- 深度学习盛行,还记得哪些传统机器学习方法和模型?
硬件学长森哥
人工智能深度学习机器学习人工智能
开头森哥说:假期前后在准备成像技术的总结,目前已完成两部分,争取在摸索出一些编辑和运营技巧后,完善成一个系列和大家见面;当然也有可能会通过一些更加贴合摄影实用的角度出一些更加浅显的内容。最终如何呈现还需要慢慢摸索。传统机器学习是指在深度学习盛行之前开发的机器学习和人工智能技术。这些传统方法通常依赖于手工设计的特征提取和模型结构。而深度学习是一种机器学习技术,它通过深层神经网络从原始数据中学习特征表
- 1、PyTorch 简介
找个栗子
PyTorch开始到scipytorch人工智能python
PyTorch是什么?首先,我们讲PyTorch,我们先讲它的前身--torch。1、torchTorch是PyTorch的前身,Torch是一个有着悠久历史的机器学习框架,最初由RonanCollobert、SoumithChintala和KorayKavukcuoglu等人开发。Torch是以Lua语言为基础,在2002年左右就开始逐渐发展起来,在计算机视觉、自然语言处理等领域有一定的应用。o
- 机器学习—大语言模型:推动AI新时代的引擎
云边有个稻草人
人工智能机器学习语言模型
云边有个稻草人-CSDN博客目录引言一、大语言模型的基本原理1.什么是大语言模型?2.Transformer架构3.模型训练二、大语言模型的应用场景1.文本生成2.问答系统3.编码助手4.多语言翻译三、大语言模型的最新进展1.GPT-42.开源模型四、构建和部署一个简单的大语言模型1.数据准备2.模型训练3.部署模型五、大语言模型的未来发展结语引言大语言模型(LargeLanguageModels
- 基于Java的智能家居设计:探讨Java在智能家居大数据处理中的角色
杭州大厂Java程序媛
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
基于Java的智能家居设计:探讨Java在智能家居大数据处理中的角色关键词:智能家居,Java,大数据处理,机器学习,物联网1.背景介绍1.1问题由来随着物联网技术的发展,智能家居已经从一个概念转变为现实。通过连接各种家庭设备,智能家居系统能够实现自动化控制、远程监控、个性化服务等功能。然而,这些功能背后隐藏着一个庞大的数据处理和管理系统,即大数据处理系统。这些系统需要高效、可靠的计算平台,而Ja
- 模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型实现男女分类
CV视界
模式识别机器学习与图像处理机器学习python人工智能
模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型和pazen窗方法实现男女分类欢迎大家来到安静到无声的《模式识别与人工智能(程序与算法)》,如果对所写内容感兴趣请看模式识别与人工智能(程序与算法)系列讲解-总目录,同时这也可以作为大家学习的参考。欢迎订阅,优惠价只需9.9元,请多多支持!目录标题模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型和paz
- Apache Iceberg数据湖技术在海量实时数据处理、实时特征工程和模型训练的应用技术方案和具体实施步骤及代码
weixin_30777913
音视频语言模型大数据人工智能
ApacheIceberg在处理海量实时数据、支持实时特征工程和模型训练方面的强大能力。Iceberg支持实时特征工程和模型训练,特别适用于需要处理海量实时数据的机器学习工作流。Iceberg作为数据湖,以支持其机器学习平台中的特征存储。Iceberg的分层结构、快照机制、并发读写能力以及模式演进等特性,使得它能够高效地处理海量数据,并且保证数据的一致性和可用性。特别是在特征工程和模型训练方面,I
- 投票法:简单而强大的分类利器
ningaiiii
机器学习与深度学习分类机器学习人工智能
投票法:简单而强大的分类利器在机器学习的分类任务中,我们常常需要寻找高效且准确的方法来对数据进行分类。今天,让我们一起来探讨一种简单却极为强大的分类方法——投票法。一、投票法原理(一)通俗易懂的理解投票法就像一场班级选举。假设有一个班级要选出最受欢迎的水果,每个同学心中都有自己的选择(这就好比一个个分类器给出的分类结果)。最后统计每个水果获得的票数,得票最多的水果就当选(对应分类任务中,票数最多的
- 初入机器学习
辰尘_星启
机器学习人工智能深度学习pythonmxnet
写在前面本专栏专门撰写深度学习相关的内容,防止自己遗忘,也为大家提供一些个人的思考一切仅供参考概念辨析深度学习:本质是建模,将训练得到的模型作为系统的一部分使用侧重于发现样本集中隐含的规律难点是认识并了解模型,合理设置初始模型,要对建模对象有比较深刻的认识依赖大量的准确训练样本强化学习:本质是系统,直接将训练得到的模型视作系统本身(激进的像“端到端”)侧重于最大化当前环境下的奖励,最终目标是寻找环
- PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(NeuralODEs)是深度学习领域的创新性模型架构,它将神经网络的离散变换扩展为连续时间动力系统。与传统神经网络将层表示为离散变换不同,NeuralODEs将变换过程视为深度(或时间)的连续函数。这种方法为机器学习开创了新的研究方向,尤其在生成模型、时间序列分析和物理信息学习等领域具有重要应用。本文将基于Torchdyn(一个专门用于连续深度学习和平衡模型的PyTorch扩展库)
- 周报 | 25.1.27-25.2.2文章汇总
双木的木
深度学习拓展阅读python拓展学习人工智能transformer算法深度学习YOLOchatgptllama
为了更好地整理文章和发表接下来的文章,以后每周都汇总一份周报。周报|25.1.20-25.1.26文章汇总-CSDN博客机器学习AI算法工程|DeepSeekV3两周使用总结-CSDN博客Datawhale|一文详尽之SFT(监督微调,建议收藏)!-CSDN博客arXiv每日学术速递|强强联合:CNN与Transformer融合创新提升模型性能!!-CSDN博客AI生成未来|字节提出VideoWo
- 最小边际采样在分类任务中的应用
ningaiiii
机器学习与深度学习分类数据挖掘人工智能
最小边际采样在分类任务中的应用在机器学习的分类任务里,如何高效利用有限的标注数据,一直是研究的重点。最小边际采样(LeastMarginSampling)作为主动学习策略中的一种,为解决这一问题提供了独特的思路。本文将深入探讨最小边际采样在分类任务中的原理、应用以及优势与挑战。一、最小边际采样的原理最小边际采样的核心概念是基于模型预测概率来衡量样本的不确定性。在一个多分类问题中,模型会对每个样本预
- 使用支持向量机(SVM)进行股票市场预测
m0_57781768
支持向量机算法机器学习
使用支持向量机(SVM)进行股票市场预测引言股票市场预测是金融领域的一个热门话题,也是一个充满挑战的研究领域。通过准确的市场预测,投资者可以做出更明智的决策,从而获得更高的回报。支持向量机(SVM)作为一种强大的机器学习算法,已被广泛应用于各种分类和回归问题。本文将详细介绍如何使用C++和支持向量机进行股票市场预测,并提供完整的代码示例。支持向量机简介支持向量机(SVM)是一种监督学习算法,最初用
- 【Java】已解决java.lang.ClassNotFoundException异常
屿小夏
java开发语言
个人简介:某不知名博主,致力于全栈领域的优质博客分享|用最优质的内容带来最舒适的阅读体验!文末获取免费IT学习资料!文末获取更多信息精彩专栏推荐订阅收藏专栏系列直达链接相关介绍书籍分享点我跳转书籍作为获取知识的重要途径,对于IT从业者来说更是不可或缺的资源。不定期更新IT图书,并在评论区抽取随机粉丝,书籍免费包邮到家AI前沿点我跳转探讨人工智能技术领域的最新发展和创新,涵盖机器学习、深度学习、自然
- Python机器学习实战:人脸识别技术的实现和挑战
AI天才研究院
AI大模型企业级应用开发实战大数据AI人工智能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
Python机器学习实战:人脸识别技术的实现和挑战作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词:人脸识别技术,模型训练,多人识别,动态人脸检测,应用场景1.背景介绍1.1问题的由来随着科技的进步和互联网的普及,人脸识别技术因其在安全验证、生物特征识别、智能监控等多个领域的广泛应用而迅速崛起。从传统的门禁系统到现代的人脸支付、社交媒体的自动登
- 深度学习:基础原理与实践
阿尔法星球
深度学习python人工智能
1.深度学习概述1.1定义与发展历程深度学习是机器学习的一个分支,它基于人工神经网络的学习算法,特别是那些具有多层(深层)结构的网络。深度学习模型能够自动从原始数据中提取复杂的特征,而不需要人为设计特征提取算法。定义:深度学习可以定义为使用深层神经网络进行学习的过程,这些网络由多个非线性的变换组成,能够学习数据的多层次表示。发展历程:深度学习的起源可以追溯到1943年WarrenSturgisMc
- 【 书生·浦语大模型实战营】学习笔记(三):“茴香豆” 搭建你的RAG 智能助理
GoAI
自然语言处理NLP深入浅出AI深入浅出LLM深度学习LLM人工智能大模型
AI学习星球推荐:GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的学习资料,配有全面而有深度的专栏内容,包括不限于前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关(简历撰写技巧、面经资料与心得)多方面综合学习平台,强烈推荐AI小白及AI爱好者学习,性价比非常高!加入星球➡️点击链接【书生·
- 详解大模型微调数据集构建方法(持续更新)
herosunly
大模型微调数据集构建方法
大家好,我是herosunly。985院校硕士毕业,现担任算法t研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 本文详细介绍了大模型微调数据集构建方法,希望能对学习大模型的同学们有所帮助。文章目录
- 从System Prompt来看Claude3、Kimi和ChatGLM4之间的差距
herosunly
大模型systempromptgpt4claudekimiChatGLM4
大家好,我是herosunly。985院校硕士毕业,现担任算法t研究员一职,热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。 本文主要介绍了从SystemPrompt来看Claude3、Kimi和ChatGLM
- Python从0到100(八十一):神经网络-Fashion MNIST数据集取得最高的识别准确率
是Dream呀
python神经网络开发语言
前言:零基础学Python:Python从0到100最新最全教程。想做这件事情很久了,这次我更新了自己所写过的所有博客,汇集成了Python从0到100,共一百节课,帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识,成为学习学习和学业的先行者!欢迎大家订阅专栏:零基础学Python:Python从0到100最新
- python cv2 matchtemplate_机器学习进阶-图像金字塔与轮廓检测-模板匹配(单目标匹配和多目标匹配)1.cv2.matchTemplate(进行模板匹配) 2.cv2.minMa...
weixin_39621044
pythoncv2matchtemplate
1.cv2.matchTemplate(src,template,method)#用于进行模板匹配参数说明:src目标图像,template模板,method使用什么指标做模板的匹配度指标2.min_val,max_val,min_loc,max_loc=cv2.minMaxLoc(ret)#找出矩阵中最大值和最小值,即其对应的(x,y)的位置参数说明:min_val,max_val,min_lo
- 机器学习进阶-图像金字塔与轮廓检测-图像金字塔(拉普拉斯金字塔)
weixin_33908217
人工智能python
拉普拉斯金字塔:使用原始图片-pyrUp(pyrDown(Gi)),获得的结果有一点像边缘轮廓的提取上图的意思:1.进行低通滤波2.进行样本的下采样3.进行样本的上采样4.原始图片-经过上面三步后的图片代码:第一步:读入图片第二步:进行样本的下采样第三步:进行样本的上采样第四步:原始图片-变化后的图片importcv2importnumpyasnpimg=cv2.imread('AM.png')#
- 决策树ID3算法
小波LFZZB
算法决策树机器学习数据挖掘sklearn
决策树决策树概念决策树,一种基于规则的机器学习方法,主要用于分类和回归,常用作机器学习中的预测模型。树形结构图,树中每个节点表示某个对象,每个分叉路径代表的某个可能的属性值,每个叶结点对应从根节点到该叶节点所经历的路径所表示的对象的值。它通过递归地划分数据空间并在每个分区内拟合一个简单的预测模型来工作。选择分区是为了在每个细分中最大化目标变量的同质性。决策树特点1.树形结构决策树由根节点、内部节点
- 监督学习、无监督学习和强化学习的特点和应用场景
BugNest
AI学习ai机器学习人工智能
在机器学习中,监督学习、无监督学习和强化学习是三种核心的学习范式,它们各自具有独特的特点和应用场景。以下是对这三种学习方法的详细对比和总结:监督学习(SupervisedLearning)特点:数据标注:训练数据包含明确的输入特征和对应的标签(目标输出)。学习方式:模型通过学习输入特征和标签之间的关系来进行训练,这种关系通常表现为一个映射函数。预测能力:一旦训练完成,模型能够对新的、未见过的输入数
- python(scikit-learn)实现k均值聚类算法
嘿哈哈哈哈哈哈
机器学习聚类python算法机器学习人工智能
k均值聚类算法原理详解示例为链接中的例题直接调用python机器学习的库scikit-learn中k均值算法的相关方法fromsklearn.clusterimportKMeansimportnumpyasnpimportmatplotlib.pyplotaspltx=np.array([[0,2],[0,0],[1,0],[5,0],[5,2]])#计算k均值聚类kmeans=KMeans(n_
- Scikit-Learn K均值聚类
对许
#Python#人工智能与机器学习scikit-learn聚类机器学习
Scikit-LearnK均值聚类1、K均值聚类1.1、K均值聚类及原理1.2、K均值聚类的优缺点1.3、聚类与分类的区别2、Scikit-LearnK均值聚类2.1、Scikit-LearnK均值聚类API2.2、K均值聚类初体验(寻找最佳K)2.3、K均值聚类案例1、K均值聚类K-均值(K-Means)是一种聚类算法,属于无监督学习。K-Means在机器学习知识结构中的位置如下:1.1、K均值
- 数据挖掘常用算法优缺点分析
天波烟客00
数据挖掘数据挖掘机器学习
领取机器学习视频教程:http://www.admin444.com/P-c8129a48常用的机器学习、数据挖掘方法有分类,回归,聚类,推荐,图像识别等。在实际应用中,一般都是采用启发式学习方式来实验。偏差&方差偏差:描述的是预测值(估计值)的期望与真实值之间的差距,偏差越大,越偏离真实数据。偏差bias其实是模型太简单而带来的估计不准确的部分---欠拟合方差:描述的是预测值的变化范围、离散程度
- 【机器学习与数据挖掘实战】案例11:基于灰色预测和SVR的企业所得税预测分析
Francek Chen
机器学习与数据挖掘实战机器学习数据挖掘灰色预测SVR人工智能
【作者主页】FrancekChen【专栏介绍】⌈⌈⌈机器学习与数据挖掘实战⌋⌋⌋机器学习是人工智能的一个分支,专注于让计算机系统通过数据学习和改进。它利用统计和计算方法,使模型能够从数据中自动提取特征并做出预测或决策。数据挖掘则是从大型数据集中发现模式、关联和异常的过程,旨在提取有价值的信息和知识。机器学习为数据挖掘提供了强大的分析工具,而数据挖掘则是机器学习应用的重要领域,两者相辅相成,共同推动
- Scikit-learn提供了哪些机器学习算法以及如何使用Scikit-learn进行模型训练和评估
Java资深爱好者
机器学习scikit-learn算法
Scikit-learn库的使用一、Scikit-learn提供的机器学习算法Scikit-learn(通常简称为sklearn)是一个广泛使用的Python机器学习库,它提供了多种用于数据挖掘和数据分析的算法。Scikit-learn支持的机器学习算法可以大致分为以下几类:分类算法:支持向量机(SVM)随机森林(RandomForest)逻辑回归(LogisticRegression)朴素贝叶斯
- 数据挖掘常用算法
kaiyuanheshang
AI数据挖掘算法人工智能
文章目录基于机器学习~~线性/逻辑回归~~树模型~~贝叶斯~~~~聚类~~集成算法神经网络~~支持向量机~~~~降维算法~~基于机器学习线性/逻辑回归类似单层神经网络y=k*x+b树模型优点可以做可视化分析速度快结果稳定依赖前期对业务和数据的理解贝叶斯贝叶斯依赖先验概率,先验知识越准,结果越好聚类集成算法xgboostlightbgm神经网络在文本、视觉领域效果非常好。但是过程黑盒,缺乏解释性支持
- 因果关系推断与机器学习
hhhh106
读书笔记大数据
因果关系定义设X和Y是两个随机变量。定义X是Y的因,即因果关系X→Y存在,当且仅当Y的取值一定会随X的取值变化而发生变化。两个变量X、Y之间有相关性往往不是我们能判断它们之间有因果关系的依据。其中包括三种情况:X是Y的因、X是Y的果、X与Y有共同原因(commoncause)。对于第三种情况,我们把这种不是因果关系的相关性叫作虚假相关(spuriouscorrelation)。机器学习模型是强大的
- LeetCode[位运算] - #137 Single Number II
Cwind
javaAlgorithmLeetCode题解位运算
原题链接:#137 Single Number II
要求:
给定一个整型数组,其中除了一个元素之外,每个元素都出现三次。找出这个元素
注意:算法的时间复杂度应为O(n),最好不使用额外的内存空间
难度:中等
分析:
与#136类似,都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n,即某一
- 《JavaScript语言精粹》笔记
aijuans
JavaScript
0、JavaScript的简单数据类型包括数字、字符创、布尔值(true/false)、null和undefined值,其它值都是对象。
1、JavaScript只有一个数字类型,它在内部被表示为64位的浮点数。没有分离出整数,所以1和1.0的值相同。
2、NaN是一个数值,表示一个不能产生正常结果的运算结果。NaN不等于任何值,包括它本身。可以用函数isNaN(number)检测NaN,但是
- 你应该更新的Java知识之常用程序库
Kai_Ge
java
在很多人眼中,Java 已经是一门垂垂老矣的语言,但并不妨碍 Java 世界依然在前进。如果你曾离开 Java,云游于其它世界,或是每日只在遗留代码中挣扎,或许是时候抬起头,看看老 Java 中的新东西。
Guava
Guava[gwɑ:və],一句话,只要你做Java项目,就应该用Guava(Github)。
guava 是 Google 出品的一套 Java 核心库,在我看来,它甚至应该
- HttpClient
120153216
httpclient
/**
* 可以传对象的请求转发,对象已流形式放入HTTP中
*/
public static Object doPost(Map<String,Object> parmMap,String url)
{
Object object = null;
HttpClient hc = new HttpClient();
String fullURL
- Django model字段类型清单
2002wmj
django
Django 通过 models 实现数据库的创建、修改、删除等操作,本文为模型中一般常用的类型的清单,便于查询和使用: AutoField:一个自动递增的整型字段,添加记录时它会自动增长。你通常不需要直接使用这个字段;如果你不指定主键的话,系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField:布尔字段,管理工具里会自动将其描述为checkbox。 Cha
- 在SQLSERVER中查找消耗CPU最多的SQL
357029540
SQL Server
返回消耗CPU数目最多的10条语句
SELECT TOP 10
total_worker_time/execution_count AS avg_cpu_cost, plan_handle,
execution_count,
(SELECT SUBSTRING(text, statement_start_of
- Myeclipse项目无法部署,Undefined exploded archive location
7454103
eclipseMyEclipse
做个备忘!
错误信息为:
Undefined exploded archive location
原因:
在工程转移过程中,导致工程的配置文件出错;
解决方法:
 
- GMT时间格式转换
adminjun
GMT时间转换
普通的时间转换问题我这里就不再罗嗦了,我想大家应该都会那种低级的转换问题吧,现在我向大家总结一下如何转换GMT时间格式,这种格式的转换方法网上还不是很多,所以有必要总结一下,也算给有需要的朋友一个小小的帮助啦。
1、可以使用
SimpleDateFormat SimpleDateFormat
EEE-三位星期
d-天
MMM-月
yyyy-四位年
- Oracle数据库新装连接串问题
aijuans
oracle数据库
割接新装了数据库,客户端登陆无问题,apache/cgi-bin程序有问题,sqlnet.log日志如下:
Fatal NI connect error 12170.
VERSION INFORMATION: TNS for Linux: Version 10.2.0.4.0 - Product
- 回顾java数组复制
ayaoxinchao
java数组
在写这篇文章之前,也看了一些别人写的,基本上都是大同小异。文章是对java数组复制基础知识的回顾,算是作为学习笔记,供以后自己翻阅。首先,简单想一下这个问题:为什么要复制数组?我的个人理解:在我们在利用一个数组时,在每一次使用,我们都希望它的值是初始值。这时我们就要对数组进行复制,以达到原始数组值的安全性。java数组复制大致分为3种方式:①for循环方式 ②clone方式 ③arrayCopy方
- java web会话监听并使用spring注入
bewithme
Java Web
在java web应用中,当你想在建立会话或移除会话时,让系统做某些事情,比如说,统计在线用户,每当有用户登录时,或退出时,那么可以用下面这个监听器来监听。
import java.util.ArrayList;
import java.ut
- NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用)
bijian1013
redis数据库NoSQL
一 .Redis常用命令
Redis提供了丰富的命令对数据库和各种数据库类型进行操作,这些命令可以在Linux终端使用。
a.键值相关命令
b.服务器相关命令
1.键值相关命令
&
- java枚举序列化问题
bingyingao
java枚举序列化
对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题:
1.加一个枚举值
新机器代码读分布式缓存中老对象,没有问题,不会抛异常。
老机器代码读分布式缓存中新对像,反序列化会中断,所以在所有机器发布完成之前要避免出现新对象,或者提前让老机器拥有新增枚举的jar。
2.删一个枚举值
新机器代码读分布式缓存中老对象,反序列
- 【Spark七十八】Spark Kyro序列化
bit1129
spark
当使用SparkContext的saveAsObjectFile方法将对象序列化到文件,以及通过objectFile方法将对象从文件反序列出来的时候,Spark默认使用Java的序列化以及反序列化机制,通常情况下,这种序列化机制是很低效的,Spark支持使用Kyro作为对象的序列化和反序列化机制,序列化的速度比java更快,但是使用Kyro时要注意,Kyro目前还是有些bug。
Spark
- Hybridizing OO and Functional Design
bookjovi
erlanghaskell
推荐博文:
Tell Above, and Ask Below - Hybridizing OO and Functional Design
文章中把OO和FP讲的深入透彻,里面把smalltalk和haskell作为典型的两种编程范式代表语言,此点本人极为同意,smalltalk可以说是最能体现OO设计的面向对象语言,smalltalk的作者Alan kay也是OO的最早先驱,
- Java-Collections Framework学习与总结-HashMap
BrokenDreams
Collections
开发中常常会用到这样一种数据结构,根据一个关键字,找到所需的信息。这个过程有点像查字典,拿到一个key,去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类),基本上支持字典表的操作。后来引入了Map接口,更好的描述的这种数据结构。
&nb
- 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility
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/
/**
* 业务逻辑:项目经理只能处理500以下的费用申请,部门经理是1000,总经理不设限。简单起见,只同意“Tom”的申请
* bylijinnan
*/
abstract class Handler {
/*
- Android中启动外部程序
cherishLC
android
1、启动外部程序
引用自:
http://blog.csdn.net/linxcool/article/details/7692374
//方法一
Intent intent=new Intent();
//包名 包名+类名(全路径)
intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
- summary_keep_rate
coollyj
SUM
BEGIN
/*DECLARE minDate varchar(20) ;
DECLARE maxDate varchar(20) ;*/
DECLARE stkDate varchar(20) ;
DECLARE done int default -1;
/* 游标中 注册服务器地址 */
DE
- hadoop hdfs 添加数据目录出错
daizj
hadoophdfs扩容
由于原来配置的hadoop data目录快要用满了,故准备修改配置文件增加数据目录,以便扩容,但由于疏忽,把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录,但未创建实际目录,重启datanode服务时,报如下错误:
2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
- grep 目录级联查找
dongwei_6688
grep
在Mac或者Linux下使用grep进行文件内容查找时,如果给定的目标搜索路径是当前目录,那么它默认只搜索当前目录下的文件,而不会搜索其下面子目录中的文件内容,如果想级联搜索下级目录,需要使用一个“-r”参数:
grep -n -r "GET" .
上面的命令将会找出当前目录“.”及当前目录中所有下级目录
- yii 修改模块使用的布局文件
dcj3sjt126com
yiilayouts
方法一:yii模块默认使用系统当前的主题布局文件,如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件; 如果未配置主题,那么 yii的模块就使用 protected/views/layouts 下的布局文件, 总之默认不是使用自身目录 pr
- 设计模式之单例模式
come_for_dream
设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
今天该来的面试还没来,这个店估计不会来电话了,安静下来写写博客也不错,没事翻了翻小易哥的博客甚至与大牛们之间的差距,基础知识不扎实建起来的楼再高也只能是危楼罢了,陈下心回归基础把以前学过的东西总结一下。
*********************************
- 8、数组
豆豆咖啡
二维数组数组一维数组
一、概念
数组是同一种类型数据的集合。其实数组就是一个容器。
二、好处
可以自动给数组中的元素从0开始编号,方便操作这些元素
三、格式
//一维数组
1,元素类型[] 变量名 = new 元素类型[元素的个数]
int[] arr =
- Decode Ways
hcx2013
decode
A message containing letters from A-Z is being encoded to numbers using the following mapping:
'A' -> 1
'B' -> 2
...
'Z' -> 26
Given an encoded message containing digits, det
- Spring4.1新特性——异步调度和事件机制的异常处理
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
- squid3(高命中率)缓存服务器配置
liyonghui160com
系统:centos 5.x
需要的软件:squid-3.0.STABLE25.tar.gz
1.下载squid
wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz
tar zxf squid-3.0.STABLE25.tar.gz &&
- 避免Java应用中NullPointerException的技巧和最佳实践
pda158
java
1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法,而非未知对象。 总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的,调用a.equals(b)和调用b.equals(a)是完全相同的,这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针,这种调用可能导致一个空指针异常
Object unk
- 如何在Swift语言中创建http请求
shoothao
httpswift
概述:本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。
如果你对Objective-C比较了解的话,对于如何创建http请求你一定驾轻就熟了,而新语言Swift与其相比只有语法上的区别。但是,对才接触到这个崭新平台的初学者来说,他们仍然想知道“如何在Swift语言中创建http请求?”。
在这里,我将作出一些建议来回答上述问题。常见的
- Spring事务的传播方式
uule
spring事务
传播方式:
新建事务
required
required_new - 挂起当前
非事务方式运行
supports
&nbs