疯狂的程序猿88888
疯狂的程序猿88888

Colab来训练bert模型

Colab使用

1.切换tensorflow版本号

%tensorflow_version 1.x

2.查看tensorflow版本

!pip show tensorflow

3.训练模型

!python /content/drive/My\ Drive/bert/run_english_classify.py --task_name=mypro  --do_train=true --do_eval=true  --data_dir=/content/drive/My\ Drive/english --vocab_file=/content/drive/My\ Drive/wwm_uncased_L-24_H-1024_A-16/vocab.txt --bert_config_file=/content/drive/My\ Drive/wwm_uncased_L-24_H-1024_A-16/bert_config.json --num_train_epochs=100 --train_batch_size=5 --max_seq_length=50 --output_dir=/content/drive/My\ Drive/english_model/fine-tuning-model

4.导出模型

!python /content/drive/My\ Drive/bert/run_english_classify.py --task_name=mypro --do_predict=true --data_dir=/content/drive/My\ Drive/english --vocab_file=/content/drive/My\ Drive/wwm_uncased_L-24_H-1024_A-16/vocab.txt --bert_config_file=/content/drive/My\ Drive/wwm_uncased_L-24_H-1024_A-16/bert_config.json --init_checkpoint=/content/drive/My\ Drive/english_model/fine-tuning-model --max_seq_length=128 --output_dir=content/drive/My\ Drive/english_model/fine-tuning-model --export_model_dir=/content/drive/My\ Drive/english_model/export-model

5.运行在tf-serving上

docker run -p 8501:8501 --mount type=bind,source=/root/bert/export-model,target=/models/chnsenticorp -e MODEL_NAME=chnsenticorp -t tensorflow/serving

你可能感兴趣的:(自然语言处理)

  • 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
  • transformer中seq_len参数的设置 yuweififi transformer深度学习人工智能
    在Transformer模型中，seq_len（序列长度）是一个关键的超参数，下面从不同方面详细介绍它的具体含义和作用：一、基本定义seq_len表示输入到Transformer模型中的序列所允许的最大长度。在自然语言处理任务里，文本会被拆分成一个个的单词、子词或者字符，这些元素构成了一个序列。seq_len就是对这个序列中元素数量的上限规定，它决定了模型输入和输出的维度。二、具体使用输入处理文本
  • 【LangChain编程：从入门到实践】实现多模态代理 AI天才研究院 DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战AI大模型应用入门实战与进阶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
    【LangChain编程：从入门到实践】实现多模态代理作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：LangChain编程，多模态代理，自然语言处理，多媒体数据融合，复杂任务解决能力1.背景介绍1.1大背景与问题的提出随着人工智能技术的飞速发展，尤其是大模型在自然语言处理领域的突破，如通义千问、通义万相、阿里云通义大模型等，我们正迎来一个全
  • 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DashVector作为LangChain中的VectorStore插件 dgay_hua langchainpython
    背景介绍DashVector是一个支持高维稠密和稀疏向量的全托管向量数据库服务，支持实时插入和过滤搜索。它能够自动扩展并适应不同的应用需求。这使得DashVector在需要高效处理和搜索向量数据的应用中非常有价值，特别是在自然语言处理和推荐系统等领域。本篇文章将展示如何在LangChain生态系统中利用DashVector。主要内容包括DashVector的安装和配置，以及其作为VectorSto
  • 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
  • DeepSeek全栈接入指南：从零到生产环境的深度实践 量子纠缠BUG DeepSeek部署AIDeepSeek人工智能深度学习机器学习
    第一章：DeepSeek技术体系全景解析1.1认知DeepSeek技术生态DeepSeek作为新一代人工智能技术平台，构建了覆盖算法开发、模型训练、服务部署的全链路技术栈。其核心能力体现在：1.1.1多模态智能引擎自然语言处理：支持文本生成（NLG）、语义理解（NLU）、情感分析等计算机视觉：提供图像分类、目标检测、OCR识别等CV能力语音交互：包含语音识别（ASR）、语音合成（TTS）及声纹识别
  • 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。
  • 深度学习-自学手册 谁用了尧哥这个昵称 AI深度学习
    人工智能机器学习神经网络前馈神经网络：没有回路的反馈神经网络：有回路的DNN深度神经网络CNN卷积神经网络RNN循环神经网络LSTM是RNN的一种，长短期记忆网络自然语言处理神经网络神经元-分类器Hebb学习方法，随机–类似SGD一篇神经网络入门BP反向传播，表示很复杂的函数/空间分布从最后一层往前调整参数，反复循环该操作y=a(wx+b)x输入y输出a激活函
  • 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)
  • 泛微全面接入DeepSeek大模型，助力组织升级数智化应用场景 泛微OA办公系统 泛微DeepSeek
    近日，泛微公司旗下所有产品全面接入DeepSeek大模型，借助泛微2024年发布的数智大脑Xiaoe.AI，可快捷方便为客户搭建“DeepSeek大模型+专业小模型+智能体”的数智底座，并可量身定制更安全、高效、国产化的数智化解决方案，助力组织管理与业务、财务一体化数智运营升级。在接入DeepSeek大模型后，泛微将借助DeepSeek强大的自然语言处理、机器学习、推理等能力，显著提升泛微各项产品
  • 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
  • 深度学习：从神经网络到智能应用 Jason_Orton 深度学习神经网络人工智能机器学习
    目录引言一.什么是深度学习？二.深度学习的基本原理1.神经网络的组成2.激活函数3.反向传播（Backpropagation）三.深度学习的常见模型四.深度学习的应用场景五.深度学习的挑战与未来结语引言深度学习（DeepLearning）作为机器学习的一个分支，近年来在人工智能领域取得了革命性的进展。无论是语音识别、图像识别，还是自动驾驶、自然语言处理，深度学习都在推动着技术的发展和行业的变革。那
  • 如何利用GPT创作诗歌与短篇故事赚钱
    在当今社会，人工智能技术已经广泛应用于各个领域，其中包括创意写作。GenerativePre-trainedTransformer（GPT）作为一种强大的自然语言处理工具，为普通人提供了创作诗歌和短篇故事的新途径，并能够通过这些创作实现赚钱的机会。如何利用GPT进行诗歌和短篇故事创作？生成创作：GPT能够根据输入的提示或主题生成连贯、富有想象力的文本。对于诗歌，你可以给出一些词语或主题，让GPT根
  • 【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
  • 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
  • 百度文心大模型API保姆级教程：从入门到实战 海棠AI实验室 智元启示录百度API文心大模型
    目录文心大模型简介文心大模型vs.OpenAIGPT系列应用构建实例API集成详细步骤准备工作获取AccessToken发起API请求API的调试和常见问题的解决进阶应用安全性和最佳实践总结与未来展望随着大型语言模型（LLMs）在全球范围内的兴起，百度文心大模型（ERNIE）已成为人工智能领域的一颗耀眼新星。对标OpenAI的GPT系列，文心大模型致力于为中文用户提供卓越的自然语言处理能力，广泛赋
  • 【人工智能数学基础篇】线性代数基础学习：深入解读矩阵及其运算 猿享天开 人工智能基础知识学习线性代数人工智能学习矩阵及其运算
    矩阵及其运算：人工智能入门数学基础的深入解读引言线性代数是人工智能（AI）和机器学习的数学基础，而矩阵作为其核心概念之一，承担着数据表示、变换和运算的重任。矩阵不仅在数据科学中广泛应用，更是神经网络、图像处理、自然语言处理等领域的重要工具。本文将深入探讨矩阵的基本概念、性质及其运算，通过详细的数学公式、推导过程和代码示例，帮助读者更好地理解矩阵在AI中的应用。第一章：矩阵的基本概念1.1矩阵的定义
  • 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
  • 深度求索DeepSeek：AI大模型的全域应用与技术突破 量子纠缠BUG DeepSeek部署DeepSeekAI人工智能easyui前端
    ——从政务到医疗，解析国产大模型的创新实践与未来图景引言：DeepSeek的技术定位与行业价值DeepSeek（深度求索）作为中国AI领域的新锐力量，凭借"低成本、高精度、强场景适配"的差异化优势，在短短两年内实现了从技术研发到行业落地的跨越式发展。其基于DeepSeek-R1系列大模型的创新架构，以600万美元的超低训练成本（仅为OpenAI同类模型的1/30）3，在自然语言处理、逻辑推理、多模
  • ai大模型自动化测试-TensorFlow Testing 测试模型实例 小赖同学啊 人工智能自动化测试(apppcAPI)python人工智能tensorflowpython
    AI大模型自动化测试是确保模型质量、可靠性和性能的关键环节，以下将从测试流程、测试内容、测试工具及测试挑战与应对几个方面进行详细介绍：测试流程测试计划制定确定测试目标：明确要测试的AI大模型的具体功能、性能、安全性等方面的目标，例如评估模型在特定任务上的准确率、召回率等。定义测试范围：界定测试所涵盖的模型功能模块、数据类型、应用场景等，比如是否包括图像识别、自然语言处理等不同功能。规划测试资源：确
  • 解读 DeepSeek 关键 RL 算法 GRPO 进一步有进一步的欢喜 LLM算法DeepSeekGRPO
    DeepSeekGRPO：面向超大规模RLHF的梯度正则化策略优化算法引言在当下人工智能蓬勃发展的浪潮里，DeepSeek无疑是一颗耀眼的明星，频繁出现在各类科技前沿讨论中，热度持续攀升。从惊艳的模型表现，到不断拓展的应用场景，DeepSeek正以强劲之势重塑着行业格局。大家不难发现，无论是复杂的自然语言处理任务，还是充满挑战的智能推理难题，DeepSeek都能展现出卓越的性能。而这斐然成绩的背后
  • 【深度学习】Transformer入门：通俗易懂的介绍 知识靠谱 深度学习深度学习transformer人工智能
    【深度学习】Transformer入门：通俗易懂的介绍一、引言二、从前的“读句子”方式三、Transformer的“超级阅读能力”四、Transformer是怎么做到的？五、Transformer的“多视角”能力六、Transformer的“位置记忆”七、Transformer的“翻译流程”八、Transformer为什么这么厉害？九、Transformer的应用十、总结一、引言在自然语言处理（N
  • ASM系列六 利用TreeApi 添加和移除类成员 lijingyao8206 jvm动态代理ASM字节码技术TreeAPI
        同生成的做法一样，添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子，下面这个Task类，我们来移除isNeedRemove方法，并且添加一个int 类型的addedField属性。   package asm.core; /** * Created by yunshen.ljy on 2015/6/
  • Springmvc-权限设计 bee1314 springWebjsp
    万丈高楼平地起。 权限管理对于管理系统而言已经是标配中的标配了吧，对于我等俗人更是不能免俗。同时就目前的项目状况而言，我们还不需要那么高大上的开源的解决方案，如Spring Security，Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。 目标： 1.实现权限的管理（CRUD） 2.实现部门管理 （CRUD) 3.实现人员的管理 （CRUD） 4.实现部门和权限
  • 算法竞赛入门经典（第二版）第2章习题 CrazyMizzz c算法
    2.4.1 输出技巧 #include <stdio.h> int main() { int i, n; scanf("%d", &n); for (i = 1; i <= n; i++) printf("%d\n", i); return 0; } 习题2-2 水仙花数(daffodil
  • struts2中jsp自动跳转到Action 麦田的设计者 jspwebxmlstruts2自动跳转
    1、在struts2的开发中，经常需要用户点击网页后就直接跳转到一个Action，执行Action里面的方法，利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action（不是专业人士）   2、＜jsp:forward page="xxx.action" /＞ ，这个标签可以实现跳转，page的路径是相对地址,不同与jsp和j
  • php 操作webservice实例 IT独行者 PHPwebservice
    首先大家要简单了解了何谓webservice，接下来就做两个非常简单的例子，webservice还是逃不开server端与client端。我测试的环境为：apache2.2.11 php5.2.10做这个测试之前，要确认你的php配置文件中已经将soap扩展打开，即extension=php_soap.dll; OK 现在我们来体验webservice //server端 serve
  • Windows下使用Vagrant安装linux系统 _wy_ windowsvagrant
    准备工作： 下载安装 VirtualBox ：https://www.virtualbox.org/ 下载安装 Vagrant ：http://www.vagrantup.com/ 下载需要使用的 box ： 官方提供的范例：http://files.vagrantup.com/precise32.box 还可以在 http://www.vagrantbox.es/ 
  • 更改linux的文件拥有者及用户组(chown和chgrp) 无量 clinuxchgrpchown
    本文（转） http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/ http://ydlmlh.iteye.com/blog/1435157 一、基本使用： 使用chown命令可以修改文件或目录所属的用户：        命令
  • linux下抓包工具 矮蛋蛋 linux
    原文地址： http://blog.chinaunix.net/uid-23670869-id-2610683.html tcpdump -nn -vv -X udp port 8888 上面命令是抓取udp包、端口为8888 netstat -tln 命令是用来查看linux的端口使用情况 13 . 列出所有的网络连接 lsof -i 14. 列出所有tcp 网络连接信息 l
  • 我觉得mybatis是垃圾！：“每一个用mybatis的男纸，你伤不起” alafqq mybatis
    最近看了  每一个用mybatis的男纸，你伤不起 原文地址 ：http://www.iteye.com/topic/1073938 发表一下个人看法。欢迎大神拍砖； 个人一直使用的是Ibatis框架，公司对其进行过小小的改良； 最近换了公司，要使用新的框架。听说mybatis不错；就对其进行了部分的研究； 发现多了一个mapper层；个人感觉就是个dao；
  • 解决java数据交换之谜 百合不是茶 数据交换
    交换两个数字的方法有以下三种 ，其中第一种最常用   /* 输出最小的一个数 */ public class jiaohuan1 { public static void main(String[] args) { int a =4; int b = 3; if(a<b){ // 第一种交换方式 int tmep =
  • 渐变显示 bijian1013 JavaScript
    <style type="text/css"> #wxf { FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98); height: 25px; } </style>
  • 探索JUnit4扩展：断言语法assertThat bijian1013 java单元测试assertThat
    一.概述         JUnit 设计的目的就是有效地抓住编程人员写代码的意图，然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今，版本不停的翻新，但是所有版本都一致致力于解决一个问题，那就是如何发现编程人员的代码意图，并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
  • 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}} bit1129 gson
      如何把如下简单的JSON字符串反序列化为Java的POJO对象? {"data":{"IM":["MSN","QQ","Gtalk"]}}   下面的POJO类Model无法完成正确的解析：   import com.google.gson.Gson;
  • 【Kafka九】Kafka High Level API vs. Low Level API bit1129 kafka
    1. Kafka提供了两种Consumer API High Level Consumer API Low Level Consumer API(Kafka诡异的称之为Simple Consumer API，实际上非常复杂) 在选用哪种Consumer API时，首先要弄清楚这两种API的工作原理，能做什么不能做什么，能做的话怎么做的以及用的时候，有哪些可能的问题  
  • 在nginx中集成lua脚本：添加自定义Http头，封IP等 ronin47 nginx lua
    Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言，从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器，但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com Google把子域名当作完全独立的网站，我们不希望爬虫抓取子域名的页面，降低我们的Page rank。 location /{
  • java-归并排序 bylijinnan java
    import java.util.Arrays; public class MergeSort { public static void main(String[] args) { int[] a={20,1,3,8,5,9,4,25}; mergeSort(a,0,a.length-1); System.out.println(Arrays.to
  • Netty源码学习-CompositeChannelBuffer bylijinnan javanetty
    CompositeChannelBuffer体现了Netty的“Transparent Zero Copy” 查看API（ http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description） 可以看到，所谓“Transparent Zero Copy”是通
  • Android中给Activity添加返回键 hotsunshine Activity
    // this need android:minSdkVersion="11" getActionBar().setDisplayHomeAsUpEnabled(true); @Override public boolean onOptionsItemSelected(MenuItem item) {
  • 静态页面传参 ctrain 静态
    $(document).ready(function () { var request = { QueryString : function (val) { var uri = window.location.search; var re = new RegExp("" + val + "=([^&?]*)", &
  • Windows中查找某个目录下的所有文件中包含某个字符串的命令 daizj windows查找某个目录下的所有文件包含某个字符串
    findstr可以完成这个工作。   [html]  view plain copy   >findstr /s /i "string" *.*   上面的命令表示，当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
  • 改善程序代码质量的一些技巧 dcj3sjt126com 编程PHP重构
    有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点，程序你只写一次，但以后会无数次的阅读。当你第二天回头来看你的代码 时，你就要开始阅读它了。当你把代码拿给其他人看时，他必须阅读你的代码。因此，在编写时多花一点时间，你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧：    尽量保持方法简短    尽管很多人都遵
  • SharedPreferences对数据的存储 dcj3sjt126com
    SharedPreferences简介：                                                   &nbs
  • linux复习笔记之bash shell (2) bash基础 eksliang bashbash shell
    转载请出自出处： http://eksliang.iteye.com/blog/2104329 1.影响显示结果的语系变量（locale）  1.1locale这个命令就是查看当前系统支持多少种语系，命令使用如下： [root@localhost shell]# locale LANG=en_US.UTF-8 LC_CTYPE="en_US.UTF-8"
  • Android零碎知识总结 gqdy365 android
    1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。 所以最后得出结论：CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里，比如缓存。发生修改时候做copy，新老版本分离，保证读的高
  • HoverTree.Model.ArticleSelect类的作用 hvt Web.netC#hovertreeasp.net
    ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类，用于存放查询文章时的条件，例如HvtId就是文章的id。HvtIsShow就是文章的显示属性，当为-1是，该条件不产生作用，当为0时，查询不公开显示的文章，当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放，开发环境为Visual Studio 2013
  • PHP 判断是否使用代理 PHP Proxy Detector 天梯梦 proxy
    1. php 类 I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
  • apache的math库中的回归——regression（翻译） lvdccyb Mathapache
    这个Math库，虽然不向weka那样专业的ML库，但是用户友好，易用。 多元线性回归，协方差和相关性（皮尔逊和斯皮尔曼），分布测试（假设检验，t，卡方，G），统计。   数学库中还包含，Cholesky，LU，SVD，QR，特征根分解，真不错。   基本覆盖了：线代，统计，矩阵， 最优化理论 曲线拟合 常微分方程 遗传算法（GA）， 还有3维的运算。。。
  • 基础数据结构和算法十三：Undirected Graphs (2) sunwinner Algorithm
      Design pattern for graph processing. Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
  • 云计算平台最重要的五项技术 sumapp 云计算云平台智城云
    云计算平台最重要的五项技术 1、云服务器 云服务器提供简单高效，处理能力可弹性伸缩的计算服务，支持国内领先的云计算技术和大规模分布存储技术，使您的系统更稳定、数据更安全、传输更快速、部署更灵活。 特性 机型丰富 通过高性能服务器虚拟化为云服务器，提供丰富配置类型虚拟机，极大简化数据存储、数据库搭建、web服务器搭建等工作； 仅需要几分钟，根据CP
  • 《京东技术解密》有奖试读获奖名单公布 ITeye管理员 活动
    ITeye携手博文视点举办的12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。  12月试读活动回顾： http://webmaster.iteye.com/blog/2164754 本次技术图书试读活动获奖名单及相应作品如下： 一等奖（两名） Microhardest：http://microhardest.ite
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他