- 饿了么算法工程师-AIGC岗内推
飞300
AIGC业界资讯
1、紧跟业界最新自然语言处理技术动态,深入研发并努力创新,特别是在LLM、多模态理解和LLMAgent领域。2、基于大型语言模型开展文本生成、自然语言理解以及智能对话系统的研发,提出新颖的算法/模型,并进行实际开发和应用。3、探索多模态数据的结合,包括图像、文本、语音等,以丰富智能系统的理解和交互能力。4、将自然语言处理技术与具体业务场景相结合,考虑业务的特殊性并适配业务需求。参与到具体的NLP相
- 自然语言处理入门:从基础概念到实战项目
范范0825
自然语言处理人工智能
自然语言处理入门:从基础概念到实战项目一、引言自然语言处理(NaturalLanguageProcessing,简称NLP)是人工智能的重要分支,旨在让计算机能够理解、生成和处理人类语言。随着大数据和深度学习的发展,NLP技术在文本分类、机器翻译、问答系统、情感分析等领域得到了广泛应用。本文将从NLP的基础概念入手,逐步介绍关键技术,最终通过一个完整的实战项目帮助读者掌握如何在实际应用中使用NLP
- 自然语言处理系列(5)——情感分析的原理与实战
DoYangTan
自然语言处理人工智能
自然语言处理系列(5)——情感分析的原理与实战情感分析(SentimentAnalysis)是自然语言处理中的一项经典任务,目的是通过分析文本,判断其表达的情感倾向性。情感分析广泛应用于社交媒体监控、市场调研、客户服务等领域,帮助企业和机构快速了解用户的情感态度。在本文中,我们将深入探讨情感分析的基本概念、常用方法,并展示如何使用Python和现代NLP工具实现情感分析任务。1.情感分析的基本概念
- pytorch基础 nn.embedding
yuweififi
pytorch人工智能nlp
nn.Embedding是PyTorch中的一个模块,用于创建嵌入层(embeddinglayer),它将离散的索引(例如词汇表中的单词索引)映射为固定大小的稠密向量。这是许多NLP模型(包括Transformer)中的基本组件。示例用法:importtorchimporttorch.nnasnn#定义一个嵌入层vocab_size=10000#词汇表大小embedding_dim=512#嵌入向
- Linux 查看端口占用命令
酒酿小圆子~
linux运维服务器
文章目录1、lsof-i:端口号2、netstat命令2.1netstat-tunlp命令2.2netstat-anp命令1、lsof-i:端口号用于查看某一端口的占用情况,比如查看5000端口使用情况:sudolsof-i:5000注意:这里最好使用sudo开启管理员权限,未开启管理员权限时,可能会检测不到相关进程。(并非所有进程都能被检测到,所有非本用户的进程信息将不会显示,如果想看到所有信息
- Empowering LLMs with Logical Reasoning: 从“语言大师”到“逻辑大师”的进化之路
步子哥
人工智能
“逻辑是智慧的骨架,而语言是智慧的血肉。让大语言模型(LLMs)既能说会道,又能逻辑严谨,是AI发展的下一座高峰。”开篇:语言模型的“逻辑盲区”近年来,大语言模型(LLMs)在自然语言处理(NLP)任务中取得了令人瞩目的成就。从生成流畅的文章到翻译复杂的句子,这些模型似乎无所不能。然而,当我们试图让它们回答逻辑推理问题时,却发现它们的表现常常令人失望。比如,某顶尖LLM在回答以下问题时出现了自相矛
- 使用Hugging Face Text Embeddings Inference进行文本嵌入推理
dgay_hua
python
在自然语言处理中,文本嵌入是一个重要的技术,它将文本转换为可以由机器学习算法处理的数字向量。在这篇文章中,我们将探讨如何使用HuggingFace的TextEmbeddingsInference(TEI)工具包来部署和服务开源文本嵌入和序列分类模型。TEI支持高性能提取,包括常用的嵌入模型如FlagEmbedding、Ember、GTE和E5。技术背景介绍文本嵌入在现代NLP任务中起着关键作用,它
- Objective-C实现NLP中文分词(附完整源码)
源代码大师
Objective-C实战教程自然语言处理objective-c中文分词
Objective-C实现NLP中文分词实现中文分词(NLP中的重要任务之一)在Objective-C中需要处理文本的切分和识别词语边界。尽管Objective-C在自然语言处理(NLP)领域并不常见,但通过合理的算法设计和数据结构,可以实现基本的中文分词功能。本文将介绍如何使用基于字典的最大匹配算法(MaximumMatchingAlgorithm),例如正向最大匹配(ForwardMaximu
- 最全中文对话数据集(不定期更新)
数据猎手小k
人工智能大数据
随着人工智能技术的发展,自然语言处理(NLP)领域中的对话系统逐渐成为研究的热点。为了提升对话系统的性能,需要大量的高质量对话数据来训练和优化模型。然而,中文对话数据相对于英文来说较为稀缺,且质量参差不齐,这限制了中文对话系统的发展。因此,构建大规模、高质量的中文对话数据集成为了一个迫切的需求。一、研究意义1、推动中文NLP发展:大规模高质量的中文对话数据集能够为中文自然语言处理领域的研究提供基础
- 微调 LLM (RLHF + DPO)
人工智能
微调LLM(RLHF+DPO)使用强化学习(RL)根据人类反馈微调大语言模型(即RLHF)的方法,以及一种更有效的改进方法(即DPO)。一、GPT-3与InstructGPT2020年,OpenAI发布了GPT-3,这是一种大型语言模型(LLM),只需查看几个示例即可执行任意自然语言处理(NLP)任务。这包括为模型编写巧妙的输入(即提示),使其执行所需的任务(例如翻译、问答和完形填空任务)。尽管G
- 注意力机制(Attention Mechanism)详细分类与介绍
Jason_Orton
分类数据挖掘人工智能
注意力机制(AttentionMechanism)是近年来在深度学习中非常流行的一种技术,特别是在自然语言处理(NLP)、计算机视觉等任务中,具有显著的效果。它的核心思想是模仿人类在处理信息时的注意力分配方式,根据不同部分的重要性给予不同的关注程度。1.注意力机制的背景与动机在传统的深度学习模型(如RNN、CNN等)中,信息处理通常是按照固定的规则和结构进行的,模型对输入的各个部分给予相同的关注。
- 用 AI 解决心理健康匹配难题:探索 NLP 在心理咨询领域的应用
AI在心理健康行业的机遇与挑战心理健康行业近年来增长迅速,但仍然面临诸多技术挑战:•精准匹配:如何利用AI/NLP理解用户情绪、需求、心理状态,匹配合适的心理咨询师?•数据隐私:如何在AI分析过程中保障用户数据安全,避免敏感信息泄露?•智能化vs.人性化:如何平衡算法推荐与人工咨询的个性化,避免AI过度干预?这些问题,正是我们当前研究和探索的方向!研究方向:如何用AI进行智能匹配?我们正在研究如何
- 自然语言处理(Natural Language Processing, NLP)的主要应用及核心技术
彬彬侠
自然语言处理NLP自然语言处理
自然语言处理(NLP)是人工智能(AI)的一个重要分支,旨在让计算机能够理解、生成和处理人类语言。NLP在多个领域有着广泛的应用,并结合了多种先进的技术,包括机器学习(ML)、深度学习(DL)、统计模型以及规则方法。1.自然语言处理的主要应用1.1机器翻译(MachineTranslation,MT)应用场景:在线翻译:GoogleTranslate、DeepL、BaiduTranslate。跨语
- 如何选择AI外呼产品?技术人必看的五大核心指标
MARS_AI_
人工智能自然语言处理语音识别信息与通信nlp
随着AI技术的快速发展,AI外呼产品逐渐成为企业客户沟通与业务拓展的利器。然而,面对市场上琳琅满目的解决方案,如何选择一款真正适合自身业务的AI外呼产品?本文从技术视角出发,结合实际应用场景,总结出五大核心评估指标,助你科学决策。一、技术核心:从算法到落地的关键AI外呼产品的核心能力取决于其底层技术架构,尤其是自然语言处理(NLP)与大模型技术的应用水平。以下是不同技术方案的对比:技术选型建议:•
- 29、深度学习-自学之路-深入理解-NLP自然语言处理-做一个完形填空,让机器学习更多的内容程序展示
小宇爱
深度学习-自学之路深度学习自然语言处理机器学习
importsys,random,mathfromcollectionsimportCounterimportnumpyasnpnp.random.seed(1)random.seed(1)f=open('reviews.txt')raw_reviews=f.readlines()f.close()tokens=list(map(lambdax:(x.split("")),raw_reviews)
- 深度学习的前沿与挑战:从基础到最新进展
Jason_Orton
深度学习人工智能数据挖掘机器学习
目录引言什么是深度学习?深度学习的工作原理深度学习的关键技术1.卷积神经网络(CNN)2.循环神经网络(RNN)3.生成对抗网络(GAN)4.变分自编码器(VAE)5.自注意力机制与Transformer深度学习的应用1.计算机视觉2.自然语言处理(NLP)3.语音识别与合成4.推荐系统5.医学影像分析深度学习面临的挑战结语引言深度学习(DeepLearning)近年来成为人工智能领域的核心技术之
- 【AI视野·今日NLP 自然语言处理论文速览 第八十期】Fri, 1 Mar 2024
hitrjj
LLMNLPPapers人工智能自然语言处理NLPLLM大语言模型
AI视野·今日CS.NLP自然语言处理论文速览Fri,1Mar2024Totally67papers上期速览✈更多精彩请移步主页DailyComputationandLanguagePapersLooseLIPSSinkShips:AskingQuestionsinBattleshipwithLanguage-InformedProgramSamplingAuthorsGabrielGrand,V
- 【NLP算法面经】腾讯、头条算法岗详细面经(★附面题整理★)
青松ᵃⁱ
NLP百面百过自然语言处理算法人工智能
【NLP算法面经】腾讯、头条算法岗详细面经(★附面题整理★)嗨,你好,我是青松!自小刺头深草里,而今渐觉出蓬蒿。NLPGithub项目推荐:【AI藏经阁】:https://gitee.com/fasterai/ai-e-book介绍:该仓库主要分享了数百本AI领域电子书【AI算法面经】:fasterai/nlp-interview-handbook#面经介绍:该仓库一网打尽互联网大厂NLP算法面经
- DeepSeek API是什么
兔兔爱学习兔兔爱学习
大模型pythonprompt算法
DeepSeekAPI是一个提供人工智能服务的接口,它允许开发者通过简单的API调用来实现各种高级的自然语言处理(NLP)任务,如文本生成、对话系统、文本摘要、问答系统等。DeepSeekAPI通常基于先进的大模型,如Transformer架构的模型,提供了强大的语言理解和生成能力。DeepSeekAPI的特点易于集成:开发者可以通过简单的HTTP请求调用API,无需深入了解底层模型的具体实现。高
- DeepSeek各模型现有版本对比分析
墨染夜雨笺
DeepSeekAI
文章目录一、基础模型系列:V1到V3的演进二、专用模型系列:推理与多模态三、版本选型与商业化趋势DeepSeek作为最近特别火爆的模型,本文将对DeepSeek现有的主要版本进行对比分析,涵盖参数规模、训练数据、功能改进、应用场景和性能表现等方面。一、基础模型系列:V1到V3的演进DeepSeek-V1发布时间:2024年1月特点:首代模型,专注于自然语言处理(NLP)和编码任务,支持128K标记
- 使用 LangChain 与 Solar LLM 的快速集成示例
qahaj
langchainpython开发语言
在本篇文章中,我们将深入探讨如何通过LangChain框架与SolarLLM(已弃用)进行集成。这虽然是一个过时的示例,但仍然可以帮助我们掌握如何使用类似的模型连接器设计结构化的语言模型调用流程。更重要的是,我们还会通过实际代码,展示集成的实现过程。一、技术背景介绍LangChain是一个强大的框架,它可以帮助开发者轻松集成不同的自然语言处理(NLP)模型,并构建复杂的链式推理任务。SolarLL
- 全市场大模型分类及对比分析报告
早退的程序员
分类数据挖掘人工智能
全市场大模型分类及对比分析报告1.引言随着人工智能技术的飞速发展,大模型(LargeModels)已成为推动AI进步的核心力量。大模型凭借其强大的计算能力和海量数据处理能力,在自然语言处理(NLP)、计算机视觉(CV)、语音识别等领域取得了显著成果。本报告将对全市场中几类主要的大模型进行分类和对比分析,探讨其技术特点、应用场景及未来发展趋势。2.大模型分类根据模型架构、训练目标和应用领域,全市场的
- Python微调DeepSeek-R1-Distill-Qwen-1.5B模型:使用Transformers和PyTorch进行训练
煤炭里de黑猫
pytorchpython人工智能机器学习
前言近年来,基于Transformer架构的预训练语言模型如GPT、BERT等已经取得了显著的成果,广泛应用于自然语言处理(NLP)的各个领域。为了让这些模型更加适应特定任务,我们通常会进行微调(Fine-tuning)。本博客将详细介绍如何微调一个名为Qwen-1.5B的模型,使用HuggingFace的Transformers库与PyTorch框架来实现。我们将通过一步步的代码解析,帮助你理解
- 选择翻译模型的智慧:Helsinki-NLP Opus-MT-zh-en的比较分析
邵意征Goddard
选择翻译模型的智慧:Helsinki-NLPOpus-MT-zh-en的比较分析opus-mt-zh-en项目地址:https://gitcode.com/mirrors/Helsinki-NLP/opus-mt-zh-en在当今全球化的语言交流需求中,翻译模型成为连接不同语言文化的桥梁。然而,面对市面上众多的翻译模型,如何选择最适合自己项目的模型,成为许多开发者和研究者的一大挑战。本文将以Hel
- 深度融入行业的利器:Helsinki-NLP Opus-MT-zh-en模型的应用案例
彭榕赢Driscoll
深度融入行业的利器:Helsinki-NLPOpus-MT-zh-en模型的应用案例opus-mt-zh-en项目地址:https://gitcode.com/mirrors/Helsinki-NLP/opus-mt-zh-en在当今全球化的大背景下,语言翻译的需求日益增长。Helsinki-NLPOpus-MT-zh-en模型,作为一款由赫尔辛基大学语言技术研究组开发的翻译模型,以其卓越的性能和
- python开发翻译软件&PDF文档识别转换翻译
Juniper_fly
AI模型PDF格式转换Python开发程序python开发语言
一、通过Helsinki-NLP模型实现离线翻译接口参考文档:https://blog.csdn.net/mzl87/article/details/1271234451.1、开发环境配置系统环境:WIN10开发环境:pycharm开发语言环境:Python3.8.10-64bitpip21.1.1(pip降级:python-mpipinstallpip==21.1.1)常用命令:查看python
- 深入Java自然语言交互的情感分析:从零构建智能情感检测系统
墨夶
Java学习资料2java交互开发语言
在这个信息爆炸的时代,如何快速准确地理解大量文本背后的情绪成为了企业和个人关注的焦点。无论是社交媒体监控、产品评论分析还是客户服务优化,情感分析技术都发挥着至关重要的作用。今天,我们将带您一步步构建一个基于Java的情感分析应用,让您不仅能够理解其背后的原理,还能亲手实现这一强大的工具。技术栈简介在开始之前,我们需要了解几个关键的技术点:StanfordNLP:提供了一套全面的自然语言处理功能,包
- 使用 Helsinki-NLP 中英文翻译本地部署 - python 实现
Xian-HHappy
技术知识点自然语言处理python人工智能中英文翻译模型本地部署
通过Helsinki-NLP本地部署中英文翻译功能。该开源模型性价比相对高,资源占用少,对于翻译要求不高的应用场景可以使用,比如单词,简单句式的中英文翻译。该示例使用的模型下载地址:【免费】Helsinki-NLP中英文翻译本地部署-python实现模型资源-CSDN文库模型也可以在huggingface下载。1、英文翻译为中文示例:#-*-coding:utf-8-*-#date:2024#Au
- NLP作业02:课程设计报告
0255-
自然语言处理课程设计人工智能
NLP作业02:课程设计报告作业头这个作业属于那个课程自然语言处理这个作业要求在哪里NLP作业02:课程设计报告我在这个课程的目标是通过综合应用项目的实施,培养团队协作沟通能力和运用现代工具分析和解决复杂工程问题的能力这个作业在那个具体方面帮助我实现目标能综合运用所学理论知识和操作技能进行实际工程项目的设计开发参考文献http://t.csdn.cn/mu8sF垃圾短信分类1.设计目的通过课程设计
- 自然语言处理(NLP):文本向量化从文字到数字的原理
全栈你个大西瓜
人工智能自然语言处理人工智能文本向量化NLP
在人工智能领域,尤其是自然语言处理(NLP)中,将文本信息转化为机器可以理解的形式是一个至关重要的步骤。本文探讨如何将文本转换为向量表示的过程,包括分词、ID映射、One-hot编码以及最终的词嵌入(Embedding),并通过具体的案例代码来辅助解释这些概念。处理字符还是数字人工智能算法只能处理数字形式的数据,特别是浮点数。这意味着任何非数字的信息,如汉字、字母等,都需要被转换成数值形式才能用于
- Java 并发包之线程池和原子计数
lijingyao8206
Java计数ThreadPool并发包java线程池
对于大数据量关联的业务处理逻辑,比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式,并且可以提高线程利用率,并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。
这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
- java编程思想 抽象类和接口
百合不是茶
java抽象类接口
接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持
1 ,抽象类 : 如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)
抽象方法 : 在方法中仅有声明而没有方法体
package com.wj.Interface;
- [房地产与大数据]房地产数据挖掘系统
comsci
数据挖掘
随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...
所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产
&nb
- 数组队列总结
沐刃青蛟
数组队列
数组队列是一种大小可以改变,类型没有定死的类似数组的工具。不过与数组相比,它更具有灵活性。因为它不但不用担心越界问题,而且因为泛型(类似c++中模板的东西)的存在而支持各种类型。
以下是数组队列的功能实现代码:
import List.Student;
public class
- Oracle存储过程无法编译的解决方法
IT独行者
oracle存储过程
今天同事修改Oracle存储过程又导致2个过程无法被编译,流程规范上的东西,Dave 这里不多说,看看怎么解决问题。
1. 查看无效对象
XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
- 重装系统之后oracle恢复
文强chu
oracle
前几天正在使用电脑,没有暂停oracle的各种服务。
突然win8.1系统奔溃,无法修复,开机时系统 提示正在搜集错误信息,然后再开机,再提示的无限循环中。
无耐我拿出系统u盘 准备重装系统,没想到竟然无法从u盘引导成功。
晚上到外面早了一家修电脑店,让人家给装了个系统,并且那哥们在我没反应过来的时候,
直接把我的c盘给格式化了 并且清理了注册表,再装系统。
然后的结果就是我的oracl
- python学习二( 一些基础语法)
小桔子
pthon基础语法
紧接着把!昨天没看继续看django 官方教程,学了下python的基本语法 与c类语言还是有些小差别:
1.ptyhon的源文件以UTF-8编码格式
2.
/ 除 结果浮点型
// 除 结果整形
% 除 取余数
* 乘
** 乘方 eg 5**2 结果是5的2次方25
_&
- svn 常用命令
aichenglong
SVN版本回退
1 svn回退版本
1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version
两者的区别:
revert this version:表示回退到当前版本(该版本后的版本全部作废)
revert chanages from this versio
- 某小公司面试归来
alafqq
面试
先填单子,还要写笔试题,我以时间为急,拒绝了它。。时间宝贵。
老拿这些对付毕业生的东东来吓唬我。。
面试官很刁难,问了几个问题,记录下;
1,包的范围。。。public,private,protect. --悲剧了
2,hashcode方法和equals方法的区别。谁覆盖谁.结果,他说我说反了。
3,最恶心的一道题,抽象类继承抽象类吗?(察,一般它都是被继承的啊)
4,stru
- 动态数组的存储速度比较 集合框架
百合不是茶
集合框架
集合框架:
自定义数据结构(增删改查等)
package 数组;
/**
* 创建动态数组
* @author 百合
*
*/
public class ArrayDemo{
//定义一个数组来存放数据
String[] src = new String[0];
/**
* 增加元素加入容器
* @param s要加入容器
- 用JS实现一个JS对象,对象里有两个属性一个方法
bijian1013
js对象
<html>
<head>
</head>
<body>
用js代码实现一个js对象,对象里有两个属性,一个方法
</body>
<script>
var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
- 探索JUnit4扩展:使用Rule
bijian1013
java单元测试JUnitRule
在上一篇文章中,讨论了使用Runner扩展JUnit4的方式,即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。
1. Rule
&n
- [Gson一]非泛型POJO对象的反序列化
bit1129
POJO
当要将JSON数据串反序列化自身为非泛型的POJO时,使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种:
1. POJO对象不包含任何泛型的字段
2. POJO对象包含泛型字段,例如泛型集合或者泛型类
Data类 a.不是泛型类, b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO
- 【Kakfa五】Kafka Producer和Consumer基本使用
bit1129
kafka
0.Kafka服务器的配置
一个Broker,
一个Topic
Topic中只有一个Partition() 1. Producer:
package kafka.examples.producers;
import kafka.producer.KeyedMessage;
import kafka.javaapi.producer.Producer;
impor
- lsyncd实时同步搭建指南——取代rsync+inotify
ronin47
1. 几大实时同步工具比较 1.1 inotify + rsync
最近一直在寻求生产服务服务器上的同步替代方案,原先使用的是 inotify + rsync,但随着文件数量的增大到100W+,目录下的文件列表就达20M,在网络状况不佳或者限速的情况下,变更的文件可能10来个才几M,却因此要发送的文件列表就达20M,严重减低的带宽的使用效率以及同步效率;更为要紧的是,加入inotify
- java-9. 判断整数序列是不是二元查找树的后序遍历结果
bylijinnan
java
public class IsBinTreePostTraverse{
static boolean isBSTPostOrder(int[] a){
if(a==null){
return false;
}
/*1.只有一个结点时,肯定是查找树
*2.只有两个结点时,肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
- MySQL的sum函数返回的类型
bylijinnan
javaspringsqlmysqljdbc
今天项目切换数据库时,出错
访问数据库的代码大概是这样:
String sql = "select sum(number) as sumNumberOfOneDay from tableName";
List<Map> rows = getJdbcTemplate().queryForList(sql);
for (Map row : rows
- java设计模式之单例模式
chicony
java设计模式
在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的:
作为对象的创建模式,单例模式确保某一个类只有一个实例,而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构
单例模式的特点:
单例类只能有一个实例。
单例类必须自己创建自己的唯一实例。
单例类必须给所有其他对象提供这一实例。
饿汉式单例类
publ
- javascript取当月最后一天
ctrain
JavaScript
<!--javascript取当月最后一天-->
<script language=javascript>
var current = new Date();
var year = current.getYear();
var month = current.getMonth();
showMonthLastDay(year, mont
- linux tune2fs命令详解
daizj
linuxtune2fs查看系统文件块信息
一.简介:
tune2fs是调整和查看ext2/ext3文件系统的文件系统参数,Windows下面如果出现意外断电死机情况,下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检,而且是可以通过tune2fs命令,自行定义自检周期及方式。
二.用法:
Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
- 做有中国特色的程序员
dcj3sjt126com
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有
- Android:TextView属性大全
dcj3sjt126com
textview
android:autoLink 设置是否当文本为URL链接/email/电话号码/map时,文本显示为可点击的链接。可选值(none/web/email/phone/map/all) android:autoText 如果设置,将自动执行输入值的拼写纠正。此处无效果,在显示输入法并输
- tomcat虚拟目录安装及其配置
eksliang
tomcat配置说明tomca部署web应用tomcat虚拟目录安装
转载请出自出处:http://eksliang.iteye.com/blog/2097184
1.-------------------------------------------tomcat 目录结构
config:存放tomcat的配置文件
temp :存放tomcat跑起来后存放临时文件用的
work : 当第一次访问应用中的jsp
- 浅谈:APP有哪些常被黑客利用的安全漏洞
gg163
APP
首先,说到APP的安全漏洞,身为程序猿的大家应该不陌生;如果抛开安卓自身开源的问题的话,其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上,有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测(ineice.com)的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。
1. 应用反编译漏洞:APK 包非常容易被反编译成可读
- C#根据网址生成静态页面
hvt
Web.netC#asp.nethovertree
HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页,以及显示用户名,退出等功能。根据网址生成页面的方法:
bool CreateHtmlFile(string url, string path)
{
//http://keleyi.com/a/bjae/3d10wfax.htm
stri
- SVG 教程 (一)
天梯梦
svg
SVG 简介
SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识:
继续学习之前,你应该对以下内容有基本的了解:
HTML
XML 基础
如果希望首先学习这些内容,请在本站的首页选择相应的教程。 什么是SVG?
SVG 指可伸缩矢量图形 (Scalable Vector Graphics)
SVG 用来定义用于网络的基于矢量
- 一个简单的java栈
luyulong
java数据结构栈
public class MyStack {
private long[] arr;
private int top;
public MyStack() {
arr = new long[10];
top = -1;
}
public MyStack(int maxsize) {
arr = new long[maxsize];
top
- 基础数据结构和算法八:Binary search
sunwinner
AlgorithmBinary search
Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
- 12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
刘星宇
c面试
12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
1.gets()函数
问:请找出下面代码里的问题:
#include<stdio.h>
int main(void)
{
char buff[10];
memset(buff,0,sizeof(buff));
- ITeye 7月技术图书有奖试读获奖名单公布
ITeye管理员
活动ITeye试读
ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
7月试读活动回顾:
http://webmaster.iteye.com/blog/2092746
本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《Java性能优化权威指南》