- 【大模型学习】第八章 深入理解机器学习技术细节
好多渔鱼好多
AI大模型机器学习AI大模型人工智能
目录引言一、监督学习(SupervisedLearning)1.定义与工作原理2.常见任务3.应用场景示例:房价预测二、无监督学习(UnsupervisedLearning)1.定义与工作原理2.常见任务3.应用场景示例:客户细分三、强化学习(ReinforcementLearning)1.定义与工作原理2.常见应用场景3.应用场景示例:游戏AI四、集成学习(EnsembleLearning)1.
- 成为LLM大师的必读书籍:这几本大模型书籍,详细到让你一篇文章就收藏足够
AGI大模型老王
产品经理大模型教程学习大模型人工智能LLM大模型书籍
以下是几本关于大模型和人工智能领域的经典书籍,它们各自具有独特的特点和适用人群:《深度学习》(DeepLearning)作者:伊恩·古德费洛(IanGoodfellow)、约书亚·本吉奥(YoshuaBengio)、亚伦·库维尔(AaronCourville)简介:《深度学习》是深度学习领域的经典之作,全面介绍了深度学习的基础知识、主要模型及其应用。书中详细讲解了神经网络、卷积神经网络、循环神经网
- 深度学习实战:TensorFlow 开源项目指南
劳治亮
深度学习实战:TensorFlow开源项目指南Deep-Learning-TensorFlow项目地址:https://gitcode.com/gh_mirrors/dee/Deep-Learning-TensorFlow项目介绍本项目基于GitHub仓库https://github.com/blackecho/Deep-Learning-TensorFlow.git,旨在提供一个全面的学习与开发
- 机器学习笔记
有涯小学生
赵卫东机器学习笔记机器学习人工智能
1概述1.1简介机器学习(MachineLearning)是计算机科学的子领域,也是人工智能的一个分支和实现方式。“对于某类任务T和性能度量P,如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善,那么就称这个计算机程序在从经验E学习。”(汤姆·米切尔(TomMitchell),1997,MachineLearning)1.2机器学习、人工智能、数据挖掘从本质上看,数据科学的目标是通过处理各
- COMM1170 Organisational Resources
redamancy34
人工智能机器学习
ASSESSMENTGUIDECOMM1170OrganisationalResourcesTerm2,20242AssessmentSummaryAssessmentTaskWeightingDueDate*LearningOutcomesAssessment1:ReflectiveLearningPortfolio1Acollectionofartefactsandreflectivecomm
- [Machine Learning] K-means算法
进阶的小蜉蝣
machinelearning算法kmeans机器学习
HuBERT预训练过程中会用到K-means算法,本文简单介绍一下K-means算法的基本流程。简单地讲,K-means就是给特征向量集进行聚类。给定一个特征向量集{X}和目标聚类数N,K-means会不断迭代,直到X被分成N类,且每一类的中心点不再明显变化。先看一个简单例子:fromsklearn.clusterimportKMeansimportnumpyasnpimportmatplotli
- 深度学习现状与未来发展趋势分析报告(深度学习还是主流吗?)
与光同尘 大道至简
深度学习人工智能
此博客分析深度学习当前的主流应用领域、其受关注度的变化趋势、可能的技术替代或补充方案、产业界和学术界的不同发展方向,以及影响其受关注度变化的核心因素。报告将包括结构化分析(背景、现状、挑战、未来趋势)、数据驱动(市场趋势、论文发表量等数据支持)以及行业案例分析,以展示某些行业如何逐步减少对深度学习的依赖。背景深度学习的概念与发展历程:深度学习(DeepLearning)是机器学习中的一类方法,源于
- 创建ASCII数字打印机(OpenCV C++)
河边一只猫
opencvc++cv
学习OpenCV3(中文版)LearningOpenCV3ComputerVisioninC++withtheOpenCVLibrary第四章练习1建立一个500×500大小的单通道图像,每个像素值都为0。a.创建一个ASCII数字打印机,你可以在自己电脑上输入数字,并在一个20像素高、10像素宽的方块中显示数字。当你键入时,数字将从左到右显示,直到到达图像的末尾才停止。b.允许键入回车和退格。c
- 【图像去噪】论文复现:真实噪声转高斯噪声,提升高斯噪声训练的模型性能!Learning to Translate Noise的Pytorch源码复现,跑通流程,框架结构和损失函数详解!
十小大
pytorch人工智能python图像去噪图像处理深度学习计算机视觉
请先看【专栏介绍文章】:【图像去噪(ImageDenoising)】关于【图像去噪】专栏的相关说明,包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总(更新中)完整代码和训练好的模型权重文件下载链接见本文底部,订阅专栏免费获取!本文亮点:跑通LearningtoTranslateNoise源码,包含基于BasicSR的训练和测试代码,得
- 强化学习是否能够在完全不确定的环境中找到一个合理的策略,还是说它只能在已知规则下生效?
concisedistinct
人工智能人工智能强化学习
强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,广泛应用于机器人控制、自动驾驶、游戏策略和金融决策等领域。其核心理念是通过与环境的互动,不断学习如何选择最优行动以最大化累积奖励。尽管强化学习在许多已知和相对确定的环境中表现出色,但在面对完全不确定或动态变化的环境时,其表现和可靠性是否依然能保持一致是一个值得深入探讨的问题。我们生活的世界充满了不确定性,尤其是在
- PyTorch 中结合迁移学习和强化学习的完整实现方案
小赖同学啊
人工智能pytorch迁移学习人工智能
结合迁移学习(TransferLearning)和强化学习(ReinforcementLearning,RL)是解决复杂任务的有效方法。迁移学习可以利用预训练模型的知识加速训练,而强化学习则通过与环境的交互优化策略。以下是如何在PyTorch中结合迁移学习和强化学习的完整实现方案。1.场景描述假设我们有一个任务:训练一个机器人手臂抓取物体。我们可以利用迁移学习从一个预训练的视觉模型(如ResNet
- 一文讲清楚自我学习和深度学习
平凡而伟大(心之所向)
人工智能人工智能深度学习机器学习
自我学习(Self-Learning)和深度学习(DeepLearning)是两个不同的概念,但它们在某些应用场景中可以有交集。下面我们将分别介绍这两个概念,并探讨如何将它们结合起来用于自我学习系统。自我学习(Self-Learning)自我学习是指个体或系统通过自主探索、实践和反思来获取知识和技能的过程。它强调的是无需外部直接指导的学习方式,通常包括以下几个方面:自主性:学习者根据自己的兴趣、需
- 【量子退火(Quantum Annealing, QA)在Machine Learning Classification中的应用】
搞技术的妹子
机器学习量子计算人工智能
随着量子计算技术的发展,**量子退火(QuantumAnnealing,QA)成为了优化问题中一种潜力巨大的方法。它不仅可以用于求解传统优化问题,还被逐渐应用于机器学习领域,特别是机器学习分类(MachineLearningClassification)**任务中。在这篇博客中,我们将探讨量子退火在机器学习分类中的应用,并通过一个实际的案例来展示如何使用量子退火优化分类模型。什么是量子退火(Qua
- 【机器学习】Reinforcement Learning-强化学习基本概念
长相忆兮长相忆
深度学习人工智能算法机器学习
1、Q值与V值1.1Q值和V值的定义Q值:也称为动作价值函数,评估动作的价值,它代表了智能体选择这个动作后,一直到最终状态奖励总和的期望,表示为Q(s,a),其中s是状态,a是动作。V值:评估状态的价值,也称为状态价值函数,表示为V(s),其中s是状态。它代表了智能体在这个状态下,一直到最终状态的奖励总和的期望。V值与动作无关只与状态有关。Q值和V值的概念是一致的,都是衡量在马可洛夫树上某一个节点
- 面向对象的前端开发_20多种面向前端开发人员的文档和指南(第11号)
culi3118
编程语言javajavascriptpythonhtmlViewUI
面向对象的前端开发It’sthattimeagaintogetlearning!Asbefore,I’vecollectedanumberofdifferentlearningresources,includingguides,docs,andotherusefulwebsitestohelpyougetuptospeedindifferentareasoffront-enddevelopment
- 大语言模型生成式AI学习笔记——1. 1.1 大语言模型及生成式AI项目生命周期简介——课程简介
预见未来to50
机器学习深度学习(ML/DL)人工智能语言模型学习
GenerativeAIwithLargeLanguageModelsbyDeepLearning.AI&AmazonWebServicesAboutthisCourseInGenerativeAIwithLargeLanguageModels(LLMs),you’lllearnthefundamentalsofhowgenerativeAIworks,andhowtodeployitinreal
- [水]与grok聊Java
啾啾大学习
水java开发语言
摘要:AI时代,二本毕业一般工资一般履历的java程序员要怎么做才能不被淘汰呢?3步之内必有解药?AI带来的问题让AI解决?转行么?先水一篇吧(我知道可能不如去学习,但是我要是学习好我会这个样子,可恶,加油)目录1、AI带来的问题职业危机2、AI带来的机遇2.1、职业发展的帮助职业发展预测可能的职业1.AI工程师(AIEngineer)2.机器学习工程师(MachineLearningEngine
- python调用rust_将字符串列表从Python传递到Rust
weixin_39930144
python调用rust
I'vebeenlearningRustforabouttwoweeksnowandtoday,IgotintoitsFFI.IusedPythontoplaywithRust,usingctypesandlibc.Ipassedintegers,stringsandevenlearnedtopassalistofintegers(thankstothiswonderfulanswer).Then
- python 统计库_《统计学习方法》 Python 库
weixin_39756540
python统计库
新建GitHub仓库仓库名为slmethod,统计学习方法(StatisticalLearningMethod)的简写Public公开仓库勾选InitializethisrepositorywithaREADME.gitignore选择Python添加MITLicensenew下载代码到本地,使用ssh协议。
[email protected]:iOSDevLog/slmethod.git
- An Introduction to Statistical Learning with Applicatio
AI天才研究院
Python实战DeepSeekR1&大数据AI人工智能大模型大数据人工智能语言模型JavaPython架构设计
作者:禅与计算机程序设计艺术1.简介1.1定义统计学习(statisticallearning)是一门研究如何从数据中提取知识并应用于预测、决策或其他目的的一门学科。它是机器学习、数据挖掘、计算机视觉等领域的一个分支,是当前热门的AI方向。1.2特点数据驱动:统计学习倾向于采用结构化的数据——如表格或矩阵形式——作为输入;假设空间少:统计学习通常只考虑一种假设空间,即概率模型或概率分布;模型复杂性
- An Introduction to Statistical Learning with Python 解读及实战指南
蔡鸿烈Hope
AnIntroductiontoStatisticalLearningwithPython解读及实战指南ISL-pythonSolutionstolabsandexcercisesfromAnIntroductiontoStatisticalLearning,asJupyterNotebooks.项目地址:https://gitcode.com/gh_mirrors/is/ISL-python1.
- DiNN学习笔记1-理论部分
瓜皮37
同态加密密码学信息安全神经网络
DiNN学习笔记1-理论部分背景知识机器学习即服务MLaaS中的全同态加密神经网络Fhe-DiNN中的默认设定Fhe-DiNN方案神经元中的计算离散神经网络DiNN评估步骤自举的引入激活函数的同态评估对TFHE的改进明文的打包密钥转换的前置动态变化的消息空间优化盲旋步骤DiNN方案的整体流程参考资料背景知识机器学习即服务机器学习即服务(MachineLearningasaService,MLaaS
- CE 451/551 Computer-Aided Research
后端
CE451/551–Computer-AidedResearchintheChemicalandMaterialsSciences:Homework#10(Graded#2)(Due:Tuesday,4March2025,5:00pm)AswehavenowfinishedlearningthebasicsofPython,itistimetopracticewritingsomeactualco
- 关于STP、RSTP、MSTP协议的常见面试问题
他不爱吃香菜
网络协议网络面试解答面试职场和发展
1.STP、RSTP、MSTP的主要区别是什么?STP(802.1D):功能:防二层环路,收敛慢(30-50秒)。端口状态:5种(Blocking、Listening、Learning、Forwarding等)。负载均衡:不支持,所有VLAN共享一棵树。RSTP(802.1w):改进点:收敛时间缩短至1-3秒。端口角色:新增Alternate/Backup端口。状态简化:3种状态(Discardi
- 强化学习与网络安全资源-论文和环境
AI拉呱
web安全安全
TableofContentsRL-EnvironmentsPapersBooksBlogpostsTalksMiscellaneous↑EnvironmentsPentestingTrainingFrameworkforReinforcementLearningAgents(PenGym)TheARCDPrimary-levelAITrainingEnvironment(PrimAITE)CSL
- Python-Machine-Learning-Cookbook 项目教程
张亭齐Crown
Python-Machine-Learning-Cookbook项目教程Python-Machine-Learning-CookbookCodefilesforPython-Machine-Learning-Cookbook项目地址:https://gitcode.com/gh_mirrors/py/Python-Machine-Learning-Cookbook1.项目目录结构及介绍Python
- fp8、fp16和bp16的区别
SmallerFL
NLP&机器学习fp8fp16bp16深度学习
文章目录1.FP8(8-bitFloatingPoint)2.FP16(16-bitFloatingPoint)3.BP16(BrainFloatingPoint)4.总结FP8、FP16和BP16是指不同精度的浮点数格式,主要用于计算机图形学和机器学习等领域。它们的区别在于表示数字的位数、精度和范围。1.FP8(8-bitFloatingPoint)位数:FP8使用8位来表示浮点数。精度和范围:
- Transformer预测 | 基于TCN-Transformer的股票价格预测(Pytorch)
机器学习之心
#Transformer模型transformerpytorch深度学习TCN-Transformer股票价格预测
文章目录预测效果文章概述程序设计参考资料预测效果文章概述Transformer预测|基于TCN-Transformer的股票价格预测(Python)Transformer模型本质上都是预训练语言模型,大都采用自监督学习(Self-supervisedlearning)的方式在大量生语料上进行训练,也就是说,训练这些Transformer模型完全不需要人工标注数据。Transformer模型的标志就
- 机器学习 第一章 绪论
太炀
机器学习机器学习人工智能
1.1引言什么是机器学习(machinelearning)?机器学习是致力于研究如何通过计算手段,利用经验来改善系统自身的性能的学科。在计算机系统中,“经验”以“数据”的形式表现。通过这些数据产生模型(model)的算法,即“学习算法”(learningalgorithm)。如果说计算机科学是研究“算法”的学问,那机器学习就是研究“学习算法”的学问。ps:本系列所说“模型(model)”泛指数据学
- 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
- 继之前的线程循环加到窗口中运行
3213213333332132
javathreadJFrameJPanel
之前写了有关java线程的循环执行和结束,因为想制作成exe文件,想把执行的效果加到窗口上,所以就结合了JFrame和JPanel写了这个程序,这里直接贴出代码,在窗口上运行的效果下面有附图。
package thread;
import java.awt.Graphics;
import java.text.SimpleDateFormat;
import java.util
- linux 常用命令
BlueSkator
linux命令
1.grep
相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志,这个命令绝对是必不可少的。
但之前总是习惯于使用 (grep -n 关键字 文件名 )查出关键字以及该关键字所在的行数,然后再用 (sed -n '100,200p' 文件名),去查出该关键字之后的日志内容。
但其实还有更简便的办法,就是用(grep -B n、-A n、-C n 关键
- php heredoc原文档和nowdoc语法
dcj3sjt126com
PHPheredocnowdoc
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
<title>Current To-Do List</title>
</head>
<body>
<?
- overflow的属性
周华华
JavaScript
<!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/1999/xhtml&q
- 《我所了解的Java》——总体目录
g21121
java
准备用一年左右时间写一个系列的文章《我所了解的Java》,目录及内容会不断完善及调整。
在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等,请大家及时指出,我会第一时间更正。
&n
- [简单]docx4j常用方法小结
53873039oycg
docx
本代码基于docx4j-3.2.0,在office word 2007上测试通过。代码如下:
import java.io.File;
import java.io.FileInputStream;
import ja
- Spring配置学习
云端月影
spring配置
首先来看一个标准的Spring配置文件 applicationContext.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi=&q
- Java新手入门的30个基本概念三
aijuans
java新手java 入门
17.Java中的每一个类都是从Object类扩展而来的。 18.object类中的equal和toString方法。 equal用于测试一个对象是否同另一个对象相等。 toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法) 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。
- 《2008 IBM Rational 软件开发高峰论坛会议》小记
antonyup_2006
软件测试敏捷开发项目管理IBM活动
我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵!
其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下.
参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
- PL/SQL的过程编程,异常,声明变量,PL/SQL块
百合不是茶
PL/SQL的过程编程异常PL/SQL块声明变量
PL/SQL;
过程;
符号;
变量;
PL/SQL块;
输出;
异常;
PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
- Mockito(三)--完整功能介绍
bijian1013
持续集成mockito单元测试
mockito官网:http://code.google.com/p/mockito/,打开documentation可以看到官方最新的文档资料。
一.使用mockito验证行为
//首先要import Mockito
import static org.mockito.Mockito.*;
//mo
- 精通Oracle10编程SQL(8)使用复合数据类型
bijian1013
oracle数据库plsql
/*
*使用复合数据类型
*/
--PL/SQL记录
--定义PL/SQL记录
--自定义PL/SQL记录
DECLARE
TYPE emp_record_type IS RECORD(
name emp.ename%TYPE,
salary emp.sal%TYPE,
dno emp.deptno%TYPE
);
emp_
- 【Linux常用命令一】grep命令
bit1129
Linux常用命令
grep命令格式
grep [option] pattern [file-list]
grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。
pattern可以是普通字符串,也可以是正则表达式,当查找的字符串包含正则表达式字符或者特
- mybatis3入门学习笔记
白糖_
sqlibatisqqjdbc配置管理
MyBatis 的前身就是iBatis,是一个数据持久层(ORM)框架。 MyBatis 是支持普通 SQL 查询,存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。
以前也学过iBatis,因为MyBatis是iBatis的升级版本,最初以为改动应该不大,实际结果是MyBatis对配置文件进行了一些大的改动,使整个框架更加方便人性化。
- Linux 命令神器:lsof 入门
ronin47
lsof
lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息,但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实,因为它是指“列出打开文件(lists openfiles)”。而有一点要切记,在Unix中一切(包括网络套接口)都是文件。
有趣的是,lsof也是有着最多
- java实现两个大数相加,可能存在溢出。
bylijinnan
java实现
import java.math.BigInteger;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class BigIntegerAddition {
/**
* 题目:java实现两个大数相加,可能存在溢出。
* 如123456789 + 987654321
- Kettle学习资料分享,附大神用Kettle的一套流程完成对整个数据库迁移方法
Kai_Ge
Kettle
Kettle学习资料分享
Kettle 3.2 使用说明书
目录
概述..........................................................................................................................................7
1.Kettle 资源库管
- [货币与金融]钢之炼金术士
comsci
金融
自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的
那么随着人类在理论物理和工程物理上面取得的一些突破性进展......
炼金术这个古老
- Toast原来也可以多样化
dai_lm
androidtoast
Style 1: 默认
Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT);
def.show();
Style 2: 顶部显示
Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT);
t
- java数据计算的几种解决方法3
datamachine
javahadoopibatisr-languer
4、iBatis
简单敏捷因此强大的数据计算层。和Hibernate不同,它鼓励写SQL,所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦,只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。
复杂计算环境是它的弱项,比如:分布式计算、复杂计算、非数据
- 向网页中插入透明Flash的方法和技巧
dcj3sjt126com
htmlWebFlash
将
Flash 作品插入网页的时候,我们有时候会需要将它设为透明,有时候我们需要在Flash的背面插入一些漂亮的图片,搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。
一、Swf透明、无坐标控制 首先教大家最简单的插入Flash的代码,透明,无坐标控制: 注意wmode="transparent"是控制Flash是否透明
- ios UICollectionView的使用
dcj3sjt126com
UICollectionView的使用有两种方法,一种是继承UICollectionViewController,这个Controller会自带一个UICollectionView;另外一种是作为一个视图放在普通的UIViewController里面。
个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。
1.UIViewController实现委托,代码如
- Eos平台java公共逻辑
蕃薯耀
Eos平台java公共逻辑Eos平台java公共逻辑
Eos平台java公共逻辑
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月1日 17:20:4
- SpringMVC4零配置--Web上下文配置【MvcConfig】
hanqunfeng
springmvc4
与SpringSecurity的配置类似,spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。
applicationContext-MvcConfig.xml
<!-- 启用注解,并定义组件查找规则 ,mvc层只负责扫描@Controller -->
<
- 解决ie和其他浏览器poi下载excel文件名乱码
jackyrong
Excel
使用poi,做传统的excel导出,然后想在浏览器中,让用户选择另存为,保存用户下载的xls文件,这个时候,可能的是在ie下出现乱码(ie,9,10,11),但在firefox,chrome下没乱码,
因此必须综合判断,编写一个工具类:
/**
*
* @Title: pro
- 挥洒泪水的青春
lampcy
编程生活程序员
2015年2月28日,我辞职了,离开了相处一年的触控,转过身--挥洒掉泪水,毅然来到了兄弟连,背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人,还敢跨行业,选择Unity3D?“,”真是不自量力••••••“,”真是初生牛犊不怕虎•••••“,••••••我只是淡淡一笑,拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连!
这就是我青春的分割线,不后悔,只会去用泪水浇灌——已经来到
- 稳增长之中国股市两点意见-----严控做空,建立涨跌停版停牌重组机制
nannan408
对于股市,我们国家的监管还是有点拼的,但始终拼不过飞流直下的恐慌,为什么呢?
笔者首先支持股市的监管。对于股市越管越荡的现象,笔者认为首先是做空力量超过了股市自身的升力,并且对于跌停停牌重组的快速反应还没建立好,上市公司对于股价下跌没有很好的利好支撑。
我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空,在
- 动态设置iframe高度(iframe高度自适应)
Rainbow702
JavaScriptiframecontentDocument高度自适应局部刷新
如果需要对画面中的部分区域作局部刷新,大家可能都会想到使用ajax。
但有些情况下,须使用在页面中嵌入一个iframe来作局部刷新。
对于使用iframe的情况,发现有一个问题,就是iframe中的页面的高度可能会很高,但是外面页面并不会被iframe内部页面给撑开,如下面的结构:
<div id="content">
<div id=&quo
- 用Rapael做图表
tntxia
rap
function drawReport(paper,attr,data){
var width = attr.width;
var height = attr.height;
var max = 0;
&nbs
- HTML5 bootstrap2网页兼容(支持IE10以下)
xiaoluode
html5bootstrap
<!DOCTYPE html>
<html>
<head lang="zh-CN">
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">