- 【机器学习】机器学习的基本概念、算法的工作原理、实际应用案例
@我们的天空
人工智能技术机器学习算法人工智能自然语言处理金融pythonsklearn
一、机器学习的基本概念定义:机器学习是人工智能的一个分支,它使计算机能够在没有明确编程的情况下从数据中学习并改进其性能。机器学习的目标是让计算机自动学习模式和规律,从而能够对未知数据做出预测或决策。主要类型:监督学习:在这种类型的学习中,算法通过已知输入输出数据对进行训练,学习映射函数,以便对新的输入数据进行预测。常见的监督学习任务包括分类和回归。无监督学习:无监督学习的任务是发现数据中的结构或模
- 机器学习之 K-均值聚类算法
维生素¥
机器学习机器学习算法均值算法
K-均值(K-means)聚类算法是一种常用的无监督学习算法,用于将数据集划分为K个不同的簇。该算法通过迭代的方式将数据点分配到最近的簇中,并更新簇的中心,直到收敛为止。一、K-均值聚类算法的基本步骤:初始化K个簇的中心点(可以随机选择或者根据数据集初始化)。将每个数据点分配到最近的簇中。更新每个簇的中心点为该簇所有数据点的平均值。重复步骤2和3,直到簇的中心点不再改变或达到指定的迭代次数。二、K
- 机器学习中的 K-均值聚类算法及其优缺点
安科瑞蒋静
机器学习算法均值算法
K-均值聚类算法是一种常用的无监督学习算法,用于将一组数据点划分为K个不同的聚类。该算法的主要思想是将数据点分配给最接近的聚类中心,并通过迭代优化聚类中心位置,使得聚类内部的数据点之间的距离最小化。算法流程如下:初始化K个聚类中心,可以是随机选择的数据点或者通过其他方法选择。分别计算每个数据点到K个聚类中心的距离,并将其分配给距离最近的聚类中心。更新每个聚类的中心位置为其内部所有数据点的平均值。重
- 工信教考 | AI智能体应用工程师(模拟试题)
人工智能-猫猫
人工智能开源自然语言处理语言模型架构
关于AI智能体工程师的模拟试题,下面根据AI智能体工程师所需掌握的知识和技能,设计一些模拟题型的示例。这些题目旨在考察应试者在人工智能、机器学习、深度学习、算法设计、系统开发等方面的能力。一、选择题无监督学习常用于哪些任务?(单选)A.回归分析B.聚类分析C.分类预测D.序列预测答案:B解析:无监督学习常用于聚类、降维、异常检测等任务,如市场分割、数据可视化等。以下哪种激活函数常用于分类问题的输出
- (感知机-Perceptron)—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法
剑海风云
ArtificialIntelligence机器学习人工智能感知机Perceptron
定义假设输入空间(特征空间)是χ\chiχ⊆Rn\subseteqR^n⊆Rn,输出空间是y={+1,−1}=\{+1,-1\}={+1,−1}。输入x∈χx\in\chix∈χ表示实例的特征向量,对应于输入空间(特征空间)的点;输出y∈y\iny∈y表示实例的类别。由输入空间到输出空间的如下函数:f(x)=sign(ω⋅x+b)f(x)=sign(\omega\cdotx+b)f(x)=sign
- K近邻法(K-nearest neighbor,K-NN)—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法
剑海风云
ArtificialIntelligence人工智能机器学习K近邻法KNN
定义输入:训练数据集(T={(x1,y1),(x2,y2),…,(xN,yN)}\left\{(x_1,y_1),(x_2,y_2),\dots,(x_N,y_N)\right\}{(x1,y1),(x2,y2),…,(xN,yN)})其中:xi∈χ⊆Rnx_i\in{\tt\chi}\subseteqR^nxi∈χ⊆Rn:实例的特征向量yi∈yy_i\in{\tty}yi∈y={c1,c2,⋯
- 【大模型系列篇】预训练模型:BERT & GPT
木亦汐丫
大模型bertgpt人工智能预训练模型大模型
2018年,Google首次推出BERT(BidirectionalEncoderRepresentationsfromTransformers)。该模型是在大量文本语料库上结合无监督和监督学习进行训练的。BERT的目标是创建一种语言模型,可以理解句子中单词的上下文和含义,同时考虑到它前后出现的单词。2018年,OpenAI首次推出GPT(GenerativePre-trainedTransfor
- Spark入门:KMeans聚类算法
17111_Chaochao1984a
算法sparkkmeans
聚类(Clustering)是机器学习中一类重要的方法。其主要思想使用样本的不同特征属性,根据某一给定的相似度度量方式(如欧式距离)找到相似的样本,并根据距离将样本划分成不同的组。聚类属于典型的无监督学习(UnsupervisedLearning)方法。与监督学习(如分类器)相比1,无监督学习的训练集没有人为标注的结果。在非监督式学习中,数据并不被特别标识,学习模型是为了推断出数据的一些内在结构。
- 看demo学算法之 自编码器
小琳ai
算法
大家好,这里是小琳AI课堂!今天我们来聊聊自编码器。AE自编码器,全称为Autoencoder,是一种数据压缩算法,它能够通过学习输入数据的有效表示(编码)来重建输入数据(解码)。自编码器通常被用于无监督学习任务,尤其是在降维、特征学习、数据去噪等领域。下面,我将从四个不同的角度来详细解释AE自编码器。1.技术细节自编码器由两部分组成:编码器(encoder)和解码器(decoder)。编码器负责
- AI模型:追求全能还是专精?
Lill_bin
杂谈人工智能分布式zookeeper机器学习游戏
AI模型简介人工智能(AI)模型是人工智能系统的核心,它们是经过训练的算法,能够执行特定的任务,如图像识别、自然语言处理、游戏玩法、预测分析等。AI模型的类型很多,可以根据其功能和应用场景进行分类。常见的AI模型类型包括:监督学习模型:这些模型通过训练数据集学习,数据集中包含了输入和对应的输出标签。例子包括决策树、支持向量机(SVM)、神经网络等。无监督学习模型:这些模型处理没有标签的数据,目的是
- 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
- K近邻(KNN)算法详解及Python实现
天明豆豆
K近邻(KNN)算法详解及Python实现今天浏览网页看到一篇用Python实现K近邻(KNN)算法的详解教程,果断收藏下来,虽然是五年前的文章,可能有些语法已经不适合,但文章语法思路还是可以值得借鉴的,收藏之后以后慢慢研究。KNN依然是一种监督学习算法KNN(KNearestNeighbors,K近邻)算法是机器学习所有算法中理论最简单,最好理解的。KNN是一种基于实例的学习,通过计算新数据与训
- 机器学习在医学中的应用
听忆.
机器学习人工智能
边走、边悟迟早会好机器学习在医学中的应用是一个广泛且复杂的领域,涵盖了从基础研究到临床应用的多个方面。以下是一个万字总结的结构性思路,分章节深入探讨不同应用场景、技术方法、挑战与未来展望。1.引言背景与发展:介绍医学领域的数字化转型以及机器学习的兴起,探讨其在医学中的潜力。机器学习的基本概念:简要介绍机器学习的基本原理、分类(监督学习、非监督学习、强化学习等)和常用算法(如神经网络、支持向量机、随
- STM32学习日志 2020/10/29
曾经有个曾
学习历程stm32
STM32学习日志2020/10/29写在前面part1part2学习目标:学习内容:学习时间:学习产出:技术文档:第一课学习其他学习思路今日复盘写在前面博主今年大二,电赛降至,自己的电子设计领域知识极其匮乏,又甚是想去参加电赛,同时记录下自己学习经历,方便自我回顾和帮后来者踩坑。part1第一次正经写博客,想到哪写到哪,希望各位不要见怪。写作动机:除了记录学习经历之外,另外一个就是自我督促。我一
- 机器学习(2)单变量线性回归
天凉玩个锤子
2.1模型表示我们学习的第一个算法是线性回归算法。在监督学习中,我们有一个数据集,这个数据集被称为训练集(TrainingSet)。我们用小写字母m来表示训练样本的数目。监督学习算法的工作方式以房屋价格的训练为例,将训练集里房屋价格喂给学习算法,学习算法工作后输出一个函数h,h代表hypothesis(假设)。函数h输入为房屋尺寸大小x,h根据输入来得出y值,y值对应房子的价格。因此,h是一个从x
- 机器学习 第9章-聚类
Rin__________
机器学习笔记机器学习聚类支持向量机
机器学习第9章-聚类9.1聚类任务在“无监督学习”(unsupervisedlearning)中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律,为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”(clustering)。聚类试图将数据集中的样本划分为若干个通常是不相交的子集,每个子集称为一个“簇”(cluster)。通过这样的划分,每
- 机器学习:svm算法原理的优缺点和适应场景
夜清寒风
支持向量机算法机器学习
1、概述:基本原理:间隔(Margin):SVM试图找到一个超平面,这个超平面不仅能够区分不同的类别,而且具有最大的间隔。间隔是数据点到超平面的最近距离。支持向量(SupportVectors):这些是距离超平面最近的数据点,它们决定了超平面的位置和方向。支持向量机(SVM)是一种在机器学习领域广泛使用的监督学习模型,它通过找到数据点之间的最优超平面来进行分类或回归分析。以下是SVM算法的一些优缺
- 程序猿成长之路之数据挖掘篇——Kmeans聚类算法
zygswo
数据挖掘数据挖掘算法kmeans
Kmeans是一种可以将一个数据集按照距离(相似度)划分成不同类别的算法,它无需借助外部标记,因此也是一种无监督学习算法。什么是聚类用官方的话说聚类就是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。用自己的话说聚类是根据不同样本数据间的相似度进行种类划分的算法。这种划分可以基于我们的业务需求或建模需求来完成,也可以单纯地帮助我们探索数据的自然结构和分布。什么是K-means聚类用官方的
- 机器学习(ML)算法分类
活蹦乱跳酸菜鱼
机器学习
机器学习(ML)算法是一个广泛而多样的领域,涵盖了多种用于数据分析和模式识别的技术。以下是一些常见的机器学习算法分类及其具体算法:一、监督学习算法监督学习算法使用标记(即已知结果)的训练数据来训练模型,以便对新数据进行预测。线性回归:用于建立连续变量之间的关系,通过拟合一条直线或超平面来预测新数据的输出值。逻辑回归:虽然名称中包含“回归”,但实际上是用于分类问题,特别是二分类问题。通过将线性回归模
- 聚类算法-Kmeans聚类
红米煮粥
机器学习kmeans聚类
一、K-means聚类介绍1.含义K-means聚类是一种非常流行的无监督学习算法,用于将数据点划分为预定义的K个簇(或组),其中每个簇由其质心(即簇中所有点的均值)定义。K-means算法的目标是使簇内的点尽可能紧密地聚集在一起,同时使不同簇之间的点尽可能远离。2.基本步骤:选择K值:首先,你需要决定将数据分成多少个簇,即K的值。K的选择通常是基于问题的上下文或通过一些启发式方法(如肘部法则)来
- 【机器学习】初学者经典案例(随记)
听忆.
机器学习人工智能数据挖掘深度学习语言模型
边走、边悟迟早会好一、概念机器学习是一种利用数据来改进模型性能的计算方法,属于人工智能的一个分支。它旨在让计算机系统通过经验自动改进,而不需要明确编程。类型监督学习:使用带标签的数据进行训练,包括分类(如垃圾邮件检测)和回归(如房价预测)。无监督学习:使用不带标签的数据进行训练,包括聚类(如客户细分)和降维(如主成分分析)。强化学习:通过与环境的交互学习策略,以最大化累积奖励(如AlphaGo)。
- 机器学习概述与应用:深度学习、人工智能与经典学习方法
刷刷刷粉刷匠
人工智能机器学习深度学习
引言机器学习(MachineLearning)是人工智能(AI)领域中最为核心的分支之一,其主要目的是通过数据学习和构建模型,帮助计算机系统自动完成特定任务。随着深度学习(DeepLearning)的崛起,机器学习技术在各行各业中的应用变得越来越广泛。在本文中,我们将详细介绍机器学习的基础概念,包括无监督学习、有监督学习、增量学习,以及常见的回归和分类问题,并结合实际代码示例来加深理解。1.机器学
- 反向传播算法:深度神经网络学习的核心机制
2402_85758936
算法dnn学习
引言深度神经网络(DNNs)之所以在众多领域取得革命性的成功,很大程度上归功于其强大的学习能力,而这一能力的核心是反向传播算法(Backpropagation)。这是一种高效的监督学习算法,用于训练多层前馈神经网络。本文将深入探讨反向传播算法的工作原理及其在DNN中的应用。反向传播算法的基本概念反向传播算法结合了梯度下降优化和链式法则,通过计算损失函数关于网络参数的梯度来更新网络权重。1.损失函数
- 什么是损失函数?
翰霖努力成为专家
万能科普数据挖掘计算机视觉机器学习人工智能自然语言处理神经网络深度学习
损失函数(LossFunction)是在机器学习和深度学习中用来评估模型预测值与真实值之间差异的函数。它的主要目的是量化模型预测的错误程度,以便在训练过程中通过最小化这个错误来优化模型。在监督学习中,我们通常有一组训练数据,包括输入特征(X)和对应的真实标签(Y)。模型的目标是学习一个从输入特征到输出标签的映射函数。损失函数就是用来衡量模型在这个映射过程中产生的误差的函数。不同类型的任务会使用不同
- 深度学习学习经验——强化学习(rl)
Linductor
深度学习学习经验深度学习学习人工智能
强化学习强化学习(ReinforcementLearning,RL)是一种机器学习方法,主要用于让智能体(agent)通过与环境的互动,逐步学习如何在不同情况下采取最佳行动,以最大化其获得的累积回报。与监督学习和无监督学习不同,强化学习并不依赖于已标注的数据集,而是通过智能体在环境中的探索和试错来学习最优策略。强化学习的主要特点:基于试错学习:强化学习中的智能体通过与环境的互动,不断尝试不同的行动
- 第十二课:高效提升分数,构造你的进步回路。
卓_d15c
今天学习了第十二课:高效提升分数,构造你的进步回路。老师给我们细讲了张玲玲考上清华北大和卜子良突破暴力英语的学习经历。我看到的是她们知道了方法,去践行了,去行动。尽管途中非常地艰难,但是他们没有一点退缩和放弃的念头,而且张玲玲的3天刷了5遍,这种精神,真的非常值得我们学习。我也深思自己孩子在学习上存在的远大误区。虽然我知道要做错题本,虽然我也知道要他多复习,可是实际行动上是基本为零。所以说知道做不
- 如何提升大模型的智能水平?
刷刷刷粉刷匠
人工智能机器学习大数据其他
如何让大模型更聪明?随着人工智能技术的飞速发展,大模型在多个领域展现出了前所未有的能力,但它们仍然面临着理解力、泛化能力和适应性等方面的挑战。那么,如何让大模型变得更聪明呢?以下从算法创新、数据质量与多样性、模型架构优化等方向进行详细阐述。一、不断探索和开发新的算法,以提高模型的学习和推理能力算法创新是提升大模型智能的重要途径。通过自监督学习和无监督学习,模型可以在大规模未标注数据上进行高效训练,
- 【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
- 深度探索:决策树算法在机器学习中的原理与应用
生瓜蛋子
机器学习算法机器学习决策树
引言与背景决策树算法作为机器学习领域的一种基础而重要的监督学习方法,以其直观易理解、解释性强以及能处理离散和连续属性等特点,在数据挖掘、数据分析和预测建模等诸多领域占有不可或缺的地位。决策树通过学习训练数据集构建一棵树状结构模型,模拟从根节点到叶节点的决策路径,以此进行样本分类或回归预测。定义决策树算法是一种非参数模型,其核心思想是通过递归地划分数据空间,形成一系列if-then规则,最终构成一棵
- 深度学习--自监督学习
Ambition_LAO
深度学习
自监督学习是一种无需大量人工标注的数据驱动方法,在生成模型中应用广泛。自监督学习通过利用数据中的固有结构或属性创建“伪标签”,使模型在没有人工标签的情况下进行学习。这种方法既提高了模型的训练效率,又降低了对标注数据的依赖。概念自监督学习:自监督学习是一种半监督学习的形式,模型通过从未标注的数据中创建自己的监督信号来进行学习。常见的方法包括通过预测数据的一部分来学习(例如,给定图像的部分,预测其余部
- html
周华华
html
js
1,数组的排列
var arr=[1,4,234,43,52,];
for(var x=0;x<arr.length;x++){
for(var y=x-1;y<arr.length;y++){
if(arr[x]<arr[y]){
&
- 【Struts2 四】Struts2拦截器
bit1129
struts2拦截器
Struts2框架是基于拦截器实现的,可以对某个Action进行拦截,然后某些逻辑处理,拦截器相当于AOP里面的环绕通知,即在Action方法的执行之前和之后根据需要添加相应的逻辑。事实上,即使struts.xml没有任何关于拦截器的配置,Struts2也会为我们添加一组默认的拦截器,最常见的是,请求参数自动绑定到Action对应的字段上。
Struts2中自定义拦截器的步骤是:
- make:cc 命令未找到解决方法
daizj
linux命令未知make cc
安装rz sz程序时,报下面错误:
[root@slave2 src]# make posix
cc -O -DPOSIX -DMD=2 rz.c -o rz
make: cc:命令未找到
make: *** [posix] 错误 127
系统:centos 6.6
环境:虚拟机
错误原因:系统未安装gcc,这个是由于在安
- Oracle之Job应用
周凡杨
oracle job
最近写服务,服务上线后,需要写一个定时执行的SQL脚本,清理并更新数据库表里的数据,应用到了Oracle 的 Job的相关知识。在此总结一下。
一:查看相关job信息
1、相关视图
dba_jobs
all_jobs
user_jobs
dba_jobs_running 包含正在运行
- 多线程机制
朱辉辉33
多线程
转至http://blog.csdn.net/lj70024/archive/2010/04/06/5455790.aspx
程序、进程和线程:
程序是一段静态的代码,它是应用程序执行的蓝本。进程是程序的一次动态执行过程,它对应了从代码加载、执行至执行完毕的一个完整过程,这个过程也是进程本身从产生、发展至消亡的过程。线程是比进程更小的单位,一个进程执行过程中可以产生多个线程,每个线程有自身的
- web报表工具FineReport使用中遇到的常见报错及解决办法(一)
老A不折腾
web报表finereportjava报表报表工具
FineReport使用中遇到的常见报错及解决办法(一)
这里写点抛砖引玉,希望大家能把自己整理的问题及解决方法晾出来,Mark一下,利人利己。
出现问题先搜一下文档上有没有,再看看度娘有没有,再看看论坛有没有。有报错要看日志。下面简单罗列下常见的问题,大多文档上都有提到的。
1、address pool is full:
含义:地址池满,连接数超过并发数上
- mysql rpm安装后没有my.cnf
林鹤霄
没有my.cnf
Linux下用rpm包安装的MySQL是不会安装/etc/my.cnf文件的,
至于为什么没有这个文件而MySQL却也能正常启动和作用,在这儿有两个说法,
第一种说法,my.cnf只是MySQL启动时的一个参数文件,可以没有它,这时MySQL会用内置的默认参数启动,
第二种说法,MySQL在启动时自动使用/usr/share/mysql目录下的my-medium.cnf文件,这种说法仅限于r
- Kindle Fire HDX root并安装谷歌服务框架之后仍无法登陆谷歌账号的问题
aigo
root
原文:http://kindlefireforkid.com/how-to-setup-a-google-account-on-amazon-fire-tablet/
Step 4: Run ADB command from your PC
On the PC, you need install Amazon Fire ADB driver and instal
- javascript 中var提升的典型实例
alxw4616
JavaScript
// 刚刚在书上看到的一个小问题,很有意思.大家一起思考下吧
myname = 'global';
var fn = function () {
console.log(myname); // undefined
var myname = 'local';
console.log(myname); // local
};
fn()
// 上述代码实际上等同于以下代码
m
- 定时器和获取时间的使用
百合不是茶
时间的转换定时器
定时器:定时创建任务在游戏设计的时候用的比较多
Timer();定时器
TImerTask();Timer的子类 由 Timer 安排为一次执行或重复执行的任务。
定时器类Timer在java.util包中。使用时,先实例化,然后使用实例的schedule(TimerTask task, long delay)方法,设定
- JDK1.5 Queue
bijian1013
javathreadjava多线程Queue
JDK1.5 Queue
LinkedList:
LinkedList不是同步的。如果多个线程同时访问列表,而其中至少一个线程从结构上修改了该列表,则它必须 保持外部同步。(结构修改指添加或删除一个或多个元素的任何操作;仅设置元素的值不是结构修改。)这一般通过对自然封装该列表的对象进行同步操作来完成。如果不存在这样的对象,则应该使用 Collections.synchronizedList 方
- http认证原理和https
bijian1013
httphttps
一.基础介绍
在URL前加https://前缀表明是用SSL加密的。 你的电脑与服务器之间收发的信息传输将更加安全。
Web服务器启用SSL需要获得一个服务器证书并将该证书与要使用SSL的服务器绑定。
http和https使用的是完全不同的连接方式,用的端口也不一样,前者是80,后
- 【Java范型五】范型继承
bit1129
java
定义如下一个抽象的范型类,其中定义了两个范型参数,T1,T2
package com.tom.lang.generics;
public abstract class SuperGenerics<T1, T2> {
private T1 t1;
private T2 t2;
public abstract void doIt(T
- 【Nginx六】nginx.conf常用指令(Directive)
bit1129
Directive
1. worker_processes 8;
表示Nginx将启动8个工作者进程,通过ps -ef|grep nginx,会发现有8个Nginx Worker Process在运行
nobody 53879 118449 0 Apr22 ? 00:26:15 nginx: worker process
- lua 遍历Header头部
ronin47
lua header 遍历
local headers = ngx.req.get_headers()
ngx.say("headers begin", "<br/>")
ngx.say("Host : ", he
- java-32.通过交换a,b中的元素,使[序列a元素的和]与[序列b元素的和]之间的差最小(两数组的差最小)。
bylijinnan
java
import java.util.Arrays;
public class MinSumASumB {
/**
* Q32.有两个序列a,b,大小都为n,序列元素的值任意整数,无序.
*
* 要求:通过交换a,b中的元素,使[序列a元素的和]与[序列b元素的和]之间的差最小。
* 例如:
* int[] a = {100,99,98,1,2,3
- redis
开窍的石头
redis
在redis的redis.conf配置文件中找到# requirepass foobared
把它替换成requirepass 12356789 后边的12356789就是你的密码
打开redis客户端输入config get requirepass
返回
redis 127.0.0.1:6379> config get requirepass
1) "require
- [JAVA图像与图形]现有的GPU架构支持JAVA语言吗?
comsci
java语言
无论是opengl还是cuda,都是建立在C语言体系架构基础上的,在未来,图像图形处理业务快速发展,相关领域市场不断扩大的情况下,我们JAVA语言系统怎么从这么庞大,且还在不断扩大的市场上分到一块蛋糕,是值得每个JAVAER认真思考和行动的事情
- 安装ubuntu14.04登录后花屏了怎么办
cuiyadll
ubuntu
这个情况,一般属于显卡驱动问题。
可以先尝试安装显卡的官方闭源驱动。
按键盘三个键:CTRL + ALT + F1
进入终端,输入用户名和密码登录终端:
安装amd的显卡驱动
sudo
apt-get
install
fglrx
安装nvidia显卡驱动
sudo
ap
- SSL 与 数字证书 的基本概念和工作原理
darrenzhu
加密ssl证书密钥签名
SSL 与 数字证书 的基本概念和工作原理
http://www.linuxde.net/2012/03/8301.html
SSL握手协议的目的是或最终结果是让客户端和服务器拥有一个共同的密钥,握手协议本身是基于非对称加密机制的,之后就使用共同的密钥基于对称加密机制进行信息交换。
http://www.ibm.com/developerworks/cn/webspher
- Ubuntu设置ip的步骤
dcj3sjt126com
ubuntu
在单位的一台机器完全装了Ubuntu Server,但回家只能在XP上VM一个,装的时候网卡是DHCP的,用ifconfig查了一下ip是192.168.92.128,可以ping通。
转载不是错:
Ubuntu命令行修改网络配置方法
/etc/network/interfaces打开后里面可设置DHCP或手动设置静态ip。前面auto eth0,让网卡开机自动挂载.
1. 以D
- php包管理工具推荐
dcj3sjt126com
PHPComposer
http://www.phpcomposer.com/
Composer是 PHP 用来管理依赖(dependency)关系的工具。你可以在自己的项目中声明所依赖的外部工具库(libraries),Composer 会帮你安装这些依赖的库文件。
中文文档
入门指南
下载
安装包列表
Composer 中国镜像
- Gson使用四(TypeAdapter)
eksliang
jsongsonGson自定义转换器gsonTypeAdapter
转载请出自出处:http://eksliang.iteye.com/blog/2175595 一.概述
Gson的TypeAapter可以理解成自定义序列化和返序列化 二、应用场景举例
例如我们通常去注册时(那些外国网站),会让我们输入firstName,lastName,但是转到我们都
- JQM控件之Navbar和Tabs
gundumw100
htmlxmlcss
在JQM中使用导航栏Navbar是简单的。
只需要将data-role="navbar"赋给div即可:
<div data-role="navbar">
<ul>
<li><a href="#" class="ui-btn-active&qu
- 利用归并排序算法对大文件进行排序
iwindyforest
java归并排序大文件分治法Merge sort
归并排序算法介绍,请参照Wikipeida
zh.wikipedia.org/wiki/%E5%BD%92%E5%B9%B6%E6%8E%92%E5%BA%8F
基本思想:
大文件分割成行数相等的两个子文件,递归(归并排序)两个子文件,直到递归到分割成的子文件低于限制行数
低于限制行数的子文件直接排序
两个排序好的子文件归并到父文件
直到最后所有排序好的父文件归并到输入
- iOS UIWebView URL拦截
啸笑天
UIWebView
本文译者:candeladiao,原文:URL filtering for UIWebView on the iPhone说明:译者在做app开发时,因为页面的javascript文件比较大导致加载速度很慢,所以想把javascript文件打包在app里,当UIWebView需要加载该脚本时就从app本地读取,但UIWebView并不支持加载本地资源。最后从下文中找到了解决方法,第一次翻译,难免有
- 索引的碎片整理SQL语句
macroli
sql
SET NOCOUNT ON
DECLARE @tablename VARCHAR (128)
DECLARE @execstr VARCHAR (255)
DECLARE @objectid INT
DECLARE @indexid INT
DECLARE @frag DECIMAL
DECLARE @maxfrag DECIMAL
--设置最大允许的碎片数量,超过则对索引进行碎片
- Angularjs同步操作http请求with $promise
qiaolevip
每天进步一点点学习永无止境AngularJS纵观千象
// Define a factory
app.factory('profilePromise', ['$q', 'AccountService', function($q, AccountService) {
var deferred = $q.defer();
AccountService.getProfile().then(function(res) {
- hibernate联合查询问题
sxj19881213
sqlHibernateHQL联合查询
最近在用hibernate做项目,遇到了联合查询的问题,以及联合查询中的N+1问题。
针对无外键关联的联合查询,我做了HQL和SQL的实验,希望能帮助到大家。(我使用的版本是hibernate3.3.2)
1 几个常识:
(1)hql中的几种join查询,只有在外键关联、并且作了相应配置时才能使用。
(2)hql的默认查询策略,在进行联合查询时,会产
- struts2.xml
wuai
struts
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE struts PUBLIC
"-//Apache Software Foundation//DTD Struts Configuration 2.3//EN"
"http://struts.apache