David高_3b73
David高_3b73

DavidScalers第四轮新概念朗读持续训练2018.11.9

练习材料:新概念英语第二册Lesson33 Out of the darkness

DavidScalers第四轮新概念朗读持续训练2018.11.9_第1张图片
图片发自App

学习音标[g]

DavidScalers第四轮新概念朗读持续训练2018.11.9_第2张图片
图片发自App

Practice the sound[k].Use your voice to say[g]

任务配置:L0+L1+L2+L4

同学对我朗读的点评:

@09David-常州-上班族 今天听你朗读感觉还不错，比之前要好很多，读得很流利，虽然还是有点点生硬的感觉但是越来越好了，remembered的d不要发那么重，继续加油!

我点评同学们的朗读:

@Bella-江苏-教育 同学，你好！听了今天的朗读，非常流利，大部分单词发音都能发准确，不过感觉你今天的朗读节奏比平时快了一点，还有，单词girl的发音还不地道，加油！

@01林-贵州-项目管理 同学，你好！听了你的朗读，觉得比昨天有进步，整篇课文读的非常流畅，有几个单词很明显读错了:explain spending。还有单词light的l发成n音，最后一个girl没有一开始读得好，你再查音标看看，加油！

@[00.147]Helen - 石家庄 - 软件 同学，你好！听了你的朗读，非常稳定，每次都是字正腔圆，发音标准，节奏控制越来越好了，单词happened没读准，你听听看?加油！

感悟:自从参加新概念朗读群，L0和L2任务每天我都是认认真真完成的，L1任务完成的不是太好，感觉文章里简单的单词都没问题，没有整篇文章每个单词查词典，所以有的单词发音没达到要求，但每天一个音标学习还完成。L3复述任务，因为是我最薄弱的环节一直没做，明天休息在家试着做做，提升自己的表达能力。L4任务从10月28号开始一直都坚持每天都写，总结一天的学习情况，看看自己什么地方做的比较好的，哪些方面也要注意改进。

我听了自己今天的朗读录音，语速降下来了。单词读的越来越准，不足之处:1、语调太平没有变化，今后还要加强模仿练习。2单词末尾的辅音t和d,发音太重，很明显。今后还要加强有针对性的听读练习。总的来说，3、长单词读的时候语速太快，听不清楚，不过总的来，说今天的文章我读得还是不错的!继续加油!

你可能感兴趣的:(DavidScalers第四轮新概念朗读持续训练2018.11.9)

  • 网络安全尹毅 《网络安全》 黑客Ash web安全网络安全
    点击文末小卡片，免费获取网络安全全套资料，资料在手，涨薪更快一网络安全基本概念1.网络安全定义安全在字典中的定义是为了防范间谍活动或蓄意破坏、犯罪、攻击而采取的措施。网络安全就是为了防范计算机网络硬件、软件、数据被偶然或蓄意破坏、篡改、窃听、假冒、泄露、非法访问以及保护网络系统持续有效工作的措施总和。网络安全保护范围：密码安全、计算机系统安全、网络安全、信息安全。2.网络安全目标可靠性（relia
  • MFC线程 rainbow_lucky0106 C\C++\QT\MFCmfc线程
    创建线程HANDLEm_hThread;m_hThread=CreateThread(NULL,0,save_snapshot,(LPVOID)this,0,&iThreadId);开启线程循环等待DWORDWINAPIsave_snapshot(LPVOIDpVoid){while(true){//持续循环等待事件到达。接收到事件信号后才进入if。if(::WaitForSingleObject
  • Farm3D- Learning Articulated 3D Animals by Distilling 2D Diffusion论文笔记 Im Bug 3d论文阅读
    Farm3D:LearningArticulated3DAnimalsbyDistilling2DDiffusion1.Introduction最近的研究DreamFusion表明，可以通过text-imagegenerator提取高质量的三维模型，尽管该生成模型并未经过三维训练，但它仍然包含足够的信息以恢复三维形状。在本文中，展示了通过文本-图像生成模型可以获取更多信息，并获得关节模型化的三维对
  • 神经网络中的Adagrad 化作星辰 神经网络人工智能深度学习
    Adagrad（AdaptiveGradient）是一种自适应学习率的优化算法，专门设计用于在训练过程中自动调整每个参数的学习率。这种方法对于处理稀疏数据特别有效，并且非常适合那些需要频繁更新但很少使用的参数的学习任务。###Adagrad的核心思想Adagrad通过累积过去所有梯度平方的和来调整每个权重的学习率。具体来说，它为网络中的每个参数维护一个历史梯度平方和，然后用这个累积值来缩放当前的学
  • DeepSeek R1 简单指南：架构、训练、本地部署和硬件要求 爱喝白开水a 人工智能AI大模型DeepSeekR1DeepSeek算法人工智能训练大模型部署
    DeepSeek推出的LLM推理新策略DeepSeek最近发表的论文DeepSeek-R1中介绍了一种创新的方法，通过强化学习（RL）提升大型语言模型（LLM）的推理能力。这项研究在如何仅依靠强化学习而不是过分依赖监督式微调的情况下，增强LLM解决复杂问题的能力上，取得了重要进展。DeepSeek-R1技术概述模型架构DeepSeek-R1不是一个单独的模型，而是包括DeepSeek-R1-Zer
  • 【python 机器学习】sklearn ROC曲线与AUC指标 人才程序员 杂谈机器学习pythonsklearn人工智能深度学习神经网络目标检测
    文章目录sklearnROC曲线与AUC指标1.什么是ROC曲线与AUC？通俗介绍：学术解释：2.在`sklearn`中绘制ROC曲线与计算AUC2.1导入库和数据2.2加载数据集2.3训练模型2.4预测概率2.5计算FPR、TPR和AUC2.6绘制ROC曲线3.解析ROC曲线和AUC值4.总结sklearnROC曲线与AUC指标在机器学习中，评估分类模型的性能不仅仅依赖于准确率，还需要使用一些更
  • 月之暗面改进并开源了 Muon 优化算法，对行业有哪些影响？ 互联网之路. 知识点开源算法
    互联网各领域资料分享专区(不定期更新)：Sheet正文月之暗面团队改进并开源的Muon优化算法在深度学习和大模型训练领域引发了广泛关注，其核心创新在于显著降低算力需求（相比AdamW减少48%的FLOPs）并提升训练效率，同时通过开源推动技术生态的共建。1.显著降低大模型训练成本，推动技术普惠算力需求锐减：Muon通过引入权重衰减和一致的RMS更新，解决了原始Muon在大规模训练中的稳定性问题，使
  • 深度解析：大模型开源的真与假 rs勿忘初心 #AI大模型大模型开源闭源对比开源闭源区别
    目录大模型企业开闭源策略各异开源大模型的定义与现状开源内容的局限性通常开放的内容实际未开放的关键内容法律与商业模式的约束开源许可证的重要性大模型的定制许可证及其限制性条款商业公司对开源大模型的策略和目的建立生态系统吸引开发者提升品牌形象保持竞争优势技术创新和改进技术与协助开发的挑战训练和推理过程的资源需求差异微调和衍生模型的技术实现及其局限性开源大模型在协作开发中的局限总结大模型的发展开启了AIG
  • 关于测试岗的思考 黑黑白白君 SELF机器学习TestingLearning
    确定下来今年毕业以后做测试岗，所以做个相关的分析。#软件测试的职业发展1、管理方向2、技术方向3、半路掉头方向目前只考虑技术方向：软件测试的技术型路线发展：1、自动化测试工程2、性能测试工程3、持续集成工程师4、测试开发工程师5、开发工程师最高境界：架构工程师/全栈工程师*关于软件测试的思维和方法论：《Google软件测试之道》、《敏捷软件测试》、《质量全面管控：从项目管理到容灾测试》#自动化测试
  • DeepSeek开源周第二弹：DeepEP如何用RDMA+FP8让MoE模型飞起来？ 曦紫沐 大模型deepseek
    一、引言：MoE模型的通信瓶颈与DeepEP的诞生在混合专家（MoE）模型训练中，专家间的全对全（All-to-All）通信成为性能瓶颈。传统方案在跨节点传输时带宽利用率不足50%，延迟高达300μs以上。DeepSeek推出的DeepEP作为首个开源EP通信库，通过软硬件协同优化，将节点内通信带宽压榨至158GB/s（接近NVLink极限），跨节点RDMA延迟降至46GB/s，成为大模型训练/推
  • Vue的测试策略：如何使用单元测试和端对端测试来确保Vue应用的质量 哎 你看 vuevue.js单元测试前端
    介绍测试的重要性在开发软件应用的过程中，测试具有重要的作用。它可以帮助开发者捕捉到程序中的错误和漏洞，保证软件的质量。功能性的测试可以帮助确认应用程序或系统满足了其功能需求。测试驱动的开发方式，如TDD（Test-DrivenDevelopment），也被广泛提倡并实践，因为它可以在早期发现并解决问题，提升开发效率。在持续集成和持续发布（CI/CD）的工作流中，自动化测试是保证代码质量的关键，它帮
  • 利用DSPy优化LangChain RAG系统的实战指南 scaFHIO langchainpython
    利用DSPy优化LangChainRAG系统的实战指南技术背景介绍DSPy是一个用于大语言模型（LLMs）的出色框架，它引入了一个自动编译器，能够教会模型如何执行你程序中的声明性步骤。具体来说，DSPy编译器会在内部追踪你的程序，然后为大型语言模型（LLMs）创建高质量的提示（或为小型LLMs训练自动微调），以教会它们任务的步骤。感谢OmarKhattab的努力，现在DSPy可以与LangChai
  • 使用LangChain与GPT4All模型进行交互 bavDHAUO langchain交互python
    技术背景介绍近年来，开源模型和框架在AI技术领域迅猛发展。GPT4All是一个开源的对话机器人生态系统，旨在为用户提供干净的助手数据，包括代码、故事和对话。这篇文章将介绍如何使用LangChain与GPT4All模型进行交互，以实现智能问答功能。核心原理解析GPT4All是基于大型语言模型（LLMs）的开源项目，通过训练大量干净的数据，能够生成高质量的对话和回答。LangChain是一种用于简化与
  • 前言：什么是大模型微调 伯牙碎琴 大模型微调深度学习人工智能机器学习大模型微调训练
    一、大模型微调的基础知识1.什么是大模型微调？大模型微调（Fine-tuning）是指在预训练模型的基础上，针对特定的任务或数据集进行进一步训练的过程。预训练模型通常在大规模的通用数据上训练，具备广泛的语言理解和生成能力。通过微调，我们可以让模型更好地适应特定的领域或任务，例如情感分析、问答系统、文本生成等。2.为什么需要微调？适应特定任务：通用模型虽然功能强大，但在特定任务上可能表现不够精准。微
  • DeepSeek 持续火爆；微信蓝包首秀；世界级人工智能科学家许主洪加盟阿里巴巴...|网易数智日报 网易数智 网易数智日报人工智能大数据业界资讯ai云计算
    DeepSeek持续火爆，多个云平台上线相关模型「抢食」算力需求AI公司DeepSeek旗下大模型DeepSeek-R1「爆火」后，多个云平台宣布上线DeepSeek旗下模型。2月5日，阅文集团宣布，旗下作家辅助创作应用“作家助手”已集成幻方量化旗下AI公司深度求索（DeepSeek）的DeepSeek-R1大模型。这是DeepSeek首次应用于网文领域，旨在为作家提供更智能的创作支持。2月4日，
  • 游戏语音趋势解析，社交互动有助于营造沉浸式体验 网易数智 IM即时通讯游戏人工智能音视频实时音视频信息与通信语音识别
    语音交互的新架构出现2024年标志着对话语音AI取得了突破，出现了结合STT→LLM→TTS模型来聆听、推理和回应对话的协同语音系统。OpenAI的ChatGPT语音模式将语音转语音技术变成了现实，引入了基于音频和文本信息进行端到端预训练的模型，这些模型除了文本标记外，还能原生理解和生成音频。虽然OpenAI通过其RealtimeAPI实现的可能还不是完全端到端的，正如其演示中处理中断的挑战所证明
  • 大模型替代程序猿？不可能，绝对不可能！进化路线来了来！！！ XiaoDuofCSDN 算法leetcode职场和发展java分布式深度学习神经网络
    大模型后端开发面试指南：技术体系构建与实践路线一、背景说明随着大模型（LLM）技术进入工业化落地阶段，行业对大模型后端开发工程师的需求呈现爆发式增长。该岗位要求候选人不仅需要掌握传统分布式系统开发能力，还需深入理解大模型特有的计算范式。本文针对零基础转型场景，提供体系化的能力建设方案。二、核心目标建立大模型后端开发技术认知图谱构建可验证的工程项目实践体系形成持续跟踪技术演进的方法论三、持续关注的核
  • 深度学习模型优化与医疗诊断应用突破 智能计算研究中心 其他
    内容概要近年来，深度学习技术的迭代演进正在重塑医疗诊断领域的实践范式。随着PyTorch与TensorFlow等开源框架的持续优化，模型开发效率显著提升，为医疗场景下的复杂数据处理提供了技术基座。当前研究聚焦于迁移学习与模型压缩算法的协同创新，通过复用预训练模型的泛化能力与降低计算负载，有效解决了医疗数据样本稀缺与硬件资源受限的痛点问题。与此同时，自适应学习机制通过动态调整网络参数更新策略，在病理
  • 跨框架模型演进与行业应用路径 智能计算研究中心 其他
    内容概要在人工智能技术持续迭代的背景下，模型框架的演进与行业应用的深度融合已成为推动产业智能化升级的核心驱动力。本文系统性梳理TensorFlow、PyTorch、MXNet等主流框架的技术发展脉络，重点分析其从通用计算架构向多模态、轻量化方向的转型路径。同时，针对模型优化技术领域，深入探讨迁移学习、超参数调优及模型压缩等方法的创新突破，揭示其在降低计算资源消耗、提升推理效率方面的关键作用。在行业
  • ZeRO分布式训练策略 AIGC_ZY 大模型分布式
    ZeRO分布式训练策略详解一、核心设计原理ZeRO（ZeroRedundancyOptimizer）是微软提出的分布式训练优化框架，与传统数据并行方法不同，ZeRO通过将模型的参数、梯度和优化器状态分散到多个设备上，从而实现内存和计算资源的高效利用。ZeRO通过三级分片策略消除内存冗余，实现超大规模模型训练。其核心演进路线分为三个阶段：1.1ZeRO-1：优化器状态分片分片对象：优化器参数（如Ad
  • 通过docker和gitlab实现项目自动打包部署 hxj.. 服务部署docker容器运维
    Gitlab如何实现自动打包部署到docker集群？预备知识：开发模式转变：瀑布模型——》敏捷开发——》DevOpsDevOps：DevelopmentOperations的组合词CICD：持续集成（ContinuousIntegration），持续交付（ContinuousDelivery），持续部署（ContinuousDeployment）使用Gitlab-CI实现自动打包部署通过pipel
  • 《揭秘机器学习中的交叉验证：模型评估的基石》 人工智能机器学习
    在机器学习的复杂领域中，构建一个精准有效的模型是众多从业者的核心目标。然而，模型的性能评估绝非易事，它关乎模型能否在实际应用中发挥作用，而交叉验证则是这一过程中的关键技术，是保障模型可靠性与泛化能力的重要手段。交叉验证的核心意义抵御过拟合风险在机器学习的训练过程中，模型可能会过度适应训练数据的细节和噪声，从而在新数据上表现不佳，这就是过拟合现象。交叉验证通过将数据集划分为多个子集，模型在不同子集上
  • 鸿蒙OH源码分析——分布式软总线：trans_service模块(2)/会话管理之新会话 彭家大少 嵌入式硬件openHarmony鸿蒙南向harmonyos分布式OpenHarmony嵌入式开发软总线c语言
    往期学习笔录：鸿蒙（OpenHarmony）南向开发保姆级知识点汇总~鸿蒙应用开发与鸿蒙系统开发哪个更有前景？嵌入式开发适不适合做鸿蒙南向开发？看完这篇你就了解了~鸿蒙岗位需求突增！移动端、PC端、IoT到底该怎么选？记录一场鸿蒙开发岗位面试经历~持续更新中……一、概述trans_service模块基于系统内核提供的socket通信，向authmanager模块提供设备认证通道管理和设备认证数据的
  • 扩散模型基本概念 AndrewHZ 深度学习新浪潮扩散模型计算机视觉流形学习生成式模型深度学习次深度学习人工智能
    1.核心思想从最原始的DDPM来讲，扩散模型是用变分估计训练的马尔可夫链，相当于VAE+流模型。与标准化流相比，扩散模型的正向过程为预先定义的加噪过程，负责将图像x∼p(x)x\sim{p(x)}x∼
  • 利用GPT开发应用005：Codex、Turbo、ChatGPT、GPT-4 翰墨之道 GPT开发GPT应用专栏GPT-1GPT-3GPT开发CodexTurboChatGPT
    文章目录一、GPT-3Codex二、GPT-3.5Turbo二、ChatGPT三、GPT-4一、GPT-3Codex  2022年3月，OpenAI发布了GPT-3Codex的新版本。  这个新模型具有编辑和插入文本的能力。它们是通过截至2021年6月的数据进行训练的，并被描述为比之前版本更强大。到2022年11月底，OpenAI开始将这些模型称为GPT-3.5系列的一部分。  Codex系列模型
  • 【第三天】零基础学习量化基础代码分析-持续更新 Long_poem 学习
    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记录量化基础代码总览引言基本概念量化投资伪代码示例：量化投资模型框架总结每日-往期回看第一天零基础学量化基础知识点总览-持续更新第二天零基础学习量化基础代码总览-持续更新第三天零基础学习量化基础代码分析-持续更新记录量化基础代码总览引言量化投资是一种基于数学模型和计算机算法来制定投资策略的方法。通过分析历史数据，发现市场规律，
  • ASFF算法 神笔馬良 Python入门知识深度学习人工智能
    1.特征金字塔的缺点：对于单发检测器，在不同尺度上的不一致。2.采用启发式引导的特征选择:大实例通常与上层特征映射相关联，小实例与下层特征映射相关联。3.解决的问题：如果一幅图像同时包含大小目标，则不同层次特征之间的冲突往往占据特征金字塔的主要部分。这种不一致性干扰了训练过程中的梯度计算，降低了特征金字塔的有效性。4.这个问题存在的原因：当一个对象在某一层特征图中被赋值并被视为正值时，其他层特征图
  • YOLOv11改进 | 检测头改进篇 | 利用ASFF改进YOLOv11检测头，自适应空间特征融合模块，在所有的目标检测上均有大幅度的涨点效果 Ai缝合怪YOLO涨点改进 YOLO目标检测计算机视觉深度学习YOLOv11YOLOv8YOLOv10
    YOLOv8v10v11专栏限时199元订阅链接:限时199元去b站关注：AI缝合怪订阅YOLOv8v10v11创新改进高效涨点+持续改进500多篇（订阅的小伙伴，终身免费享有后续YOLOv12或是其他版本的改进专栏）目录一、ASFF模块介绍ASFF网络结构图：ASFF的创新点主要包括：作用原理优势二、核心代码三、手把手教你添加v11Detect_ASFFHead检测头模块1.首先在ultraly
  • 最全中文对话数据集（不定期更新） 数据猎手小k 人工智能大数据
    随着人工智能技术的发展，自然语言处理（NLP）领域中的对话系统逐渐成为研究的热点。为了提升对话系统的性能，需要大量的高质量对话数据来训练和优化模型。然而，中文对话数据相对于英文来说较为稀缺，且质量参差不齐，这限制了中文对话系统的发展。因此，构建大规模、高质量的中文对话数据集成为了一个迫切的需求。一、研究意义1、推动中文NLP发展：大规模高质量的中文对话数据集能够为中文自然语言处理领域的研究提供基础
  • 【保姆级视频教程（二）】YOLOv12训练数据集构建：标签格式转换-划分-YAML 配置 避坑指南 | 小白也能轻松玩转目标检测！ 一只云卷云舒 YOLOv12保姆级通关教程YOLO目标检测人工智能Ultralytics数据集YOLOv12小白教程
    【2025全站首发】YOLOv12训练数据集构建：标签格式转换-划分-YAML配置避坑指南|小白也能轻松玩转目标检测！文章目录1.数据集准备1.1标签格式转换1.2数据集划分1.3yaml配置文件创建2.训练验证1.数据集准备示例数据集下载链接：PKU-Market-PCB数据集1.1标签格式转换cursorprompt请撰写一个py脚本。将@Annotations文件夹下的所有类别的xml格式的
  • Spring4.1新特性——Spring MVC增强 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
  • mysql 性能查询优化 annan211 javasql优化mysql应用服务器
    1 时间到底花在哪了？ mysql在执行查询的时候需要执行一系列的子任务，这些子任务包含了整个查询周期最重要的阶段，这其中包含了大量为了 检索数据列到存储引擎的调用以及调用后的数据处理，包括排序、分组等。在完成这些任务的时候，查询需要在不同的地方 花费时间，包括网络、cpu计算、生成统计信息和执行计划、锁等待等。尤其是向底层存储引擎检索数据的调用操作。这些调用需要在内存操
  • windows系统配置 cherishLC windows
    删除Hiberfil.sys ：使用命令powercfg -h off 关闭休眠功能即可： http://jingyan.baidu.com/article/f3ad7d0fc0992e09c2345b51.html 类似的还有pagefile.sys msconfig 配置启动项 shutdown 定时关机 ipconfig 查看网络配置 ipconfig /flushdns
  • 人体的排毒时间 Array_06 工作
    ======================== ||  人体的排毒时间是什么时候？|| ======================== 转载于： http://zhidao.baidu.com/link?url=ibaGlicVslAQhVdWWVevU4TMjhiKaNBWCpZ1NS6igCQ78EkNJZFsEjCjl3T5EdXU9SaPg04bh8MbY1bR
  • ZooKeeper cugfy zookeeper
    Zookeeper是一个高性能，分布式的，开源分布式应用协调服务。它提供了简单原始的功能，分布式应用可以基于它实现更高级的服务，比如同步， 配置管理，集群管理，名空间。它被设计为易于编程，使用文件系统目录树作为数据模型。服务端跑在java上，提供java和C的客户端API。 Zookeeper是Google的Chubby一个开源的实现，是高有效和可靠的协同工作系统，Zookeeper能够用来lea
  • 网络爬虫的乱码处理 随意而生 爬虫网络
    下边简单总结下关于网络爬虫的乱码处理。注意，这里不仅是中文乱码，还包括一些如日文、韩文 、俄文、藏文之类的乱码处理，因为他们的解决方式 是一致的，故在此统一说明。     网络爬虫，有两种选择，一是选择nutch、hetriex，二是自写爬虫，两者在处理乱码时，原理是一致的，但前者处理乱码时，要看懂源码后进行修改才可以，所以要废劲一些；而后者更自由方便，可以在编码处理
  • Xcode常用快捷键 张亚雄 xcode
    一、总结的常用命令：     隐藏xcode command+h     退出xcode command+q     关闭窗口 command+w     关闭所有窗口 command+option+w     关闭当前
  • mongoDB索引操作 adminjun mongodb索引
    一、索引基础：    MongoDB的索引几乎与传统的关系型数据库一模一样，这其中也包括一些基本的优化技巧。下面是创建索引的命令：    > db.test.ensureIndex({"username":1})    可以通过下面的名称查看索引是否已经成功建立： &nbs
  • 成都软件园实习那些话 aijuans 成都 软件园 实习
    无聊之中，翻了一下日志，发现上一篇经历是很久以前的事了，悔过~~ 　　断断续续离开了学校快一年了，习惯了那里一天天的幼稚、成长的环境，到这里有点与世隔绝的感觉。不过还好，那是刚到这里时的想法，现在感觉在这挺好，不管怎么样，最要感谢的还是老师能给这么好的一次催化成长的机会，在这里确实看到了好多好多能想到或想不到的东西。 　　都说在外面和学校相比最明显的差距就是与人相处比较困难，因为在外面每个人都
  • Linux下FTP服务器安装及配置 ayaoxinchao linuxFTP服务器vsftp
    检测是否安装了FTP [root@localhost ~]# rpm -q vsftpd 如果未安装：package vsftpd is not installed  安装了则显示：vsftpd-2.0.5-28.el5累死的版本信息   安装FTP 运行yum install vsftpd命令，如[root@localhost ~]# yum install vsf
  • 使用mongo-java-driver获取文档id和查找文档 BigBird2012 driver
    注：本文所有代码都使用的mongo-java-driver实现。   在MongoDB中，一个集合（collection）在概念上就类似我们SQL数据库中的表（Table），这个集合包含了一系列文档（document）。一个DBObject对象表示我们想添加到集合（collection）中的一个文档（document），MongoDB会自动为我们创建的每个文档添加一个id，这个id在
  • JSONObject以及json串 bijian1013 jsonJSONObject
    一.JAR包简介     要使程序可以运行必须引入JSON-lib包，JSON-lib包同时依赖于以下的JAR包：     1.commons-lang-2.0.jar     2.commons-beanutils-1.7.0.jar     3.commons-collections-3.1.jar &n
  • [Zookeeper学习笔记之三]Zookeeper实例创建和会话建立的异步特性 bit1129 zookeeper
    为了说明问题，看个简单的代码，   import org.apache.zookeeper.*; import java.io.IOException; import java.util.concurrent.CountDownLatch; import java.util.concurrent.ThreadLocal
  • 【Scala十二】Scala核心六：Trait bit1129 scala
    Traits are a fundamental unit of code reuse in Scala. A trait encapsulates method and field definitions, which can then be reused by mixing them into classes. Unlike class inheritance, in which each c
  • weblogic version 10.3破解 ronin47 weblogic
    版本：WebLogic Server 10.3 说明：%DOMAIN_HOME%：指WebLogic Server 域(Domain）目录 例如我的做测试的域的根目录 DOMAIN_HOME=D:/Weblogic/Middleware/user_projects/domains/base_domain 1.为了保证操作安全，备份%DOMAIN_HOME%/security/Defa
  • 求第n个斐波那契数 BrokenDreams
            今天看到群友发的一个问题：写一个小程序打印第n个斐波那契数。         自己试了下，搞了好久。。。基础要加强了。           &nbs
  • 读《研磨设计模式》-代码笔记-访问者模式-Visitor 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.util.ArrayList; import java.util.List; interface IVisitor { //第二次分派，Visitor调用Element void visitConcret
  • MatConvNet的excise 3改为网络配置文件形式 cherishLC matlab
    MatConvNet为vlFeat作者写的matlab下的卷积神经网络工具包，可以使用GPU。 主页： http://www.vlfeat.org/matconvnet/ 教程： http://www.robots.ox.ac.uk/~vgg/practicals/cnn/index.html 注意：需要下载新版的MatConvNet替换掉教程中工具包中的matconvnet： http
  • ZK Timeout再讨论 chenchao051 zookeepertimeouthbase
    http://crazyjvm.iteye.com/blog/1693757 文中提到相关超时问题，但是又出现了一个问题，我把min和max都设置成了180000，但是仍然出现了以下的异常信息： Client session timed out, have not heard from server in 154339ms for sessionid 0x13a3f7732340003
  • CASE WHEN 用法介绍 daizj sqlgroup bycase when
    CASE WHEN 用法介绍 1. CASE WHEN 表达式有两种形式 --简单Case函数  CASE sex  WHEN '1' THEN '男'  WHEN '2' THEN '女'  ELSE '其他' END  --Case搜索函数  CASE WHEN sex = '1' THEN
  • PHP技巧汇总:提高PHP性能的53个技巧 dcj3sjt126com PHP
    PHP技巧汇总:提高PHP性能的53个技巧　　用单引号代替双引号来包含字符串，这样做会更快一些。因为PHP会在双引号包围的字符串中搜寻变量，　　单引号则不会，注意：只有echo能这么做，它是一种可以把多个字符串当作参数的函数译注：　　PHP手册中说echo是语言结构，不是真正的函数，故把函数加上了双引号)。　　1、如果能将类的方法定义成static，就尽量定义成static，它的速度会提升将近4倍
  • Yii框架中CGridView的使用方法以及详细示例 dcj3sjt126com yii
    CGridView显示一个数据项的列表中的一个表。 表中的每一行代表一个数据项的数据,和一个列通常代表一个属性的物品(一些列可能对应于复杂的表达式的属性或静态文本)。　　CGridView既支持排序和分页的数据项。排序和分页可以在AJAX模式或正常的页面请求。使用CGridView的一个好处是,当用户浏览器禁用JavaScript,排序和分页自动退化普通页面请求和仍然正常运行。 实例代码如下：
  • Maven项目打包成可执行Jar文件 dyy_gusi assembly
    Maven项目打包成可执行Jar文件 在使用Maven完成项目以后，如果是需要打包成可执行的Jar文件，我们通过eclipse的导出很麻烦，还得指定入口文件的位置，还得说明依赖的jar包，既然都使用Maven了，很重要的一个目的就是让这些繁琐的操作简单。我们可以通过插件完成这项工作，使用assembly插件。具体使用方式如下： 1、在项目中加入插件的依赖： <plugin>
  • php常见错误 geeksun PHP
    1.  kevent() reported that connect() failed (61: Connection refused) while connecting to upstream, client: 127.0.0.1, server: localhost, request: "GET / HTTP/1.1", upstream: "fastc
  • 修改linux的用户名 hongtoushizi linuxchange password
    Change Linux Username 更改Linux用户名，需要修改4个系统的文件： /etc/passwd /etc/shadow /etc/group /etc/gshadow 古老/传统的方法是使用vi去直接修改，但是这有安全隐患（具体可自己搜一下），所以后来改成使用这些命令去代替： vipw vipw -s vigr vigr -s   具体的操作顺
  • 第五章 常用Lua开发库1-redis、mysql、http客户端 jinnianshilongnian nginxlua
    对于开发来说需要有好的生态开发库来辅助我们快速开发，而Lua中也有大多数我们需要的第三方开发库如Redis、Memcached、Mysql、Http客户端、JSON、模板引擎等。 一些常见的Lua库可以在github上搜索，https://github.com/search?utf8=%E2%9C%93&q=lua+resty。   Redis客户端 lua-resty-r
  • zkClient 监控机制实现 liyonghui160com zkClient 监控机制实现
             直接使用zk的api实现业务功能比较繁琐。因为要处理session loss，session expire等异常，在发生这些异常后进行重连。又因为ZK的watcher是一次性的，如果要基于wather实现发布/订阅模式，还要自己包装一下，将一次性订阅包装成持久订阅。另外如果要使用抽象级别更高的功能，比如分布式锁，leader选举
  • 在Mysql 众多表中查找一个表名或者字段名的 SQL 语句 pda158 mysql
    在Mysql 众多表中查找一个表名或者字段名的 SQL 语句： 　　方法一：SELECT table_name, column_name from information_schema.columns WHERE column_name LIKE 'Name'; 　　方法二：SELECT column_name from information_schema.colum
  • 程序员对英语的依赖 Smile.zeng 英语程序猿
    1、程序员最基本的技能，至少要能写得出代码，当我们还在为建立类的时候思考用什么单词发牢骚的时候，英语与别人的差距就直接表现出来咯。 2、程序员最起码能认识开发工具里的英语单词，不然怎么知道使用这些开发工具。 3、进阶一点，就是能读懂别人的代码，有利于我们学习人家的思路和技术。 4、写的程序至少能有一定的可读性，至少要人别人能懂吧... 以上一些问题，充分说明了英语对程序猿的重要性。骚年
  • Oracle学习笔记(8) 使用PLSQL编写触发器 vipbooks oraclesql编程活动Access
        时间过得真快啊，转眼就到了Oracle学习笔记的最后个章节了，通过前面七章的学习大家应该对Oracle编程有了一定了了解了吧，这东东如果一段时间不用很快就会忘记了，所以我会把自己学习过的东西做好详细的笔记，用到的时候可以随时查找，马上上手！希望这些笔记能对大家有些帮助！     这是第八章的学习笔记，学习完第七章的子程序和包之后
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他