- 基于示例详细讲解模型PTQ量化的步骤(含代码)
LQS2020
卷积神经网络python
详细探讨模型PTQ量化每个步骤,涉及更多的技术细节和实际计算方法,以便更好地理解PTQ(Post-TrainingQuantization,训练后量化)的全过程。1.模型训练我们假设已经训练了一个卷积神经网络(CNN),例如VGG-16。训练完成后,我们得到了一个以32位浮点数表示的模型权重和激活值。2.收集统计信息在量化之前,我们需要从模型中收集统计信息,以帮助确定量化的参数。收集权重和激活的统
- 灾难性遗忘问题(Catastrophic Forgetting,CF)是什么?
Chauvin912
机器学习算法科普学习方法
灾难性遗忘问题(CatastrophicForgetting,CF)是什么?在深度学习和人工智能领域中,“灾难性遗忘”(CatastrophicForgetting)是指当神经网络在增量学习(IncrementalLearning)或持续学习(ContinualLearning)过程中遇到新任务时,往往会显著遗忘之前所学的任务知识。这种现象在需要模型长期积累知识的应用场景中尤为显著,如自动驾驶、机
- 大语言模型诞生、探索和爆发阶段
花开盛夏^.^
人工智能语言模型人工智能自然语言处理
大语言模型的发展可以分为几个阶段,每个阶段都有其特点和发展重点。以下是大致的时间线以及各个阶段的特点:一、大语言模型诞生阶段这一阶段大约从2017年末到2019年初,期间出现了几个关键的技术突破,这些技术奠定了现代大语言模型的基础。2017年:Google发表了Transformer架构,这是一种基于自注意力机制的神经网络架构,它彻底改变了自然语言处理(NLP)领域,使得大规模并行化处理成为可能,
- AI学习指南深度学习篇-门控循环单元的调参和优化
俞兆鹏
AI学习指南ai
AI学习指南深度学习篇:门控循环单元的调参和优化引言神经网络在处理序列数据(如文本、时间序列等)方面展现出了强大的能力。门控循环单元(GRU)是循环神经网络(RNN)的一种变体,具有较为简单的结构和强大的性能。为了充分发挥GRU的潜力,调参和优化过程至关重要。本文将深入探讨GRU中的调参技巧、训练过程优化及避免过拟合的方法。一、门控循环单元(GRU)简介1.1GRU的结构GRU的结构相对简单,它利
- 量子多体理论怎么样理解,多体系统的量子理论
小浣熊的技术
神经网络
什么是量子多体理论,简要介绍一下主要内容量子论是现代物理学的两大基石之一。量子论给我们提供了新的关于自然界的表述方法和思考方法。量子论揭示了微观物质世界的基本规律,为原子物理学、固体物理学、核物理学和粒子物理学奠定了理论基础。它能很好地解释原子结构、原子光谱的规律性、化学元素的性质、光的吸收与辐射等。谷歌人工智能写作项目:神经网络伪原创量子多体理论和量子场论之间有什么异同呢?我粗略的看了文小刚老师
- 每天五分钟计算机视觉:Siamese深度神经网络模型和FaceNet的关系
幻风_huanfeng
计算机视觉计算机视觉dnn人工智能SiameseFaceNet神经网络
本文重点在前面的课程中,我们学习了Siamese深度神经网络模型和FaceNet,二者都可以完成人脸识别任务,本文进行整理学习,理清二者的区别和联系。基本概念与原理Siamese深度神经网络模型Siamese网络,又称孪生网络,由两个结构相同且权重共享的神经网络组成。这两个网络分别处理输入的对比样本,通过比较两个输入样本的特征向量来判断它们的相似度。在人脸识别中,Siamese网络通过计算输入人脸
- 图神经网络实战(18)——消息传播神经网络
盼小辉丶
图神经网络从入门到项目实战pytorch深度学习图神经网络
图神经网络实战(18)——消息传播神经网络0.前言1.消息传播神经网络2.实现MPNN框架小结系列链接0.前言我们已经学习了多种图神经网络(GraphNeuralNetworks,GNN)变体,包括图卷积网络(GraphConvolutionalNetwork,GCN)、图注意力网络(GraphAttentionNetworks,GAT)和GraphSAGE等。在本节中,我们将对这些变体GNN结构
- 深度学习中的梯度消失和梯度爆炸问题
码上飞扬
深度学习人工智能梯度消失梯度爆炸
在深度学习领域,随着模型层数的增加,我们常常会遇到两个棘手的问题:梯度消失(VanishingGradients)和梯度爆炸(ExplodingGradients)。这两个问题严重影响了深度神经网络的训练效率和性能。本文将详细介绍这两个问题,并通过实例帮助读者更好地理解。一、梯度消失问题梯度消失是深度学习中的一大难题,尤其在训练深度神经网络时显得尤为棘手。这一问题的本质在于,当我们在训练过程中通过
- 如何开发针对不平衡分类的成本敏感神经网络 python
背包客研究
不平衡学习分类神经网络python
如何开发针对不平衡分类的成本敏感神经网络深度学习神经网络是一类灵活的机器学习算法,可以在各种问题上表现良好。神经网络使用误差反向传播算法进行训练,该算法涉及计算模型在训练数据集上产生的误差,并根据这些误差的比例更新模型权重。这种训练方法的局限性在于,每个类别的示例都被视为相同,对于不平衡的数据集,这意味着模型对一个类别的适应性要强得多,而对另一个类别的适应性则弱得多。反向传播算法可以更新,以根据类
- 时间旅行者:LSTM算法的奥秘大揭秘!
风清扬雨
lstm算法人工智能
Hey小伙伴们,今天给大家带来一个超级有趣的主题——LSTM算法的基本结构和公式推导!项目背景你知道吗?在时间序列预测中,传统的神经网络很难处理长距离的依赖关系。但是,有一种神奇的神经网络叫做LSTM(LongShort-TermMemory),它就像是时间旅行者一样,可以记住很久以前的信息!时间旅行听起来很酷吧?那我们就来一起探索一下LSTM的世界吧!原理解析1️⃣什么是LSTM?LSTM是一种
- 【LSTM分类】基于贝叶斯优化卷积神经网络结合长短时记忆BO-CNN-LSTM实现柴油机故障诊断含Matlab源码
matlab科研助手
lstm分类cnn
✅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物理应用机器学习内容介绍柴油机作为重要的动力设备,其运行状态的可靠性直接影响着生产效率和安全。及时准确地诊断柴
- 吴恩达深度学习笔记(24)-为什么要使用深度神经网络?
极客Array
为什么使用深层表示?(Whydeeprepresentations?)我们都知道深度神经网络能解决好多问题,其实并不需要很大的神经网络,但是得有深度,得有比较多的隐藏层,这是为什么呢?我们一起来看几个例子来帮助理解,为什么深度神经网络会很好用。首先,深度网络在计算什么?如果你在建一个人脸识别或是人脸检测系统,深度神经网络所做的事就是,当你输入一张脸部的照片,然后你可以把深度神经网络的第一层,当成一
- 143自然语言处理进阶手册--人工神经网络初探
Jachin111
人工神经网络初探神经网络与人类大脑人类虽然拥有智慧,但对智慧是如何产生的却不得而知,对于大脑结构的模仿或许是一个探索的起点,神经网络的起点就在这里。准确地说,这里所述的神经网络其实是人工神经网络,仅仅是模仿了人脑神经网络的部分结构特征与机理。在本小节,我们来对神经网络与人类大脑来作一番对比,比较两者的不同与联系。人类神经系统的基本单元是神经元,约有1000亿个,是一种高度分化的细胞。神经元能够接受
- 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
- 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
- 《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
- 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
- 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
- YOLOv8改进 | 注意力篇 | YOLOv8引入SimAM注意力机制
小李学AI
YOLOv8有效涨点专栏YOLO深度学习计算机视觉目标检测人工智能机器学习神经网络
1.SimAM介绍1.1摘要:在本文中,我们提出了一个概念上简单但非常有效的卷积神经网络(ConvNets)注意力模块。与现有的通道和空间注意力模块相比,我们的模块为层中的特征图推断3D注意力权重,而不向原始网络添加参数。具体来说,我们基于一些著名的神经科学理论,提出优化能量函数来找到每个神经元的重要性。我们进一步推导了能量函数的快速封闭式解决方案,并表明该解决方案可以用不到十行代码来实现。该模块
- 机器学习入门:机器学习的基本概念
Louis0687
姓名:高亦凡学号:19020100056学院:电子工程学院转载自:原文链接【嵌牛导读】机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科,研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能,是人工智能技术的核心。【嵌牛鼻子】机器学习【嵌牛提问】什么是机器学
- 【ShuQiHere】用类来实现LSTM:让你的模型拥有更强的记忆力
ShuQiHere
代码武士的机器学习秘传lstm人工智能
【ShuQiHere】欢迎回到ShuQiHere!今天我们要来聊一聊LSTM(LongShort-TermMemory),一种非常流行的循环神经网络(RNN)变种。LSTM以其卓越的记忆能力和处理长序列数据的强大性能而闻名。今天,我们将用类的方式来实现LSTM,并将其应用于手写数字识别任务中。1.什么是LSTM?LSTM是一种特殊的RNN,它通过引入“门”的机制,能够更好地捕捉长时间跨度的依赖关系
- 【ShuQiHere】从 FNN 到 RNN:用股票价格预测一步步理解神经网络的演化
ShuQiHere
神经网络rnn人工智能
【ShuQiHere】引言神经网络在人工智能和机器学习领域是一个核心的研究方向,而前馈神经网络(FNN)是最基础的模型之一。虽然FNN在许多任务中表现出色,但当面对时间序列数据时,例如预测股票价格,它往往显得力不从心。这是因为FNN无法有效利用历史信息来预测未来的走势。为了解决这一问题,循环神经网络(RNN)被引入。通过这个熟悉的例子——股票价格预测,我们将一步步探讨RNN是如何从FNN演化而来的
- 【ShuQiHere】卷积神经网络(CNN):从输入到输出的逐层解析
ShuQiHere
cnn人工智能神经网络
【ShuQiHere】卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习领域的一个里程碑。它的出现不仅改变了计算机视觉的格局,还影响了各类数据处理任务,如语音识别和自然语言处理。随着深度学习的蓬勃发展,CNN成为了图像处理任务中的标准工具。那么,CNN到底是什么?它又是如何工作的?在本文中,我们将通过手写数字识别的例子,逐层解析CNN的每个部分,帮助你全面理解这
- AI人工智能深度学习算法:卷积神经网络的原理与应用
AI大模型应用之禅
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
AI人工智能深度学习算法:卷积神经网络的原理与应用作者:禅与计算机程序设计艺术1.背景介绍1.1人工智能的兴起与深度学习的崛起人工智能(AI)是指计算机科学的一个分支,旨在创造能够执行通常需要人类智能的任务的智能机器,例如学习、解决问题和决策。近年来,人工智能取得了显著的进展,这在很大程度上归功于深度学习的崛起,深度学习是一种强大的机器学习形式,它使用具有多个层的深度神经网络来学习数据中的复杂模式
- 深度学习100问23:什么是前馈型神经网络
不断持续学习ing
人工智能自然语言处理机器学习
嘿,前馈型神经网络就像一个神奇的小工厂哟!一、定义及原理这个小工厂呀,有个特别的工作方式。数据就像是原材料,从输入层这个“大门”进入工厂。然后呢,这些数据一路向前,经过一个又一个隐藏层,就好像经过不同的加工车间。每个车间都对数据进行一番特别的处理和改造。最后,数据到达输出层这个“成品出口”,变成了我们想要的结果。在这个过程中,数据只能一个劲儿地往前跑,可不能绕回来,就像一条单行道。比如说,如果我们
- 做大模型 千万别买苹果笔记本电脑
路人与大师
电脑
对于大模型(如大型神经网络模型)的训练和推理,苹果笔记本电脑(尤其是搭载AppleSilicon芯片的MacBook)确实存在一些限制,这些问题可能让开发者在处理大规模AI项目时感到不适合。以下是一些主要原因:1.GPU不适合深度学习AppleSiliconGPU限制:Apple自家芯片(如M1和M2)的GPU架构与传统的NVIDIAGPU(通常是深度学习和大模型训练的首选)不同。NVIDIA的C
- AI中的核心概念解读:深度学习、机器学习、神经网络与自然语言处理
wypdao
人工智能AIGC算法人工智能深度学习机器学习
人工智能(AI)是一个涵盖广泛领域的技术词汇,近年来受到了越来越多的关注和应用。然而,对于刚接触AI的初学者或非专业人士来说,理解其中的核心概念,特别是深度学习、机器学习、神经网络与自然语言处理之间的区别,可能显得有些复杂。本文将帮助读者梳理这些重要概念,厘清它们之间的关系和区别。一、人工智能(AI)首先,人工智能(AI)是一个广泛的领域,包含了任何通过计算机程序实现的智能行为。AI的目标是让机器
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
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/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置