- Datawhale AI夏令营-task03
ghost_him
人工智能
DatawhaleAI夏令营-task03笔记来源:DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术,尤其是在处理图像和视频数据时。**数据增强的目的是通过人工方式增加训练数据的多样性,从而提高模型的泛化能力,使其能够在未见过的数据上表现得更好。**数据增强涉及对原始数据进行一系列的变换操作,生成新的训练样本。这些变换模拟了真实世界中的变化,对于图像而言,数
- 释放GPU潜能:PyTorch中torch.nn.DataParallel的数据并行实践
2401_85762266
pytorch人工智能python
释放GPU潜能:PyTorch中torch.nn.DataParallel的数据并行实践在深度学习模型的训练过程中,计算资源的需求往往随着模型复杂度的提升而增加。PyTorch,作为当前领先的深度学习框架之一,提供了torch.nn.DataParallel这一工具,使得开发者能够利用多个GPU进行数据并行处理,从而显著加速模型训练。本文将详细介绍如何在PyTorch中使用torch.nn.Dat
- 每天一个数据分析题(五百零五)- 提升方法
跟着紫枫学姐学CDA
数据分析题库数据分析
提升方法(Boosting),是一种可以用来减小监督式学习中偏差的机器学习算法。基于Boosting的集成学习,其代表算法不包括?A.AdaboostB.GBDTC.XGBOOSTD.随机森林数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库,数据
- 每天一个数据分析题(五百零六)- 装袋方法
跟着紫枫学姐学CDA
数据分析数据挖掘
装袋方法(bagging)也叫做bootstrapaggregating,是在原始数据集有放回地重采样S次后得到新数据集的一种技术,其代表算法有?A.AdaboostB.GBDTC.XGBOOSTD.随机森林数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专
- DeepArt——AI美术创作工具,能够帮助生成视觉内容
爱研究的小牛
AIGC人工智能深度学习
一、DeepArt的介绍DeepArt是一种基于深度学习的艺术风格迁移应用,能够将输入图像转换成具有特定艺术风格的输出图像。它的核心技术主要依赖于深度卷积神经网络(CNN)和风格迁移算法,能够将著名艺术作品的风格应用到用户的照片或图像上,从而创造出独具特色的艺术效果。二、DeepArt的使用选择内容图像和风格图像:用户首先需要上传一张内容图像,即他们希望转换成艺术风格的图像。接着,可以从提供的艺术
- Wonder Dynamics——虚拟角色动画和实时互动生成
爱研究的小牛
实时互动
一、WonderDynamics介绍WonderDynamics的核心是通过AI驱动的自动化流程,简化和加速虚拟角色动画的制作。其主要功能包括:自动化角色动画:将预录制的动作捕捉数据自动应用到虚拟角色上。实时角色互动:实现虚拟角色与现实场景中的人物和物体实时互动。高精度捕捉和渲染:利用深度学习和计算机视觉技术,捕捉高精度的动作数据并生成高质量的动画。二、WonderDynamics实现技术详解Wo
- AIGC深度学习教程:Transformer模型中的Position Embedding实现与应用
玩AI的小胡子
embeddingtransformerAIGC人工智能
在进入深度学习领域时,Transformer模型几乎是绕不开的话题,而其中的PositionEmbedding更是关键。对于刚入门的朋友,这篇教程将带你深入了解PositionEmbedding是什么、它如何在Transformer中运作,以及它在不同领域中的实际应用。什么是PositionEmbedding?PositionEmbedding是Transformer模型中一种关键机制,用于弥补模
- 并行处理的魔法:PyTorch中torch.multiprocessing的多进程训练指南
liuxin33445566
人工智能深度学习机器学习
并行处理的魔法:PyTorch中torch.multiprocessing的多进程训练指南在深度学习领域,模型训练往往需要大量的计算资源和时间。PyTorch,作为当前最流行的深度学习框架之一,提供了torch.multiprocessing模块,使得开发者能够利用多核CPU进行多进程训练,从而显著加速训练过程。本文将深入探讨如何在PyTorch中使用torch.multiprocessing进行
- GPU算力租用平台推荐
hong161688
gpu算力
在当前快速发展的AI和深度学习领域,GPU算力租用平台成为了研究者、开发者及企业不可或缺的工具。这些平台提供了灵活、高效、可扩展的GPU资源,帮助用户解决计算资源不足的问题,加速模型训练、推理及高性能计算等任务。以下是对几个主流GPU算力租用平台的详细推荐,旨在为用户提供全面的选择和参考。一、国内GPU算力租用平台1.阿里云(AlibabaCloud)平台概述:阿里云作为中国领先的云计算服务提供商
- 深度学习与OpenCV:解锁计算机视觉的无限可能
程序员-李旭亮
深度学习
在科技日新月异的今天,计算机视觉作为人工智能领域的一颗璀璨明珠,正以前所未有的速度改变着我们的生活与工作方式。而《深度学习》与OpenCV,作为这一领域的两大重要工具,更是为计算机视觉的入门与深入探索铺设了坚实的基石。本文将带您一窥这两者的魅力,探索它们如何携手开启计算机视觉的无限可能。深度学习:智能的催化剂深度学习,作为机器学习的一个分支,其核心在于通过构建深层次的神经网络模型,模拟人脑的学习过
- 2021勇气读书会——《学习的逻辑》打卡(第二百一十天)
于杰雄
这是我参加勇气读书会打卡第二百一十天我阅读的书籍:《学习的逻辑》出发日期:2021.1.1期待的收获:立足现在,创造未来,让自己的教学能力更上一层楼。一句标语:千里之行,始于足下。小想法:相信明天会更好,我们会战胜困难,迈向更美好的未来。不要放弃每一天的学习,让自己充实起来,加油!勇气读书会,永不散场。深度学习的策略有很多种,思维导图与结构化思维只是其中一个小小的分支而已,而关于学习策略也有更多深
- 什么是计算机视觉?
龙腾AI
计算机视觉人工智能自然语言处理深度学习ai
计算机视觉概述计算机视觉(ComputerVision)又称机器视觉(MachineVision),是一门让机器学会如何去“看”的学科,是深度学习技术的一个重要应用领域,被广泛应用到安防、工业质检和自动驾驶等场景。具体的说,就是让机器去识别摄像机拍摄的图片或视频中的物体,检测出物体所在的位置,并对目标物体进行跟踪,从而理解并描述出图片或视频里的场景和故事,以此来模拟人脑视觉系统。因此,计算机视觉也
- 在STM32上实现嵌入式人工智能应用
嵌入式详谈
stm32人工智能嵌入式硬件
引言随着微控制器的计算能力不断增强,人工智能(AI)开始在嵌入式系统中扮演越来越重要的角色。STM32微控制器由于其高性能和低功耗的特性,非常适合部署轻量级AI模型。本文将探讨如何在STM32平台上实现深度学习应用,特别是利用STM32Cube.AI工具链将训练好的神经网络模型部署到STM32设备上。环境准备硬件选择:STM32F746GDiscoverykit,具备足够的计算资源和内存支持复杂模
- 理解PyTorch版YOLOv5模型构架
LabVIEW_Python
一个深度学习模型,可以拆解为:模型构架(ModelArchitecture):下面详述激活函数(ActivationFunction):YOLOv5在隐藏层中使用了LeakyReLU激活函数,在最后的检测层中使用了Sigmoid激活函数,参考这里优化函数(OptimizationFunction):YOLOv5的默认优化算法是:SGD;可以通过命令行参数更改为Adam损失函数(LossFuncti
- 每天一个数据分析题(五百零二)- 分割式聚类算法
跟着紫枫学姐学CDA
数据分析题库算法数据分析聚类
以下哪个选项是分割式聚类算法?A.K-Means。B.CentroidMethodC.Ward’sMethodD.以上皆非数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库,数据分析从业者刷题必备神器!
- 【学习笔记】第三章深度学习基础——Datawhale X李宏毅苹果书 AI夏令营
MoyiTech
人工智能学习笔记
局部极小值与鞍点梯度为0的点我们统称为临界点,包括局部极小值、鞍点等局部极小值和鞍点的梯度都为0,那如何判断呢?先请出我们损失函数:L(θ),θ是模型中的参数的取值,是一个向量。由于网络的复杂性,我们无法直接写出损失函数,不过我们可以写出损失函数的近似取值。根据宋浩老师所讲的大学一年级高等数学的知识,我们可以通过三阶泰勒展开对损失函数在θ附近的取值进行近似:其中,θ是模型中的参数的取值,θ’是在θ
- 机器学习概述与应用:深度学习、人工智能与经典学习方法
刷刷刷粉刷匠
人工智能机器学习深度学习
引言机器学习(MachineLearning)是人工智能(AI)领域中最为核心的分支之一,其主要目的是通过数据学习和构建模型,帮助计算机系统自动完成特定任务。随着深度学习(DeepLearning)的崛起,机器学习技术在各行各业中的应用变得越来越广泛。在本文中,我们将详细介绍机器学习的基础概念,包括无监督学习、有监督学习、增量学习,以及常见的回归和分类问题,并结合实际代码示例来加深理解。1.机器学
- Python深度学习:构建下一代智能系统
2401_83402415
pythonpython深度学习开发语言Transformer模型目标检测算法Attention
近年来,伴随着以卷积神经网络(CNN)为代表的深度学习的快速发展,人工智能迈入了第三次发展浪潮,AI技术在各个领域中的应用越来越广泛。为了帮助广大学员更加深入地学习人工智能领域最近3-5年的新理论与新技术,本文讲解注意力机制、Transformer模型(BERT、GPT-1/2/3/3.5/4、DETR、ViT、SwinTransformer等)、生成式模型(变分自编码器VAE、生成式对抗网络GA
- 并行计算的艺术:PyTorch中torch.cuda.nccl的多GPU通信精粹
2401_85763639
pytorch人工智能python
并行计算的艺术:PyTorch中torch.cuda.nccl的多GPU通信精粹在深度学习领域,模型的规模和复杂性不断增长,单GPU的计算能力已难以满足需求。多GPU并行计算成为提升训练效率的关键。PyTorch作为灵活且强大的深度学习框架,通过torch.cuda.nccl模块提供了对NCCL(NVIDIACollectiveCommunicationsLibrary)的支持,为多GPU通信提供
- 如何本地搭建 Whisper 语音识别模型?一文解决
玩AI的小胡子
whisperAIGC人工智能语音识别
Whisper是OpenAI开发的强大语音识别模型,适用于多种语言的语音转文字任务。要在本地搭建Whisper模型,需要完成以下几个步骤,确保模型在你的设备上顺利运行。1.准备环境首先,确保你的系统上安装了Python(版本3.8到3.11之间)。此外,还需要安装PyTorch,这是Whisper依赖的深度学习框架。2.安装Whisper在命令行中运行以下命令来安装Whisper和其依赖项:pip
- 大规模语言模型从理论到实践:智能代理的组成
AGI通用人工智能之禅
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
大规模语言模型从理论到实践:智能代理的组成关键词:大规模语言模型、智能代理、自然语言处理、深度学习、知识表示、推理机制、应用场景文章目录大规模语言模型从理论到实践:智能代理的组成1.背景介绍2.核心概念与联系3.核心算法原理&具体操作步骤3.1算法原理概述3.2算法步骤详解3.3算法优缺点3.4算法应用领域4.数学模型和公式&详细讲解&举例说明4.1数学模型构建4.2公式推导过程4.3案例分析与讲
- 精准掌控GPU:深度学习中PyTorch的torch.cuda.device应用指南
2401_85760095
深度学习pytorch人工智能
精准掌控GPU:深度学习中PyTorch的torch.cuda.device应用指南在深度学习的世界里,GPU加速已成为提升模型训练和推理速度的关键。PyTorch,作为当下最流行的深度学习框架之一,提供了torch.cuda.device这一强大的工具,允许开发者精确指定和控制GPU设备。本文将深入探讨如何在PyTorch中使用torch.cuda.device来指定GPU设备,优化你的深度学习
- 使用Python实现深度学习模型:智能灾害响应与救援机器人
Echo_Wish
Python算法Python笔记python深度学习机器人
在自然灾害频发的今天,智能灾害响应与救援机器人可以在救援过程中发挥重要作用。本文将详细介绍如何使用Python和深度学习技术实现一个智能灾害响应与救援机器人,帮助你快速入门并掌握基本的开发技能。一、项目概述智能灾害响应与救援机器人的主要功能是通过摄像头实时监控灾区情况,识别受困人员,并提供救援路径规划。我们将使用深度学习模型进行图像识别,并通过Python进行开发。二、项目环境配置在开始项目之前,
- 【Python机器学习】NLP概述——深度处理
zhangbin_237
Python机器学习python机器学习自然语言处理人工智能机器人
自然语言处理流水线的各个阶段可以看作是层,就像是前馈神经网络中的层一样。深度学习就是通过在传统的两层机器学习模型架构(特征提取+建模)中添加额外的处理层来创建更复杂的模型和行为。上图中,前四层对应于聊天机器人流水线中的前两个阶段(特征提取和特征分析)。例如,词性标注(POS标注)是在聊天机器人流水线的分析阶段生成特征的一种方法。POS标签由默认的SpaCY流水线自动生成,该流水线包括上图中所有的前
- AAAI2021推荐系统论文清单
机器学习与推荐算法
人工智能推荐系统深度学习机器学习数据分析
嘿,记得给“机器学习与推荐算法”添加星标2021年第35届人工智能顶级会议AAAI论文列表已经放出,此次会议共收到9034篇论文提交,其中有效审稿为7911篇,最终录取篇数为1692篇,录取率为21.4%。由于境外疫情形势依然严峻,大会将在2月2日到2月9日在线上进行举办。较之去年接收篇数1590篇来说,今年的录取数量有所提升。通过对今年所接收的全部论文的标题进行分析,发现以下结论:深度学习技术依
- 什么是损失函数?
翰霖努力成为专家
万能科普数据挖掘计算机视觉机器学习人工智能自然语言处理神经网络深度学习
损失函数(LossFunction)是在机器学习和深度学习中用来评估模型预测值与真实值之间差异的函数。它的主要目的是量化模型预测的错误程度,以便在训练过程中通过最小化这个错误来优化模型。在监督学习中,我们通常有一组训练数据,包括输入特征(X)和对应的真实标签(Y)。模型的目标是学习一个从输入特征到输出标签的映射函数。损失函数就是用来衡量模型在这个映射过程中产生的误差的函数。不同类型的任务会使用不同
- Stable Diffusion
Covirtue
人工智能pythonstablediffusion
StableDiffusion是一种基于深度学习的文本到图像生成模型,其原理主要基于扩散模型(DiffusionModel)的变体,即潜在扩散模型(LatentDiffusionModel,LDM)。原理一、技术架构与组成StableDiffusion由三个主要部分组成:变分自编码器(VAE)、U-Net和一个文本编码器。变分自编码器(VAE):VAE是一种生成模型,用于将图像压缩到低维的潜在空间
- 【LSTM回归预测】遗传算法优化注意力机制的长短时记忆神经网络GA-attention-LSTM数据回归预测【含Matlab源码 3738期】
Matlab领域
matlab
⛄一、遗传算法优化注意力机制的长短时记忆神经网络GA-attention-LSTM数据回归预测风力发电是一种清洁能源,越来越受到人们的关注和重视。然而,由于风力发电的不稳定性和不可控性,风电预测成为了一个至关重要的问题。为了更精准地预测风电发电量,许多研究者开始尝试利用深度学习技术来进行风电预测。在本文中,我们将介绍一种基于遗传优化注意力机制的长短时记忆神经网络(GA-attention-LSTM
- 一个全自动病理处理分析工具——CLAM
qq_42894217
病理图像分析python计算机视觉深度学习分类
文章目录1.简介2.环境配置2.1环境创建2.2安装依赖2.3安装预训练编码器3.数据集准备4.数据处理4.1全自动数据预处理4.2半自动数据预处理step1:设置分割参数step2:执行预分割step3:调整分割参数step4:批量分割5.特征提取6.模型训练6.1数据集划分6.2模型训练6.3模型验证6.4热图可视化1.简介CLAM是一种基于深度学习的数据高效、弱监督的全幻灯片(WSI)级的全
- 基于深度学习的高效模型压缩
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的高效模型压缩技术在确保模型性能的同时,显著减少了模型的存储需求和计算复杂度,从而使得深度学习模型能够更好地适应资源受限的环境(如移动设备、嵌入式系统)并加快推理速度。以下是关于高效模型压缩的详细讨论:1.模型压缩的背景与挑战随着深度学习模型的不断发展,模型规模和复杂性大幅增加,特别是在计算机视觉、自然语言处理等领域,模型通常包含数以亿计的参数。这种大规模模型虽然能够实现高精度,但其计
- 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