- 服务器、群晖,飞牛NAS等部署Whisper ASR教程来啦!让我们的Nas轻松实现音频转文字服务!
xiaoqiangclub
群晖助手服务器whisper音视频ASR语音转文字实用教程
文章目录介绍演示环境服务器/群晖/飞牛NAS部署WhisperASR,语音识别soeasy!准备部署使用Python调用示例注意事项⚓️相关链接⚓️介绍最近有人私信我,有没有什么办法能在NAS上搞个语音识别服务,实现将语音或开会录音自动转成文字?那么今天我们就一起来看看如何在服务器或群晖/飞牛等Nas上部署一个语音转文字的服务,让我们的NAS瞬间变身“听译”大师!演示环境本文演示环境如下:群晖系统
- 基于NLP的客户意见分析:从数据到洞察
Echo_Wish
Python算法Python笔记自然语言处理人工智能
友友们好!我的新专栏《Python进阶》正式启动啦!这是一个专为那些渴望提升Python技能的朋友们量身打造的专栏,无论你是已经有一定基础的开发者,还是希望深入挖掘Python潜力的爱好者,这里都将是你不可错过的宝藏。在这个专栏中,你将会找到:●深入解析:每一篇文章都将深入剖析Python的高级概念和应用,包括但不限于数据分析、机器学习、Web开发等。●实战案例:通过丰富的实战案例,带你一步步实现
- RAG 检索增强生成:技术详解与应用展望
君君学姐
RAG检索增强生成
RAG检索增强生成:技术详解与应用展望一、引言随着人工智能技术的飞速发展,自然语言处理(NLP)领域迎来了前所未有的变革。其中,检索增强生成(Retrieval-AugmentedGeneration,简称RAG)作为一种新兴的技术框架,正逐渐成为大模型应用中的热门选择。RAG通过结合信息检索(IR)和自然语言生成(NLG)的能力,旨在提升模型在回答问题、生成文本等任务中的准确性和可靠性。本文将深
- 目前市场上的人工智能大模型有哪些?
国货崛起
大模型人工智能人工智能
截至最后更新时间(2024年3月中旬),以下是国内外部分知名的人工智能大模型,按类别和用途大致分类如下:国外:自然语言处理(NLP)大模型:OpenAIGPT系列:GPT-3:迄今为止最为知名的自然语言处理大模型之一,具备强大的文本生成、理解和对话能力。GPT-4:后续版本,性能和参数量比GPT-3更高,各项指标均有所提升。Google的Transformer系列:BERT(Bidirection
- 详解:Grok中文版 _Grok 3 国内中文版本在线使用
人工智能
GrokAI是由XAI公司推出的一款尖端人工智能系统。作为该公司核心技术之一,GrokAI专注于推动人工智能在各行各业的实际应用,尤其在数据分析、自然语言处理(NLP)、自动化决策、机器学习等领域表现出色。Grok的最大亮点在于其强大的数据处理能力。它能够高效地从大量复杂数据中提取有价值的信息,并做出精准预测。借助深度学习与强化学习等先进技术,GrokAI具备自我学习的能力,可以通过不断的训练来优
- 如何结合NLP(自然语言处理)技术提升OCR系统的语义理解和上下文感知能力?
金智维科技官方
自然语言处理ocr人工智能
光学字符识别(OCR)技术能够快速从文档、图像中提取文本信息,目前已经广泛应用于金融、教育、医疗、物流等领域。然而,传统OCR技术的功能主要集中在字符提取和简单的结构化输出上,难以处理复杂场景中涉及的语义理解与上下文感知问题。而通过将自然语言处理(NLP)技术与OCR相结合,可以极大提升系统对文本的语义理解能力,为多场景应用赋予更高的智能化水平。虽然OCR在文本识别的准确性和速度上不断提升,但面对
- 基于Python 和 DeepSeek API 实现文本分类
修破立生
大模型python人工智能
在自然语言处理(NLP)领域,文本分类是一项非常重要的任务,它可以帮助我们将大量的文本数据自动归类到不同的类别中。传统的文本分类方法有很多,而近年来,利用大模型进行文本分类逐渐成为一种流行且高效的方式。本文将介绍如何使用Python编写代码,结合DeepSeekAPI实现文本分类的功能,并探讨使用大模型方法进行文本分类与其他方法的区别。1代码概述我们的代码主要实现了以下几个功能:创建一个DeepS
- OLMo 7B:推动自然语言处理领域的技术革新
单皎娥
OLMo7B:推动自然语言处理领域的技术革新OLMo-7B项目地址:https://gitcode.com/hf_mirrors/ai-gitcode/OLMo-7B引言随着人工智能技术的飞速发展,自然语言处理(NLP)领域取得了显著的进步。然而,在实际应用中,NLP技术仍然面临着诸多挑战,如语境理解、信息抽取、情感分析等。为了解决这些问题,艾伦人工智能研究所(AI2)推出了OLMo系列模型,其中
- 【智能客服】智能客服的核心技术-对话系统
姚瑞南
智能客服人工智能自然语言处理chatgpt
目录一、基本概念二、对话系统的应用场景三、对话系统的常见构建方式四、一般架构AutomaticSpeechRecognition(ASR)NaturalLanguageUnderstanding(NLU)DialogueManagement(DM)NaturalLanguageGeneration(NLG)基于模板基于统计一、基本概念对话系统:与真人进行对话的系统。这里首先用案例介绍一下对话系统的
- AI 外呼产品架构解读:让智能外呼更精准高效
MARS_AI_
人工智能架构自然语言处理信息与通信
在人工智能(AI)技术迅猛发展的今天,AI外呼系统已成为呼叫中心领域的新宠。本文将剖析AI外呼产品的基本架构,帮助读者理解其背后的技术逻辑和应用价值。一、支撑能力层:AI外呼的基石AI外呼系统的底层架构,即支撑能力层,为整个系统提供了坚实的技术基础。这一层主要包括以下三个核心组成部分:1.AI基础能力AI基础能力涵盖了语音识别(ASR)、自然语言处理(NLP)和语音合成(TTS)等技术。这些技术使
- 自然语言模型(NLP)介绍
Liudef06
StableDiffusion自然语言处理人工智能
一、自然语言模型概述自然语言模型(NLP)通过模拟人类语言理解和生成能力,已成为人工智能领域的核心技术。近年来,以DeepSeek、GPT-4、Claude等为代表的模型在技术突破和应用场景上展现出显著优势。例如,DeepSeek通过强化学习提升推理能力,其混合专家架构(MoE)显著优化了计算效率。二、核心技术解析1.DeepSeek模型架构混合专家模型(MoE):DeepSeek-V3采用Mo
- Transformer 代码剖析15 - Transformer模型代码 (pytorch实现)
lczdyx
Transformer代码剖析transformerpytorch深度学习embedding人工智能python
一、模型架构全景解析1.1类定义与继承关系classTransformer(nn.Module):该实现继承PyTorch的nn.Module基类,采用面向对象设计模式。核心架构包含编码器-解码器双塔结构,通过参数配置实现NLP任务的通用处理能力。TransformerEncoderDecoderMulti-HeadAttentionFeedForwardMaskedMulti-HeadAtten
- 沃丰科技AI浅谈|语音交互的三驾马车:ASR、NLP、TTS
沃丰科技
人工智能科技自然语言处理
在日常生活中,AI机器人离我们很近。你是否接到过这样的电话:“您好,检测到您已经购买某产品一周的时间了,请问您的使用感受如何?”“请问您对产品满意吗?有什么建议给到这边吗?”全程对话亲切无障碍,您可能觉得这是一个大型企业对于用户的恳切关注。如果我告诉您,这都是由外呼机器人拨打并且能够自行记录下您的意见和建议,以供企业改进,您会惊讶吗?基于深度神经学算法和卷积神经网络算法的AI外呼机器人,它是融合自
- 国内外优秀AI外呼产品推荐
MARS_AI_
人工智能自然语言处理sassnlp信息与通信
在数字化转型浪潮中,AI外呼系统凭借其高效率、低成本、精准交互的特点,成为企业客户触达与服务的核心工具。本文基于行业实践与技术测评,推荐国内外表现突出的AI外呼产品,重点解析国内标杆企业云蝠智能,并对比其他代表性产品,助企业快速选型。一、云蝠智能:大模型驱动的“性价比之王”作为国内AI外呼领域的领军者,云蝠智能以神鹤AI对话大模型为核心技术,深度融合自然语言处理(NLP)、语音识别(ASR)与语音
- 【HarmonyOS NEXT】自定义Tabs使其中间项突出显示
9级浪
鸿蒙鸿蒙harmonyos
【问题描述】要求中间的tabBar突出到内容处【效果图】【解决思路】使用Stack让中间项有能力突破tabBar区域使用Canvas绘制曲线【核心代码】@Entry@ComponentstructBuilderModifierCase{privatecontext:CanvasRenderingContext2D=newCanvasRenderingContext2D(newRenderingCo
- spaCy 入门:自然语言处理的高效工具
zru_9602
人工智能自然语言处理人工智能
spaCy入门:自然语言处理的高效工具引言spaCy是一个功能强大的开源Python库,专注于工业级的自然语言处理(NLP)。它以其高效的性能、简洁的API和对多种语言的支持而闻名。无论是进行文本分析、信息提取还是构建智能聊天机器人,spaCy都是一个不可或缺的工具。本文将从零开始,介绍spaCy的基本功能和使用方法,并通过示例代码帮助你快速上手。1.安装spaCy在开始之前,首先需要安装spaC
- Transformer架构简略:DeepSeek 的底层基石
windwant
人工智能人工智能transformer架构
2017年,一篇名为《AttentionisAllYouNeed》的论文横空出世,提出了Transformer架构,彻底改变了自然语言处理(NLP)领域的格局。它不仅在各种NLP任务上取得了突破性进展,更成为了当今人工智能领域最具影响力的架构之一。一、从RNN到Transformer:突破瓶颈,开创先河在Transformer出现之前,循环神经网络(RNN)及其变体(如LSTM、GRU)是处理序列
- DeepSeek 各版本的区别
dushky
ai语言模型AI编程
DeepSeek各版本的区别主要体现在参数规模、架构设计、性能表现、硬件需求以及适用场景等方面,具体对比如下:一、参数规模与模型架构基础版(DeepSeek-V3)参数规模:6710亿参数(671B),采用混合专家(MoE)架构,每个Token激活约37B参数。定位:通用NLP任务,如智能客服、内容创作、知识问答等,强调高性价比和可扩展性。训练数据:14.8万亿Token预训练,推理速度较快(每秒
- DeepSeek人工智能领域的创新先锋与变革力量
CodeJourney.
数据库算法人工智能
在科技飞速发展的时代,人工智能(AI)无疑是最具变革性的力量之一。DeepSeek作为人工智能领域的关键参与者,正以其独特的技术路径和创新理念,深刻影响着行业的发展格局。深入解读相关信息,能让我们更全面地认识DeepSeek在人工智能领域的重要贡献、技术优势、发展战略以及其带来的广泛影响。一、DeepSeek的技术突破与创新(一)核心技术成就DeepSeek在自然语言处理(NLP)和计算机视觉等人
- 词向量(Word Embedding)
呵呵,不解释868
easyui前端javascript
词向量(WordEmbedding)是一种将自然语言中的单词映射到连续的向量空间的技术,使得语义相似的单词在向量空间中彼此接近。这种技术是现代自然语言处理(NLP)任务的基础之一,广泛应用于文本分类、机器翻译、问答系统等。###一、词向量的基本原理####1.离散表示vs连续表示传统的自然语言处理方法通常使用离散表示(如one-hot编码)来表示单词。然而,这种方法存在以下问题:-**维度灾难**
- Self-Attentive Sequential Recommendation论文阅读笔记
调包调参侠
推荐系统学习深度学习机器学习神经网络算法
SASRec论文阅读笔记论文标题:Self-AttentiveSequentialRecommendation发表于:2018ICDM作者:Wang-ChengKang,JulianMcAuley论文代码:https://github.com/pmixer/SASRec.pytorch论文地址:https://arxiv.org/pdf/1808.09781v1.pdf摘要顺序动态是许多现代推荐系
- 语义向量模型全解:从基础到现在的deepseek中的语义向量主流模型
来自于狂人
人工智能语言模型
一、语义向量模型:自然语言处理的基石语义向量模型(SemanticVectorModel)是自然语言处理(NLP)的核心技术,它将词汇、句子或文档映射为高维向量,在数学空间中量化语义信息。通过向量距离(如余弦相似度)衡量语义的相似性,支撑了搜索引擎、情感分析、机器翻译等实际应用。1.1发展简史1980s~2000s:基于统计的浅层模型,如TF-IDF(直接表征词的重要性)、LSA(通过矩阵分解降维
- composer install 报错
Sword-Holy
composerphp
composerinstall报错curlerror28whiledownloadinghttps://cdn.asset-packagist.org/packages.json:Timeoutwasreached解决:将composer.json中https://asset-packagist.org替换成https://asset-packagist.cn
- 什么是预训练语言模型下游任务?
衣衣困
语言模型人工智能自然语言处理
问题:Word2Vec模型是预训练模型吗?由于训练的特性,word2Vec模型一定是与训练模型。给定一个词先使用独热编码然后使用预训练好的Q矩阵得到这个词的词向量。这里指的是词向量本身就是预训练的语言模型。什么是下游任务?在自然语言处理(NLP)和机器学习领域,下游任务(downstreamtasks)指的是使用已经训练好的模型或表示(如词向量、预训练的模型等)来解决的具体任务。这些任务通常依赖于
- 大语言模型原理与工程实践:大语言模型推理工程推理加速:算子优化
AI天才研究院
计算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.背景介绍近年来,大语言模型(LargeLanguageModel,LLM)在自然语言处理(NLP)领域取得了显著的进展。其中,推理(Inference)过程是大语言模型的核心环节之一。然而,随着模型规模的不断扩大,推理过程中的计算复杂度和延时也逐渐成为制约模型应用的重要因素。因此,如何实现大语言模型推理工程的推理加速,成为研究者和工程师迫切需要解决的问题。2.核心概念与联系在本文中,我们将深入
- 微调(Fine-tuning)
路野yue
人工智能深度学习
微调(Fine-tuning)是自然语言处理(NLP)和深度学习中的一种常见技术,用于将预训练模型(Pre-trainedModel)适配到特定任务上。它的核心思想是:在预训练模型的基础上,通过少量任务相关的数据进一步训练模型,使其更好地适应目标任务。1.微调的核心思想预训练模型:像BERT、GPT这样的模型,已经在大量通用文本数据上进行了预训练,学习到了丰富的语言知识(如语法、语义、上下文关系等
- vue videojs使用canvas截取视频画面
叫我OldFe
vue.js音视频前端js
前言刚开始做的时候太多坑,导致一直报错:Uncaught(inpromise)TypeError:Failedtoexecute‘drawImage’on‘CanvasRenderingContext2D’:Theprovidedvalueisnotoftype‘(CSSImageValueorHTMLCanvasElementorHTMLImageElementorHTMLVideoElemen
- Deepseek 使用指南与提问优化策略
西瓜拍两瓣
ai语言模型pythongpt
序言随着人工智能技术的迅猛发展,语义搜索已成为提升信息检索效率和用户体验的核心工具。DeepSeek作为一款先进的语义搜索引擎,通过自然语言处理(NLP)和机器学习技术,能够深入理解用户查询的语义意图,提供高度精准的搜索结果。本文将详细介绍DeepSeek的核心功能、集成方法,并深入探讨如何通过优化提问策略,最大化利用DeepSeek的语义搜索能力,从而提升信息检索的效率和准确性。访问DeepSe
- 神经网络之CNN文本识别
邪恶的贝利亚
神经网络cnn人工智能
1.参考我的第一篇文章了解CNN概念神经网络之CNN图像识别(torchapi调用)-CSDN博客2.框架目前对NLP的研究分析应用最多的就是RNN系列的框架,比如RNN,GRU,LSTM等等,再加上Attention,基本可以认为是NLP的标配套餐了。但是在文本分类问题上,相比于RNN,CNN的构建和训练更为简单和快速,并且效果也不差,所以仍然会有一些研究。那么,CNN到底是怎么应用到NLP上的
- LLaMA(Meta开源的AI模型)与Ollama(本地运行和管理大模型的工具)简介(注意这俩虽然名字相似但没有直接联系)
Dontla
人工智能大模型LLMllama开源人工智能
文章目录LLaMA**Llama系列模型发展**1.**Llama1(2023年2月)**2.**Llama2(2023年7月)**3.**Llama3(2024年4月)****关键特性**-**开放性**:非商业许可下发布模型权重,促进研究社区发展[⁴](https://zh.wikipedia.org/zh-hans/LLaMA)。-**性能优势**:在NLP基准测试中表现优异,例如代码生成任
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接:#66 Plus One
要求:
给定一个用数字数组表示的非负整数,如num1 = {1, 2, 3, 9}, num2 = {9, 9}等,给这个数加上1。
注意:
1. 数字的较高位存在数组的头上,即num1表示数字1239
2. 每一位(数组中的每个元素)的取值范围为0~9
难度:简单
分析:
题目比较简单,只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数,(默认为当前页地址)发送请求的地址。
type: 要求为String类型的参数,请求方式(post或get)默认为get。注意其他http请求方法,例如put和 delete也可以使用,但仅部分浏览器支持。
timeout: 要求为Number类型的参数,设置请求超时时间(毫秒)。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具,可以监测Java程序运行时所有对象的申请、释放等动作,将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题,需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释,得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说,元数据是描述数据的。就象数据表中的字段一样,每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据,也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
 
- Spring3 MVC 笔记(二) —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息!
其实也是一些个人的学习笔记 呵呵!
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分,可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意:输入字典,然后输入单词,判断字典中是否出现过该单词,或者是否进行删除、添加、替换操作,如果是,则输出对应的字典中的单词
要求按照输入时候的排名输出
题解:建立两个哈希表。一个存储字典和输入字典中单词的排名,一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数(prototype)可以定义一些很方便的自定义函数,实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下:
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述,不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求,网上有些文章中有涉及到此内容,但都只言片语,没有讲完全,更没有完整的代码,让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行,而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时,这个连接会进入一个事务上下文,该连接后续的命令不会立即执行,而是先放到一个队列中,当执行exec命令时,redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一:函数
bit1129
scala
1. 如果函数体只有一行代码,则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开,则只有第一句属于方法体,例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错,因为,printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的,一部分原因是haskell本身的设计就不易于实现compiler,如lazy特性,static typed,类型推导等。
关于GHC的内部实现有篇文章说的挺好,这里,文中在RTS一节中详细说了haskell的concurrent实现,里面提到了green thread,如果熟悉Go语言的话就会发现,ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap,了解了其内部由散列表实现,每个桶内是一个单向链表。那有没有双向链表的实现呢?双向链表的实现会具备什么特性呢?来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是:
* 通过在抽象工厂里面定义一组产品接口,方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时,很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得:
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道(Lab模式的L通道)决定,色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下,对高光区域着色。具体步骤为:降低高光区域的整体的亮度,再进行着色。
如果想简化步骤,可以只进行着色(参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
 
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字:focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因:只有获得焦点的组件(确切说是InteractiveObject)才能监听到键盘事件的目标阶段;键盘事件(flash.events.KeyboardEvent)参与冒泡阶段,所以焦点组件的父项(以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库,它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如,Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数,使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后,在入口脚本index.php的,我们包括在
- 设计模式之单例模式二(解决无序写入的问题)
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题,但是因为由于JVM为了使得处理器内部的运算单元能充分利用,处理器可能会对输入代码进行乱序执行(Out Of Order Execute)优化,处理器会在计算之后将乱序执行的结果进行重组,保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题,当然这些方法常常不管用,于是,唯一能做的就是不断地尝试,逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
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
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。(jquery + c# ashx)
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发,学习java语言list遍历的三种方法,顺便测试各种遍历方法的性能,测试方法为在ArrayList中插入1千万条记录,然后遍历ArrayList,发现了一个奇怪的现象,测试代码例如以下:
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源(上)——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法:
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前,这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储,因为它们由每个对服务器的请求来传递,这使得 cookie 速度很慢而且效率也不