- llama factory微调时出现x86_64-conda-linux-gnu/bin/ld: cannot find -lcurand: No such file or directory解决方案
爱编程的喵喵
Python基础课程pythonllamafactorycurand解决方案
大家好,我是爱编程的喵喵。双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳,不仅形成深入且独到的理解,而且能够帮助新手快速入门。 本文主要介绍了llamafactory微调时出现x
- 大数据毕业设计天hadoop+spark+hive游戏推荐系统 游戏数据分析可视化大屏 steam游戏爬虫 游戏大数据 机器学习 知识图谱 计算机毕业设计 机器学习 深度学习 人工智能 知识图谱
2401_84159688
程序员大数据hadoop人工智能
|—||一、选题的目的和意义用户往往因为不能及时查看游戏信息而造成许多烦恼。另一方面,游戏商城平台没能进行系统的管理与维护使游戏信息没能及时的更新。而传统的游戏信息管理,采用的还是手工备案、人工查询的方式。但是随之游戏信息的增多这种管理方式的工作量不断加大,这种做法就存在费时费力、缺乏时效性、不利于调动人员的积极性等缺点。一旦网站建立好之后,一方面,用户可以在第一时间在系统里查询所需的信息,另一方
- 【pytorch】TensorBoard的使用
hhhhhhkkkyyy
pytorch人工智能python
TensorBoardTensorBoard是TensorFlow提供的一个可视化工具,用于实时监控、调试和可视化深度学习模型的训练过程和性能指标。虽然它是为TensorFlow设计的,但也可以与其他深度学习框架(如PyTorch)一起使用。下面是一些关于TensorBoard的详细知识和使用方法:可视化功能:Scalars(标量):用于显示训练过程中的标量数据,比如损失和准确率的变化趋势。Gra
- VUE 组件
.YoIo
vue.js前端javascript
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、VUE组件---组件注册二、VUE--组件props三、插槽四、深层组件传值五、动态组件前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考一、VUE组件—组件注
- 周报 | 24.8.19-24.8.25文章汇总
双木的木
python拓展学习深度学习拓展阅读人工智能机器学习开发语言python深度学习nlpllama
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|24.8.12-24.8.18文章汇总-CSDN博客新智元|微调Flux席卷全网,外国小哥一人组一队漫威英雄!_flux怎么微调-CSDN博客新智元|百万在线,大圣归来!《黑神话:悟空》石破天惊,RTX4090D飞越花果山_新智元悟空-CSDN博客OpenCV学堂|汇总|深度学习图像去模糊技术与模型-CSDN博客深度学习与NLP|
- 深度探索:机器学习中的序列到序列模型(Seq2Seq)原理及其应用
生瓜蛋子
机器学习机器学习人工智能
目录1.引言与背景2.庞特里亚金定理与动态规划3.算法原理4.算法实现5.优缺点分析优点缺点6.案例应用7.对比与其他算法8.结论与展望1.引言与背景在当今信息爆炸的时代,机器学习作为人工智能领域的核心驱动力,正以前所未有的深度和广度渗透进我们的日常生活。从语言翻译、文本摘要、语音识别到对话系统,众多自然语言处理(NLP)任务的成功解决离不开一种强大的模型架构——序列到序列(Sequence-to
- pytorch中的nn.MSELoss()均方误差损失函数
AndrewPerfect
深度学习python基础pytorch基础pytorch人工智能python
一、nn.MSELoss()是PyTorch中的一个损失函数,用于计算均方误差损失。均方误差损失函数通常用于回归问题中,它的作用是计算目标值和模型预测值之间的平方差的平均值。具体来说,nn.MSELoss()函数的输入是两个张量,即模型的真实值和预测值,输出是一个标量,表示两个张量之间的均方误差。在训练神经网络时,通常将该损失函数作为优化器的目标函数,通过反向传播算法来更新模型的参数,以最小化均方
- 基于yolov8的课堂行为检测系统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的课堂行为检测系统是现代教育技术的创新应用,该系统利用YOLOv8这一先进的深度学习算法,实现了对学生课堂行为的自动、高效和精准监测。YOLOv8在目标检测领域以其卓越的性能和速度著称,通过对学生上课视频或实时摄像头的输入进行深度分析,系统能够准确识别学生的多种行为,如举手、阅读、写作、使用手机、低头等。该系统不仅提高了课堂监测的效率和准确性,还具备实时反馈功能,帮助教
- 使用opencv和python实现图像的智能处理_机器学习:使用OpenCV和Python进行智能图像处理...
weixin_39649965
译者序序前言审校者简介第1章品味机器学习11.1初步了解机器学习11.2机器学习可以解决的事情31.3初步了解Python41.4初步了解OpenCV41.5安装51.5.1获取本书最新的代码51.5.2掌握PythonAnaconda61.5.3在conda环境中安装OpenCV81.5.4验证安装结果91.5.5一睹OpenCVML模块111.6总结11第2章使用OpenCV和Python处理
- 深度学习速通系列:梯度消失vs梯度爆炸
Ven%
深度学习速通系列人工智能深度学习python
梯度消失和梯度爆炸是深度学习中训练深层神经网络时常见的两个问题,它们影响网络的训练过程和性能。梯度消失(VanishingGradientProblem)定义:梯度消失是指在深层神经网络的反向传播过程中,由于链式法则,梯度值随着层数的增加而迅速减小,最终趋近于零。原因:激活函数的导数很小,如Sigmoid或Tanh函数在输入值非常大或非常小的时候导数接近零。权重初始化不当,导致梯度在网络中的传播过
- RNN及其变体
豫儿啊~
lstm人工智能rnn
RNN及其变体RNN模型定义循环神经网络:一般接受的一序列进行输入,输出也是一个序列作用和应用场景:RNN擅长处理连续语言文本,机器翻译,文本生成,文本分类,摘要生成RNN模型的分类根据输入与输出结构NVsN:输入和输出等长,应用场景:对联生成;词性标注;NERNVs1:输入N,输出为单值,应用场景:文本分类1VsN:输出是一个,输出为N,应用场景:图片文本生成NVsM:输入和输出不等长,应用场景
- 基于detectron2框架的深度学习模型载入自定义数据集
Midsummer-逐梦
解决方案深度学习人工智能计算机视觉
基于detectron2框架的深度学习模型载入自定义数据集一、前言最近在做微光目标检测的研究工作,使用了Rank_DETR;这个模型是基于detrex框架,而detrex框架又是基于detectron2的。找了一圈没找到载入数据集的地方,后面查阅了资料得知要用API进行注册。二、步骤注册数据集:在脚本中,我们首先要注册数据集。Detectron2提供了多种注册数据集的方式,常用的是register
- 数据切分的艺术:使用PyTorch的torch.utils.data.random_split精粹指南
2402_85758349
机器学习
数据切分的艺术:使用PyTorch的torch.utils.data.random_split精粹指南在机器学习项目中,合理地分割数据集至关重,它不仅关系到模型训练的有效性,还直接影响到模型的泛化能力。PyTorch提供了一个强大的工具torch.utils.data.random_split,它能够以随机的方式将数据集分割成若干个子集。本文将详细介绍如何使用这一工具进行数据集的随机分割。1.随机
- 从自动驾驶看无人驾驶叉车的技术落地和应用
电气_空空
自动驾驶自动驾驶机器人人工智能毕设
摘要|介绍无人驾驶叉车在自动驾驶技术中的应用,分析其关键技术,如环境感知、定位、路径规划等,并讨论机器学习算法和强化学习算法的应用以提高无人叉车的运行效率和准确性。无人叉车在封闭结构化环境、机器学习、有效数据集等方法的助力下,可有效推动叉车无人驾驶关键技术的发展。关键词:无人叉车;自动驾驶;机器学习;数据集随着人工智能技术的持续进步,无人叉车领域的供给与需求均呈现迅猛增长态势。它们不仅正在逐步替代
- 《BERT基础教程:Transformer大模型实战》读书笔记
johnny233
读书笔记人工智能
概念BERT,BidirectionalEncoderRepresentationsfromTransformers,多Transformer的双向编码器表示法。RNN,recurrentneuralnetwork,循环神经网络。LSTM,longshort-termmemory,长短期记忆网络。NLI,Naturallanguageinference,自然语言推理。知识蒸馏(knowledged
- 机器学习(2)单变量线性回归
天凉玩个锤子
2.1模型表示我们学习的第一个算法是线性回归算法。在监督学习中,我们有一个数据集,这个数据集被称为训练集(TrainingSet)。我们用小写字母m来表示训练样本的数目。监督学习算法的工作方式以房屋价格的训练为例,将训练集里房屋价格喂给学习算法,学习算法工作后输出一个函数h,h代表hypothesis(假设)。函数h输入为房屋尺寸大小x,h根据输入来得出y值,y值对应房子的价格。因此,h是一个从x
- 深度学习项目实践——QQ聊天机器人(transformer)(三)功能实现的方法——NoneBot2插件结构与编写
Linductor
qq聊天机器人项目机器人transformernonebot
深度学习项目实践——QQ聊天机器人(transformer)(三)功能实现的方法——NoneBot2插件结构与编写在前两节中,我们详细讲解了QQ聊天的原理、QQ机器人的框架与环境配置的流程。本节将重点介绍NoneBot2的插件构成,以及如何从零开始编写一个属于自己的插件。这一篇文章主要就是充当搬运工,参考了nonebot2的官方文档第一步:了解NoneBot2的架构在开始编写插件之前,我们先来了解
- Python比C语言到底有什么优势?为什么越来越多人都学python?
马大哈(Python)
pythonpycharm开发语言AI编程爬虫
Python作为一种高级编程语言,在众多编程语言中脱颖而出,主要得益于其多方面的优势。以下是Python相比于其他语言的一些显著优势:简单易学:Python的语法清晰、简洁,易于阅读和编写,这使得它成为初学者的首选语言。其语法结构接近于自然语言,减少了学习曲线的陡峭度。丰富的库和框架:Python拥有庞大的标准库和第三方库,涵盖了从Web开发、数据科学、机器学习、人工智能、自动化测试到网络编程等各
- 大语言模型原理与工程实践:混合微调策略
AGI通用人工智能之禅
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
大语言模型原理与工程实践:混合微调策略作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着深度学习技术的迅猛发展,大语言模型(LargeLanguageModels,LLMs)在自然语言处理(NaturalLanguageProcessing,NLP)领域取得了突破性的进展。LLMs通过在海量文本数据上进行预训练,学习到了
- AI写作神器有哪些,分享2024年比较常用的几款ai写作软件
全网优惠分享君
随着人工智能技术的不断发展,AI写作神器逐渐成为写作领域的热门话题。这些工具通过自然语言处理和机器学习技术,为人们提供了快速、高效、自动化的写作体验。在2024年,比较常用的AI写作软件包括以下几款:1.智能写作助手:智能写作助手是一款集成了自然语言处理和机器学习技术的写作工具,能够帮助用户快速生成高质量的文本内容。它支持多种语言和领域,可以根据用户的需求自动生成文章、摘要、标题等文本内容,并可进
- CNN网络简介
吕不韦
卷积神经网络简介(ConvolutionalNeuralNetworks,简称CNN)卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法。20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络(ConvolutionalNeuralNetworks-简称CNN)。现在,CNN
- EI级 | Matlab实现TCN-LSTM-MATT、TCN-LSTM、TCN、LSTM多变量时间序列预测对比
天天Matlab代码科研顾问
matlablstm开发语言
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。个人主页:Matlab科研工作室个人信条:格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理图像处理路径规划元胞自动机无人机内容介绍风电作为一种清洁、可再生能源,近年来得到了快速发展。准确预测风电功率输出对于提高风电场运行效率,优化电
- 深度学习100问13:什么是二分类问题
不断持续学习ing
人工智能机器学习自然语言处理
嘿,你知道二分类问题不?这就像是一个“超级裁判”,要把东西分成两大类。一、定义及举例想象一下,生活中有很多时候我们得决定一个东西到底属于哪一边。就像判断一封邮件,是“垃圾邮件”呢,还是“正常邮件”;或者看看一个病人,是“得了某种病”呢,还是“没得病”。二、解决方法要解决二分类问题呀,我们可以找来一些“魔法工具”,也就是机器学习算法。像逻辑回归啦、支持向量机啦、决策树啦等等。这些算法就像聪明的小助手
- AI自动采集教学行为——用AI来做机器学习部分和深度学习部分(含torch和cuda)包含机器学习模型和bert模型的使用
东方-教育技术博主
人工智能应用人工智能机器学习深度学习
文章目录数据清洗机器学习深度学习代码没问题之后的文件下载bert环境配置太麻烦,改用飞浆的bert飞浆失败-接着bert,用谷歌AIbert的使用数据清洗要遍历当前文件夹下从1.x1sx到8.x1sx的所有文件,提取“句子”列,‘标注’列和‘上下文情境’这三列按顺序把excel中的这三列拼接在一起。合并输出成一个xlsx文件。importosimportpandasaspd#获取当前脚本所在的目录
- 每天一个数据分析题(五百一十二)- 数据标准化
跟着紫枫学姐学CDA
数据分析题库数据分析数据挖掘
在完整的机器学习流程中,数据标准化(DataStandardization)一直是一项重要的处理流程。不同模型对于数据是否标准化的敏感程度不同,以下哪个模型对变量是否标准化不敏感?A.决策树B.KNNC.K-MeansD.SVM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,S
- 回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序 CNN-WOA-LSSVM
机器不会学习CL
回归预测智能优化算法回归cnn支持向量机
回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序CNN-WOA-LSSVM文章目录一、基本原理1.数据预处理2.特征提取(CNN)3.参数优化(WOA)4.模型训练(LSSVM)5.模型评估和优化6.预测总结二、实验结果三、核心代码四、代码获取五、总结回归预测|基于卷积神经网络-鲸鱼优化-最小二乘支持向量机的数据回归预测Matlab程序CNN-WOA-LSSV
- 深度学习:图像数据分析的革命
2401_85761762
深度学习数据分析人工智能
深度学习:图像数据分析的革命在当今数据驱动的世界中,图像数据分析已成为一个热门领域,而深度学习技术在其中扮演着核心角色。深度学习,特别是卷积神经网络(CNN),已经在图像识别、分类和处理方面取得了显著的成就。本文将详细介绍如何使用深度学习进行图像数据分析,并提供实际的代码示例。深度学习与图像数据分析深度学习是一种机器学习方法,它通过使用多层神经网络来学习数据的复杂模式。在图像数据分析中,深度学习模
- 机器学习中的增量学习(Incremental Learning,IL)策略是什么?
Chauvin912
机器学习算法科普机器学习学习人工智能
机器学习中的增量学习(IncrementalLearning,IL)策略是什么?在当今快速发展的数据驱动世界中,传统的静态机器学习模型逐渐显露出局限性。随着数据量的增长和分布的变化,模型需要不断更新,以保持其预测能力和适应性。然而,频繁的重新训练不仅耗费大量资源,还会导致模型丧失对旧数据的记忆,这被称为“灾难性遗忘”(CatastrophicForgetting)现象。为解决这一问题,增量学习(I
- 基于Python的机器学习系列(17):梯度提升回归(Gradient Boosting Regression)
会飞的Anthony
人工智能信息系统机器学习机器学习python回归
简介梯度提升(GradientBoosting)是一种强大的集成学习方法,类似于AdaBoost,但与其不同的是,梯度提升通过在每一步添加新的预测器来减少前一步预测器的残差。这种方法通过逐步改进模型,能够有效提高预测准确性。梯度提升回归的工作原理在梯度提升回归中,我们逐步添加预测器来修正模型的残差。以下是梯度提升的基本步骤:初始化模型:选择一个初始预测器h0(x),计算该预测器的预测值。计算残差:
- 基于Python的机器学习系列(16):扩展 - AdaBoost
会飞的Anthony
信息系统机器学习人工智能python机器学习开发语言
简介在本篇中,我们将扩展之前的AdaBoost算法实现,深入探索其细节并进行一些修改。我们将重点修复代码中的潜在问题,并对AdaBoost的实现进行一些调整,以提高其准确性和可用性。1.修复Alpha计算中的问题在AdaBoost中,如果分类器的错误率e为0,则计算出的权重α将是未定义的。为了解决这个问题,我们可以在计算过程中向分母中添加一个非常小的值,以避免除零错误。2.调整学习率sklearn
- windows下源码安装golang
616050468
golang安装golang环境windows
系统: 64位win7, 开发环境:sublime text 2, go版本: 1.4.1
1. 安装前准备(gcc, gdb, git)
golang在64位系
- redis批量删除带空格的key
bylijinnan
redis
redis批量删除的通常做法:
redis-cli keys "blacklist*" | xargs redis-cli del
上面的命令在key的前后没有空格时是可以的,但有空格就不行了:
$redis-cli keys "blacklist*"
1) "blacklist:12:
[email protected]
- oracle正则表达式的用法
0624chenhong
oracle正则表达式
方括号表达示
方括号表达式
描述
[[:alnum:]]
字母和数字混合的字符
[[:alpha:]]
字母字符
[[:cntrl:]]
控制字符
[[:digit:]]
数字字符
[[:graph:]]
图像字符
[[:lower:]]
小写字母字符
[[:print:]]
打印字符
[[:punct:]]
标点符号字符
[[:space:]]
- 2048源码(核心算法有,缺少几个anctionbar,以后补上)
不懂事的小屁孩
2048
2048游戏基本上有四部分组成,
1:主activity,包含游戏块的16个方格,上面统计分数的模块
2:底下的gridview,监听上下左右的滑动,进行事件处理,
3:每一个卡片,里面的内容很简单,只有一个text,记录显示的数字
4:Actionbar,是游戏用重新开始,设置等功能(这个在底下可以下载的代码里面还没有实现)
写代码的流程
1:设计游戏的布局,基本是两块,上面是分
- jquery内部链式调用机理
换个号韩国红果果
JavaScriptjquery
只需要在调用该对象合适(比如下列的setStyles)的方法后让该方法返回该对象(通过this 因为一旦一个函数称为一个对象方法的话那么在这个方法内部this(结合下面的setStyles)指向这个对象)
function create(type){
var element=document.createElement(type);
//this=element;
- 你订酒店时的每一次点击 背后都是NoSQL和云计算
蓝儿唯美
NoSQL
全球最大的在线旅游公司Expedia旗下的酒店预订公司,它运营着89个网站,跨越68个国家,三年前开始实验公有云,以求让客户在预订网站上查询假期酒店时得到更快的信息获取体验。
云端本身是用于驱动网站的部分小功能的,如搜索框的自动推荐功能,还能保证处理Hotels.com服务的季节性需求高峰整体储能。
Hotels.com的首席技术官Thierry Bedos上个月在伦敦参加“2015 Clou
- java笔记1
a-john
java
1,面向对象程序设计(Object-oriented Propramming,OOP):java就是一种面向对象程序设计。
2,对象:我们将问题空间中的元素及其在解空间中的表示称为“对象”。简单来说,对象是某个类型的实例。比如狗是一个类型,哈士奇可以是狗的一个实例,也就是对象。
3,面向对象程序设计方式的特性:
3.1 万物皆为对象。
- C语言 sizeof和strlen之间的那些事 C/C++软件开发求职面试题 必备考点(一)
aijuans
C/C++求职面试必备考点
找工作在即,以后决定每天至少写一个知识点,主要是记录,逼迫自己动手、总结加深印象。当然如果能有一言半语让他人收益,后学幸运之至也。如有错误,还希望大家帮忙指出来。感激不尽。
后学保证每个写出来的结果都是自己在电脑上亲自跑过的,咱人笨,以前学的也半吊子。很多时候只能靠运行出来的结果再反过来
- 程序员写代码时就不要管需求了吗?
asia007
程序员不能一味跟需求走
编程也有2年了,刚开始不懂的什么都跟需求走,需求是怎样就用代码实现就行,也不管这个需求是否合理,是否为较好的用户体验。当然刚开始编程都会这样,但是如果有了2年以上的工作经验的程序员只知道一味写代码,而不在写的过程中思考一下这个需求是否合理,那么,我想这个程序员就只能一辈写敲敲代码了。
我的技术不是很好,但是就不代
- Activity的四种启动模式
百合不是茶
android栈模式启动Activity的标准模式启动栈顶模式启动单例模式启动
android界面的操作就是很多个activity之间的切换,启动模式决定启动的activity的生命周期 ;
启动模式xml中配置
<activity android:name=".MainActivity" android:launchMode="standard&quo
- Spring中@Autowired标签与@Resource标签的区别
bijian1013
javaspring@Resource@Autowired@Qualifier
Spring不但支持自己定义的@Autowired注解,还支持由JSR-250规范定义的几个注解,如:@Resource、 @PostConstruct及@PreDestroy。
1. @Autowired @Autowired是Spring 提供的,需导入 Package:org.springframewo
- Changes Between SOAP 1.1 and SOAP 1.2
sunjing
ChangesEnableSOAP 1.1SOAP 1.2
JAX-WS
SOAP Version 1.2 Part 0: Primer (Second Edition)
SOAP Version 1.2 Part 1: Messaging Framework (Second Edition)
SOAP Version 1.2 Part 2: Adjuncts (Second Edition)
Which style of WSDL
- 【Hadoop二】Hadoop常用命令
bit1129
hadoop
以Hadoop运行Hadoop自带的wordcount为例,
hadoop脚本位于/home/hadoop/hadoop-2.5.2/bin/hadoop,需要说明的是,这些命令的使用必须在Hadoop已经运行的情况下才能执行
Hadoop HDFS相关命令
hadoop fs -ls
列出HDFS文件系统的第一级文件和第一级
- java异常处理(初级)
白糖_
javaDAOspring虚拟机Ajax
从学习到现在从事java开发一年多了,个人觉得对java只了解皮毛,很多东西都是用到再去慢慢学习,编程真的是一项艺术,要完成一段好的代码,需要懂得很多。
最近项目经理让我负责一个组件开发,框架都由自己搭建,最让我头疼的是异常处理,我看了一些网上的源码,发现他们对异常的处理不是很重视,研究了很久都没有找到很好的解决方案。后来有幸看到一个200W美元的项目部分源码,通过他们对异常处理的解决方案,我终
- 记录整理-工作问题
braveCS
工作
1)那位同学还是CSV文件默认Excel打开看不到全部结果。以为是没写进去。同学甲说文件应该不分大小。后来log一下原来是有写进去。只是Excel有行数限制。那位同学进步好快啊。
2)今天同学说写文件的时候提示jvm的内存溢出。我马上反应说那就改一下jvm的内存大小。同学说改用分批处理了。果然想问题还是有局限性。改jvm内存大小只能暂时地解决问题,以后要是写更大的文件还是得改内存。想问题要长远啊
- org.apache.tools.zip实现文件的压缩和解压,支持中文
bylijinnan
apache
刚开始用java.util.Zip,发现不支持中文(网上有修改的方法,但比较麻烦)
后改用org.apache.tools.zip
org.apache.tools.zip的使用网上有更简单的例子
下面的程序根据实际需求,实现了压缩指定目录下指定文件的方法
import java.io.BufferedReader;
import java.io.BufferedWrit
- 读书笔记-4
chengxuyuancsdn
读书笔记
1、JSTL 核心标签库标签
2、避免SQL注入
3、字符串逆转方法
4、字符串比较compareTo
5、字符串替换replace
6、分拆字符串
1、JSTL 核心标签库标签共有13个,
学习资料:http://www.cnblogs.com/lihuiyy/archive/2012/02/24/2366806.html
功能上分为4类:
(1)表达式控制标签:out
- [物理与电子]半导体教材的一个小问题
comsci
问题
各种模拟电子和数字电子教材中都有这个词汇-空穴
书中对这个词汇的解释是; 当电子脱离共价键的束缚成为自由电子之后,共价键中就留下一个空位,这个空位叫做空穴
我现在回过头翻大学时候的教材,觉得这个
- Flashback Database --闪回数据库
daizj
oracle闪回数据库
Flashback 技术是以Undo segment中的内容为基础的, 因此受限于UNDO_RETENTON参数。要使用flashback 的特性,必须启用自动撤销管理表空间。
在Oracle 10g中, Flash back家族分为以下成员: Flashback Database, Flashback Drop,Flashback Query(分Flashback Query,Flashbac
- 简单排序:插入排序
dieslrae
插入排序
public void insertSort(int[] array){
int temp;
for(int i=1;i<array.length;i++){
temp = array[i];
for(int k=i-1;k>=0;k--)
- C语言学习六指针小示例、一维数组名含义,定义一个函数输出数组的内容
dcj3sjt126com
c
# include <stdio.h>
int main(void)
{
int * p; //等价于 int *p 也等价于 int* p;
int i = 5;
char ch = 'A';
//p = 5; //error
//p = &ch; //error
//p = ch; //error
p = &i; //
- centos下php redis扩展的安装配置3种方法
dcj3sjt126com
redis
方法一
1.下载php redis扩展包 代码如下 复制代码
#wget http://redis.googlecode.com/files/redis-2.4.4.tar.gz
2 tar -zxvf 解压压缩包,cd /扩展包 (进入扩展包然后 运行phpize 一下是我环境中phpize的目录,/usr/local/php/bin/phpize (一定要
- 线程池(Executors)
shuizhaosi888
线程池
在java类库中,任务执行的主要抽象不是Thread,而是Executor,将任务的提交过程和执行过程解耦
public interface Executor {
void execute(Runnable command);
}
public class RunMain implements Executor{
@Override
pub
- openstack 快速安装笔记
haoningabc
openstack
前提是要配置好yum源
版本icehouse,操作系统redhat6.5
最简化安装,不要cinder和swift
三个节点
172 control节点keystone glance horizon
173 compute节点nova
173 network节点neutron
control
/etc/sysctl.conf
net.ipv4.ip_forward =
- 从c面向对象的实现理解c++的对象(二)
jimmee
C++面向对象虚函数
1. 类就可以看作一个struct,类的方法,可以理解为通过函数指针的方式实现的,类对象分配内存时,只分配成员变量的,函数指针并不需要分配额外的内存保存地址。
2. c++中类的构造函数,就是进行内存分配(malloc),调用构造函数
3. c++中类的析构函数,就时回收内存(free)
4. c++是基于栈和全局数据分配内存的,如果是一个方法内创建的对象,就直接在栈上分配内存了。
专门在
- 如何让那个一个div可以拖动
lingfeng520240
html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml
- 第10章 高级事件(中)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 计算两个经纬度之间的距离
roadrunners
计算纬度LBS经度距离
要解决这个问题的时候,到网上查了很多方案,最后计算出来的都与百度计算出来的有出入。下面这个公式计算出来的距离和百度计算出来的距离是一致的。
/**
*
* @param longitudeA
* 经度A点
* @param latitudeA
* 纬度A点
* @param longitudeB
*
- 最具争议的10个Java话题
tomcat_oracle
java
1、Java8已经到来。什么!? Java8 支持lambda。哇哦,RIP Scala! 随着Java8 的发布,出现很多关于新发布的Java8是否有潜力干掉Scala的争论,最终的结论是远远没有那么简单。Java8可能已经在Scala的lambda的包围中突围,但Java并非是函数式编程王位的真正觊觎者。
2、Java 9 即将到来
Oracle早在8月份就发布
- zoj 3826 Hierarchical Notation(模拟)
阿尔萨斯
rar
题目链接:zoj 3826 Hierarchical Notation
题目大意:给定一些结构体,结构体有value值和key值,Q次询问,输出每个key值对应的value值。
解题思路:思路很简单,写个类词法的递归函数,每次将key值映射成一个hash值,用map映射每个key的value起始终止位置,预处理完了查询就很简单了。 这题是最后10分钟出的,因为没有考虑value为{}的情