- 【AI论文】OmniHuman-1: 重新思考一阶段条件式人体动画模型的扩展升级
东临碣石82
人工智能
摘要:端到端的人体动画技术,如音频驱动的说话人物生成,近年来取得了显著的进步。然而,现有方法在大规模通用视频生成模型方面的扩展仍然存在困难,限制了它们在实际应用中的潜力。在本文中,我们提出了OmniHuman,一个基于扩散变换器的框架,该框架通过将运动相关条件融入训练阶段来扩展数据规模。为此,我们为这些混合条件引入了两种训练原则,以及相应的模型架构和推理策略。这些设计使OmniHuman能够充分利
- 【AI系列】从零开始学习大模型GPT (2)- Build a Large Language Model (From Scratch)
Tasfa
AI人工智能教程人工智能学习gpt
前序文章【AI系列】从零开始学习大模型GPT(1)-BuildaLargeLanguageModel(FromScratch)BuildaLargeLanguageModel背景第1章:理解大型语言模型第2章:处理文本数据第3章:编码Attention机制什么是Attention机制?Attention机制的基本原理数学表示应用总结为什么要使用注意力机制如何实现?简单注意力机制带训练权重的注意力机
- 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
- DeepSeek与ChatGPT正在改写学历规则?2025教育革命深度解析
笑傲江湖2023
人工智能chatgpt
一、颠覆性现状:AI如何解构学历价值1.知识获取民主化随着AI技术的不断进步,知识获取的方式正在发生翻天覆地的变化:DeepSeek-R1通过仅10%的训练成本,实现了与GPT-4o相当的性能,技术文档的生成效率提升了70%。这种高效的知识生成方式,使得人人都可以轻松获取和应用知识。斯坦福大学的研究显示,使用ChatGPT的大学生平均GPA提升了0.43分,但课程通过率却下降了11%(2024)。
- 【必看】凭啥?DeepSeek如何用1/179的训练成本干到GPT-4o 98%性能
大F的智能小课
人工智能算法
一、DeepSeek降低训练成本的核心方法1.1创新训练方法DeepSeek通过独特的训练方案显著降低了训练成本。其核心策略包括减少监督微调(SFT)步骤,仅依赖强化学习(RL)技术。DeepSeek-R1-Zero版本完全跳过SFT,仅通过RL进行训练。尽管初期计算开销较大,但添加少量冷启动数据后,训练稳定性和模型推理能力大幅提升。此外,DeepSeek还采用了组相对策略优化(GRPO)算法替代
- 2D游戏引擎Allegro 系列教程(二) Hello world!
小泰勒
2D游戏引擎Allegro2D游戏引擎Allegro教程Allegro教程游戏引擎
本系列文章由sky编写,转载请注明出处。http://blog.csdn.net/qq573011406/article/details/8172949作者:袁全伟邮箱:qq573011406@126.com欢迎邮件交流编程心得本系列教程索引:2D游戏引擎Allegro系列教程(一)配置allegro开发环境2D游戏引擎Allegro系列教程(二)Helloworld!2D游戏引擎Allegro系
- 数据库三级模式
iamphp
系统架构设计师数据库系统架构
站在数据库管理系统的角度看,数据库系统一般采用三级模式结构,其体系结构如图所示。事实上,一个可用的数据库系统必须能够高效地检索数据。这种高效性的需求促使数据库设计者使用复杂的数据结构来表示数据。由于大多数数据库系统用户并未受过计算机的专业训练,因此系统开发人员需要通过视图层、逻辑层和物理层三个层次上的抽象来对用户屏蔽系统的复杂性,简化用户与系统的交互。(1)视图层(ViewLevel)是最高层次的
- Omofun最新苹果版,O站复活了
cpa007
动画
下载地址https://pan.quark.cn/s/b7599cef6f61OmoFun是一款专为动漫爱好者设计的视频播放软件,以下是对其的详细介绍:一、软件概述OmoFun致力于提供丰富多样的动漫资源和高品质的观看体验。该软件汇聚了海量动漫视频,覆盖热门新番到经典老番,满足不同用户的观看需求。其界面简洁友好,操作便捷,同时还内置了强大的互动社区,方便用户交流心得和分享喜好。二、软件功能高清画质
- DeepSeek使用手册,其中一份是清华大学出品
cpa007
云计算
自娶,。https://pan.quark.cn/s/d174471b17c0深入了解DeepSeek:从技术到应用一、DeepSeek是什么?DeepSeek(深度求索)是一款由杭州深度求索人工智能基础技术研究有限公司开发的人工智能平台,专注于提供高效易用的AI模型训练与推理能力。它既包含预训练大语言模型(如DeepSeek-R1系列),也提供配套工具链,助力开发者快速实现AI应用落地。二、De
- conda 装tensorboardx_【工欲善其事】TensorboardX的使用
weixin_39719042
conda装tensorboardx
“我不喜欢Tensorflow,但这并不妨碍我使用tensorboard”上一篇文章(https://zhuanlan.zhihu.com/p/39849027),和大家简单地聊了一下关于如何在训练过程中有序地组织log问题。今天,想和大家简单地谈谈tensorboard的使用。经过社区的努力,目前PyTorch也可以使用tensorboard了。在训练过程中实时地观察loss/accuracy曲
- 具身智能训练新思路!将生成视频用于训练机器人
天机️灵韵
具身智能人工智能具身智能
将生成视频用于训练具身智能(EmbodiedAI)确实是近年来备受关注的前沿方向,这一思路通过结合生成式AI(如扩散模型、神经辐射场等)与机器人学习,为解决真实世界数据稀缺、训练成本高等问题提供了新可能。以下从技术逻辑、潜在优势、挑战及案例方向展开分析:一、技术逻辑:如何用生成视频训练机器人?生成式AI构建虚拟环境利用扩散模型(如Sora、StableVideoDiffusion)或3D生成技术(
- 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
- 微软 LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练
人工智能
LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构,每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接,其中$L$和$M$分别是文本和图像的序列长度。通过Tr
- 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
- 【深度学习】常见模型-GPT(Generative Pre-trained Transformer,生成式预训练 Transformer)
IT古董
深度学习人工智能深度学习gpttransformer
GPT(GenerativePre-trainedTransformer)1️⃣什么是GPT?GPT(GenerativePre-trainedTransformer,生成式预训练Transformer)是由OpenAI开发的基于Transformer解码器(Decoder)的自回归(Autoregressive)语言模型。它能够通过大量无监督数据预训练,然后微调(Fine-tuning)以适应特
- 微软 LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练
人工智能
LayoutLMv3:通过统一文本和图像掩码进行文档人工智能预训练LayoutLMv3应用统一的文本-图像多模态Transformer来学习跨模态表示。Transformer具有多层架构,每层主要由多头自注意力机制和逐位置全连接前馈网络组成。Transformer的输入是文本嵌入$Y=y_{1:L}$和图像嵌入$X=x_{1:M}$序列的连接,其中$L$和$M$分别是文本和图像的序列长度。通过Tr
- 从零开始构建一个大语言模型-第七章第一节
释迦呼呼
从零开始构建一个大语言模型语言模型人工智能自然语言处理机器学习transformer
第七章目录7.1指令微调简介7.2为有监督的指令微调准备数据集7.3将数据整理成训练批次7.4为指令数据集创建数据加载器7.5加载预训练的大语言模型7.6在指令数据上对大语言模型进行微调7.7提取并保存回复7.8评估微调后的大语言模型7.9结论本章内容涵盖大语言模型的指令微调过程准备用于有监督指令微调的数据集将指令数据整理成训练批次提取大语言模型生成的指令响应以供评估此前,我们实现了大语言模型(L
- 黑马苍穹外卖学习笔记
窦莎言Firm
黑马苍穹外卖学习笔记【下载地址】黑马苍穹外卖学习笔记本仓库提供了一份关于“黑马苍穹外卖”的学习笔记,由笔者在课余时间学习整理而成。笔记内容涵盖了部分源码解析、学习心得以及个人体会,旨在帮助有兴趣的读者更好地理解和掌握相关知识项目地址:https://gitcode.com/Open-source-documentation-tutorial/b7c5a资源描述本仓库提供了一份关于“黑马苍穹外卖”的
- 基于深度学习的半导体检测与预测算法研究(二)
埃菲尔铁塔_CV算法
深度学习人工智能神经网络opencv计算机视觉python
摘要随着半导体行业的飞速发展,对生产过程中的检测和性能预测提出了更高要求。深度学习凭借其强大的数据处理和特征提取能力,在半导体领域展现出巨大的应用潜力。本文详细探讨了深度学习在半导体缺陷检测、工艺参数预测等方面的应用原理和方法,介绍了常见的深度学习模型如卷积神经网络(CNN)、循环神经网络(RNN)及其变体在半导体数据处理中的应用,分析了模型训练与优化的关键技术,并通过实际案例验证了深度学习算法在
- 基于深度学习的半导体算法原理及应用
埃菲尔铁塔_CV算法
算法机器学习人工智能计算机视觉深度学习python
摘要随着半导体产业的持续发展,深度学习技术在该领域的应用日益广泛且深入。本文全面阐述了基于深度学习的半导体算法原理,涵盖卷积神经网络(CNN)、循环神经网络(RNN)及其变体长短时记忆网络(LSTM)和门控循环单元(GRU)等在半导体制造过程监测、缺陷检测、性能预测等方面的应用。详细分析了这些算法处理半导体相关数据的机制,探讨了算法实现中的关键技术,如数据预处理、模型训练与优化等。通过实际案例展示
- 庄子心得04:认识你自己
andylin02
于丹作品生活读书情感音乐
[画外音]我们常常认为,最了解自己的当然是我们自己,但于丹教授却认为,最难认识的恰恰是我们自己,这是为什么呢?《庄子》里有许多寓言故事告诉我们,由于我们习惯于自以为是,常常把自己的主观愿望强加于客观事物,于是就会出现好心办坏事的现象。而我们又经常被社会中各种各样的外部评价所影响,而不能真正认知自己的内心,结果被所谓的潮流而左右,在纷繁的大千世界中,迷失了自己,我们怎样才能像庖丁解牛那样,正解全面地
- Datawhale数学建模导论课程第八章学习心得(I)一时间序列与投资模型
星.惜尘
数学建模
学习链接:Datawhale数学建模教程Descriptionhttps://datawhalechina.github.io/intro-mathmodel/#/CH8/%E7%AC%AC8%E7%AB%A0-%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97?id=_811-%e6%97%b6%e9%97%b4%e5%ba%8f%e5%88%97%e7%9a%84%e5%
- 模型应用管理的成功之道:策略、工具与团队协作
项目管理工具
管理模型应用涉及多个方面,包括模型的开发、部署、监控、优化和维护。以下是管理模型应用的关键步骤和策略:1.模型开发●需求分析:明确业务需求,确定模型的目标和评估指标。●数据准备:收集、清洗和预处理数据,确保数据质量。●模型选择:根据问题类型选择合适的算法和模型架构。●训练与验证:使用训练数据训练模型,并通过验证集评估模型性能。●超参数调优:通过交叉验证、网格搜索等方法优化模型超参数。2.模型部署●
- DeepSeek-V2 论文解读:混合专家架构的新突破
进一步有进一步的欢喜
DeepSeek-V2大模型MoE混合专家架构
论文链接:DeepSeek-V2:AStrong,Economical,andEfficientMixture-of-ExpertsLanguageModel目录一、引言二、模型架构(一)多头部潜在注意力(MLA):重塑推理效率(二)DeepSeekMoE:经济高效的训练架构三、预训练(Pre-Training):夯实模型基础(一)实验设置(二)评估四、对齐(Alignment):优化模型表现(一
- Kivy教程大全之 使用 NumPy 和 Kivy 对 Android 设备进行图像分类
知识大胖
Python源码大全pythonkivynumpy
文章简介ANN架构。使用KV语言创建小部件树。创建Kivy应用程序。使用正确的NumPy版本。构建Android应用程序。了解更多信息本教程的重点是构建一个调用预训练的ANN来对图像进行分类的Android应用程序。这里不深入讨论准备数据集、构建、训练和优化ANN的步骤。在本教程中将仅对它们进行简要讨论。但不要担心——在不了解这些细节的情况下遵循本教程中的想法是可以的。如果您想了解它们,请查看我之
- 【人工智能】Python中的深度学习优化器:从SGD到Adam
蒙娜丽宁
Python杂谈人工智能人工智能python深度学习
《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深度学习模型的训练过程中,优化器起着至关重要的作用,它决定了模型的收敛速度以及最终的性能。本文将介绍深度学习中常用的优化器,从传统的随机梯度下降(SGD)到现代的自适应优化器(如Adam)。我们将深入探讨每种优化器的原理、优缺点,并通过Python实现
- 线性回归、逻辑回归及SVM
@迷途小书童
机器学习
1,回归(LinearRegression)回归其实就是对已知公式的未知参数进行估计。可以简单的理解为:在给定训练样本点和已知的公式后,对于一个或多个未知参数,机器会自动枚举参数的所有可能取值(对于多个参数要枚举它们的不同组合),直到找到那个最符合样本点分布的参数(或参数组合)。当然,实际运算有一些优化算法,肯定不会去枚举的。注意,回归的前提是公式已知,否则回归无法进行。回归中的公式基本都是数据分
- 【AI】人工智能没那么神秘!
仇辉攻防
人工智能ai语言模型自然语言处理机器学习深度学习网络安全
AI是什么?人工智能(ArtificialIntelligence),英文缩写为AI。AI人工智能不是简单的应用程序,而是一类技术,包含机器学习、自然语言处理、计算机视觉等多个领域。AI系统通常由算法、数据、模型和代码组成,其中代码用于实现算法,数据用于训练模型,最终形成智能决策能力。AI可以嵌入到应用程序中,但其本身是一个复杂的技术体系。AI为什么这么聪明?AI之所以看起来很聪明,主要是因为它通
- Dom
周华华
JavaScripthtml
<!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/1999/xhtml&q
- 【Spark九十六】RDD API之combineByKey
bit1129
spark
1. combineByKey函数的运行机制
RDD提供了很多针对元素类型为(K,V)的API,这些API封装在PairRDDFunctions类中,通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一
首先看一下combineByKey的方法说明:
- msyql设置密码报错:ERROR 1372 (HY000): 解决方法详解
daizj
mysql设置密码
MySql给用户设置权限同时指定访问密码时,会提示如下错误:
ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number;
问题原因:你输入的密码是明文。不允许这么输入。
解决办法:用select password('你想输入的密码');查询出你的密码对应的字符串,
然后
- 路漫漫其修远兮 吾将上下而求索
周凡杨
学习 思索
王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者,罔不经过三种之境界。“昨夜西风凋碧树。独上高楼,望尽天涯路。”此第一境界也。“衣带渐宽终不悔,为伊消得人憔悴。”此第二境界也。“众里寻他千百度,蓦然回首,那人却在灯火阑珊处。”此第三境界也。学习技术,这也是你必须经历的三种境界。第一层境界是说,学习的路是漫漫的,你必须做好充分的思想准备,如果半途而废还不如不要开始。这里,注
- Hadoop(二)对话单的操作
朱辉辉33
hadoop
Debug:
1、
A = LOAD '/user/hue/task.txt' USING PigStorage(' ')
AS (col1,col2,col3);
DUMP A;
//输出结果前几行示例:
(>ggsnPDPRecord(21),,)
(-->recordType(0),,)
(-->networkInitiation(1),,)
- web报表工具FineReport常用函数的用法总结(日期和时间函数)
老A不折腾
finereport报表工具web开发
web报表工具FineReport常用函数的用法总结(日期和时间函数)
说明:凡函数中以日期作为参数因子的,其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。
DATE
DATE(year,month,day):返回一个表示某一特定日期的系列数。
Year:代表年,可为一到四位数。
Month:代表月份。
- c++ 宏定义中的##操作符
墙头上一根草
C++
#与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a) #a #define h(a) g(a) int main() { &nbs
- 分析Spring源代码之,DI的实现
aijuans
springDI现源代码
(转)
分析Spring源代码之,DI的实现
2012/1/3 by tony
接着上次的讲,以下这个sample
[java]
view plain
copy
print
- for循环的进化
alxw4616
JavaScript
// for循环的进化
// 菜鸟
for (var i = 0; i < Things.length ; i++) {
// Things[i]
}
// 老鸟
for (var i = 0, len = Things.length; i < len; i++) {
// Things[i]
}
// 大师
for (var i = Things.le
- 网络编程Socket和ServerSocket简单的使用
百合不是茶
网络编程基础IP地址端口
网络编程;TCP/IP协议
网络:实现计算机之间的信息共享,数据资源的交换
协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去
端口:用于计算机之间的通信
每运行一个程序,系统会分配一个编号给该程序,作为和外界交换数据的唯一标识
0~65535
查看被使用的
- JDK1.5 生产消费者
bijian1013
javathread生产消费者java多线程
ArrayBlockingQueue:
一个由数组支持的有界阻塞队列。此队列按 FIFO(先进先出)原则对元素进行排序。队列的头部 是在队列中存在时间最长的元素。队列的尾部 是在队列中存在时间最短的元素。新元素插入到队列的尾部,队列检索操作则是从队列头部开始获得元素。
ArrayBlockingQueue的常用方法:
- JAVA版身份证获取性别、出生日期及年龄
bijian1013
java性别出生日期年龄
工作中需要根据身份证获取性别、出生日期及年龄,且要还要支持15位长度的身份证号码,网上搜索了一下,经过测试好像多少存在点问题,干脆自已写一个。
CertificateNo.java
package com.bijian.study;
import java.util.Calendar;
import
- 【Java范型六】范型与枚举
bit1129
java
首先,枚举类型的定义不能带有类型参数,所以,不能把枚举类型定义为范型枚举类,例如下面的枚举类定义是有编译错的
public enum EnumGenerics<T> { //编译错,提示枚举不能带有范型参数
OK, ERROR;
public <T> T get(T type) {
return null;
- 【Nginx五】Nginx常用日志格式含义
bit1129
nginx
1. log_format
1.1 log_format指令用于指定日志的格式,格式:
log_format name(格式名称) type(格式样式)
1.2 如下是一个常用的Nginx日志格式:
log_format main '[$time_local]|$request_time|$status|$body_bytes
- Lua 语言 15 分钟快速入门
ronin47
lua 基础
-
-
单行注释
-
-
[[
[多行注释]
-
-
]]
-
-
-
-
-
-
-
-
-
-
-
1.
变量 & 控制流
-
-
-
-
-
-
-
-
-
-
num
=
23
-
-
数字都是双精度
str
=
'aspythonstring'
- java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 )
bylijinnan
java
the idea is from:
http://blog.csdn.net/zhanxinhang/article/details/6731134
public class MaxSubMatrix {
/**see http://blog.csdn.net/zhanxinhang/article/details/6731134
* Q35
求一个矩阵中最大的二维
- mongoDB文档型数据库特点
开窍的石头
mongoDB文档型数据库特点
MongoDD: 文档型数据库存储的是Bson文档-->json的二进制
特点:内部是执行引擎是js解释器,把文档转成Bson结构,在查询时转换成js对象。
mongoDB传统型数据库对比
传统类型数据库:结构化数据,定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的
文档型数据库:不用定好数据结构,
- [毕业季节]欢迎广大毕业生加入JAVA程序员的行列
comsci
java
一年一度的毕业季来临了。。。。。。。。
正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业,可以考虑来我们软件行业,做一名职业程序员。。。
软件行业的开发工具中,对初学者最友好的就是JAVA语言了,网络上不仅仅有大量的
- PHP操作Excel – PHPExcel 基本用法详解
cuiyadll
PHPExcel
导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
- IBM Webshpere MQ Client User Issue (MCAUSER)
darrenzhu
IBMjmsuserMQMCAUSER
IBM MQ JMS Client去连接远端MQ Server的时候,需要提供User和Password吗?
答案是根据情况而定,取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。
http://stackoverflow.com/questions/20209429/how-mca-user-i
- 网线的接法
dcj3sjt126com
一、PC连HUB (直连线)A端:(标准568B):白橙,橙,白绿,蓝,白蓝,绿,白棕,棕。 B端:(标准568B):白橙,橙,白绿,蓝,白蓝,绿,白棕,棕。 二、PC连PC (交叉线)A端:(568A): 白绿,绿,白橙,蓝,白蓝,橙,白棕,棕; B端:(标准568B):白橙,橙,白绿,蓝,白蓝,绿,白棕,棕。 三、HUB连HUB&nb
- Vimium插件让键盘党像操作Vim一样操作Chrome
dcj3sjt126com
chromevim
什么是键盘党?
键盘党是指尽可能将所有电脑操作用键盘来完成,而不去动鼠标的人。鼠标应该说是新手们的最爱,很直观,指哪点哪,很听话!不过常常使用电脑的人,如果一直使用鼠标的话,手会发酸,因为操作鼠标的时候,手臂不是在一个自然的状态,臂肌会处于绷紧状态。而使用键盘则双手是放松状态,只有手指在动。而且尽量少的从鼠标移动到键盘来回操作,也省不少事。
在chrome里安装 vimium 插件
- MongoDB查询(2)——数组查询[六]
eksliang
mongodbMongoDB查询数组
MongoDB查询数组
转载请出自出处:http://eksliang.iteye.com/blog/2177292 一、概述
MongoDB查询数组与查询标量值是一样的,例如,有一个水果列表,如下所示:
> db.food.find()
{ "_id" : "001", "fruits" : [ "苹
- cordova读写文件(1)
gundumw100
JavaScriptCordova
使用cordova可以很方便的在手机sdcard中读写文件。
首先需要安装cordova插件:file
命令为:
cordova plugin add org.apache.cordova.file
然后就可以读写文件了,这里我先是写入一个文件,具体的JS代码为:
var datas=null;//datas need write
var directory=&
- HTML5 FormData 进行文件jquery ajax 上传 到又拍云
ileson
jqueryAjaxhtml5FormData
html5 新东西:FormData 可以提交二进制数据。
页面test.html
<!DOCTYPE>
<html>
<head>
<title> formdata file jquery ajax upload</title>
</head>
<body>
<
- swift appearanceWhenContainedIn:(version1.2 xcode6.4)
啸笑天
version
swift1.2中没有oc中对应的方法:
+ (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION;
解决方法:
在swift项目中新建oc类如下:
#import &
- java实现SMTP邮件服务器
macroli
java编程
电子邮件传递可以由多种协议来实现。目前,在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP,下面分别简单介绍。
◆ SMTP 协议
简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议,用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
- mongodb group by having where 查询sql
qiaolevip
每天进步一点点学习永无止境mongo纵观千象
SELECT cust_id,
SUM(price) as total
FROM orders
WHERE status = 'A'
GROUP BY cust_id
HAVING total > 250
db.orders.aggregate( [
{ $match: { status: 'A' } },
{
$group: {
- Struts2 Pojo(六)
Luob.
POJOstrust2
注意:附件中有完整案例
1.采用POJO对象的方法进行赋值和传值
2.web配置
<?xml version="1.0" encoding="UTF-8"?>
<web-app version="2.5"
xmlns="http://java.sun.com/xml/ns/javaee&q
- struts2步骤
wuai
struts
1、添加jar包
2、在web.xml中配置过滤器
<filter>
<filter-name>struts2</filter-name>
<filter-class>org.apache.st