- AI大模型学习路线:从入门到精通的完整指南【2025最新】
AI大模型-大飞
人工智能学习大模型LLMAI程序员大模型学习
引言近年来,以GPT、BERT、LLaMA等为代表的AI大模型彻底改变了人工智能领域的技术格局。它们不仅在自然语言处理(NLP)任务中表现卓越,还在计算机视觉、多模态交互等领域展现出巨大潜力。本文旨在为开发者、研究者和技术爱好者提供一条清晰的学习路径,帮助读者逐步掌握大模型的核心技术并实现实际应用。一、基础阶段:构建知识体系数学与理论基础线性代数:矩阵运算、特征值与奇异值分解是大模型参数优化的基础
- java实现卷积神经网络CNN(附带源码)
Katie。
Java实战项目java
Java实现卷积神经网络(CNN)项目详解目录项目概述1.1项目背景与意义1.2什么是卷积神经网络(CNN)1.3卷积神经网络的应用场景相关知识与理论基础2.1神经网络与深度学习概述2.2卷积操作与卷积层原理2.3激活函数与池化层2.4全连接层与损失函数2.5前向传播、反向传播与梯度下降项目需求与分析3.1项目目标3.2功能需求分析3.3性能与扩展性要求3.4异常处理与鲁棒性考虑系统设计与实现思路
- A survey on instance segmentation: state of the art——论文笔记
栀子清茶
1024程序员节论文阅读计算机视觉人工智能笔记学习
摘要这篇论文综述了实例分割的研究进展,定义其为同时解决对象检测和语义分割的问题。论文讨论了实例分割的背景、面临的挑战、技术演变、常用数据集,并总结了相关领域的最新成果和未来研究方向。实例分割的发展从粗略的对象分类逐步演变为更精细的像素级别推理,广泛应用于自动驾驶、机器人等领域。论文为研究人员提供了对实例分割领域的全面了解和有价值的参考。一、简介第一部分“简介”主要介绍了实例分割的背景、定义和挑战。
- Adobe Firefly 技术浅析(三):GANs 的改进
爱研究的小牛
AIGC——图像AIGC—生成对抗网络AIGC机器学习深度学习
生成式对抗网络(GANs)在图像生成领域取得了显著的进展,但原始的GANs在训练稳定性、生成质量以及多样性方面存在一些挑战。AdobeFirefly在其图像生成技术中采用了多种改进的GANs方法,以提高生成图像的质量和多样性。1.条件生成式对抗网络(cGANs)1.1基本原理条件生成式对抗网络(cGANs)通过引入额外的条件信息(如类别标签、文本描述等),使得生成器能够根据这些条件生成特定类型的图
- 【解锁机器学习:探寻数学基石】
游戏乐趣
机器学习人工智能
机器学习中的数学基础探秘在当今数字化时代,机器学习无疑是最具影响力和发展潜力的技术领域之一。从图像识别到自然语言处理,从智能推荐系统到自动驾驶,机器学习的应用无处不在,深刻地改变着我们的生活和工作方式。然而,在这看似神奇的机器学习背后,数学作为其坚实的理论基础,起着不可或缺的关键作用。毫不夸张地说,数学是打开机器学习大门的钥匙,是理解和掌握机器学习算法与模型的核心所在。想象一下,机器学习就像是一座
- 2024年12月CCF-GESP编程能力等级认证C++编程四级真题解析
前网易架构师-高司机
c++开发语言CCF-GESP
四级真题的难度:一、总体难度评价CCF-GESP编程能力等级认证C++四级真题的难度通常被认为相对较高。它不仅要求考生具备扎实的C++编程基础,还需要考生掌握一定的算法和数据结构知识,以及良好的问题解决能力。二、具体难度分析理论知识考察:单选题和判断题中,会涉及C++语言的理论基础知识,如数组的存储原理、函数的各种传参方式、指针、引用等。这些题目要求考生对C++语言有深入的理解。编程技能考察
- 用 Verilog 实现 0 到 18 计数器:从原理到实践的全解析
君临天下.鑫
modelsim波形仿真verilogfpga开发课程设计经验分享笔记编辑器
在数字电路设计中,计数器是极为重要的基础部件,广泛应用于各类数字系统。本次实验聚焦于设计一个从0到18计数的计数器,通过深入探索计数器的工作原理、利用组合逻辑控制计数范围,进一步加深对数字电路和Verilog语言的理解与应用。一、实验目的理解计数器通用原理:全面掌握计数器的基本工作原理,包括计数的方式、状态的转换以及与外部信号的交互等,为设计特定功能的计数器奠定理论基础。运用组合逻辑控制计数范围:
- 23章9节:分层随机抽样及其在R语言中的实现与验证
DAT|R科学与人工智能
用R探索医药数据科学r语言开发语言r-4.2.1机器学习人工智能算法
在统计学和数据科学的实际工作中,抽样方法始终扮演着至关重要的角色。如何从庞大的总体中获取具有代表性的样本,一直是数据分析过程中需要面对的核心问题之一。分层随机抽样作为一种常用的抽样方法,因其能够针对总体中的不同亚群体(层)进行有针对性的抽样,从而提高样本代表性、降低抽样误差,被广泛应用于社会调查、市场研究、医学试验等各个领域。本文旨在系统地阐述分层随机抽样的理论基础、抽样方法及其在R语言中的实现,
- HarmonyNext实战:基于ArkTS的高性能图像处理应用开发
应用开发
引言在HarmonyNext生态系统中,图像处理是一个重要且具有挑战性的领域。本文将深入探讨如何利用ArkTS语言开发一个高性能的图像处理应用,重点介绍图像卷积、边缘检测等核心算法的实现。我们将从理论基础出发,逐步构建一个完整的图像处理应用,并通过优化技巧提升性能。图像处理基础1.1图像表示在数字图像处理中,图像通常被表示为一个二维矩阵,每个元素代表一个像素的灰度值或颜色值。在HarmonyNex
- Transformer架构在生成式AI中的应用解析
二进制独立开发
非纯粹GenAI人工智能transformer架构深度学习机器学习tensorflow迁移学习
文章目录1.Transformer架构概述1.1Transformer的核心思想1.2Transformer架构的优势2.Transformer在文本生成中的应用2.1GPT系列:基于Transformer的自回归文本生成2.2BERT系列:基于Transformer的双向编码器3.Transformer在图像生成中的应用3.1VisionTransformer(ViT)3.2DALL·E:基于T
- 机器学习_重要知识点整理
嘉羽很烦
机器学习机器学习
机器学习重要知识点整理一、数学与理论基础1.概率与统计术语作用使用场景概率分布描述随机变量的取值概率,如正态分布、二项分布。数据建模(如高斯分布假设)、生成模型(如贝叶斯网络)。贝叶斯定理计算条件概率,更新先验知识以获得后验概率。贝叶斯分类器、文本分类(如垃圾邮件检测)。最大似然估计(MLE)通过数据最大化似然函数,估计模型参数。线性回归、逻辑回归参数估计。假设检验判断假设是否成立(如t检验、卡方
- 系统架构设计师【第5章】: 软件工程基础知识 (核心总结)
数据知道
系统架构软件工程软考高级系统架构设计师软件工程基础
文章目录5.1软件工程5.1.1软件工程定义5.1.2软件过程模型5.1.3敏捷模型5.1.4统一过程模型(RUP)5.1.5软件能力成熟度模型5.2需求工程5.2.1需求获取5.2.2需求变更5.2.3需求追踪5.3系统分析与设计5.3.1结构化方法5.3.2面向对象方法5.4软件测试5.4.1测试方法5.4.2测试阶段5.5净室软件工程5.5.1理论基础5.5.2技术手段5.5.3应用与缺点5
- HarmonyNext实战:基于ArkTS的高性能音视频处理应用开发
harmonyos-next
HarmonyNext实战:基于ArkTS的高性能音视频处理应用开发引言在音视频处理领域,实时性和性能是关键。随着HarmonyNext生态系统的不断发展,开发者可以利用ArkTS语言构建高性能的音视频处理应用。本文将深入探讨如何利用ArkTS开发一个音视频处理应用,重点介绍音频处理、视频编解码以及实时流媒体传输的实现。我们将从理论基础出发,逐步构建一个完整的应用,并通过优化技巧提升性能。1.音视
- HarmonyNext实战:基于ArkTS的高性能图像处理应用开发
harmonyos-next
HarmonyNext实战:基于ArkTS的高性能图像处理应用开发引言在HarmonyNext生态系统中,图像处理是一个重要且具有挑战性的领域。本文将深入探讨如何利用ArkTS语言开发一个高性能的图像处理应用,重点介绍图像卷积、边缘检测等核心算法的实现。我们将从理论基础出发,逐步构建一个完整的图像处理应用,并通过优化技巧提升性能。1.图像处理基础1.1图像表示在数字图像处理中,图像通常被表示为一个
- Stable Diffusion/DALL-E 3图像生成优化策略
云端源想
stablediffusion
StableDiffusion的最新版本或社区开发的插件,可以补充这些信息以保持内容的时效性。云端源想1.硬件与部署优化(进阶)显存压缩技术使用--medvram或--lowvram启动参数(StableDiffusionWebUI),通过分层加载模型降低显存占用(适合6GB以下显卡)。分块推理(TiledDiffusion):将图像分割为512×512区块,逐块生成后无缝拼接,支持4096×40
- ComfyUI之“注入间隔”(Injection Interval)对生成过程进行控制
AI-AIGC-7744423
计算机视觉人工智能架构
含义“注入间隔”通常指的是在生成图像的过程中,某些特定的控制信号或者参数被注入到生成流程中的时间间隔或者步数间隔。在ComfyUI的图像生成流程里,尤其是使用扩散模型生成图像时,整个过程会被拆分成多个步骤逐步迭代,每一步都会对图像进行一些细微的调整和更新。“注入间隔”决定了在这些步骤中,额外的控制信息(如提示词、控制网等带来的影响)在哪些步骤起作用。具体作用1.控制网(ControlNet)应用当
- ComfyUI 中存在类似于 “蒙版” 的方法
AI-AIGC-7744423
图像处理人工智能
在ComfyUI中存在类似于“蒙版”的方法,它在图像生成和编辑过程中发挥着重要作用,以下为你详细介绍:什么是蒙版及其作用在图像处理领域,蒙版是一种用于控制图像特定区域处理效果的工具。通过蒙版,可以指定哪些区域需要应用某种效果(如滤镜、色彩调整等),哪些区域保持不变。在ComfyUI里,蒙版主要用于控制图像生成或修改的范围。ComfyUI中实现类似蒙版功能的方法1.使用ControlNet的蒙版功能
- python自制MBTI 16型人格测试1.0
LHTZ
python开发语言娱乐
什么是16型人格测试16型人格测试也叫MBTI(Myers-BriggsTypeIndicator)测试,它是一种基于心理学理论的人格测评工具。这个理论最初是由凯瑟琳・库克・布里格斯(KatharineCookBriggs)和她的女儿伊莎贝尔・布里格斯・迈尔斯(IsabelBriggsMyers)在20世纪40年代开发的。它的理论基础是瑞士心理学家卡尔・荣格(CarlJung)的心理类型理论。MB
- 笔记:代码随想录算法训练营第35天: 01背包问题 二维、 01背包问题 一维 、LeetCode416. 分割等和子集
jingjingjing1111
算法leetcode数据结构动态规划笔记
学习资料:代码随想录这一块儿学得挺痛苦注:文中含大模型生成内容动态规划:01背包理论基础卡码网第46题思路:五部曲定义:dp[i][j]为第i个物品背包容量为j,能装下的最大价值递推公式:dp[i][j]的值等于dp[i-1][j]的值和dp[i-1][j-weight[i]]+value相比的最大值,后者为看放下当前物品+减去当前物品的容量能放下什么价值,当然,要是放不下当前物品,就算了,保持原
- 【图论】——理论基础总结
weixin_47868976
图论
图论这一章尤其需要图例进行说明,方便理解,对于作者来说很费时间,本文主要为自己复习方便,所以并不会写的非常详细,见谅。图论图的基本概念基本要素:边节点两点连成线,多个点连成的线称为图。当然也可以就一个节点,或者啥也没有(空图)。图的种类方向的概念根据边有无方向划分为:无向图有向图权重的概念边可以有权重,根据有无权重和方向:加权有向图加权无向图度的概念针对无向图,对于某节点,有几条边连着该节点,就称
- AI电商文生图comfyui工作流搭建定制
AI信息官
人工智能
触站AI:AI电商文生图comfyui工作流搭建定制在电商的海洋中,触站AI以其专业comfyui图像生成技术,为品牌打造个性化视觉体验,提升用户界面的舒适度和亲和力。️第一板块:comfyui图像生成系统定制️️定制化服务触站AI提供个性化的comfyui图像生成系统定制服务,确保每个企业都能拥有与其品牌特色和用户需求相匹配的图像生成系统。①品牌一致性——定制系统确保生成的图像与企业品牌风格保持
- Adobe Firefly 技术浅析(二):Transformer生成模型
爱研究的小牛
AIGC——图像transformer深度学习人工智能AIGC机器学习
AdobeFirefly的图像生成技术不仅依赖于生成式对抗网络(GAN),还引入了基于Transformer的生成模型。Transformer模型在处理长距离依赖关系和生成复杂图像结构方面具有显著优势。1.基本原理1.1Transformer模型简介Transformer模型最初由Vaswani等人在2017年提出,用于自然语言处理(NLP)任务。其核心是自注意力机制(Self-Attention
- 如何增强机器学习基础,提升大模型面试通过概率
weixin_40941102
机器学习面试人工智能
我的好朋友没有通过面试所以我给我的好朋友准备了这一篇学习路线随着大模型(如Transformer、GPT-4、LLaMA等)在自然语言处理(NLP)、计算机视觉(CV)和多模态任务中的广泛应用,AI行业的招聘竞争愈发激烈。面试官不仅要求候选人熟练使用深度学习框架(如PyTorch、TensorFlow),还希望他们具备扎实的机器学习理论基础、算法实现能力和实际问题解决经验。本文将从机器学习基础入手
- 【人工智能数学基础】——深入详解贝叶斯理论:掌握贝叶斯定理及其在分类和预测中的应用
猿享天开
人工智能数学基础专讲分类数据挖掘人工智能贝叶斯数学
深入详解贝叶斯理论:掌握贝叶斯定理及其在分类和预测中的应用贝叶斯理论(BayesianTheory)是概率论和统计学中的一个重要分支,它以托马斯·贝叶斯(ThomasBayes)命名,主要关注如何根据新的证据更新对某一事件的信念。贝叶斯定理作为贝叶斯理论的核心,在机器学习、数据分析、决策科学等多个领域中具有广泛的应用。本文将深入探讨贝叶斯定理的理论基础、数学表达及其在分类和预测中的应用,辅以实例和
- AIGC视频生成模型:ByteDance的PixelDance模型
好评笔记
AIGC音视频机器学习人工智能深度学习计算机视觉transformer
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍ByteDance的视频生成模型PixelDance,论文于2023年11月发布,模型上线于2024年9月,同时期上线的模型还有Seaweed(论文未发布)。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集优质专栏回顾:机器学习笔记深度学习笔记多模态论文笔记AIGC—图像文章目录热门专栏机器学习深度学习
- LLM论文笔记 20: How to think step-by-step: A mechanistic understanding of chain-of-thought reasoning
Zhouqi_Hua
大模型论文阅读人工智能chatgpt论文阅读机器学习深度学习语言模型
Arxiv日期:2024.5.16机构:IIT关键词CoT本质LLM推理本质核心结论1.CoT推理的功能组件尽管不同阶段的推理任务具有不同的推理需求,模型内部的功能组件几乎是相同的(共享而非独享)不同的神经算法实际上是由类似归纳头(inductionheads)等机制组合而成2.注意力机制中的信息流动attentionheads在不同的模型层之间传递信息,特别是当它们涉及到本体论相关(ontolo
- 大模型“瘦身”革命——模型压缩与加速
大模型应用场景
人工智能开源transformer自然语言处理ai大模型LLM
随着AI大模型(如GPT、BERT、DALL·E等)的崛起,它们在自然语言处理、图像生成等领域的表现令人惊叹。然而,大模型的参数量动辄数十亿甚至上千亿,带来了巨大的计算资源消耗和部署成本。如何在保持模型性能的同时,降低其计算和存储需求,成为了AI领域的热门话题。本文将深入探讨AI大模型的“瘦身”革命——模型压缩与加速技术,帮助开发者高效部署大模型。一、为什么需要模型压缩与加速?AI大模型(如GPT
- 【人工智能】随机森林的智慧:集成学习的理论与实践
蒙娜丽宁
人工智能人工智能随机森林集成学习
随机森林(RandomForest)是一种强大的集成学习算法,通过构建多棵决策树并结合投票或平均预测提升模型性能。本文深入探讨了随机森林的理论基础,包括决策树的构建、Bagging方法和特征随机选择机制,并通过LaTeX公式推导其偏差-方差分解和误差分析。接着,我们详细描述了随机森林的算法流程,分析其在分类和回归任务中的适用性。文章还通过实验对比随机森林与单一决策树及其他算法(如SVM)的性能,探
- 【人工智能基础】生成模型:让数据“无中生有”的神奇魔法
roman_日积跬步-终至千里
#人工智能基础知识人工智能
文章目录一、生成模型的发展脉络二、生成模型的基本原理三、主要生成模型及其逻辑1、生成对抗网络(GAN)2、变分自编码器(VAE)3、扩散模型(DPM)4、基于能量的模型(EBM)5、正规化流(NF)四、生成模型对比分析五、生成模型的应用拓展一、生成模型的发展脉络在深度学习尚未兴起的时期,计算机视觉领域的传统图像生成算法主要依赖纹理合成和纹理映射等技术。这些算法基于手工设计的特征进行图像构建,然而,
- 每日AIGC最新进展(41):上海AI Lab提出新型DiT结构Lumina-Next、Adobe研究院提出图像与文本对齐方法AlignIT、新型多模态图像生成模型MUMU
沉迷单车的追风少年
DiffusionModels与深度学习AIGC人工智能深度学习扩散模型计算机视觉adobe
DiffusionModels专栏文章汇总:入门与实战Lumina-Next:MakingLumina-T2XStrongerandFasterwithNext-DiTLumina-Next是一种新型的生成模型,旨在通过改进的Next-DiT架构、上下文外推技术和快速采样技术,解决前身Lumina-T2X在生成质量和效率上的挑战。该模型通过3DRoPE和三明治归一化等技术,提高了图像和视频生成的稳
- Java实现的简单双向Map,支持重复Value
superlxw1234
java双向map
关键字:Java双向Map、DualHashBidiMap
有个需求,需要根据即时修改Map结构中的Value值,比如,将Map中所有value=V1的记录改成value=V2,key保持不变。
数据量比较大,遍历Map性能太差,这就需要根据Value先找到Key,然后去修改。
即:既要根据Key找Value,又要根据Value
- PL/SQL触发器基础及例子
百合不是茶
oracle数据库触发器PL/SQL编程
触发器的简介;
触发器的定义就是说某个条件成立的时候,触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用,也不能调用。触发器和过程函数类似 过程函数必须要调用,
一个表中最多只能有12个触发器类型的,触发器和过程函数相似 触发器不需要调用直接执行,
触发时间:指明触发器何时执行,该值可取:
before:表示在数据库动作之前触发
- [时空与探索]穿越时空的一些问题
comsci
问题
我们还没有进行过任何数学形式上的证明,仅仅是一个猜想.....
这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
- easy ui datagrid上移下移一行
商人shang
js上移下移easyuidatagrid
/**
* 向上移动一行
*
* @param dg
* @param row
*/
function moveupRow(dg, row) {
var datagrid = $(dg);
var index = datagrid.datagrid("getRowIndex", row);
if (isFirstRow(dg, row)) {
- Java反射
oloz
反射
本人菜鸟,今天恰好有时间,写写博客,总结复习一下java反射方面的知识,欢迎大家探讨交流学习指教
首先看看java中的Class
package demo;
public class ClassTest {
/*先了解java中的Class*/
public static void main(String[] args) {
//任何一个类都
- springMVC 使用JSR-303 Validation验证
杨白白
springmvc
JSR-303是一个数据验证的规范,但是spring并没有对其进行实现,Hibernate Validator是实现了这一规范的,通过此这个实现来讲SpringMVC对JSR-303的支持。
JSR-303的校验是基于注解的,首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。
登录需要验证类
public class Login {
@NotEmpty
- log4j
香水浓
log4j
log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE
#log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML
#console
log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender
log4
- 使用ajax和history.pushState无刷新改变页面URL
agevs
jquery框架Ajaxhtml5chrome
表现
如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时,细心的你会发现页面之间的点击是通过ajax异步请求的,同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。
是什么有这么强大的功能呢?
HTML5里引用了新的API,history.pushState和history.replaceState,就是通过
- centos中文乱码
AILIKES
centosOSssh
一、CentOS系统访问 g.cn ,发现中文乱码。
于是用以前的方式:yum -y install fonts-chinese
CentOS系统安装后,还是不能显示中文字体。我使用 gedit 编辑源码,其中文注释也为乱码。
后来,终于找到以下方法可以解决,需要两个中文支持的包:
fonts-chinese-3.02-12.
- 触发器
baalwolf
触发器
触发器(trigger):监视某种情况,并触发某种操作。
触发器创建语法四要素:1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete)
语法:
create trigger triggerName
after/before 
- JS正则表达式的i m g
bijian1013
JavaScript正则表达式
g:表示全局(global)模式,即模式将被应用于所有字符串,而非在发现第一个匹配项时立即停止。 i:表示不区分大小写(case-insensitive)模式,即在确定匹配项时忽略模式与字符串的大小写。 m:表示
- HTML5模式和Hashbang模式
bijian1013
JavaScriptAngularJSHashbang模式HTML5模式
我们可以用$locationProvider来配置$location服务(可以采用注入的方式,就像AngularJS中其他所有东西一样)。这里provider的两个参数很有意思,介绍如下。
html5Mode
一个布尔值,标识$location服务是否运行在HTML5模式下。
ha
- [Maven学习笔记六]Maven生命周期
bit1129
maven
从mvn test的输出开始说起
当我们在user-core中执行mvn test时,执行的输出如下:
/software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
- 【Hadoop七】基于Yarn的Hadoop Map Reduce容错
bit1129
hadoop
运行于Yarn的Map Reduce作业,可能发生失败的点包括
Task Failure
Application Master Failure
Node Manager Failure
Resource Manager Failure
1. Task Failure
任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
- 记一次数据推送的异常解决端口解决
ronin47
记一次数据推送的异常解决
需求:从db获取数据然后推送到B
程序开发完成,上jboss,刚开始报了很多错,逐一解决,可最后显示连接不到数据库。机房的同事说可以ping 通。
自已画了个图,逐一排除,把linux 防火墙 和 setenforce 设置最低。
service iptables stop
- 巧用视错觉-UI更有趣
brotherlamp
UIui视频ui教程ui自学ui资料
我们每个人在生活中都曾感受过视错觉(optical illusion)的魅力。
视错觉现象是双眼跟我们开的一个玩笑,而我们往往还心甘情愿地接受我们看到的假象。其实不止如此,视觉错现象的背后还有一个重要的科学原理——格式塔原理。
格式塔原理解释了人们如何以视觉方式感觉物体,以及图像的结构,视角,大小等要素是如何影响我们的视觉的。
在下面这篇文章中,我们首先会简单介绍一下格式塔原理中的基本概念,
- 线段树-poj1177-N个矩形求边长(离散化+扫描线)
bylijinnan
数据结构算法线段树
package com.ljn.base;
import java.util.Arrays;
import java.util.Comparator;
import java.util.Set;
import java.util.TreeSet;
/**
* POJ 1177 (线段树+离散化+扫描线),题目链接为http://poj.org/problem?id=1177
- HTTP协议详解
chicony
http协议
引言
- Scala设计模式
chenchao051
设计模式scala
Scala设计模式
我的话: 在国外网站上看到一篇文章,里面详细描述了很多设计模式,并且用Java及Scala两种语言描述,清晰的让我们看到各种常规的设计模式,在Scala中是如何在语言特性层面直接支持的。基于文章很nice,我利用今天的空闲时间将其翻译,希望大家能一起学习,讨论。翻译
- 安装mysql
daizj
mysql安装
安装mysql
(1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps (强制删除)
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i MySQL-server-5.5.31-2.el
- HTTP状态码大全
dcj3sjt126com
http状态码
完整的 HTTP 1.1规范说明书来自于RFC 2616,你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性,因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端,支持协议版本可以通过调用request
- asihttprequest上传图片
dcj3sjt126com
ASIHTTPRequest
NSURL *url =@"yourURL";
ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url];
[currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
- C语言中,关键字static的作用
e200702084
C++cC#
在C语言中,关键字static有三个明显的作用:
1)在函数体,局部的static变量。生存期为程序的整个生命周期,(它存活多长时间);作用域却在函数体内(它在什么地方能被访问(空间))。
一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区,函数调用结束后并不释放单元,但是在其它的作用域的无法访问。当再次调用这个函数时,这个局部的静态变量还存活,而且用在它的访
- win7/8使用curl
geeksun
win7
1. WIN7/8下要使用curl,需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。 下载地址:
http://curl.haxx.se/download.html 请选择不带SSL的版本,否则还需要安装SSL的支持包 2. 可以给Windows增加c
- Creating a Shared Repository; Users Sharing The Repository
hongtoushizi
git
转载自:
http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section:
git init –bare
git clone
git remote
git pull
git p
- Java实现字符串反转的8种或9种方法
Josh_Persistence
异或反转递归反转二分交换反转java字符串反转栈反转
注:对于第7种使用异或的方式来实现字符串的反转,如果不太看得明白的,可以参照另一篇博客:
http://josh-persistence.iteye.com/blog/2205768
/**
*
*/
package com.wsheng.aggregator.algorithm.string;
import java.util.Stack;
/**
- 代码实现任意容量倒水问题
home198979
PHP算法倒水
形象化设计模式实战 HELLO!架构 redis命令源码解析
倒水问题:有两个杯子,一个A升,一个B升,水有无限多,现要求利用这两杯子装C
- Druid datasource
zhb8015
druid
推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证,稳定可靠。 它最重要的特点是:监控、扩展和性能。 下载和Maven配置看这里: http
- 两种启动监听器ApplicationListener和ServletContextListener
spjich
javaspring框架
引言:有时候需要在项目初始化的时候进行一系列工作,比如初始化一个线程池,初始化配置文件,初始化缓存等等,这时候就需要用到启动监听器,下面分别介绍一下两种常用的项目启动监听器
ServletContextListener
特点: 依赖于sevlet容器,需要配置web.xml
使用方法:
public class StartListener implements
- JavaScript Rounding Methods of the Math object
何不笑
JavaScriptMath
The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(), Math.floor(), and Math.round() — handle rounding in differen