自然语言处理系统,会消除所有的人工监督(一旦模型被训练和部署)。因此,一对更好的IQ维度应该能捕捉到自然语言流水线复杂的广度和深度。像Alexa或All
- 《人工智能与自然语言处理:开启智能交流新时代》
程序猿阿伟
人工智能自然语言处理
在当今科技迅猛发展的时代,人工智能已经成为了各个领域的热门话题。其中,自然语言处理(NaturalLanguageProcessing,简称NLP)作为人工智能的一个重要分支,正逐渐改变着我们与计算机交互的方式。那么,人工智能究竟是如何进行自然语言处理的呢?一、自然语言处理的基本概念自然语言处理是指让计算机理解、生成和处理人类语言的技术。它涉及到语言学、计算机科学、数学等多个学科领域,旨在使计算机
- 深度学习--复制机制
Ambition_LAO
深度学习
复制机制(CopyMechanism)是自然语言处理(NLP)中特别是在文本生成任务中(如机器翻译、摘要生成等)使用的一种技术。它允许模型在生成输出时不仅仅依赖于其词汇表中的单词,还可以从输入文本中“复制”单词到输出文本中。这种机制非常有用,尤其是在处理未见过的词汇或专有名词时。1.概念复制机制的基本思想是,在生成每个输出单词时,模型不仅从其词汇表中选择一个词,还可能直接从输入序列中复制一个词。这
- python通过Gurobi求解线性规划
vibag
数学建模python算法
文章目录GurobiGurobi中主要的变量类型Gurobi使用基本步骤求解线性规划模型代码实现GurobiGurobi是一款强大的商业数学规划求解器,用于解决线性规划(LP)、整数规划(IP)、混合整数规划(MIP)、二次规划(QP)、非线性规划(NLP)等各种优化问题。它具有高效的求解算法、丰富的功能和友好的用户界面,被广泛应用于学术界和工业界。Gurobi采用了最先进的优化算法和技术,具有出
- 将遍历出的结果字符串装在列表
月夜星空下
fromKeyword_extractionimportThe_original_titleKey_word=[]foriinThe_original_title:fromdtl_nlpimportmax_length_wordsll=max_length_words(i)Key_word.append(ll)keyword_all=Key_wordprint(keyword_all)
- 阿里云力夺 FewCLUE 榜首!知识融入预训练+小样本学习的实战解析
阿里云技术
自然语言处理机器学习
一概述7月8日,中文语言理解权威评测基准CLUE公开了中文小样本学习评测榜单最新结果,阿里云计算平台PAI团队携手达摩院智能对话与服务技术团队,在大模型和无参数限制模型双赛道总成绩第一名,决赛答辩总成绩第一名。中文语言理解权威评测基准CLUE自成立以来发布了多项NLP评测基准,包括分类榜单,阅读理解榜单和自然语言推断榜单等,在学术界、工业界产生了深远影响。其中,FewCLUE是CLUE最新推出的一
- 人工智能领域--RAG技术
胡萝卜不甜
机器学习人工智能python学习算法
今天带大家来学习一下RAG技术,尤其在在大模型中应用广泛。一.RAG(RetrievalAugmentedGeneration)检索增强生成RAG,即Retrieval-AugmentedGeneration(检索增强的生成),是一种结合了检索(Retrieval)和生成(Generation)机制的人工智能技术,常用于提升自然语言处理(NLP)任务的性能,尤其是在问答系统、文本摘要、对话系统等领
- 【ShuQiHere】“从 One-Hot 到 GPT:窥探词表示技术的演变”
ShuQiHere
gpt神经网络机器学习人工智能
【ShuQiHere】在自然语言处理(NLP)领域,如何让机器理解人类语言一直是一个核心问题。而词表示(WordRepresentation)正是解决这个问题的基础技术。通过词表示,我们可以将文本中的词语转化为计算机能够理解和处理的数字向量,这为各种NLP任务,如文本分类、情感分析、机器翻译等,提供了强大的支持。从最早的One-Hot编码,到如今广泛应用的上下文相关词嵌入技术,词表示技术已经走过了
- 用 Unsloth 微调 LLaMA 3 8B
liugddx
AI微调大模型llama
用Unsloth微调LLaMA38B今年4月份,Meta公司发布了功能强大的大型语言模型(LLM)Llama-3,为从事各种NLP任务的开发人员提供了功能强大可以在普通机器上运行的开源LLM。然而,传统的LLM微调过程既耗时又耗费资源。但是,Unsloth的出现改变了这一局面,大大加快了Llama-3的微调速度。本文将探讨Unsloth如何帮助您以极高的速度和效率,根据具体需求对Llama-3进行
- 探索Ruby的自然语言处理宝库:文本魔法的艺术
2401_85743969
ruby自然语言处理开发语言
标题:探索Ruby的自然语言处理宝库:文本魔法的艺术在人工智能的浪潮中,自然语言处理(NLP)成为了连接人类语言与机器理解的桥梁。Ruby,作为一种优雅而富有表现力的编程语言,拥有一系列强大的NLP库,它们使得文本分析、情感分析、机器翻译等任务变得简单而高效。本文将深入探索Ruby世界中的一些顶尖NLP库,并展示如何使用这些工具来执行实际的NLP任务。RubyNLP库的魔力Ruby的自然语言处理库
- 23 注意力机制—BERT
Unknown To Known
动手学习深度学习bert人工智能深度学习
目录BERT预训练NLP里的迁移学习BERTBERT动机BERT预训练NLP里的迁移学习在计算机视觉中比较流行,将ImageNet或者更大的数据集上预训练好的模型应用到其他任务中,比如小数据的预测、图片分类或者是目标检测使用预训练好的模型(例如word2vec或语言模型)来抽取词、句子的特征做迁移学习的时候,一般不更新预训练好的模型在更换任务之后,还是需要构建新的网络来抓取新任务需要的信息使用预训
- 【2025校招】4399 NLP算法工程师笔试题
Iareges
秋招笔面试汇总自然语言处理算法面试秋招面经求职招聘笔试
目录1.第一题2.第二题3.第三题⏰时间:2024/08/19输入输出:ACM格式⏳时长:2h本试卷分为单选,自我评价题,编程题单选和自我评价这里不再介绍,4399的编程题一如既往地抽象,明明是NLP岗位的笔试题,却考了OpenCV相关的知识。btw,跟网友讨论了下,4399似乎不同时间节点的笔试题是一样的???1.第一题第一题是LC原题:441.排列硬币,题目和题解请前往LC查看。2.第二题题目
- 自然语言处理NLP之中文分词和词性标注
陈敬雷-充电了么-CEO兼CTO
自然语言处理
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】文章目录一、Python第三方库jieba(中文分词、词性标注)特点二、jieba中文分词的安装关键词抽取基于TF-IDF算法TF-IDF原理介绍基于TextRank算法的关键词抽取textRank算法原理介绍总结一、Python第三方库jieba
- Google BERT 算法全面分析
云点SEO
外贸推广谷歌优化谷歌SEO算法百度python机器学习java
2019年10月谷歌宣布启用GoogleBERT作为谷歌算法的一部分,这将影响10%的检索。并且谷歌五年来最重要的一次算法更新,本文是针对GoogleBERT算法的全面讲解。一、什么是BERT算法BERT全称是BidirectionalEncoderRepresentationsfromTransformers,BERT算法诞生于2018年,从当时开始就引起了AI界尤其是NLP(自然语言处理)界的
- Nginx负载均衡
510888780
nginx应用服务器
Nginx负载均衡一些基础知识:
nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
指定轮询几率,weight和访问比率成正比
- RedHat 6.4 安装 rabbitmq
bylijinnan
erlangrabbitmqredhat
在 linux 下安装软件就是折腾,首先是测试机不能上外网要找运维开通,开通后发现测试机的 yum 不能使用于是又要配置 yum 源,最后安装 rabbitmq 时也尝试了两种方法最后才安装成功
机器版本:
[root@redhat1 rabbitmq]# lsb_release
LSB Version: :base-4.0-amd64:base-4.0-noarch:core
- FilenameUtils工具类
eksliang
FilenameUtilscommon-io
转载请出自出处:http://eksliang.iteye.com/blog/2217081 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- xml文件解析SAX
不懂事的小屁孩
xml
xml文件解析:xml文件解析有四种方式,
1.DOM生成和解析XML文档(SAX是基于事件流的解析)
2.SAX生成和解析XML文档(基于XML文档树结构的解析)
3.DOM4J生成和解析XML文档
4.JDOM生成和解析XML
本文章用第一种方法进行解析,使用android常用的DefaultHandler
import org.xml.sax.Attributes;
- 通过定时任务执行mysql的定期删除和新建分区,此处是按日分区
酷的飞上天空
mysql
使用python脚本作为命令脚本,linux的定时任务来每天定时执行
#!/usr/bin/python
# -*- coding: utf8 -*-
import pymysql
import datetime
import calendar
#要分区的表
table_name = 'my_table'
#连接数据库的信息
host,user,passwd,db =
- 如何搭建数据湖架构?听听专家的意见
蓝儿唯美
架构
Edo Interactive在几年前遇到一个大问题:公司使用交易数据来帮助零售商和餐馆进行个性化促销,但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据
“我们要花费27小时来处理每日的数据量,”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道:“所以在2013年,我们放弃了现有的基于PostgreSQL的关系型数据库系统,使用了Hadoop集群作为公司的数
- spring学习——控制反转与依赖注入
a-john
spring
控制反转(Inversion of Control,英文缩写为IoC)是一个重要的面向对象编程的法则来削减计算机程序的耦合问题,也是轻量级的Spring框架的核心。 控制反转一般分为两种类型,依赖注入(Dependency Injection,简称DI)和依赖查找(Dependency Lookup)。依赖注入应用比较广泛。
- 用spool+unixshell生成文本文件的方法
aijuans
xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下:
set pages 50000;
set lines 200;
set trims on;
set heading off;
spool /oracle_backup/log/test/dept.lst;
select deptno||','||dname||','||loc
- 1、基础--名词解析(OOA/OOD/OOP)
asia007
学习基础知识
OOA:Object-Oriented Analysis(面向对象分析方法)
是在一个系统的开发过程中进行了系统业务调查以后,按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上,针对OO方法所需要的素材进行的归类分析和整理,而不是对管理业务现状和方法的分析。
OOA(面向对象的分析)模型由5个层次(主题层、对象类层、结构层、属性层和服务层)
- 浅谈java转成json编码格式技术
百合不是茶
json编码java转成json编码
json编码;是一个轻量级的数据存储和传输的语言
在java中需要引入json相关的包,引包方式在工程的lib下就可以了
JSON与JAVA数据的转换(JSON 即 JavaScript Object Natation,它是一种轻量级的数据交换格式,非
常适合于服务器与 JavaScript 之间的数据的交
- web.xml之Spring配置(基于Spring+Struts+Ibatis)
bijian1013
javaweb.xmlSSIspring配置
指定Spring配置文件位置
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>
/WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml,
/WEB-INF/
- Installing SonarQube(Fail to download libraries from server)
sunjing
InstallSonar
1. Download and unzip the SonarQube distribution
2. Starting the Web Server
The default port is "9000" and the context path is "/". These values can be changed in &l
- 【MongoDB学习笔记十一】Mongo副本集基本的增删查
bit1129
mongodb
一、创建复本集
假设mongod,mongo已经配置在系统路径变量上,启动三个命令行窗口,分别执行如下命令:
mongod --port 27017 --dbpath data1 --replSet rs0
mongod --port 27018 --dbpath data2 --replSet rs0
mongod --port 27019 -
- Anychart图表系列二之执行Flash和HTML5渲染
白糖_
Flash
今天介绍Anychart的Flash和HTML5渲染功能
HTML5
Anychart从6.0第一个版本起,已经逐渐开始支持各种图的HTML5渲染效果了,也就是说即使你没有安装Flash插件,只要浏览器支持HTML5,也能看到Anychart的图形(不过这些是需要做一些配置的)。
这里要提醒下大家,Anychart6.0版本对HTML5的支持还不算很成熟,目前还处于
- Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa
bozch
laravel
昨天在为了把laravel升级到最新的版本,突然之间就出现了如下错误:
ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
- 编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class Nim {
/**编程之美 NIM游戏分析
问题:
有N块石头和两个玩家A和B,玩家A先将石头随机分成若干堆,然后按照BABA...的顺序不断轮流取石头,
能将剩下的石头一次取光的玩家获胜,每次取石头时,每个玩家只能从若干堆石头中任选一堆,
- lunce创建索引及简单查询
chengxuyuancsdn
查询创建索引lunce
import java.io.File;
import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Docume
- [IT与投资]坚持独立自主的研究核心技术
comsci
it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段.....
所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
- flashback transaction闪回事务查询
daizj
oraclesql闪回事务
闪回事务查询有别于闪回查询的特点有以下3个:
(1)其正常工作不但需要利用撤销数据,还需要事先启用最小补充日志。
(2)返回的结果不是以前的“旧”数据,而是能够将当前数据修改为以前的样子的撤销SQL(Undo SQL)语句。
(3)集中地在名为flashback_transaction_query表上查询,而不是在各个表上通过“as of”或“vers
- Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件
游其是你
FilenameFilter
这是一个FilenameFilter类用法的例子,实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
- C语言学习五函数,函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题
dcj3sjt126com
c
# include <stdio.h>
int f(void) //括号中的void表示该函数不能接受数据,int表示返回的类型为int类型
{
return 10; //向主调函数返回10
}
void g(void) //函数名前面的void表示该函数没有返回值
{
//return 10; //error 与第8行行首的void相矛盾
}
in
- 今天在测试环境使用yum安装,遇到一个问题: Error: Cannot retrieve metalink for repository: epel. Pl
dcj3sjt126com
centos
今天在测试环境使用yum安装,遇到一个问题:
Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again
处理很简单,修改文件“/etc/yum.repos.d/epel.repo”, 将baseurl的注释取消, mirrorlist注释掉。即可。
&n
- 单例模式
shuizhaosi888
单例模式
单例模式 懒汉式
public class RunMain {
/**
* 私有构造
*/
private RunMain() {
}
/**
* 内部类,用于占位,只有
*/
private static class SingletonRunMain {
priv
- Spring Security(09)——Filter
234390216
Spring Security
Filter
目录
1.1 Filter顺序
1.2 添加Filter到FilterChain
1.3 DelegatingFilterProxy
1.4 FilterChainProxy
1.5
- 公司项目NODEJS实践0.1
逐行分析JS源代码
mongodbnginxubuntunodejs
一、前言
前端如何独立用nodeJs实现一个简单的注册、登录功能,是不是只用nodejs+sql就可以了?其实是可以实现,但离实际应用还有距离,那要怎么做才是实际可用的。
网上有很多nod
- java.lang.Math
liuhaibo_ljf
javaMathlang
System.out.println(Math.PI);
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1));
System.out.println(Math.abs(111111111));
System.out.println(Mat
- linux下时间同步
nonobaba
ntp
今天在linux下做hbase集群的时候,发现hmaster启动成功了,但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing,查看了日志,大致意思是说master和slave时间不同步,没办法,只好找一种手动同步一下,后来发现一共部署了10来台机器,手动同步偏差又比较大,所以还是从网上找现成的解决方
- ZooKeeper3.4.6的集群部署
roadrunners
zookeeper集群部署
ZooKeeper是Apache的一个开源项目,在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。
1、准备工作
我们准备3台机器做ZooKeeper集群,分别在3台机器上创建ZooKeeper需要的目录。
数据存储目录
- Java高效读取大文件
tomcat_oracle
java
读取文件行的标准方式是在内存中读取,Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法: Files.readLines(new File(path), Charsets.UTF_8); FileUtils.readLines(new File(path)); 这种方法带来的问题是文件的所有行都被存放在内存中,当文件足够大时很快就会导致
- 微信支付api返回的xml转换为Map的方法
xu3508620
xmlmap微信api
举例如下:
<xml>
<return_code><![CDATA[SUCCESS]]></return_code>
<return_msg><![CDATA[OK]]></return_msg>
<appid><