- GNN--知识图谱(逐步贯通基础到项目实践)
峙峙峙
图神经网络知识图谱人工智能
原文仓库链接:知识图谱–贯通已有知识地图记录知识关系图谱和跨学科碰撞新启发知识图谱mermaid可能需要下载插件才能渲染线性代数神经网络深度学习框架硬件加速图论GNN框架交叉理解前向理解定义:前向理解:A–>B,A为B的基础铺垫知识,通过深入学习A对B有更好的理解01.LinearAlgebraforLinearLayerofNN从线性代数行列变换的角度看神经网络中的线性层线性代数矩阵乘法,可以理
- 机器学习的数学基础-线性代数
本文用于复习并记录机器学习中的相关数学基础,仅供学习参考。很多总结和例子来源于mml项目(mml-book.github.io)十分感谢这本书的作者,PS:这本书目前没有中文版。线性代数线性方程组矩阵矩阵的加法与乘法矩阵加法矩阵乘法单位矩阵与标量相乘逆与转置逆转置解决线性方程组特解与通解高斯消元法初级变换应用:“-1”trick应用:求逆总结-如何解决线性方程组?向量空间群向量空间向量子空间线性独
- 什么是深度学习框架中的计算图?
杰瑞学AI
ComputerknowledgeNLP/LLMsAI/AGI深度学习人工智能pytorch
在深度学习框架中,计算图是核心的数据结构和抽象概念,它用来表示和定义深度学习模型的计算过程。我们可以把它想象成一个描述数学运算如何组合和执行的有向图。以下是计算图的关键要素和作用:节点:代表操作或变量。操作:数学运算,如加法(+)、乘法(*)、矩阵乘法(matmul)、激活函数(ReLU,sigmoid)、卷积(conv2d)、损失函数(cross_entropy)等。变量:通常是张量,即存储数据
- NumPy-核心函数np.matmul()深入解析
GG不是gg
numpynumpy
NumPy-核心函数np.matmul深入解析一、矩阵乘法的本质与`np.matmul()`的设计目标1.数学定义:从二维到多维的扩展2.设计目标二、`np.matmul()`核心语法与参数解析函数签名核心特性三、多维场景下的核心运算逻辑1.二维矩阵乘法:基础用法2.一维向量与二维矩阵相乘3.高维数组:批次矩阵乘法4.广播机制下的形状匹配四、与`np.dot()`和`*`运算符的核心区别1.对比`
- 数据处理与统计分析——03-Numpy的np.dot()方法&点积与矩阵乘法
零光速
数据分析numpy矩阵python开发语言数据结构
np.dot()np.dot()在NumPy中既可以用于向量的点积,也可以用于矩阵乘法,这两种运算的本质不同,取决于输入是向量还是矩阵。1.点积(DotProduct)定义当np.dot()的输入是两个一维向量时,计算的是点积,即两个向量的对应元素相乘并求和,结果是一个标量。公式对于两个n维向量a=[a1,a2,…,an]和b=[b1,b2,…,bn]点积的计算公式为:a⋅b=a1*b1+a2*b
- 从零实现Llama3:深入解析Transformer架构与实现细节
祁婉菲Flora
从零实现Llama3:深入解析Transformer架构与实现细节llama3-from-scratchllama3一次实现一个矩阵乘法。项目地址:https://gitcode.com/gh_mirrors/ll/llama3-from-scratch引言本文将深入探讨如何从零开始实现Llama3语言模型。我们将从最基本的张量操作开始,逐步构建完整的Transformer架构。通过这个过程,读者
- pytorch小记(二十六):全面解读 PyTorch 的 `torch.matmul`
pytorch小记(二十六):全面解读PyTorch的`torch.matmul`PyTorch中的`torch.matmul`详解与使用指南一、什么是`torch.matmul`二、基本用法示例1.向量点积(1-D×1-D)2.二维矩阵乘法(2-D×2-D)3.批量矩阵乘法(≥3-D)4.向量与矩阵混合三、与`mm`、`bmm`的区别四、性能与数值稳定性五、典型应用场景六、注意事项七、总结在深度
- 从 O(n³) 到按需计算:Swift 玩转稀疏矩阵乘法
网罗开发
Swiftswift矩阵开发语言
文章目录摘要描述解题思路代码实现(Swift)分析这个代码是怎么做的?示例测试与输出结果时间复杂度空间复杂度总结摘要在大多数算法题里,矩阵乘法都不算太陌生了。但一旦题目提示“稀疏矩阵”——也就是大部分值都是0的那种,这就提示我们:有优化空间。这篇文章就用Swift带大家一步步搞懂怎么写一个更高效的稀疏矩阵乘法逻辑,顺便聊聊背后的思路。描述我们手上有两个矩阵,A和B,想把它们乘起来。和普通乘法不同的
- 【分治算法】【Python实现】Strassen矩阵乘法
「已注销」
#分治算法分治算法Python
文章目录@[toc]问题描述基础算法时间复杂性Strassen算法时间复杂性问题时间复杂性Python实现个人主页:丷从心·系列专栏:分治算法学习指南:算法学习指南问题描述设AAA和BBB是两个n×nn\timesnn×n矩阵,AAA和BBB的乘积矩阵CCC中元素cij=∑k=1naikbkjc_{ij}=\displaystyle\sum\limits_{k=1}^{n}{a_{ik}b_{kj
- 【算法设计与分析】(四)Strassen 矩阵
珹洺
#算法设计与分析算法矩阵线性代数
【算法设计与分析】(四)Strassen矩阵前言一、传统矩阵乘法二、Strassen矩阵乘法1.算法步骤2.效率提升三、实际应用场景四、算法的局限性与改进前言上一篇博客我们以生动形象的例子和清晰的步骤,为大家详细讲解了二分搜索技术与大整数乘法。接下来,这篇博客将带大家深入探索**Strassen矩阵**乘法,感受算法优化魅力。我的个人主页,欢迎来阅读我的其他文章https://blog.csdn.
- 多头注意力机制中全连接函数
不知更鸟
深度学习
在神经网络(特别是Transformer中的多头注意力机制)中,全连接函数(FullyConnectedLayer,FCLayer)通常指的是一个线性变换层,即nn.Linear在PyTorch中的实现。它本质上是一个矩阵乘法加上偏置(bias)的操作,用于对输入数据进行线性变换。1.全连接函数(nn.Linear)是什么?nn.Linear(d_model,d_model)表示一个全连接层,它的
- GNU Octave 基础教程(8):GNU Octave 常用数学函数
方博士AI机器人
GNUOctave基础教程机器学习算法人工智能
目录一、基本算术运二、初等数学函数三、三角函数与反三角函数四、统计函数五、复数与其他函数✅小结下一讲预告GNUOctave内置了大量数学函数,涵盖初等数学、线性代数、复数运算、统计函数等,非常适合科研、工程计算使用。本节将系统地梳理Octave中最常用的数学函数,并附上示例代码与输出结果。一、基本算术运运算符号/函数示例加法+a+b减法-a-b乘法*/.*A*B(矩阵乘法),A.*B(逐元素)除法
- 数学基础(线性代数、概率统计、微积分)缺乏导致概念难以理解问题大全
猫头虎技术团队
已解决的Bug专栏线性代数opencv数据挖掘语音识别计算机视觉人工智能机器学习
数学基础(线性代数、概率统计、微积分)缺乏导致概念难以理解问题大全机器学习/深度学习的核心算法背后,往往需要用到矩阵运算、特征向量、梯度下降等;如果连矩阵乘法、特征值、偏导数都没搞懂,就很难理解模型原理。摘要文章目录数学基础(线性代数、概率统计、微积分)缺乏导致概念难以理解问题大全摘要1.开发场景介绍1.1场景背景1.2技术细节2.开发环境3.问题分析3.1线性代数缺失带来的挑战3.2概率统计短板
- C语言实现4x4矩阵乘法的详细教程
Kimgoeunlaogong
本文还有配套的精品资源,点击获取简介:矩阵乘法是线性代数的基本操作,在计算机科学的多个领域中有广泛应用。本文详细解释了如何用C语言编写程序来实现两个4x4矩阵的乘法。我们将探讨矩阵乘法的数学原理,并通过C语言的二维数组和嵌套循环来编写代码。该程序将为学习线性代数和C语言编程提供一个实践案例。1.矩阵乘法的数学原理矩阵乘法不仅在线性代数中占据着重要地位,也是计算机科学中不可或缺的一部分。了解矩阵乘法
- MIT线性代数第三讲笔记
可耳(keer)
线性代数笔记
视频链接https://www.youtube.com/watch?v=FX4C-JpTFgY3.1矩阵乘法以A∗B=CA*B=CA∗B=C为例,其中矩阵A是m∗nm*nm∗n,矩阵B是n∗pn*pn∗p,矩阵C则是m∗pm*pm∗p单个元素求矩阵C中的每一个元素,公式如下:cij=∑k=1naik∗bkjc_{ij}=\sum_{k=1}^na_{ik}*b_{kj}cij=k=1∑naik∗b
- CUDA核函数优化进阶:利用Shared Memory实现矩阵计算10倍加速
AI咸鱼保护协会
人工智能深度学习AI矩阵CUDA
在NVIDIAA100上优化1024×1024矩阵乘法时,共享内存策略将计算速度从3.2TFLOPS提升至31.5TFLOPS——本文将揭示如何通过内存访问优化突破GPU计算瓶颈。一、GlobalMemory的致命瓶颈1.1显存访问代价分析以矩阵乘法$C=A\timesB$为例,计算每个$C_{ij}$需访问A的一行和B的一列:GlobalMemory延迟:约400-800周期计算指令延迟:仅20
- 【AI大模型】14、Transformer架构深度解析:从并行计算到千亿参数模型的扩展密码
无心水
AI大模型人工智能transformer架构AI大模型Transformer模型扩展特征工程自动化特征工程
一、Transformer的基因密码:并行化架构的革命性突破(一)序列计算的历史性突破在Transformer诞生之前,RNN/LSTM等序列模型受困于串行计算的天然缺陷:时间复杂度瓶颈:处理长度为N的序列需O(N)时间,且无法并行,导致训练速度随序列长度呈线性下降。例如,LSTM处理512长度文本需512次递归计算,而Transformer仅需一次矩阵乘法。长距离依赖困境:通过隐藏状态传递信息的
- 算法导论第四章:分治策略的艺术与科学
W说编程
算法导论数据结构与算法算法数据结构c语言性能优化
算法导论第四章:分治策略的艺术与科学本文是《算法导论》精讲专栏第四章,通过问题分解可视化、递归树分析和数学证明,结合完整C语言实现,深入解析分治策略的精髓。包含最大子数组、矩阵乘法、最近点对等经典问题的完整实现与优化技巧。1.分治策略:化繁为简的智慧1.1分治法核心思想原问题分解子问题1子问题2子问题n解决合并最终解分治三步曲:分解:将问题划分为规模更小的子问题解决:递归解决子问题(基线条件直接求
- 机器学习四剑客:Numpy、Pandas、PIL、Matplotlib 完全指南
摘取一颗天上星️
机器学习numpypandas
在机器学习领域,这四个Python库构成了数据处理和可视化的核心工具链。它们各司其职又紧密协作,形成了完整的数据处理流水线:1.Numpy:科学计算基石核心功能:多维数组操作与数值计算importnumpyasnp#创建数组arr=np.array([[1,2,3],[4,5,6]])#数学运算sines=np.sin(arr)#每个元素求正弦
[email protected]#矩阵乘法#高级索引s
- 拉力测试cuda pytorch 把 4070显卡拉满
MYH516
pytorch人工智能python
importtorchimporttimedefstress_test_gpu(matrix_size=16384,duration=300):"""对GPU进行压力测试,通过持续的矩阵乘法来最大化GPU利用率参数:matrix_size:矩阵维度大小,增大可提高计算复杂度duration:测试持续时间(秒)"""#检查CUDA是否可用ifnottorch.cuda.is_available():
- 矩阵乘法--Python
bj3281
矩阵pythonjava
矩阵乘法一、问题引入二、解题步骤1.思维导图2.解题步骤三、代码实现四、个人小结一、问题引入输入格式:第一行为n,m,k,表示A矩阵是n行m列,B矩阵是m行k列,n,m,k均小于20然后先后输入A和B两个矩阵,A矩阵n行m列,B矩阵m行k列,矩阵中每个元素的绝对值不会大于5000。输出格式:输出矩阵C,一共n行,每行k个整数,整数之间以一个空格分开。输入样例:在这里给出一组输入。例如:323111
- TPU结构总结
枫溪夜影
人工智能
TPU只完成推理过程,训练过程在GPU上完成。TPU可以像GPU一样通过PCIe总线接口挂载到现有的服务器上。设计目标是为了在TPU上完成所有的推理模型,从而减少和主机CPU的交互,进而满足2015年及今后的神经网络需求。下图是TPU的整体结构框图。主机通过PCIeGen3x16的总线发送TPU的指令到其中的指令buffer内,内部模块之间通过典型的256位宽通路连接。右上角的矩阵乘法单元是TPU
- MIT线性代数笔记03-矩阵乘法和逆矩阵
loneux
线性代数矩阵机器学习
LinearAlgebra-Lecture03矩阵乘法和逆矩阵GilbertStrang矩阵乘法对于矩阵乘法AB=C\bold{AB=C}AB=C主要有5种方法可用于计算:【前提条件】:A,B\bold{A},\bold{B}A,B两个矩阵行列要匹配,A\bold{A}A的列数要等于B\bold{B}B的行数。[a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮am1am2⋯amn][b11b12⋯
- 线性代数学习笔记3-2:矩阵乘法的理解
Insomnia_X
线性代数学习笔记线性代数矩阵学习
矩阵向量乘法计算矩阵乘法,有多种理解方式矩阵与向量的乘法,可以理解为矩阵各个列向量的线性组合[abcd][xy]=[ax+bycx+dy]=x[ac]+y[bd]\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}=\begin{bmatrix}ax+by\\cx+dy\end{bmatrix}=x\begin{b
- 【PyTorch】CUDA基础知识
沐兮Krystal
NLPpytorch深度学习python
为了追求更快的速度,机器学习研究人员开始利用一些计算机中的特殊硬件。这些硬件原本是用来提升图形处理性能的,叫做显卡。NVIDIACUDA显卡中包含一个GPU,它能够以高度并行化的方式实现矩阵乘法。在很长一段时间,英伟达(NVIDIA)的GPU市场份额一直保持领先。他们有一套成熟的软件工具,可以充分利用硬件加速。这套软件框架就是CUDA。MVIDIA的竞争对手是AMD。在Python中使用CUDA创
- GPU深度学习性能的三驾马车:Tensor Core、内存带宽与内存层次结构
m0_70960708
笔记深度学习人工智能
这篇文章可以帮助我们了解GPU对深度学习性能的多个影响因素,从而帮助我们评估、选用GPU。本文将按照GPU各组件的重要程度顺序来进行介绍。TensorCore(张量计算核心)是最重要的因素,其次是GPU的内存带宽和缓存层次结构,最后是GPU的FLOPS。目录01TensorCore(张量计算核心)1.1在没有张量计算核心的情况下进行矩阵乘法运算1.2使用张量计算核心进行矩阵乘法运算1.3使用张量计
- 爆肝优化!FlashAttention-2性能飙升实战:从原理解析到PyTorch 2.2深度优化(附代码与Benchmark)
游戏人生的NPC
PyTorch2.2深度学习进阶pytorch人工智能python
一、引言:Transformer时代的注意力性能革命1.1传统注意力机制的性能瓶颈在大模型训练中,标准Transformer注意力面临三大痛点:内存爆炸:序列长度L=4096时,注意力内存占用达O(L²),A100显存仅能支持批量大小16计算低效:矩阵乘法占比超70%,GPU显存带宽利用率不足30%扩展性差:长序列场景下训练速度呈指数级下降,某千亿模型训练耗时超100天1.2FlashAttent
- 优化异构计算平台:hStreams框架的深度解析
你好像一条狗啊
异构计算hStreams框架流并发矩阵乘法性能优化
优化异构计算平台:hStreams框架的深度解析背景简介在异构计算领域,如何合理地分配和管理计算资源以优化性能是一个关键问题。本章节通过介绍hStreams框架,深入探讨了在异构计算平台中如何通过控制流并发和资源分配来提升矩阵乘法等计算任务的效率。异构计算与流并发异构计算通常涉及多种类型的处理器和加速器,如CPU和协处理器。通过合理配置这些资源,可以在不同的计算域中实现更高的并发性。在hStrea
- flash attention的CUDA编程流水并行加速-V6
谨慎付费(看不懂试读博客不要订阅)
高性能计算redis数据库缓存
之前关于flashattention的介绍可以继续参考链接添加链接描述矩阵乘法的优化参考添加链接描述,我们发现矩阵乘法的最优配置为:BLOCK_DIM_x=BLOCK_DIM_y=16,同时每个线程处理一个8×8的子矩阵。线程网格设置如下所示:constintRq=8;constintRv
- PyTorch 中mm和bmm函数的使用详解
点云SLAM
PyTorch深度学习pytorch人工智能python矩阵乘法3D深度学习深度学习机器学习
torch.mm是PyTorch中用于二维矩阵乘法(matrix-matrixmultiplication)的函数,等价于数学中的A×B矩阵乘积。一、函数定义torch.mm(input,mat2)→Tensor执行的是两个2DTensor(矩阵)的标准矩阵乘法。input:第一个二维张量,形状为(n×m)mat2:第二个二维张量,形状为(m×p)返回:形状为(n×p)的张量二、使用条件和注意事项
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
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
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f