- 入门Apache Spark:基础知识和架构解析
juer_0001
javaspark
介绍ApacheSparkSpark的历史和背景ApacheSpark是一种快速、通用、可扩展的大数据处理引擎,最初由加州大学伯克利分校的AMPLab开发,于2010年首次推出。它最初设计用于支持分布式计算框架MapReduce的交互式查询,但逐渐发展成为一种更通用的数据处理引擎,能够处理数据流、批处理和机器学习等工作负载。Spark的特点和优势Spark是一种快速、通用、可扩展的大数据处理框架,
- AI在农业中的应用:精准农业的新时代
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据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
AI,农业,精准农业,机器学习,深度学习,计算机视觉,农业机器人1.背景介绍农业是人类文明的基石,也是全球经济的重要支柱。然而,随着人口增长和资源短缺,传统农业面临着诸多挑战,例如低效率、资源浪费、环境污染和气候变化的影响。为了应对这些挑战,精准农业应运而生。精准农业是指利用现代信息技术和数据分析手段,对农业生产进行精细化管理,提高资源利用效率、产量和产品质量,同时减少环境污染。人工智能(AI)作
- AI驱动的企业学习管理系统
AGI大模型与大数据研究院
DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
AI、机器学习、深度学习、企业学习管理系统、个性化学习、学习路径推荐、知识图谱1.背景介绍在当今瞬息万变的数字化时代,企业面临着前所未有的挑战和机遇。知识更新速度加快,技术迭代日新月异,员工需要不断学习新技能,提升自身竞争力,才能适应不断变化的市场环境。传统的企业学习管理系统(LearningManagementSystem,LMS)往往以标准化课程和批量学习为主,难以满足员工个性化学习需求,且缺
- 量子计算如何提升机器学习效率:从理论到实践
Echo_Wish
人工智能前沿技术量子计算机器学习人工智能
量子计算如何提升机器学习效率:从理论到实践在人工智能和机器学习的高速发展中,传统计算方法已经逐渐面临性能瓶颈。随着数据量的激增、算法复杂度的提高,传统计算机在处理某些特定任务时的效率显得捉襟见肘。而量子计算,作为一项颠覆性的技术,正逐步展现出在机器学习领域中的巨大潜力。量子计算不仅能够加速特定任务的执行,还能为一些经典算法提供更高效的解决方案。今天,我们将深入探讨量子计算如何提升机器学习效率,解析
- 从零到精通:小白DeepSeek全栈入门指南
好东西不迷路
各自资源AI前端htmlpython
第一部分:认知准备(1-3天)1.1基础概念搭建人工智能三要素:数据/算法/算力深度学习与传统机器学习的区别神经网络基本结构(输入层/隐藏层/输出层)常用术语解析:epoch、batch、loss、accuracy1.2环境配置实战Python环境搭建(推荐Anaconda)condacreate-ndeepseekpython=3.8condaactivatedeepseek深度学习框架选择指南
- 查看Python库依赖关系的解决方案
爱编程的喵喵
Python基础课程python依赖关系
大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳,不仅形成深入且独到的理解,而且能够帮助新手快速入门。 本文主要介绍了查看Python库依赖关系的解决方案
- 考研导师选择方法
herosunly
考名校研究生经验分享考研选择导师考研导师选择方法
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委,编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
- 梯度下降法(Gradient Descent) -- 现代机器学习的血液
AOIWB
机器学习人工智能python
梯度下降法(GradientDescent)–现代机器学习的血液梯度下降法是现代机器学习最核心的优化引擎。本文从数学原理、算法变种、应用场景到实践技巧,用三维可视化案例和代码实现揭示其内在逻辑,为你构建完整的认知体系。优化算法一、梯度下降法的定义与核心原理定义:梯度下降法是一种通过迭代更新参数来最小化目标函数的优化算法,其核心思想是沿着当前点的负梯度方向逐步逼近函数最小值。数学表达:参数更新公式为
- 特征提取:如何从不同模态中获取有效信息?
Ash Butterfield
自然语言处理(NLP)专栏nlp人工智能
在多模态学习中,特征提取是一个至关重要的过程。它是将原始数据(如文本、图像、视频和语音等)转化为机器能够理解和处理的特征的核心步骤。不同于传统的单一模态任务,在多模态学习中,如何有效地从每种模态中提取出有意义的信息并进行融合,直接影响到最终模型的性能和准确性。本篇文章将详细讲解如何从不同的模态(文本、图像、语音)中进行特征提取,涵盖常用的技术、方法、挑战以及应用。1.什么是特征提取?在机器学习中,
- python数据预处理技术与实践期末考试_Python机器学习手册:从数据预处理到深度学习...
坂田月半
内容简介O'ReillyMedia,Inc.介绍第1章向量、矩阵和数组1.0简介1.1创建一个向量1.2创建一个矩阵1.3创建一个稀疏矩阵1.4选择元素1.5展示一个矩阵的属性1.6对多个元素同时应用某个操作1.7找到最大值和最小值1.8计算平均值、方差和标准差1.9矩阵变形1.10转置向量或矩阵1.11展开一个矩阵1.12计算矩阵的秩1.13计算行列式1.14获取矩阵的对角线元素1.15计算矩阵
- 基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。
qq924711725
仿真模型机器学习算法随机森林
基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。首先从Excel文件中导入数据集,并将数据划分为训练集和测试集。然后,对数据进行归一化处理并转置以适应模型的要求。文章目录MATLAB代码实现说明:MATLAB代码实现说明:运行代码前的注意事项:示例输出:MATLAB代码实现说明:示例输出:以下是一个基于随机森林(RF,RandomForest)机器学习
- 程序员未来的出路:行业趋势与职业发展分析
guzhoumingyue
AIpython
随着技术的发展和行业需求的变化,程序员的职业出路也在不断演变。以下是程序员未来可能的职业发展方向及具体建议:一、技术深耕路线AI与机器学习专家趋势:AI技术在各行业的应用日益广泛,从自动驾驶到智能客服,需求持续增长。技能要求:Python、TensorFlow、PyTorch、数据挖掘、算法优化。发展路径:从机器学习工程师做起,积累项目经验。深入研究深度学习、强化学习等前沿技术。成为AI架构师或数
- 计算机毕业设计 ——jspssm507Springboot 的论坛管理系统
奔强的程序
课程设计
博主小档案:花花,一名来自世界500强的资深程序猿,毕业于国内知名985高校。技术专长:花花在深度学习任务中展现出卓越的能力,包括但不限于java、python等技术。近年来,花花更是将触角延伸至AI领域,对于机器学习、自然语言处理、智能推荐等前沿技术都有独到的见解和实践经验。服务内容:1、提供科研入门辅导(主要是代码方面)2、代码部署3、定制化需求解决等4、期末考试复习计算机毕业设计——jsps
- 强化学习——基本概念
AI大模型探索者
人工智能ai深度学习机器学习语言模型
何为强化学习机器学习的一大分支强化学习(ReinforcementLearning)是机器学习的一种,它通过与环境不断地交互,借助环境的反馈来调整自己的行为,使得累计回报最大。强化学习要解决的是决策问题——求取当前状态下最优行为或行为概率。强化学习包括智能体和环境两大对象,智能体是算法本身,环境是与智能体交互的外部。智能体(IntelligentAgent),在人工智能领域,智能体指一个可以观察周
- 自然语言处理NLP入门 -- 第一节基础概念
山海青风
#自然语言处理自然语言处理人工智能python
本部分主要介绍NLP的基础概念,并通过实际案例演示NLP的核心任务,同时引导你搭建NLP开发环境,确保你能顺利开始后续学习。1.什么是自然语言处理(NLP)1.1NLP的定义自然语言处理(NaturalLanguageProcessing,NLP)是人工智能(AI)的一个子领域,专注于让计算机理解、解释和生成人类语言。NLP结合了计算机科学、语言学和机器学习,以便计算机能自动处理文本和语音数据。简
- 机器学习与深度学习资料
JasonDing1354
【MachineLearning】
《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、DeepLearning.《DeepLearninginNeuralNetworks:AnOverview》介绍:这是瑞士人工智能实验室JurgenSchmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以
- 【大模型】大模型分类
IT古董
人工智能人工智能大模型
大模型(LargeModels)通常指参数量巨大、计算能力强大的机器学习模型,尤其在自然语言处理(NLP)、计算机视觉(CV)等领域表现突出。以下是大模型的常见分类方式:1.按应用领域分类自然语言处理(NLP)模型如GPT-3、BERT、T5等,主要用于文本生成、翻译、问答等任务。计算机视觉(CV)模型如ResNet、EfficientNet、VisionTransformer(ViT)等,用于图
- .net机器学习框架:ML.NET模型生成器
NotOnlyCoding
AI编程
ML.NETModelBuilder是一个直观的图形化VisualStudio扩展,用于构建、训练和部署自定义机器学习模型。它利用自动化机器学习(AutoML)来探索不同的机器学习算法和设置,帮助您找到最适合您场景的那个。使用ModelBuilder不需要机器学习专业知识。您只需要一些数据和一个需要解决的问题。ModelBuilder会生成代码,以便将模型添加到您的.NET应用程序中。1.创建一个
- 【人工智能】数据挖掘与应用题库(101-200)
奋力向前123
人工智能人工智能数据挖掘
1、有矩阵A3×2,B2×3,C3×3,下列运算有意义的是()答案:BC2、13524的逆序数为()答案:33、矩阵A中元素a14的余子式记作M14,代数余子式记作A14,二者关系为()答案:相反4、关于机器学习与深度学习的范畴关系,下列说法正确的是?答案:深度学习是机器学习的子集(分支)5、关于机器学习的本质,下列表述最恰当的是?答案:从数据或环境反馈中自主学习到规则6、深度学习的“深度”是指?
- 【机器学习】平均绝对误差(MAE:Mean Absolute Error)
IT古董
机器学习人工智能机器学习人工智能python
平均绝对误差(MeanAbsoluteError,MAE)是一种衡量预测值与实际值之间平均差异的统计指标。它在机器学习、统计学等领域中广泛应用,用于评估模型的预测精度。与均方误差(MSE)或均方误差根(RMSE)不同,MAE使用误差的绝对值,因此它在处理异常值时更加稳定。1.MAE的定义和公式给定预测值和真实值,MAE的公式为:其中:n是样本总数。是模型的预测值。是对应的真实值。MAE表示了预测值
- 机器学习AI/ML/CV/NLP/GNN算法公式汇总Latex代码
rockingdingo
tensorflow大数据自然语言处理算法深度学习机器学习
图学习和LinkPrediction任务KnowledgeGraphLinkPredictionEquationsAndLatexCodehttp://www.deepnlp.org/blog/knowledge-graph-link-prediction小样本学习和零样本学习公式的Latex代Few-ShotLearningAndZero-ShotLearningEquationsLatexCo
- 深度学习-【完整代码+数据集】逻辑回归预测乳腺癌检测案例
编程千纸鹤
人工智能学习专栏深度学习逻辑回归人工智能癌症预测
作者主页:编程千纸鹤作者简介:Java、前端、Python开发多年,做过高程,项目经理,架构师主要内容:Java项目开发、Python项目开发、大学数据和AI项目开发、单片机项目设计、面试技术整理、最新技术分享收藏点赞不迷路关注作者有好处文末获得源码机器学习分为:有监督学习:数据带有标签无监督学习:数据没有标签,根据属性聚类在机器学习有监督学习中大致可以分为两大任务,一种是回归任务,一种是分类任务
- 计算机视觉与机器学习之文档解析与向量化技术加速多模态大模型训练与应用——文件向量化大模型!
知世不是芝士
计算机视觉人工智能大语言模型ai大模型多模态大模型机器学习LLM
目录前言1、TextIn文档解析技术1.1、文档解析技术1.2、目前存在的问题1.2.1、不规则的文档信息示例1.3、合合信息的文档解析1.3.1、合合信息的TextIn文档解析技术架构1.3.2、版面分析关键技术Layout-engine1.3.3、文档树提取关键技术Catalog-engine1.3.4、双栏1.3.5、非对称双栏1.3.6、双栏+表格1.3.7、无线表格1.3.8、合并单元格
- Amazon SageMaker 批量转换中的 JSON 处理技巧
t0_54coder
json个人开发
在使用AmazonSageMaker进行机器学习模型的批量转换时,我们经常会遇到一些配置和数据格式的问题。今天我们来讨论一个常见的困扰:如何处理在MultiRecord批量策略下JSON数据的解析错误。背景介绍AmazonSageMaker提供了强大的批量转换功能,允许我们对大量数据进行推理。这在处理大规模数据集时非常有用。然而,当我们尝试将批量策略从SingleRecord切换到MultiRec
- 计算机毕业设计 ——jspssm508Springboot 的旅游管理
奔强的程序
课程设计旅游
博主小档案:花花,一名来自世界500强的资深程序猿,毕业于国内知名985高校。技术专长:花花在深度学习任务中展现出卓越的能力,包括但不限于java、python等技术。近年来,花花更是将触角延伸至AI领域,对于机器学习、自然语言处理、智能推荐等前沿技术都有独到的见解和实践经验。服务内容:1、提供科研入门辅导(主要是代码方面)2、代码部署3、定制化需求解决等4、期末考试复习计算机毕业设计——jsps
- Crawl4AI:开源的网络爬虫和抓取工
惟贤箬溪
穷玩Aigithub开源ai
crawl4ai是一个开源项目,旨在帮助用户爬取GitHub上与AI(人工智能)相关的内容。这些内容通常包括AI相关的开源项目、库、资源、论文、教程等。项目提供了一个爬虫工具,可以自动化地抓取并提取GitHub上与人工智能相关的资源。以下是对该项目的详细解读:1.项目概述crawl4ai是一个爬虫框架,专门用于从GitHub上抓取与AI相关的开源项目或仓库。这些仓库包括AI领域的机器学习、深度学习
- 智能投资组合再平衡策略优化
AGI大模型与大数据研究院
DeepSeek人工智能ai
文章标题智能投资组合再平衡策略优化文章关键词投资组合管理再平衡策略机器学习优化方法智能投资文章摘要本文深入探讨了智能投资组合再平衡策略的优化方法。首先,介绍了投资组合管理的基本概念及其在金融市场中的重要性。随后,本文详细阐述了再平衡策略的原理和目的,并探讨了如何通过机器学习来构建和优化智能投资组合模型。文章进一步提出了再平衡策略优化的分类和选择标准,并结合具体案例分析了优化策略的实施效果。通过本文
- Python从0到100(六十八):Python OpenCV-图像边缘检测及图像融合
是Dream呀
opencvpython计算机视觉
前言:零基础学Python:Python从0到100最新最全教程。想做这件事情很久了,这次我更新了自己所写过的所有博客,汇集成了Python从0到100,共一百节课,帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识,成为学习学习和学业的先行者!欢迎大家订阅专栏:零基础学Python:Python从0到100最新
- 解锁机器学习核心算法 | K -近邻算法:机器学习的神奇钥匙
紫雾凌寒
AI炼金厂#机器学习算法算法机器学习近邻算法KNNk-近邻算法pythonscikit-learn
一、引言今天我们继续学习机器学习核心算法——K-近邻(K-NearestNeighbors,简称KNN)算法。它就像是一位经验丰富的“老江湖”,以其简单而又强大的方式,在众多机器学习任务中占据着不可或缺的地位。K-近邻算法,作为机器学习中的一种基本分类与回归方法,以其独特的“基于邻居投票”策略而闻名。它的核心思想简单易懂,就如同我们在生活中判断一个人可能的兴趣爱好时,会参考他身边最常接触的朋友们的
- 支持向量机(Support Vector Machine,SVM)详细解释(带示例)
浪九天
人工智能理论支持向量机算法机器学习
目录基本概念线性可分情况线性不可分情况工作原理示例Python案例代码解释基本概念支持向量机是一种有监督的机器学习算法,可用于分类和回归任务。在分类问题中,SVM的目标是找到一个最优的超平面,将不同类别的样本分隔开来,并且使得两类样本到该超平面的间隔最大。这个超平面被称为最大间隔超平面,而那些离超平面最近的样本点被称为支持向量,它们决定了超平面的位置和方向。线性可分情况当数据是线性可分的,即存在一
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
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/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置