- 机器学习--实现多元线性回归
y江江江江
机器学习机器学习线性回归人工智能
机器学习—实现多元线性回归本节顺延机器学习--线性回归中的内容,进一步讨论多元函数的回归问题y′=h(x)+w⊤∙x+by^{\prime}=h(x)+w^\top\bulletx+by′=h(x)+w⊤∙x+b其中,wT⋅x就是W1X1+w2X2+w3X3+⋯+wNXN\text{其中,}w^\mathrm{T}\cdotx\text{就是}_{W_1X_1}+w_2X_2+w_3X_3+\cd
- 线性代数导引:张量与张量空间
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据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
线性代数,张量,张量空间,深度学习,机器学习,人工智能1.背景介绍在现代人工智能领域,深度学习和机器学习算法的蓬勃发展,使得对数据的高效处理和表示能力提出了更高的要求。线性代数作为数学基础,为理解和构建这些算法提供了坚实的基础。而张量,作为一种高维数组的表示形式,成为了深度学习和机器学习的核心数据结构。本篇文章将从线性代数的角度出发,深入探讨张量与张量空间的概念,并阐述其在深度学习和机器学习中的重
- 每天五分钟深度学习框架pytorch:搭建谷歌的Inception网络模块
每天五分钟玩转人工智能
深度学习框架pytorch深度学习pytorch网络人工智能机器学习Inception
本文重点前面我们学习了VGG,从现在开始我们将学习谷歌公司推出的GoogLeNet。当年ImageNet竞赛的第二名是VGG,而第一名就是GoogLeNet,它的模型设计拥有很多的技巧,这个model证明了一件事:用更多的卷积,更深的层次可以得到更好的结构GoogLeNet的网络结构如图所示就是GoogLeNet的网络结构,在这个网络结构中我们可以看到红色框起来的地方,他就是Inception块,
- 使用opencv实现深度学习的图片与视频的超分辨率
人工智能研究所
人工智能之计算机视觉opencv深度学习视频超分辨率图片超分辨率
图片超分辨率什么是视频与图片的超分辨率,总结一下便是给一张分辨率比较低的图片,进行超分辨率的处理后,生成比较清晰的高分辨率的图片,上图图片完美解释了超分辨率的过程,由于不同的算法不同,处理的结果也不相同,本期我们介绍一下如何进行图片的超分辨率的处理。·EDSR模型图像超分辨率EDSR:EnhancedDeepResidualNetworksforSingleImageSuper-Resolutio
- 强化学习原理与代码实战案例讲解
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型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1.1什么是强化学习?强化学习(ReinforcementLearning,RL)是机器学习的一个重要分支,它关注的是智能体(Agent)如何在环境中通过与环境交互来学习最优的行为策略。与其他机器学习方法不同,强化学习并不依赖于预先标注的数据,而是通过试错的方式来学习。想象一下,你正在训练一只小狗学习坐下。你不会给它看成千上万张“坐下”的照片,而是会给它一些指令,比如“坐下”,如果它照
- OpenCV机器学习(1)人工神经网络 - 多层感知器类cv::ml::ANN_MLP
村北头的码农
OpenCVopencv机器学习人工智能
操作系统:ubuntu22.04OpenCV版本:OpenCV4.9IDE:VisualStudioCode编程语言:C++11算法描述cv::ml::ANN_MLP是OpenCV库中的一部分,用于实现人工神经网络-多层感知器(ArtificialNeuralNetwork-Multi-LayerPerceptron,ANN-MLP)。它提供了一种方式来创建和训练多层感知器模型,以解决分类、回归等
- Pytorch实现mnist手写数字识别
Zn要学习
python
>-**本文为[365天深度学习训练营]中的学习记录博客**>-**原作者:[K同学啊]**我的环境:语言环境:Python3.8编译器:JupyterLab深度学习环境:torch==1.12.1+cu113torchvision==0.13.1+cu113一、前期准备1.设置GPU如果设备上支持GPU就使用GPU,否则使用CPUimporttorchimporttorch.nnasnnimpo
- 运用python制作一个完整的股票分析系统
大懒猫软件
python开发语言djangobeautifulsoup
使用python制作一个股票分析系统,可以通过股票价格走势动态界面,实时动态监测不同类型股票的变化情况。以下是一个完整的股票分析系统开发指南,包括股票价格走势动态界面和实时监测功能。这个系统将结合网络爬虫、数据分析、机器学习和可视化技术,帮助你实时监测不同类型股票的变化情况。1.系统功能概述数据采集:使用网络爬虫技术从财经网站采集股票数据。数据处理:计算技术指标(如KDJ、BOLL)并进行数据预处
- Google Cloud技术学习总结
谭俊杰Jerry
人工智能
GoogleCloudPlatform(GCP)是由Google提供的一套云计算服务,帮助企业和开发者利用Google的基础设施来构建、部署和扩展应用程序。GCP提供了广泛的服务,涵盖计算、存储、数据分析、机器学习和网络等领域。以下是GoogleCloud的技术总结:核心服务计算服务GoogleComputeEngine:提供虚拟机(VM)实例,支持自定义配置,适合各种工作负载。GoogleKub
- 本地部署DeepSeek模型技术指南
Evaporator Core
apacheDoris人工智能deepseek
DeepSeek模型是一种先进的深度学习模型,广泛应用于自然语言处理、计算机视觉等领域。为了充分利用DeepSeek模型的强大功能,许多开发者和研究人员选择在本地环境中部署该模型。本文将详细介绍如何在本地环境中部署DeepSeek模型,包括环境准备、模型下载、配置、优化以及代码实现等内容。通过本文的指导,您将能够在本地成功部署并运行DeepSeek模型。1.环境准备在部署DeepSeek模型之前,
- DeepSeek R1蒸馏版模型部署的实战教程
herosunly
DeepSeek从入门到精通deepseek大模型人工智能实战教程
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委,编写微软OpenAI考试认证指导手册。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。授权多项发明专利。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。
- 强化学习在连续动作空间的应用:DDPG与TD3
AI天才研究院
计算AI大模型应用入门实战与进阶大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
1.背景介绍1.1强化学习简介强化学习(ReinforcementLearning,简称RL)是一种机器学习方法,它通过让智能体(Agent)在环境(Environment)中与环境进行交互,学习如何根据观察到的状态(State)选择动作(Action),以最大化某种长期累积奖励(Reward)的方法。强化学习的核心问题是学习一个策略(Policy),即在给定状态下选择动作的映射关系。1.2连续动
- 书籍-《机器学习的秘密:它是如何工作的以及它对你的意义》
机器学习深度学习人工智能
书籍:SecretsOfMachineLearning:HowItWorksAndWhatItMeansForYou作者:TomKohn出版:WorldScientificPublishingCoPteLtd编辑:陈萍萍的公主@一点人工一点智能下载:书籍下载-《机器学习的秘密:它是如何工作的以及它对你的意义》01书籍介绍在众多关于机器学习和人工智能的技术文献及充满恐慌的书籍中,《机器学习的秘密》犹
- python 学习曲线函数_如何使用学习曲线来诊断你的LSTM模型的行为?(附代码)...
weixin_39576066
python学习曲线函数
LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在自然语言处理、语言识别等一系列的应用上都取得了很好的效果。《LongShortTermMemoryNetworkswithPython》是澳大利亚机器学习专家JasonBrownlee的著作,里面详细介绍了LSTM模型的原理和使用。该书总共分为十四个章节,具体如下:第一章:什么是LSTMs?第二章:怎么样训练
- transformer概述
沉墨的夜
transformer深度学习人工智能
Transformer架构的提出,不仅在自然语言处理(NLP)领域掀起了革命,也在多个深度学习任务中获得了广泛应用。自2017年由Vaswani等人提出以来,Transformer经历了多次优化和扩展,成为深度学习领域的基石。以下是Transformer架构的演进历程、作用和意义、架构详情以及未来发展趋势的详细阐述。Transformer架构的演进历程(1)Transformer的起源(2017年
- 【漫话机器学习系列】041.信息丢失(dropout)
IT古董
漫话机器学习系列专辑机器学习人工智能深度学习
信息丢失(Dropout)Dropout是一种广泛应用于神经网络训练中的正则化技术,旨在减少过拟合(overfitting),提高模型的泛化能力。虽然"信息丢失"(dropout)这个术语在某些情况下可能引起误解,指的并非是数据的丢失,而是训练过程中故意“丢弃”神经网络中的部分神经元。这种做法可以避免模型过于依赖于某些特定的神经元,从而提高模型在新数据上的表现。Dropout的工作原理在神经网络的
- 第二章:12.3 建立表现基准
望云山190
基准性能水平人工智能机器学习
背景介绍语音识别是一种常见的机器学习应用,用户通过语音输入代替键盘输入,系统需要将语音转换为文本。在这个过程中,算法的性能可以通过训练误差和交叉验证误差来评估。误差定义训练误差(Jtrain):指算法在训练数据集上无法正确转录的音频片段的百分比。在这个例子中,训练误差是10.8%,意味着算法在训练数据上犯了10.8%的错误。交叉验证误差(Jcv):指算法在未见过的数据(交叉验证集)上无法正确转录的
- 第二章:12.4 学习曲线
望云山190
深度学习机器学习人工智能
学习曲线的基本概念学习曲线是展示机器学习模型性能如何随着训练数据量增加而变化的图表。它们可以帮助我们理解模型在不同数据量下的表现,以及模型是否过拟合或欠拟合。二阶模型的学习曲线交叉验证错误(Jcv):这条绿色曲线表示模型在未见过的数据上的表现。它反映了模型的泛化能力,即模型对新数据的预测能力。训练错误(Jtrain):这条红色曲线表示模型在训练数据上的表现。它反映了模型对训练数据的拟合程度。学习曲
- Pytorch官方文档英语翻译
yanzhiwen2
深度学习Pyrotchpytorch机器学习python人工智能深度学习
深度学习Pytorch-Pytorch官方文档英语翻译1.a-e1.1span跨度1.2blended混合的1.3criterion标准1.4deprecated弃用的1.5clamp钳制1.6arbitraryshapes任意形状1.7explodinggradients梯度爆炸1.8converge收敛1.9approximate近似1.10arg参数1.11argument参数1.12con
- 机器学习相关基础
星辰瑞云
机器学习
1.预备知识人工智能:用人工的方法在机器(计算机)上实现的智能;或者说是人们使机器具有类似于人的智能。人工智能学科:人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。2.日常生活中的机器学习:①称为RGB(由红色,绿色,蓝色组成),这种是欠拟合欠拟合和过拟合区别:•欠拟合(Underfitting):模型在训练数据上表现不佳,无法很好地捕捉数据中的规律。通
- FastAPI:解锁高性能API开发的密钥,轻松构建现代Web服务
醉心编码
人工智能基础fastapi前端
FastAPI:解锁高性能API开发的密钥,轻松构建现代Web服务一、核心特点二、应用场景三、技术优势四、安装与基本用法五、社区与文档FastAPI是一个基于Python的现代、快速(高性能)的Web框架,专门用于构建APIs,特别是基于Python的RESTfulAPIs。它以其高性能、易用性和可扩展性而闻名,适合开发者、数据科学家和机器学习工程师等多种岗位使用。以下是对FastAPI的详细介绍
- PyTorch实战深度学习——用CNN进行手写数字识别
一位小说男主
人工智能入门深度学习
用CNN进行手写数字识别---计算机专业研究生的代码第一课,相当于”HelloWorld“,不管以后选择什么研究方向,都值得一看,欢迎大家留言交流学习!下面手把手教大家一步一步实现该任务:1.环境准备首先呢,您需要确保安装了PyTorch库。如果还没有安装,可以使用以下命令进行安装,这里默认您已经有Anaconda并创建好虚拟环境啦,如果还没有安装,可以参考其他更完整的安装pytorch的教程:p
- AIGC开启人工智能新时代
靖节先生
人工智能
AIGC:开启智能生成内容的全新时代在数字化技术飞速发展的当下,AIGC(ArtificialIntelligence-GeneratedContent)横空出世,宛如一颗璀璨的新星照亮了内容创作领域的天空。它正以不可阻挡之势重塑着我们的生活、工作与娱乐方式,成为众多行业创新发展的重要驱动力。一、AIGC的概念AIGC,即人工智能生成内容,是指利用人工智能技术自动生成各类内容的过程。它依托机器学习
- 推荐学习图像处理的入门书:《Python图像处理实战》
天飓
学习感悟学习图像处理python
《Python图像处理实战》是一本全面介绍Python图像处理技术的实用指南,是由人民邮电出版社于2020年12月出版。这本书的作者桑迪潘·戴伊是一位兴趣广泛的数据科学家,主要研究机器学习、深度学习、图像处理和计算机视觉。在《Python图像处理实战》一书中,作者主要介绍了如何用Python图像处理库(如PIL、python-opencv、Scipy等),机器学习库(scikit-learn)和深
- 使用 OpenCV 和 Python 对图像进行卡通化
无水先生
AI原理和python实现人工智能综合opencvpython人工智能
关键词:OpenCVlibrarytoconvertimagestocartoons目录一、说明二、OpenCV2.1要求支持库2.2方法2.3实施和执行三、定义卡通化函数3.1添加按钮3.2保存图像四、结论一、说明在本文中,我们将构建一个有趣的应用程序,将提供给它的图像卡通化。为了构建这个卡通化应用程序,我们将使用python和OpenCV。这是机器学习令人兴奋和激动的应用程序之一。在构建此应用
- 机器学习:朴素贝叶斯
小源学AI
人工智能机器学习人工智能朴素贝叶斯
概率1.1定义概率表示随机事件发生可能性大小的一个数值,随机事件指在相同条件下,可能出现也可能不出现的事件。例如:抛硬币:当我们抛硬币时,可以正面朝上也可以反面朝上,正面或反面朝上的可能性被称为概率。理想状态下正反概率都是0.5。掷骰子:掷一个六面的骰子,每个点出现的概率是1/6,因为每个面出现的机会是均等的。抽取商品:一批商品包含良品和次品,随机抽取一件,抽取良品或次品是一个随机事件,经过大量实
- 人工智能的发展领域之GPU加速计算的应用概述、架构介绍与教学过程
m0_74824592
面试学习路线阿里巴巴人工智能架构
文章目录一、架构介绍GPU算力平台概述优势与特点二、注册与登录账号注册流程GPU服务器类型配置选择指南内存和存储容量网络带宽CPU配置三、创建实例实例创建步骤镜像选择与设置四、连接实例SSH连接方法远程桌面配置一、架构介绍GPU算力平台概述一个专注于GPU加速计算的专业云服务平台,隶属于软件和信息技术服务业。主要面向高校、科研机构和企业用户。该平台提供多种NVIDIAGPU选择,适用于机器学习、人
- 机器学习 - 学习线性模型的重要性
谦亨有终
跟着AI向前走机器学习学习人工智能
在接下来的博文中,我们将重点学习线性模型的回归模型和分类模型,在学习之前,让我们来了解一下学习线性模型的重要性,以及如何入门学习。一、作为初学者如何学习线性模型?作为初学者,要高效学习机器学习以及其中的线性模型,可以遵循以下几个步骤和建议:(一)、机器学习的整体学习策略打好数学基础线性代数:理解向量、矩阵、线性变换等,这些是理解模型表示(如y=w^Tx+b)和算法优化的基础。微积分:掌握导数、梯度
- 【深度学习】计算机视觉(CV)-图像分类-ResNet(Residual Network,残差网络)
IT古董
深度学习人工智能深度学习计算机视觉分类
ResNet(ResidualNetwork,残差网络)是一种深度卷积神经网络(CNN)架构,由何恺明(KaimingHe)等人在2015年提出,最初用于ImageNet竞赛,并在分类任务上取得了冠军。ResNet的核心思想是残差学习(ResidualLearning),它通过跳跃连接(SkipConnections)解决了深度神经网络训练中的梯度消失和梯度爆炸问题,使得非常深的网络(如50层、1
- 【深度学习基础】什么是注意力机制
我的青春不太冷
深度学习人工智能注意力机制
文章目录一、注意力机制的核心地位:从补充到主导二、技术突破:从Transformer到多模态融合三、跨领域应用:从NLP到通用人工智能四、未来挑战与趋势结语参考链接注意力机制:深度学习的核心革命与未来基石在深度学习的发展历程中,注意力机制(AttentionMechanism)的引入堪称一场革命。它不仅解决了传统模型的根本性缺陷,更通过动态聚焦关键信息的能力,重塑了人工智能处理复杂任务的范式。本文
- 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