- 从零构建智能ai语音助手:ESP32s3+Python+大语言模型实战指南
从零构建智能ai语音助手:ESP32s3+Python+大语言模型实战指南一、项目概述大家好!今天给大家带来一个干货满满的实战项目——基于ESP32S3硬件和Python后端的智能语音助手系统。这个项目将物联网技术与AI技术完美结合,打造一个可以实时对话、意图识别的智能语音交互系统。相比传统的离线语音系统只能识别固定命令词,我们这套系统可以:实现自然语言理解,支持多种表达方式无需预设固定命令词,更
- 大语言模型(LLM)笔记
笑衬人心。
大模型学习语言模型笔记人工智能
一、什么是大语言模型(LLM)?LLM(LargeLanguageModel)是基于Transformer架构构建,并在海量文本语料上训练出的具备自然语言理解和生成能力的深度神经网络模型。其本质任务是**预测下一个token(词/字/符号)**的概率分布,但通过大规模参数和数据的支持,表现出类人智能的行为。二、核心架构:Transformer由Google在2017年提出,是目前LLM的主流架构。
- “易问易视”——让数据分析像聊天一样简单
二十十十十十
数据分析数据挖掘
一、项目简介“易问易视”通过自然语言理解和大语言模型技术,将用户的中文查询自动转化为数据处理指令,实现无代码的数据检索与图表生成。你只要在大屏上输入一句话,比如“2024年每月有多少人出境”,它就能自动看懂你要查的时间、指标、维度,然后在后台用Pandas和NumPy把国家统计局或行业CSV里的数据清洗、筛选、聚合好,再用Matplotlib、Plotly画出柱状图、折线图、饼图甚至地图,最后在S
- 预训练语言模型
lynnzon
语言模型人工智能自然语言处理
1.1Encoder-onlyPLMEncoder-only架构是Transformer的重要分支,专注于自然语言理解(NLU)任务,核心代表是BERT及其优化模型(RoBERTa、ALBERT)。其特点是:仅使用Encoder层:堆叠多层TransformerEncoder,捕捉文本双向语义。预训练任务:通过掩码语言模型(MLM)学习上下文依赖。应用场景:文本分类、实体识别、语义匹配等NLU任务
- 大语言模型应用指南:多模态大语言模型
AI天才研究院
AI人工智能与大数据AI大模型企业级应用开发实战AI大模型应用入门实战与进阶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
大语言模型应用指南:多模态大语言模型作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词:多模态大语言模型(MMLM),多媒体数据处理,自然语言理解,图像文本生成,应用场景探索1.背景介绍1.1问题的由来随着人工智能技术的迅速发展,特别是自然语言处理(NLP)领域的突破,大型语言模型(LargeLanguageModels,LLMs)成为研究热点。
- AI芯片设计与神经网络加速
华清远见成都中心
人工智能神经网络深度学习
随着人工智能技术的飞速发展,神经网络在图像识别、语音处理、自然语言理解等众多领域取得了显著成就。然而,神经网络的大规模计算需求对传统计算芯片提出了严峻挑战。AI芯片应运而生,其设计目的便是为神经网络提供高效的计算支持,实现神经网络的加速运行。深入研究AI芯片设计与神经网络加速技术,对于推动人工智能技术的广泛应用和进一步发展具有重要意义。一、AI芯片设计基础·计算架构:是AI芯片设计的核心。常见的计
- 【C语言练习】100. 使用C语言实现简单的自然语言理解算法
视睿
从零开始学习机器人c语言算法开发语言排序算法
100.使用C语言实现简单的自然语言理解算法100.使用C语言实现简单的自然语言理解算法关键词匹配算法简介示例代码:简单的关键词匹配算法代码说明示例运行扩展功能其他方法基于规则的方法统计机器学习方法C语言中统计机器学习方法概述常见统计机器学习算法的C实现贝叶斯定理基础算法核心思想常见变体实现示例(Python)优缺点优化库与工具性能与注意事项有限状态自动机(FSA)深度学习接口调用混合方法100.
- 大语言模型应用指南:案例:私人邮件助手
AI天才研究院
AI大模型企业级应用开发实战Agent实战AI人工智能与大数据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
大语言模型应用指南:案例:私人邮件助手1.背景介绍1.1问题的由来在快节奏的工作和生活中,电子邮件成为沟通交流的主要方式之一。然而,处理大量电子邮件往往耗费时间且容易产生遗漏或疏忽。因此,人们对于自动化的邮件处理助手的需求日益增加。大语言模型因其强大的自然语言处理能力,成为开发高效邮件助手的理想选择。1.2研究现状目前,大语言模型已经在多个领域展现出能力,包括但不限于自然语言理解、文本生成、对话系
- 阿里智能语音交互 SDK:赋能智能人机交互新时代
田轲浩
阿里智能语音交互SDK:赋能智能人机交互新时代alibabacloud-nls-java-sdkTheJavaSDKforAlibabanaturelanguageandspeechAPIs.项目地址:https://gitcode.com/gh_mirrors/al/alibabacloud-nls-java-sdk1、项目介绍阿里智能语音交互SDK,是一款集成了语音识别、语音合成和自然语言理解
- 大模型——Dify 与 Browser-use 结合使用
不二人生
大模型人工智能difyBrowser-use
大模型——Dify与Browser-use结合使用Dify与Browser-use的结合使用,能够通过AI决策与自动化交互的协同,构建智能化、场景化的业务流程。以下是两者的整合思路与技术落地方案:一、核心组合逻辑分工定位Dify:作为AI模型调度中枢,负责自然语言理解、决策生成、数据处理(如文本分析、意图识别、动态指令生成)。Browser-use:作为执行终端,按Dify输出的结构化指令模拟人类
- 对比分析:Rasa、Dialogflow等主流意图识别框架
AI原生应用开发
ai
对比分析:Rasa、Dialogflow等主流意图识别框架——从“翻译官”到“定制师”的对话系统实战指南关键词:意图识别、对话系统、Rasa、Dialogflow、自然语言理解(NLU)摘要:在智能客服、语音助手等AI产品中,“听懂人话”是核心能力。本文将以“意图识别框架”为切入点,用“翻译官”“定制厨房”等生活化比喻,对比分析Rasa(开源派代表)与Dialogflow(商业云服务代表)的技术原
- 【学习笔记6】论文SQLfuse: Enhancing Text-to-SQL Performance through Comprehensive LLM Synergy
||Φ|(|T|Д|T|)|Φ||/
sql
AbstractText-to-SQL转换是一项关键创新,简化了从复杂SQL语句到直观自然语言查询的转换,尤其在SQL在各类岗位中广泛应用的情况下,这一创新显得尤为重要。随着GPT-3.5和GPT-4等大型语言模型(LLMs)的兴起,这一领域得到了极大的推动,提供了更好的自然语言理解能力和生成细致入微的SQL语句的能力。然而,在Text-to-SQL应用中,开源LLMs的潜力尚未得到充分挖掘,许多
- 基于本体的自动问答系统
奇文王语
自然语言处理语言自动信息检索
自然语言处理的一个分支–自动问答系统本体(Ontology)的应用:(1)信息检索(2)自动问答分词停用此词处理相似度计算词语相似度计算句子相似度计算改进(1)分词算法(2)词语相似度计算的算法(3)句子相似度计算的算法提高:查全率查准率存在问题:无法充分反映用户查询目的无法反映用户想要的内容无法对用户检索需求进行语义方面的理解:关键词匹配语义方面(欠缺)自动问答系统的工作原理:使用自然语言理解的
- 目前主流 AI 大模型全面对比 ,哪个才是最强王者?
不讲究,好好学习
ai人工智能
引言:风起云涌的大模型时代人工智能(AI)领域正经历一场由大模型技术引领的深刻变革。自2022年末以来,以GPT系列为代表的大语言模型(LLM)展现出惊人的能力,迅速点燃了全球范围内的科技热潮。这些模型不仅在自然语言理解与生成方面取得了突破性进展,更在代码编写、逻辑推理、多模态交互等多个维度展现出巨大潜力,深刻影响着科研、教育、金融、医疗、文娱等各行各业的运作模式与未来走向。面对层出不穷、快速迭代
- 产品经理AI对话(一):了解大语言模型
Langchain
人工智能产品经理语言模型pytorch自然语言处理
对想做AI产品经理的同学而言,了解一些基础知识、常用名词是必须的。这篇文章,作者解释了一些AI的基础名词和概念,希望可以帮到大家。本文为此系列引言,主要为各技术点的要点汇总,旨在普及基础技术知识点不含产品观点,对LLM了解的可跳过。一、什么是大语言模型(LLM)顾名思义,大语言模型的特点是规模庞大,可能拥有十亿以上的参数。由于研究方向不同,在前两年出现以自然语言理解任务和自然语言生成类任务的两条技
- AI大模型探索之路-应用篇10:Langchain框架-架构核心洞察
寻道AI小兵
AIGClangchain人工智能自然语言处理AI编程chatgpt
目录前言一、LangChain设计目标二、LangChain设计之道三、LangChain典型应用1、简单的问答Q&AoverSQL+CSV:2、聊天机器人Chatbots:3、总结摘要Summarization:4、网页爬虫Webscraping:5、本地知识库(Q&AwithRAG):三、LangChain架构核心1、Prompt设计能力2、自然语言理解能力3、传统架构能力4、业务架构能力四、
- Ollama 本地部署 DeepSeek 大模型全流程教程
饭碗、碗碗香
人工智能模型部署人工智能笔记学习语言模型
Ollama本地部署DeepSeek大模型全流程教程一、什么是Ollama和DeepSeek?Ollama:简化大模型本地部署和运行的工具,支持一条命令直接使用大模型。DeepSeek:开源大模型,擅长代码生成和自然语言理解,适合本地部署和开发测试。二、部署环境准备✅1.系统要求操作系统:Ubuntu20.04+/MacOS/Windows(WSL2)硬件配置:CPU推理:内存8GB+GPU加速:
- 国产智能外呼系统
MARS_AI_
人工智能信息与通信自然语言处理交互
在国产智能外呼系统中,有众多优秀的智能外呼系统厂商,通过介绍以下几个智能外呼系统,企业可根据自身业务需求灵活选择:1.云蝠智能:作为国内领先的智能外呼解决方案提供商,云蝠智能深度融合大模型技术,核心产品VoiceAgent基于神鹤30亿参数NLP语义模型与1300亿参数神经大模型双擎驱动,实现100%大模型互动。其核心优势包括:类人化对话能力:支持自然语言理解、智能反问和多轮对话,可根据客户语气、
- 在自然语言处理任务中,像 BERT 这样的模型会在输入前自动加上一些特殊token
背太阳的牧羊人
人工智能python自然语言处理bert
1.什么是BERT?BERT是一个自然语言理解模型。你可以把它想象成一个超级聪明的“语言理解机器人”。你把一句话丢进去,它能:理解这句话的意思;告诉你哪个词是实体(人名、地名);判断两个句子是不是一个意思,等等。2.什么是Token?Token就是把一句话拆成一个个小块的结果。比如原句是:我爱北京天安门模型不能直接理解汉字或词语,所以会先用分词器(Tokenizer)把它切成token:["我",
- OpenAI Codex CLI是什么,以及与Claude Code/Aider/Cursor/Windsurf的比较
张成AI
人工智能LLMAI编程
1.简介OpenAI最近推出了CodexCLI,这是一个开源的基于终端的编程助手,将OpenAI的高级语言模型能力直接带到开发者的终端中。本文本全面分析了CodexCLI的功能特点、市场定位、与竞争产品的比较以及未来发展前景。2.CodexCLI概述2.1核心功能作为基于终端的代码助手,CodexCLI提供以下关键功能:•通过自然语言理解和操作本地代码库•自动生成和应用代码更改•执行命令并管理基于
- 微信零代码接入DeepSeek+Coze智能体:打造AI智能客服完整指南
挨踢学霸
人工智能微信自动化
本文将详细介绍如何零代码将DeepSeek(底层大模型)与Coze(AIAgent智能体)结合,并通过MsgHelper(微信监控平台)实现微信好友自动回复,打造高效AI智能客服系统。1.为什么选择DeepSeek作为底层大模型?DeepSeek(深度求索)是国内领先的大模型之一,具备强大的自然语言理解与生成能力,适用于智能客服场景。接入DeepSeek的优势包括:✅高性能推理:DeepSeek-
- LinuxAgent开源程序是一款智能运维助手,通过接入 DeepSeek API 实现对 Linux 终端的自然语言控制,帮助用户更高效地进行系统运维工作
struggle2025
linux运维服务器deepseek人工智能自动化
一、软件介绍文末提供程序和源码下载LinuxAgent开源程序是基于LLM大模型的Linux智能运维助手。通过接入DeepSeekAPI实现对Linux终端的自然语言控制,帮助用户更高效地进行系统运维工作。二、版本特性对比特性v1.4.11.4.1版v2.0.32.0.3版v2.0.42.0.4版v2.0.5(最新)自然语言理解✓✓✓✓智能命令执行✗✓✓✓安全控制机制✓✓✓✓多轮对话支持✗✓✓+✓
- 快速使用Milvus MCP Server,0代码搭建智能搜索Agent
在AI时代,搜索场景已从传统的关键词匹配过渡到语义化、向量化的智能深度搜索。一个高效的智能搜索Agent能通过自然语言理解、语义表示和向量检索,实现更精准的信息匹配。然而想要搭建这样一个Agent往往需要面临和解决很多问题,如产品技术选型、模型的选择与部署、向量数据的存储和处理以及返回结果的实时性保障等。现在使用MilvusMCPServer即可实现快速高效搭建智能搜索Agent,简化繁琐的开发流
- 第15篇:基于Milvus实现自然语言理解的实战案例
Gemini技术窝
milvusAIGC人工智能自然语言处理
自然语言理解(NLU)是自然语言处理(NLP)的一个重要分支,旨在让计算机理解和解释人类语言。NLU广泛应用于搜索引擎、智能客服、推荐系统等领域。本文将详细介绍如何基于Milvus实现自然语言理解,特别是如何实现词嵌入与句嵌入、语义相似度计算。通过详细的代码示例,逐步讲解各个步骤的原理和实现方法。文章目录自然语言理解的基本概念词嵌入句嵌入语义相似度计算环境准备安装必要的依赖包词嵌入与句嵌入的实现使
- 提示词工程师的技能培养与发展
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据easyui前端javascriptai
文章标题《提示词工程师的技能培养与发展》文章关键词提示词工程技能培养职业发展人工智能自然语言处理摘要本文旨在探讨提示词工程师这一新兴职业的技能培养与发展路径。随着人工智能和自然语言处理技术的飞速发展,提示词工程师在诸多领域发挥着至关重要的作用。本文将首先介绍提示词工程师的核心概念及其在人工智能中的应用场景,接着详细分析该岗位所需的关键技能,包括编程能力、自然语言理解与生成技术、模型调优等。此外,本
- MCP与传统程序的深度对比:区别与联系
Ven%
简单说深度学习mcp人工智能深度学习ai
MCP与传统程序的深度对比:区别与联系MCP(模型上下文协议)作为AI与工具交互的新范式,与传统程序开发模式既有显著区别又存在密切联系。以下从多个维度进行系统分析:核心区别对比维度传统程序MCP协议设计哲学确定性逻辑驱动概率性意图驱动执行方式线性流程执行动态工具组合接口规范自定义API规范标准化工具描述格式开发重心业务逻辑实现能力边界定义输入处理结构化数据输入自然语言理解错误处理显式异常捕获机制意
- DeepSeek-R1 API:开启智能未来的强大引擎
deepseekapi
前言在人工智能技术飞速发展的今天,企业需要更高效、更智能的解决方案来提升业务竞争力。DeepSeek-R1API作为新一代AI接口服务,凭借其卓越的自然语言处理(NLP)能力、强大的计算性能和灵活的集成方式,正在成为开发者与企业智能化升级的首选工具。为什么选择DeepSeek-R1API?1.强大的自然语言理解与生成能力DeepSeek-R1基于先进的深度学习模型,能够精准理解并生成高质量文本,适
- 大模型巅峰对决:DeepSeek vs GPT-4 / Claude / PaLM-2全面对比与核心差异揭秘
荣华富贵8
程序员的知识储备1程序员的知识储备2程序员的知识储备3palm
随着人工智能领域的飞速发展,各大厂商纷纷推出旗舰级大模型。DeepSeek、GPT-4、Claude与PaLM-2均在自然语言处理与生成任务中展现出卓越性能。本文将深入剖析这些大模型在架构设计、训练策略、推理速度、开放性与定制化等方面的核心差异,并通过详细代码示例展示如何构建统一接口进行模型对比测试。一、背景介绍近年来,大模型凭借其卓越的自然语言理解与生成能力,广泛应用于智能客服、内容创作、编程助
- 提示词编程的持续集成与部署
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型ChatGPTjavapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
提示词编程的持续集成与部署关键词:提示词编程、持续集成、持续部署、容器化、自动化测试、版本控制摘要:本文将深入探讨提示词编程在持续集成与部署(CI/CD)中的应用,详细解析其原理、实践方法及最佳实践。通过系统的讲解和实例分析,帮助读者全面掌握CI/CD的核心技术,提升项目开发与运维效率。引言核心概念术语说明提示词编程:一种基于预训练模型和自然语言理解的技术,通过输入提示词来生成目标代码或文本。持续
- Rasa 的工作流程
YiHanXii
Rasalinux人工智能docker语言模型
Rasa是一个非常灵活的对话系统框架,它的工作流程涉及多个步骤,包括意图识别、槽位填充、对话管理、以及执行自定义动作等。下面是Rasa工作流程的详细解释:1.用户输入用户通过对话界面(比如聊天框、语音输入等)发送信息。这个信息可以是自然语言文本,Rasa将对其进行处理。2.自然语言理解(NLU)当用户输入信息时,Rasa首先通过自然语言理解(NLU)模块对用户的输入进行分析。NLU的主要任务包括:
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理