- 【AI大模型】Transformers大模型库(九):大模型微调之计算微调参数占比
LDG_AGI
人工智能
目录一、引言二、计算微调参数占比2.1概述2.2模型参数结构一览2.3微调参数占比计算三、总结一、引言这里的Transformers指的是huggingface开发的大模型库,为huggingface上数以万计的预训练大模型提供预测、训练等服务。Transformers提供了数以千计的预训练模型,支持100多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨是让最先进的NLP技术人人
- Transformer模型详解
Yuki-^_^
Transformer模型详解人工智能transformer深度学习人工智能
导读Transformer在许多的人工智能领域,如自然语言处理(NaturalLanguageProcessing,NLP)、计算机视觉(ComputerVision,CV)和语音处理(SpeechProcessing,SP)取得了巨大的成功。因此,自然而然的也吸引了许多工业界和学术界的研究人员的兴趣。到目前为止,已经提出了大量基于Transformer的相关工作和综述。本文基于邱锡鹏[1]老师近
- AIGC从入门到实战:探秘:ChatGPT 到底是什么
AI天才研究院
计算AI大模型企业级应用开发实战ChatGPT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1.1人工智能的浪潮近年来,人工智能(AI)发展迅猛,其应用已深入到各个领域,从自动驾驶汽车到智能家居,再到医疗诊断,AI正在改变我们的生活方式。其中,自然语言处理(NLP)作为AI的重要分支,近年来取得了显著进展,而AIGC(AI-GeneratedContent)正是NLP领域的一颗璀璨明珠。1.2AIGC的兴起AIGC指的是利用AI技术自动生成内容,包括文本、图像、音频、视频等。
- 2W8000字 LLM架构文章阅读指北
人工智能
大模型架构专栏已经更新了30多篇文章。完整的专栏内容欢迎订阅:LLM架构专栏1、LLM大模型架构专栏||从NLP基础谈起2、LLM大模型架构专栏||自然语言处理(NLP)之建模3、LLM大模型架构之词嵌入(Part1)3、LLM大模型架构之词嵌入(Part2)3、LLM大模型架构之词嵌入(Part3)4、LLM架构从基础到精通之Word2Vec训练全解析5、LLM架构从基础到精通之循环神经网络(R
- 自然语言处理之语法解析:BERT:自然语言处理基础理论
zhubeibei168
自然语言处理1024程序员节自然语言处理bert语音识别人工智能
自然语言处理之语法解析:BERT:自然语言处理基础理论自然语言处理基础自然语言处理的定义与应用自然语言处理(NaturalLanguageProcessing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究如何处理和运用自然语言;自然语言认知则是指让计算机“懂”人类的语言。NLP建立于20世纪50年代,随着计算机技术的飞速发展,NLP技术在信息检索、文本挖掘、语音识别、机器翻译、情
- DeepSeek应用场景及其解决的问题
杏花春雨江南
自然语言处理
DeepSeek是一种基于深度学习的智能技术,能够处理复杂的非结构化数据(如文本、图像、语音等),并在企业级应用开发中发挥重要作用。以下是DeepSeek在企业级应用开发中的典型应用场景及其解决的问题:1.企业知识管理与智能搜索场景:企业拥有大量的文档、报告、邮件、会议记录等非结构化数据,员工需要快速找到相关信息。DeepSeek的作用:通过语义搜索和自然语言处理(NLP),DeepSeek可以理
- 在nodejs中使用ElasticSearch(三)通过ES语义检索,实现RAG
konglong127
nodejselasticsearch搜索引擎node.js全文检索后端
RAG(Retrieval-AugmentedGeneration)是一种结合了信息检索和生成模型的技术,旨在提高生成模型的知识获取和生成能力。它通过在生成的过程中引入外部知识库或文档(如数据库、搜索引擎或文档存储),帮助生成更为准确和丰富的答案。RAG在自然语言处理(NLP)领域,特别是在对话生成、问答系统和文本摘要等任务中,具有非常重要的应用。它的核心思想是,生成模型不仅依赖于模型内部的知识,
- 穿越AI边界:深度集成DeepSeek API与云平台的实践之路
云边有个稻草人
热门文章人工智能DeepSeek大数据集成DeepSeekAPIDeepSeek算法阿里云百炼平台集成
云边有个稻草人-CSDN博客随着人工智能技术的日益发展,深度学习和自然语言处理(NLP)已经在很多领域得到了广泛的应用。DeepSeek作为一款领先的大型语言生成模型,凭借其强大的推理和生成能力,已经被越来越多的开发者和行业专家所青睐。通过DeepSeek提供的API接口,开发者可以在多个领域中实现先进的自然语言理解和生成任务。本文将深入探讨如何使用Python调用DeepSeek的API接口,并
- 自然语言处理NLP入门 -- 第八节OpenAI GPT 在 NLP 任务中的应用
山海青风
人工智能gpt自然语言处理python
在前面的学习中,我们已经了解了如何使用一些经典的方法和模型来处理自然语言任务,如文本分类、命名实体识别等。但当我们需要更强的语言生成能力时,往往会求助于更先进的预训练语言模型。OpenAI旗下的GPT系列模型(如GPT-3、GPT-3.5、GPT-4等)在生成文本方面拥有强大的表现。它们不仅能进行语言生成,也可用于诸多NLP任务,包括文本摘要和情感分析。本章将重点介绍:GPT的文本生成原理和应用场
- DeepSeek怎么用,DeepSeek使用指南最全合集(保姆级教程)
xiecoding.cn
deepseekdeepseek使用指南deepseek怎么用deepseek免费教学deepseek资料合集
DeepSeek是一款由国内顶尖团队开发的人工智能大模型,旨在为用户提供高效、智能的问答和知识服务。作为国产AI模型的代表,DeepSeek不仅在自然语言处理(NLP)领域表现出色,还在多个应用场景中展现了强大的能力。与ChatGPT等国际知名模型相比,DeepSeek在中文语境下的表现尤为突出,能够更好地理解中文的复杂语义和文化背景。DeepSeek使用资源下载为了方便大家更好地学习和使用Dee
- J-LangChain,用Java实现LangChain编排!轻松加载PDF、切分文档、向量化存储,再到智能问答
花千树-010
JLangChain-TGlangchainjavapdfAIGCnlpAI编程
Java如何玩转大模型编排、RAG、Agent???在自然语言处理(NLP)的浪潮中,LangChain作为一种强大的模型编排框架,已经在Python社区中广受欢迎。然而,对于Java开发者来说,能否有一个同样高效、灵活的工具来实现类似功能?答案是肯定的!今天,我们将聚焦J-LangChain——一个专为Java打造的LangChain实现,带你探索如何用Java语言轻松构建从PDF处理到智能问答
- LangChain教程 - RAG - PDF问答
花千树-010
LangChainlangchainpdfAIGCpythonnlpembedding人工智能
系列文章索引LangChain教程-系列文章在现代自然语言处理(NLP)中,基于文档内容的问答系统变得愈发重要,尤其是当我们需要从大量文档中提取信息时。通过结合文档检索和生成模型(如RAG,Retrieval-AugmentedGeneration),我们可以构建强大的问答系统。本博客将详细介绍如何使用FastAPI和LangChain框架,创建一个基于PDF文档的RAG问答API。一、背景在许多
- 深度学习开源数据集大全:从入门到前沿
念九_ysl
AI人工智能
在深度学习中,数据是模型训练的基石。本文整理了当前最常用且高质量的开源数据集,涵盖图像、视频、自然语言处理(NLP)、语音与音频等方向,帮助研究者和开发者快速定位所需资源。一、图像类数据集1.MNIST简介:手写数字识别领域的“HelloWorld”,包含6万张训练图像和1万张测试图像,尺寸为28×28的灰度图。特点:适合入门级图像分类任务,支持快速验证算法原型28。下载地址:MNIST官网2.I
- 揭开人工智能中 Tokens 的神秘面纱
东锋1.3
人工智能easyui前端javascript
揭开人工智能中Tokens的神秘面纱在人工智能,尤其是自然语言处理(NLP)领域,"tokens"是一个频繁出现且至关重要的概念。对于理解语言模型如何处理和理解人类语言,tokens起着基础性的作用。那么,究竟什么是tokens呢?它又在人工智能系统中扮演着怎样关键的角色?让我们一探究竟。什么是Tokens简单来说,tokens是将文本分割成的一个个基本单元。当我们输入一段文字时,人工智能模型不会
- 自然语言处理NLP入门 -- 第十节简单的聊天机器人
山海青风
#自然语言处理自然语言处理chatgpt
一、为什么要做聊天机器人?在互联网时代,我们日常接触到的“在线客服”“自动问答”等,大多是以聊天机器人的形式出现。它能帮我们快速回复常见问题,让用户获得及时的帮助,并在一定程度上减少人工客服的压力。同时,聊天机器人也是了解自然语言处理(NLP)最好的实战项目之一。因为它整合了文字理解(NLU)、对话管理、文本生成(NLG)等多方面知识,既能看到很直观的对话效果,也能结合深度学习模型让机器人变得更智
- 自然语言处理NLP入门 -- 第一节基础概念
山海青风
#自然语言处理自然语言处理人工智能python
本部分主要介绍NLP的基础概念,并通过实际案例演示NLP的核心任务,同时引导你搭建NLP开发环境,确保你能顺利开始后续学习。1.什么是自然语言处理(NLP)1.1NLP的定义自然语言处理(NaturalLanguageProcessing,NLP)是人工智能(AI)的一个子领域,专注于让计算机理解、解释和生成人类语言。NLP结合了计算机科学、语言学和机器学习,以便计算机能自动处理文本和语音数据。简
- 【大模型】大模型分类
IT古董
人工智能人工智能大模型
大模型(LargeModels)通常指参数量巨大、计算能力强大的机器学习模型,尤其在自然语言处理(NLP)、计算机视觉(CV)等领域表现突出。以下是大模型的常见分类方式:1.按应用领域分类自然语言处理(NLP)模型如GPT-3、BERT、T5等,主要用于文本生成、翻译、问答等任务。计算机视觉(CV)模型如ResNet、EfficientNet、VisionTransformer(ViT)等,用于图
- 全网国内外总结Prompt&LLM论文,开源数据&模型,AIGC应用(持续更新,收藏查看)
代码讲故事
智能工具PromptLLMAIGC模型开源数据集深度学习
全网国内外总结Prompt&LLM论文,开源数据&模型,AIGC应用(持续更新,收藏查看)目录顺序如下国内外,垂直领域大模型Agent和指令微调等训练框架开源指令,预训练,rlhf,对话,agent训练数据梳理AIGC相关应用prompt写作指南和5星博客等资源梳理Prompt和LLM论文细分方向梳理Prompt是在自然语言处理(NLP)中,尤其是在使用预训练语言模型时,用来引导模型生成特定类型输
- 机器学习AI/ML/CV/NLP/GNN算法公式汇总Latex代码
rockingdingo
tensorflow大数据自然语言处理算法深度学习机器学习
图学习和LinkPrediction任务KnowledgeGraphLinkPredictionEquationsAndLatexCodehttp://www.deepnlp.org/blog/knowledge-graph-link-prediction小样本学习和零样本学习公式的Latex代Few-ShotLearningAndZero-ShotLearningEquationsLatexCo
- 饿了么算法工程师-AIGC岗内推
飞300
AIGC业界资讯
1、紧跟业界最新自然语言处理技术动态,深入研发并努力创新,特别是在LLM、多模态理解和LLMAgent领域。2、基于大型语言模型开展文本生成、自然语言理解以及智能对话系统的研发,提出新颖的算法/模型,并进行实际开发和应用。3、探索多模态数据的结合,包括图像、文本、语音等,以丰富智能系统的理解和交互能力。4、将自然语言处理技术与具体业务场景相结合,考虑业务的特殊性并适配业务需求。参与到具体的NLP相
- 自然语言处理入门:从基础概念到实战项目
范范0825
自然语言处理人工智能
自然语言处理入门:从基础概念到实战项目一、引言自然语言处理(NaturalLanguageProcessing,简称NLP)是人工智能的重要分支,旨在让计算机能够理解、生成和处理人类语言。随着大数据和深度学习的发展,NLP技术在文本分类、机器翻译、问答系统、情感分析等领域得到了广泛应用。本文将从NLP的基础概念入手,逐步介绍关键技术,最终通过一个完整的实战项目帮助读者掌握如何在实际应用中使用NLP
- 自然语言处理系列(5)——情感分析的原理与实战
DoYangTan
自然语言处理人工智能
自然语言处理系列(5)——情感分析的原理与实战情感分析(SentimentAnalysis)是自然语言处理中的一项经典任务,目的是通过分析文本,判断其表达的情感倾向性。情感分析广泛应用于社交媒体监控、市场调研、客户服务等领域,帮助企业和机构快速了解用户的情感态度。在本文中,我们将深入探讨情感分析的基本概念、常用方法,并展示如何使用Python和现代NLP工具实现情感分析任务。1.情感分析的基本概念
- pytorch基础 nn.embedding
yuweififi
pytorch人工智能nlp
nn.Embedding是PyTorch中的一个模块,用于创建嵌入层(embeddinglayer),它将离散的索引(例如词汇表中的单词索引)映射为固定大小的稠密向量。这是许多NLP模型(包括Transformer)中的基本组件。示例用法:importtorchimporttorch.nnasnn#定义一个嵌入层vocab_size=10000#词汇表大小embedding_dim=512#嵌入向
- Linux 查看端口占用命令
酒酿小圆子~
linux运维服务器
文章目录1、lsof-i:端口号2、netstat命令2.1netstat-tunlp命令2.2netstat-anp命令1、lsof-i:端口号用于查看某一端口的占用情况,比如查看5000端口使用情况:sudolsof-i:5000注意:这里最好使用sudo开启管理员权限,未开启管理员权限时,可能会检测不到相关进程。(并非所有进程都能被检测到,所有非本用户的进程信息将不会显示,如果想看到所有信息
- Empowering LLMs with Logical Reasoning: 从“语言大师”到“逻辑大师”的进化之路
步子哥
人工智能
“逻辑是智慧的骨架,而语言是智慧的血肉。让大语言模型(LLMs)既能说会道,又能逻辑严谨,是AI发展的下一座高峰。”开篇:语言模型的“逻辑盲区”近年来,大语言模型(LLMs)在自然语言处理(NLP)任务中取得了令人瞩目的成就。从生成流畅的文章到翻译复杂的句子,这些模型似乎无所不能。然而,当我们试图让它们回答逻辑推理问题时,却发现它们的表现常常令人失望。比如,某顶尖LLM在回答以下问题时出现了自相矛
- 使用Hugging Face Text Embeddings Inference进行文本嵌入推理
dgay_hua
python
在自然语言处理中,文本嵌入是一个重要的技术,它将文本转换为可以由机器学习算法处理的数字向量。在这篇文章中,我们将探讨如何使用HuggingFace的TextEmbeddingsInference(TEI)工具包来部署和服务开源文本嵌入和序列分类模型。TEI支持高性能提取,包括常用的嵌入模型如FlagEmbedding、Ember、GTE和E5。技术背景介绍文本嵌入在现代NLP任务中起着关键作用,它
- Objective-C实现NLP中文分词(附完整源码)
源代码大师
Objective-C实战教程自然语言处理objective-c中文分词
Objective-C实现NLP中文分词实现中文分词(NLP中的重要任务之一)在Objective-C中需要处理文本的切分和识别词语边界。尽管Objective-C在自然语言处理(NLP)领域并不常见,但通过合理的算法设计和数据结构,可以实现基本的中文分词功能。本文将介绍如何使用基于字典的最大匹配算法(MaximumMatchingAlgorithm),例如正向最大匹配(ForwardMaximu
- 最全中文对话数据集(不定期更新)
数据猎手小k
人工智能大数据
随着人工智能技术的发展,自然语言处理(NLP)领域中的对话系统逐渐成为研究的热点。为了提升对话系统的性能,需要大量的高质量对话数据来训练和优化模型。然而,中文对话数据相对于英文来说较为稀缺,且质量参差不齐,这限制了中文对话系统的发展。因此,构建大规模、高质量的中文对话数据集成为了一个迫切的需求。一、研究意义1、推动中文NLP发展:大规模高质量的中文对话数据集能够为中文自然语言处理领域的研究提供基础
- 微调 LLM (RLHF + DPO)
人工智能
微调LLM(RLHF+DPO)使用强化学习(RL)根据人类反馈微调大语言模型(即RLHF)的方法,以及一种更有效的改进方法(即DPO)。一、GPT-3与InstructGPT2020年,OpenAI发布了GPT-3,这是一种大型语言模型(LLM),只需查看几个示例即可执行任意自然语言处理(NLP)任务。这包括为模型编写巧妙的输入(即提示),使其执行所需的任务(例如翻译、问答和完形填空任务)。尽管G
- 注意力机制(Attention Mechanism)详细分类与介绍
Jason_Orton
分类数据挖掘人工智能
注意力机制(AttentionMechanism)是近年来在深度学习中非常流行的一种技术,特别是在自然语言处理(NLP)、计算机视觉等任务中,具有显著的效果。它的核心思想是模仿人类在处理信息时的注意力分配方式,根据不同部分的重要性给予不同的关注程度。1.注意力机制的背景与动机在传统的深度学习模型(如RNN、CNN等)中,信息处理通常是按照固定的规则和结构进行的,模型对输入的各个部分给予相同的关注。
- apache ftpserver-CentOS config
gengzg
apache
<server xmlns="http://mina.apache.org/ftpserver/spring/v1"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="
http://mina.apache.o
- 优化MySQL数据库性能的八种方法
AILIKES
sqlmysql
1、选取最适用的字段属性 MySQL可以很好的支持大数据量的存取,但是一般说来,数据库中的表越小,在它上面执行的查询也就会越快。因此,在创建表的时候,为了获得更好的 性能,我们可以将表中字段的宽度设得尽可能小。例如,在定义邮政编码这个字段时,如果将其设置为CHAR(255),显然给数据库增加了不必要的空间,甚至使用VARCHAR这种类型也是多余的,因为CHAR(6)就可以很
- JeeSite 企业信息化快速开发平台
Kai_Ge
JeeSite
JeeSite 企业信息化快速开发平台
平台简介
JeeSite是基于多个优秀的开源项目,高度整合封装而成的高效,高性能,强安全性的开源Java EE快速开发平台。
JeeSite本身是以Spring Framework为核心容器,Spring MVC为模型视图控制器,MyBatis为数据访问层, Apache Shiro为权限授权层,Ehcahe对常用数据进行缓存,Activit为工作流
- 通过Spring Mail Api发送邮件
120153216
邮件main
原文地址:http://www.open-open.com/lib/view/open1346857871615.html
使用Java Mail API来发送邮件也很容易实现,但是最近公司一个同事封装的邮件API实在让我无法接受,于是便打算改用Spring Mail API来发送邮件,顺便记录下这篇文章。 【Spring Mail API】
Spring Mail API都在org.spri
- Pysvn 程序员使用指南
2002wmj
SVN
源文件:http://ju.outofmemory.cn/entry/35762
这是一篇关于pysvn模块的指南.
完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html.
pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个.
该
- 在SQLSERVER中查找被阻塞和正在被阻塞的SQL
357029540
SQL Server
SELECT R.session_id AS BlockedSessionID ,
S.session_id AS BlockingSessionID ,
Q1.text AS Block
- Intent 常用的用法备忘
7454103
.netandroidGoogleBlogF#
Intent
应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作(比如:view,edit,dial),以及程序执行到该动作时所需要的资料 。都指定好后,只要调用startActivity(),Android系统 会自动寻找最符合你指定要求的应用 程序,并执行该程序。
下面列出几种Intent 的用法
显示网页:
- Spring定时器时间配置
adminjun
spring时间配置定时器
红圈中的值由6个数字组成,中间用空格分隔。第一个数字表示定时任务执行时间的秒,第二个数字表示分钟,第三个数字表示小时,后面三个数字表示日,月,年,< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" />
测试的时候,由于是每天定时执行,所以后面三个数
- POJ 2421 Constructing Roads 最小生成树
aijuans
最小生成树
来源:http://poj.org/problem?id=2421
题意:还是给你n个点,然后求最小生成树。特殊之处在于有一些点之间已经连上了边。
思路:对于已经有边的点,特殊标记一下,加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在,又保证了所求的结果正确。
代码:
#include <iostream>
#include <cstdio>
- 重构笔记——提取方法(Extract Method)
ayaoxinchao
java重构提炼函数局部变量提取方法
提取方法(Extract Method)是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候,这时候就可以用提取方法这种重构手法。
下面是我学习这个重构手法的笔记:
提取方法看起来好像仅仅是将被提取方法中的一段代码,放到目标方法中。其实,当方法足够复杂的时候,提取方法也会变得复杂。当然,如果提取方法这种重构手法无法进行时,就可能需要选择其他
- 为UILabel添加点击事件
bewithme
UILabel
默认情况下UILabel是不支持点击事件的,网上查了查居然没有一个是完整的答案,现在我提供一个完整的代码。
UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
- NoSQL数据库之Redis数据库管理(PHP-REDIS实例)
bijian1013
redis数据库NoSQL
一.redis.php
<?php
//实例化
$redis = new Redis();
//连接服务器
$redis->connect("localhost");
//授权
$redis->auth("lamplijie");
//相关操
- SecureCRT使用备注
bingyingao
secureCRT每页行数
SecureCRT日志和卷屏行数设置
一、使用securecrt时,设置自动日志记录功能。
1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径),命名为Logs;
2、点击Options -> Global Options -> Default Session -> Edite Default Sett
- 【Scala九】Scala核心三:泛型
bit1129
scala
泛型类
package spark.examples.scala.generics
class GenericClass[K, V](val k: K, val v: V) {
def print() {
println(k + "," + v)
}
}
object GenericClass {
def main(args: Arr
- 素数与音乐
bookjovi
素数数学haskell
由于一直在看haskell,不可避免的接触到了很多数学知识,其中数论最多,如素数,斐波那契数列等,很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。
闲暇之余,从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
- Java-Collections Framework学习与总结-IdentityHashMap
BrokenDreams
Collections
这篇总结一下java.util.IdentityHashMap。从类名上可以猜到,这个类本质应该还是一个散列表,只是前面有Identity修饰,是一种特殊的HashMap。
简单的说,IdentityHashMap和HashM
- 读《研磨设计模式》-代码笔记-享元模式-Flyweight
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.Collection;
import java.util.HashMap;
import java.util.List;
import java
- PS人像润饰&调色教程集锦
cherishLC
PS
1、仿制图章沿轮廓润饰——柔化图像,凸显轮廓
http://www.howzhi.com/course/retouching/
新建一个透明图层,使用仿制图章不断Alt+鼠标左键选点,设置透明度为21%,大小为修饰区域的1/3左右(比如胳膊宽度的1/3),再沿纹理方向(比如胳膊方向)进行修饰。
所有修饰完成后,对该润饰图层添加噪声,噪声大小应该和
- 更新多个字段的UPDATE语句
crabdave
update
更新多个字段的UPDATE语句
update tableA a
set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
- hive实例讲解实现in和not in子句
daizj
hivenot inin
本文转自:http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html
当前hive不支持 in或not in 中包含查询子句的语法,所以只能通过left join实现。
假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户,字段只有一个uid),这两个表都包含
- 一道24点的10+种非人类解法(2,3,10,10)
dsjt
算法
这是人类算24点的方法?!!!
事件缘由:今天晚上突然看到一条24点状态,当时惊为天人,这NM叫人啊?以下是那条状态
朱明西 : 24点,算2 3 10 10,我LX炮狗等面对四张牌痛不欲生,结果跑跑同学扫了一眼说,算出来了,2的10次方减10的3次方。。我草这是人类的算24点啊。。
然后么。。。我就在深夜很得瑟的问室友求室友算
刚出完题,文哥的暴走之旅开始了
5秒后
- 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题
dcj3sjt126com
yiiframework
在使用 YIi的路径管理工具时,发现了一个问题。 <?php  
- 对象与关系之间的矛盾:“阻抗失配”效应[转]
come_for_dream
对象
概述
“阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库(RDBMS)存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年,而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。
“阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括:类的层次关系必须绑定为关系模式(将对象
- 学习编程那点事
gcq511120594
编程互联网
一年前的夏天,我还在纠结要不要改行,要不要去学php?能学到真本事吗?改行能成功吗?太多的问题,我终于不顾一切,下定决心,辞去了工作,来到传说中的帝都。老师给的乘车方式还算有效,很顺利的就到了学校,赶巧了,正好学校搬到了新校区。先安顿了下来,过了个轻松的周末,第一次到帝都,逛逛吧!
接下来的周一,是我噩梦的开始,学习内容对我这个零基础的人来说,除了勉强完成老师布置的作业外,我已经没有时间和精力去
- Reverse Linked List II
hcx2013
list
Reverse a linked list from position m to n. Do it in-place and in one-pass.
For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4,
return 
- Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- Hadoop集群工具distcp
liyonghui160com
1. 环境描述
两个集群:rock 和 stone
rock无kerberos权限认证,stone有要求认证。
1. 从rock复制到stone,采用hdfs
Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端,即源端问题:报版本
- 一个备份MySQL数据库的简单Shell脚本
pda158
mysql脚本
主脚本(用于备份mysql数据库): 该Shell脚本可以自动备份
数据库。只要复制粘贴本脚本到文本编辑器中,输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。
1. 分别建立目录“backup”和“oldbackup” #mkdir /backup #mkdir /oldbackup
- 300个涵盖IT各方面的免费资源(中)——设计与编码篇
shoothao
IT资源图标库图片库色彩板字体
A. 免费的设计资源
Freebbble:来自于Dribbble的免费的高质量作品。
Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。
Graphic Burger:每个像素点都做得很细的绝佳的设计资源。
Pixel Buddha:免费和优质资源的专业社区。
Premium Pixels:为那些有创意的人提供免费的素材。
- thrift总结 - 跨语言服务开发
uule
thrift
官网
官网JAVA例子
thrift入门介绍
IBM-Apache Thrift - 可伸缩的跨语言服务开发框架
Thrift入门及Java实例演示
thrift的使用介绍
RPC
POM:
<dependency>
<groupId>org.apache.thrift</groupId>