- 【学习笔记5】Linux下cuda、cudnn、pytorch版本对应关系
longii11
linuxpytorch运维
一、cuda和cudnnNVIDIACUDAToolkit(CUDA)为创建高性能GPU加速应用程序提供了一个开发环境。借助CUDA工具包,您可以在GPU加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和HPC超级计算机上开发、优化和部署您的应用程序。该工具包包括GPU加速库、调试和优化工具、C/C++编译器以及用于部署应用程序的运行时库。全球的深度学习研究人员和框架开发人员都依赖cuDN
- LLM辅助编程:代码自动生成与优化
AI智能涌现深度研究
计算机软件编程原理与应用实践DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
LLM,代码生成,代码优化,编程辅助,AI编程,自然语言处理,深度学习1.背景介绍随着软件开发的日益复杂化,程序员面临着越来越高的开发压力和效率要求。传统的编程方式依赖于手动编写代码,这不仅耗时费力,而且容易出现错误。近年来,随着深度学习技术的快速发展,基于大型语言模型(LLM)的代码生成和优化技术逐渐成为软件开发领域的新兴热点。LLM是一种强大的人工智能模型,能够理解和生成人类语言。通过训练大量
- 国内开源深度学习框架
we19a0sen
深度学习人工智能
目录一、国内开源深度学习框架1、PaddlePaddle(百度飞浆)2、MindSpore(华为昇思)3、MegEngine(旷视天元)4、OneFlow(一流科技)5、Jittor(清华计图)二、快速入手1、PaddlePaddle(百度飞浆)2、MindSpore(华为昇思)3、MegEngine(旷视天元)4、OneFlow(一流科技)5、Jittor(清华计图)三、基础教程1、Paddle
- 【免费收藏】清华大学DeepSeek使用手册合集 600页完整版
周师姐
AI写作学习人工智能pdf
DeepSeek资料链接:https://pan.quark.cn/s/c927326f70c5在人工智能席卷全球的当下,DeepSeek作为前沿深度学习技术,正推动着全面AI时代的到来。今日,特别为大家推荐《DeepSeek:从入门到精通》,本书由清华大学新闻与传播学院新媒体研究中心元宇宙文化实验室的余梦珑博士后团队精心编写。它深度解析DeepSeek的技术核心,详尽阐释其应用场景与操作方法,尤
- YOLOv12改进之A2(区域注意力)
清风AI
深度学习算法详解及代码复现深度学习机器学习计算机视觉人工智能算法
注意力回顾注意力机制作为深度学习领域的核心技术,已广泛应用于自然语言处理和计算机视觉等多个领域。在YOLOv12改进之A2中,注意力机制扮演着关键角色。已有研究成果包括:Transformer架构:引入了自注意力机制,有效捕捉输入序列中的长距离依赖关系。CBAM模块:提出了通道和空间注意力的结合,显著提升了图像分类和目标检测的性能。SENet:引入了通道注意力机制,通过自适应学习特征通道的重要性,
- Grok 3能否打破大模型的魔咒?
TGITCIC
AI-大模型的落地之道grokgrok3大模型小模型scalinglaw开源大模型
新模型旧魔咒Grok3的问世,仿佛是科技界的一声惊雷。面对老掉牙的大模型法则,大家不禁要问:这到底意味着什么?以前,一提深度学习就能引出一场血雨腥风,现如今却有人说“没钱也能玩”。这风浪可真是一波未平一波又起。也许这就是科技的魅力:一统江湖的法则瞬间瓦解。缩小与提升大模型不再是唯一的解决方案,大家发现,原来小模型也可以撬动市场。不过,面对如何提升模型的智商,各路英雄却依然不得不面对两个选择:大力度
- 深度学习_第二轮
Humingway
深度学习深度学习人工智能
损失函数对偏置和权重求导,x、y作为常量确实,当进行模型训练时,(x)和(y)分别代表输入特征和对应的输出值,它们以数据点对的形式存在,一个数据集中通常包含多对这样的数据。每一对((x_i),(y_i))代表了数据集中的一个样本。在计算损失函数的梯度(即关于权重的偏导数)时,需要考虑整个数据集中的所有样本。对于每个样本((x_i),(y_i)),我们计算其对损失函数的贡献,并通过求和或平均这些贡献
- 对深度学习中的基本概念—梯度的理解
Humingway
深度学习深度学习人工智能
本文讨论一下对“梯度”的理解。“梯度”是深度学习中基本又非常核心的概念,没有它就没有人工智能的今天。然而,即使抛开令人眼花缭乱的术语(比如sgd、ada、moment、adam)不谈,即使最简单的“梯度”本身,也值得讨论一下。1.提出问题该如何理解梯度?让我们结合具体的例子来体会一下。2.定义例子首先,我们定义一个简单的例子,来模拟一下深度学习的学习过程。已知:有一个正确的数据对(或者叫样本),(
- 《基于WebGPU的下一代科学可视化——告别WebGL性能桎梏》
Eqwaak00
matplotlibwebgl微服务架构云原生分布式
引言:科学可视化的算力革命当WebGL在2011年首次亮相时,它开启了浏览器端3D渲染的新纪元。然而面对当今十亿级粒子模拟、实时物理仿真和深度学习可视化需求,WebGL的架构瓶颈日益凸显。WebGPU作为下一代Web图形标准,通过显存直存、多线程渲染和计算着色器三大革新,将科学可视化性能提升至10倍以上。本文将深入解析如何利用WebGPU突破大规模数据渲染的极限。一、WebGPU核心架构解析1.1
- 自动驾驶---Perception之大模型应用
智能汽车人
自动驾驶人工智能机器学习
1背景自动驾驶感知(Perception)模块在自动驾驶系统中扮演着至关重要的角色,它负责收集、处理并理解车辆周围的环境信息。随着深度学习技术的快速发展,大模型也逐渐在自动驾驶感知模块中得到了广泛应用。本篇博客主要介绍大模型在感知模块的应用。前面也介绍过如下几篇Perception相关的文章,有兴趣的读者可以了解相关内容:《自动驾驶---Perception之IPM图和BEV图》《自动驾驶---P
- 基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
图像识别人工智能深度学习
一、介绍害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)","蜜蜂(bees)","甲虫(beetle)","毛虫(catterpillar)","蚯蚓(earthworms)","蜚蠊(earwig)","蚱蜢(grasshopper)","飞蛾(moth)","鼻涕虫(slug)","蜗牛
- 详解:Grok中文版 _Grok 3 国内中文版本在线使用
人工智能
GrokAI是由XAI公司推出的一款尖端人工智能系统。作为该公司核心技术之一,GrokAI专注于推动人工智能在各行各业的实际应用,尤其在数据分析、自然语言处理(NLP)、自动化决策、机器学习等领域表现出色。Grok的最大亮点在于其强大的数据处理能力。它能够高效地从大量复杂数据中提取有价值的信息,并做出精准预测。借助深度学习与强化学习等先进技术,GrokAI具备自我学习的能力,可以通过不断的训练来优
- 基于OpenCV的Java人脸识别系统设计与实现
小呀白呀兔
javaspringboot
基于OpenCV的Java人脸识别系统设计与实现1.引言随着计算机视觉技术的发展,人脸识别在安全监控、身份验证等领域得到了广泛应用。本文将详细介绍如何使用OpenCV库和Java语言构建一个简单的人脸识别系统。该系统能够从图像中检测人脸,并通过深度学习模型提取特征进行比对,最终输出相似度评分及置信度等级。2.环境搭建为了确保项目顺利运行,请按照以下步骤配置开发环境:安装JDK:确保已安装JavaD
- 智能教育:DeepSeek在个性化学习中的创新应用与代码实现
Evaporator Core
#DeepSeek快速入门DeepSeek进阶开发与应用#深度学习学习
教育是塑造未来的基石,而个性化学习则是现代教育的重要趋势。随着人工智能技术的飞速发展,教育领域正迎来一场深刻的变革。DeepSeek作为人工智能领域的领军者,正在通过其强大的技术能力,推动个性化学习的创新应用。本文将结合代码实现,深入探讨DeepSeek在个性化学习中的应用。一、个性化学习路径:从数据到洞察个性化学习的核心在于根据学生的学习数据,生成定制化的学习路径。DeepSeek通过深度学习算
- 大白话聊聊“深度学习”和“大模型”
程序员鬼鬼
深度学习人工智能AI编程AIGCchatgptai
1950年图灵发表论文《计算机器与智能》(ComputingMachineryandIntelligence),提出了“机器智能”(MachineIntelligent)的概念,并且提出了著名的“图灵测试”的方法来判断机器是否有智能。1956年,达特茅斯会议,“人工智能”(ArtificialIntelligent)概念被首次提出,人工智能作为一个学科开始被研究。科学家梦想着未来可以用复杂物理结构
- 【精华推荐】AI大模型学习必逛的十大顶级网站
大模型入门学习
人工智能学习大模型入门llama大模型教程大模型学习大模型
随着人工智能技术的快速发展,AI大模型(如GPT-3、BERT等)在自然语言处理、计算机视觉等领域取得了显著的成果。对于希望深入学习AI大模型的开发者和研究者来说,找到合适的学习资源至关重要。本文将为大家推荐十大必备网站,帮助你更好地理解和应用AI大模型。1.CourseraCoursera是一个在线学习平台,提供各类AI和机器学习课程,包括斯坦福大学的机器学习课程和深度学习专项课程。通过视频讲解
- 深度学习分类回归(衣帽数据集)
何仙鸟
深度学习分类回归
一、步骤1加载数据集fashion_minst2搭建classNeuralNetwork模型3设置损失函数,优化器4编写评估函数5编写训练函数6开始训练7绘制损失,准确率曲线二、代码导包,打印版本号:importmatplotlibasmplimportmatplotlib.pyplotasplt%matplotlibinlineimportnumpyasnpimportsklearnimport
- BP神经网络计算过程:从数学原理到实践优化
Acd_713
BP神经网络神经网络人工智能深度学习
引言:神经网络的时代意义与BP算法地位在深度学习重构人工智能边界的今天(Goodfellowetal.,2016),误差反向传播(Backpropagation,BP)算法作为神经网络训练的基石,其数学优雅性和工程实用性完美统一。本文将深入剖析BP神经网络的计算本质,揭示其如何在非线性空间中构建认知通道。第1章神经网络拓扑结构的数学建模1.1生物神经元到M-P模型的抽象跃迁McCulloch-Pi
- 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
- 深度学习模型未来可能会在这些领域取得突破性进展
xinxiyinhe
人工智能深度学习人工智能深度学习模型深度学习
深度学习模型作为人工智能的核心技术之一,未来有望在多个领域取得突破性进展。以下是一些可能的方向:1.通用人工智能(AGI)目标:开发具有通用智能的模型,能够像人类一样处理多种任务。潜在突破:更强的推理和抽象能力,解决复杂问题。结合多模态数据(文本、图像、声音等)实现更全面的理解。自我学习和适应能力,减少对大量标注数据的依赖。2.医疗与生命科学目标:提升疾病诊断、药物研发和个性化治疗的水平。潜在突破
- 深度学习进阶:TensorFlow实战指南
ELSON麦香包
本文还有配套的精品资源,点击获取简介:《TensorFlow实战Google深度学习框架》详细指导读者学习TensorFlow,涵盖基础概念、数据流图、API使用、张量和变量操作,深度学习基础如CNN和RNN,以及自定义层和优化算法。书中还提供使用TensorFlow构建和训练深度学习模型的实例,包括AlexNet、VGG、ResNet以及LSTM和GRU,并通过图像分类和文本情感分析等实战案例,
- Python深度学习之路:TensorFlow与PyTorch对比
步入烟尘
Python超入门指南全册python深度学习tensorflow
本文已收录于《Python超入门指南全册》本专栏专门针对零基础和需要进阶提升的同学所准备的一套完整教学,从基础到精通不断进阶深入,后续还有实战项目,轻松应对面试,专栏订阅地址:https://blog.csdn.net/mrdeam/category_12647587.html优点:订阅限时19.9付费专栏,私信博主还可进入全栈VIP答疑群,作者优先解答机会(代码指导、远程服务),群里大佬众多可以
- 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
- 深度学习实战:用TensorFlow构建高效CNN的完整指南
芯作者
DD:日记深度学习
一、为什么每个开发者都要掌握CNN?在自动驾驶汽车识别路标的0.1秒里,在医疗AI诊断肺部CT片的精准分析中,甚至在手机相册自动分类宠物的日常场景里,卷积神经网络(CNN)正悄然改变着我们的世界。本文将以工业级实践标准,带您从零构建一个在CIFAR-10数据集上达到90%+准确率的CNN模型,深入解析TensorFlow2.x的最新特性,并揭秘模型优化的七大核心策略。[外链图片转存失败,源站可能有
- 大模型技术在网络安全领域的应用与发展
蓝色的香菇
web安全安全大模型
一、概述大模型技术,尤其是深度学习和自然语言处理领域的大型预训练模型,近年来在网络安全领域得到了广泛应用。这些模型通过其强大的数据处理能力和泛化能力,为网络安全带来了新的机遇和挑战。本文将对大模型技术在网络安全领域的应用进行全面分析,识别关键应用进展,并探讨其对网络安全领域的潜在影响。二、大模型技术在网络安全领域的应用安全运营网络日志分析:大模型可以通过分析大量网络日志,自动识别异常行为和潜在威胁
- 基于opencv答题卡识别判卷
深度学习乐园
深度学习实战项目opencv人工智能计算机视觉
项目源码获取方式见文章末尾!回复暗号:13,免费获取600多个深度学习项目资料,快来加入社群一起学习吧。**《------往期经典推荐------》**项目名称1.【基于DDPG算法的股票量化交易】2.【卫星图像道路检测DeepLabV3Plus模型】3.【GAN模型实现二次元头像生成】4.【CNN模型实现mnist手写数字识别】5.【fasterRCNN模型实现飞机类目标检测】6.【CNN-LS
- 深度学习揭秘:神经网络如何模拟人脑
shelly聊AI
AI核心技术深度学习神经网络人工智能
大家好,我是Shelly,一个专注于输出AI工具和科技前沿内容的AI应用教练,体验过300+款以上的AI应用工具。关注科技及大模型领域对社会的影响10年+。关注我一起驾驭AI工具,拥抱AI时代的到来。AI工具集1:大厂AI工具【共23款】,一次性奉上,今天是百度和阿里AI工具集2:大厂AI工具【共12款】,一次性奉上,看看腾讯和字节的宝贝人工智能&AIGC术语100条Shelly聊AI-重磅发布一
- 【价值洼地的狩猎机制】
调皮的芋头
机器学习
大资本构建价值掠夺网络的本质,是一场精密设计的系统性剥削工程。其运作逻辑远超普通市场行为,而是通过技术霸权、制度漏洞与认知操控三位一体的组合拳,实现对目标领域的深度殖民化控制:一、价值洼地的狩猎机制1.量子级数据建模摩根士丹利开发的"经济熵变监测系统",实时抓取全球2.3亿个数据节点(包括电力消耗、集装箱空置率、社交媒体情绪指数等),通过深度学习预测区域经济断裂点。例如2014年预判委内瑞拉石油危
- RAG检索增强:知识图谱赋能的高效问答系统
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.背景介绍随着互联网和信息技术的飞速发展,人们获取信息的方式和途径也发生了巨大的变化。传统的搜索引擎已经无法满足用户对于更精准、更个性化、更智能的信息获取需求。问答系统作为一种能够直接回答用户问题的智能系统,应运而生,并逐渐成为信息检索领域的研究热点。早期的问答系统主要基于模板匹配和关键词匹配等方法,其回答准确率和效率都比较低。近年来,随着深度学习技术的兴起,基于深度学习的问答系统取得了显著的进
- 基于深度学习的田间杂草检测系统:YOLOv5/v6/v7/v8/v10模型实现与UI界面集成
深度学习&目标检测实战项目
深度学习YOLOui人工智能目标检测
随着农业科技的发展,农作物的种植和管理越来越依赖于智能化技术。杂草作为农田生产中的一种主要竞争作物,会对农作物的生长造成负面影响。为了提高作物产量和品质,及时准确地检测和管理杂草显得尤为重要。本文将详细介绍如何构建一个基于深度学习的田间杂草检测系统,使用YOLO模型进行目标检测,包含数据集准备、模型训练、用户界面设计及系统实现。目录1.项目概述1.1背景1.2项目目标2.环境准备2.1软件需求2.
- 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