- 吴恩达的翻译Agent项目,复现教程来了!
datawhale
原创郭才高DatawhaleDatawhale教程作者:郭才高,Datawhale创作者1.TranslationAgent复现效果展示#执行任务#调用编译后的工作流,传入初始状态字典result=app.invoke({ "source_lang": "English", #源语言为英语 "target_lang": "中文", #目标语言为中文 "source_text": ""
- 吴恩达机器学习笔记复盘(二)监督学习和无监督学习
wgc2k
机器学习机器学习笔记学习
监督学习经济价值以及定义监督学习是机器学习中创造了99%经济价值的类型,它是学习输入到输出映射的算法,关键在于给学习算法提供包含正确答案(即给定输入X的正确标签Y)的学习例子。生活中的例子邮件分类,输入是电子邮件,输出是判断邮件是否为垃圾邮件。语音识别,输入音频剪辑,输出文本记录。机器翻译,输入一种语言文本,输出其他语言的相应翻译。在线广告,输入广告和用户信息,预测用户是否点击广告,为公司带来大量
- 吴恩达出手,开源最新Python包,一个接口调用OpenAI等模型
Bryan Ding
python
用相同的代码方式调用OpenAI、Anthropic、Google等发布的大模型,还能实现便捷的模型切换和对比测试。刚刚,AI著名学者、斯坦福大学教授吴恩达最新开源项目实现了。吴恩达在推文中宣布了这一好消息开源新的Python包:aisuite!这个工具可以让开发者轻松使用来自多个提供商的大型语言模型。在谈到为何构建这个项目时,吴恩达表示构建应用时,发现与多个提供商集成非常麻烦。aisuite正是
- (Pytorch)动手学深度学习:基础内容(持续更新)
孔表表uuu
神经网络深度学习pytorch人工智能
深度学习前言环境安装(Windows)安装anaconda使用conda或miniconda创建环境下载所需的包下载代码并执行(课件代码)关于线性代数内积(数量积、点乘)外积关于数据操作X.sum(0,keepdim=True)和X.sum(1,keepdim=True)广播机制(broadcast)Softmax函数和交叉熵损失函数Softmax函数交叉熵损失函数感知机多层感知机前言之前看吴恩达
- 计算机视觉CV学习路线
我喝AD钙
我的学习笔记计算机视觉学习人工智能
计算机视觉CV学习路线1.基础准备(可参考mooc学习)2.计算机视觉基础知识(可参考mooc学习、计算机图形学)3.经典计算机视觉算法(可参考吴恩达机器学习课程、国内外计算机图形学课程)4.深度学习基础(参考吴恩达和TF、Keras官网手册)5.深度学习在计算机视觉中的应用(李飞飞课程、arxiv论文原文和解析博客,实战参考gitee/github)6.现代计算机视觉技术(arxiv论文原文和解
- 吴恩达-机器学习-多元线性回归模型代码
StrawBerryTreea
机器学习机器学习线性回归python吴恩达
吴恩达《机器学习》2022版第一节第二周多元线性回归房价预测简单实现以下以下共两个实验,都是通过调用sklearn函数,分别实现了一元线性回归和多元线性回归的房价预测。一、一元线性回归importnumpyasnpnp.set_printoptions(precision=2)fromsklearn.linear_modelimportLinearRegression#输入数据X_train=np
- 必知!10大机器学习算法
人工智能
必知!10大机器学习算法7分钟阅读2025年02月06日“机器学习是一门让计算机在没有明确编程的情况下采取行动的科学。”——吴恩达近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】1.K最近邻(KNN)KNN是一种简单却强大的分类算法,它依据数据点之间的邻近程度来判断类别归属。具体做法是,
- AI大模型探秘:核心能力与应用场景深度解析
程序员辣条
人工智能javaAI大模型大模型spring
AI大模型是什么通过概念考察的方式,拆开来了解AI大模型。AI:包含很多术语,如:模式识别、自然语言处理、神经网络、机器学习、深度学习、强化学习、人类反馈强化学习等。类比:AI是电力–吴恩达。就像电力技术,是一种通用技术,对很多设备起作用,同样的AI可以赋能各种场景。大模型:把LM比作人的大脑。大参数大规模。参数就是脑细胞,脑细胞越多通常这个人越聪明,参数越多的LM通常越智能。分类语言大模型:Ch
- 斯坦福吴恩达-深度学习和机器学习全套视频+课件!
Alexquyun
人工智能机器学习深度学习python
这些课程专为已有一定基础(基本的编程知识,熟悉Python、对机器学习有基本了解),想要尝试进入人工智能领域的计算机专业人士准备。介绍显示:“深度学习是科技业最热门的技能之一,本课程将帮你掌握深度学习。”学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。DeepLearningSpecialization对卷积神经网络(CNN
- 吴恩达Prompt Engineering(2/9): Guidelines for Prompting
就叫你天选之人啦
LLM学习prompt深度学习人工智能学习笔记linux
目录PrincipalsofPromptingPrinciple1Tactic1:Tactic2:AskforstructuredoutputTactic3:Checkwhetherconditionsaresatisfied/CheckassumptionsrequiredtodothetaskTactic4:Few-Shotprompting,Givesuccessfulexamplesofc
- 吴恩达《提示词工程》(Prompt Engineering for Developers)课程详细笔记
拾工
人工智能prompt笔记人工智能
课程简介目标:帮助开发者理解如何有效地使用大语言模型(LLMs),提升通过提示词解决问题的能力。适用对象:开发者、AI从业者、产品经理等,希望通过提示词优化生成模型性能的人。第1章:提示词工程基础1.什么是提示词工程提示词工程是一种优化与大语言模型(如GPT)交互的技术,旨在通过设计有效的提示词(prompts)引导模型生成所需的输出。主要思想:用正确的方式提问以得到最佳答案。2.提示词的组成指令
- 吴恩达深度学习笔记(七)——机器学习策略
子非鱼icon
深度学习自学笔记深度学习机器学习人工智能神经网络吴恩达
一、正交化通俗的理解就是:要能够诊断出系统性能瓶颈在哪里,以有策略刚好解决这个问题。一个“按钮”只负责解决一件事情。二、单一数字评估指标准确率(precision):在分类器中标记为猫的例子中,有多少是真的猫召回率(recall):对于所有的真猫图片,你的分类器正确识别了多少。但如果有两个评估指标,就很难去选择一个更好的分类器,如下图所示。所以有一个结合这两个指标的标准方法,也即F1分数,定义如下
- Yearning开源MySQL SQL审核平台
boonya
#开源观察#安全与运维开源mysql数据库
一款MYSQLSQL语句/查询审计工具,为DBA与开发人员使用.本地部署,注重隐私,简单高效的MYSQL审计平台。它可以通过流程审批,实现真实线上环境sql的审核和执行,还可以回滚执行,能够确保线上SQL更新的可靠性。资源获取官网:YearningSQL审核平台Gitee:Yearning:YearningMysqlSQL审核平台Github:https://github.com/cookieY/
- 吴恩达系列——微调(Fine-tuning)与生成模型的应用
疯狂小料
aiprompt
微调(Fine-tuning)是指在已有预训练模型的基础上,对模型进行进一步训练,以适应特定任务或需求。在自然语言处理领域,生成模型通过微调可以在特定场景下生成更加准确、一致的输出,同时保护用户的隐私,减少不当信息的泄露。本文将结合生成模型的工作原理和实际应用,解释微调如何提升生成模型的效果,并探讨其在保护隐私方面的优势。1.生成模型与Prompt的作用生成模型,如GPT系列,通常通过接受一个输入
- AI代码生成器赋能软件原型快速构建:吴恩达的最佳实践指南
前端
快速构建软件原型对于验证想法、迭代产品至关重要。而随着人工智能技术的飞速发展,AI代码生成器等AI辅助编程工具的出现,为开发者提供了前所未有的效率提升。本文将结合吴恩达教授的观点,探讨如何利用AI工具,高效构建软件原型。吴恩达教授强调选择合适的技术栈并有效利用AI工具是关键,这将帮助开发者在短时间内完成原型开发,快速验证其想法。选择并精通“有主见”的技术栈:效率为王吴恩达教授推荐的技术栈——Pyt
- 吴恩达深度学习笔记(30)-正则化的解释
极客Array
正则化(Regularization)深度学习可能存在过拟合问题——高方差,有两个解决方法,一个是正则化,另一个是准备更多的数据,这是非常可靠的方法,但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高,但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据,即存在高方差问题,那么最先想到的方法可能是正则化,另一个解决高方差的方法就是准备更多数据,这也是非常
- 七.正则化
愿风去了
吴恩达机器学习之正则化(Regularization)http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net/b876144622/article/details/81276818虽然在线性回归中加入基函数会使模型更加灵活,但是很容易引起数据的过拟合。例如将数据投影到30维的基函数上,模
- 人工智能中的哲学
Dijkstra's Monk-ey
深度学习人工智能哲学笔记AIGC业界资讯需求分析程序人生
今天聊一个比较轻松的话题:人工智能中的哲学。人工智能会不会问:我是谁,我从哪里来,我要到哪里去?以下是《人工智能哲学》这本书的读书札记。〇、前言人工智能威胁论支持者:埃隆·马斯克、史蒂芬·霍金、比尔·盖茨反对者:马克·扎克伯格、吴恩达、佩德罗·多明戈斯人工智能是什么?应不应该发展人工智能?未来机器人和自动化会不会完全取代人类劳动力?人类的本质是不是一种机器?未来会不会制造出有意识的计算机?未来人类
- 吴恩达深度学习笔记(24)-为什么要使用深度神经网络?
极客Array
为什么使用深层表示?(Whydeeprepresentations?)我们都知道深度神经网络能解决好多问题,其实并不需要很大的神经网络,但是得有深度,得有比较多的隐藏层,这是为什么呢?我们一起来看几个例子来帮助理解,为什么深度神经网络会很好用。首先,深度网络在计算什么?如果你在建一个人脸识别或是人脸检测系统,深度神经网络所做的事就是,当你输入一张脸部的照片,然后你可以把深度神经网络的第一层,当成一
- python里的i_Python 中[::] 与 [:,:,i] 总结
桌游顽主的航仔
python里的i
最近在学吴恩达的DeepLearning中的第五门课SequenceModel,第一个lab是用Numpy搭建RNN,在搭建RNN的时候用到了Numpy的Slicing([:,:,i]),在这里想总结下[:,:,i]与[::i]的用法,有写的不对的地方请随时指教。总的来说,[::i]是Python中的基础索引,而[:,:,i]是Numpy中对于多维度Array的提取,在StackOverflow中
- 全网爆火的第一本程序员的Agent入门书籍——《大模型应用开发 动手做AI Agent》
AI大模型-搬运工
人工智能大模型程序员AIAgentAI大模型LLMpromp
AIAgent火爆到什么程度?OpenAI创始人奥特曼预测,未来各行各业,每一个人都可以拥有一个AIAgent;比尔·盖茨在2023年层预言:AIAgent将彻底改变人机交互方式,并颠覆整个软件行业;吴恩达教授在AIAscent2024演讲中高赞:AIAgent是一个令人兴奋的趋势,所有从事AI开发的人都应该关注。Agent是未来最重要的智能化工具。对于程序员来说,是时候将目光转向大模型的应用开发
- 一点机器学习的体会
zfq212
我关心的主要是机器学习有什么用,对未来哪些行业,领域,应用会产生变革级别的影响。为了了解这些,我感觉我首先要了解现在机器学习的主要方向,他们的主要应用,相关的主要工程工具。机器学习跟线性代数和统计联系比较多,所以在做了解时,很容易一不小心就会陷入理论的坑中,不易自拔。传统的机器学习有一套较完整的理论和算法,去scikitlearning网站可以有个大致的了解,或者听下吴恩达老师那门基础ML课程(网
- 【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用
—Xi—
深度学习深度学习机器学习人工智能python神经网络
Ng的深度学习,其实前几个月就听完了,课后作业也是大懂不懂的都做了一遍,代码也跟着各种各样的参考敲了一遍,但暑假几个月没怎么学习。。。基本也忘得差不多了,这几周回顾了一下深度学习这门课的笔记,看了别的博主的总结,对CNN,RNN,LSTM,注意力机制等网络结构进行了复盘,虽然感觉自己很心浮气躁,一边也在学集成学习那几个算法和推荐系统相关,这里也告诉自己:贪多嚼不烂,心急吃不了热豆腐,慢慢来,还是要
- 深度学习应该如何入门?
wypdao
人工智能深度学习人工智能
深度学习是一门令人着迷的领域,但初学者可能会感到有些困惑。让我们从头开始,用通俗易懂的语言来探讨深度学习的基础知识。1.基础知识深度学习需要一些数学和编程基础。首先,我们要掌握一些数学知识,如线性代数、微积分和概率统计。这些知识在深度学习算法中非常常见。另外,选择一门编程语言作为工具,如Python,掌握其基本语法和常用库的使用。2.学习机器学习吴恩达的机器学习课程是一个很好的入门教程。虽然有些地
- 吴恩达机器学习全课程笔记第一篇
亿维数组
MachineLearning机器学习笔记人工智能
目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本(代价)函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始,争取能够在开学之前(2.25)把b站上的【吴恩达机器学习】教程过一遍,并把笔记记录于此,本笔记将会把此课程每一p的重点内容及其截屏记录于此,以供大家参考和本人日后复
- 吴恩达机器学习全课程笔记第二篇
亿维数组
MachineLearning机器学习笔记人工智能学习
目录前言P31-P33logistics(逻辑)回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇,第一篇笔记请见:吴恩达机器学习全课程笔记第一篇完整的课程链接如下:吴恩达机器学习教程(bilibili)推荐网站:scikit-learn中文社区吴恩达机器学习学习资料(gith
- 卷积神经网络吴恩达coursera
stoAir
吴恩达深度学习笔记cnn人工智能神经网络
ConvolutionalNNFoundationsofCNNmatrixsconvolutionEdgedetectionVertical/horizontialconv-forward(tf.nn.cov2d)matrix(6×6)∗filter(3×3)=matrix(4×4)matrix(6\times6)*filter(3\times3)=matrix(4\times4)matrix(6
- 上 GitHub 热榜,星星暴涨,这个项目相继超越了 Archery, Flyway 和 Yearning
「登上GitHubTrending星星超越Yearning键盘的敲击不停传播开发的福音」⚡️Bytebase是一款面向开发和DBA的一站式数据库CI/CD工具。它的所有代码都开源在GitHub上。GitHub也是我们触达全球用户的核心阵地。虽然GitHubStar数一直是一个饱受争议的指标,以致于被定性成了虚荣指标(VanityMetric)。但它依然是当前开源世界里最流行的指标。由此还衍生出了一
- 【吴恩达·机器学习】第二章:多变量线性回归模型(选择学习率、特征缩放、特征工程、多项式回归)
Yaoyao2024
机器学习线性回归人工智能
博主简介:努力学习的22级计算机科学与技术本科生一枚博主主页:@Yaoyao2024每日一言:勇敢的人,不是不落泪的人,而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写,主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合,从而加深自己对知识的理解,也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
- 吴恩达深度学习-L1 神经网络和深度学习总结
向来痴_
深度学习人工智能
作业地址:吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记:吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖(附18个代码实战项目)-知乎(zhihu.com)此处只记录需要注意的点,若想看原笔记请移步。1.1深度学习入门我们只需要管理神经网络的输入和输出,而不用指定中间的特征,也不用理解它们究竟有没有实际意义。1.2简单的神经网络——逻
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR