- 垂直领域大模型微调实践经验最全总结
人工智能大模型讲师培训咨询叶梓
人工智能微调性能优化大模型ai训练微调大模型微调
瓦力算法学研所技术总结专栏作者:vivida本篇从基座模型选择、模型整体架构、数据设计、训练微调四个角度总结垂直领域大模型微调经验。本篇将现有垂类大模型微调已公布的实践经验做一个全面的总结,大部分经验实测可推广,大家在自己实践过程中可以进行适当参考。下面是一个快捷目录,其中数据设计和训练微调是重点。1.基座模型选择2.模型整体架构3.数据设计4.训练微调基座模型选择1.医学类大模型微调怎么选择大模
- 【04】深度学习——训练的常见问题 | 过拟合欠拟合应对策略 | 过拟合欠拟合示例 | 正则化 | Dropout方法 | Dropout的代码实现 | 梯度消失和爆炸 | 模型文件的读写
花落指尖❀
#深度学习深度学习人工智能目标检测神经网络cnn
深度学习1.常见的分类问题1.1模型架构设计1.2万能近似定理1.3宽度or深度1.4过拟合问题1.5欠拟合问题1.6相互关系2.过拟合欠拟合应对策略2.1问题的本源2.2数据集大小的选择2.3数据增广2.4使用验证集2.5模型选择2.6K折交叉验证2.7提前终止3.过拟合欠拟合示例3.1导入库3.2数据生成3.3数据划分3.4模型定义3.5辅助函数3.6可视化4.正则化4.1深度学习中的正则化4
- NL2SQL技术方案系列(2):全系列技术选型完整版:从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示
汀、人工智能
LLM工业级落地实践prompt人工智能自然语言处理大模型LLMNL2SQLText2SQL
NL2SQL技术方案系列(2):全系列技术选型完整版:从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示NL2SQL基础系列(1):业界顶尖排行榜、权威测评数据集及LLM大模型(SpidervsBIRD)全面对比优劣分析[Text2SQL、Text2DSL]NL2SQL基础系列(2):主流大模型与微调方法精选集,Text2SQL经典算法技术回顾七年发展脉络梳理NL2S
- 开源语音转文本Speech-to-Text大模型实战之Wav2Vec篇
码上飞扬
Wav2Vec文本转语音人工智能Speech-to-Text
前言近年来,语音转文本(Speech-to-Text,STT)技术取得了长足的进步,广泛应用于各种领域,如语音助手、自动字幕生成、智能客服等。本文将详细介绍如何利用开源语音转文本大模型进行实战,从模型选择、环境搭建、模型训练到实际应用,带您一步步实现语音转文本功能。一、模型选择目前,市面上有许多优秀的开源语音转文本模型可供选择,其中一些流行的模型包括:DeepSpeech:由Mozilla开源,基
- 24.8.26学习心得
kkkkk021106
人工智能
验证数据集(ValidationSet)和测试数据集(TestSet)在机器学习和深度学习中都是非常重要的概念。它们各自有不同的用途和目的。下面详细解释两者之间的区别:1.验证数据集(ValidationSet)目的:超参数调整:验证数据集主要用于调整模型的超参数,如学习率、正则化系数、网络层数等。模型选择:用于选择最佳模型。例如,在交叉验证中,通过在验证数据集上的表现来选择性能最好的模型。防止过
- AutoML原理与代码实例讲解
AI大模型应用之禅
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
AutoML原理与代码实例讲解作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着数据量的爆炸式增长和算法的日益复杂,机器学习在各个领域的应用越来越广泛。然而,机器学习模型的开发过程往往需要大量的专业知识和经验。数据预处理、特征工程、模型选择、参数调优等步骤都需要人工进行,这使得机器学习模型的开发变得复杂且耗时。为了解决这
- 遗传算法与深度学习实战(1)——进化深度学习
盼小辉丶
遗传算法与深度学习实战深度学习人工智能遗传算法
遗传算法与深度学习实战(1)——进化深度学习0.前言1.进化深度学习1.1进化深度学习简介1.2进化计算简介2.进化深度学习应用场景3.深度学习优化3.1优化网络体系结构4.通过自动机器学习进行优化4.1自动机器学习简介4.2AutoML工具5.进化深度学习应用5.1模型选择:权重搜索5.2模型架构:架构优化5.3超参数调整/优化5.4验证和损失函数优化5.5增强拓扑的神经进化小结系列链接0.前言
- Scikit-learn:用于数据挖掘和数据分析的简单而有效的工具,建立在 NumPy, SciPy 和 Matplotlib 上。
Jr_l
#数据科学数据挖掘scikit-learn数据分析
引言Scikit-learn是一个基于Python的机器学习库,旨在为数据挖掘和数据分析提供简单而有效的工具。它建立在强大的科学计算库之上,包括NumPy、SciPy和Matplotlib,提供了丰富的机器学习算法和工具,如分类、回归、聚类、降维、模型选择和数据预处理等。Scikit-learn的API设计简洁,使用方便,且拥有高效的实现,因此在学术研究和工业界中得到了广泛应用。无论是数据科学家还
- 【机器学习】探索数据矿藏:Python中的AI大模型与数据挖掘创新实践
C_GUIQU
机器学习人工智能python
前言:探索数据矿藏1.数据获取与预处理:AI大模型的燃料1.1数据获取:多样性与规模并重1.2数据清洗与处理:提升数据质量1.3特征工程:挖掘数据的深层次信息1.4自动化特征工程:AI与特征工程的结合2.模型训练与优化:构建智能的大脑2.1模型选择:大模型的基础构建2.2模型训练:从数据到智能的转化2.3⚙️模型优化:精益求精的智能化提升2.4模型解释与可视化:揭示黑盒的内部3实际应用案例:AI大
- 【Vuforia+Unity】AR02-长方体物体识别
Unity3d青子
AR开发unity游戏引擎
1.创建模型选择多维长方体图,这个长方体是生活中的真实物体的拍摄图,提前把6个面拍摄好并裁剪干净。官网创建模型https://developer.vuforia.com/targetmanager/project/targets?projectId=0ddbb5c17e7f4bf090834650bbea4995&av=false设置长宽高,这个长宽高需要与真实物体的长宽保持一样的比例2.上传贴图
- 【机器学习笔记】5 机器学习实践
RIKI_1
机器学习机器学习笔记人工智能
数据集划分子集划分训练集(TrainingSet):帮助我们训练模型,简单的说就是通过训练集的数据让我们确定拟合曲线的参数。验证集(ValidationSet):也叫做开发集(DevSet),用来做模型选择(modelselection),即做模型的最终优化及确定的,用来辅助我们的模型的构建,即训练超参数,可选;测试集(TestSet):为了测试已经训练好的模型的精确度。三者划分:训练集、验证集、
- 【机器学习笔记】 6 机器学习库Scikit-learn
RIKI_1
机器学习机器学习笔记scikit-learn
Scikit-learn概述Scikit-learn是基于NumPy、SciPy和Matplotlib的开源Python机器学习包,它封装了一系列数据预处理、机器学习算法、模型选择等工具,是数据分析师首选的机器学习工具包。自2007年发布以来,scikit-learn已经成为Python重要的机器学习库了,scikit-learn简称sklearn,支持包括分类,回归,降维和聚类四大机器学习算法。
- Dataframe型数据分析技巧汇总
我叫杨傲天
学习笔记机器学习数据分析数据挖掘
Kaggle如何针对少量数据集比赛的打法。数据降维的几种方法HF.075|时间序列趋势性分析方法汇总机器学习必须了解的7种交叉验证方法(附代码)这个图!Python也能一键绘制了,而且样式更多..散点图,把散点图画出花来综述:机器学习中的模型评价、模型选择与算法选择!表格任务中的深度学习模型性能比较再见Onehot!KaggleMaster的上分神操作!特征重要性评估方法之排列重要性
- LLMs模型选择,LLMs复读机问题,LLMs长文本处理方案
lichunericli
LLM人工智能深度学习机器学习
为什么会出现LLMs复读机问题?LLMs复读机问题(LLMsParrotingProblem)是指大型语言模型(LLMs)在生成文本时可能出现的重复或重复先前输入内容的现象。出现LLMs复读机问题可能有以下几个原因:数据偏差:大型语言模型通常是通过预训练阶段使用大规模无标签数据进行训练的。如果训练数据中存在大量的重复文本或者某些特定的句子或短语出现频率较高,模型在生成文本时可能会倾向于复制这些常见
- Regularization&feature selection
zealscott
Crossvalidation/multualinformation/Bayesianstatisticsandregularization在之前我们讨论了最小化风险函数,但很多时候这样做的效果并不好,这是由于biasandvariance的权衡。因此,我们需要进行模型选择,来自动的选择最合适的模型。Crossvalidation假设我们有一些有限的模型,如何来选择哪个模型能够使得其泛化能力最好?
- 模型选择的方法
pcqlegend
正则化和交叉验证正则化在经验风险上加一个正则化项或者罚项,回忆下经验风险是模型关于一个训练集的平均损失.交叉验证验证随机的将数据集分为训练集,验证集和测试集,分类简单交叉验证一部分作为训练集,一部分作为测试集,S折交叉验证将数据集随机拆分为数量相同的S个数据集,然后利用S-1个子集的数据做为训练集,剩余的子集作为测试集,然后重复执行这S种选择,最后选出S次测评中平均误差最小的模型。留一交叉验证是S
- 机器学习:数据集划分笔记
Ningbo_JiaYT
机器学习机器学习算法笔记
数据集划分是机器学习中非常关键的步骤,能直接影响模型的训练效果和泛化能力。它的主要目的是为了评估模型对新数据的泛化能力,即模型在未见过的数据上能表现良好。数据集通常被划分为三个部分:训练集(Trainingset)、验证集(Validationset)和测试集(Testset)。目录原因1.避免过拟合2.模型评估3.模型选择和调参方法1.留出法(Hold-outMethod)2.自助法(Boots
- AI交互提示工程指南技术
Young_svg
程序人生
简述:当今互联网行业对于AI提示工程的需求日益增长,而《AI提示工程指南》是一本旨在满足这种需求的宝贵指南。本指南由一位对AI提示工程充满热情并自学而来的互联网从业者撰写,旨在为行业人员提供一个全面、易懂的参考手册。这本指南将引领您踏上AI提示工程的旅程,深入探索其核心概念、关键技术和实践方法。从基础知识到高级策略,它涵盖了从数据预处理、模型选择到优化和部署的全流程。即使您是初学者,也能轻松理解其
- AI提示工程指南
Young_svg
工具篇人工智能
简述:当今互联网行业对于AI提示工程的需求日益增长,而《AI提示工程指南》是一本旨在满足这种需求的宝贵指南。本指南由一位对AI提示工程充满热情并自学而来的互联网从业者撰写,旨在为行业人员提供一个全面、易懂的参考手册。这本指南将引领您踏上AI提示工程的旅程,深入探索其核心概念、关键技术和实践方法。从基础知识到高级策略,它涵盖了从数据预处理、模型选择到优化和部署的全流程。即使您是初学者,也能轻松理解其
- Python 机器学习 交叉验证、网格搜索
weixin_42098295
python机器学习开发语言
Python的机器学习项目中,交叉验证(Cross-Validation)和网格搜索(GridSearch)是两种重要的技术,通常用于模型选择和超参数优化。交叉验证和网格搜索也是机器学习中常用的两种技术,可以有效地提高模型的性能。1、交叉验证(Cross-Validation)交叉验证是一种评估模型泛化性能的方法。它涉及将数据集分成几个部分,通常是“折叠”(folds),然后将模型在一个折叠上进行
- 动手学深度学习-02打卡
一技破万法
过拟合、欠拟合及其解决方案1.过拟合、欠拟合的概念2.权重衰减3.丢弃法模型选择、过拟合和欠拟合训练误差和泛化误差训练误差:模型在训练数据集上表现出的误差。泛化误差:模型在任意一个测试数据样本上表现出的误差的期望。模型选择验证数据集除训练集和测试集之外的数据。目的是为了从训练误差估计泛化误差。k折交叉验证把原始训练数据集分割成k个不重合的子数据集,然后做k次模型训练和验证。每一次我们使用一个子数据
- Python自动化机器学习库之evalml使用详解
Rocky006
python人工智能开发语言
概要数据科学是当今科技领域中不可或缺的一部分,而机器学习是数据科学的核心。然而,构建和部署机器学习模型常常需要大量的时间和精力,涉及到数据预处理、特征工程、模型选择、超参数调优等一系列复杂任务。为了简化这个过程,使其更加高效,EvalML库应运而生。EvalML是一款用于自动化机器学习(AutoML)的Python库,它可以自动完成机器学习工作流程的各个阶段。本文将详细介绍EvalML的功能和用法
- AIGC内容分享(十二):AIGC探索之旅AIGC探索之旅
之乎者也·
AIGC内容分享AI(人工智能)内容分享AIGC
目录前言引言:AI时代,未来已来AIGC简介与发展历程早期萌芽阶段(1950s-1990s)沉淀积累阶段(1990s-2010s)快速发展阶段(2010s至今)大模型与AIGC的关联大模型概述大模型的定义和特点典型大模型举例AIGC应用探索业务背景AIGC技术落地过程模型选择技术框架选择整体架构设计部分实践案例其他应用场景AIGC的实践挑战技术挑战伦理和监管问题AIGC的未来展望前言随着OpenA
- evalml,一个有趣的 Python 库!
Sitin涛哥
python开发语言
更多Python学习内容:ipengtao.com大家好,今天为大家分享一个有趣的Python库-evalml。Github地址:https://github.com/alteryx/evalml数据科学是当今科技领域中不可或缺的一部分,而机器学习是数据科学的核心。然而,构建和部署机器学习模型常常需要大量的时间和精力,涉及到数据预处理、特征工程、模型选择、超参数调优等一系列复杂任务。为了简化这个过
- 2020-03-04板簧压缩回弹分析(原创李克鹏)
CAE张工
本教程的目的在于帮助workbench初级用户更方便地利用workbench的强大分析功能。实例本身所采用的数据或边界条件不具有代表性,不讨论个划分技巧、材料模型选择、材料参数确定、接触方式选择等等问题。限于自身水平,本教程中必有许多值得完善的地方,也请各位批评指正。教程:workbenchStatic模块应用——模拟板簧压缩及回弹一、问题描述"D模型文件:3-0.25.xt(模型见附件)E目标:
- 2024美赛E题数学建模思路代码数据分享
千千小屋grow
数学建模
2024ICMProblemE:SustainabilityofPropertyInsurance本题要求选取不同大陆上经历极端天气的两个地区来为保险公司开发模型,本题的重点是找到尽可能多而全的数据,包括天气数据,经济数据,人口数据等。模型选择:对于气候:l根据历史的气候数据,对未来的极端天气进行预测(时间序列分析),可以利用季节性ARIMA,长短期记忆网络(LSTM),向量自回归(VAR)模型等
- 用通俗易懂的方式讲解:一文详解大模型 RAG 模块
Python算法实战
大模型理论与实战大模型人工智能大模型langchain深度学习RAG检索增强生成多模态大模型
文章目录什么是RAG?技术交流&资料通俗易懂讲解大模型系列RAG模块化什么是模块化RAG?索引模块块优化滑动窗口从小到大元数据附加结构化组织层次化索引知识图谱文档组织预检索模块查询扩展多查询子查询CoVe查询转换重写HyDE查询路由元数据路由器/过滤器语义路由器查询构建检索模块检索模型选择稀疏检索器密集检索器检索器微调SFT(自我训练)LSR(语言模型监督检索器)RL(强化学习)Adapter后处
- LM Studio-简化安装和使用开源大模型 | OpenAI API 文字转语音本地运行程序分享
javastart
aigc大模型自然语言AIGC人工智能chatgpt
原文:LMStudio-简化安装和使用开源大模型|OpenAIAPI文字转语音本地运行程序分享-知乎实测在Mac上使用Ollama与AI对话的过程-模型选择、安装、集成使用记,从Mixtral8x7b到Yi-34B-Chat官网:https://lmstudio.ai/最近用上了LMStudio,对比Ollama,LMStudio还支持Win端,支持的模型更多,客户端本身就可以多轮对话,而且还支持
- 机器学习驱动的精密缺陷检测技术研究
matlabgoodboy
机器学习人工智能
机器学习驱动的精密缺陷检测技术是一种基于机器学习算法的技术,它可以在各种应用场景中自动、准确地检测缺陷。以下是关于该技术研究的一些关键方面:技术原理:这种技术利用机器学习算法从大量数据中学习并识别模式。通过对这些数据进行分析和学习,系统可以建立对正常状态和异常状态的理解,从而准确地检测出缺陷。这种方法的优点在于,它可以消除人为因素,减少误判,并提供更高的准确性。模型选择与优化:基于机器学习的精密缺
- 4K三路虚拟情景互动教学软件教学
英途信息
mr
4K三路虚拟情景互动教学软件具备了丰富多元化的功能,如情景实训,微课录制,人物滤镜调节,截图编辑,视频编辑,场景自定义编辑,3D设置,视频录制,视频编辑,视频直播,字幕,图片,特效输入,画中画插入,AI对话,模型选择等功能。4K三路虚拟情景互动教学软件在课堂学习过程中的作用着重在于情景实训与课件录制两方面。在情景体验教学方面,根据实际专业教学课程内容,通过计算机模拟制作课程内容场景,教师在教学过程
- Linux的Initrd机制
被触发
linux
Linux 的 initrd 技术是一个非常普遍使用的机制,linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式,变化不仅反映在文件格式上, linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术,然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
- maven本地仓库路径修改
bitcarter
maven
默认maven本地仓库路径:C:\Users\Administrator\.m2
修改maven本地仓库路径方法:
1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml
2.找到
 
- XSD和XML中的命名空间
darrenzhu
xmlxsdschemanamespace命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml
http://blog.csdn.net/wanghuan203/article/details/9203621
http://blog.csdn.net/wanghuan203/article/details/9204337
http://www.cn
- Java 求素数运算
周凡杨
java算法素数
网络上对求素数之解数不胜数,我在此总结归纳一下,同时对一些编码,加以改进,效率有成倍热提高。
第一种:
原理: 6N(+-)1法 任何一个自然数,总可以表示成为如下的形式之一: 6N,6N+1,6N+2,6N+3,6N+4,6N+5 (N=0,1,2,…)
- java 单例模式
g21121
java
想必单例模式大家都不会陌生,有如下两种方式来实现单例模式:
class Singleton {
private static Singleton instance=new Singleton();
private Singleton(){}
static Singleton getInstance() {
return instance;
}
- Linux下Mysql源码安装
510888780
mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz
(1)创建mysql的安装目录及数据库存放目录
解压缩下载的源码包,目录结构,特殊指定的目录除外:
- 32位和64位操作系统
墙头上一根草
32位和64位操作系统
32位和64位操作系统是指:CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的,但是这些CPU并不是真正意义上的64 位CPU,里面依然保留了大部分32位的技术,只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面,32位系统的最大寻址空间是2 的32次方= 4294967296(bit)= 4(GB)左右,而64位系统的最大寻址空间的寻址空间则达到了
- 我的spring学习笔记10-轻量级_Spring框架
aijuans
Spring 3
一、问题提问:
→ 请简单介绍一下什么是轻量级?
轻量级(Leightweight)是相对于一些重量级的容器来说的,比如Spring的核心是一个轻量级的容器,Spring的核心包在文件容量上只有不到1M大小,使用Spring核心包所需要的资源也是很少的,您甚至可以在小型设备中使用Spring。
 
- mongodb 环境搭建及简单CURD
antlove
WebInstallcurdNoSQLmongo
一 搭建mongodb环境
1. 在mongo官网下载mongodb
2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db"
3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
- 数据字典和动态视图
百合不是茶
oracle数据字典动态视图系统和对象权限
数据字典(data dictionary)是 Oracle 数据库的一个重要组成部分,这是一组用于记录数据库信息的只读(read-only)表。随着数据库的启动而启动,数据库关闭时数据字典也关闭 数据字典中包含
数据库中所有方案对象(schema object)的定义(包括表,视图,索引,簇,同义词,序列,过程,函数,包,触发器等等)
数据库为一
- 多线程编程一般规则
bijian1013
javathread多线程java多线程
如果两个工两个以上的线程都修改一个对象,那么把执行修改的方法定义为被同步的,如果对象更新影响到只读方法,那么只读方法也要定义成同步的。
不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据,就不要将方法设置为synchronized的。
- 将文件或目录拷贝到另一个Linux系统的命令scp
bijian1013
linuxunixscp
一.功能说明 scp就是security copy,用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议,保证了数据传输的安全,其格式如下: scp 远程用户名@IP地址:文件的绝对路径
- 【持久化框架MyBatis3五】MyBatis3一对多关联查询
bit1129
Mybatis3
以教员和课程为例介绍一对多关联关系,在这里认为一个教员可以叫多门课程,而一门课程只有1个教员教,这种关系在实际中不太常见,通过教员和课程是多对多的关系。
示例数据:
地址表:
CREATE TABLE ADDRESSES
(
ADDR_ID INT(11) NOT NULL AUTO_INCREMENT,
STREET VAR
- cookie状态判断引发的查找问题
bitcarter
formcgi
先说一下我们的业务背景:
1.前台将图片和文本通过form表单提交到后台,图片我们都做了base64的编码,并且前台图片进行了压缩
2.form中action是一个cgi服务
3.后台cgi服务同时供PC,H5,APP
4.后台cgi中调用公共的cookie状态判断方法(公共的,大家都用,几年了没有问题)
问题:(折腾两天。。。。)
1.PC端cgi服务正常调用,cookie判断没
- 通过Nginx,Tomcat访问日志(access log)记录请求耗时
ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间
nginx.conf使用配置方式:
log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
- java-67- n个骰子的点数。 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
bylijinnan
java
public class ProbabilityOfDice {
/**
* Q67 n个骰子的点数
* 把n个骰子扔在地上,所有骰子朝上一面的点数之和为S。输入n,打印出S的所有可能的值出现的概率。
* 在以下求解过程中,我们把骰子看作是有序的。
* 例如当n=2时,我们认为(1,2)和(2,1)是两种不同的情况
*/
private stati
- 看别人的博客,觉得心情很好
Cb123456
博客心情
以为写博客,就是总结,就和日记一样吧,同时也在督促自己。今天看了好长时间博客:
职业规划:
http://www.iteye.com/blogs/subjects/zhiyeguihua
android学习:
1.http://byandby.i
- [JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析
comsci
工作流
我们已经不满足于仅仅跳跃一次,通过对引擎的升级,今天我测试了一下循环反馈模式,大概跑了200圈,引擎报一个溢出错误
在一个流程图的结束节点中嵌入一段方程,每次引擎运行到这个节点的时候,通过实时编译器GM模块,计算这个方程,计算结果与预设值进行比较,符合条件则跳跃到开始节点,继续新一轮拓扑分析,直到遇到
- JS常用的事件及方法
cwqcwqmax9
js
事件 描述
onactivate 当对象设置为活动元素时触发。
onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。
onbeforeactivate 对象要被设置为当前元素前立即触发。
onbeforecut 当选中区从文档中删除之前在源对象触发。
onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
- 正则表达式验证日期格式
dashuaifu
正则表达式IT其它java其它
正则表达式验证日期格式
function isDate(d){
var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i);
if(!v) {
this.focus();
return false;
}
}
<input value="2000-8-8" onblu
- Yii CModel.rules() 方法 、validate预定义完整列表、以及说说验证
dcj3sjt126com
yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。 返回属性的有效性规则。声明验证规则,应重写此方法。 每个规则是数组具有以下结构:array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
- UITextAttributeTextColor = deprecated in iOS 7.0
dcj3sjt126com
ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0."
Ins
- 判断一个数是质数的几种方法
EmmaZhao
Mathpython
质数也叫素数,是只能被1和它本身整除的正整数,最小的质数是2,目前发现的最大的质数是p=2^57885161-1【注1】。
判断一个数是质数的最简单的方法如下:
def isPrime1(n):
for i in range(2, n):
if n % i == 0:
return False
return True
但是在上面的方法中有一些冗余的计算,所以
- SpringSecurity工作原理小解读
坏我一锅粥
SpringSecurity
SecurityContextPersistenceFilter
ConcurrentSessionFilter
WebAsyncManagerIntegrationFilter
HeaderWriterFilter
CsrfFilter
LogoutFilter
Use
- JS实现自适应宽度的Tag切换
ini
JavaScripthtmlWebcsshtml5
效果体验:http://hovertree.com/texiao/js/3.htm
该效果使用纯JavaScript代码,实现TAB页切换效果,TAB标签根据内容自适应宽度,点击TAB标签切换内容页。
HTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml"
- Hbase Rest API : 数据查询
kane_xie
RESThbase
hbase(hadoop)是用java编写的,有些语言(例如python)能够对它提供良好的支持,但也有很多语言使用起来并不是那么方便,比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口,它内嵌了jetty作为servlet容器。
启动命令:./bin/hbase rest s
- JQuery实现鼠标拖动元素移动位置(源码+注释)
明子健
jqueryjs源码拖动鼠标
欢迎讨论指正!
print.html代码:
<!DOCTYPE html>
<html>
<head>
<meta http-equiv=Content-Type content="text/html;charset=utf-8">
<title>发票打印</title>
&l
- Postgresql 连表更新字段语法 update
qifeifei
PostgreSQL
下面这段sql本来目的是想更新条件下的数据,可是这段sql却更新了整个表的数据。sql如下:
UPDATE tops_visa.visa_order
SET op_audit_abort_pass_date = now()
FROM
tops_visa.visa_order as t1
INNER JOIN tops_visa.visa_visitor as t2
ON t1.
- 将redis,memcache结合使用的方案?
tcrct
rediscache
公司架构上使用了阿里云的服务,由于阿里的kvstore收费相当高,打算自建,自建后就需要自己维护,所以就有了一个想法,针对kvstore(redis)及ocs(memcache)的特点,想自己开发一个cache层,将需要用到list,set,map等redis方法的继续使用redis来完成,将整条记录放在memcache下,即findbyid,save等时就memcache,其它就对应使用redi
- 开发中遇到的诡异的bug
wudixiaotie
bug
今天我们服务器组遇到个问题:
我们的服务是从Kafka里面取出数据,然后把offset存储到ssdb中,每个topic和partition都对应ssdb中不同的key,服务启动之后,每次kafka数据更新我们这边收到消息,然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了,最开始我们是在代码中打印存储的日志,发现没什么问题,后来去查看ssdb的日志,才发现里面每次set的时候都会对同一个key