- GPT 系列模型发展史:从 GPT 到 ChatGPT 的演进与技术细节
Ash Butterfield
nlpgptchatgpt
从GPT到ChatGPT,OpenAI用短短几年时间,彻底改变了自然语言处理(NLP)的格局。让我们一起回顾这段激动人心的技术演进史!GPT(2018):划时代的起点:GPT(GenerativePre-trainedTransformer)首次将Transformer架构与无监督预训练结合,开启了大规模语言模型的新时代。核心突破:通过海量文本预训练+任务微调,GPT展示了强大的泛化能力。GPT-
- DeepSeek使用手册,其中一份是清华大学出品
cpa007
云计算
自娶,。https://pan.quark.cn/s/d174471b17c0深入了解DeepSeek:从技术到应用一、DeepSeek是什么?DeepSeek(深度求索)是一款由杭州深度求索人工智能基础技术研究有限公司开发的人工智能平台,专注于提供高效易用的AI模型训练与推理能力。它既包含预训练大语言模型(如DeepSeek-R1系列),也提供配套工具链,助力开发者快速实现AI应用落地。二、De
- IDC服务器初始化--PXE引导
运维
深夜的机房,运维工程师小李正面临一场噩梦:50台新到的服务器需要安装操作系统。按照传统方式,他需要准备一堆U盘,一台接一台地安装,这意味着一场通宵的"体力劳动"。但这次不同,只见他在控制台输入几行命令,所有服务器就像被施了魔法一样,开始自动安装系统。这就是PXE引导安装方式。一、什么是PXE?PXE(PrebooteXecutionEnvironment,预启动执行环境)是一种网络启动技术。想象一
- 从零开始大模型开发与微调:Miniconda的下载与安装
AGI大模型与大数据研究院
DeepSeekR1&大数据AI人工智能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:Miniconda的下载与安装1.背景介绍随着人工智能和机器学习技术的快速发展,大型语言模型(LargeLanguageModel,LLM)已经成为当前研究和应用的热点。这些模型通过在海量文本数据上进行预训练,能够捕捉到丰富的语义和上下文信息,从而在自然语言处理任务中表现出色。然而,训练这些庞大的模型需要大量的计算资源,对于普通开发者来说,从头开始训练一个大模型是一个巨大
- 【云原生技术】微服务架构中如何实现高效调用远程方法
阿寻寻
云原生技术云原生架构微服务
微服务架构中如何实现高效调用远程方法1.使用轻量级通信协议2.异步和非阻塞调用3.负载均衡和服务发现4.缓存和数据预取5.异常处理和重试机制6.使用合适的技术栈和工具示例在微服务架构中,高效调用远程方法是至关重要的,因为微服务通常分布在不同的网络位置和物理机器上。以下是一些策略和技术,可以帮助实现高效的远程方法调用(RPC):1.使用轻量级通信协议选择合适的通信协议:使用轻量级的通信协议,如HTT
- 微软 LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练
人工智能
LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构,每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接,其中$L$和$M$分别是文本和图像的序列长度。通过Tr
- 【深度学习】常见模型-GPT(Generative Pre-trained Transformer,生成式预训练 Transformer)
IT古董
深度学习人工智能深度学习gpttransformer
GPT(GenerativePre-trainedTransformer)1️⃣什么是GPT?GPT(GenerativePre-trainedTransformer,生成式预训练Transformer)是由OpenAI开发的基于Transformer解码器(Decoder)的自回归(Autoregressive)语言模型。它能够通过大量无监督数据预训练,然后微调(Fine-tuning)以适应特
- 微软 LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练
人工智能
LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构,每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接,其中$L$和$M$分别是文本和图像的序列长度。通过Tr
- 从零开始构建一个大语言模型-第七章第一节
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机器学习transformer
第七章目录7.1指令微调简介7.2为有监督的指令微调准备数据集7.3将数据整理成训练批次7.4为指令数据集创建数据加载器7.5加载预训练的大语言模型7.6在指令数据上对大语言模型进行微调7.7提取并保存回复7.8评估微调后的大语言模型7.9结论本章内容涵盖大语言模型的指令微调过程准备用于有监督指令微调的数据集将指令数据整理成训练批次提取大语言模型生成的指令响应以供评估此前,我们实现了大语言模型(L
- DeepSeek-V2 论文解读:混合专家架构的新突破
进一步有进一步的欢喜
DeepSeek-V2大模型MoE混合专家架构
论文链接:DeepSeek-V2:AStrong,Economical,andEfficientMixture-of-ExpertsLanguageModel目录一、引言二、模型架构(一)多头部潜在注意力(MLA):重塑推理效率(二)DeepSeekMoE:经济高效的训练架构三、预训练(Pre-Training):夯实模型基础(一)实验设置(二)评估四、对齐(Alignment):优化模型表现(一
- Kivy教程大全之 使用 NumPy 和 Kivy 对 Android 设备进行图像分类
知识大胖
Python源码大全pythonkivynumpy
文章简介ANN架构。使用KV语言创建小部件树。创建Kivy应用程序。使用正确的NumPy版本。构建Android应用程序。了解更多信息本教程的重点是构建一个调用预训练的ANN来对图像进行分类的Android应用程序。这里不深入讨论准备数据集、构建、训练和优化ANN的步骤。在本教程中将仅对它们进行简要讨论。但不要担心——在不了解这些细节的情况下遵循本教程中的想法是可以的。如果您想了解它们,请查看我之
- 【python 机器学习】sklearn转换器与预估器
人才程序员
杂谈python机器学习sklearn人工智能目标检测深度学习神经网络
文章目录sklearn转换器与预估器1.什么是转换器(Transformer)?通俗介绍:学术解释:2.什么是预估器(Estimator)?通俗介绍:学术解释:3.转换器与预估器的共同点4.转换器与预估器的区别5.使用`sklearn`中的转换器与预估器5.1示例:数据标准化(转换器)5.2示例:模型训练与预测(预估器)6.使用`Pipeline`结合转换器与预估器7.总结sklearn转换器与预
- 畅游Diffusion数字人(16):由音乐驱动跳舞视频生成
沉迷单车的追风少年
数字人DiffusionModels与深度学习人工智能深度学习视频生成
畅游Diffusion数字人(0):专栏文章导航前言:从Pose到跳舞视频生成的工作非常多,但是还没有直接从音乐驱动生成的工作。最近字节跳动提出了MuseDance,无需复杂的动作引导输入(如姿势或深度序列),从而使不同专业水平的用户都能轻松进行灵活且富有创意的视频生成。目录贡献概述背景挑战贡献方法详解第一阶段:外观预训练第二阶段:动态触发视频生成训练细节贡献概述背景<
- 前端架构思考,Vue or React?领域设计、文件结构、数据管理、主题替换
程序员小英
前端架构vue.js
原文来源于:程序员成长指北如有侵权,联系删除从Vue和React看问题Vue的优势内置的vite构建工具,减少构建时间,提高开发效率,在大工程上特别明显结构、样式、功能分开的设计,再通过setup做crud的分隔,整个页面维度的逻辑会特别清晰在路由和数据管理上有官方的解决方案,可以完全没有选择的压力框架本身做了很多的性能优化,如下静态提升,包括静态节点,静态属性预字符串化,20个静态节点以上缓存事
- 提升语言模型性能的关键策略
XianxinMao
语言模型人工智能自然语言处理
标题:提升语言模型性能的关键策略文章信息摘要:提升语言模型性能的关键在于预训练数据的规模和质量、模型架构的优化以及模型与数据的平衡。单纯增加模型参数规模并不能持续带来性能提升,性能提升会逐渐趋于平缓。研究表明,增加训练数据量可以显著提升模型性能,甚至超过单纯增加模型规模的效果。当前的大型语言模型虽然规模庞大,但训练数据量相对不足,导致性能未达最优。未来的研究应更加注重数据的收集和处理,以及模型架构
- 云原生周刊:DeepSeek 颠覆人工智能
KubeSphere 云原生
k8s容器平台kubesphere云计算
开源项目推荐OllamaOllama是一个开源的AI工具,旨在为用户提供简单而强大的本地部署语言模型解决方案。它支持直接在本地计算机上运行多个预训练的语言模型,能够提供与云端类似的体验,但无需依赖外部服务器或网络连接。Ollama的主要特点包括对多个大型模型的高效管理、灵活的API接口和用户友好的安装过程,使得开发者能够方便地将其集成到不同的应用程序中。通过Ollama,用户可以更容易地实现自定义
- llama3简介与国内最快体验方式
weixin_40941102
python
Meta公司研发并推出了MetaLlama3系列大型语言模型(LLMs),该系列包括8B和70B参数量的预训练及指令调优生成文本模型。Llama3的指令调优模型专为对话场景优化设计,在行业通用基准测试中表现优于众多开源聊天模型,并且我们在开发过程中特别注重提高其有用性和安全性。模型规格:开发者:Meta变体:Llama3提供两种尺寸选择,分别是8B参数量和70B参数量的预训练版和指令调优版。输入:
- DeepSeek V3 两周使用总结
AI生成曾小健
LLM大语言模型Deepseek原理与使用人工智能
DeepSeekV3两周使用总结机器学习AI算法工程2025年01月25日10:10广西向AI转型的程序员都关注公众号机器学习AI算法工程2024年12月26日,杭州深度求索人工智能基础技术研究有限公司发布DeepSeek-V3大模型。官方宣称:(1)基于自研的MoE模型和671B参数,在14.8Ttoken上进行了预训练;(2)多项评测成绩超越了Qwen2.5-72B和Llama-3.1-405
- 如何从零开始,训练AI大模型?零基础入门到精通,收藏这一篇就够了
网络安全大白
科技程序员大模型人工智能大模型
导读大模型作为目前最前沿的技术,是如何开发或者训练出来的呢。本文就为大家总结了大模型训练各阶段的最新技术方法,希望对大家有所帮助。1背景根据scalinglaw,模型越大,高质量数据越多,效果越好。但还有一个很直观的情况,随着预训练样本的质量不断提升,训练手段的优化。新的模型,往往效果能轻松反超参数量两倍于它的模型。例如,最新出的minicpm,微信内部评测效果也是非常棒的。跟规模相对接近的2b、
- 使用yolo11x进行物体分类
欣然~
分类人工智能深度学习
利用yolo11x进行物体识别一、物品分类代码说明模型加载:加载yolo11x.pt模型,如果这个模型在物体分类上表现不佳,可以考虑使用像yolov8n.pt这类通用的预训练模型。摄像头设置:打开电脑摄像头并将帧率设置为10fps,以此减轻处理负担。FPS计算:借助time库计算每帧的处理时间,进而得到FPS值,并在画面左上角显示。物体检测与分类:运用model(frame,conf=0.5,ve
- 2025年毕设ssm牙科诊所app论文+源码
啊诚计算机毕设
课程设计
本系统(程序+源码)带文档lw万字以上文末可获取一份本项目的java源码和数据库参考。系统程序文件列表开题报告内容选题背景关于牙科诊所管理系统的研究,现有研究主要集中在医疗信息管理、患者预约与排队系统、以及医疗数据的分析与利用等方面。然而,专门针对牙科诊所内部管理与患者服务相结合的综合性系统的研究较少。随着信息技术的发展,牙科诊所需要一个集用户管理、牙医资源分配、护牙知识普及、坐诊信息发布、治疗预
- 关于rabbitmq的prefetch机制
Persistence is gold
rabbitmq分布式
消息预取机制(PrefetchMechanism)是RabbitMQ中用于控制消息传递给消费者的一种机制。它定义了在一个信道上,消费者允许的最大未确认的消息数量。一旦未确认的消息数量达到了设置的预取值,RabbitMQ就会停止向该消费者发送更多消息,直到至少有一条未完成的消息得到了确认。预取值(PrefetchCount)是一个关键的参数,它可以在消费者或信道级别设置。这个值指定了该信道上未确认传
- 预训练语言模型:从BERT到GPT,NLP的新纪元
Evaporator Core
自然语言处理人工智能Python开发经验自然语言处理语言模型bert
自然语言处理(NLP)在过去几年中经历了翻天覆地的变化,而这一变化的催化剂无疑是预训练语言模型(Pre-trainedLanguageModels,PLMs)的崛起。从BERT到GPT,这些模型不仅在学术研究中取得了突破性进展,也在工业界得到了广泛应用。本文将深入探讨预训练语言模型的原理、发展历程以及如何在实际项目中应用这些强大的工具。1.预训练语言模型的背景在深度学习时代之前,NLP任务主要依赖
- DeepSeek迁移学习与预训练模型应用
Evaporator Core
DeepSeek快速入门人工智能深度学习迁移学习机器学习深度学习
迁移学习是一种利用预训练模型的知识来加速新任务训练的技术。通过迁移学习,我们可以在数据量有限的情况下,快速构建高性能的模型。DeepSeek提供了丰富的预训练模型和迁移学习工具,帮助我们高效地完成新任务的训练。本文将详细介绍如何使用DeepSeek进行迁移学习,并通过代码示例帮助你掌握这些技巧。1.迁移学习的基本概念迁移学习的核心思想是将在一个任务上学到的知识应用到另一个相关任务上。常见的迁移学习
- Python 深度学习项目目录规范
灰灰灰灰灰发
python
ProjectNameconfigs/settings工程项目配置文件夹config.pydocs工程项目相关文档说明文件夹data工程数据或数据获取代码文件夹demos/examples工程demo或example文件夹layers自定义的层(如果有)self_loss.py比如自定义的loss层等logs日志文件夹weights/models模型权重文件夹utilspreprocessing预
- DeepSeek Coder 填空任务在代码生成和补全中具体是如何实现的?
百态老人
人工智能大数据笔记
DeepSeekCoder在代码生成和补全中的实现主要依赖于其强大的预训练机制和特定的训练任务设计。以下是具体实现细节:数据准备:DeepSeekCoder使用了大规模的训练数据集,包含2万亿个token,其中87%为代码数据,13%为自然语言数据,支持英语和中文。这些数据涵盖了多种编程语言,确保模型能够理解和生成高质量的代码。模型训练:模型通过项目级别的代码语料库进行预训练,使用16K窗口大小和
- 什么是 SAP ES 公有云
汪子熙
ABAP百科全书SAP思爱普NetWeaverABAP
SAPES公有云,即SAPS/4HANACloudPublicEdition,是一种基于云的ERP系统,属于SAPS/4HANACloud的一部分。它是一种多租户模型,预配置了所有必备的业务流程,客户可以开箱即用。ES(EssentialEdition)是SAPS/4HANACloud的一个版本,也被称为SAPERP公有云。这种部署方式能够自动化业务流程,加快日常工作的审批,使企业能够更加快速、轻
- 『大模型笔记』国外大神对DeepSeek R1的科普!
AI大模型前沿研究
大模型笔记笔记DeepseekdeepseekR1Deepseekv3GPTO1GPTO3
国外大神对DeepSeekR1的科普!文章目录一、Explainer:What'sR1&EverythingElse?时间线推理与Agent推理模型≠Agent推理为什么重要推理需要变得廉价R1的重要意义AI的发展走势预训练规模扩张的路走不通了推理阶段的规模定律缩小模型体量(新的规模定律?)强化学习(新的规模定律?)模型蒸馏(新的规模定律?)2025年的预测地缘政治:Distealing结论讨论二
- AI知识库和全文检索的区别
xixingzhe2
AI人工智能
1、AI知识库的作用AI知识库是基于人工智能技术构建的智能系统,能够理解、推理和生成信息。它的核心作用包括:1.1语义理解自然语言处理(NLP):AI知识库能够理解用户查询的语义,而不仅仅是关键词匹配。上下文关联:能够结合上下文信息,提供更准确的答案。1.2知识推理逻辑推理:通过知识图谱或预训练模型,AI知识库可以进行逻辑推理,回答复杂问题。多跳推理:能够从多个数据源中提取信息,综合生成答案。1.
- 【AI学习】LLM的发展方向
bylander
AI学习人工智能学习gpt
个人的思考,请大家批评。这一轮AI浪潮,叙事的主要逻辑就是scalinglaw,模型越大,性能越好,投入越大,性能越好,回报越高,等等。当然,首先要有一个能够scaling的模型架构,Transformer是首个能够scaling的模型架构,去年的Mamba学习,了解了为什么CNN、LSTM这些架构为什么无法scaling。Scalinglaw,以前主要集中在LLM的预训练方面。一段时间有个说法,
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite