- arXiv综述论文“Graph Neural Networks: A Review of Methods and Applications”
硅谷秋水
自动驾驶
arXiv于2019年7月10日上载的GNN综述论文“GraphNeuralNetworks:AReviewofMethodsandApplications“。摘要:许多学习任务需要处理图数据,该图数据包含元素之间的丰富关系信息。建模物理系统、学习分子指纹、预测蛋白质界面以及对疾病进行分类都需要一个模型从图输入学习。在其他如文本和图像之类非结构数据学习的领域中,对提取的结构推理,例如句子的依存关系
- 基于图的推荐算法(12):Handling Information Loss of Graph Neural Networks for Session-based Recommendation
阿瑟_TJRS
前言KDD2020,针对基于会话推荐任务提出的GNN方法对已有的GNN方法的缺陷进行分析并做出改进主要针对lossysessionencoding和ineffectivelong-rangedependencycapturing两个问题:基于GNN的方法存在损失部分序列信息的问题,主要是在session转换为图以及消息传播过程中的排列无关(permutation-invariant)的聚合过程中造
- GNN会议&期刊汇总(人工智能、机器学习、深度学习、数据挖掘)
Bunny_Ben
科研方法&心得人工智能机器学习深度学习笔记神经网络数据挖掘
会议【NeurIPS】全称ConferenceonNeuralInformationProcessingSystems(神经信息处理系统大会),机器学习和计算神经科学领域的顶级学术会议,CCFA。【ICLR】全称InternationalConferenceonLearningRepresentations(国际学习表征会议),深度学习顶会。【AAAI】由人工智能促进协会AAAI(Associat
- 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
- [Scene Graph] 图神经网络的核心方法——Message Passing
风中摇曳的小萝卜
SceneGraph神经网络深度学习机器学习人工智能
GNN中的MessagePassing方法解析一、GNN中是如何实现特征学习的?深度学习方法的兴起是从计算图像处理(ComputerVision)领域开始的。以卷积神经网络(CNN)为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据(structureddata)十分有效,例如,图像和体素数据。但是,CNN的处理方式对于类似图(graph)数据则并不适用。对于一个图而言,类似图像像素的邻
- GNN的理解难点:一种不同于传统神经网络的复杂性
小桥流水---人工智能
人工智能深度学习机器学习算法神经网络人工智能深度学习
图神经网络(GNN)已经成为深度学习领域的一颗新星,它在处理图形数据方面显示出了巨大的潜力和优势。然而,许多研究者和开发者发现GNN比传统的神经网络更难以理解和掌握。本文将探讨GNN的理解难点,以及它与传统神经网络在概念和实现上的主要差异。一、图数据的复杂性首先,GNN之所以难以理解,一个重要原因在于它处理的数据结构——图。图是一种复杂的数据结构,包含节点(node)和边(edge),这些节点和边
- 图神经网络GNN的前世今生
小桥流水---人工智能
Python程序代码深度学习人工智能神经网络人工智能深度学习
GNN图神经网络(GraphNeuralNetwork,简称GNN)已经成为处理图形结构数据的一种强大工具,广泛应用于社交网络分析、知识图谱、推荐系统等领域。在本文中,我们将深入探讨图神经网络的历史背景、关键的发展阶段以及未来可能的发展方向。一、背景介绍图(Graph)是一种数据结构,由节点(Node)和连接节点的边(Edge)组成。在许多现实世界的应用中,数据自然地呈现出图形结构,如社交网络中的
- 计算机毕业设计hadoop+spark知识图谱高考分数预测系统 高考志愿推荐系统 高考可视化大屏 高考大数据 高考数据分析 高考爬虫 大数据毕业设计
计算机毕业设计大全
开发技术hadoopsparkspringbootvue.jsPython爬虫、机器学习、深度学习mybatis-plusneo4j知识图谱图数据库mysql协同过滤算法(基于物品、基于用户模式)MLP模型SVD神经网络CNN、KNN、GNN卷积神经网络预测算法阿里云平台百度AI平台阿里大于短信平台lstm模型创新点4种机器学习推荐算法进行高考志愿学校推荐1种深度学习模型进行高考分数线预测hado
- 金融贷款风险预测:使用图神经网络模型进行违约概率评估
从零开始学习人工智能
金融神经网络人工智能
要使用PyTorch和GNN(图神经网络)来预测金融贷款风险,并加入注意力机制,我们首先需要构建一个贷款风险预测的图数据集。然后,我们将设计一个基于注意力机制的GNN模型。以下是一个简化的代码示例,演示了如何使用PyTorch和PyTorchGeometric(一个流行的图神经网络库)来实现这一点。请注意,这只是一个起点,并且您可能需要根据您的具体需求进行调整。首先,安装必要的库:bash复制代码
- Michael Bronstein 最新几何深度学习综述:超越 WL 和原始消息传递的 GNN
人工智能与算法学习
大数据算法编程语言python机器学习
如何突破基于WL测试和消息传递机制的GNN的性能瓶颈?且看几何深度学习旗手、牛津大学教授MichaelBrostein如是说。编辑丨陈彩娴来源|AI科技评论图可以方便地抽象关系和交互的复杂系统。社交网络、高能物理、化学等研究领域都涉及相互作用的对象(无论是人、粒子还是原子)。在这些场景下,图结构数据的重要性日渐凸显,相关方法取得了一系列初步成功,而一系列工业应用使得图深度学习成为机器学习方向的热门
- Michael Brostein 最新几何深度学习综述:超越 WL 和原始消息传递的 GNN
人工智能学家
大数据算法编程语言python机器学习
来源:前沿科技编译:OGAI编辑:陈彩娴如何突破基于WL测试和消息传递机制的GNN的性能瓶颈?且看几何深度学习旗手、牛津大学教授MichaelBrostein如是说。图可以方便地抽象关系和交互的复杂系统。社交网络、高能物理、化学等研究领域都涉及相互作用的对象(无论是人、粒子还是原子)。在这些场景下,图结构数据的重要性日渐凸显,相关方法取得了一系列初步成功,而一系列工业应用使得图深度学习成为机器学习
- [论文精读]FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation
夏莉莉iy
论文精读人工智能深度学习学习图论分类笔记
论文网址:https://arxiv.org/abs/2205.12465论文代码:https://github.com/Wayfear/FBNETGEN英文是纯手打的!论文原文的summarizingandparaphrasing。可能会出现难以避免的拼写错误和语法错误,若有发现欢迎评论指正!文章偏向于笔记,谨慎食用!目录1.省流版1.1.心得1.2.论文总结图2.论文逐段精读2.1.Abstr
- [代码复现]FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation
夏莉莉iy
代码复现深度学习人工智能学习图论笔记nlp
仅提供ABIDE数据集复现步骤,很简单。代码已经很新了目录1.论文资料2.代码复现步骤及可能存在的问题2.1.环境配置2.2.代码运行1.论文资料(1)论文原文:[2205.12465]FBNETGEN:Task-awareGNN-basedfMRIAnalysisviaFunctionalBrainNetworkGeneration(arxiv.org)(2)论文代码:GitHub-Wayfea
- DeepMind加持的GNN框架正式开源,TensorFlow进入图神经网络时代
Python数据挖掘
pythonpython深度学习神经网络
谷歌在垃圾邮件检测、流量估计以及YouTube内容标签等环境中使用了一种强大的工具GNN(图神经网络)。11月18日,谷歌联合DeepMind对外开源TensorFlowGNN工具,助力流量预测、谣言和假新闻检测、疾病传播建模、物理模拟等领域的基础研究。11月18日,谷歌联合DeepMind发布了TensorFlowGNN(图神经网络)。目前,谷歌已经在诸如垃圾邮件检测、流量估计以及YouTube
- Google刚刚推出了图神经网络Tensorflow-GNN
新加坡内哥谈技术
神经网络tensorflow人工智能
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/在当今数字化的世界里,对象及其之间的复杂关系构成了无数的网络,例如交通网络、生产网络、知
- Datawhale组队学习GNN-task04 数据完整存储与内存的数据集类+节点预测与边预测任务实践
79f3c66c2fe7
DataWhale开源学习资料:https://github.com/datawhalechina/team-learning-nlp/tree/master/GNN6.1数据完全存于内存的数据集类学习在PyG中如何自定义一个数据完全存于内存的数据集类。InMemoryDataset基类简介根文件夹(root)raw_dirprocessed_dir传递的三个函数:transformpre_tra
- 论文笔记:NIPS 2020 Graph Contrastive Learning with Augmentations
饮冰l
图弱监督数据挖掘机器学习神经网络深度学习
前言本文主要提出在图对比学习大框架下的图数据增强的若干方法。概括来说,本文提出了一种图对比学习框架来无监督的完成图表示学习,首先作者提出了基于各种先验信息的四种图数据增强方法。然后,作者分析了在四种不同的图数据增强条件下,不同组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。作者为GNN的预训练提出了基于图数据增强的对比学习框架来解决图中数据异质性的挑战,本文的主要贡献如下:作者提出
- Graph Contrastive Learning with Augmentations
tutoujiehegaosou
Graph笔记
GraphCL学习笔记Abstract提出GNN对自监督学习和pre-training较少。本文提出了GraphCL框架,用于学习图的无监督表示。设计四种类型的数据增强,在不同的settings(learningrate,batchsize,dropout参数)下,研究这四种增强对不同数据集的影响。Introduction大多数graph-level的任务场景,GNN都是在监督的情况下进行端到端的
- Task02 消息传递图神经网络
沫2021
参考链接:https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN/Markdown%E7%89%88%E6%9C%AC/4-%E6%B6%88%E6%81%AF%E4%BC%A0%E9%80%92%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C.md一、引言消息传递范式是一种聚
- A.关于图计算&图学习的基础知识概览:前置知识点学习(Paddle Graph L)【一】
汀、人工智能
图计算图学习图论图神经网络人工智能
图学习图神经网络算法专栏简介:主要实现图游走模型(DeepWalk、node2vec);图神经网络算法(GCN、GAT、GraphSage),部分进阶GNN模型(UniMP标签传播、ERNIESage)模型算法等,完成项目实战专栏链接:图学习图神经网络算法专栏简介:含图算法(图游走模型、图神经网络算法等)原理+项目+代码实现+比赛前人栽树后人乘凉,本专栏提供资料:快速掌握图游走模型(DeepWal
- ECE755_gnn图神经网络(附完整工程)
_max_max
GNN神经网络人工智能深度学习fpga
ECE755_gnn图神经网络(附完整工程)ECE755课程要求任务1完成:题目要求MS1代码:仿真任务二完成题目要求MS2代码:仿真总结ECE755ECE755_sp23是加拿大渥太华大学(UniversityofOttawa)计算机工程系(SchoolofElectricalEngineeringandComputerScience)的一个研究生课程,涵盖了图神经网络(GraphNeuralN
- 《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》阅读笔记
斯曦巍峨
GraphLearning异构图GNN
文章概述作者指出许多流行的GNN模型在泛化到异构图上时性能都很差,为此,作者确定了一组能够帮助提升GNN在异构图上性能的设计:自嵌入和邻居嵌入分离聚合更高阶的邻居将中间层的表示组合作为最后的表示作者将这些理念应用到了自己设计的H2GCN\text{H}_{2}\text{GCN}H2GCN上,半监督结点分类任务(semi-supervisednodeclassificationtask)的实验结果
- 人工智能福利站,初识人工智能,图神经网络学习,第一课
普修罗双战士
人工智能专栏人工智能神经网络学习
作者简介,普修罗双战士,一直追求不断学习和成长,在技术的道路上持续探索和实践。多年互联网行业从业经验,历任核心研发工程师,项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一图神经网络专栏文章目录初识人工智能(图神经网络)一、图神经网络学习(1)01.什么是图神经网络(GNN)?02.图神经网络与传统神经网络的区别是什么?03.图神经网络有哪些主要的应用领域?04.请
- Python GCN、GAT、MP等图神经网络学习,从入门全面概述和讲解GNN,入门到精通图神经网络
医学小达人
推荐算法人工智能图神经网络图神经网络人工智能推荐系统
1.图的分类:1.1根据边的方向性:有向图(DirectedGraph):图中的边具有方向性,表示节点之间的单向关系。例如,A指向B的边表示节点A指向节点B。无向图(UndirectedGraph):图中的边没有方向性,表示节点之间的双向关系。例如,A和B之间的边表示节点A和节点B之间存在连接关系。1.2根据边的是否具有权重:加权图(WeightedGraph):图中的边具有权重,表示节点之间的强
- Transformer在GNN的前沿综述
数据派THU
transformer深度学习人工智能
本文约4500字,建议阅读10+分钟本文介绍了Graphormer,一种基于标准Transformer架构的图表示学习方法。1介绍Transformer架构在自然语言处理和计算机视觉等领域表现出色,但在图级预测中表现不佳。为了解决这个问题,本文介绍了Graphormer,一种基于标准Transformer架构的图表示学习方法,在广泛的图表示学习任务中取得了优异成绩,特别是在OGB大规模挑战中。Gr
- 《图机器学习》-GNN 《A Single Layer of a GNN》
白色的生活
图机器学习机器学习人工智能神经网络
GNN一、ASingleLayerofaGNN二、ClassicalGNNLayer1、GCN2、GraphSAGE3、GAT三、GNNLayerinPractice四、StackingGNNLayers一、ASingleLayerofaGNN单层的神经网络包括两个部分:消息转换(Message)信息聚合(Aggregation)GNNLayer=Message+AggregationGNN\La
- 《图机器学习》-GNN Augmentation and Training
白色的生活
图机器学习机器学习人工智能算法
GNNAugmentationandTraining一、GraphAugmentationforGNNs1、FeatureAugmentation2、Structureaugmentation3、NodeNeighborhoodSampling二、GNNTrainingPipeline1、Predictionheads2、SupervisedVSUnsupervised3、LossFunction
- GNN框架优化GNNAdvisor: An Adaptive and Efficient Runtime System for GNN Acceleration on GPUs
ILL.
神经网络性能优化gpu算力
OSDI’21AbstractGNNAdvisor从GNN模型和输入图中寻找与性能相关的特征,作为优化点实现为GNN计算定制的2D工作负载管理,提升GPU利用率和性能利用GPU内存结构,根据GPU内存结构和GNN工作负载的特点协调GNN的执行为了实现自动优化,继承了一个轻量级的分析模型进行参数搜索1.Introduction目前,支持GNN训练和推理的工作可以分为两类:图处理系统,融合神经操作神经
- Neural Improvement Heuristics for Graph Combinatorial Optimization Problems
Namnan
组合优化人工智能算法
NeuralImprovementHeuristicsforGraphCombinatorialOptimizationProblemsIEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS2023摘要图神经网络(GNN)架构的最新进展和增加的计算能力已经彻底改变了组合优化(CO)领域。在所提出的模型CO的问题,神经改进(NI)模型已经特别成功。然而,
- 1_图神经网络GNN基础知识学习
Waldocsdn
#图神经网络与可信AI人工智能安全与可信AI神经网络人工智能图神经网络
文章目录对B站前十个视频的补充内容视频链接图神经网络的介绍图神经网络的输入格式图的输入格式:例子:GNNs输入数据的结构GNNS中的MaxPooling“在图神经网络的各个点的特征组合中,对多个点做MaxPooling”这句话是什么意思?举例说明图神经网络中的MaxPooling图的基本组成解释1:解释2:举例说明实例:社交网络GNN的目的——整合特征1.整合特征2.Vertex(ornode)e
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =