- 使用 SCP 命令在 Linux/Debian/Ubuntu 终端中进行文件远程传输
理工男老K
ubuntulinux运维
使用SCP命令在Linux/Debian/Ubuntu终端中进行文件远程传输SCP(SecureCopyProtocol,安全复制协议)是一种命令行实用程序,允许你通过网络在两个主机之间安全地传输文件。它使用SSH(SecureShell,安全外壳协议)进行身份验证和加密,确保传输的数据安全。SCP的基本语法SCP命令的基本语法如下:scp[选项][源文件][目标位置]示例将文件从本地系统复制到远
- [论文笔记] Cost-Effective Hyperparameter Optimization for Large Language Model Generation 大型语言模型生成推理超参优化
心心喵
论文笔记论文阅读语言模型人工智能
成本效益高的大型语言模型生成推理的超参数优化https://openreview.net/pdf?id=DoGmh8A39OChiWang1,SusanXueqingLiu2,AhmedH.Awadallah11微软研究院,雷德蒙德2史蒂文斯理工学院摘要大型语言模型(LLMs)因其生成能力引发了广泛关注,催生了各种商业应用。使用这些模型的高成本驱使应用构建者在有限的推理预算下最大化生成的价值。本文
- 电力知识图谱与大模型的结合:从构建到行业应用的深度解析
Cc不爱吃洋葱
知识图谱人工智能自然语言处理大模型大语言模型LLM语言模型
随着大数据和人工智能技术的飞速发展,电力行业迎来了智能化转型的全新契机。电力知识图谱作为一种将数据转化为结构化知识的技术,正在赋能故障诊断、设备管理、运维优化等核心场景。而当知识图谱与大模型相结合,更能释放强大的知识推理和智能预测能力,为行业智慧化发展注入新动力。本文将从专业视角,深入探讨电力知识图谱的构建过程、大模型的融入方法,以及它们在实际应用中的落地场景。通过具体案例剖析与技术解读,帮助你了
- 采用分布式部署deepseek
慧香一格
AI学习分布式deepseek
分布式部署DeepSeek涉及使用多个计算节点来加速模型训练或提升推理效率。下面是一个基本的指南,帮助您了解如何进行分布式部署。1.环境准备硬件需求:确保您的集群环境中有足够的GPU资源,并且所有机器之间可以通过高速网络互联。软件依赖:安装必要的库和工具,如PyTorch、Transformers等。特别地,对于分布式训练,还需要安装torch.distributed或者类似的库支持,例如Horo
- 亚远景-ISO/PAS 8800:2024《道路车辆—安全和人工智能》简介
亚远景aspice
汽车人工智能大数据
ISO/PAS8800:2024《道路车辆—安全和人工智能》简介:ISO/PAS8800:2024《道路车辆—安全和人工智能》背景与意义随着汽车智能化发展,自动驾驶和智能座舱等技术快速进步,但人工智能在汽车领域应用面临安全性、数据质量与管理、技术标准规范缺失、公众认知和接受度等挑战。该标准旨在规范汽车领域人工智能技术应用,提高系统安全性、可靠性和兼容性,推动汽车智能化健康发展。ISO/PAS880
- 《OSI模型与TCP/IP模型:从理论到实践的全面解析》
夏の橘
HCIA学习之路计算机网络tcp/ip网络
引言在计算机网络中,OSI模型和TCP/IP模型是理解网络通信的核心框架。然而,许多人对两者的区别、联系及实际应用场景感到困惑。本文将通过分层对比和实例分析,帮助读者彻底掌握这两个模型的本质。一、OSI模型:七层理想化框架1.设计目标OSI(OpenSystemsInterconnection)模型由国际标准化组织(ISO)提出,目标是统一全球网络协议标准,实现不同厂商设备的互联互通。2.七层结构
- 【卡车无人机】遗传算法GA求解卡车联合无人机配送路径规划【含Matlab源码 XYDG001期】
Matlab领域
Matlab路径规划(高阶版)matlab
Matlab领域博客之家博主简介:985研究生,Matlab领域科研开发者;个人主页:Matlab领域代码获取方式:CSDNMatlab领域—代码获取方式座右铭:路漫漫其修远兮,吾将上下而求索。更多Matlab路径规划仿真内容点击①Matlab路径规划(高阶版)②付费专栏Matlab路径规划(进阶版)③付费专栏Matlab路径规划(初级版)⛳️关注CSDNMatlab领域,更多资源等你来!!⛄一、
- 51-31 CVPR’24 | VastGaussian,3D高斯大型场景重建
深圳季连AIgraphX
aiXpilot智驾大模型1自动驾驶智慧城市AIGC计算机视觉数据挖掘
2024年2月,清华大学、华为和中科院联合发布的VastGaussian模型,实现了基于3DGaussianSplatting进行大型场景高保真重建和实时渲染。Abstract现有基于NeRF大型场景重建方法,往往在视觉质量和渲染速度方面存在局限性。虽然最近3DGaussiansSpltting在小规模和以对象为中心的场景中效果很好,但由于视频内存有限、优化时间长、外观变化明显,将其扩展到大型场景
- 微服务之网关
qq_40784183
微服务负载均衡架构
1.网关的选择Zuul和SpringCloudGateway(其他没用过了)2.Zuul(NetflixZuul)与SpringCloudGateway对比性能方面Zuul:Zuul1.x是基于Servlet的同步阻塞模型,在处理高并发请求时性能相对较弱。每个请求都会占用一个线程,当并发量较大时,线程资源可能会成为瓶颈。不过,Zuul2.x版本在性能上有所改进,采用了异步非阻塞模型,能够更好地处理
- 随机梯度下降一定会收敛么?
AndrewHZ
人工智能深度学习算法
1.什么是随机梯度下降?随机梯度下降(StochasticGradientDescent,SGD)是一种用于最小化目标函数的迭代优化算法,在机器学习和深度学习领域应用广泛。2.随机梯度下降算法的基本原理1.基于梯度的优化基础该算法是基于梯度的优化算法,用于寻找函数的最优解,通常是最小化损失函数。在机器学习和深度学习中,模型通过调整参数来最小化损失函数,以达到最佳的预测性能。2.迭代更新参数从初始的
- 《Ollama 与 DeepSeek 整合应用入门指南》一、二、三章
Allen-Steven
ollamadeepseek
第一章:工具概述与核心价值1.1Ollama技术解析本地化部署优势:无需网络连接的数据隐私保护跨平台架构设计:支持Windows/macOS/Linux全平台模型管理引擎:自动化处理模型依赖与版本控制1.2DeepSeek模型特性多模态处理能力:文本生成、代码理解、数学推理中文优化架构:针对中文语料的特殊训练策略模型家族图谱:从1.3B到67B的参数规模选择1.3技术整合价值本地智能计算:企业数据
- 交换机三层转发原理(涵盖ARP,ICMP,IP协议)
一名嵌入式糕手
tcp/ip服务器linux
ARP(地址解析协议)ARP是一种将IP地址转换为MAC地址的协议,工作在OSI模型的链路层,ARP主要用于局域网中,当一个主机需要与同一网络中的另一台主机通信时,它首先会使用ARP来获取目标主机的MAC地址,ARP报文由源,目MAC,载荷组成,载荷包含源IP和目的IP,ARP请求是一个广播帧,目标主机收到报文后会解析载荷内容,如果目的IP与自身IP匹配,会返回ARP响应,为一个单播帧,为了提高效
- 【JAVA工程师从0开始学AI】,第四步:闭包与高阶函数——用Python的“魔法函数“重构Java思维
架构默片
JAVA工程师从0开始学AI人工智能javapython
副标题:当严谨的Java遇上"七十二变"的Python函数式编程历经变量战争、语法迷雾、函数对决,此刻我们将踏入Python最迷人的领域——函数式编程。当Java工程师还在用接口和匿名类实现回调时,Python的闭包已化身"智能机器人",带着"记忆传承"的能力自由穿梭于代码之间。这里没有类的枷锁,函数既是武器又是盾牌,高阶函数组合出的"代码万花筒",正是AI数据处理、模型训练的核心密码。本文将用J
- 《Stable Diffusion绘画完全指南:从入门到精通的Prompt设计艺术》-配套代码示例
Allen-Steven
SD创作实践python相关应用StableDiffusion绘画学习指南深度学习pytorch人工智能stablediffusionCheckpointprompt
第一章:模型加载与基础生成1.1基础模型加载fromdiffusersimportStableDiffusionPipelineimporttorch#加载SD1.5基础模型(FP32精度)pipe=StableDiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5",torch_dtype=torch.float32).
- CSDN宣布C知道产品接入DeepSeek R1满血版大模型,文心一言、星火认知模型
周杰伦_Jay
大模型LLMs热点事件文心一言人工智能leetcode目标检测机器学习自然语言处理生成对抗网络
文章目录前言一、产品升级与模式革新二、技术整合与大模型应用三、深度思考模式的核心优势四、应用场景与用户受益五、未来发展与技术创新前言亲爱的家人们,创作很不容易,若对您有帮助的话,请点赞收藏加关注哦,您的关注是我持续创作的动力,谢谢大家!有问题请私信或联系邮箱:
[email protected]一、产品升级与模式革新CSDN宣布C知道产品接入DeepSeek大模型。通过植入“深度思考模式”,全面升级AI
- DeepSeek 实用集成,接入各类软件
安替-AnTi
deepseek集成软件实用
将DeepSeek大模型能力轻松接入各类软件。访问DeepSeek开放平台来获取您的APIkey。详细内容参考:点我应用程序QuantalogicQuantaLogic是一个ReAct(推理和行动)框架,用于构建高级AI代理
- 本地化部署AI知识库:基于Ollama+DeepSeek+AnythingLLM保姆级教程
elecfan2011
人工智能
前言在数据安全和隐私保护需求日益增长的今天,本地化部署AI知识库成为企业/开发者的首选方案。本文将手把手教你如何通过Ollama(模型管理工具)、DeepSeek-R1(国产开源大模型)和AnythingLLM(知识库管理平台),搭建一套完全本地运行的智能问答系统。全程无需联网,数据100%私有化!目录环境准备与工具安装部署DeepSeek-R1模型配置AnythingLLM知识库平台构建本地知识
- 辨析表达式++*p和*p++:自增自减++/--运算符与取值运算符*的优先级问题
simple_whu
c/c++数据结构c语言
学习C语言时,老师一般都会向同学们讲到++/--自增、减运算符。回过头来我们要问,为什么设计了这样的运算符?答案是——(由于很多地方如循环都会用到自增、减操作)为了简洁。然而,某些动机不明的考题也就围绕着++和--展开了。一些表达式辨析*p++等价于*(p++),均返回自增前的*p,再完成p的自增。(*p)++返回自增前的\*p值,然后完成p所指变量的自增。*++p等价于*(++p),均先完成自增
- 腾讯云大模型知识引擎×DeepSeek赋能文旅
繁依Fanyi
python
腾讯云大模型知识引擎×DeepSeek赋能文旅——以合肥文旅为例的技术革新与实践路径一、技术底座:知识引擎与DeepSeek的融合逻辑腾讯云大模型知识引擎与DeepSeek模型的结合,本质上是**“知识库+检索增强生成(RAG)+实时联网能力”**的技术框架升级。通过三步调用API接口,开发者可快速搭建基于DeepSeek的文旅智能应用。其核心优势包括:动态知识更新:突破传统大模型预训练数据的时间
- DeepSeek大模型的发展的十问十答
科技互联人生
人工智能AIGCDeepseek
DeepSeek大模型是由杭州深度求索人工智能基础技术研究有限公司开发的一款基于Transformer架构的大型语言模型,具体介绍如下:1.架构基础Transformer架构:DeepSeek大模型基于Transformer架构,该架构由Google在2017年提出,以自注意力机制为核心,能够并行处理输入序列中的每个元素,从而大大提高模型的计算效率。DeepSeek在Transformer架构的基
- 【Python】使用SQLAlchemy操作Mysql数据库
m0_74824044
数据库pythonmysql
一、SQLAlchemy介绍SQLAlchemy是Python的SQL工具包和对象关系映射(ORM)库,它提供了全套的企业级持久性模型,用于高效、灵活且优雅地与关系型数据库进行交互。使用SQLAlchemy,你可以通过Python类来定义数据库表的结构,并通过这些类与数据库进行交互,而无需编写复杂的SQL语句。以下是SQLAlchemy的一些主要特点和功能:ORM(对象关系映射):SQLAlche
- 揭密 scaling laws
deardao
机器学习
ScalinglawsOpenAI在其早期的关于scalinglaws的论文[1]中提出了基础理论,但该文缺乏一些具体的求解过程,且未能在更大规模的模型上进行验证。与此同时,后续研究,例如DeepMind的ChinChilla[2]还提出了不同的结论。论文题目:UnravelingtheMysteryofScalingLaws:PartI论文地址:https://arxiv.org/abs/240
- Beyond Scaling Laws: Understanding Transformer Performance with Associative Memory
UnknownBody
LLMDailytransformer深度学习人工智能语言模型
本文是LLM系列文章,针对《BeyondScalingLaws:UnderstandingTransformerPerformancewithAssociativeMemory》的翻译。超越缩放定律:用联想记忆理解Transformer性能摘要1引言2相关工作3模型4新的能量函数5交叉熵损失6实验结果7结论摘要增大Transformer模型的大小并不总是能够提高性能。这种现象不能用经验缩放定律来解
- SQLAlchemy中常用的查询方法[示例学习]
铁松溜达py
数据库
SQLAlchemy是一个强大的PythonORM(对象关系映射)工具,它提供了多种方法来执行数据库查询操作。以下是SQLAlchemy中常用的查询方法的总结:session.query():使用session.query(Model)来创建一个查询对象,其中Model是你要查询的数据库模型类。filter():在查询对象上使用filter()方法可以添加过滤条件,例如filter(Model.c
- PyTorch `.pth` 转 ONNX:从模型训练到跨平台部署
MO__YE
人工智能
PyTorch.pth转ONNX:从模型训练到跨平台部署在深度学习里,模型的格式决定了它的可用性。如果你是PyTorch用户,你可能熟悉.pth文件,它用于存储训练好的模型。但当你想在不同的环境(如TensorRT、OpenVINO、ONNXRuntime)部署模型时,.pth可能并不适用。这时,ONNX(OpenNeuralNetworkExchange)就必不可少。本文目录:什么是.pth文件
- 什么是Scaling Laws(缩放定律);DeepSeek的Scaling Laws
ZhangJiQun&MXP
教学2024大模型以及算力2021论文人工智能自然语言处理神经网络语言模型深度学习
什么是ScalingLaws(缩放定律)ScalingLaws(缩放定律)在人工智能尤其是深度学习领域具有重要意义,以下是相关介绍及示例:定义与内涵ScalingLaws主要描述了深度学习模型在规模(如模型参数数量、训练数据量、计算资源等)不断扩大时,模型性能与这些规模因素之间的定量关系。它表明,在一定条件下,模型的性能会随着模型规模的增加而以某种可预测的方式提升,通常表现为模型的损失函数值随模型
- 智能算力中心万卡GPU集群架构深度解析
科技互联人生
科技数码人工智能人工智能gpu算力硬件架构
智能算力中心万卡GPU集群架构深度分析 自ChatGPT发布,科技界大模型竞赛如火如荼。数据成新生产要素,算力成新基础能源,大模型成新生产工具,“AI+”转型势不可挡。模型参数量突破万亿,对算力需求升级,超万卡集群成基建竞赛标配。超万卡集群缩短训练时间,加速迭代,助力市场趋势应对。在超万卡集群中,高效稳定地训练大模型面临双重挑战:确保集群算力最大化、网
- PyTorch `.pth` 转 ONNX:从模型训练到跨平台部署
MO__YE
pytorch人工智能python
PyTorch.pth转ONNX:从模型训练到跨平台部署在深度学习里,模型的格式决定了它的可用性。如果你是PyTorch用户,你可能熟悉.pth文件,它用于存储训练好的模型。但当你想在不同的环境(如TensorRT、OpenVINO、ONNXRuntime)部署模型时,.pth可能并不适用。这时,ONNX(OpenNeuralNetworkExchange)就必不可少。本文目录:什么是.pth文件
- 大模型工具大比拼:SGLang、Ollama、VLLM、LLaMA.cpp 如何选择?
X_taiyang18
人工智能
简介:在人工智能飞速发展的今天,大模型已经成为推动技术革新的核心力量。无论是智能客服、内容创作,还是科研辅助、代码生成,大模型的身影无处不在。然而,面对市场上琳琅满目的工具,如何挑选最适合自己的那一款?本文将深入对比SGLang、Ollama、VLLM和LLaMA.cpp四款热门大模型工具,帮助您找到最契合需求的解决方案!工具概览在开始之前,先简单了解一下这四款工具的特点:SGLang:性能卓越的
- UVM的基本教程
如筏喻者
UVM学习其他
文章目录一、基本介绍二、在实践中学习1.接口interface2.待测设计DUT3.传输数据包transaction4.序列sequence5.序列器sequencer6.驱动器driver7.监视器monitor8.代理agent9.记分板scoreboard10.仿真环境env11.测试用例test12.顶层top13.参考模型referencemode和直接编程接口(DPI)14.简单的ma
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_