- 自然语言处理(NLP)与机器学习:深度探索两者的关系
听忆.
自然语言处理机器学习人工智能
自然语言处理(NLP)与机器学习:深度探索两者的关系1.自然语言处理(NLP)的概述NLP的主要任务包括:2.机器学习(ML)的概述机器学习的主要类型包括:3.NLP与机器学习的关系1.机器学习驱动NLP任务2.深度学习与NLP的结合4.NLP和ML的相互促进5.挑战与未来展望边走、边悟迟早会好自然语言处理(NLP)与机器学习(ML)有着密切的关系,二者结合在一起可以实现自动化文本分析、语音识别、
- 【深度学习】embedding的简单理解
旅途中的宽~
深度学习笔记深度学习embedding
文章目录一、简单理解二、其他通俗理解一、简单理解特征嵌入,将数据转换(降维)为固定大小的特征表示(矢量),以便于处理和计算(如求距离)。例如,针对用于说话者识别的语音信号训练的模型可以允许您将语音片段转换为数字向量,使得来自相同说话者的另一片段与原始向量具有小的距离(例如,欧几里德距离)。embedding的主要目的是对(稀疏)特征进行降维,它降维的方式可以类比为一个全连接层(没有激活函数),通过
- Datawhale X 李宏毅苹果书AI夏令营深度学习详解进阶Task02
z are
人工智能深度学习
目录一、自适应学习率二、学习率调度三、优化总结四、分类五、问题与解答本文了解到梯度下降是深度学习中最为基础的优化算法,其核心思想是沿着损失函数的梯度方向更新模型参数,以最小化损失值。公式如下:θt+1←θt-η*∇θL(θt)其中,θ表示模型参数,η表示学习率,L表示损失函数,∇θL表示损失函数关于参数的梯度。然而,梯度下降在复杂误差表面上存在局限性。例如,在鞍点或局部最小值处,梯度接近零,导致模
- 深度学习中Embedding的理解
普通攻击往后拉
神经网络基础模型关键点NN技巧深度学习embedding人工智能
Embedding这个概念翻译过来的意思就是嵌入,就是把一个大的东西想办法嵌入到一个小的地方。在深度学习领域,Embedding一般用于代表某个类目的全部相关信息,表现形式为一个向量。1、Embedding常见的操作有两个:加法和拼接,含义完全不同Embedding的加法一般用于同类目的不同物品的合集表示。这个可以按照one-hot的思维去理解。为什么用one-hot而不用二进制去表示不同物品呢?
- 深度学习速通系列:贝叶思&SVM
Ven%
支持向量机人工智能深度学习算法机器学习
贝叶斯(Bayesian)方法和支持向量机(SVM,SupportVectorMachine)是两种不同的机器学习算法,它们在解决分类和回归问题时有着不同的原理和应用场景贝叶斯方法:贝叶斯方法基于贝叶斯定理,这是一种利用已知信息(先验概率)来预测未知事件(后验概率)的概率方法。它通常用于分类问题,特别是当数据集较小或存在类别不平衡时。贝叶斯方法可以处理不确定性,并且可以通过增加新的数据来更新先验概
- 机器学习和深度学习·贝叶斯优化和optuna
0xMayL
#深度学习机器学习#模型评估机器学习深度学习人工智能
贝叶斯优化贝叶斯优化的思想先验:取点似然:假设分布取了n个点之后…后验:近似取得极值贝叶斯优化的数学过程在贝叶斯优化的数学过程当中,我们主要执行以下几个步骤:1定义需要估计的f(x)f(x)f(x)以及xxx的定义域2取出有限的n个xxx上的值,求解出这些xxx对应的f(x)f(x)f(x)(求解观测值)3根据有限的观测值,对函数分布进行假设(该假设被称为贝叶斯优化中的先验知识),得出该假设分布上
- 【ShuQiHere】《机器学习的进化史『下』:从神经网络到深度学习的飞跃》
ShuQiHere
机器学习深度学习神经网络
【ShuQiHere】引言:神经网络与深度学习的兴起在上篇文章中,我们回顾了机器学习的起源与传统模型的发展历程,如线性回归、逻辑回归和支持向量机(SVM)。然而,随着数据规模的急剧增长和计算能力的提升,传统模型在处理复杂问题时显得力不从心。在这种背景下,神经网络重新进入了研究者们的视野,并逐步演变为深度学习,成为解决复杂问题的强大工具。今天,我们将进一步探索从神经网络到深度学习的进化历程,揭示这些
- PyTorch深度学习实战(27)—— PyTorch分布式训练
shangjg3
PyTorch深度学习实战深度学习pytorch分布式python
本节将详细介绍如何进行神经网络的分布式训练。其中1.1将结合MPI介绍分布式训练的基本流程,1.2与1.3将分别介绍如何使用torch.distributed以及Horovod进行神经网络的分布式训练。1PyTorch分布式训练1.1使用MPI进行分布式训练下面讲解如何利用MPI进行PyTorch的分布式训练。这里主要介绍的是数据并行的分布式方法:每一块GPU都有同一个模型的副本,仅加载不同的数据
- 论文浅尝 - AAAI2020 | 迈向建立多语言义元知识库:用于 BabelNet Synsets 义元预测...
开放知识图谱
机器学习人工智能知识图谱自然语言处理深度学习
论文笔记整理:潘锐,天津大学硕士。来源:AAAI2020链接:https://arxiv.org/pdf/1912.01795.pdf摘要义原被定义为人类语言的最小语义单位。义原知识库(KBs)是一种包含义原标注词汇的知识库,它已成功地应用于许多自然语言处理任务中。然而,现有的义原知识库建立在少数几种语言上,阻碍了它们的广泛应用。为此论文提出在多语种百科全书词典BabelNet的基础上建立一个统一
- PyTorch Geometric(torch_geometric)简介
小桥流水---人工智能
机器学习算法深度学习人工智能pytorch人工智能python
在深入探讨PyTorchGeometric(通常简称为PyG)之前,我们先了解一下它的背景和应用。PyG是基于PyTorch的一个扩展库,专为图数据和图网络模型设计。图网络是深度学习领域的一种强大工具,它能够处理结构化数据,如社交网络、分子结构、交通网络等。PyTorchGeometric的主要功能数据处理与加载:图数据的简化表示:PyG提供了一种高效的方式来表示和存储图数据。主要是通过Data对
- 深入理解PyTorch中的`torch.topk`函数!!!(个人总结,为了方便我自己复习,要是同时也能帮助到大家就更好了)
小桥流水---人工智能
人工智能深度学习机器学习算法pytorch人工智能python
torch.topk深入理解PyTorch中的`torch.topk`函数1.`torch.topk`函数概述函数签名返回值2.基本用法示例1:找到一维张量的最大值示例2:在二维张量的指定维度上操作3.高级应用4.结论深入理解PyTorch中的torch.topk函数在深度学习和数据处理中,经常需要对数据进行排序并提取最重要的部分。PyTorch提供了一个非常有用的函数torch.topk,它能够
- 在 PyTorch 中,`permute` 方法是一个强大的工具,用于重排张量的维度。
小桥流水---人工智能
人工智能机器学习算法深度学习pytorch人工智能python
在PyTorch中,permute方法是一个强大的工具,用于重排张量的维度。这在深度学习中非常有用,尤其是在处理具有多维数据(如图像、视频或复杂数组)的神经网络时。PyTorch中的permute方法详解1.permute方法概述在PyTorch中,permute方法允许用户重新排列张量的维度。这与NumPy的transpose方法类似,但提供了更灵活的多维重排能力。该方法非常有用,例如,当你需要
- PyTorch概述
fydw_715
pytorchpytorch人工智能python
PyTorch是一个开源的机器学习框架,由Facebook的人工智能研究团队开发。它广泛用于深度学习和神经网络的研究和开发。PyTorch以其动态计算图、灵活性和简单易用的接口而闻名,深受研究人员和开发者的喜爱。以下是PyTorch的一些重要模块及其功能:torch简介:这是PyTorch的核心库,提供了张量(tensor)操作的基本功能。功能:支持张量的创建、操作和转换,涵盖数学运算、线性代数操
- [Scene Graph] 图神经网络的核心方法——Message Passing
风中摇曳的小萝卜
SceneGraph神经网络深度学习机器学习人工智能
GNN中的MessagePassing方法解析一、GNN中是如何实现特征学习的?深度学习方法的兴起是从计算图像处理(ComputerVision)领域开始的。以卷积神经网络(CNN)为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据(structureddata)十分有效,例如,图像和体素数据。但是,CNN的处理方式对于类似图(graph)数据则并不适用。对于一个图而言,类似图像像素的邻
- 基于深度学习的分子生成
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的分子生成是一项结合化学、计算科学与人工智能的新兴领域,旨在利用深度学习模型来生成具有特定性质的分子结构。该技术在药物发现、材料科学和合成化学等领域具有广泛的应用前景。以下是详细的介绍:1.背景与动机化学空间的广阔性:分子化学空间非常庞大,可能包含10^60以上的不同分子结构。传统的分子设计方法主要依赖于实验和规则生成,这在探索巨大化学空间时显得效率低下且成本高昂。药物发现的挑战:在药
- 基于深度学习的人类行为模仿
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的人类行为模仿是指利用深度学习技术构建模型,使计算机系统能够学习、理解、并模仿人类的行为。通过模拟人类的动作、决策过程、情感反应等行为,相关技术在机器人、虚拟助手、人机交互等领域具有广泛的应用前景。1.背景与意义1.1人类行为的复杂性多模态数据:人类行为包含视觉、听觉、触觉、语言等多种感知信息,如何综合分析这些多模态数据以理解和模仿人类行为是一个挑战。情境依赖性:人类行为通常依赖于特定
- 爆改yolov8|利用BSAM改进YOLOv8,高效涨点
不想敲代码!!!
爆改yolov8即插即用YOLOyolov8目标检测人工智能深度学习
1,本文介绍BSAM基于CBAM进行改进,经实测在多个数据集上都有涨点。BSAM(BiLevelSpatialAttentionModule)是一个用于提升深度学习模型在空间特征处理中的能力的模块。它主要通过双层注意力机制来增强模型对重要空间信息的关注,从而提升任务性能。核心特点:双层空间注意力:BSAM结合了两个层次的注意力机制——全局和局部。全局注意力捕捉图像或特征图的整体信息,而局部注意力则
- 基于yolov8的8种人脸表情检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLOpython开发语言
【算法介绍】基于YOLOv8的人脸表情检测系统是一个结合了先进目标检测算法(YOLOv8)与深度学习技术的项目,旨在实时或离线地识别并分类人脸表情(如快乐、悲伤、愤怒、惊讶、恐惧、厌恶、中立等)。以下是一个简短的介绍,概述了该系统Python源码的核心要点:该系统直接利用YOLOv8模型进行人脸表情识别。YOLOv8以其高效的速度和准确性著称,非常适合实时应用。Python源码实现通常包括以下几个
- AI如何创造情绪价值
学客汇
商业研究商业观察大模型人工智能生成式AI大模型应用AI与情绪管理AI应用
随着科技的飞速发展,人工智能(AI)已经渗透到我们生活的方方面面。从智能家居到自动驾驶,从医疗辅助到金融服务,AI技术的身影无处不在。而如今,AI更是涉足了一个全新的领域——创造情绪价值。AI已经能够处理和分析大量的文本、图像、音频和视频数据,从中提取和识别出人类的情感信息。AI技术通过模拟人类神经网络的工作方式,对复杂的数据进行深度学习和理解,逐渐具备了处理人类情感的能力。在客户服务领域,情绪识
- 深度学习:探索人工智能的无限可能
木小梦(๑• . •๑)
人工智能深度学习
引言:在当今这个数字化时代,人工智能(AI)已经成为了一个热门话题。从自动驾驶汽车到智能助手,AI正在逐渐改变我们的生活方式。而在AI领域,深度学习是近年来发展最为迅速的一个分支。本文将深入探讨深度学习及其相关领域,包括计算机视觉、自然语言处理、神经网络和强化学习。1.深度学习深度学习是一种基于人工神经网络的机器学习方法,它试图模拟人脑的工作方式,通过训练大量数据来自动学习数据的内在规律和表示层次
- 深度学习100问7-向量降维的算法有那些
不断持续学习ing
深度学习机器学习人工智能
一、主成分分析(PCA)PCA就像你整理一堆考试成绩单。假如成绩单上有好多科目成绩,这就像一个高维向量。但有些科目成绩关系很紧密,比如数学好的同学一般物理也不错,化学也还行。那PCA就会找这些成绩单里最主要的特点,把关系近的科目合成几个新的“大科目”。这样就把原来很多科目的高维向量变成几个“大科目”的低维向量啦。二、奇异值分解(SVD)SVD呢,就好比你有一本很厚的书。书的每一页上的字可以看成一个
- [论文笔记] LLM数据集——LongData-Corpus
心心喵
论文笔记服务器ubuntulinux
https://huggingface.co/datasets/yuyijiong/LongData-Corpus1、hf的数据在开发机上要设置sshkey,然后cat复制之后在设置在hf上2、中文小说数据在云盘上清华大学云盘下载:#!/bin/bash#BaseURLbase_url="https://cloud.tsinghua.edu.cn/d/0670fcb14d294c97b5cf/fi
- 基于yolov8的绝缘子缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的绝缘子缺陷检测系统是一种利用先进深度学习技术的高效解决方案,旨在提升电力行业中输电线路的维护和监控水平。YOLOv8作为YOLO系列算法的最新版本,具备更高的检测速度和精度,特别适用于实时物体检测任务。该系统通过深入分析并标注绝缘子数据集,训练YOLOv8模型以精确识别输电线上的绝缘子及其缺陷状态。利用多尺度检测、FPN结构以及CSPDarknet网络等技术,YOLO
- 机器学习和深度学习中常见损失函数,包括损失函数的数学公式、推导及其在不同场景中的应用
早起星人
机器学习深度学习人工智能
目录引言什么是损失函数?常见损失函数介绍3.1均方误差(MeanSquaredError,MSE)3.2交叉熵损失(Cross-EntropyLoss)3.3平滑L1损失(SmoothL1Loss)3.4HingeLoss(合页损失)3.5二进制交叉熵损失(BinaryCross-EntropyLoss)3.6KL散度(KLDivergence)3.7Huber损失(HuberLoss)3.8对比
- Python在神经网络中优化激活函数选择使用详解
Rocky006
python开发语言
概要在神经网络中,激活函数扮演着至关重要的角色。它的主要作用是引入非线性因素,使得神经网络能够处理复杂的非线性问题。如果没有激活函数,神经网络仅仅是线性模型的堆叠,无法胜任深度学习中的各种任务。本文将深入探讨几种常用的激活函数,包括Sigmoid、Tanh、ReLU及其变种,并通过具体的代码示例展示它们在Python中的实现和应用。激活函数的重要性激活函数将输入信号进行非线性转换,从而增强神经网络
- 增强语音对车载语音质量测试的挑战
众乐认证
itu
一、什么是增强语音语音助手是实现智慧车联的关键之一,通过助手,方可去掉按键。其中一个比较典型的功能就是目前比较流行的enhancedsiri。二、增强语音的难点1.语音合成技术语音合成技术在车内环境中的表现至关重要。语音合成采用了混合单元选择系统,结合了单元选择和参数合成的优势,并通过深度学习进一步提升了语音质量。这种技术的应用,使得语音助手能够在车内环境中提供流畅自然且易于理解的语音交互体验。2
- TensorFlow和它的弟弟们
活蹦乱跳酸菜鱼
tensorflow人工智能python
TensorFlow、TensorFlowLite、TensorFlowLiteMicro是Google在深度学习领域推出的三个不同产品,它们各自有着不同的设计目标和适用场景。以下是它们之间的主要区别:1.TensorFlow(PC\GPU)设计目标:TensorFlow是一个开源的机器学习框架,由GoogleBrain团队开发,旨在帮助开发者构建和训练深度学习模型。它支持多种编程语言(如Pyth
- Datawhale AI夏令营-task03
ghost_him
人工智能
DatawhaleAI夏令营-task03笔记来源:DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术,尤其是在处理图像和视频数据时。**数据增强的目的是通过人工方式增加训练数据的多样性,从而提高模型的泛化能力,使其能够在未见过的数据上表现得更好。**数据增强涉及对原始数据进行一系列的变换操作,生成新的训练样本。这些变换模拟了真实世界中的变化,对于图像而言,数
- 释放GPU潜能:PyTorch中torch.nn.DataParallel的数据并行实践
2401_85762266
pytorch人工智能python
释放GPU潜能:PyTorch中torch.nn.DataParallel的数据并行实践在深度学习模型的训练过程中,计算资源的需求往往随着模型复杂度的提升而增加。PyTorch,作为当前领先的深度学习框架之一,提供了torch.nn.DataParallel这一工具,使得开发者能够利用多个GPU进行数据并行处理,从而显著加速模型训练。本文将详细介绍如何在PyTorch中使用torch.nn.Dat
- 每天一个数据分析题(五百零五)- 提升方法
跟着紫枫学姐学CDA
数据分析题库数据分析
提升方法(Boosting),是一种可以用来减小监督式学习中偏差的机器学习算法。基于Boosting的集成学习,其代表算法不包括?A.AdaboostB.GBDTC.XGBOOSTD.随机森林数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库,数据
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR