- 【AI】在Windows10下部署本地LLM RAG服务
每日出拳老爷子
ai人工智能ailangchainGPT
【背景】上一篇介绍了如何用Ubuntu命令行部署ollamaLLM+RAG服务。部署后等于拥有了基于内网的AISaas服务,其它内网用户可以通过默认的网址访问Playground对AI进行问答。【概念】RAG:通过词向量技术,将文件内容向量化后,通过语言模型以自然交流的形式得到文本相关的内容。可以形容为与文件库或知识库对话的系统。RAG的后台向量库并不需要对LLM产生影响,LLM是人与向量库(知识
- 预训练语言模型的前世今生 - 从Word Embedding到BERT
脚步的影子
语言模型embeddingbert
目录一、预训练1.1图像领域的预训练1.2预训练的思想二、语言模型2.1统计语言模型2.2神经网络语言模型三、词向量3.1独热(Onehot)编码3.2WordEmbedding四、Word2Vec模型五、自然语言处理的预训练模型六、RNN和LSTM6.1RNN6.2RNN的梯度消失问题6.3LSTM6.4LSTM解决RNN的梯度消失问题七、ELMo模型7.1ELMo的预训练7.2ELMo的Fea
- fastText 情感分类
dreampai
情感分类任务就是看一段文本,然后分辨这个人是否喜欢他们在讨论的这个东西。情感分类一个最大的挑战就是可能标记的训练集没有那么多,但是有了词嵌入,即使只有中等大小的标记的训练集,你也能构建一个不错的情感分类器image.pngimage.png假设有一个句子:“这个衣服质量不错”通过分词、去除停用词等预处理操作,得到“衣服/质量/不错”获取“衣服”、“质量”、“不错”的对应词向量(可以通过TF-IDF
- NLP中的词向量及其应用
喜欢打酱油的老鸟
NLP词向量
https://www.toutiao.com/a6643219722961682947/2019-01-0611:25:24词向量基本上是一种单词表示形式,它将人类对语言的理解与机器的理解连接起来。词向量是文本在n维空间中的分布式表示。这些是解决大多数NLP问题所必需的。领域适应是一种技术,它允许机器学习和转移学习模型来映射小生境数据集,这些数据集都是用同一种语言编写的,但在语言上仍然不同。例如
- 深度学习100问28:什么是RNNLM(RNN语言模型)
不断持续学习ing
人工智能自然语言处理机器学习
嘿,你知道RNNLM是啥不?简单来说,它就像是一个语言小魔法师。想象一下,RNNLM是一个特别会猜词的小伙伴。它的任务呢,就是预测一个句子出现的概率,或者当你给它一些上文的时候,它能猜出下一个词会是啥。它是怎么做到的呢?它有一个像魔法盒子一样的结构,由输入层、隐藏层和输出层组成。输入层就像是接收魔法信号的入口,把词的表示,比如一些特别的编码或者词向量给接收进来。隐藏层可神奇啦,它就像有个记忆小口袋
- 深度学习100问10-什么是CBOW模型
不断持续学习ing
人工智能自然语言处理机器学习深度学习
CBOW(ContinuousBagofWords)模型是一种用于训练词向量的方法。想象一下,CBOW就像是一个猜词游戏。它从一个文本中选取一个词作为目标词,然后把这个目标词周围的几个词当成线索。CBOW的任务就是根据这些线索来猜出目标词是什么。为了完成这个任务,CBOW会先把这些线索词(周围的词)都转换成向量,然后把这些向量加起来或者求平均,得到一个综合的向量表示。接着,CBOW会用这个综合向量
- 单词向量化
西域记
1.使用CountVectorizer将文本转化为向量fromsklearn.feature_extraction.textimportCountVectorizervect=CountVectorizer()dialog=['Ihaveaddictedintocybersecurityforyears']vect.fit(dialog)print(vect.vocabulary_)输出结果是一个
- 使用Python实现文本向量化(一)——腾讯词向量
Shy960418
Python使用技巧深度学习python人工智能
Docs向量化(Embedding)Embedding也是文本语义含义的信息密集表示,每个嵌入都是一个浮点数向量,使得向量空间中两个嵌入之间的距离与原始格式中两个输入之间的语义相似性相关联。例如,如果两个文本相似,则它们的向量表示也应该相似,这一组向量空间内的数组表示描述了文本之间的细微特征差异。简单来说,Embedding帮助计算机来理解如人类信息所代表的“含义”,Embedding可以用来获取
- Transformer、BERT和GPT 自然语言处理领域的重要模型
Jiang_Immortals
人工智能自然语言处理transformerbert
Transformer、BERT和GPT都是自然语言处理领域的重要模型,它们之间有一些区别和联系。区别:架构:Transformer是一种基于自注意力机制的神经网络架构,用于编码输入序列和解码输出序列。BERT(BidirectionalEncoderRepresentationsfromTransformers)是基于Transformer架构的双向编码模型,用于学习上下文无关的词向量表示。GP
- 计算机设计大赛 深度学习的智能中文对话问答机器人
iuerfee
python
文章目录0简介1项目架构2项目的主要过程2.1数据清洗、预处理2.2分桶2.3训练3项目的整体结构4重要的API4.1LSTMcells部分:4.2损失函数:4.3搭建seq2seq框架:4.4测试部分:4.5评价NLP测试效果:4.6梯度截断,防止梯度爆炸4.7模型保存5重点和难点5.1函数5.2变量6相关参数7桶机制7.1处理数据集7.2词向量处理seq2seq7.3处理问答及答案权重7.4训
- SPSSAU【文本分析】|文本聚类
spssau
支持向量机机器学习人工智能
SPSSAU共提供两种文本聚类方式,分别是按词聚类和按行聚类。按词聚类是指将需要分析的关键词进行聚类分析,并且进行可视化展示,即针对关键词进行聚类,此处关键词可以自由选择。按行聚类分析是指针对以‘行’为单位进行聚类分析,将原始文本中多行数据聚为几个类别,并且可将具体聚类类别信息进行下载等。按词聚类分析按词聚类分析操作如下图:默认情况下,系统会将词频靠前的20个关键词提取,并且得到其词向量值,并且其
- 自然语言处理N天-AllenNLP学习(实现简单的词性标注)
我的昵称违规了
新建MicrosoftPowerPoint演示文稿(2).jpg1.前言在了解了Transformer之后,这个模型是否可用呢?现在遇到的问题是,目前试了几个模型(LSTM、GRU、Transformer),但是还没有放入实践中,具体应该怎么操作?有一篇帖子总结了一下学习处理NLP问题中间的坑。NLP数据预处理要比CV的麻烦很多。去除停用词,建立词典,加载各种预训练词向量,Sentence->Wo
- Task5 基于深度学习的文本分类2
listentorain_W
Task5基于深度学习的文本分类2在上一章节,我们通过FastText快速实现了基于深度学习的文本分类模型,但是这个模型并不是最优的。在本章我们将继续深入。基于深度学习的文本分类本章将继续学习基于深度学习的文本分类。学习目标学习Word2Vec的使用和基础原理学习使用TextCNN、TextRNN进行文本表示学习使用HAN网络结构完成文本分类文本表示方法Part3词向量本节通过word2vec学习
- 使用word2vec+tensorflow自然语言处理NLP
取名真难.
机器学习自然语言处理word2vectensorflow机器学习深度学习神经网络
目录介绍:搭建上下文或预测目标词来学习词向量建模1:建模2:预测:介绍:Word2Vec是一种用于将文本转换为向量表示的技术。它是由谷歌团队于2013年提出的一种神经网络模型。Word2Vec可以将单词表示为高维空间中的向量,使得具有相似含义的单词在向量空间中距离较近。这种向量表示可以用于各种自然语言处理任务,如语义相似度计算、文本分类和命名实体识别等。Word2Vec的核心思想是通过预测上下文或
- 大模型位置编码、长度外推问题、ALiBi知识
lichunericli
LLM人工智能语言模型
1什么是位置编码?位置编码是一种用于在序列数据中为每个位置添加位置信息的技术。在自然语言处理中,位置编码通常用于处理文本序列。由于传统的神经网络无法直接捕捉输入序列中的位置信息,位置编码的引入可以帮助模型更好地理解和处理序列数据。在Transformer模型中,位置编码通过为输入序列中的每个位置分配一个固定的向量来实现。这些向量会与输入序列中的词向量相加,以融合位置信息。位置编码的设计目的是使模型
- word2vec工具学习笔记
适说心语
今天是第一次听说这个工具,本来是为了解决非目标客户的问题,但是要从头了解这个内容,所以边找资料边记录一下!一、简介Word2vec,是为一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络,用来训练以重新建构语言学之词文本。网络以词表现,并且需猜测相邻位置的输入词,在word2vec中词袋模型假设下,词的顺序是不重要的。训练完成之后,word2vec模型可用来映射每个词到一个向量,可用来表示
- Keras使用使用动态LSTM/RNN
Sailist
TensorFlow
padding:defgenerate(mtp=100,batch=50):#最长时间步,词向量长度为200,batch_size=50origin_input=np.random.random_sample([batch,np.random.randint(mtp/2,mtp),200])#时间长随机从mtp/2-mtp选择returnpad_sequences(origin_input,mtp
- 【简单文本相似度分析】( LCS | Trie | DP | 词频统计 | hash | 单词分割 )
XNB's Not a Beginner
算法哈希算法算法c++数据结构链表hashtable
两个文本的相似度的指标有很多,常见的有词袋分析,词向量余弦,LCS(子串,子序列),Jaccard相似度分析(单词集合的对称差和最小全集比值),编辑距离等等我在自己的程序里只定义两个指标:1单词重复度2最长公共子序列长度首先用c++builtin的字符输入流对象istringstream做单词分割然后用我自己写的patriacatrie树当作词袋,把词量小的string做映射集合(类似重链合并),
- Python与自然语言处理库Gensim实战
心梓知识
python自然语言处理easyui
一、Gensim简介Gensim是一款Python自然语言处理库。它能够自动化训练出一个文本语料库,然后用该语料库来训练出一个词向量模型。在语料库中,每个语料库都是由一个个文档组成,每个文档则是由若干个单词组成。Gensim相对于其他Python自然语言处理库的优点在于它的速度和内存占用率较低。同时它还提供了许多文本处理的功能,比如文档相似度计算和主题建模等。二、安装Gensim在安装Gensim
- 【NLP 自然语言处理(一)---词向量】
y_dd
深度学习自然语言处理人工智能
文章目录什么是NLP自然语言处理发展历程自然语言处理模型模型能识别单词的方法词向量分词一个向量vector表示一个词词向量的表示-one-hot多维词嵌入wordembeding词向量的训练方法CBOWSkip-gram词嵌入的理论依据一个vector(向量)表示短语或者文章vectorspaceModelbag-of-wordvectorspaceModel+bag-of-word实现信息搜索改
- NLP自然语言处理实战(三):词频背后的语义--5.距离和相似度&反馈及改进
Nobitaxi
NLP自然语言处理实战学习自然语言处理机器学习人工智能
目录1.距离和相似度2.反馈及改进线性判别分析1.距离和相似度我们可以使用相似度评分(或距离),根据两篇文档的表达向量间的相似度(或距离)来判断文档间有多相似。LSA能够保持较大的距离,但它并不能总保持较小的距离(文档之间关系的精细结构)。LSA底层的SVD算法的重点是使新主题向量空间中所有文档之间的方差最大化。特征向量(词向量、主题向量、文档上下文向量等)之间的距离驱动着NLP流水线或任何机器学
- 人工智能|深度学习——使用多层级注意力机制和keras实现问题分类
博士僧小星
人工智能#深度学习【算法】人工智能深度学习keras多层注意力问题分类
代码下载使用多层级注意力机制和keras实现问题分类资源-CSDN文库1准备工作1.1什么是词向量?”词向量”(词嵌入)是将一类将词的语义映射到向量空间中去的自然语言处理技术。即将一个词用特定的向量来表示,向量之间的距离(例如,任意两个向量之间的L2范式距离或更常用的余弦距离)一定程度上表征了的词之间的语义关系。由这些向量形成的几何空间被称为一个嵌入空间。传统的独热表示(one-hotrepres
- 词共现矩阵表示词向量和点互信息
浅白Coder
自然语言处理自然语言处理深度学习人工智能
1.文档中某些字/词出现的频次往往能反应该字在文档中的重要程度,也从侧面反应了文档的主题,比如一个新闻,如果出现很多类似“足球”“篮球”词汇的描述,我们可以大概率推断这是一个关于体育的新闻。但是有些高频词会影响我们对文档的分析,比如“我”“你”“。、,!”这种词汇在文档中的数目非常多,但对于我们分析文档,没有什么益处,毕竟所有的文档,基本都包括这些内容。2.NLP中对于给定一个句子,其中是一个单词
- NLP_词的向量表示Word2Vec 和 Embedding
you_are_my_sunshine*
NLP自然语言处理word2vecembedding
文章目录词向量Word2Vec:CBOW模型和Skip-Gram模型通过nn.Embedding来实现词嵌入Word2Vec小结词向量下面这张图就形象地呈现了词向量的内涵:把词转化为向量,从而捕捉词与词之间的语义和句法关系,使得具有相似含义或相关性的词语在向量空间中距离较近。我们把语料库中的词和某些上下文信息,都“嵌入”了向量表示中。将词映射到向量空间时,会将这个词和它周围的一些词语一起学习,这就
- word2vec
e237262360d2
将词表征为实数值向量的高效工具,采用的模型有CBOW(Continuesbag-of-words连续词袋模型)和Skip-Gram两种。word2vec通过训练,可以把对文本内容的处理简化为K维向量空间中的向量运算词向量:把一个词表示成一个向量One-hotRepresentation维度是词典的大小DistributedRepresentation维度以50,100比较常见CBOW:用上下文预测
- 【PyTorch][chapter 14][李宏毅深度学习][Word Embedding]
明朝百晓生
深度学习pytorchembedding
前言:这是用于自然语言处理中数据降维的一种方案。我们希望用一个向量来表示每一个单词.有不同的方案目录:one-hotEncodingword-class词的上下文表示count-basedperdition-basedCBOWSkip-GramwordEmbedding词向量相似度一one-hotEncoding假设英文有10万个单词,那每个单词用1个10万维的one-hot编码表示。其中只有1个
- Word2Vec ——gensim实战教程
王同学死磕技术
最近斯坦福的CS224N开课了,看了下课程介绍,去年google发表的Transformer以及最近特别火的ContextualWordEmbeddings都会在今年的课程中进行介绍。NLP领域确实是一个知识迭代特别快速的领域,每年都有新的知识冒出来。所以身处NLP领域的同学们要时刻保持住学习的状态啊。笔者又重新在B站上看了这门课程的第一二节课。这里是课程链接。前两节课的主要内容基本上围绕着词向量
- python使用正则匹配判断字符串中含有某些特定子串及正则表达式详解
浮生若梦777
pythonpython开发语言
目录一、判断字符串中是否含有字串二、正则表达式(一)基本内容1.正则表达式修饰符——可选标志2.正则表达式模式(二)常见表达式函数一、判断字符串中是否含有字串in,notin判断字符串中是否含有某些关键词,方法比较多例如分词后对词向量和关键词进行==匹配,但这种方法以来分词的准确性,不太推荐;其次使用成员运算符in,notin可以较好的判断字符串中是否包含某关键词,即特定字串a='这个暑假我读了红
- NLP_统计语言模型的发展历程
you_are_my_sunshine*
NLP自然语言处理语言模型人工智能
文章目录统计语言模型发展的里程碑:上半部分是语言模型技术的进展;下半部分则是词向量(词的表示学习)技术的发展。其中,词向量表示的学习为语言模型提供了更高质量的输入信息(词向量表示)1948年,著名的N-Gram模型诞生,思路是基于前N-1个项目来预测序列中的第N个项目,所谓的“项目”,就是词或者短语。1954年的Bag-of-Words模型是一种简单且常用的文本表示方法,它将文本表示为一个单词的集
- TensorFlow2实战-系列教程11:RNN文本分类3
机器学习杨卓越
TensorFlow深度学习tensorflowrnnnlp文本分类
TensorFlow2实战-系列教程总目录有任何问题欢迎在下面留言本篇文章的代码运行界面均在JupyterNotebook中进行本篇文章配套的代码资源已经上传6、构建训练数据所有的输入样本必须都是相同shape(文本长度,词向量维度等)tf.data.Dataset.from_tensor_slices(tensor):将tensor沿其第一个维度切片,返回一个含有N个样本的数据集,这样做的问题就
- 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