- 免费的GPT可在线直接使用(一键收藏)
kkai人工智能
gpt
1、LuminAI(https://kk.zlrxjh.top)LuminAI标志着一款融合了星辰大数据模型与文脉深度模型的先进知识增强型语言处理系统,旨在自然语言处理(NLP)的技术开发领域发光发热。此系统展现了卓越的语义把握与内容生成能力,轻松驾驭多样化的自然语言处理任务。VisionAI在NLP界的应用领域广泛,能够胜任从机器翻译、文本概要撰写、情绪分析到问答等众多任务。通过对大量文本数据的
- 轻量级模型解读——轻量transformer系列
lishanlu136
#图像分类轻量级模型transformer图像分类
先占坑,持续更新。。。文章目录1、DeiT2、ConViT3、Mobile-Former4、MobileViTTransformer是2017谷歌提出的一篇论文,最早应用于NLP领域的机器翻译工作,Transformer解读,但随着2020年DETR和ViT的出现(DETR解读,ViT解读),其在视觉领域的应用也如雨后春笋般渐渐出现,其特有的全局注意力机制给图像识别领域带来了重要参考。但是tran
- transformer架构(Transformer Architecture)原理与代码实战案例讲解
AI架构设计之禅
大数据AI人工智能Python入门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
transformer架构(TransformerArchitecture)原理与代码实战案例讲解关键词:Transformer,自注意力机制,编码器-解码器,预训练,微调,NLP,机器翻译作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来自然语言处理(NLP)领域的发展经历了从规则驱动到统计驱动再到深度学习驱动的三个阶段。
- 英伟达(NVIDIA)B200架构解读
weixin_41205263
芯际争霸GPGPU架构gpu算力人工智能硬件架构
H100芯片是一款高性能AI芯片,其中的TransformerEngine是专门用于加速Transformer模型计算的核心部件。Transformer模型是一种自然语言处理(NLP)模型,广泛应用于机器翻译、文本生成等任务。TransformerEngine的电路设计原理主要包括以下几个方面:
- 【拥抱AI】浅谈Prompt的书写规范及要点
奔跑草-
人工智能人工智能promptRAGAI编程大模型LLMAIAgent
Prompt是什么?Prompt是一种技术,它通过自然语言处理来引导用户与机器之间的交互。在人工智能领域,Prompt通常用于生成文本,例如对话系统、机器翻译和文本摘要等应用。它也用于训练模型,以使其能够理解和生成人类语言。Prompt的工作原理是通过建立相应的语料库和语义解析模型,将自然语言转换为机器可识别的指令。在大模型时代,Prompt的使用尤为重要,因为它可以帮助模型更好地理解用户的意图并
- 《自然语言处理 Transformer 模型详解》
黑色叉腰丶大魔王
自然语言处理transformer人工智能
一、引言在自然语言处理领域,Transformer模型的出现是一个重大的突破。它摒弃了传统的循环神经网络(RNN)和卷积神经网络(CNN)架构,完全基于注意力机制,在机器翻译、文本生成、问答系统等众多任务中取得了卓越的性能。本文将深入讲解Transformer模型的原理、结构和应用。二、Transformer模型的背景在Transformer出现之前,RNN及其变体(如LSTM和GRU)是自然语言
- 德克萨斯大学奥斯汀分校自然语言处理硕士课程汉化版(第十一周) - 自然语言处理扩展研究
Encarta1993
自然语言处理自然语言处理人工智能
自然语言处理扩展研究1.多语言研究2.语言锚定3.伦理问题1.多语言研究多语言(Multilinguality)是NLP的一个重要研究方向,旨在开发能够处理多种语言的模型和算法。由于不同语言在语法、词汇和语义结构上存在差异,这成为一个复杂且具有挑战性的研究领域。多语言性的研究促进了机器翻译、跨语言信息检索和多语言对话系统等应用的发展。以下是多语言的几个主要研究方向和重要技术:多语言模型的构建,开发
- Transformer+目标检测,这一篇入门就够了
BIT可达鸭
▶深度学习-计算机视觉transformer深度学习目标检测计算机视觉自然语言处理
VisionTransformerforObjectDetection本文作者:Encoder-Decoder简介:Encoder-Decoder的缺陷:Attention机制:Self-Attention机制:Multi-HeadAttention:Transformer结构:图像分类之ViT:图像分类之PyramidViT:目标检测之DETR:目标检测之DeformableDETR:本文作者:
- 【笔记】Encoder-Decoder模型
808130260
python/机器学习
Encoder-DecoderFrameworkEncoder-DecoderEncoderDecoderDecoderwithAttention参考Encoder-DecoderEncoder输入:X=(x1,x2,...,xTx)X=(x_1,x_2,...,x_{T_x})X=(x1,x2,...,xTx)输出:上下文向量(contextvector)ccc步骤:ht=f(xt,ht−1)c
- NLP从零开始------17.文本中阶处理之序列到序列模型(2)
人生百态,人生如梦
nlp从零开始自然语言处理人工智能
3.学习序列到序列模型可以看成一种条件语言模型,以源句x为条件计算目标句的条件概率该条件概率通过概率乘法公式分解为从左到右每个词的条件概率之积:序列到序列模型的监督学习需要使用平行语料,其中每个数据点都包含一对源句和目标句。以中译英机器翻译为例,平行语料的每个数据点就是一句中文句子和对应的一句英文句子。机器翻译领域较为有名的平行语料库来自机器翻译研讨会(workshoponmachinetrans
- AI 大模型在文本生成任务中的创新应用
AI_Guru人工智呢
人工智能
概述随着人工智能技术的飞速发展,大模型在文本生成任务中的应用越来越广泛。这些模型通过深度学习技术,能够生成连贯、有意义的文本,甚至在某些情况下达到与人类写作难以区分的程度。本文将探讨AI大模型在文本生成任务中的创新应用,包括自动文摘、机器翻译、创意写作等领域。自动文摘自动文摘是指从给定文本中自动提取关键信息,生成简短摘要的过程。这对于处理大量文本数据、快速获取信息尤为重要。代码示例:基于BERT的
- Hugging Face教程
小牛笔记
自然语言处理人工智能自然语言处理
HuggingFace教程1.引言在当今数字化时代,自然语言处理(NLP)在各个领域中扮演着重要角色。从文本分类、情感分析到机器翻译和对话系统,NLP技术的应用日益广泛。在NLP领域,HuggingFace是一个备受欢迎的开源工具库,提供了丰富的预训练模型和强大的工具,帮助开发者快速构建和部署NLP应用。2.HuggingFace简介HuggingFace是一个专注于NLP的开源组织,致力于提供易
- RNN及其变体
豫儿啊~
lstm人工智能rnn
RNN及其变体RNN模型定义循环神经网络:一般接受的一序列进行输入,输出也是一个序列作用和应用场景:RNN擅长处理连续语言文本,机器翻译,文本生成,文本分类,摘要生成RNN模型的分类根据输入与输出结构NVsN:输入和输出等长,应用场景:对联生成;词性标注;NERNVs1:输入N,输出为单值,应用场景:文本分类1VsN:输出是一个,输出为N,应用场景:图片文本生成NVsM:输入和输出不等长,应用场景
- 文字模型训练分析评论(算法实战)
富士达幸运星
算法人工智能机器学习
文字模型训练,尤其是在自然语言处理(NLP)领域,是构建能够理解、解释、生成人类语言系统的核心步骤。这类模型广泛应用于文本分类、情感分析、机器翻译、聊天机器人、摘要生成等多个方面。针对文字模型训练后的分析评论,可以从以下几个方面进行:1.性能评估准确率/错误率:评估模型在测试集上的准确率或错误率是最直接的方式,这能反映模型的基本性能。混淆矩阵:对于分类任务,混淆矩阵可以详细展示模型在各个类别上的表
- 什么是LLM,主要用途有哪些,在应用中有哪些优势和局限性?
好好学习的不知名程序员
机器学习深度学习AIGC人工智能
LLM(大型语言模型)在实际应用中的优势包括多领域应用、技术突破、创新应用等。其局限性则包括设计挑战、行为问题、科学难题等。LLM在实际中的应用优势:1.多领域应用:自然语言处理:LLM在机器翻译、语音识别、文本生成等领域表现出色。智能对话系统:LLM能够提供与人类相似的聊天机器人体验。内容创作:从文章写作到代码开发,LLM都能提供高效的辅助。2.技术突破:深度学习架构:LLM基于先进的深度学习技
- 【机器学习】机器学习与大模型在人工智能领域的融合应用与性能优化新探索
E绵绵
Everything人工智能机器学习大模型pythonAIGC应用科技
文章目录引言机器学习与大模型的基本概念机器学习概述监督学习无监督学习强化学习大模型概述GPT-3BERTResNetTransformer机器学习与大模型的融合应用自然语言处理文本生成文本分类机器翻译图像识别自动驾驶医学影像分析语音识别智能助手语音转文字大模型性能优化的新探索模型压缩权重剪枝量化知识蒸馏分布式训练数据并行模型并行异步训练高效推理模型裁剪缓存机制专用硬件未来展望跨领域应用智能化系统人
- 《跨越文化与语言的鸿沟:人工智能的挑战与机遇》
程序猿阿伟
人工智能
在全球化的时代,不同文化和语言之间的交流日益频繁。然而,文化和语言的多样性也带来了理解和交流上的巨大挑战。人工智能作为一项具有变革性的技术,在应对这些差异方面发挥着越来越重要的作用,但同时也面临着诸多困难。语言是文化的载体,每种语言都蕴含着独特的文化内涵、价值观和思维方式。不同语言的语法结构、词汇用法和表达方式千差万别,这使得机器翻译等自然语言处理任务变得异常复杂。例如,某些语言中的词汇可能在其他
- 深度学习--复制机制
Ambition_LAO
深度学习
复制机制(CopyMechanism)是自然语言处理(NLP)中特别是在文本生成任务中(如机器翻译、摘要生成等)使用的一种技术。它允许模型在生成输出时不仅仅依赖于其词汇表中的单词,还可以从输入文本中“复制”单词到输出文本中。这种机制非常有用,尤其是在处理未见过的词汇或专有名词时。1.概念复制机制的基本思想是,在生成每个输出单词时,模型不仅从其词汇表中选择一个词,还可能直接从输入序列中复制一个词。这
- 【ShuQiHere】“从 One-Hot 到 GPT:窥探词表示技术的演变”
ShuQiHere
gpt神经网络机器学习人工智能
【ShuQiHere】在自然语言处理(NLP)领域,如何让机器理解人类语言一直是一个核心问题。而词表示(WordRepresentation)正是解决这个问题的基础技术。通过词表示,我们可以将文本中的词语转化为计算机能够理解和处理的数字向量,这为各种NLP任务,如文本分类、情感分析、机器翻译等,提供了强大的支持。从最早的One-Hot编码,到如今广泛应用的上下文相关词嵌入技术,词表示技术已经走过了
- 探索Ruby的自然语言处理宝库:文本魔法的艺术
2401_85743969
ruby自然语言处理开发语言
标题:探索Ruby的自然语言处理宝库:文本魔法的艺术在人工智能的浪潮中,自然语言处理(NLP)成为了连接人类语言与机器理解的桥梁。Ruby,作为一种优雅而富有表现力的编程语言,拥有一系列强大的NLP库,它们使得文本分析、情感分析、机器翻译等任务变得简单而高效。本文将深入探索Ruby世界中的一些顶尖NLP库,并展示如何使用这些工具来执行实际的NLP任务。RubyNLP库的魔力Ruby的自然语言处理库
- 人工智能中的语言模型演变
机器之心AI
人工智能语言模型自然语言处理
令人惊讶的是,语言模型在这些年间已经显著改变了人工智能领域的整体面貌。设计这些模型的目的是为了理解、人类语言的生成和处理,从自然语言处理到机器翻译甚至创意写作,这些模型日趋复杂且多功能,应用范围从自然语言处理到机器翻译,甚至创意写作。本文详细阐述了语言模型在人工智能领域从早期到先进能力的发展过程。早期的语言模型基于统计方法。这些模型通常被称为n-gram模型,通过计算词序列的频率来预测句子中的下一
- 什么是ChatGPT
丨逐风者丨
什么是ChatGPT?ChatGPT是OpenAI公司训练的一个大型语言模型。它是基于Transformer架构的,拥有超过350GB的参数,可以进行各种自然语言处理任务,如语音识别、机器翻译、对话生成和问答等。ChatGPT模型是在大量的网络文本数据上进行训练的,因此它可以生成高质量的文本内容。它可以根据输入文本生成一段相关的文本,或者回答问题并生成针对性的回答。它还可以根据输入的提示生成一段文
- NLP技术
小天才dhsb
网络其他
自然语言处理(NLP)技术可以应用在多个领域,例如机器翻译、情感分析、文本分类等。以下是几个例子:1.机器翻译:NLP技术可以将一种语言的文本自动翻译成另一种语言。例如,谷歌翻译就是应用了NLP技术,它可以将英语的文本翻译成其他语言,如法语、西班牙语等。2.情感分析:NLP技术可以分析文本中的情感倾向。例如,通过分析社交媒体上用户的评论和推文,可以判断用户对某个产品或事件的情感态度是正面的、负面的
- 小白看得懂的 Transformer
zy_zeros
python开发语言
1.导语谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果,引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务,当时达到了SOTA效果。Transformer改进了RNN最被人诟病的训练慢的缺点,利用self-attention机制实现快速并行。并且Transformer可以增加到非常深的深度,充分
- 深度学习笔记1:神经网络端到端学习笔记
撒哈拉土狼
深度学习
许多重要问题都可以抽象为变长序列学习问题(sequencetosequencelearning),如语音识别、机器翻译、字符识别。这类问题的特点是,1)输入和输出都是序列(如连续值语音信号/特征、离散值的字符),2)序列长度都不固定,3)并且输入输出序列长度没有对应关系。因此,传统的神经网络模型(DNN,CNN,RNN)不能直接以端到端的方式解决这类问题的建模和学习问题。解决变长序列的端到端学习,
- 深度学习的进展
CuiXg
深度学习人工智能
深度学习的进展深度学习作为人工智能领域的重要分支之一,利用神经网络模拟人类大脑的学习过程,通过数据训练模型以自动提取特征、识别模式、进行分类和预测等任务。近年来,深度学习在多个领域取得显著进展,尤其在自然语言处理、计算机视觉、语音识别和机器翻译等方面实现了突破性进展。方向一:深度学习的基本原理和算法深度学习基于神经网络概念,涉及反向传播、卷积神经网络、循环神经网络等算法。这些算法模拟人脑神经元间的
- Pytorch学习记录-接近人类水平的GEC(使用混合机器翻译模型)
我的昵称违规了
五月第二周要结束了,接下来的三个月主要是文献阅读,准备8、9月的开题报告,技术类的文献集中在GEC和Textmaching的应用方面,读完之后找demo复现,然后应用。理论方面的论文也都是英文的8.NearHuman-LevelPerformanceinGrammaticalErrorCorrectionwithHybridMachineTranslation昨天一天没看论文,发现我文献阅读速度太
- 【Transformer】Transformer的简单了解:Positional Encoding、Self-attention、Batch 与 Layer Norm 等
magic_ll
transformer深度学习
自从2017年Transformer模型被提出以来,它已经从论文最初的机器翻译领域,转向语音,图像,视频等等方面的应用。最近的SegmentAnything论文提出,阅读论文其中大量的transformer的在图像方面的应用。所以这里还是加紧记录下transformer相关内容。transformer初了解PositionalEncoding(位置编码)Self-attention(自注意力机制)
- ChatGPT和LLM
小米人er
我的博客chatgpt
ChatGPT和LLM(大型语言模型)之间存在密切的关系。首先,LLM是一个更为抽象的概念,它包含了各种自然语言处理任务中使用的各种深度学习模型结构。这些模型通过建立深层神经网络,根据已有的大量文本数据进行文本自动生成。其核心思想是基于训练数据中的统计规律,将输入序列转化为概率分布,进而输出目标序列。这种技术广泛应用于各种自然语言处理任务,如机器翻译、语音识别、文本生成等。而ChatGPT则是基于
- 深度学习的进展
五行缺你94
笔记深度学习人工智能
深度学习是人工智能领域的一个重要分支,它利用神经网络模拟人类大脑的学习过程,通过大量数据训练模型,使其能够自动提取特征、识别模式、进行分类和预测等任务。近年来,深度学习在多个领域取得了显著的进展,尤其在自然语言处理、计算机视觉、语音识别和机器翻译等领域取得了突破性的进展。随着算法和模型的改进、计算能力的提升以及数据量的增长,深度学习的应用范围不断扩大,对各行各业产生了深远的影响。方向一:深度学习的
- 安装数据库首次应用
Array_06
javaoraclesql
可是为什么再一次失败之后就变成直接跳过那个要求
enter full pathname of java.exe的界面
这个java.exe是你的Oracle 11g安装目录中例如:【F:\app\chen\product\11.2.0\dbhome_1\jdk\jre\bin】下的java.exe 。不是你的电脑安装的java jdk下的java.exe!
注意第一次,使用SQL D
- Weblogic Server Console密码修改和遗忘解决方法
bijian1013
Welogic
在工作中一同事将Weblogic的console的密码忘记了,通过网上查询资料解决,实践整理了一下。
一.修改Console密码
打开weblogic控制台,安全领域 --> myrealm -->&n
- IllegalStateException: Cannot forward a response that is already committed
Cwind
javaServlets
对于初学者来说,一个常见的误解是:当调用 forward() 或者 sendRedirect() 时控制流将会自动跳出原函数。标题所示错误通常是基于此误解而引起的。 示例代码:
protected void doPost() {
if (someCondition) {
sendRedirect();
}
forward(); // Thi
- 基于流的装饰设计模式
木zi_鸣
设计模式
当想要对已有类的对象进行功能增强时,可以定义一个类,将已有对象传入,基于已有的功能,并提供加强功能。
自定义的类成为装饰类
模仿BufferedReader,对Reader进行包装,体现装饰设计模式
装饰类通常会通过构造方法接受被装饰的对象,并基于被装饰的对象功能,提供更强的功能。
装饰模式比继承灵活,避免继承臃肿,降低了类与类之间的关系
装饰类因为增强已有对象,具备的功能该
- Linux中的uniq命令
被触发
linux
Linux命令uniq的作用是过滤重复部分显示文件内容,这个命令读取输入文件,并比较相邻的行。在正常情 况下,第二个及以后更多个重复行将被删去,行比较是根据所用字符集的排序序列进行的。该命令加工后的结果写到输出文件中。输入文件和输出文件必须不同。如 果输入文件用“- ”表示,则从标准输入读取。
AD:
uniq [选项] 文件
说明:这个命令读取输入文件,并比较相邻的行。在正常情况下,第二个
- 正则表达式Pattern
肆无忌惮_
Pattern
正则表达式是符合一定规则的表达式,用来专门操作字符串,对字符创进行匹配,切割,替换,获取。
例如,我们需要对QQ号码格式进行检验
规则是长度6~12位 不能0开头 只能是数字,我们可以一位一位进行比较,利用parseLong进行判断,或者是用正则表达式来匹配[1-9][0-9]{4,14} 或者 [1-9]\d{4,14}
&nbs
- Oracle高级查询之OVER (PARTITION BY ..)
知了ing
oraclesql
一、rank()/dense_rank() over(partition by ...order by ...)
现在客户有这样一个需求,查询每个部门工资最高的雇员的信息,相信有一定oracle应用知识的同学都能写出下面的SQL语句:
select e.ename, e.job, e.sal, e.deptno
from scott.emp e,
(se
- Python调试
矮蛋蛋
pythonpdb
原文地址:
http://blog.csdn.net/xuyuefei1988/article/details/19399137
1、下面网上收罗的资料初学者应该够用了,但对比IBM的Python 代码调试技巧:
IBM:包括 pdb 模块、利用 PyDev 和 Eclipse 集成进行调试、PyCharm 以及 Debug 日志进行调试:
http://www.ibm.com/d
- webservice传递自定义对象时函数为空,以及boolean不对应的问题
alleni123
webservice
今天在客户端调用方法
NodeStatus status=iservice.getNodeStatus().
结果NodeStatus的属性都是null。
进行debug之后,发现服务器端返回的确实是有值的对象。
后来发现原来是因为在客户端,NodeStatus的setter全部被我删除了。
本来是因为逻辑上不需要在客户端使用setter, 结果改了之后竟然不能获取带属性值的
- java如何干掉指针,又如何巧妙的通过引用来操作指针————>说的就是java指针
百合不是茶
C语言的强大在于可以直接操作指针的地址,通过改变指针的地址指向来达到更改地址的目的,又是由于c语言的指针过于强大,初学者很难掌握, java的出现解决了c,c++中指针的问题 java将指针封装在底层,开发人员是不能够去操作指针的地址,但是可以通过引用来间接的操作:
定义一个指针p来指向a的地址(&是地址符号):
- Eclipse打不开,提示“An error has occurred.See the log file ***/.log”
bijian1013
eclipse
打开eclipse工作目录的\.metadata\.log文件,发现如下错误:
!ENTRY org.eclipse.osgi 4 0 2012-09-10 09:28:57.139
!MESSAGE Application error
!STACK 1
java.lang.NoClassDefFoundError: org/eclipse/core/resources/IContai
- spring aop实例annotation方法实现
bijian1013
javaspringAOPannotation
在spring aop实例中我们通过配置xml文件来实现AOP,这里学习使用annotation来实现,使用annotation其实就是指明具体的aspect,pointcut和advice。1.申明一个切面(用一个类来实现)在这个切面里,包括了advice和pointcut
AdviceMethods.jav
- [Velocity一]Velocity语法基础入门
bit1129
velocity
用户和开发人员参考文档
http://velocity.apache.org/engine/releases/velocity-1.7/developer-guide.html
注释
1.行级注释##
2.多行注释#* *#
变量定义
使用$开头的字符串是变量定义,例如$var1, $var2,
赋值
使用#set为变量赋值,例
- 【Kafka十一】关于Kafka的副本管理
bit1129
kafka
1. 关于request.required.acks
request.required.acks控制者Producer写请求的什么时候可以确认写成功,默认是0,
0表示即不进行确认即返回。
1表示Leader写成功即返回,此时还没有进行写数据同步到其它Follower Partition中
-1表示根据指定的最少Partition确认后才返回,这个在
Th
- lua统计nginx内部变量数据
ronin47
lua nginx 统计
server {
listen 80;
server_name photo.domain.com;
location /{set $str $uri;
content_by_lua '
local url = ngx.var.uri
local res = ngx.location.capture(
- java-11.二叉树中节点的最大距离
bylijinnan
java
import java.util.ArrayList;
import java.util.List;
public class MaxLenInBinTree {
/*
a. 1
/ \
2 3
/ \ / \
4 5 6 7
max=4 pass "root"
- Netty源码学习-ReadTimeoutHandler
bylijinnan
javanetty
ReadTimeoutHandler的实现思路:
开启一个定时任务,如果在指定时间内没有接收到消息,则抛出ReadTimeoutException
这个异常的捕获,在开发中,交给跟在ReadTimeoutHandler后面的ChannelHandler,例如
private final ChannelHandler timeoutHandler =
new ReadTim
- jquery验证上传文件样式及大小(好用)
cngolon
文件上传jquery验证
<!DOCTYPE html>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<script src="jquery1.8/jquery-1.8.0.
- 浏览器兼容【转】
cuishikuan
css浏览器IE
浏览器兼容问题一:不同浏览器的标签默认的外补丁和内补丁不同
问题症状:随便写几个标签,不加样式控制的情况下,各自的margin 和padding差异较大。
碰到频率:100%
解决方案:CSS里 *{margin:0;padding:0;}
备注:这个是最常见的也是最易解决的一个浏览器兼容性问题,几乎所有的CSS文件开头都会用通配符*来设
- Shell特殊变量:Shell $0, $#, $*, $@, $?, $$和命令行参数
daizj
shell$#$?特殊变量
前面已经讲到,变量名只能包含数字、字母和下划线,因为某些包含其他字符的变量有特殊含义,这样的变量被称为特殊变量。例如,$ 表示当前Shell进程的ID,即pid,看下面的代码:
$echo $$
运行结果
29949
特殊变量列表 变量 含义 $0 当前脚本的文件名 $n 传递给脚本或函数的参数。n 是一个数字,表示第几个参数。例如,第一个
- 程序设计KISS 原则-------KEEP IT SIMPLE, STUPID!
dcj3sjt126com
unix
翻到一本书,讲到编程一般原则是kiss:Keep It Simple, Stupid.对这个原则深有体会,其实不仅编程如此,而且系统架构也是如此。
KEEP IT SIMPLE, STUPID! 编写只做一件事情,并且要做好的程序;编写可以在一起工作的程序,编写处理文本流的程序,因为这是通用的接口。这就是UNIX哲学.所有的哲学真 正的浓缩为一个铁一样的定律,高明的工程师的神圣的“KISS 原
- android Activity间List传值
dcj3sjt126com
Activity
第一个Activity:
import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.Map;import android.app.Activity;import android.content.Intent;import android.os.Bundle;import a
- tomcat 设置java虚拟机内存
eksliang
tomcat 内存设置
转载请出自出处:http://eksliang.iteye.com/blog/2117772
http://eksliang.iteye.com/
常见的内存溢出有以下两种:
java.lang.OutOfMemoryError: PermGen space
java.lang.OutOfMemoryError: Java heap space
------------
- Android 数据库事务处理
gqdy365
android
使用SQLiteDatabase的beginTransaction()方法可以开启一个事务,程序执行到endTransaction() 方法时会检查事务的标志是否为成功,如果程序执行到endTransaction()之前调用了setTransactionSuccessful() 方法设置事务的标志为成功则提交事务,如果没有调用setTransactionSuccessful() 方法则回滚事务。事
- Java 打开浏览器
hw1287789687
打开网址open浏览器open browser打开url打开浏览器
使用java 语言如何打开浏览器呢?
我们先研究下在cmd窗口中,如何打开网址
使用IE 打开
D:\software\bin>cmd /c start iexplore http://hw1287789687.iteye.com/blog/2153709
使用火狐打开
D:\software\bin>cmd /c start firefox http://hw1287789
- ReplaceGoogleCDN:将 Google CDN 替换为国内的 Chrome 插件
justjavac
chromeGooglegoogle apichrome插件
Chrome Web Store 安装地址: https://chrome.google.com/webstore/detail/replace-google-cdn/kpampjmfiopfpkkepbllemkibefkiice
由于众所周知的原因,只需替换一个域名就可以继续使用Google提供的前端公共库了。 同样,通过script标记引用这些资源,让网站访问速度瞬间提速吧
- 进程VS.线程
m635674608
线程
资料来源:
http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/001397567993007df355a3394da48f0bf14960f0c78753f000 1、Apache最早就是采用多进程模式 2、IIS服务器默认采用多线程模式 3、多进程优缺点 优点:
多进程模式最大
- Linux下安装MemCached
字符串
memcached
前提准备:1. MemCached目前最新版本为:1.4.22,可以从官网下载到。2. MemCached依赖libevent,因此在安装MemCached之前需要先安装libevent。2.1 运行下面命令,查看系统是否已安装libevent。[root@SecurityCheck ~]# rpm -qa|grep libevent libevent-headers-1.4.13-4.el6.n
- java设计模式之--jdk动态代理(实现aop编程)
Supanccy2013
javaDAO设计模式AOP
与静态代理类对照的是动态代理类,动态代理类的字节码在程序运行时由Java反射机制动态生成,无需程序员手工编写它的源代码。动态代理类不仅简化了编程工作,而且提高了软件系统的可扩展性,因为Java 反射机制可以生成任意类型的动态代理类。java.lang.reflect 包中的Proxy类和InvocationHandler 接口提供了生成动态代理类的能力。
&
- Spring 4.2新特性-对java8默认方法(default method)定义Bean的支持
wiselyman
spring 4
2.1 默认方法(default method)
java8引入了一个default medthod;
用来扩展已有的接口,在对已有接口的使用不产生任何影响的情况下,添加扩展
使用default关键字
Spring 4.2支持加载在默认方法里声明的bean
2.2
将要被声明成bean的类
public class DemoService {