- FlagEmbedding
吉小雨
python库python
FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入(textembeddings)的库,适合处理自然语言处理(NLP)中的各种任务。嵌入(embeddings)是将文本表示为连续向量,能够捕捉语义上的相似性,常用于文本分类、聚类、信息检索等场景。官方文档链接:FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
- 欺诈文本分类检测(十四):GPTQ量化模型
沉下心来学鲁班
微调分类人工智能语言模型微调
1.引言量化的本质:通过将模型参数从高精度(例如32位)降低到低精度(例如8位),来缩小模型体积。本文将采用一种训练后量化方法GPTQ,对前文已经训练并合并过的模型文件进行量化,通过比较模型量化前后的评测指标,来测试量化对模型性能的影响。GPTQ的核心思想在于:将所有权重压缩到8位或4位量化中,通过最小化与原始权重的均方误差来实现。在推理过程中,它将动态地将权重解量化为float16,以提高性能,
- 【自然语言处理】自然语言处理NLP概述及应用
@我们的天空
人工智能技术nlp人工智能深度学习python机器学习自然语言处理scikit-learn
自然语言处理(NaturalLanguageProcessing,简称NLP)是一门集计算机科学、人工智能以及语言学于一体的交叉学科,致力于让计算机能够理解、解析、生成和处理人类的自然语言。它是人工智能领域的一个关键分支,旨在缩小人与机器之间的交流障碍,使得机器能够更有效地识别并响应人类的自然语言指令或内容。自然语言处理NLP概述基本任务:文本分类:将文本划分为预定义的类别,如情感分析、主题分类等
- 【机器学习】朴素贝叶斯方法的概率图表示以及贝叶斯统计中的共轭先验方法
Lossya
机器学习概率论人工智能朴素贝叶斯共轭先验
引言朴素贝叶斯方法是一种基于贝叶斯定理的简单概率模型,它假设特征之间相互独立。文章目录引言一、朴素贝叶斯方法的概率图表示1.1节点表示1.2边表示1.3无其他连接1.4总结二、朴素贝叶斯的应用场景2.1文本分类2.2推荐系统2.3医疗诊断2.4欺诈检测2.5情感分析2.6邮件过滤2.7信息检索2.8生物信息学三、朴素贝叶斯的优点四、朴素贝叶斯的局限性4.1特征独立性假设4.2敏感于输入数据的表示4
- NLP-预训练模型-中文:封神榜系列【姜子牙(通用大模型)、太乙(多模态)、二郎神(语言理解)、闻仲(语言生成)、燃灯(语言转换)、余元(领域)、...】
u013250861
LLM自然语言处理人工智能深度学习
封神榜模型系列简介系列名称需求适用任务参数规模备注姜子牙通用通用大模型>70亿参数通用大模型“姜子牙”系列,具备翻译,编程,文本分类,信息抽取,摘要,文案生成,常识问答和数学计算等能力太乙特定多模态8千万-10亿参数应用于跨模态场景,包括文本图像生成,蛋白质结构预测,语音-文本表示等
- 自然语言处理系列五十一》文本分类算法》Python快速文本分类器FastText
陈敬雷-充电了么-CEO兼CTO
算法人工智能大数据自然语言处理分类pythonchatgpt人工智能ai机器学习
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列五十一Python开源快速文本分类器FastText》算法原理FastText和Word2vec的区别FastText代码实战总结自然语言处理系列五十一Python开源快速文本分类器FastText》算法原理自然语言处理(N
- 自然语言处理系列五十》文本分类算法》SVM支持向量机算法原理
陈敬雷-充电了么-CEO兼CTO
算法大数据人工智能算法自然语言处理分类nlpai人工智能chatgpt
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列五十SVM支持向量机》算法原理SVM支持向量机》代码实战总结自然语言处理系列五十SVM支持向量机》算法原理SVM支持向量机在文本分类的应用场景中,相比其他机器学习算法有更好的效果。下面介绍其原理,并用SparkMLlib机器
- Hugging Face教程
小牛笔记
自然语言处理人工智能自然语言处理
HuggingFace教程1.引言在当今数字化时代,自然语言处理(NLP)在各个领域中扮演着重要角色。从文本分类、情感分析到机器翻译和对话系统,NLP技术的应用日益广泛。在NLP领域,HuggingFace是一个备受欢迎的开源工具库,提供了丰富的预训练模型和强大的工具,帮助开发者快速构建和部署NLP应用。2.HuggingFace简介HuggingFace是一个专注于NLP的开源组织,致力于提供易
- 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
- 文字模型训练分析评论(算法实战)
富士达幸运星
算法人工智能机器学习
文字模型训练,尤其是在自然语言处理(NLP)领域,是构建能够理解、解释、生成人类语言系统的核心步骤。这类模型广泛应用于文本分类、情感分析、机器翻译、聊天机器人、摘要生成等多个方面。针对文字模型训练后的分析评论,可以从以下几个方面进行:1.性能评估准确率/错误率:评估模型在测试集上的准确率或错误率是最直接的方式,这能反映模型的基本性能。混淆矩阵:对于分类任务,混淆矩阵可以详细展示模型在各个类别上的表
- 快速使用transformers的pipeline实现各种深度学习任务
E寻数据
huggingface计算机视觉nlp深度学习人工智能pythonpipelinetransformers
目录引言安装情感分析文本生成文本摘要图片分类实例分割目标检测音频分类自动语音识别视觉问答文档问题回答图文描述引言在这篇中文博客中,我们将深入探讨使用transformers库中的pipeline()函数,它为预训练模型提供了一个简单且快速的推理方法。pipeline()函数支持多种任务,包括文本分类、文本生成、摘要生成、图像分类、图像分割、对象检测、音频分类、自动语音识别、视觉问题回答、文档问题回
- AIGC自动行为采集的文本分类任务——结和上下文情景自动编码(含数据清洗以及提示词和代码)——批量处理
东方-教育技术博主
学术学习相关分类数据挖掘人工智能
文章目录数据清洗二次清洗数据上下文情景顺序应该先处算情境批量操作excel数据清洗遍历python脚本所在目录所有excel文件读取所有文件的‘’标注‘’列,遍历读取这一列每行数据,删除所有数据中不包含:1学生回答问题2出声思考3学生举手/提问/建议4学生获得成就时刻5学生与家长互动6家长辅导学生7家长鼓励学生8家长批评/惩罚学生这八条中的数据,如果遇到学生回答问题R1,或者学生回答问题R2学生回
- 【机器学习】机器学习与大模型在人工智能领域的融合应用与性能优化新探索
E绵绵
Everything人工智能机器学习大模型pythonAIGC应用科技
文章目录引言机器学习与大模型的基本概念机器学习概述监督学习无监督学习强化学习大模型概述GPT-3BERTResNetTransformer机器学习与大模型的融合应用自然语言处理文本生成文本分类机器翻译图像识别自动驾驶医学影像分析语音识别智能助手语音转文字大模型性能优化的新探索模型压缩权重剪枝量化知识蒸馏分布式训练数据并行模型并行异步训练高效推理模型裁剪缓存机制专用硬件未来展望跨领域应用智能化系统人
- 欺诈文本分类微调(六):Lora单卡训练
沉下心来学鲁班
微调分类人工智能机器学习语言模型微调
1.引言前面欺诈文本分类微调(四):构造训练/测试数据集已经构造出了数据集,更之前的欺诈文本分类微调(一):基座模型选型选好了基座模型,这篇文章将基于构造出的数据集和选定的模型进行欺诈文本分类的微调训练。关于微调方法,我们将使用比较普遍的Lora:在模型中注入低秩矩阵的方式。关于训练器,使用transformers库中提供的Trainer类。2.数据准备2.1加载数据导入要使用的基础包。impor
- 【ShuQiHere】“从 One-Hot 到 GPT:窥探词表示技术的演变”
ShuQiHere
gpt神经网络机器学习人工智能
【ShuQiHere】在自然语言处理(NLP)领域,如何让机器理解人类语言一直是一个核心问题。而词表示(WordRepresentation)正是解决这个问题的基础技术。通过词表示,我们可以将文本中的词语转化为计算机能够理解和处理的数字向量,这为各种NLP任务,如文本分类、情感分析、机器翻译等,提供了强大的支持。从最早的One-Hot编码,到如今广泛应用的上下文相关词嵌入技术,词表示技术已经走过了
- 自然语言处理(NLP)技术的概念及优势
刘小董
学习心得自然语言处理
自然语言处理(NLP)是人工智能领域的一个重要分支,其目标是使计算机能够理解、处理和生成人类自然语言的形式和含义。NLP技术的优势包括:实现人机交互:NLP技术可以使计算机与人类之间实现自然的语言交互,使人们可以通过语音识别、语义理解等方式与计算机进行交流。大规模文本处理:NLP技术可以对大规模文本进行自动化处理和分析,提取关键信息和知识,从而实现文本分类、情感分析、信息检索等任务。自动化翻译:N
- 《倒排索引》
刚满十八工地搬砖
数据结构
1、了解倒排索引的基本概念1.1、倒排索引是什么倒排索引是一种用于全文搜索的数据结构,它将文档中的每个单词映射到包含该单词的所有文档的列表中,然后用该列表替换单词。因此,倒排索引在文本搜索和信息检索中广泛应用,如搜索引擎、网站搜索、文本分类等场景中。具体来说,一个倒排索引包含一个词语词典和每个词语对应的倒排列表。倒排列表中记录了包含该词语的所有文档的编号、词频等信息。这让我们能够在O(1)的时间内
- NLP技术
小天才dhsb
网络其他
自然语言处理(NLP)技术可以应用在多个领域,例如机器翻译、情感分析、文本分类等。以下是几个例子:1.机器翻译:NLP技术可以将一种语言的文本自动翻译成另一种语言。例如,谷歌翻译就是应用了NLP技术,它可以将英语的文本翻译成其他语言,如法语、西班牙语等。2.情感分析:NLP技术可以分析文本中的情感倾向。例如,通过分析社交媒体上用户的评论和推文,可以判断用户对某个产品或事件的情感态度是正面的、负面的
- 大语言模型可信性浅谈
MarkHD
语言模型人工智能自然语言处理
大语言模型可信性的研究摘要:随着人工智能技术的快速发展,大语言模型在自然语言处理领域的应用越来越广泛。然而,大语言模型的可信性一直是人们关注的焦点。本文将从多个维度探讨大语言模型的可信性问题,包括模型性能、数据质量、隐私保护等方面,并提出相应的解决方案。一、引言大语言模型是指能够处理大规模文本数据的深度学习模型,如BERT、GPT等。这些模型在自然语言处理任务中取得了显著的成果,包括文本分类、情感
- 基于ERNIR3.0文本分类的开发实践
wangqiaowq
人工智能
参考:基于ERNIR3.0文本分类:(KUAKE-QIC)意图识别多分类(单标签)-飞桨AIStudio星河社区(baidu.com)https://zhuanlan.zhihu.com/p/574666812?utm_id=0遇到的问题:如下采用paddleNLP下文本分类实例进行分类训练后发现生成的模型分类不准。打算自己开发脚本进行分类计算再进行服务化部署。基于ERNIR3.0文本分类任务模型
- 【探索AI】四:AI(人工智能)自然语言处理(NLP)
美少女战士1@
学习笔记AI人工智能自然语言处理
自然语言处理(NLP)的概念自然语言处理(NaturalLanguageProcessing,NLP)是一门交叉学科,涉及人工智能、计算机科学和语言学等领域,旨在让计算机能够理解、分析、生成和处理人类语言。NLP技术致力于使计算机能够与人类以自然语言进行交流,从而实现更加智能、便捷的人机交互。在自然语言处理中,常见的任务包括但不限于:文本分类:将文本按照预定义的类别进行分类,如垃圾邮件分类、新闻分
- 文本分类算法能够应用于哪些领域?真实项目场景介绍
思通数科x
分类数据挖掘人工智能多分类
我们有幸参与了多个涉及分类算法的项目,这些项目覆盖了多个行业,展示了分类算法的广泛应用和巨大潜力。下面我为大家介绍几个实际的真实项目案例:1.某城市档案馆我们为一线某城市的档案馆开发了一个智能分类系统。这个系统能够自动识别和分类158种不同类型的公文,极大地提高了档案管理的效率。通过机器学习算法,我们训练了一个模型,它能够理解公文的内容和格式,从而实现快速且准确的分类。这不仅减少了人工分类的时间,
- 朴素贝叶斯算法
YuanDaima2048
机器学习算法学习算法机器学习人工智能深度学习pythonsklearn
朴素贝叶斯算法一、基本概念二、算法及代码应用朴素贝叶斯NB算法分类算法区别其他机器学习算法:机器学习实战工具安装和使用一、基本概念朴素贝叶斯(NB)是一种基于贝叶斯定理与特征条件独立假设的分类算法。它被广泛应用于文本分类、垃圾邮件过滤等领域。朴素贝叶斯算法简单易懂,其核心思想是假设在给定目标值时,各个属性之间相互独立。在实际应用中,朴素贝叶斯算法在垃圾邮件过滤中表现出色。它不仅准确率高,而且速度快
- 21丨朴素贝叶斯分类(下):如何对文档进行分类?
张九日zx
朴素贝叶斯分类最适合的场景就是文本分类、情感分析和垃圾邮件识别。sklearn机器学习包sklearn的全称叫Scikit-learn,它给我们提供了3个朴素贝叶斯分类算法,分别是高斯朴素贝叶斯(GaussianNB)、多项式朴素贝叶斯(MultinomialNB)和伯努利朴素贝叶斯(BernoulliNB)。自然界的现象比较适合用高斯朴素贝叶斯来处理,而文本分类是使用多项式朴素贝叶斯或者伯努利朴
- Task6 基于深度学习的文本分类3
listentorain_W
基于深度学习的文本分类学习目标了解Transformer的原理和基于预训练语言模型(Bert)的词表示学会Bert的使用,具体包括pretrain和finetune文本表示方法Part4Transformer原理Transformer是在"AttentionisAllYouNeed"中提出的,模型的编码部分是一组编码器的堆叠(论文中依次堆叠六个编码器),模型的解码部分是由相同数量的解码器的堆叠。i
- 8、python多项式贝叶斯文本分类(完整)
UP Lee
数据挖掘实战多项式贝叶斯文章分类
1、贝叶斯定理(BayesTheorem)朴素贝叶斯分类(NaiveBayesClassifier)贝叶斯分类算法,是统计学的一种分类方法,它是利用贝叶斯定理的概率统计知识,对离散型的数据进行分类的算法2、贝叶斯算法的类型sklearn包naive_bayes模块GaussianNB高斯贝叶斯BernoulliNB伯努利贝叶斯MultionmialNB多项式贝叶斯(需要知道具体每个特征的数值大小)
- zero shot classification提取主题词
狗庄欺人太甚
NLP机器学习python算法
基于NLI的零镜头文本分类。zeroshotclassification提出了一种使用预训练的NLI模型作为现成的零样本序列分类器的方法。该方法的工作原理是将要分类的序列设置为NLI前提,并从每个候选标签构建一个假设。例如,如果我们想评估一个序列是否属于“政治”类,我们可以构建一个“本文是关于政治”的假设。然后将蕴涵和矛盾的概率转换为标签概率。这种方法在许多情况下都非常有效,尤其是与BART和Ro
- Task5 基于深度学习的文本分类2
listentorain_W
Task5基于深度学习的文本分类2在上一章节,我们通过FastText快速实现了基于深度学习的文本分类模型,但是这个模型并不是最优的。在本章我们将继续深入。基于深度学习的文本分类本章将继续学习基于深度学习的文本分类。学习目标学习Word2Vec的使用和基础原理学习使用TextCNN、TextRNN进行文本表示学习使用HAN网络结构完成文本分类文本表示方法Part3词向量本节通过word2vec学习
- 使用word2vec+tensorflow自然语言处理NLP
取名真难.
机器学习自然语言处理word2vectensorflow机器学习深度学习神经网络
目录介绍:搭建上下文或预测目标词来学习词向量建模1:建模2:预测:介绍:Word2Vec是一种用于将文本转换为向量表示的技术。它是由谷歌团队于2013年提出的一种神经网络模型。Word2Vec可以将单词表示为高维空间中的向量,使得具有相似含义的单词在向量空间中距离较近。这种向量表示可以用于各种自然语言处理任务,如语义相似度计算、文本分类和命名实体识别等。Word2Vec的核心思想是通过预测上下文或
- ERNIE实现酒店情感分析(文本分类)
OverlordDuke
深度学习NLP分类数据挖掘人工智能NLP
ERNIE实现酒店情感分析(文本分类)引言在自然语言处理(NLP)领域,文本分类是一项重要的任务,它能够帮助我们理解和分析大量的文本数据。随着深度学习技术的发展,预训练模型成为了处理文本分类任务的重要工具。本项目将介绍如何利用PaddleHub和预训练模型ERNIE来完成酒店情感分析,即对酒店评论进行积极或消极的分类。项目背景与意义在过去,NLP文本处理主要依赖于序列模型,如循环神经网络(RNN)
- java线程Thread和Runnable区别和联系
zx_code
javajvmthread多线程Runnable
我们都晓得java实现线程2种方式,一个是继承Thread,另一个是实现Runnable。
模拟窗口买票,第一例子继承thread,代码如下
package thread;
public class ThreadTest {
public static void main(String[] args) {
Thread1 t1 = new Thread1(
- 【转】JSON与XML的区别比较
丁_新
jsonxml
1.定义介绍
(1).XML定义
扩展标记语言 (Extensible Markup Language, XML) ,用于标记电子文件使其具有结构性的标记语言,可以用来标记数据、定义数据类型,是一种允许用户对自己的标记语言进行定义的源语言。 XML使用DTD(document type definition)文档类型定义来组织数据;格式统一,跨平台和语言,早已成为业界公认的标准。
XML是标
- c++ 实现五种基础的排序算法
CrazyMizzz
C++c算法
#include<iostream>
using namespace std;
//辅助函数,交换两数之值
template<class T>
void mySwap(T &x, T &y){
T temp = x;
x = y;
y = temp;
}
const int size = 10;
//一、用直接插入排
- 我的软件
麦田的设计者
我的软件音乐类娱乐放松
这是我写的一款app软件,耗时三个月,是一个根据央视节目开门大吉改变的,提供音调,猜歌曲名。1、手机拥有者在android手机市场下载本APP,同意权限,安装到手机上。2、游客初次进入时会有引导页面提醒用户注册。(同时软件自动播放背景音乐)。3、用户登录到主页后,会有五个模块。a、点击不胫而走,用户得到开门大吉首页部分新闻,点击进入有新闻详情。b、
- linux awk命令详解
被触发
linux awk
awk是行处理器: 相比较屏幕处理的优点,在处理庞大文件时不会出现内存溢出或是处理缓慢的问题,通常用来格式化文本信息
awk处理过程: 依次对每一行进行处理,然后输出
awk命令形式:
awk [-F|-f|-v] ‘BEGIN{} //{command1; command2} END{}’ file
[-F|-f|-v]大参数,-F指定分隔符,-f调用脚本,-v定义变量 var=val
- 各种语言比较
_wy_
编程语言
Java Ruby PHP 擅长领域
- oracle 中数据类型为clob的编辑
知了ing
oracle clob
public void updateKpiStatus(String kpiStatus,String taskId){
Connection dbc=null;
Statement stmt=null;
PreparedStatement ps=null;
try {
dbc = new DBConn().getNewConnection();
//stmt = db
- 分布式服务框架 Zookeeper -- 管理分布式环境中的数据
矮蛋蛋
zookeeper
原文地址:
http://www.ibm.com/developerworks/cn/opensource/os-cn-zookeeper/
安装和配置详解
本文介绍的 Zookeeper 是以 3.2.2 这个稳定版本为基础,最新的版本可以通过官网 http://hadoop.apache.org/zookeeper/来获取,Zookeeper 的安装非常简单,下面将从单机模式和集群模式两
- tomcat数据源
alafqq
tomcat
数据库
JNDI(Java Naming and Directory Interface,Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。
没有使用JNDI时我用要这样连接数据库:
03. Class.forName("com.mysql.jdbc.Driver");
04. conn
- 遍历的方法
百合不是茶
遍历
遍历
在java的泛
- linux查看硬件信息的命令
bijian1013
linux
linux查看硬件信息的命令
一.查看CPU:
cat /proc/cpuinfo
二.查看内存:
free
三.查看硬盘:
df
linux下查看硬件信息
1、lspci 列出所有PCI 设备;
lspci - list all PCI devices:列出机器中的PCI设备(声卡、显卡、Modem、网卡、USB、主板集成设备也能
- java常见的ClassNotFoundException
bijian1013
java
1.java.lang.ClassNotFoundException: org.apache.commons.logging.LogFactory 添加包common-logging.jar2.java.lang.ClassNotFoundException: javax.transaction.Synchronization
- 【Gson五】日期对象的序列化和反序列化
bit1129
反序列化
对日期类型的数据进行序列化和反序列化时,需要考虑如下问题:
1. 序列化时,Date对象序列化的字符串日期格式如何
2. 反序列化时,把日期字符串序列化为Date对象,也需要考虑日期格式问题
3. Date A -> str -> Date B,A和B对象是否equals
默认序列化和反序列化
import com
- 【Spark八十六】Spark Streaming之DStream vs. InputDStream
bit1129
Stream
1. DStream的类说明文档:
/**
* A Discretized Stream (DStream), the basic abstraction in Spark Streaming, is a continuous
* sequence of RDDs (of the same type) representing a continuous st
- 通过nginx获取header信息
ronin47
nginx header
1. 提取整个的Cookies内容到一个变量,然后可以在需要时引用,比如记录到日志里面,
if ( $http_cookie ~* "(.*)$") {
set $all_cookie $1;
}
变量$all_cookie就获得了cookie的值,可以用于运算了
- java-65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
bylijinnan
java
参考了网上的http://blog.csdn.net/peasking_dd/article/details/6342984
写了个java版的:
public class Print_1_To_NDigit {
/**
* Q65.输入数字n,按顺序输出从1最大的n位10进制数。比如输入3,则输出1、2、3一直到最大的3位数即999
* 1.使用字符串
- Netty源码学习-ReplayingDecoder
bylijinnan
javanetty
ReplayingDecoder是FrameDecoder的子类,不熟悉FrameDecoder的,可以先看看
http://bylijinnan.iteye.com/blog/1982618
API说,ReplayingDecoder简化了操作,比如:
FrameDecoder在decode时,需要判断数据是否接收完全:
public class IntegerH
- js特殊字符过滤
cngolon
js特殊字符js特殊字符过滤
1.js中用正则表达式 过滤特殊字符, 校验所有输入域是否含有特殊符号function stripscript(s) { var pattern = new RegExp("[`~!@#$^&*()=|{}':;',\\[\\].<>/?~!@#¥……&*()——|{}【】‘;:”“'。,、?]"
- hibernate使用sql查询
ctrain
Hibernate
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import org.hibernate.Hibernate;
import org.hibernate.SQLQuery;
import org.hibernate.Session;
import org.hibernate.Transa
- linux shell脚本中切换用户执行命令方法
daizj
linuxshell命令切换用户
经常在写shell脚本时,会碰到要以另外一个用户来执行相关命令,其方法简单记下:
1、执行单个命令:su - user -c "command"
如:下面命令是以test用户在/data目录下创建test123目录
[root@slave19 /data]# su - test -c "mkdir /data/test123" 
- 好的代码里只要一个 return 语句
dcj3sjt126com
return
别再这样写了:public boolean foo() { if (true) { return true; } else { return false;
- Android动画效果学习
dcj3sjt126com
android
1、透明动画效果
方法一:代码实现
public View onCreateView(LayoutInflater inflater, ViewGroup container, Bundle savedInstanceState)
{
View rootView = inflater.inflate(R.layout.fragment_main, container, fals
- linux复习笔记之bash shell (4)管道命令
eksliang
linux管道命令汇总linux管道命令linux常用管道命令
转载请出自出处:
http://eksliang.iteye.com/blog/2105461
bash命令执行的完毕以后,通常这个命令都会有返回结果,怎么对这个返回的结果做一些操作呢?那就得用管道命令‘|’。
上面那段话,简单说了下管道命令的作用,那什么事管道命令呢?
答:非常的经典的一句话,记住了,何为管
- Android系统中自定义按键的短按、双击、长按事件
gqdy365
android
在项目中碰到这样的问题:
由于系统中的按键在底层做了重新定义或者新增了按键,此时需要在APP层对按键事件(keyevent)做分解处理,模拟Android系统做法,把keyevent分解成:
1、单击事件:就是普通key的单击;
2、双击事件:500ms内同一按键单击两次;
3、长按事件:同一按键长按超过1000ms(系统中长按事件为500ms);
4、组合按键:两个以上按键同时按住;
- asp.net获取站点根目录下子目录的名称
hvt
.netC#asp.nethovertreeWeb Forms
使用Visual Studio建立一个.aspx文件(Web Forms),例如hovertree.aspx,在页面上加入一个ListBox代码如下:
<asp:ListBox runat="server" ID="lbKeleyiFolder" />
那么在页面上显示根目录子文件夹的代码如下:
string[] m_sub
- Eclipse程序员要掌握的常用快捷键
justjavac
javaeclipse快捷键ide
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 写道 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可
- c++编程随记
lx.asymmetric
C++笔记
为了字体更好看,改变了格式……
&&运算符:
#include<iostream>
using namespace std;
int main(){
int a=-1,b=4,k;
k=(++a<0)&&!(b--
- linux标准IO缓冲机制研究
音频数据
linux
一、什么是缓存I/O(Buffered I/O)缓存I/O又被称作标准I/O,大多数文件系统默认I/O操作都是缓存I/O。在Linux的缓存I/O机制中,操作系统会将I/O的数据缓存在文件系统的页缓存(page cache)中,也就是说,数据会先被拷贝到操作系统内核的缓冲区中,然后才会从操作系统内核的缓冲区拷贝到应用程序的地址空间。1.缓存I/O有以下优点:A.缓存I/O使用了操作系统内核缓冲区,
- 随想 生活
暗黑小菠萝
生活
其实账户之前就申请了,但是决定要自己更新一些东西看也是最近。从毕业到现在已经一年了。没有进步是假的,但是有多大的进步可能只有我自己知道。
毕业的时候班里12个女生,真正最后做到软件开发的只要两个包括我,PS:我不是说测试不好。当时因为考研完全放弃找工作,考研失败,我想这只是我的借口。那个时候才想到为什么大学的时候不能好好的学习技术,增强自己的实战能力,以至于后来找工作比较费劲。我
- 我认为POJO是一个错误的概念
windshome
javaPOJO编程J2EE设计
这篇内容其实没有经过太多的深思熟虑,只是个人一时的感觉。从个人风格上来讲,我倾向简单质朴的设计开发理念;从方法论上,我更加倾向自顶向下的设计;从做事情的目标上来看,我追求质量优先,更愿意使用较为保守和稳妥的理念和方法。
&