- Prompt Engineering 指南教程
班磊闯Andrea
PromptEngineering指南教程Prompt-Engineering-Guidedair-ai/Prompt-Engineering-Guide:是一个用于指导对话人工智能开发的文档。适合用于学习对话人工智能开发和自然语言处理。特点是提供了详细的指南和参考资料,涵盖了多种对话人工智能技术和算法,并且可以自定义学习路径和行为。项目地址:https://gitcode.com/gh_mirr
- 电子词典开源项目源代码完全解析
本文还有配套的精品资源,点击获取简介:电子词典作为数字化学习工具,已由传统硬件发展为可定制的开源软件应用。本源代码提供深入理解其工作机制的机会,包括用户界面设计、词典数据库、查询引擎、翻译算法等。源代码通常由主流编程语言编写,涉及到数据结构与算法、UI设计、数据库管理、自然语言处理、本地化与多语言支持、版本控制、软件工程、API接口以及开源社区的协作和交流。1.电子词典工作原理和定制功能电子词典工
- Python知识点:如何使用Nvidia Jetson与Python进行边缘计算
杰哥在此
Python系列python边缘计算开发语言面试编程
开篇,先说一个好消息,截止到2025年1月1日前,翻到文末找到我,赠送定制版的开题报告和任务书,先到先得!过期不候!如何使用NvidiaJetson与Python进行边缘计算NvidiaJetson平台是专为边缘计算设计的一系列AI计算机,它们能够处理和分析来自物联网(IoT)设备和边缘节点的数据。这些设备小巧、节能且功能强大,非常适合用于执行机器学习、计算机视觉和自然语言处理等任务。Python
- AI人工智能领域:Bard的崛起之路
AIGC应用创新大全
人工智能bardai
AI人工智能领域:Bard的崛起之路关键词:Bard、GoogleAI、大语言模型、对话式AI、自然语言处理、生成式AI、AI竞争摘要:本文深入探讨GoogleBard的发展历程、技术架构及其在AI领域的地位。我们将从Bard的诞生背景开始,分析其核心技术原理,比较与其他大语言模型的异同,并通过实际案例展示其应用场景。最后展望Bard的未来发展方向及面临的挑战。背景介绍目的和范围本文旨在全面解析G
- 从零开始理解Transformer模型:架构与应用
淮橘√
transformer深度学习人工智能
引言近年来,Transformer模型席卷了自然语言处理(NLP)领域,成为了深度学习中的明星架构。从Google提出的《AttentionisAllYouNeed》论文到ChatGPT、BERT等模型的广泛应用,Transformer以其强大的性能和灵活性改变了我们对序列建模的认知。本文将从零开始,深入浅出地解析Transformer的架构原理、核心组件以及实际应用场景,并提供一个简单的代码示例
- 揭秘自然语言处理在AI人工智能领域的奥秘
AI智能探索者
AIAgent智能体开发实战人工智能自然语言处理easyuiai
揭秘自然语言处理在AI人工智能领域的奥秘关键词:自然语言处理、AI人工智能、语言理解、语言生成、语义分析摘要:本文深入探讨了自然语言处理(NLP)在AI人工智能领域的奥秘。首先介绍了自然语言处理的背景,包括目的、预期读者、文档结构和相关术语。接着阐述了自然语言处理的核心概念与联系,通过文本示意图和Mermaid流程图进行展示。详细讲解了核心算法原理和具体操作步骤,并用Python源代码进行阐述。分
- 【LangChain编程:从入门到实践】AI 大模型检索增强生成 RAG 实践
AI智能应用
Python入门实战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
LangChain编程:从入门到实践-AI大模型检索增强生成RAG实践关键词:LangChain,RAG,大语言模型,检索增强生成,向量数据库,嵌入模型,提示工程1.背景介绍在人工智能和自然语言处理领域,大语言模型(LargeLanguageModels,LLMs)的出现无疑是一个重大突破。像GPT-3、GPT-4这样的模型展现出了惊人的语言理解和生成能力,为各种应用场景带来了无限可能。然而,这些
- 【机器学习&深度学习】模型微调的基本概念与流程
一叶千舟
深度学习【理论】机器学习深度学习人工智能
目录前言一、什么是模型微调(Fine-tuning)?二、预训练vs微调:什么关系?三、微调的基本流程(以BERT为例)1️⃣准备数据2️⃣加载预训练模型和分词器3️⃣数据编码与加载4️⃣定义优化器5️⃣开始训练6️⃣评估与保存模型四、是否要冻结BERT层?五、完整训练示例代码5.1环境依赖5.2执行代码总结:微调的优势前言在自然语言处理(NLP)快速发展的今天,预训练模型如BERT成为了众多任务
- 【自然语言处理-NLP】文本预处理技术
云博士的AI课堂
哈佛博后带你玩转机器学习深度学习自然语言处理人工智能NLP深度学习数据预处理NLP数据预处理机器学习
以下内容将从基本概念到实用代码分步骤、分场景地详细介绍NLP常见文本预处理方法及其背后的思想。如果无法从外部导入数据,我们会模拟一份简易文本数据(如字符串列表),并在此基础上演示预处理代码及详细解释,确保在常规Python环境下可以运行。一、文本预处理的常见需求和作用在自然语言处理(NLP)任务(如机器学习、深度学习、大模型开发)中,原始文本数据通常会包含各种噪声,例如:多余的空格、换行符、特殊符
- 从零开始:Python实现语音识别的完整教程_副本
AIGC应用创新大全
AI大模型与大数据技术AI人工智能与大数据应用开发MCP&Agent云算力网络python语音识别开发语言ai
从零开始:Python实现语音识别的完整教程关键词:Python、语音识别、语音转文本、音频处理、机器学习、深度学习、自然语言处理摘要:本文将带你从零开始学习如何使用Python实现语音识别功能。我们将从基础概念讲起,逐步深入到实际代码实现,涵盖音频处理、特征提取、模型训练等关键环节,最终构建一个完整的语音识别系统。无论你是初学者还是有一定经验的开发者,都能从本教程中获得实用的知识和技能。背景介绍
- 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
- 信息抽取数据集全景分析:分类体系、技术演进与挑战_DEEPSEEK
致Great
分类数据挖掘人工智能
信息抽取数据集全景分析:分类体系、技术演进与挑战摘要信息抽取(IE)作为自然语言处理的核心任务,是构建知识图谱、支持智能问答等应用的基础。近年来,随着深度学习技术的发展和大规模预训练模型的兴起,IE数据集呈现爆发式增长,其分析与评估对模型研发和领域迁移至关重要。本文基于对158个主流IE数据集的系统性梳理,首次提出“信息提取与命名实体识别数据集分类体系”。该体系涵盖8大类别(命名实体识别、关系提取
- 自然语言处理之文本生成:Recurrent Neural Networks (RNN):序列模型与语言模型
zhubeibei168
自然语言处理自然语言处理rnn语言模型人工智能机器翻译生成对抗网络
自然语言处理之文本生成:RecurrentNeuralNetworks(RNN):序列模型与语言模型自然语言处理简介NLP的基本概念自然语言处理(NaturalLanguageProcessing,简称NLP)是人工智能领域的一个重要分支
- 推荐几本人工智能方面的书(入门级)
人邮异步社区
人工智能深度学习神经网络
以下推荐几本适合入门人工智能的书籍,帮助你逐步建立基础知识和理解:一、数学基础类《数学之美》推荐理由:深入浅出地讲解了自然语言处理与搜索方向的数学原理,对于理解算法背后的数学逻辑非常有帮助。本书的章节名称,有“统计语言模型”“谈谈中文分词”“贾里尼克和现代语言处理”“布尔代数和搜索引擎”“信息指纹及其应用”等,似乎太过专业,实际上高中和大学低年级的同学们都能看得懂,当然本书因此也可以称得上是“高级
- 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
- Python爬虫实战:研究difflib库相关技术
ylfhpy
爬虫项目实战python爬虫easyui开发语言前端difflib
1.引言1.1研究背景与意义在信息爆炸的数字时代,互联网每天产生海量文本内容。据统计,全球新闻网站日均发布文章超过300万篇,社交媒体平台产生的文本信息量更以亿级单位增长。这种信息过载带来了内容同质化、抄袭剽窃等问题,给新闻媒体行业、学术研究领域和搜索引擎优化等带来了挑战。文本相似度分析作为自然语言处理的重要分支,能够有效识别内容间的相似程度,具有重要的应用价值:新闻媒体行业:通过检测新闻抄袭和重
- DeepSeek:AI驱动的效率革命与实战案例解
weixin_45788582
人工智能aiDeepSeek
在人工智能技术的浪潮中,DeepSeek作为一款专注实现AGI(通用人工智能)的先锋工具,正通过其强大的自然语言处理(NLP)与分布式计算能力,重新定义高效办公的边界。以下通过技术解析与实战案例,展现DeepSeek如何赋能个人与企业,开启职场效率革命。一、技术革新:DeepSeek的核心竞争力深度学习赋能DeepSeek的技术架构基于BERT、Transformer等先进深度学习模型,通过构建复
- AI 技术&AI开发框架
34号树洞
人工智能深度学习人工智能机器学习NLPGAI
目录一、AI技术及其开发框架1.AI技术分类与代表方向2.主流AI开发框架3.AI应用开发流程简述4.补充:基础依赖与生态二、AI技术方向1.机器学习(MachineLearning,ML)✦核心概念:✦关键方法:✦应用案例:2.深度学习(DeepLearning,DL)✦核心概念:✦网络结构举例:✦技术趋势:3.自然语言处理(NLP)✦核心任务:✦代表模型:4.计算机视觉(ComputerVis
- Java AI 新纪元:Spring AI 与 Spring AI Alibaba 的崛起
小沛9
SpringAIAlibabaSpringAIjava人工智能springspringaiSAA
此章节没什么营养,只是一个描述,同时也能看到AI的能力(文章基本都是AI进行生成的),小沛觉得开始不写点引言好像差了点什么东西,好像鱼离开了自行车。引言:AI时代对Java开发者的机遇与挑战,Java在AI领域的现状在当今技术飞速发展的时代,人工智能(AI)已不再是遥不可及的未来概念,而是深刻地融入到我们生活的方方面面,从智能推荐系统到自动驾驶,从自然语言处理到计算机视觉,AI正以前所未有的速度改
- 大模型本地部署,拥有属于自己的ChatGpt
小妖同学学AI
chatgpt
ChatGpt以其强大的信息整合和对话能力惊艳了全球,在自然语言处理上面表现出了惊人的能力。不管用于文案撰写还是程序辅助开发都大大提高了我们的工作效率,但是其使用有一定的门槛,让我们大多数人都望而却步,今天我们利用ollama实现本地大模型的步骤,让我们轻松拥有自己的人工智能。Ollama作为一个轻量级的工具,可以帮助用户在本地运行这些大型语言模型,无需持续依赖云服务,既保护了数据隐私,又能减少网
- Spring AI 结合 MCP MySQL 实现对话式数据库查询
没刮胡子
软件开发技术实战专栏人工智能AISpring数据库spring人工智能spring-aimcp-servermysql
在现代应用开发中,将人工智能与数据库查询结合可以创造更自然、更智能的用户交互方式。下面我将详细介绍如何使用SpringAI框架结合MCP(可能指MySQL连接池或相关组件)实现对话中的数据库查询功能。什么是SpringAI和MCPMySQLSpringAI框架概述SpringAI是基于Spring生态的人工智能集成框架,它提供了:与大型语言模型(LLM)的集成能力对话管理和自然语言处理功能业务逻辑
- 信息抽取领域关键Benchmark方法:分类体系
信息抽取领域关键Benchmark方法:分类体系摘要信息抽取(InformationExtraction,IE)作为自然语言处理的核心任务之一,旨在从非结构化文本中识别并结构化关键信息(如实体、关系、事件等),广泛应用于知识图谱构建、智能问答和数据分析等领域。近年来,随着深度学习技术的快速发展,信息抽取方法在性能和应用范围上取得了显著进步,但同时也面临着任务多样性、跨领域泛化性以及低资源场景下的适
- TensorFlow:开启智能时代的引擎
科技林总
DeepSeek学AI人工智能
想象一下,计算机能看懂病历、汽车能自动驾驶、机器能创作艺术——这一切的核心,正是深度学习的力量。而推动这场革命的引擎之一,就是今天的主角:**TensorFlow**。---###**一、背景:为什么需要TensorFlow?1.**深度学习的爆发**-传统编程无法解决图像识别、自然语言处理等复杂问题。-神经网络需要高效工具处理海量数据和计算。2.**Google的答案**-2015年开源Tens
- 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
- 卷积神经网络
亿只小灿灿
Python算法与数据结构人工智能cnn人工智能神经网络
一、引言在当今人工智能的浪潮中,卷积神经网络(ConvolutionalNeuralNetwork,CNN)无疑是一颗璀璨的明星。它在图像识别、语音处理、自然语言处理等众多领域取得了巨大的成功,极大地推动了人工智能技术的发展。那么,什么是卷积神经网络?它的算法原理是什么?本文将深入探讨这些问题,并通过Python代码实现一个简单的卷积神经网络,以帮助读者更好地理解和掌握这一强大的技术。二、卷积神经
- 理解不同层的表示(layer representations)
科学禅道
高维表示人工智能深度学习
在机器学习和深度学习领域,特别是在处理音频和自然语言处理(NLP)任务时,"层的表示"(layerrepresentations)通常是指神经网络不同层在处理输入数据时生成的特征或嵌入。这些表示捕获了输入数据的不同层次的信息。1.层的表示(layerrepresentations)为了更好地理解这一概念,我们可以从以下几个方面进行解释:1.深度神经网络结构深度神经网络(DNN)通常由多个层组成,每
- 微软人工智能证书AI-102 | 如何快速通过?
全球认证考试中心
人工智能微软
微软AI-102考试,全称“DesigningandImplementingaMicrosoftAzureAISolution”,是微软推出的用于验证考生在Azure平台上设计和实施AI解决方案核心能力的认证考试。以下是具体介绍:考试描述:考试主要衡量考生实施计划和管理Azure认知服务解决方案、计算机视觉解决方案、自然语言处理解决方案、知识挖掘解决方案、对话式AI解决方案的能力。考试题型通常包括
- embedding模型有哪些?如何选择合适的embedding模型?
行云流水AI笔记
embedding
embedding模型是一种将数据映射到低维空间的模型,常用于自然语言处理、推荐系统、图像识别等领域。以下是一些常见的embedding模型:Word2Vec:CBOW(ContinuousBag-of-Words):通过上下文预测中心词。Skip-Gram:通过中心词预测上下文。GloVe(GlobalVectorsforWordRepresentation):结合了词频统计和Word2Vec的
- Transformer底层原理解析及基于pytorch的代码实现
LiRuiJie
人工智能transformerpytorch深度学习
1.Transformer底层原理解析1.1核心架构突破Transformer是自然语言处理领域的革命性架构,其核心设计思想完全摒弃了循环结构,通过自注意力机制实现全局依赖建模。整体架构图如下:以下是其核心组件:1)自注意力机制(Self-Attention)-输入序列的每个位置都能直接关注所有位置-数学公式(缩放点积注意力):-Q:查询矩阵(当前关注点)-K:键矩阵(被比较项)-V:值矩阵(实际
- Python爬虫实战:研究TextBlob相关技术
ylfhpy
爬虫项目实战python爬虫开发语言htmlTextBlob
1.引言1.1研究背景与意义随着互联网技术的飞速发展,社交媒体已成为人们获取信息和表达观点的重要平台。每天在社交媒体上产生的海量文本数据蕴含着丰富的情感信息和社会舆情,分析这些文本情感倾向,有助于企业了解消费者对产品和服务的评价,政府部门监测社会舆论动态,研究机构探索公众对热点事件的态度。情感分析(SentimentAnalysis)作为自然语言处理的重要分支,旨在通过计算方法识别和提取文本中的主
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理