Songger
Songger

20190703进展

  1. 基于预设中心点的聚类（title数据）
cluster 数量 表名 收敛epoch 收敛时间 备注
10 2 458 02:08:08 预设中心点，结果向少数几个类靠拢，预设中心点的指向型并不好
10 2 458 02:08:08 没有预设中心点，结果向少数几个类靠拢，可能是程序的问题
  1. query cluser命令

pai -name pytorch -project algo_public_dev -Dpython=3.6 -Dscript="file:///apsarapangu/disk1/hengsong.lhs/origin_deep_cluster_odps_6.tar.gz" -DentryFile="getClusterCenterofQuery.py" -Dtables="odps://graph_embedding/tables/hs_jingyan_query_related_top_query_1" -Doutputs="odps://graph_embedding/tables/hs_jingyan_query_cluster_result_1" -Dbucket="oss://bucket-automl/" -Darn="acs:ram::1293303983251548:role/graph2018" -Dhost="cn-hangzhou.oss-internal.aliyun-inc.com" -DuserDefinedParameters="--dataset mine_dataset" -DworkerCount=10;

pai -name pytorch -project algo_public_dev -Dpython=3.6 -Dscript="file:///apsarapangu/disk1/hengsong.lhs/origin_deep_cluster_odps_5.tar.gz" -DentryFile="clusterUsingPrecenter.py" -Dtables="odps://graph_embedding/tables/hs_jingyan_query_related_video_pool_2_2" -Dbucket="oss://bucket-automl/" -Darn="acs:ram::1293303983251548:role/graph2018" -Dhost="cn-hangzhou.oss-internal.aliyun-inc.com" -DuserDefinedParameters="--dataset mine_dataset" -DworkerCount=10;

pai -name pytorch -project algo_public_dev -Dpython=3.6 -Dscript="file:///apsarapangu/disk1/hengsong.lhs/origin_deep_cluster_odps_5.tar.gz" -DentryFile="clusterUsingPrecenter.py" -Dtables="odps://graph_embedding/tables/hs_jingyan_query_related_video_pool_2_3" -Doutputs="odps://graph_embedding/tables/hs_jingyan_query_cluster_result_title_1" -Dbucket="oss://bucket-automl/" -Darn="acs:ram::1293303983251548:role/graph2018" -Dhost="cn-hangzhou.oss-internal.aliyun-inc.com" -DuserDefinedParameters="--dataset mine_dataset" -DworkerCount=10;

  1. 还是存在query聚类不收敛的问题

pai -name pytorch -project algo_public_dev -Dpython=3.6 -Dscript="file:///apsarapangu/disk1/hengsong.lhs/origin_deep_cluster_odps_6.tar.gz" -DentryFile="getClusterCenterofQuery.py" -Dtables="odps://graph_embedding_intern/tables/zj_gul_videos_embedding_infos_" -Dbucket="oss://bucket-automl/" -Darn="acs:ram::1293303983251548:role/graph2018" -Dhost="cn-hangzhou.oss-internal.aliyun-inc.com" -DuserDefinedParameters="--dataset mine_dataset" -DworkerCount=10;

  1. 阈值确定方式：使用hard的阈值作为初始阈值，在其基础上进行优化

  2. video_emb 测试

20190703095509454gpys0yyi2

http://logview.odps.aliyun-inc.com:8080/logview/?h=http://service-corp.odps.aliyun-inc.com/api&p=graph_embedding&i=20190703095514748g61kw8y_24c3488a_91cb_47ca_8ad0_5c86b72c422e&token=TTV2b0FJeTJxUks1RHMyNmRFeGlad0E4RXU4PSxPRFBTX09CTzoxMjkzMzAzOTgzMjUxNTQ4LDE1NjI3NTI1MjAseyJTdGF0ZW1lbnQiOlt7IkFjdGlvbiI6WyJvZHBzOlJlYWQiXSwiRWZmZWN0IjoiQWxsb3ciLCJSZXNvdXJjZSI6WyJhY3M6b2RwczoqOnByb2plY3RzL2dyYXBoX2VtYmVkZGluZy9pbnN0YW5jZXMvMjAxOTA3MDMwOTU1MTQ3NDhnNjFrdzh5XzI0YzM0ODhhXzkxY2JfNDdjYV84YWQwXzVjODZiNzJjNDIyZSJdfV0sIlZlcnNpb24iOiIxIn0=

  1. title_2 测试 without precenter

20190703100237695gnucrzvj2

http://logview.odps.aliyun-inc.com:8080/logview/?h=http://service-corp.odps.aliyun-inc.com/api&p=graph_embedding&i=2019070310030268gammw8y_f7d2a672_0d87_425a_bcbb_bc145bfcef58&token=TGdkcDgyZGg3M2pJMXhBZHQ0bHJYN0VmVTZBPSxPRFBTX09CTzoxMjkzMzAzOTgzMjUxNTQ4LDE1NjI3NTI5ODMseyJTdGF0ZW1lbnQiOlt7IkFjdGlvbiI6WyJvZHBzOlJlYWQiXSwiRWZmZWN0IjoiQWxsb3ciLCJSZXNvdXJjZSI6WyJhY3M6b2RwczoqOnByb2plY3RzL2dyYXBoX2VtYmVkZGluZy9pbnN0YW5jZXMvMjAxOTA3MDMxMDAzMDI2OGdhbW13OHlfZjdkMmE2NzJfMGQ4N180MjVhX2JjYmJfYmMxNDViZmNlZjU4Il19XSwiVmVyc2lvbiI6IjEifQ==

  1. title_2 测试 with precenter

20190703095801980grh5nu69

http://logview.odps.aliyun-inc.com:8080/logview/?h=http://service-corp.odps.aliyun-inc.com/api&p=graph_embedding&i=20190703100046977g23mw8y_977a3163_416d_4a42_b837_c093abc7a717&token=dUl2OFFWT3VFNWMwbEpCTjlxMisybHpaNGZBPSxPRFBTX09CTzoxMjkzMzAzOTgzMjUxNTQ4LDE1NjI3NTI4NTIseyJTdGF0ZW1lbnQiOlt7IkFjdGlvbiI6WyJvZHBzOlJlYWQiXSwiRWZmZWN0IjoiQWxsb3ciLCJSZXNvdXJjZSI6WyJhY3M6b2RwczoqOnByb2plY3RzL2dyYXBoX2VtYmVkZGluZy9pbnN0YW5jZXMvMjAxOTA3MDMxMDAwNDY5NzdnMjNtdzh5Xzk3N2EzMTYzXzQxNmRfNGE0Ml9iODM3X2MwOTNhYmM3YTcxNyJdfV0sIlZlcnNpb24iOiIxIn0=

你可能感兴趣的:(20190703进展)

  • 高通量多因子检测赋能胰腺癌生物标志物发现与临床转化 LabEx Luminex液相芯片胰腺癌多因子检测斑蝥素乐备实labex科研服务
    研究背景：胰腺癌作为恶性程度极高的消化系统肿瘤，其死亡率与发病率近乎持平的临床特征始终是医学领域的重大挑战。与多数癌症生存率稳步提升的趋势不同，胰腺癌的诊疗进展长期滞后——超过50%的患者确诊时已处于疾病晚期，对传统放化疗方案呈现显著耐药性。据美国2017年流行病学数据显示，胰腺癌患者5年相对生存率仅8%，尽管男性患者生存率呈现年均0.3%的微弱提升，但整体预后仍处于恶性肿瘤谱系的最底端，临床对创
  • 2025 年 6 月底大模型产品进展与现状 AIGC前沿技术探索 大模型技术与产品前沿探索大模型
    上半年，各大厂商完成了从“秀肌肉”（展示模型能力）到“上货架”（推出可用产品和平台）的关键转变。市场的讨论焦点也从“哪个模型更强”转向了“哪个产品更好用，哪个生态更完善”。以下是最新的全局态势：1.三大闭源巨头的“产品全家桶”之争竞争已经不再是单一模型的对决，而是平台级、生态级的对抗。OpenAI、Google和Anthropic的产品线都已成型，并展现出清晰的战略分野。公司(Company)核心
  • Program received signal SIGSEGV问题解决 DDDDDouble 指针
    关于ProgramreceivedsignalSIGSEGV问题解决前几天在写数据结构实验的时候遇到一个地方卡壳，导致几天没进展，心情弄的很烦躁项目场景：相关背景：在进行数据结构实验过程中，是采用菜单的形式进行链表的操作部分代码如下#include#includeusingnamespacestd;//菜单voidMenu_show(){coutnext=NULL;returnhead;}//链表
  • 面向大语言模型幻觉的关键数据集：系统性综述与分类法 致Great 语言模型人工智能自然语言处理
    面向大语言模型幻觉的关键数据集：系统性综述与分类法摘要大语言模型（LargeLanguageModels,LLMs）在自然语言处理的多个领域取得了革命性进展，但其固有的“幻觉”问题——即生成看似合理但与事实不符或与上下文无关的内容——严重制约了其在关键应用中的可靠性与安全性。为了系统性地评估、理解并缓解LLM的幻觉现象，学术界和工业界开发了大量多样化的数据集与基准。本文对大模型幻觉领域的关键数据集
  • 无铅压电陶瓷研究进展：技术突破与产业升级路径 莱歌数字 数字化转型#职场经验#结构热设计科技热设计CAE散热能源
    作者简介：科技自媒体优质创作者个人主页：莱歌数字-CSDN博客公众号：莱歌数字个人微信：yanshanYH211、985硕士，职场15年+从事结构设计、热设计、售前、产品设计、项目管理等工作，涉足消费电子、新能源、医疗设备、制药信息化、核工业等领域涵盖新能源车载与非车载系统、医疗设备软硬件、智能工厂等业务，带领团队进行多个0-1的产品开发，并推广到多个企业客户现场落地实施。专题课程Flotherm
  • 自然语言处理(NLP)中的文本生成控制技术 AI天才研究院 AI大模型企业级应用开发实战AgenticAI实战AI人工智能与大数据自然语言处理easyui人工智能ai
    自然语言处理(NLP)中的文本生成控制技术关键词：文本生成、可控生成、语言模型、Prompt工程、解码策略、条件控制、评估指标摘要：本文深入探讨自然语言处理中文本生成控制技术的最新进展。我们将从基础概念出发，系统分析各种控制方法的原理和实现，包括Prompt设计、解码策略优化、条件控制机制等核心内容。文章将结合数学模型、算法实现和实际案例，全面展示如何实现高质量、可控的文本生成，并探讨该领域面临的
  • CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比 Matlab科研辅导帮 cnngru人工智能
    ✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。个人主页：Matlab科研工作室个人信条：格物致知，求助可私信。内容介绍多变量时序预测在诸多领域扮演着至关重要的角色，例如金融、气象和工业控制等。近年来，深度学习方法在时序预测任务中取得了显著的进展。本文旨在系统地比较四种基于卷积神经网络（CNN）和循环神经网络（GRU）的不同架构，包
  • 浅谈卷积神经网络(CNN) cyc&阿灿 cnn人工智能神经网络
    卷积神经网络(ConvolutionalNeuralNetworks,CNN)作为深度学习领域最具影响力的架构之一，已在计算机视觉、自然语言处理、医学影像分析等领域取得了革命性突破。本文将系统全面地剖析CNN的核心原理、关键组件、经典模型、数学基础、训练技巧以及最新进展，通过理论解析与代码实践相结合的方式，帮助读者深入掌握这一重要技术。一、CNN基础与核心思想1.1传统神经网络的局限性在处理图像等
  • 临床试验评价指标解析 qq_34062333 临床试验统计学
    一、主要疗效终点1.1生存类终点1.1.1总生存期(OS)定义：随机至全因死亡的时间统计方法：Kaplan-Meier,Cox模型优势/局限：金标准，无测量偏倚；但需大样本长随访1.1.2无进展生存期(PFS)定义：随机至疾病进展/死亡的时间统计方法：同上优势/局限：敏感、不受后续治疗影响；但评估易受主观性干扰1.1.3客观缓解率(ORR)定义：肿瘤缩小≥30%的患者比例(RECIST标准)统计方
  • 整合性安全总结（ISS）早期规划 qq_34062333 临床试验NDA
    1.ISS统一性建设工作启动1.1研究元数据标准化1.1.1不同类型研究元数据规范DBL研究锁定数据库后，需梳理元数据，确保信息完整准确，为后续分析奠定基础。OL研究进行中，实时更新元数据，反映研究进展，避免数据偏差影响结果。新启动研究，依据统一模板构建元数据，减少初期工作量，提高研究效率。1.1.2cADaM规范建立结合各类研究特点，制定跨研究核心分析数据集规范，提升数据整合性。规范涵盖数据结构
  • 工业控制系统安全综述 罗思付之技术屋 物联网及AI前沿技术专栏安全网络web安全
    摘要工业控制系统除了应用于生产制造行业外，还广泛应用于交通、水利和电力等关键基础设施.随着工业数字化、网络化、智能化的推进，许多新技术应用于工业控制系统，提高了工业控制系统的智能化水平，但其也给工业控制系统的安全带来严峻的挑战.因此，工业控制系统的安全倍受研究人员的关注.为了让研究人员系统化地了解目前的研究进展，调研了近3年WebofScience核心数据库、EI数据库和CCF推荐网络与信息安全国
  • 阿里云魔搭社区AIGC专区：中国AI创作的革命性平台 Liudef06小白 阿里云AIGC人工智能
    在生成式人工智能重塑全球数字创作版图的浪潮中，中国首个一站式AIGC开发平台——阿里云魔搭社区AIGC专区于2024年9月杭州云栖大会正式亮相。这一突破性进展不仅填补了国内全流程AI创作工具的空白，更以157款多模态开源模型和全免费GPU算力的开放姿态，为超过690万开发者提供了从模型调用到应用落地的完整生态支持。一、魔搭社区：中国AI模型生态的奠基者魔搭社区（ModelScope）作为阿里云在2
  • CCF推荐会议 计算机体系结构/并行与分布计算/存储系统领域3月份截稿资讯 汇总! 会议之眼 人工智能深度学习阿里云云计算计算机网络
    会议之眼快讯会议之眼精心汇总了以下CCF推荐会议之计算机十大领域之一：计算机体系结构/并行与分布计算/存储系统领域，2024年度3月份会议截稿资讯！为你第一时间进行播报！让广大科研学者及时了解最新的学术进展，助力学者们在专业领域保持竞争优势！会议简称：ISLPED会议全称：InternationalSymposiumonLowPowerElectronicsandDesignFullPaperDe
  • 用Python实现生信分析——功能预测详解 写代码的M教授 生信分析python开发语言
    功能预测是生物信息学中的一项重要任务，通过分析基因或蛋白质序列的特征，推测它们的生物学功能。功能预测通常涉及多种方法，包括序列比对、基序识别、机器学习模型等。这些方法可以帮助科学家推断未知基因的功能，从而加速生物学研究的进展。1.功能预测的主要方法（1）同源性比对：通过将未知基因或蛋白质序列与数据库中的已知序列进行比对，识别出同源序列，并推测它们的功能。常用工具包括BLAST、HMMER等。（2）
  • 深度学习应用于情感识别：利用YOLOv8进行AffectNet情感分类 YOLO实战营 深度学习YOLO分类人工智能目标检测目标跟踪数据挖掘
    引言情感识别（EmotionRecognition）是计算机视觉和自然语言处理中的一个重要研究方向，广泛应用于人机交互、智能客服、心理健康监测、视频分析等领域。随着深度学习技术的发展，情感识别取得了显著进展，特别是在面部表情识别方面。面部表情作为人类情感的自然表现之一，能在很大程度上反映个体的情感状态。AffectNet数据集是一个广泛使用的情感识别数据集，它包含了大量带有标注情感标签的面部表情图
  • 深度学习在人脸识别中的应用及Python实现 loop_syntax648 机器学习-深度学习
    人脸识别是一种通过计算机技术识别和验证人脸的方法，近年来深度学习在人脸识别领域取得了显著的进展。深度学习模型能够学习和提取人脸图像中的高级特征，从而实现准确的人脸识别。本文将介绍深度学习在人脸识别中的应用，并提供Python实现的源代码。深度学习模型通常基于卷积神经网络（ConvolutionalNeuralNetwork，CNN）进行人脸识别。CNN是一种专门用于处理图像和视觉数据的神经网络模型
  • 室内定位论文集-20241011期 程序员石磊 室内定位论文集基于深度学习的室内定位室内定位
    QLOC：基于量子指纹的大规模定位实用算法研究问题当前的定位技术在处理涉及大量设备的大型部署时往往存在不准确和低效的问题。方法该研究引入了一种新颖的量子指纹基算法，称为QLOC，旨在为广泛的室内环境提供精确的定位服务，并尽量减少计算需求。创新点设计了一种高效的量子算法，在设备数量增加的情况下能很好地扩展。通过严格测试与真实世界场景和基准对比验证了所提方案的有效性。结论QLOC代表了一个重要的进展，
  • Computex 2025英伟达揭幕GB300系统，高通/微美全息构筑AI算力生态攻坚战 爱看科技 人工智能
    5月19日消息，英伟达创始人兼CEO黄仁勋，出席台北国际电脑展（Computex2025）开幕式并发表首场主题演讲，分享AI与加速运算技术的最新突破和进展。本届COMPUTEX2025以“AINext”为主轴，聚焦“智慧运算＆机器人”“次世代科技”以及“未来移动”三大主题。展会邀请了近1400家厂商、使用了约4800个摊位，展示面积高达8万平方公尺。会上，黄仁勋展示了英伟达一系列新产品，并发布全新
  • 【AI论文】Sekai：面向世界探索的视频数据集 东临碣石82 人工智能
    摘要：视频生成技术已经取得了显著进展，有望成为交互式世界探索的基础。然而，现有的视频生成数据集并不适合用于世界探索训练，因为它们存在一些局限性：地理位置有限、视频时长短、场景静态，以及缺乏关于探索和世界的注释信息。在本文中，我们介绍了Sekai（日语中意为“世界”），这是一个高质量的、第一人称视角的全球视频数据集，含有丰富的世界探索注释信息。该数据集包含来自全球100多个国家和地区、750多个城市
  • AI生成内容泛滥时代：从“袋鼠登机“视频看AI鉴伪与游戏智能的未来 小艺E ai
    近年来，AI生成内容的质量突飞猛进，从文本到图像再到视频，几乎达到了以假乱真的程度。近期一段"人类在飞机上吵架看呆袋鼠"的视频在社交网络疯传，获得数千万次观看后，才被证实是AI生成内容，这一事件再次引发了人们对AI内容真实性的担忧。与此同时，AI在游戏领域的应用也取得了突破性进展，o3-pro大模型在经典游戏测试中表现优异，而游戏行业先驱JohnCarmack却对大型语言模型(LLM)在游戏中的应
  • OceanBase公布AI新进展：OB Cloud服务数十家头部企业AI应用落地 CSDN资讯 人工智能数据库OceanBase智能体
    6月24日，独立数据库厂商OceanBase宣布，其云数据库OBCloud已实现AI能力的开发部署及生态集成，并已服务零售、金融、物流等行业的数十家头部企业，推动AI应用从概念走向实际落地。OceanBase正在全面拥抱AI时代，CTO杨传辉此前曾指出，致力于构建DataxAI能力，面向AI时代推动一体化数据库向一体化数据底座的战略演进。此次OBCloud对AI能力的部署集成与行业应用，被视为Oc
  • 大模型强化微调GRPO——DeepSeekMath: Pushing the Limits of MathematicalReasoning in Open Language Models 樱花的浪漫 对抗生成网络与动作识别强化学习大模型与智能体因果推断语言模型人工智能自然语言处理深度学习机器学习
    1.概述大型语言模型（LLM）革新了人工智能领域的数学推理方法，在定量推理基准测试（Hendrycks等，2021年）和几何推理基准测试（Trinh等，2024年）方面取得了重大进展。此外，这些模型在帮助人类解决复杂的数学问题方面也发挥了重要作用（Yao，2023年）。然而，像GPT-4（OpenAI，2023年）和Gemini-Ultra（Anil等，2023年）这样的尖端模型并未公开，目前可获
  • 好用的小而美的AI Agent 晋丑丑 人工智能机器学习pythonvisualstudiocode
    一.2025年第一季度关键进展1月：OpenAI推出Operator2月：OpenAI推出DeepResearch3月：中国Manus爆火二.编码Agent：提升开发效率三.小而美Agent分类1.通用Agent2.垂直Agent3.计算机使用智能体CUA4.可交互的Agent四.构建AIAgent的平台量身定制AIAgent步骤五.技术细节：训练方法一.2025年第一季度关键进展1月：OpenA
  • 量子计算与量子信息科学前沿进展 软考和人工智能学堂 人工智能#深度学习Python开发经验量子计算
    1.量子纠错与容错计算1.1表面码理论fromqiskit_qec.analysisimportDecodingGraphAnalysisfromqiskit_qec.circuitsimportSurfaceCodeCircuit#表面码电路生成defcreate_surface_code(d=3,rounds=1):"""创建d×d表面码电路"""code=SurfaceCodeCircuit
  • 【LLM】两篇多模态LLM综述MultiModal Large Language Models 心上之秋 语言模型人工智能自然语言处理
    note(一)现有的MM-LLM的趋势：(1)从专门强调MM理解对特定模态的生成的进展，并进一步演变为任何到任何模态的转换(例如，MiniGPT-4→MiniGPT-5→NExT-GPT)；(2)从MMPT提升到SFT，然后到RLHF，训练管道进行连续细化，努力更好地与人类意图对齐并提高模型的会话交互能力(例如，BLIP-2→InstructBLIP→DRESS)；(3)实施多样化模态扩展(例如，
  • AGI与量子引力：未来物理学的突破 SuperAGI2025 计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
    1.背景介绍1.1问题由来未来物理学的发展似乎已触碰到其固有的边界。经典物理学体系在过去两个世纪内已得到充分验证，但面对极端物理条件，如黑洞事件视界、高能物理反应，现有理论解释力明显不足。尽管爱因斯坦的广义相对论为描述宇宙宏观结构提供了强大的框架，但量子力学依然难以与相对论统一起来。物理学家们亟需突破性的新理论，揭示自然界更深层的秘密。与此同时，人工智能（AGI）在多个领域取得的进展，如深度学习、
  • 【AI论文】MultiFinBen：一个用于金融大语言模型评估的多语言、多模态且具备难度感知能力的基准测试集 东临碣石82 人工智能金融语言模型
    摘要：近期，大型语言模型（LLMs）的进展加速了金融自然语言处理（NLP）及其应用的发展，然而现有的基准测试仍局限于单语言和单模态场景，往往过度依赖简单任务，无法反映现实世界金融交流的复杂性。我们推出了MultiFinBen，这是首个针对全球金融领域定制的多语言、多模态基准测试集，用于在特定领域任务上跨模态（文本、视觉、音频）和语言环境（单语言、双语、多语言）对大型语言模型进行评估。我们引入了两个
  • Ilya Sutskever主导的AI新创公司Safe Superintelligence公司估值飙升至320亿美元 新加坡内哥谈技术 人工智能chatgpt自然语言处理语言模型深度学习
    每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/据《金融时报》爆料，由OpenAI联合创始人、前首席科学家IlyaSutskever主导
  • 毫无争议的github顶级有用的开源项目排行榜 git_fanux
    github顶级有用的开源项目排行TOP14.假装自己中病毒软件https://github.com/bitdust/WamaCry这个用途可太广泛了：0.一周没进展要开周会了怎么办明天就是deadline了可是论文还没写完怎么办这稿子还想再拖一周可是借口都用完了怎么办不想加班，又找不到理由开溜怎么办别人都中毒了，就我没中感觉out了怎么办生活好无趣，想假装中毒发个朋友圈怎么办......TOP1
  • LLaDA：用扩散模型改变语言生成的范式 Jay Kay 论文阅读自然语言处理人工智能机器学习
    引言近年来，大型语言模型（LLMs）取得了显著进展，展现了诸如上下文学习、指令遵循、推理和多轮对话等能力。然而，这些模型大多基于自回归模型（ARMs），通过逐词预测生成文本，存在计算效率低、难以处理逆向推理任务等问题。最近，中国人民大学高瓴人工智能学院李崇轩、文继荣教授团队和蚂蚁集团联合推出了LLaDA（LargeLanguageDiffusionwithmAsking），这是一种基于扩散模型的语
  • Spring中@Value注解，需要注意的地方 无量 springbean@Valuexml
    Spring 3以后,支持@Value注解的方式获取properties文件中的配置值，简化了读取配置文件的复杂操作 1、在applicationContext.xml文件(或引用文件中)中配置properties文件 <bean id="appProperty" class="org.springframework.beans.fac
  • mongoDB 分片 开窍的石头 mongodb
        mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上，configsvr上边放的是metar信息，指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard（片）信息。     第一步启动两台以上的mongo服务 &nb
  • OVER(PARTITION BY)函数用法 0624chenhong oracle
    这篇写得很好，引自 http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html OVER(PARTITION BY)函数用法 2010年10月26日 OVER(PARTITION BY)函数介绍 开窗函数        &nb
  • Android开发中，ADB server didn't ACK 解决方法 一炮送你回车库 Android开发
    首先通知：凡是安装360、豌豆荚、腾讯管家的全部卸载，然后再尝试。   一直没搞明白这个问题咋出现的，但今天看到一个方法，搞定了！原来是豌豆荚占用了 5037 端口导致。 参见原文章：一个豌豆荚引发的血案——关于ADB server didn't ACK的问题 简单来讲，首先将Windows任务进程中的豌豆荚干掉，如果还是不行，再继续按下列步骤排查。 &nb
  • canvas中的像素绘制问题 换个号韩国红果果 JavaScriptcanvas
    pixl的绘制，1.如果绘制点正处于相邻像素交叉线，绘制x像素的线宽，则从交叉线分别向前向后绘制x/2个像素，如果x/2是整数，则刚好填满x个像素，如果是小数，则先把整数格填满，再去绘制剩下的小数部分，绘制时，是将小数部分的颜色用来除以一个像素的宽度，颜色会变淡。所以要用整数坐标来画的话（即绘制点正处于相邻像素交叉线时），线宽必须是2的整数倍。否则会出现不饱满的像素。 2.如果绘制点为一个像素的
  • 编码乱码问题 灵静志远 javajvmjsp编码
    1、JVM中单个字符占用的字节长度跟编码方式有关，而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式；2、对于单个字符：ISO-8859-1单字节编码，GBK双字节编码，UTF-8三字节编码；因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节，而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。 3、getBytes()、getByte
  • java 求几个月后的日期 darkranger calendargetinstance
    Date plandate = planDate.toDate(); SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd"); Calendar cal = Calendar.getInstance(); cal.setTime(plandate); // 取得三个月后时间 cal.add(Calendar.M
  • 数据库设计的三大范式（通俗易懂） aijuans 数据库复习
    关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式，才能设计出高效率、优雅的数据库，否则可能会设计出错误的数据库. 目前，主要有六种范式：第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式，简称1NF。在第一范式基础上进一步满足一些要求的为第二范式，简称2NF。其余依此类推。
  • 想学工作流怎么入手 atongyeye jbpm
    工作流在工作中变得越来越重要，很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点，那了解一点，既不系统，也容易半途而废。好比学武功，最好的办法是有一本武功秘籍。研究明白，则犹如打通任督二脉。 系统学习工作流，很重要的一本书《JBPM工作流开发指南》。 本人苦苦学习两个月，基本上可以解决大部分流程问题。整理一下学习思路，有兴趣的朋友可以参考下。 1  首先要
  • Context和SQLiteOpenHelper创建数据库 百合不是茶 androidContext创建数据库
           一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper     一:SQLiteOpenHelper创建数据库:   1,SQLi
  • 浅谈group by和distinct bijian1013 oracle数据库group bydistinct
            group by和distinct只了去重意义一样，但是group by应用范围更广泛些，如分组汇总或者从聚合函数里筛选数据等。         譬如：统计每id数并且只显示数大于3 select id ,count(id) from ta
  • vi opertion 征客丶 macoprationvi
    进入 command mode （命令行模式） 按 esc 键 再按 shift + 冒号 注：以下命令中 带 $ 【在命令行模式下进行】，不带 $ 【在非命令行模式下进行】 一、文件操作 1.1、强制退出不保存 $ q! 1.2、保存 $ w 1.3、保存并退出 $ wq 1.4、刷新或重新加载已打开的文件 $ e 二、光标移动 2.1、跳到指定行 数字
  • 【Spark十四】深入Spark RDD第三部分RDD基本API bit1129 spark
      对于K/V类型的RDD,如下操作是什么含义？   val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5)) rdd.reduceByKey(_+_).collect  reduceByKey在这里的操作，是把
  • java类加载机制 BlueSkator java虚拟机
    java类加载机制 1.java类加载器的树状结构 引导类加载器 ^ | 扩展类加载器 ^ | 系统类加载器 java使用代理模式来完成类加载，java的类加载器也有类似于继承的关系，引导类是最顶层的加载器，它是所有类的根加载器，它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时，通常会代理给父类加载器，若已经是根加载器了，就自己完成加载。 虚拟机区分一个Cla
  • 动态添加文本框 BreakingBad 文本框
      <script>     var num=1; function AddInput() {      var str="";     str+="<input 
  • 读《研磨设计模式》-代码笔记-单例模式 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/ public class Singleton { } /* * 懒汉模式。注意，getInstance如果在多线程环境中调用，需要加上synchronized，否则存在线程不安全问题 */ class LazySingleton
  • iOS应用打包发布常见问题 chenhbc iosiOS发布iOS上传iOS打包
    这个月公司安排我一个人做iOS客户端开发，由于急着用，我先发布一个版本，由于第一次发布iOS应用，期间出了不少问题，记录于此。   1、使用Application Loader 发布时报错：Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
  • 工作流复杂拓扑结构处理新思路 comsci 设计模式工作算法企业应用OO
    我们走的设计路线和国外的产品不太一样，不一样在哪里呢？  国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多，仅仅是在有限的了解程度上面提出这样的看法)，从而避免在流程引擎中处理这些复杂的图的问题，而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性，这样一来，在引擎和流程流转控制这一个层面就会遇到很
  • oracle 11g新特性Flashback data archive daizj oracle
    1. 什么是flashback data archive Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象，用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象，概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
  • 多叉树:2-3-4树 dieslrae 树
        平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:     1、有一个数据项的节点总是有2个子节点(称为2-节点)     2、有两个数据项的节点总是有3个子节点(称为3-节
  • C语言学习七动态分配 malloc的使用 dcj3sjt126com clanguagemalloc
    /* 2013年3月15日15:16:24 malloc 就memory(内存) allocate(分配)的缩写 本程序没有实际含义，只是理解使用 */ # include <stdio.h> # include <malloc.h> int main(void) { int i = 5; //分配了4个字节 静态分配 int * p
  • Objective-C编码规范[译] dcj3sjt126com 代码规范
      原文链接 : The official raywenderlich.com Objective-C style guide 原文作者 : raywenderlich.com Team 译文出自 : raywenderlich.com Objective-C编码规范 译者 : Sam Lau
  • 0.性能优化-目录 frank1234 性能优化
    从今天开始笔者陆续发表一些性能测试相关的文章，主要是对自己前段时间学习的总结，由于水平有限，性能测试领域很深，本人理解的也比较浅，欢迎各位大咖批评指正。 主要内容包括： 一、性能测试指标 吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间 http://frank1234.iteye.com/blog/2180305 二、性能测试策略 生产环境相同 基准测试 预热等 htt
  • Java父类取得子类传递的泛型参数Class类型 happyqing java泛型父类子类Class
      import java.lang.reflect.ParameterizedType; import java.lang.reflect.Type; import org.junit.Test; abstract class BaseDao<T> { public void getType() { //Class<E> clazz =
  • 跟我学SpringMVC目录汇总贴、PDF下载、源码下载 jinnianshilongnian springMVC
      ----广告-------------------------------------------------------------- 网站核心商详页开发 掌握Java技术，掌握并发/异步工具使用，熟悉spring、ibatis框架； 掌握数据库技术，表设计和索引优化，分库分表/读写分离； 了解缓存技术，熟练使用如Redis/Memcached等主流技术； 了解Ngin
  • the HTTP rewrite module requires the PCRE library 流浪鱼 rewrite
    ./configure: error: the HTTP rewrite module requires the PCRE library. 模块依赖性Nginx需要依赖下面3个包 1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ ) 2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ ) 3. s
  • 第12章 Ajax（中） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Optimize query with Query Stripping in Web Intelligence blueoxygen BO
    http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence and a very straightfoward video http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
  • Java开发者写SQL时常犯的10个错误 tomcat_oracle javasql
    1、不用PreparedStatements 　　有意思的是，在JDBC出现了许多年后的今天，这个错误依然出现在博客、论坛和邮件列表中，即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个： 　　他们对PreparedStatements不了解 　　他们认为使用PreparedStatements太慢了 　　他们认为写Prepar
  • 世纪互联与结盟有感 阿尔萨斯
    10月10日，世纪互联与（Foxcon）签约成立合资公司，有感。 全球电子制造业巨头（全球500强企业）与世纪互联共同看好IDC、云计算等业务在中国的增长空间，双方迅速果断出手，在资本层面上达成合作，此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任，另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。 众所周知，精于电子产品制造（世界第一），对于世纪互联而言，能够与结盟
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他