- 【Transformer】小白入门指南
静静喜欢大白
随记医疗影像transformer深度学习人工智能
目录1、简介2、Transformer解决问题技术概览核心组成自注意力机制(Self-AttentionMechanism)多头注意力机制(Multi-HeadAttention)前馈神经网络(Feed-ForwardNeuralNetwork)位置编码(PositionalEncoding)残差连接与标准化框架认识1.输入输出2.Encoder3.Decoder4.训练过程5.Positione
- RockChip MIPI Camera IMX214 调试过程总结
一歲抬頭
《Linux系统开发入门定制》android
1.前言本文将通过详细的代码示例和调试技巧,在RockChip平台上集成IMX214MIPI摄像头模块,需要涉及设备树(DTS)配置、驱动程序修改、上电时序处理、寄存器配置、以及调试验证等多个方面,提供一个完整的开发和调试指南。2.DTS配置首先需要确保设备树配置正确,以下是RockChip平台上启用IMX214摄像头模块的关键DTS片段:&i2c1{status="okay";vm149c:vm
- 机器学习·逻辑回归
AAA顶置摸鱼
python深度学习机器学习逻辑回归人工智能
前言逻辑回归虽然名称中有“回归”,但实际上用于分类问题。基于线性回归的模型,通过使用逻辑函数(如Sigmoid函数)将线性组合的结果映射到0到1之间的概率值,用于表示属于某个类别的可能性。一、逻辑回归vs线性回归特性逻辑回归线性回归任务类型分类(二分类为主)回归(预测连续值)输出范围(0,1)(概率值)(-∞,+∞)核心函数Sigmoid函数线性函数损失函数对数损失函数(交叉熵)均方误差(MSE)
- Meta AI 最近推出了一款全新的机器学习框架ParetoQ,专门用于大型语言模型的4-bit 以下量化
新加坡内哥谈技术
人工智能语言模型自然语言处理
每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗?订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同,从行业内部的深度分析和实用指南中受益。不要错过这个机会,成为AI领域的领跑者。点击订阅,与未来同行!订阅:https://rengongzhineng.io/MetaAI最近推出了一款全新的机器学习框架——ParetoQ,专门用于大型语言模型的4
- 论文笔记《基于深度学习模型的药物-靶标结合亲和力预测》
I_dyllic
深度学习论文阅读深度学习人工智能
基于深度学习模型的药物-靶标结合亲和力预测这是一篇二区的文章,算是一个综述,记录一下在阅读过程中遇到的问题。文章目录基于深度学习模型的药物-靶标结合亲和力预测前言一、蛋白质接触图谱二、为什么蛋白质图谱的准确性对DTA模型预测结果没有影响1.对这段话的解释2.关于Alphafold3三、随机配体与随机配体节点属性(配体一般指药物)1.什么是随机配体与配体节点属性四、关于深度学习模型对特征的自动学习过
- Andrej Karpathy:计算范式的变革者
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战大厂Offer收割机面试题简历程序员读书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AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
《AndrejKarpathy:计算范式的变革者》概述本文旨在全面探讨AndrejKarpathy在计算范式变革中的角色和贡献。AndrejKarpathy是一位世界级的人工智能专家,程序员,软件架构师,CTO,同时也是计算机图灵奖获得者,计算机编程和人工智能领域大师。他以其深刻的技术见解,对深度学习和自然语言处理领域的贡献,以及对计算范式的革新性思考,成为了当今技术领域的引领者之一。本文分为六个
- 人工智能之自然语言处理技术演进
香橙薄荷心
AI人工智能自然语言处理
自然语言处理技术演进自然语言处理(NaturalLanguageProcessing,NLP)是人工智能的重要分支,旨在使计算机能够理解、生成和处理人类语言。近年来,NLP技术经历了从规则驱动到数据驱动的革命性演进,尤其是在深度学习和大规模预训练模型的推动下,取得了显著突破。本文将深入探讨NLP技术的演进历程、核心模型及其应用,并通过具体案例和代码示例帮助读者理解其实际应用。1.NLP技术演进历程
- RAG中的双编码器与跨编码器模型
人工智能
RAG中的双编码器与跨编码器模型阅读时长:19分钟发布时间:2025-02-13近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】检索增强生成(RAG)是一个强大的框架,它结合了基于检索和基于生成的自然语言处理(NLP)任务方法。RAG不只是依赖生成模型,而是通过检索相关文档或段落来利用外
- 书籍-《机器学习数学基础》
机器学习深度学习数学
书籍:MathematicsforMachineLearning作者:MarcPeterDeisenroth,A.AldoFaisal,ChengSoonOng出版:CambridgeUniversityPress编辑:陈萍萍的公主@一点人工一点智能下载:书籍下载-《机器学习数学基础》01书籍介绍理解机器学习所需的基本数学工具包括线性代数、解析几何、矩阵分解、向量微积分、最优化、概率论和统计学。这
- 零基础入门机器学习 -- 第三章第一个机器学习模型——线性回归
山海青风
#机器学习人工智能机器学习回归线性回归python
3.1线性回归的概念在现实生活中,许多事情都遵循某种线性关系,比如:房价vs面积:房子的面积越大,价格通常越高。工资vs工作经验:工作经验越多,薪资往往更高。汽车油耗vs车速:在一定范围内,车速越快,油耗可能越高。线性回归(LinearRegression)是机器学习中最基础的算法之一,它用于研究两个变量之间的线性关系,即一个变量(自变量)如何影响另一个变量(因变量)。3.2线性回归的数学直觉线性
- 零基础入门机器学习 -- 第二章机器学习的基本流程
山海青风
#机器学习机器学习python人工智能
1.机器学习的五个基本步骤在机器学习项目中,我们通常遵循以下步骤:收集数据:获取数据集,例如从文件、数据库或在线资源。清洗和预处理数据:处理缺失值、去除异常数据、转换数据格式等。选择合适的模型:不同任务适合不同模型,如分类使用逻辑回归、决策树等。训练模型:让模型从数据中学习模式并调整参数。评估模型:检查模型的准确率,以判断效果是否良好。本章会通过电影评分预测的示例,帮助你快速体验从数据到模型的基本
- 深度学习-108-大语言模型LLM之基于langchain的结构化输出功能提取结构化信息
皮皮冰燃
深度学习深度学习语言模型langchain
文章目录1langchain的结构化输出1.1推荐的使用流程1.2模式定义1.3返回结构化输出1.3.1工具调用(方式一)1.3.2JSON模式(方式二)1.3.3结构化输出法(方式三)2提取结构化信息2.1定义数据模型2.2配置提示模板2.3设置执行链3参考附录1langchain的结构化输出对于许多应用程序,例如聊天机器人,模型需要直接用自然语言响应用户。然而,在某些情况下,我们需要模型以结构
- 数学到底在哪里支撑着编程
数学
在编程的世界里,数学并非只是一个学科,它实际上是支撑整个编程基础的支柱之一。数学不仅为编程提供了理论框架,它的各种理论和方法被用来提升代码效率、优化算法、设计系统架构、分析数据、以及确保程序的正确性。编程中的很多技术,从数据结构的选择到算法的设计、从性能优化到人工智能的构建,都离不开数学的支撑。在这篇文章中,我们将从多个方面深入探讨数学如何在编程中发挥作用,包括算法设计、数据结构优化、机器学习、图
- AI Agent智能应用从0到1定制开发Langchain+LLM全流程解决方案与落地实战
AI知识分享官
人工智能langchain算法数据挖掘计算机视觉机器学习产品经理
大模型微调实战:精通、指令微调、开源大模型微调、对齐与垂直领域应用29套AI全栈大模型项目实战,人工智能视频课程-多模态大模型,微调技术训练营,大模型多场景实战,AI图像处理,AI量化投资,OPenCV视觉处理,机器学习,Pytorch深度学习,推荐系统,自动驾驶,训练私有大模型,LLM大语言模型,大模型多场景实战,Agent智能应用,AIGC实战落地,ChatGPT虚拟数字人,Djourney智
- 自然语言处理(NLP)入门:基础概念与应用场景
Ash Butterfield
nlp自然语言处理人工智能
什么是自然语言处理(NLP)?自然语言处理(NaturalLanguageProcessing,NLP)是人工智能(AI)的一个重要分支,研究如何让计算机理解、生成、分析和与人类语言进行交互。换句话说,NLP是让机器像人一样“读、写、听、说”的技术,它结合了语言学、机器学习、计算机科学等多学科知识。NLP的核心目标是将非结构化的自然语言(如文本和语音)转化为结构化数据,使机器能够高效处理、分析和生
- 机器学习算法工程师笔试选择题(1)
Ash Butterfield
机器学习算法人工智能
1.关于梯度下降的说法正确的是:A.梯度下降法可以确保找到全局最优解。B.随机梯度下降每次使用所有数据来更新参数。C.批量梯度下降(BatchGradientDescent)通常收敛更快。D.学习率过大会导致梯度下降过程震荡。答案:D(学习率过大会导致不稳定,可能震荡或无法收敛)2.在以下算法中,哪种算法属于无监督学习?A.逻辑回归B.K-近邻算法C.支持向量机D.K-均值聚类答案:D(K-均值聚
- YOLO各版本原理和优缺点解析
Ash Butterfield
计算机视觉
YOLO(YouOnlyLookOnce)是一种实时目标检测算法,以其高速度和较高精度著称。以下是各版本的详细介绍及优缺点分析:1.YOLOv1(2016年)原理:将输入图像划分为S×SS\timesSS×S的网格,每个网格预测多个边界框和类别置信度。使用单个神经网络直接对图像进行前向传播预测边界框和类别标签。优点:速度快,适合实时应用。模型结构简单,易于实现和训练。缺点:对小目标检测效果差,容易
- 自学人工智能大模型,满足7B模型的训练和微调以及推理,预算3万,如何选购电脑
岁月的眸
人工智能
如果你的预算是3万元人民币,希望训练和微调7B参数规模的人工智能大模型(如LLaMA、Mistral等),你需要一台高性能的深度学习工作站。在这个预算范围内,以下是推荐的配置:1.关键硬件配置(1)GPU(显卡)推荐显卡:NVIDIARTX4090(24GBVRAM)或者RTX3090(24GBVRAM)理由:7B模型推理:24GB显存足够跑7B模型的推理,但全参数训练可能吃力,适合LoRA等微调
- 多模态大模型(LMMs)与大语言模型(LLMs)的比较
大F的智能小课
底层技术解析人工智能语言模型
前言现在的大模型分为两大类:大语言模型(LargeLanguageModels,简称LLMs)和多模态大模型(LargeMultimodalModels,简称LMMs)。本文将从基础定义、输入数据、应用场景、训练过程这几方面讨论下两者的区别。基础定义LLMs(LargeLanguageModels,大型语言模型)-深度学习的应用之一,是基于深度学习的大规模机器学习模型,通常由数十亿到数万亿个参数构
- 手把手教你给 windows装个vmware虚拟机
python算法小白
附Java/C/C++/机器学习/算法与数据结构/前端/安卓/Python/程序员必读书籍书单大全:书单导航页(点击右侧极客侠栈即可打开个人博客):极客侠栈①【Java】学习之路吐血整理技术书从入门到进阶最全50+本(珍藏版)②【算法数据结构+acm】从入门到进阶吐血整理书单50+本(珍藏版)③【数据库】从入门到进阶必读18本技术书籍网盘吐血整理网盘(珍藏版)④【Web前端】从HTML到JS到AJ
- 【Elasticsearch】分词器概述
risc123456
Elasticsearchelasticsearch
Elasticsearch分词与神经网络分词的区别Elasticsearch的分词过程产生的是优化用于搜索和检索的语言学分词。这与机器学习和自然语言处理中的神经分词不同。神经分词器将字符串转换为更小的子词分词,这些分词被编码为向量,供神经网络使用。Elasticsearch没有内置的神经分词器。分词器接收一个字符流,将其分解为单独的分词(通常是单个单词),并输出一个分词流。例如,`whitespa
- DeepSeek R1:开启AI推理新时代,强在哪里?
人工智能
DeepSeekR1:开启AI推理新时代阅读时长:19分钟发布时间:2025-02-13近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】你是否曾好奇,AI模型是如何学会拆解数学问题,或是一步步解释代码的呢?在过去几年,许多公司开发出了大型语言模型(LLM),它们能创作文章、翻译语言、编写
- 【学术投稿-2025年计算机视觉研究进展与应用国际学术会议 (ACVRA 2025)】CSS样式解析:行内、内部与外部样式的区别与优先级分析
禁默
前端学术会议css前端
简介2025年计算机视觉研究进展与应用(ACVRA2025)将于2025年2月28-3月2日在中国广州召开,会议将汇聚世界各地的顶尖学者、研究人员和行业专家,聚焦计算机视觉领域的最新研究动态与应用成就。本次会议将探讨前沿技术,包括深度学习、多模态学习、图像和视频分析、3D重建等,以及其在智能交通、医疗影像、增强现实和自动化等多个实际应用中的创新转化。会议官网:www.acvra.org目录前言一、
- 从零开始大模型开发与微调:Miniconda的下载与安装
AGI大模型与大数据研究院
DeepSeekR1&大数据AI人工智能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
从零开始大模型开发与微调:Miniconda的下载与安装1.背景介绍随着人工智能和机器学习技术的快速发展,大型语言模型(LargeLanguageModel,LLM)已经成为当前研究和应用的热点。这些模型通过在海量文本数据上进行预训练,能够捕捉到丰富的语义和上下文信息,从而在自然语言处理任务中表现出色。然而,训练这些庞大的模型需要大量的计算资源,对于普通开发者来说,从头开始训练一个大模型是一个巨大
- 如何避免交叉验证中的数据泄露?
奋进小青
人工智能深度学习机器学习
大家好,我是小青在机器学习中,交叉验证(Cross-Validation)是一种常用的模型评估技术,目的是通过将数据集分割为多个子集,反复训练和验证模型,以便更好地估计模型的性能。然而,在交叉验证过程中,数据泄露(DataLeakage)是一个非常严重的问题,它会导致模型的评估结果过于乐观,进而使得模型在实际应用中表现不佳。什么是数据泄露数据泄露是指在模型训练过程中,模型不恰当地接触到了与验证集或
- 小白零基础学习深度学习之张量
爱理科的小王子
学习深度学习人工智能
1.张量PyTorch中的张量(Tensor)就是一种用来存储数据的“盒子”,这个盒子可以有不同的形状和大小,里面可以装各种数字。张量是PyTorch中最基本的东西,就像乐高积木一样,你可以用它来搭建各种复杂的模型。2.张量的用途存储数据:你可以把张量当作一个容器,用来存储各种数据。比如,一张图片可以用一个三维张量来表示,其中第一维是颜色通道(红、绿、蓝),第二维和第三维是图片的宽度和高度。进行计
- 探索机器学习在个性化推荐系统中的妙用:Python实战解析
Echo_Wish
前沿技术人工智能机器学习python人工智能
探索机器学习在个性化推荐系统中的妙用:Python实战解析在信息爆炸的时代,我们每天都被大量的内容包围着。如何在海量的信息中找到真正适合自己的内容?这就是个性化推荐系统的使命。作为一名热爱人工智能和Python的技术人,今天我想和大家聊聊机器学习在个性化推荐系统中的应用,并通过具体的代码示例,带大家一起探索这个领域的奥秘。一、个性化推荐系统的意义首先,我们来思考一个问题:为什么需要个性化推荐系统?
- 深度学习-情感分析
小赖同学啊
人工智能深度学习人工智能
以下将分别使用PyTorch和TensorFlow框架实现基于深度学习的情感分析,这里以影评的情感分析为例,数据集使用IMDB影评数据集。使用PyTorch实现1.安装必要的库pipinstalltorchtorchtextspacypython-mspacydownloaden_core_web_sm2.代码实现importtorchimporttorch.nnasnnimporttorch.o
- R-CNN架构
人工智能
R-CNN架构架构RCCN由三个模块组成:第一个模块生成与类别无关的区域提议。这些提议定义了我们的检测器可用的候选检测集。第二个模块是一个大型卷积神经网络,它从每个区域中提取固定长度的特征向量。第三个模块是一组特定类别的线性支持向量机(SVM)。虽然R-CNN对特定的区域提议方法不挑剔,但选择性搜索(Selectivesearch)是最常用的方法,以便与之前的检测工作进行有对照的比较。实现在测试时
- 如何训练LLMs进行“思考”(如o1和DeepSeek-R1)
人工智能
如何训练LLMs进行“思考”(如o1和DeepSeek-R1)阅读时长:19分钟发布时间:2025-02-13近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】一台会思考的笔记本电脑OpenAI的o1模型为大型语言模型(LLM)的训练开创了全新范式。它引入了所谓的“思考”令牌(tokens
- 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/pwd@192.168.0.5:1521/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