程序认生
程序认生

拿来即可用系列——glove及gensim训练词向量

拿来即可用，非常的方便。若执行失败，请联系[email protected]或微信tu1982226215

github地址：https://github.com/ttjjlw/Embeding，请前往该地址下载glove及gensim训练词向量的相关代码

gensim训练词向量:

拿来即可用系列——glove及gensim训练词向量_第1张图片

1、进入Gensim Word2Vec文件夹，先执行generate_train_corpus.py文件

2、再执行Word2Vec.py文件，即可得到词向量

最后会得到以下三个文件：

embed.pkl : 包含所有词的词向量（0位置是的词向量，但数值全为0），在后续的nlp任务中（如分类等），该文件pickle.load()   后可直接拿来初始化词向量。

Vector.txt:每一行对应一个word及其词向量

vocabulary.pkl : word2id字典，其中:0并且词频越高id越小

glove训练词向量：

进入pytorch-glove-word2vec文件夹，直接执行glove.py文件即可

最后会得到glove.txt文件

 

你可能感兴趣的:(word2vec)

  • 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
  • 自然语言处理基础知识入门(三) RNN，LSTM，GRU模型详解 这个男人是小帅 NLP自然语言知识梳理入门rnn自然语言处理lstmgru人工智能神经网络
    文章目录前言一、RNN模型1.1RNN的作用1.2RNN基本结构1.3双向循环神经网络1.4深层双向循环神经网络1.5RNN的梯度爆炸和消失问题二、LSTM模型2.1LSTM和RNN的结构对比2.2LSTM模型细节三、GRU模型总结前言在上一章节中，深入探讨了Word2vec模型的两种训练策略以及创新的优化方法，从而得到了优质的词嵌入表示。不仅如此，Word2vec作为一种语言模型，也具备根据上下
  • Word2Vec 原理是什么 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythonword2vec人工智能自然语言处理
    Word2Vec原理是什么一、核心概念：从词语到向量的语义映射Word2Vec是2013年由Google提出的词嵌入（WordEmbedding）模型，其核心目标是将自然语言中的词语转换为稠密的连续向量（词向量），使向量空间中的距离能反映词语的语义相关性。本质：通过神经网络学习词语的分布式表示（DistributedRepresentation），打破传统one-hot编码“维度高、无语义关联”的
  • 怎么对词编码进行可视化：Embedding Projector ZhangJiQun&MXP 教学2024大模型以及算力2021AIpythonembedding
    怎么对词编码进行可视化：EmbeddingProjectorhttps://projector.tensorflow.org/EmbeddingProjector是用于可视化高维向量嵌入（如词向量、图像特征向量等）的工具，能帮你理解向量间的关系，下面以词向量分析和**简单自定义数据（比如特征向量）**为例，教你怎么用：一、词向量分析场景（以图中Word2Vec数据为例）1.加载数据与基础查看图里已
  • python哈夫曼树压缩_哈夫曼树及python实现 七十二便 python哈夫曼树压缩
    最近在看《tensorflow实战》中关于RNN一节，里面关于word2vec中涉及到了哈夫曼树，因此在查看了很多博客(文末)介绍后，按自己的理解对概念进行了整理(拼凑了下TXT..)，最后自己用python实现Haffuman树的构建及编码。哈夫曼(huffman)树基本概念路径和路径长度：树中一个结点到另一个结点之间的分支构成这两个结点之间的路径；路径上的分枝数目称作路径长度，它等于路径上的结
  • 词编码模型有哪些 ZhangJiQun&MXP 教学2024大模型以及算力2021AIpython人工智能机器学习数据挖掘分类算法
    词编码模型有哪些词编码模型在高维向量空间的关系解析与实例说明如Word2Vec、BERT、Qwen等一、高维向量空间的基础概念词编码模型（如Word2Vec、BERT、Qwen等）的核心是将自然语言符号映射为稠密的高维向量，使语义相近的词汇在向量空间中位置接近。以Qwen模型为例，其15万字符的词表规模（通常基于字节对编码BPE）本质是在高维空间中为每个词分配唯一的坐标点，而向量之间的几何关系（如
  • NLP学习路线图（四十五）：偏见与公平性 摸鱼许可证 NLP学习路线图自然语言处理学习人工智能nlp
    一、偏见：算法中的“隐形歧视者”NLP模型本身并无立场，其偏见主要源于训练数据及算法设计：数据根源：人类偏见的镜像历史与社会刻板印象：大量文本数据记录着人类社会固有的偏见。词嵌入模型（如Word2Vec,GloVe）曾显示：“男人”与“程序员”的关联度远高于“女人”；“非裔美国人姓名”更易与负面词汇关联。训练语料库若包含带有性别歧视、种族歧视或地域歧视的文本，模型便可能吸收并重现这些关联。代表性偏
  • 多模态核心实现技术 charles666666 自然语言处理神经网络人工智能机器学习语言模型
    一、模态表示（ModalRepresentation）模态表示是将不同模态数据（文本、图像、音频等）编码为计算机可处理的向量形式的核心步骤。1.单模态编码技术文本表示：采用词嵌入模型（如Word2Vec、GloVe）或预训练语言模型（如BERT、RoBERTa），通过Transformer层提取上下文特征，生成动态词向量。高阶表示：通过句向量模型（如Sentence-BERT）将整段文本映射为固定
  • 自然语言处理之语言模型：Word2Vec：Word2Vec模型的训练与优化
    自然语言处理之语言模型：Word2Vec：Word2Vec模型的训练与优化自然语言处理基础文本预处理文本预处理是自然语言处理（NLP）中至关重要的第一步，它包括多个子步骤，旨在将原始文本转换为适合机器学习模型的格式。以下是一些常见的文本预处理技术：分词（Tokenization）：将文本分割成单词或短语。例如，将句子“我喜欢自然语言处理”分割为“我”，“喜欢”，“自然语言处理”。转换为小写（Low
  • 基于 GQA 与 MoE 的古诗词生成模型优化 llm项目以及对应八股 许愿与你永世安宁 自用大模型八股rnnnlpberttransformer人工智能深度学习word2vec
    目录项目项目背景个人贡献成果产出词嵌入Word2Vec两种训练方式：两种加速训练的方法：GloVe（GlobalVectorsforWordRepresentation）FastTextMHA、GQA、MLApromptengineering位置编码正余弦编码（三角式）可学习位置编码（训练式）经典相对位置编码T5相对位置编码RotaryPositionEmbedding（RoPE）attentio
  • Python自然语言处理库之gensim使用详解 Rocky006 python开发语言
    概要Gensim是一个专门用于无监督主题建模和自然语言处理的Python开源库，由捷克共和国的RadimŘehůřek开发。该库专注于处理大规模文本数据，提供了多种经典的主题建模算法，如LDA（潜在狄利克雷分配）、LSI（潜在语义索引）等，以及现代化的词向量模型Word2Vec、Doc2Vec、FastText等。Gensim的设计理念是"为人类而非机器"，强调易用性和可扩展性，特别适合处理无标签
  • 深度学习中的负采样 洪小帅 深度学习人工智能
    深度学习中的负采样负采样（NegativeSampling）是一种在训练大型分类或概率模型（尤其是在输出类别很多时）中，用来加速训练、降低计算量的方法。它常用于：词向量训练（如Word2Vec）推荐系统（从大量候选项中学正例与负例）语言模型、对比学习、信息检索等场景本质概念在许多任务中，我们的模型要从上万个候选中预测正确类别。例如：给定单词“cat”，预测它上下文中出现的词（如Word2Vec的S
  • NLP学习路线图（十八）：Word2Vec (CBOW & Skip-gram) 摸鱼许可证 NLP学习路线图nlp学习自然语言处理
    自然语言处理（NLP）的核心挑战在于让机器“理解”人类语言。传统方法依赖独热编码（One-hotEncoding）表示单词，但它存在严重缺陷：每个单词被视为孤立的符号，无法捕捉词义关联（如“国王”与“王后”的关系），且维度灾难使计算效率低下。词向量（WordEmbedding）革命性地解决了这些问题。它将单词映射为稠密、低维的实数向量（如50-300维），其核心思想是：具有相似上下文（Contex
  • Word2Vec模型学习和Word2Vec提取相似文本体验 缘友一世 深度学习word2vec学习人工智能
    文章目录说明Word2Vec模型核心思想两种经典模型关键技术和算法流程优点和局限应用场景Word2Vec提取相似文本完整源码执行结果说明本文适用于初学者，体验Pytorch框架在自然语言处理中的使用。简单了解学习Word2Vec模型，体验其使用。Word2Vec模型Word2Vec是一种广泛使用的词嵌入（WordEmbedding）技术，由Google团队（TomasMikolov等）于2013年
  • NLP-gensim库 安替-AnTi NLP
    Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。它支持包括TF-IDF，LSA，LDA，和word2vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算，信息检索等一些常用任务的API接口。LSILDAHDPDTMDIMTF-IDFword2vec、paragraph2vec基本概念语料（Corpus）：一组原始文
  • gensim基础用法 雪儿waii sklearn
    fromgensim.modelsimportword2vecimportloggingfromgensimimportcorpora,models,similarities#logging.basicConfig(format="%(asctime)s:%(levelname)s:%(message)s",level=logging.INFO)#raw_sentences=["thequickb
  • 人工智能深度学习之自然语言处理必备神器huggingface,nlp,rnn,word2vec,bert,gpt weixin_58351028 算法机器学习深度学习自然语言处理人工智能
    一。Huggingface与Nlp介绍解读(1）nlp中经常会听到分类，机器翻译，情感分析，智能客服，文本摘要，阅读理解等。我们训练的nlp模型，目的学会数据表达的逻辑，学会人类文字怎么去描述与理解，这体现出模型要有语言能力，这样就不管后续做什么都行。nlp不像cv一样输入图像后最后输出结果一个结果就完事了。如何培养模型的学习能力呢？首先要很多很多输入学习资料(这些都是大厂才能做的事）让模型去学习
  • 从 Word2Vec 到 BERT：AI 不止是词向量，更是语言理解 ox180x 程序员转战大模型人工智能word2vecbert
    一、前言在上篇文章中，我们介绍了Word2Vec以及它的作用，总的来说：Word2Vec是我们理解NLP的第一站Word2Vec将词变成了“向量”——终于可以用机器理解词语的相似度我们获得了例如“国王-男人+女人≈女王”的类比能力我们可以将Word2Vec这种算法能力，应用到各种创新场景，例如基于Graph的推荐系统，后续如果小伙伴有需要，可以一起深入交流。但同时也指出了它的不足：一个词=一个固定
  • BERT模型原理与代码实战案例讲解 AI大模型应用之禅 人工智能数学基础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
    1.背景介绍1.1自然语言处理的演进自然语言处理（NLP）旨在让计算机理解和处理人类语言，其发展经历了漫长的历程：早期阶段:基于规则的方法，通过人工编写规则来解析和理解语言，但泛化能力有限。统计语言模型:利用统计方法学习语言模式，例如N-gram模型，但缺乏语义理解能力。深度学习:利用神经网络学习语言的深层特征，例如Word2Vec、RNN、LSTM等，语义理解能力显著提升。1.2BERT的诞生B
  • 从代码学习深度学习 - 预训练word2vec PyTorch版 飞雪白鹿€ #自然语言处理深度学习pytorch
    文章目录前言辅助工具1.绘图工具(`utils_for_huitu.py`)2.数据处理工具(`utils_for_data.py`)3.训练辅助工具(`utils_for_train.py`)预训练Word2Vec-主流程1.环境设置与数据加载2.跳元模型(Skip-gramModel)2.1.嵌入层(EmbeddingLayer)2.2.定义前向传播3.训练3.1.二元交叉熵损失3.2.初始化
  • 【NLP-01】文本相似度算法：Cosine Similarity、Levenshtein Distance、Word2Vec等介绍和使用 云天徽上 NLP算法机器学习人工智能word2vec自然语言处理nlp
    文本相似度计算的算法是自然语言处理领域中的关键技术，主要用于衡量两段文本在内容、语义或结构上的相似程度。以下是一些常用的文本相似度计算算法：余弦相似度（CosineSimilarity）：余弦相似度是通过计算两个向量的夹角余弦值来评估它们的相似度。在文本相似度计算中，首先将文本转换为向量表示（如TF-IDF向量），然后计算这些向量之间的余弦值。余弦值越接近1，表示文本越相似。Jaccard相似度：
  • 用 Gensim 实现 Word2Vec 古诗生成 万能小贤哥 word2vec人工智能自然语言处理
    向量操作。我们将借助它完成从语料处理到古诗生成的全流程。6.1环境搭建与库导入首先安装Gensim及依赖库：bashpipinstallgensimnumpypandas导入必要模块：python运行fromgensim.modelsimportWord2Vec#核心词向量模型fromrandomimportchoice#随机选择字符fromos.pathimportexists#检查文件存在fr
  • 图解gpt之神经概率语言模型与循环神经网络 zhaojiew10 gpt语言模型rnn
    上节课我们聊了词向量表示，像Word2Vec这样的模型，它确实能捕捉到词语之间的语义关系，但问题在于，它本质上还是在孤立地看待每个词。英文的“Apple”，可以指苹果公司，也可以指水果。这种一词多义的特性，以及词语在上下文中的微妙变化，Word2Vec这种固定向量的表示方式就捉襟见肘了。而且，它还不能处理新词，一旦遇到词表里没有的词，就束手无策。所以，尽管有了词向量，NLP领域在很长一段时间内，也
  • 从零开始大模型开发与微调：词向量训练模型Word2Vec使用介绍 AI大模型应用实战 javapythonjavascriptkotlingolang架构人工智能
    从零开始大模型开发与微调：词向量训练模型Word2Vec使用介绍关键词：词向量,Word2Vec,神经网络,深度学习,自然语言处理(NLP),预训练,微调,Fine-Tuning1.背景介绍1.1问题由来在深度学习蓬勃发展的今天，人工智能技术在自然语言处理（NLP）、计算机视觉、语音识别等领域取得了长足的进步。然而，语言和文本数据由于其高维度和非结构化特性，使得深度学习模型的训练和应用面临诸多挑战
  • 1991-2023年上市公司创新信息披露数据 经管数据库 数据分析
    数据简介与传统词典法不同,本文采用“种子词集+Word2Vec相似词扩充”方法构建描述性创新信息指标。参考相关文献[11,28],对年报多次研读校验得到种子词集。相较于传统词法,Word2Vec神经网络模型可以根据语义信息将词汇转换为多维向量,并通过计算向量的相似度得到相似词。本文采用其中的CBOW(ContinuousBag-of-wordsModel)模型对中文语料进行训练。描述性创新关键词如
  • Embedding：数据表示的深度探索 CarlowZJ embedding
    目录（一）Embedding的定义（二）Embedding的原理（三）Embedding的方法（一）Word2Vec架构图（二）基于Embedding的推荐系统流程图（一）使用TensorFlow实现Word2Vec（二）基于Embedding的协同过滤推荐（一）自然语言处理（二）计算机视觉（三）推荐系统（四）知识图谱（一）数据质量和预处理（二）模型选择与调优（三）计算资源与效率（四）隐私与安全摘
  • 什么是 Embedding？从原理到实战的全面解析 樽酒ﻬق AIGCembedding
    目录什么是Embedding？从原理到实战的全面解析1.Embedding是什么？2.Embedding的基本原理2.1词嵌入（WordEmbedding）2.2句子嵌入（SentenceEmbedding）3.Embedding的应用4.Embedding的使用场景5.实战：用Word2Vec实现词嵌入5.1安装依赖5.2完整代码5.3运行结果5.4代码解析6.总结什么是Embedding？从原
  • 深入解析 Transformers 框架（五）：嵌入（Embedding）机制和 Word2Vec 词嵌入模型实战 老牛同学 AIAItransformersembeddingword2vec人工智能
    微信公众号：老牛同学公众号标题：深入解析Transformers框架（五）：嵌入（Embedding）机制和Word2Vec词嵌入模型实战公众号链接：https://mp.weixin.qq.com/s/qL9vpmNIM1eO9_lQq7QwlA通过前面几篇关于Transformers框架的技术文章，我们探讨了大模型的配置、分词器和BPE（Byte-PairEncoding）分词算法。这些技术帮
  • 无网络环境下配置并运行 word2vec复现.py 风筝超冷 pythonlinux开发语言
    需运行文件#-*-coding:utf-8-*-importtorchimportpandasaspdimportjiebaimporttorchimporttorch.nnasnnfromtqdmimporttqdmfromtorch.utils.dataimportDataLoader,DatasetfromtransformersimportAutoTokenizer,AutoModelde
  • 深度学习Day-41：使用Word2vec实现文本分类 Point__Nemo 深度学习分类pytorch
    本文为：[365天深度学习训练营]中的学习记录博客原作者：[K同学啊|接辅导、项目定制]任务：本次将加入Word2vec使用PyTorch实现中文文本分类，Word2Vec则是其中的一种词嵌入方法，是一种用于生成词向量的浅层神经网络模型，由TomasMikolov及其团队于2013年提出。Word2Vec通过学习大量文本数据，将每个单词表示为一个连续的向量，这些向量可以捕捉单词之间的语义和句法关系
  • java的(PO,VO,TO,BO,DAO,POJO) Cb123456 VOTOBOPOJODAO
    转: http://www.cnblogs.com/yxnchinahlj/archive/2012/02/24/2366110.html   -------------------------------------------------------------------  O/R Mapping 是 Object Relational Mapping（对象关系映
  • spring ioc原理（看完后大家可以自己写一个spring） aijuans spring
             最近，买了本Spring入门书：spring In Action 。大致浏览了下感觉还不错。就是入门了点。Manning的书还是不错的，我虽然不像哪些只看Manning书的人那样专注于Manning,但怀着崇敬 的心情和激情通览了一遍。又一次接受了IOC 、DI、AOP等Spring核心概念。 先就IOC和DI谈一点我的看法。IO
  • MyEclipse 2014中Customize Persperctive设置无效的解决方法 Kai_Ge MyEclipse2014
    高高兴兴下载个MyEclipse2014，发现工具条上多了个手机开发的按钮，心生不爽就想弄掉他！ 结果发现Customize Persperctive失效！！ 有说更新下就好了，可是国内Myeclipse访问不了，何谈更新... so~这里提供了更新后的一下jar包，给大家使用！ 1、将9个jar复制到myeclipse安装目录\plugins中 2、删除和这9个jar同包名但是版本号较
  • SpringMvc上传 120153216 springMVC
      @RequestMapping(value = WebUrlConstant.UPLOADFILE) @ResponseBody public Map<String, Object> uploadFile(HttpServletRequest request,HttpServletResponse httpresponse) { try { //
  • Javascript----HTML DOM 事件 何必如此 JavaScripthtmlWeb
    HTML DOM 事件允许Javascript在HTML文档元素中注册不同事件处理程序。 事件通常与函数结合使用，函数不会在事件发生前被执行！ 注：DOM： 指明使用的 DOM 属性级别。 1.鼠标事件 属性               
  • 动态绑定和删除onclick事件 357029540 JavaScriptjquery
    因为对JQUERY和JS的动态绑定事件的不熟悉，今天花了好久的时间才把动态绑定和删除onclick事件搞定!现在分享下我的过程。      在我的查询页面，我将我的onclick事件绑定到了tr标签上同时传入当前行(this值)参数，这样可以在点击行上的任意地方时可以选中checkbox，但是在我的某一列上也有一个onclick事件是用于下载附件的，当
  • HttpClient|HttpClient请求详解 7454103 apache应用服务器网络协议网络应用Security
    HttpClient 是 Apache Jakarta Common 下的子项目，可以用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。本文首先介绍 HTTPClient，然后根据作者实际工作经验给出了一些常见问题的解决方法。HTTP 协议可能是现在 Internet 上使用得最多、最重要的协议了，越来越多的 Java 应用程序需
  • 递归 逐层统计树形结构数据 darkranger 数据结构
    将集合递归获取树形结构: /** * * 递归获取数据 * @param alist:所有分类 * @param subjname:对应统计的项目名称 * @param pk:对应项目主键 * @param reportList: 最后统计的结果集 * @param count:项目级别 */ public void getReportVO(Arr
  • 访问WEB-INF下使用frameset标签页面出错的原因 aijuans struts2
    <frameset rows="61,*,24" cols="*" framespacing="0" frameborder="no" border="0">        
  • MAVEN常用命令 avords
    Maven库： http://repo2.maven.org/maven2/ Maven依赖查询： http://mvnrepository.com/ Maven常用命令： 1. 创建Maven的普通java项目：    mvn archetype:create    -DgroupId=packageName 
  • PHP如果自带一个小型的web服务器就好了 houxinyou apache应用服务器WebPHP脚本
    最近单位用PHP做网站，感觉PHP挺好的，不过有一些地方不太习惯，比如，环境搭建。PHP本身就是一个网站后台脚本，但用PHP做程序时还要下载apache，配置起来也不太很方便，虽然有好多配置好的apache+php+mysq的环境，但用起来总是心里不太舒服，因为我要的只是一个开发环境，如果是真实的运行环境，下个apahe也无所谓，但只是一个开发环境，总有一种杀鸡用牛刀的感觉。如果php自己的程序中
  • NoSQL数据库之Redis数据库管理(list类型) bijian1013 redis数据库NoSQL
    3.list类型及操作         List是一个链表结构，主要功能是push、pop、获取一个范围的所有值等等，操作key理解为链表的名字。Redis的list类型其实就是一个每个子元素都是string类型的双向链表。我们可以通过push、pop操作从链表的头部或者尾部添加删除元素，这样list既可以作为栈，又可以作为队列。   &nbs
  • 谁在用Hadoop？ bingyingao hadoop数据挖掘公司应用场景
    Hadoop技术的应用已经十分广泛了，而我是最近才开始对它有所了解，它在大数据领域的出色表现也让我产生了兴趣。浏览了他的官网，其中有一个页面专门介绍目前世界上有哪些公司在用Hadoop，这些公司涵盖各行各业，不乏一些大公司如alibaba,ebay,amazon,google,facebook,adobe等，主要用于日志分析、数据挖掘、机器学习、构建索引、业务报表等场景,这更加激发了学习它的热情。
  • 【Spark七十六】Spark计算结果存到MySQL bit1129 mysql
    package spark.examples.db import java.sql.{PreparedStatement, Connection, DriverManager} import com.mysql.jdbc.Driver import org.apache.spark.{SparkContext, SparkConf} object SparkMySQLInteg
  • Scala: JVM上的函数编程 bookjovi scalaerlanghaskell
        说Scala是JVM上的函数编程一点也不为过，Scala把面向对象和函数型编程这两种主流编程范式结合了起来，对于熟悉各种编程范式的人而言Scala并没有带来太多革新的编程思想，scala主要的有点在于Java庞大的package优势，这样也就弥补了JVM平台上函数型编程的缺失，MS家.net上已经有了F#，JVM怎么能不跟上呢？     对本人而言
  • jar打成exe bro_feng java jar exe
    今天要把jar包打成exe，jsmooth和exe4j都用了。 遇见几个问题。记录一下。 两个软件都很好使，网上都有图片教程，都挺不错。 首先肯定是要用自己的jre的，不然不能通用，其次别忘了把需要的lib放到classPath中。 困扰我很久的一个问题是，我自己打包成功后，在一个同事的没有装jdk的电脑上运行，就是不行，报错jvm.dll为无效的windows映像，如截图 最后发现
  • 读《研磨设计模式》-代码笔记-策略模式-Strategy 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/ /* 策略模式定义了一系列的算法，并将每一个算法封装起来，而且使它们还可以相互替换。策略模式让算法独立于使用它的客户而独立变化 简单理解： 1、将不同的策略提炼出一个共同接口。这是容易的，因为不同的策略，只是算法不同，需要传递的参数
  • cmd命令值cvfM命令 chenyu19891124 cmd
         cmd命令还真是强大啊。今天发现jar -cvfM aa.rar @aaalist 就这行命令可以根据aaalist取出相应的文件   例如：      在d：\workspace\prpall\test.java 有这样一个文件，现在想要将这个文件打成一个包。运行如下命令即可比如在d：\wor
  • OpenJWeb(1.8) Java Web应用快速开发平台 comsci java框架Web项目管理企业应用
        OpenJWeb(1.8) Java Web应用快速开发平台的作者是我们技术联盟的成员，他最近推出了新版本的快速应用开发平台  OpenJWeb(1.8)，我帮他做做宣传   OpenJWeb快速开发平台以快速开发为核心，整合先进的java 开源框架，本着自主开发+应用集成相结合的原则，旨在为政府、企事业单位、软件公司等平台用户提供一个架构透
  • Python 报错：IndentationError: unexpected indent daizj pythontab空格缩进
        IndentationError: unexpected indent 是缩进的问题，也有可能是tab和空格混用啦     Python开发者有意让违反了缩进规则的程序不能通过编译，以此来强制程序员养成良好的编程习惯。并且在Python语言里，缩进而非花括号或者某种关键字，被用于表示语句块的开始和退出。增加缩进表示语句块的开
  • HttpClient 超时设置 dongwei_6688 httpclient
    HttpClient中的超时设置包含两个部分： 1. 建立连接超时，是指在httpclient客户端和服务器端建立连接过程中允许的最大等待时间 2. 读取数据超时，是指在建立连接后，等待读取服务器端的响应数据时允许的最大等待时间   在HttpClient 4.x中如下设置：   HttpClient httpclient = new DefaultHttpC
  • 小鱼与波浪 dcj3sjt126com
    一条小鱼游出水面看蓝天，偶然间遇到了波浪。　　小鱼便与波浪在海面上游戏，随着波浪上下起伏、汹涌前进。　　小鱼在波浪里兴奋得大叫：“你每天都过着这么刺激的生活吗？简直太棒了。”　　波浪说：“岂只每天过这样的生活，几乎每一刻都这么刺激！还有更刺激的，要有潮汐变化，或者狂风暴雨，那才是兴奋得心脏都会跳出来。”　　小鱼说：“真希望我也能变成一个波浪，每天随着风雨、潮汐流动，不知道有多么好！”　　很快，小鱼
  • Error Code: 1175 You are using safe update mode and you tried to update a table dcj3sjt126com mysql
    快速高效用：SET SQL_SAFE_UPDATES = 0；下面的就不要看了！ 今日用MySQL Workbench进行数据库的管理更新时，执行一个更新的语句碰到以下错误提示： Error Code: 1175 You are using safe update mode and you tried to update a table without a WHERE that
  • 枚举类型详细介绍及方法定义 gaomysion enumjavaee
    转发 http://developer.51cto.com/art/201107/275031.htm 枚举其实就是一种类型，跟int, char 这种差不多，就是定义变量时限制输入的，你只能够赋enum里面规定的值。建议大家可以看看，这两篇文章，《java枚举类型入门》和《C++的中的结构体和枚举》，供大家参考。 枚举类型是JDK5.0的新特征。Sun引进了一个全新的关键字enum
  • Merge Sorted Array hcx2013 array
    Given two sorted integer arrays nums1 and nums2, merge nums2 into nums1 as one sorted array. Note:You may assume that nums1 has enough space (size that is
  • Expression Language 3.0新特性 jinnianshilongnian el 3.0
    Expression Language 3.0表达式语言规范最终版从2013-4-29发布到现在已经非常久的时间了；目前如Tomcat 8、Jetty 9、GlasshFish 4已经支持EL 3.0。新特性包括：如字符串拼接操作符、赋值、分号操作符、对象方法调用、Lambda表达式、静态字段/方法调用、构造器调用、Java8集合操作。目前Glassfish 4/Jetty实现最好，对大多数新特性
  • 超越算法来看待个性化推荐 liyonghui160com 超越算法来看待个性化推荐
             一提到个性化推荐，大家一般会想到协同过滤、文本相似等推荐算法，或是更高阶的模型推荐算法，百度的张栋说过，推荐40%取决于UI、30%取决于数据、20%取决于背景知识，虽然本人不是很认同这种比例，但推荐系统中，推荐算法起的作用起的作用是非常有限的。       就像任何
  • 写给Javascript初学者的小小建议 pda158 JavaScript
    　　一般初学JavaScript的时候最头痛的就是浏览器兼容问题。在Firefox下面好好的代码放到IE就不能显示了，又或者是在IE能正常显示的代码在firefox又报错了。 　　如果你正初学JavaScript并有着一样的处境的话建议你：初学JavaScript的时候无视DOM和BOM的兼容性，将更多的时间花在 了解语言本身（ECMAScript）。只在特定浏览器编写代码（Chrome/Fi
  • Java 枚举 ShihLei javaenum枚举
    注：文章内容大量借鉴使用网上的资料，可惜没有记录参考地址，只能再传对作者说声抱歉并表示感谢！   一 基础 1）语法      枚举类型只能有私有构造器（这样做可以保证客户代码没有办法新建一个enum的实例）      枚举实例必须最先定义 2）特性     &nb
  • Java SE 6 HotSpot虚拟机的垃圾回收机制 uuhorse javaHotSpotGC垃圾回收VM
    官方资料，关于Java SE 6 HotSpot虚拟机的garbage Collection，非常全，英文。 http://www.oracle.com/technetwork/java/javase/gc-tuning-6-140523.html   Java SE 6 HotSpot[tm] Virtual Machine Garbage Collection Tuning &
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他