- 工业大模型市场图谱:53个工业大模型全面梳理
大模型常客
人工智能agiai大模型ai大模型大模型应用大模型就业
工业场景要求严谨、容错率低,核心业务场景对模型准确率的要求达到95%以上、对幻觉的容忍率为0,因此通用基础大模型的工业知识往往不足以满足工业场景的应用需求。根据沙丘智库发布的《2024年中国工业大模型应用跟踪报告》,工业大模型是指在通用基础大模型(例如文心一言、通义千问等)的基础上,结合行业&场景数据进行预训练和微调,并进行模型压缩(裁剪、蒸馏等)所形成的大模型,包括通用工业大模型、行业大模型以及
- 透过生活小故事,轻松理解大模型开发的五种核心方法
java
大家好,我是大圣,今天聊一下大模型开发的几种方法。大模型开发常用方法前言人工智能的世界听起来复杂神秘,但其实它与我们的日常生活有着许多相似之处。即使你对大模型开发一无所知,也能通过生活中的简单故事,理解其中的奥秘。本文将以贴近生活的五个场景,通俗易懂地讲解大模型开发中的五种核心方法:提示词工程和外部函数、Agent设计、RAG设计(检索增强生成)、微调以及预训练。让我们一同走进这些故事,揭开大模型
- 【大模型】从零样本到少样本学习:一文读懂 Zero-shot、One-shot 和 Few-shot 的核心原理与应用!
橙子小哥的代码世界
NLP自然语言理解大模型自然语言处理sklearn深度学习神经网络tensorflow
《从零样本到少样本学习:一文读懂Zero-shot、One-shot和Few-shot的核心原理与应用!》正文:在自然语言处理(NLP)领域,Zero-shot、One-shot和Few-shot学习已经成为衡量大语言模型泛化能力的重要指标。尤其是在大规模预训练模型(如GPT系列)的推动下,这些技术得到了广泛应用和关注。本篇文章将带你全面了解这三种学习方法的核心概念、原理和实际应用场景。1.什么是
- 什么是AI显卡,英伟达与AMD显卡的全面对比
wit_@
人工智能python算法deeplearning大数据网络
什么是AI显卡?AI显卡是专门为人工智能计算任务设计和优化的图形处理器(GPU)。相比传统显卡,AI显卡具备更强的计算能力、更高的并行处理效率以及针对深度学习、数据科学等领域的特殊硬件支持。在人工智能领域,尤其是深度学习中,训练和推理任务需要处理大量的矩阵运算,这正是GPU擅长的领域。AI显卡通过高度并行的架构,可以显著提升训练速度和模型性能,同时降低功耗和延迟。常见的AI显卡用途包括:深度学习模
- 从零开始的 AI Infra 学习之路
SSS不知-道
MLSys人工智能深度学习pytorch
从零开始的AIInfra学习之路文章目录从零开始的AIInfra学习之路一、概述二、AI算法应用2.1机器学习2.2深度学习2.3LLM三、AI开发体系3.1编程语言四、AI训练框架&推理引擎4.1PyTorch4.2llama.cpp4.3vLLM五、AI编译&计算架构5.1CUDA5.2CANN六、AI硬件&体系结构6.1INVIDIAGPU6.2AscendNPU一、概述AIInfra(AI
- 【YOLOV8】YOLOV8模型训练train及参数详解
小小小小祥
YOLO
介绍训练深度学习模型涉及为其提供数据并调整其参数,以便它能够做出准确的预测。UltralyticsYOLOv8的训练模式专为有效、高效地训练目标检测模型而设计,充分利用现代硬件的能力。本指南旨在涵盖使用YOLOv8强大功能集训练自定义模型所需的所有细节,帮助你快速入门。为什么选择UltralyticsYOLO进行训练?高效性:无论是单GPU设置还是跨多个GPU扩展,都能充分利用你的硬件。多功能性:
- 【YOLOV8】目标检测任务中应该如何选择YOLOV8n/s/m/l/x模型及输入尺寸大小
小小小小祥
YOLO目标检测人工智能
问题描述:YOLOV8作为目前主流的深度学习网络,支持图像分类、目标检测、实例分割、姿态检测、旋转目标检测等功能。对于目标检测任务官方提供了n/s/m/l/x五个模型,我们在使用YOLOV8模型进行自己任务训练时,应该如何选择YOLOV8的模型以及输入尺寸大小呢?YOLOV8官网:https://github.com/ultralytics/ultralyticsYOLOV8n/s/m/l/x信息
- 深入解读ChatGPT的工作原理及底层逻辑
NAR_鱼丸
ChatGPT程序人生
ChatGPT的工作原理和底层逻辑可以从多个方面进行解读,主要包括其基本原理、核心技术、训练过程以及应用能力。工作原理涉及了深度学习模型、自然语言处理技术和文本生成算法等多个方面。通过预训练和微调,模型能够理解语言的语法和语义,并能够根据上下文生成符合语境的文本回复。基本原理ChatGPT是一种基于自然语言处理(NLP)和深度学习技术的聊天机器人。其基本原理是使用大量文本数据来训练深度神经网络模型
- 厉害了,LSTM+Transformer王炸创新,精准度又高了!
马拉AI
LSTMtransformer
【LSTM+Transformer】作为一种混合深度学习模型,近年来在学术界和工业界都受到了极大的关注。它巧妙地融合了长短期记忆网络(LSTM)在处理时序数据方面的专长和Transformer在捕捉长距离依赖关系上的优势,从而在文本生成、机器翻译、时间序列预测等多个领域取得了突破性的进展。这种创新的结合不仅提升了模型的预测精度,还优化了性能和训练效率,使其在序列分析任务中展现出卓越的能力。例如,最
- 详解深度学习中的Dropout
nk妹妹
深度学习深度学习人工智能
Dropout是一种在神经网络训练中常用的正则化技术,其操作是在每次训练迭代中随机“丢弃”一部分神经元(即将其输出置为零)。以下是对这一操作的详细解释:一、基本思想Dropout的基本思想是减少神经元之间的复杂共适应关系,迫使网络在训练过程中不依赖于特定的神经元子集。这有助于增加模型的泛化能力,防止过拟合。二、具体实现随机选择:在每次训练迭代中,以一定的概率p(通常设定为0.2到0.5之间)随机选
- 深度强化学习(DRL)原理与代码实战案例讲解
AI大模型应用之禅
AI大模型与大数据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
1.背景介绍1.1人工智能的演进:从符号主义到连接主义人工智能(AI)的发展经历了漫长的历程,从早期的符号主义到如今的连接主义,标志着人工智能从基于规则的推理演变到基于数据的学习。符号主义AI试图通过逻辑和符号系统来模拟人类的思维过程,而连接主义AI则侧重于构建类似于人脑神经网络的结构,通过大量数据进行训练,从而实现智能。1.2强化学习:智能体与环境的互动强化学习(ReinforcementLea
- 数据增强方法及其工具
cxr828
大数据
数据增强(DataAugmentation)是指在训练深度学习模型时,通过对现有数据进行一系列变换,从而生成新的样本。数据增强有助于增加数据的多样性,减少过拟合,提升模型的泛化能力,尤其是在数据量有限的情况下。数据增强可以应用于图像、文本、音频等多种类型的数据。以下是一些常见的、简单易行的图像数据增强方法及其具体实现步骤,这些方法也可以广泛应用于目标检测、图像分类、图像分割等任务。一、图像数据增强
- 大模型训练显卡选择
kcarly
认识系列大模型知识乱炖人工智能
大模型训练显卡对比大模型训练时A100是首选,A40用于推理,目前还推出了H100为下一代替换A100的产品。大模型的训练用4090可以吗?大模型的训练用4090是不行的,但推理(inference/serving)用4090不仅可行,在性价比上还能比H100稍高。事实上,H100/A100和4090最大的区别就在通信和内存上,算力差距不大。H100A1004090TensorFP16算力989T
- 基于深度学习CNN网络 mini-xception网络实现 构建一个完整的人脸表情检测_识别分类系统,包括训练、评估、前端和服务端代码
计算机c9硕士算法工程师
卷积神经网络深度学习cnn分类
人脸表情检测该项目已训练好网络模型,配置好环境即可运行使用,效果见图像,实现图像识别、摄像头识别、摄像头识别/识别分类项目-说明文档-UI界面-cnn网络项目基本介绍:【网络】深度学习CNN网络mini-xception网络【环境】python>=3.5tensorflow2opencvpyqt5【文件】训练预测全部源代码、训练好的模型、fer2013数据集、程序算法讲解文档【类别】对7种表情检测
- 单层感知机----或门实现
翔翔子1号
文章目录一、前言---感知机二、实现过程1.引入库2.或门真值表-训练集数据3.建立model,初始化定义权重、偏置、学习率4.前向传播定义5.训练过程(更新权重和偏置)6.训练模型一、前言—感知机感知机(Perceptron)模型是由美国心理学家弗兰克罗森布拉特于1957年提出的一种具有单层计算单元的神经网络。这个模型旨在建立一个线性超平面来解决线性可分问题,就如我们现在的或门分类。二、实现过程
- 大模型-Qwen2.5 技术报告解读
数据分析能量站
机器学习人工智能
Abstract主要是在介绍通义千问2.5(Qwen2.5)这一大型语言模型系列,涵盖了它在不同训练阶段的改进、多样化配置、可获取途径以及在各项性能评测中的出色表现等多个方面,旨在展示其先进性与实用性。训练阶段改进预训练阶段说明了Qwen2.5在预训练时对数据集进行了大规模的扩充,将高质量预训练数据集的词元数量从之前的7万亿提升到了18万亿。词元可以理解为语言模型学习时的基本语言单位(比如单词、汉
- 技术征途的璀璨华章:青云交的砥砺奋进与感恩之心
青云交
#Java成长之路青云交技术发展技术交流人才培养原力榜作者周榜领军人物
亲爱的朋友们,热烈欢迎你们来到青云交的博客!能与你们在此邂逅,我满心欢喜,深感无比荣幸。在这个瞬息万变的时代,我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而我的博客,正是这样一个温暖美好的所在。在这里,你们不仅能够收获既富有趣味又极为实用的内容知识,还可以毫无拘束地畅所欲言,尽情分享自己独特的见解。我真诚地期待着你们的到来,愿我们能在这片小小的天地里共同成长,共同进步。本博客的精华专栏:大数
- 【深度学习】AMP(Automatic Mixed Precision,自动混合精度)
shanks66
深度学习人工智能
@[toc]AMP(AutomaticMixedPrecision,自动混合精度)AMP在深度学习中,AMP(AutomaticMixedPrecision,自动混合精度)是一种通过混合使用单精度(FP32)和半精度(FP16)来加速训练并减少显存占用的技术。它能够在不显著损失模型精度的情况下,大幅提升训练速度和效率。1.什么是混合精度训练?混合精度训练是指在训练过程中同时使用两种不同的浮点数精度
- 【安利一个超高性价比的GPU租赁平台 使用分享】
放飞自我的Coder
无差别树洞GPU租显卡大模型服务器蓝耘GPU
GPU算力服务器,使用经验分享,强烈推荐,还送你30元额度!可以白嫖!!为什么需要租服务器?当我使用自己的电脑跑模型时,每个Epoch大概要花费54分钟左右,总共有150个Epoch...,是不是很难搞。。。这时候要是有8个4090该多好......正在训练的例子一、租蓝耘GPU服务器1、租用服务器首先需要进入蓝耘官网,登录官网后,点击【容器云市场】,租用配置合适的服务器。很便宜,随用随租,计费精
- 深度学习-45-大型语言模型LLM之本地化部署运行自己的大模型
皮皮冰燃
深度学习深度学习人工智能
文章目录1深度学习1.1神经网络和深度学习1.2神经网络的工作原理1.3神经网络的专业术语2LLM概述2.1大模型的"大"是指什么?2.2训练大模型有多烧钱?2.3如何入门大模型?2.4LLM的结构2.4.1Transformer2.4.2Prompts2.4.3FineTuning3本地跑大模型3.1Ollama运行开源LLM3.1.1启动并运行3.1.2使用api访问3.1.3设置外网访问3.
- 从零开始构建一个大语言模型-第二章第一节
释迦呼呼
从零开始构建一个大语言模型语言模型人工智能自然语言处理
#第二章目录**2.1理解词嵌入**2.2文本分词2.3将词元转换为词元ID2.4添加特殊上下文词元2.5字节对编码2.6使用滑动窗口进行数据采样2.7创建词元嵌入2.8编码词位置#本章涵盖为大型语言模型训练准备文本。将文本拆分为单词和子词词元。字节对编码:一种更先进的文本分词方法。用滑动窗口法采样训练样本。将词元转换为输入大型语言模型的向量。到目前为止,我们已经介绍了大型语言模型(LLMs)的总
- 深度学习笔记——生成对抗网络GAN
好评笔记
深度学习笔记深度学习生成对抗网络人工智能神经网络aigcgan机器学习
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍早期生成式AI的代表性模型:生成对抗网络GAN。文章目录一、基本结构生成器判别器二、损失函数判别器生成器交替优化目标函数三、GAN的训练过程训练流程概述训练流程步骤1.初始化参数和超参数2.定义损失函数3.训练过程的迭代判别器训练步骤生成器训练步骤4.交替优化5.收敛判别GAN训练过程的挑战四、GAN的常见变体
- RPA 机器人到底有啥用?一文全知晓
RPAdaren
rpa机器人自动化ai
在当今数字化飞速发展的时代,RPA(机器人流程自动化)技术正逐渐崭露头角,成为各行业提升效率、优化流程的得力助手。那么,RPA机器人究竟有啥用呢?让我们一起来深入探究。一、RPA如何成为企业的智能助手(一)精准模仿人类操作,开启自动化之旅RPA机器人宛如一位训练有素的数字助手,其核心能力便是精准地模仿人类在计算机系统中的各种操作行为。它就像一个细心的观察者,能够记录下用户在诸如企业资源规划系统ER
- 代码随想录算法训练营总结
whpu_yb
算法
本人是一名普普通通的计算机专业的毕业生,在大学学数据结构和算法就感觉非常难,到毕业也没刷过几道题,所幸后来入职的公司也没有考察算法相关的内容。到现在已经工作两年多了,看到过许多聊面试聊算法的文章,也接触到一些对我来说很厉害的大佬,发现在面试尤其是大厂面试时对算法的考察还是很重要的,遂重新打开leetcode开始刷题,起初只是实在无聊的时候看下每日一题,这里用“看题”主要是因为完全不会做啊,毫不夸张
- 神经网络初始化 (init) 介绍
迷路爸爸180
神经网络人工智能深度学习初始化init
文章目录引言1.初始化的重要性1.1打破对称性1.2控制方差1.3加速收敛与提高泛化能力2.常见的初始化方法及其应用场景2.1Xavier/Glorot初始化2.2He初始化2.3正交初始化2.4其他初始化方法3.如何设置初始化4.基于BERT的文本分类如何进行初始化4.1项目背景4.2模型构建4.3模型训练与评估4.4结果分析结论参考资料引言在深度学习的世界中,构建一个高效且性能优异的神经网络模
- 3.ChatClient&Chat Model简化与AI模型的交互
laopeng301
SpringAI人工智能交互
1.ChatModel对话模型是一种利用人工智能技术,能够生成类似人类对话响应的工具。通过向预训练语言模型(如GPT等)发送提示词或部分对话内容,模型依据自身训练数据及对自然语言模式的理解,生成对话的延续或完整回复,并返回给应用程序。应用程序可以将其呈现给用户或用于进一步处理。SpringAIChatModelAPI设计目标为简单且可移植的接口,用于与各种人工智能模型进行交互,使开发人员能够在不同
- 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
- 【Python篇】深入机器学习核心:XGBoost 从入门到实战
半截诗
Pythonpython机器学习深度学习分类回归数据分析XGBoost
文章目录XGBoost完整学习指南:从零开始掌握梯度提升1.前言2.什么是XGBoost?2.1梯度提升简介3.安装XGBoost4.数据准备4.1加载数据4.2数据集划分5.XGBoost基础操作5.1转换为DMatrix格式5.2设置参数5.3模型训练5.4预测6.模型评估7.超参数调优7.1常用超参数7.2网格搜索8.XGBoost特征重要性分析9.高级功能扩展9.1模型解释与可解释性9.2
- 【YOLOv8杂草作物目标检测】
stsdddd
YOLO目标检测目标检测YOLO目标检测人工智能
YOLOv8杂草目标检测算法介绍模型和数据集下载算法介绍YOLOv8在禾本科杂草目标检测方面有显著的应用和效果。以下是一些关键信息的总结:农作物幼苗与杂草检测系统:基于YOLOv8深度学习框架,通过2822张图片训练了一个目标检测模型,用于检测田间的农作物幼苗与杂草对象。该系统支持图片、视频以及摄像头进行目标检测,并能保存检测结果。系统界面可实时显示目标位置、目标总数、置信度、用时等信息。YOLO
- NVIDIA Hopper解说
白总Server
redis数据库缓存rustmongodb大数据数据仓库
NVIDIAHopper架构是NVIDIA推出的面向高性能计算(HPC)和人工智能(AI)的最新一代GPU架构。它代表了NVIDIA在加速计算领域的最新进展,旨在为AI训练和推理、HPC应用提供前所未有的性能提升。NVIDIAHopper架构和基于该架构的GPU产品H100的详细信息:NVIDIAHopper架构技术特点:第四代TensorCore:Hopper架构引入了第四代TensorCore
- springmvc 下 freemarker页面枚举的遍历输出
杨白白
enumfreemarker
spring mvc freemarker 中遍历枚举
1枚举类型有一个本地方法叫values(),这个方法可以直接返回枚举数组。所以可以利用这个遍历。
enum
public enum BooleanEnum {
TRUE(Boolean.TRUE, "是"), FALSE(Boolean.FALSE, "否");
- 实习简要总结
byalias
工作
来白虹不知不觉中已经一个多月了,因为项目还在需求分析及项目架构阶段,自己在这段
时间都是在学习相关技术知识,现在对这段时间的工作及学习情况做一个总结:
(1)工作技能方面
大体分为两个阶段,Java Web 基础阶段和Java EE阶段
1)Java Web阶段
在这个阶段,自己主要着重学习了 JSP, Servlet, JDBC, MySQL,这些知识的核心点都过
了一遍,也
- Quartz——DateIntervalTrigger触发器
eksliang
quartz
转载请出自出处:http://eksliang.iteye.com/blog/2208559 一.概述
simpleTrigger 内部实现机制是通过计算间隔时间来计算下次的执行时间,这就导致他有不适合调度的定时任务。例如我们想每天的 1:00AM 执行任务,如果使用 SimpleTrigger,间隔时间就是一天。注意这里就会有一个问题,即当有 misfired 的任务并且恢复执行时,该执行时间
- Unix快捷键
18289753290
unixUnix;快捷键;
复制,删除,粘贴:
dd:删除光标所在的行 &nbs
- 获取Android设备屏幕的相关参数
酷的飞上天空
android
包含屏幕的分辨率 以及 屏幕宽度的最大dp 高度最大dp
TextView text = (TextView)findViewById(R.id.text);
DisplayMetrics dm = new DisplayMetrics();
text.append("getResources().ge
- 要做物联网?先保护好你的数据
蓝儿唯美
数据
根据Beecham Research的说法,那些在行业中希望利用物联网的关键领域需要提供更好的安全性。
在Beecham的物联网安全威胁图谱上,展示了那些可能产生内外部攻击并且需要通过快速发展的物联网行业加以解决的关键领域。
Beecham Research的技术主管Jon Howes说:“之所以我们目前还没有看到与物联网相关的严重安全事件,是因为目前还没有在大型客户和企业应用中进行部署,也就
- Java取模(求余)运算
随便小屋
java
整数之间的取模求余运算很好求,但几乎没有遇到过对负数进行取模求余,直接看下面代码:
/**
*
* @author Logic
*
*/
public class Test {
public static void main(String[] args) {
// TODO A
- SQL注入介绍
aijuans
sql注入
二、SQL注入范例
这里我们根据用户登录页面
<form action="" > 用户名:<input type="text" name="username"><br/> 密 码:<input type="password" name="passwor
- 优雅代码风格
aoyouzi
代码
总结了几点关于优雅代码风格的描述:
代码简单:不隐藏设计者的意图,抽象干净利落,控制语句直截了当。
接口清晰:类型接口表现力直白,字面表达含义,API 相互呼应以增强可测试性。
依赖项少:依赖关系越少越好,依赖少证明内聚程度高,低耦合利于自动测试,便于重构。
没有重复:重复代码意味着某些概念或想法没有在代码中良好的体现,及时重构消除重复。
战术分层:代码分层清晰,隔离明确,
- 布尔数组
百合不是茶
java布尔数组
androi中提到了布尔数组;
布尔数组默认的是false, 并且只会打印false或者是true
布尔数组的例子; 根据字符数组创建布尔数组
char[] c = {'p','u','b','l','i','c'};
//根据字符数组的长度创建布尔数组的个数
boolean[] b = new bool
- web.xml之welcome-file-list、error-page
bijian1013
javaweb.xmlservleterror-page
welcome-file-list
1.定义:
<welcome-file-list>
<welcome-file>login.jsp</welcome>
</welcome-file-list>
2.作用:用来指定WEB应用首页名称。
error-page1.定义:
<error-page&g
- richfaces 4 fileUpload组件删除上传的文件
sunjing
clearRichfaces 4fileupload
页面代码
<h:form id="fileForm"> <rich:
- 技术文章备忘
bit1129
技术文章
Zookeeper
http://wenku.baidu.com/view/bab171ffaef8941ea76e05b8.html
http://wenku.baidu.com/link?url=8thAIwFTnPh2KL2b0p1V7XSgmF9ZEFgw4V_MkIpA9j8BX2rDQMPgK5l3wcs9oBTxeekOnm5P3BK8c6K2DWynq9nfUCkRlTt9uV
- org.hibernate.hql.ast.QuerySyntaxException: unexpected token: on near line 1解决方案
白糖_
Hibernate
文章摘自:http://blog.csdn.net/yangwawa19870921/article/details/7553181
在编写HQL时,可能会出现这种代码:
select a.name,b.age from TableA a left join TableB b on a.id=b.id
如果这是HQL,那么这段代码就是错误的,因为HQL不支持
- sqlserver按照字段内容进行排序
bozch
按照内容排序
在做项目的时候,遇到了这样的一个需求:
从数据库中取出的数据集,首先要将某个数据或者多个数据按照地段内容放到前面显示,例如:从学生表中取出姓李的放到数据集的前面;
select * fro
- 编程珠玑-第一章-位图排序
bylijinnan
java编程珠玑
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.io.Writer;
import java.util.Random;
public class BitMapSearch {
- Java关于==和equals
chenbowen00
java
关于==和equals概念其实很简单,一个是比较内存地址是否相同,一个比较的是值内容是否相同。虽然理解上不难,但是有时存在一些理解误区,如下情况:
1、
String a = "aaa";
a=="aaa";
==> true
2、
new String("aaa")==new String("aaa
- [IT与资本]软件行业需对外界投资热情保持警惕
comsci
it
我还是那个看法,软件行业需要增强内生动力,尽量依靠自有资金和营业收入来进行经营,避免在资本市场上经受各种不同类型的风险,为企业自主研发核心技术和产品提供稳定,温和的外部环境...
如果我们在自己尚未掌握核心技术之前,企图依靠上市来筹集资金,然后使劲往某个领域砸钱,然
- oracle 数据块结构
daizj
oracle块数据块块结构行目录
oracle 数据块是数据库存储的最小单位,一般为操作系统块的N倍。其结构为:
块头--〉空行--〉数据,其实际为纵行结构。
块的标准大小由初始化参数DB_BLOCK_SIZE指定。具有标准大小的块称为标准块(Standard Block)。块的大小和标准块的大小不同的块叫非标准块(Nonstandard Block)。同一数据库中,Oracle9i及以上版本支持同一数据库中同时使用标
- github上一些觉得对自己工作有用的项目收集
dengkane
github
github上一些觉得对自己工作有用的项目收集
技能类
markdown语法中文说明
回到顶部
全文检索
elasticsearch
bigdesk elasticsearch管理插件
回到顶部
nosql
mapdb 支持亿级别map, list, 支持事务. 可考虑做为缓存使用
C
- 初二上学期难记单词二
dcj3sjt126com
englishword
dangerous 危险的
panda 熊猫
lion 狮子
elephant 象
monkey 猴子
tiger 老虎
deer 鹿
snake 蛇
rabbit 兔子
duck 鸭
horse 马
forest 森林
fall 跌倒;落下
climb 爬;攀登
finish 完成;结束
cinema 电影院;电影
seafood 海鲜;海产食品
bank 银行
- 8、mysql外键(FOREIGN KEY)的简单使用
dcj3sjt126com
mysql
一、基本概念
1、MySQL中“键”和“索引”的定义相同,所以外键和主键一样也是索引的一种。不同的是MySQL会自动为所有表的主键进行索引,但是外键字段必须由用户进行明确的索引。用于外键关系的字段必须在所有的参照表中进行明确地索引,InnoDB不能自动地创建索引。
2、外键可以是一对一的,一个表的记录只能与另一个表的一条记录连接,或者是一对多的,一个表的记录与另一个表的多条记录连接。
3、如
- java循环标签 Foreach
shuizhaosi888
标签java循环foreach
1. 简单的for循环
public static void main(String[] args) {
for (int i = 1, y = i + 10; i < 5 && y < 12; i++, y = i * 2) {
System.err.println("i=" + i + " y="
- Spring Security(05)——异常信息本地化
234390216
exceptionSpring Security异常信息本地化
异常信息本地化
Spring Security支持将展现给终端用户看的异常信息本地化,这些信息包括认证失败、访问被拒绝等。而对于展现给开发者看的异常信息和日志信息(如配置错误)则是不能够进行本地化的,它们是以英文硬编码在Spring Security的代码中的。在Spring-Security-core-x
- DUBBO架构服务端告警Failed to send message Response
javamingtingzhao
架构DUBBO
废话不多说,警告日志如下,不知道有哪位遇到过,此异常在服务端抛出(服务器启动第一次运行会有这个警告),后续运行没问题,找了好久真心不知道哪里错了。
WARN 2015-07-18 22:31:15,272 com.alibaba.dubbo.remoting.transport.dispatcher.ChannelEventRunnable.run(84)
- JS中Date对象中几个用法
leeqq
JavaScriptDate最后一天
近来工作中遇到这样的两个需求
1. 给个Date对象,找出该时间所在月的第一天和最后一天
2. 给个Date对象,找出该时间所在周的第一天和最后一天
需求1中的找月第一天很简单,我记得api中有setDate方法可以使用
使用setDate方法前,先看看getDate
var date = new Date();
console.log(date);
// Sat J
- MFC中使用ado技术操作数据库
你不认识的休道人
sqlmfc
1.在stdafx.h中导入ado动态链接库
#import"C:\Program Files\Common Files\System\ado\msado15.dll" no_namespace rename("EOF","end")2.在CTestApp文件的InitInstance()函数中domodal之前写::CoIniti
- Android Studio加速
rensanning
android studio
Android Studio慢、吃内存!启动时后会立即通过Gradle来sync & build工程。
(1)设置Android Studio
a) 禁用插件
File -> Settings... Plugins 去掉一些没有用的插件。
比如:Git Integration、GitHub、Google Cloud Testing、Google Cloud
- 各数据库的批量Update操作
tomcat_oracle
javaoraclesqlmysqlsqlite
MyBatis的update元素的用法与insert元素基本相同,因此本篇不打算重复了。本篇仅记录批量update操作的
sql语句,懂得SQL语句,那么MyBatis部分的操作就简单了。 注意:下列批量更新语句都是作为一个事务整体执行,要不全部成功,要不全部回滚。
MSSQL的SQL语句
WITH R AS(
SELECT 'John' as name, 18 as
- html禁止清除input文本输入缓存
xp9802
input
多数浏览器默认会缓存input的值,只有使用ctl+F5强制刷新的才可以清除缓存记录。如果不想让浏览器缓存input的值,有2种方法:
方法一: 在不想使用缓存的input中添加 autocomplete="off"; eg: <input type="text" autocomplete="off" name