- 解密大模型全栈开发:从搭建环境到实战案例,一站式攻略
海棠AI实验室
“智元启示录“-AI发展的深度思考与未来展望人工智能大模型全栈开发
目录大模型基础概念什么是大模型?大模型的发展历程大模型的类型大模型全栈开发环境搭建硬件需求软件环境配置云服务选择大模型应用开发流程模型选择策略提示工程(PromptEngineering)模型微调(Fine-tuning)参数高效微调(PEFT)大模型应用架构设计基本应用架构RAG(检索增强生成)系统Agent系统设计大模型应用部署与优化模型部署选项模型优化技术性能监控与调优大模型应用实战案例智能
- 【人工智能】微调的秘密武器:释放大模型的无限潜能
蒙娜丽宁
Python杂谈人工智能人工智能
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在人工智能迅猛发展的今天,大规模语言模型(LLMs)以其强大的通用能力席卷各行各业。然而,如何让这些通用模型在特定领域或任务中发挥最大潜力?答案是微调(Fine-tuning)。本文深入探讨微调的理论基础、技术细节与实践方法,揭示其作为解锁大模型隐藏潜力
- 【Servo】自整定、惯量识别、调谐
我不是程序猿儿
ServoCc++C++c语言
好的,这里为你用伺服驱动领域的语言详细解释“自整定”的概念:自整定(AutoTuning)的定义自整定是指伺服驱动器通过内置的检测、识别和计算算法,自动测量并设置控制系统参数(如增益、惯量、摩擦等),以实现对伺服系统性能的快速优化和匹配,无需人工手动逐一调节。通俗理解:就像智能家电的“一键设置”,自整定可以让初学者或非专业人员只需按一个按钮,系统会自动检测自身状态,选择或计算出合适的参数,使伺服系
- 【面试宝典】【大模型入门】【模型微调】
曾小文
人工智能深度学习机器学习
面试热点科普:监督微调vs无监督微调,有啥不一样?在大模型时代(比如BERT、GPT)里,我们经常听到“预训练+微调”的范式。但你可能会疑惑——监督微调、无监督微调,到底有啥区别?用的场景一样吗?今天这篇,带你5分钟搞懂这对“孪生兄弟”的异同✅1.术语定义名称定义说明预训练(Pretraining)在大规模通用数据上训练模型,学习“通用知识”,比如语言规律、语义表示。微调(Fine-tuning)
- 中文工单分类模型选择
SugarPPig
人工智能分类人工智能数据挖掘
采用基于预训练模型的微调(Fine-tuning)方案来做中文工单分类,这是非常明智的选择,因为预训练模型已经在大量中文语料上学习了丰富的语言知识,能大幅提升分类效果。在HuggingFace上,针对中文文本分类,我为你推荐以下最合适的模型:最推荐的模型:BERT-base-chinese模型名称(HuggingFaceID):google-bert/bert-base-chinese为什么推荐它
- LLM模型的一些思考
巴基海贼王
nlp
对通用LLM模型进行Fine-tuning操作(SFT,supervisedfinetuning),带来的影响往往是有害的?从表象看,使用领域数据对LLM做Fine-tuning,通常会造成灾难性的“灾难遗忘”问题。简单点儿说,SFT在赋予对领域知识理解能力的同时,由于修正模型参数,导致模型遗忘之前学会的某些知识。目前的“智能=压缩”的理论是否正确?LLM的压缩能力是否可以拆解成单个神经元的“压缩
- RAG 和微调如何抉择
成都犀牛
深度学习人工智能机器学习pytorch
要选择RAG(Retrieval-AugmentedGeneration)还是微调(Fine-tuning),或者两者结合,主要取决于如下数据特性应用场景资源限制模型行为的控制需求RAGvs.微调:如何选择?特性/维度RAG(检索增强生成)微调(Fine-tuning)数据特性知识不断变化/更新、信息量大、需要引用来源、数据隐私性高。数据领域特定、格式特殊、语言风格独特、知识相对稳定。知识来源外部
- 56-Oracle SQL Tuning Advisor(STA)
远方1609
oraclesql数据库database大数据
各位小伙伴,一般都用哪些优化工具,OracleSQLTuningAdvisor(STA)用的多吗,Profile就是它的其中1个产物,下一期再弄Profile,STA的核心功能是自动化诊断高负载SQL的性能瓶颈(如全表扫描、缺失索引),通过深度分析执行计划提供优化建议(如索引创建、SQL结构重写),并生成SQLProfile,不侵入、在不修改原SQL的前提下注入优化器指令,强制修正基数估计偏差或访
- LoRA、QLoRA是什么
爱吃土豆的马铃薯ㅤㅤㅤㅤㅤㅤㅤㅤㅤ
人工智能机器学习深度学习
一:LoRA(Low-RankAdaptation,低秩适应)是一种高效的大模型参数微调技术,由Meta在2021年提出。它通过冻结预训练模型参数,仅训练少量新增的低秩矩阵,大幅减少了需要训练的参数量,同时保持接近全参数微调的效果。为什么需要LoRA?传统的全参数微调(Fine-tuning)需要更新大型语言模型的所有参数(如GPT-3有1750亿参数),这带来两个核心问题:计算资源需求极高:需要
- AI模型微调完整学习方案:从入门到精通
奔四的程序猿
大模型微调人工智能学习
引言随着大语言模型(LLM)技术的快速发展,微调模型以适应特定任务或领域的需求变得越来越重要。微调是一种技术,通过对预训练模型进行进一步训练,使其能够更好地解决特定问题或在特定领域表现更佳。本报告将提供一个全面的学习方案,从基础概念到高级技术,帮助读者系统性地掌握AI模型微调的各个方面。1.模型微调基础概念(入门阶段)什么是模型微调?模型微调(Fine-tuning)是指在预训练模型基础上,使用特
- 大模型微调(Fine-tuning)概览
MzKyle
深度学习人工智能
大模型微调(Fine-Tuning)是将预训练大模型(如GPT、LLaMA)适配到特定任务或领域的核心技术,其效率与效果直接影响大模型的落地价值。一、微调的本质与核心目标1.技术定义微调是通过在预训练模型基础上,使用特定任务或领域的小规模数据进行二次训练,使模型参数适应新场景的过程。其核心逻辑是:预训练阶段学习通用知识(如语言规律、世界常识);微调阶段将通用能力转化为领域专属能力(如医疗问答、法律
- 预训练、指令微调与RLHF如何塑造LLM
由数入道
人工智能提示词工程交互
大型语言模型(LLM)那令人惊叹的语言理解、生成和在特定引导下的推理能力,并非魔法的产物,而是源于一个极其复杂、耗资巨大且经过精心设计的多阶段训练过程。理解这个训练过程的核心环节——大规模无监督预训练(Pre-training)、指令微调(InstructionFine-Tuning,IFT)以及从人类反馈中强化学习(ReinforcementLearningfromHumanFeedback,R
- 用 LoRA 对 Qwen2.5-VL 模型进行SFT - qwen2_5vl_lora_sft.yaml
二分掌柜的
QwenLoRAQwenqwen
用LoRA对Qwen2.5-VL模型进行SFT-qwen2_5vl_lora_sft.yamlflyfishFORCE_TORCHRUN=1llamafactory-clitrainexamples/train_lora/qwen2_5vl_lora_sft.yamlqwen2_5vl_lora_sft.yaml││││└──SFT:有监督微调(SupervisedFine-Tuning)│││└
- 深度学习编译器
1)深度学习编译器复杂个JB与通用自动编译工具不同,深度学习编译器结构更加复杂,包括图层优化、张量(Tensor)优化、代码生成、硬件部署、自动调优(AutoTuning)等几个部分。以TVM为例,图1.1为TVM的结构示意图。最上层表示不同的深度学习框架,TVM将不同深度学习框架实现的算法转化为高层IR表示,高层IR以算子为原子单元,将不同类型的算法抽象成图节点对图进行融合优化。之后,TVM将高
- 大模型笔记_模型微调
饕餮争锋
AI大模型笔记笔记语言模型人工智能
1.大模型微调的概念大模型微调(Fine-tuning)是指在预训练大语言模型(如GPT、BERT、LLaMA等)的基础上,针对特定任务或领域,使用小量的目标领域数据对模型进行进一步训练,使其更好地适配具体应用场景的过程。预训练模型通常在大规模通用语料库(如互联网文本、书籍等)上训练,具备通用的语言理解和生成能力,而微调则通过调整模型参数,使其在特定任务(如分类、问答、生成等)或领域(如医疗、金融
- 大模型笔记_模型微调 vs RAG
饕餮争锋
AI大模型笔记笔记人工智能语言模型
1.模型微调与RAG介绍模型微调(Fine-tuning):大模型笔记_模型微调-CSDN博客检索增强生成RAG(Retrieval-AugmentedGeneration):大模型笔记_检索增强生成(RAG)-CSDN博客2.模型微调与RAG对比分析2.1.核心定义与原理维度模型微调(Fine-tuning)RAG(Retrieval-AugmentedGeneration)核心思想通过调整模型
- 大模型笔记:RAG(Retrieval Augmented Generation,检索增强生成)
1大模型知识更新的困境大模型的知识更新是很困难的,主要原因在于:训练数据集固定,一旦训练完成就很难再通过继续训练来更新其知识参数量巨大,随时进行fine-tuning需要消耗大量的资源,并且需要相当长的时间LLM的知识是编码在数百亿个参数中的,无法直接查询或编辑其中的知识图谱——>LLM的知识具有静态、封闭和有限的特点。——>为了赋予LLM持续学习和获取新知识的能力,RAG应运而生2RAG介绍这是
- LLMs 入门实战系列
AGI小明同学
人工智能大数据音视频llama职场和发展
【LLMs入门实战系列】第一层LLMstoNaturalLanguageProcessing(NLP)第一重ChatGLM-6B【ChatGLM-6B入门-一】清华大学开源中文版ChatGLM-6B模型学习与实战介绍:ChatGLM-6B环境配置和部署【ChatGLM-6B入门-二】清华大学开源中文版ChatGLM-6B模型微调实战ChatGLM-6BP-TuningV2微调:Fine-tunin
- 【大模型】大模型微调(上)
油泼辣子多加
大模型实战深度学习机器学习人工智能
一、概念与背景微调(Fine-tuning)是一种迁移学习的方法,通过在已有的预训练模型基础上,利用目标任务的少量标注数据对模型进行二次训练,使其更好地适应特定任务的需求。预训练阶段模型通常使用大规模通用语料(如维基百科、新闻语料)进行无监督或自监督训练,学习通用的语言表示;微调阶段则使用特定任务数据进行有监督学习,实现从通用到专用的知识迁移。预训练(Pre-training):在大规模无标签语料
- 【大模型】大模型微调(中)
油泼辣子多加
大模型实战深度学习机器学习人工智能
一、P-Tuning(PromptTuning)1.原理软提示(SoftPrompt):在输入前添加可训练的连续向量(softprompt),而非修改模型参数。冻结模型主体:仅更新提示向量,保持预训练权重不变。优势:显存开销小,易于存储和切换任务;支持多任务场景。2.所需数据示例{"prompt_template":"Question:{question}Answer:","samples":[{
- 人工智能-SFT(Supervised Fine-Tuning)、RLHF 和 GRPO
高效匠人
人工智能人工智能
以下是SFT(SupervisedFine-Tuning)、RLHF(ReinforcementLearningfromHumanFeedback)和GRPO群体相对策略优化(GRPO,GroupRelativePolicyOptimization)是一种强化学习(RL)算法,的核心差异与原理对比,涵盖定义、训练机制、优缺点及适用场景:一、核心定义方法核心定义SFT基于标注的「输入-输出」对进行监
- 【大模型实践解惑】 如何在 Supervised Fine‑Tuning (SFT) 之后进行 Direct Preference Optimization (DPO) 微调?
云博士的AI课堂
大模型技术开发与实践哈佛博后带你玩转机器学习深度学习机器学习SFTpytorch大模型DPO强化学习DPO微调
关于在SFT之后进行DPO微调的技术解析与应用指南,结合国内外最新研究及实践案例,包含代码实现与未来优化方向:文章目录DPO的核心原理与SFT的局限性1.1SFT的瓶颈与偏好学习的必要性1.2DPO的数学基础与优化目标DPO与SFT的国内外典型应用2.1代码生成优化:北大CodeDPO框架2.2长文本LLM对齐:清华LongReward2.3自动驾驶决策规划:地平线AlphaDriveDPO微调全
- 大模型LoRA微调技术:原理、优势与应用实践
一个小番茄
人工智能自然语言处理深度学习机器学习神经网络
作为一位资深IT项目管理专家,我见证了人工智能领域尤其是大模型技术的迅猛发展。在众多大模型微调技术中,LoRA(Low-RankAdaptation,低秩自适应)因其高效性和实用性脱颖而出。本文将系统性地介绍LoRA微调技术,帮助项目管理者和技术团队理解这一重要技术。##LoRA微调技术概述###技术背景随着GPT等千亿参数级别大模型的出现,全参数微调(FullFine-tuning)面临着巨大挑
- LLaVa官网文档翻译
溯源006
Llava学习相关人工智能深度学习transformer
原文地址:LLaVa1.OverviewLLaVaisanopen-sourcechatbottrainedbyfine-tuningLlamA/VicunaonGPT-generatedmultimodalinstruction-followingdata.Itisanauto-regressivelanguagemodel,basedonthetransformerarchitecture.I
- 【论文阅读】VideoChat-R1: Enhancing Spatio-Temporal Perception via Reinforcement Fine-Tuning
s1ckrain
强化学习AIGC计算机视觉论文阅读多模态大模型强化学习
VideoChat-R1:EnhancingSpatio-TemporalPerceptionviaReinforcementFine-Tuning原文摘要研究现状:强化学习有关方法在视频理解任务中的应用仍未被充分探索。研究目标:方法:采用强化微调(RFT)结合GRPO,专门针对视频MLLMs进行优化。目标:增强模型对视频时空感知的能力。保持模型的通用能力。实验与发现RFT在小样本数据下即可显著提
- 强化学习-深度学习和强化学习领域
高效匠人
人工智能深度学习人工智能
在深度学习和强化学习领域,SFT(SupervisedFine-Tuning)和GRPO(可能指Gradient-basedPolicyOptimization或ReinforcementLearningwithPolicyOptimization)是两种不同的训练范式,常用于模型微调或策略优化。以下是它们的对比和适用场景分析:1.SFT(监督式微调)定义通过标注数据(输入-输出对)直接训练模型,
- 大语言模型生成式AI学习笔记——2. 1.4LLM指令微调——多任务指令微调
预见未来to50
机器学习深度学习(ML/DL)算法
Multi-taskinstructionfine-tuning(多任务指令微调)Multitaskfine-tuningisanextensionofsingletaskfine-tuning,wherethetrainingdatasetiscomprisedofexampleinputsandoutputsformultipletasks.Here,thedatasetcontainsexa
- 手把手教你学Simulink--单相全桥逆变器自校正控制仿真
小蘑菇二号
手把手教你学MATLAB专栏手把手教你学Simulinksimulink
目录一、准备工作二、步骤详解1.启动Simulink并创建新模型2.构建单相全桥逆变器基础模型3.设计自校正控制器自校正控制原理控制器设计4.实现自校正控制逻辑5.增加示波器观察输出6.配置仿真参数7.运行仿真并分析结果自校正控制(Self-TuningControl,STC)是一种自适应控制策略,它能够在线估计系统参数,并根据这些估计值自动调整控制器参数以保持系统的最佳性能。对于单相全桥逆变器而
- Oracle数据库的性能监控与调优工具
数据库管理艺术
数据库oracleai
Oracle数据库的性能监控与调优工具关键词:Oracle数据库、性能监控、调优工具、AWR、SQLTuningAdvisor摘要:本文深入探讨了Oracle数据库的性能监控与调优工具。首先介绍了研究的背景、目的、预期读者以及文档结构等内容。接着详细阐述了Oracle数据库性能监控与调优的核心概念、算法原理、数学模型等理论知识。通过项目实战展示了如何运用这些工具进行实际操作,并分析代码。之后列举了
- Prompt Tuning与自然语言微调对比解析
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpythonprompt人工智能机器学习学习分类
PromptTuning与输入提示词自然语言微调的区别和联系一、核心定义与区别维度PromptTuning(提示微调)输入提示词自然语言微调本质优化连续向量空间中的提示嵌入(不可直接阅读)优化离散自然语言文本(人类可理解)操作对象模型输入嵌入层的连续向量(如WordEmbedding)自然语言文本字符串(如“请判断:{text}”)训练方式端到端梯度下降,更新提示向量的数值离散搜索(如波束搜索、强
- 书其实只有三类
西蜀石兰
类
一个人一辈子其实只读三种书,知识类、技能类、修心类。
知识类的书可以让我们活得更明白。类似十万个为什么这种书籍,我一直不太乐意去读,因为单纯的知识是没法做事的,就像知道地球转速是多少一样(我肯定不知道),这种所谓的知识,除非用到,普通人掌握了完全是一种负担,维基百科能找到的东西,为什么去记忆?
知识类的书,每个方面都涉及些,让自己显得不那么没文化,仅此而已。社会认为的学识渊博,肯定不是站在
- 《TCP/IP 详解,卷1:协议》学习笔记、吐槽及其他
bylijinnan
tcp
《TCP/IP 详解,卷1:协议》是经典,但不适合初学者。它更像是一本字典,适合学过网络的人温习和查阅一些记不清的概念。
这本书,我看的版本是机械工业出版社、范建华等译的。这本书在我看来,翻译得一般,甚至有明显的错误。如果英文熟练,看原版更好:
http://pcvr.nl/tcpip/
下面是我的一些笔记,包括我看书时有疑问的地方,也有对该书的吐槽,有不对的地方请指正:
1.
- Linux—— 静态IP跟动态IP设置
eksliang
linuxIP
一.在终端输入
vi /etc/sysconfig/network-scripts/ifcfg-eth0
静态ip模板如下:
DEVICE="eth0" #网卡名称
BOOTPROTO="static" #静态IP(必须)
HWADDR="00:0C:29:B5:65:CA" #网卡mac地址
IPV6INIT=&q
- Informatica update strategy transformation
18289753290
更新策略组件: 标记你的数据进入target里面做什么操作,一般会和lookup配合使用,有时候用0,1,1代表 forward rejected rows被选中,rejected row是输出在错误文件里,不想看到reject输出,将错误输出到文件,因为有时候数据库原因导致某些column不能update,reject就会output到错误文件里面供查看,在workflow的
- 使用Scrapy时出现虽然队列里有很多Request但是却不下载,造成假死状态
酷的飞上天空
request
现象就是:
程序运行一段时间,可能是几十分钟或者几个小时,然后后台日志里面就不出现下载页面的信息,一直显示上一分钟抓取了0个网页的信息。
刚开始已经猜到是某些下载线程没有正常执行回调方法引起程序一直以为线程还未下载完成,但是水平有限研究源码未果。
经过不停的google终于发现一个有价值的信息,是给twisted提出的一个bugfix
连接地址如下http://twistedmatrix.
- 利用预测分析技术来进行辅助医疗
蓝儿唯美
医疗
2014年,克利夫兰诊所(Cleveland Clinic)想要更有效地控制其手术中心做膝关节置换手术的费用。整个系统每年大约进行2600例此类手术,所以,即使降低很少一部分成本,都可以为诊 所和病人节约大量的资金。为了找到适合的解决方案,供应商将视野投向了预测分析技术和工具,但其分析团队还必须花时间向医生解释基于数据的治疗方案意味着 什么。
克利夫兰诊所负责企业信息管理和分析的医疗
- java 线程(一):基础篇
DavidIsOK
java多线程线程
&nbs
- Tomcat服务器框架之Servlet开发分析
aijuans
servlet
最近使用Tomcat做web服务器,使用Servlet技术做开发时,对Tomcat的框架的简易分析:
疑问: 为什么我们在继承HttpServlet类之后,覆盖doGet(HttpServletRequest req, HttpServetResponse rep)方法后,该方法会自动被Tomcat服务器调用,doGet方法的参数有谁传递过来?怎样传递?
分析之我见: doGet方法的
- 揭秘玖富的粉丝营销之谜 与小米粉丝社区类似
aoyouzi
揭秘玖富的粉丝营销之谜
玖富旗下悟空理财凭借着一个微信公众号上线当天成交量即破百万,第七天成交量单日破了1000万;第23天时,累计成交量超1个亿……至今成立不到10个月,粉丝已经超过500万,月交易额突破10亿,而玖富平台目前的总用户数也已经超过了1800万,位居P2P平台第一位。很多互联网金融创业者慕名前来学习效仿,但是却鲜有成功者,玖富的粉丝营销对外至今仍然是个谜。
近日,一直坚持微信粉丝营销
- Java web的会话跟踪技术
百合不是茶
url会话Cookie会话Seession会话Java Web隐藏域会话
会话跟踪主要是用在用户页面点击不同的页面时,需要用到的技术点
会话:多次请求与响应的过程
1,url地址传递参数,实现页面跟踪技术
格式:传一个参数的
url?名=值
传两个参数的
url?名=值 &名=值
关键代码
- web.xml之Servlet配置
bijian1013
javaweb.xmlServlet配置
定义:
<servlet>
<servlet-name>myservlet</servlet-name>
<servlet-class>com.myapp.controller.MyFirstServlet</servlet-class>
<init-param>
<param-name>
- 利用svnsync实现SVN同步备份
sunjing
SVN同步E000022svnsync镜像
1. 在备份SVN服务器上建立版本库
svnadmin create test
2. 创建pre-revprop-change文件
cd test/hooks/
cp pre-revprop-change.tmpl pre-revprop-change
3. 修改pre-revprop-
- 【分布式数据一致性三】MongoDB读写一致性
bit1129
mongodb
本系列文章结合MongoDB,探讨分布式数据库的数据一致性,这个系列文章包括:
数据一致性概述与CAP
最终一致性(Eventually Consistency)
网络分裂(Network Partition)问题
多数据中心(Multi Data Center)
多个写者(Multi Writer)最终一致性
一致性图表(Consistency Chart)
数据
- Anychart图表组件-Flash图转IMG普通图的方法
白糖_
Flash
问题背景:项目使用的是Anychart图表组件,渲染出来的图是Flash的,往往一个页面有时候会有多个flash图,而需求是让我们做一个打印预览和打印功能,让多个Flash图在一个页面上打印出来。
那么我们打印预览的思路是获取页面的body元素,然后在打印预览界面通过$("body").append(html)的形式显示预览效果,结果让人大跌眼镜:Flash是
- Window 80端口被占用 WHY?
bozch
端口占用window
平时在启动一些可能使用80端口软件的时候,会提示80端口已经被其他软件占用,那一般又会有那些软件占用这些端口呢?
下面坐下总结:
1、web服务器是最经常见的占用80端口的,例如:tomcat , apache , IIS , Php等等;
2
- 编程之美-数组的最大值和最小值-分治法(两种形式)
bylijinnan
编程之美
import java.util.Arrays;
public class MinMaxInArray {
/**
* 编程之美 数组的最大值和最小值 分治法
* 两种形式
*/
public static void main(String[] args) {
int[] t={11,23,34,4,6,7,8,1,2,23};
int[]
- Perl正则表达式
chenbowen00
正则表达式perl
首先我们应该知道 Perl 程序中,正则表达式有三种存在形式,他们分别是:
匹配:m/<regexp>;/ (还可以简写为 /<regexp>;/ ,略去 m)
替换:s/<pattern>;/<replacement>;/
转化:tr/<pattern>;/<replacemnt>;
- [宇宙与天文]行星议会是否具有本行星大气层以外的权力呢?
comsci
举个例子: 地球,地球上由200多个国家选举出一个代表地球联合体的议会,那么现在地球联合体遇到一个问题,地球这颗星球上面的矿产资源快要采掘完了....那么地球议会全体投票,一致通过一项带有法律性质的议案,既批准地球上的国家用各种技术手段在地球以外开采矿产资源和其它资源........
&
- Oracle Profile 使用详解
daizj
oracleprofile资源限制
Oracle Profile 使用详解 转
一、目的:
Oracle系统中的profile可以用来对用户所能使用的数据库资源进行限制,使用Create Profile命令创建一个Profile,用它来实现对数据库资源的限制使用,如果把该profile分配给用户,则该用户所能使用的数据库资源都在该profile的限制之内。
二、条件:
创建profile必须要有CREATE PROFIL
- How HipChat Stores And Indexes Billions Of Messages Using ElasticSearch & Redis
dengkane
elasticsearchLucene
This article is from an interview with Zuhaib Siddique, a production engineer at HipChat, makers of group chat and IM for teams.
HipChat started in an unusual space, one you might not
- 循环小示例,菲波拉契序列,循环解一元二次方程以及switch示例程序
dcj3sjt126com
c算法
# include <stdio.h>
int main(void)
{
int n;
int i;
int f1, f2, f3;
f1 = 1;
f2 = 1;
printf("请输入您需要求的想的序列:");
scanf("%d", &n);
for (i=3; i<n; i
- macbook的lamp环境
dcj3sjt126com
lamp
sudo vim /etc/apache2/httpd.conf
/Library/WebServer/Documents
是默认的网站根目录
重启Mac上的Apache服务
这个命令很早以前就查过了,但是每次使用的时候还是要在网上查:
停止服务:sudo /usr/sbin/apachectl stop
开启服务:s
- java ArrayList源码 下
shuizhaosi888
ArrayList源码
版本 jdk-7u71-windows-x64
JavaSE7 ArrayList源码上:http://flyouwith.iteye.com/blog/2166890
/**
* 从这个列表中移除所有c中包含元素
*/
public boolean removeAll(Collection<?> c) {
- Spring Security(08)——intercept-url配置
234390216
Spring Securityintercept-url访问权限访问协议请求方法
intercept-url配置
目录
1.1 指定拦截的url
1.2 指定访问权限
1.3 指定访问协议
1.4 指定请求方法
1.1 &n
- Linux环境下的oracle安装
jayung
oracle
linux系统下的oracle安装
本文档是Linux(redhat6.x、centos6.x、redhat7.x) 64位操作系统安装Oracle 11g(Oracle Database 11g Enterprise Edition Release 11.2.0.4.0 - 64bit Production),本文基于各种网络资料精心整理而成,共享给有需要的朋友。如有问题可联系:QQ:52-7
- hotspot虚拟机
leichenlei
javaHotSpotjvm虚拟机文档
JVM参数
http://docs.oracle.com/javase/6/docs/technotes/guides/vm/index.html
JVM工具
http://docs.oracle.com/javase/6/docs/technotes/tools/index.html
JVM垃圾回收
http://www.oracle.com
- 读《Node.js项目实践:构建可扩展的Web应用》 ——引编程慢慢变成系统化的“砌砖活”
noaighost
Webnode.js
读《Node.js项目实践:构建可扩展的Web应用》
——引编程慢慢变成系统化的“砌砖活”
眼里的Node.JS
初初接触node是一年前的事,那时候年少不更事。还在纠结什么语言可以编写出牛逼的程序,想必每个码农都会经历这个月经性的问题:微信用什么语言写的?facebook为什么推荐系统这么智能,用什么语言写的?dota2的外挂这么牛逼,用什么语言写的?……用什么语言写这句话,困扰人也是阻碍
- 快速开发Android应用
rensanning
android
Android应用开发过程中,经常会遇到很多常见的类似问题,解决这些问题需要花时间,其实很多问题已经有了成熟的解决方案,比如很多第三方的开源lib,参考
Android Libraries 和
Android UI/UX Libraries。
编码越少,Bug越少,效率自然会高。
但可能由于 根本没听说过、听说过但没用过、特殊原因不能用、自己已经有了解决方案等等原因,这些成熟的解决
- 理解Java中的弱引用
tomcat_oracle
java工作面试
不久之前,我
面试了一些求职Java高级开发工程师的应聘者。我常常会面试他们说,“你能给我介绍一些Java中得弱引用吗?”,如果面试者这样说,“嗯,是不是垃圾回收有关的?”,我就会基本满意了,我并不期待回答是一篇诘究本末的论文描述。 然而事与愿违,我很吃惊的发现,在将近20多个有着平均5年开发经验和高学历背景的应聘者中,居然只有两个人知道弱引用的存在,但是在这两个人之中只有一个人真正了
- 标签输出html标签" target="_blank">关于标签输出html标签
xshdch
jsp
http://back-888888.iteye.com/blog/1181202
关于<c:out value=""/>标签的使用,其中有一个属性是escapeXml默认是true(将html标签当做转移字符,直接显示不在浏览器上面进行解析),当设置escapeXml属性值为false的时候就是不过滤xml,这样就能在浏览器上解析html标签,
&nb