三十而码
三十而码

科研用深度学习+有限元工作站的DIY配置（预算：5-6万）

科研用深度学习+有限元工作站的DIY配置（预算：5-6万）

  • 考虑实验室科研常用软件，尝试购置一台科研用深度学习+有限元工作站，预算5-6万。

  • 查找了目前市面上相关的整机产品：
    1、例如 Dell 7920，GPU可以选择配置目前最新适用深度学习安培架构的RTX 3090 24G，但奈何CPU配置的英特尔 二代至强系列的频率不高。至强系列更注重稳定性和可拓展性，偏向于服务器性质。科研计算的工作站同样要求时效性，追求高性能，特别处于智能时代的高速风口下。
    2、再如 Dell T3640，GPU也可以选择配置目前最新的RTX 3090 24G，但其配置的英特尔 i9 10900K ，虽然其频率较高，但最大内存支持仅为128G，高精度有限元的3D计算非常吃内存，支持256G最大内存为佳。并且，英特尔 i9 10900K只有8核16线程，多软件，例如matlab和CAD，同时运行时会吃力。

  • Dell整机配置的英特尔处理器一般不是新出的，会滞后。当然，对于世界闻名的“牙膏”生产商，英特尔新出的产品性能提升幅度往往不多。若不是完美主义的强迫症患者，为省事省力，也可选择品牌整机，毕竟品质和售后更有保障。

  • 还有一种选择就是DIY（自己动手，自强不息）：
    1、自选配置参数，自选对应配件的品牌型号，自行购置，自行组装。这种更适合私人，并要求具备一定的硬件动手能力，售后也需自行找配件相应产商。另外，在科研院校并不一定行的通。特别是目前“挖矿”浪潮之下，毒流染指院校的例子时有报道，相信管控会更加严格。
    2、自选配置，自选对应配件的品牌型号，找第三方代理购置及组装，并参与配件的购置。这种适合对公，并且售后有一定保障。但须提防第三方提供的配件是正品，新品。特别是显卡，要亲自参与，提防奸商回流“矿卡”。必要时，录视频下，拆卡确认。
    3、某购物平台上第三方DIY组装机，配置与自选相似。这种很难一步到位找到适合自己需求的配置，例如，硬件上或多或少需要升级，甚至整体升级。本人尝试联系一些，但回馈要么是缺货，要么就是不做。即便他做，这种也要录视频情况下，再拆机确认。

  • 综上，DIY2是可取的方案，为何需要这么折腾，可总结为：
    1、最新性能，追求性价比。
    2、“挖矿”疯潮下，谁都不能轻易信，只能信自己。

  • 为此，根据需求，对比了配件参数，寻求了有关的建议，参照了相关横评。最终选择以下配置，并给出了相关到手参考价格：

配件 品牌 单价 预算
CPU 英特尔 酷睿i9 10980XE 3.0-4.6GHz 18核 功率165W 支持内存：256G 2933MHz ￥7980 ￥7980
GPU 华硕ROG-STRIX-RTX3090-24G-GAMING 850W ￥23380 ￥23380
主板 华硕（ASUS）WS X299-PRO 支持内存256G ￥3499 ￥3499
内存 金士顿 (Kingston) 64GB(32G×2)套装 DDR4 3600 （4套） ￥2799 ￥11196
固态硬盘 三星（SAMSUNG）1TB SSD固态硬盘 M.2接口(NVMe协议) 970 PRO ￥2799 ￥2799
硬盘 希捷(Seagate) 企业级硬盘 4TB 256MB 7200转 PMR CMR SATA （2套） ￥1149 ￥2298
电源 振华（SUPER FLOWER） 额定1600W LEADEX T 1600电源 ￥2999 ￥2999
机箱 追风者(PHANTEKS) PK620 钢化玻璃全塔双路服务器电脑机箱 ￥1200 ￥1200
散热器 毅凯火力 (EK) AIO Basic 360 一体式CPU水冷散热器 360MM水排 ￥999 ￥999
风扇 利民（Thermalright）TL-C12B 12cm风扇 SFDB轴承 4pin PWM （3套） ￥80 ￥240
– – 合计 ￥56590

  • 迫于“挖矿”疯潮，目前显卡及其相关配件的溢价很高，整体组装预算要高出1W不止。

  • 期待“矿难”过后的拨云见日。算力不应当浪费在这种构建在虚拟与现实间无聊的庞氏骗局上。

  • 另外，AMD处理器因其7nm工艺及高性能，具备极强的吸引力，但出于稳定、安全、生态、兼容的考虑，目前个人偏好英特尔处理器。未来AMD处理器将更适应高性能需求的牵引，守着“牙膏”慢慢挤的日子可能远去。

  • 以上是这几天为购置实验室工作站，所了解到的情况。由于个人认知有限，配置的合理性还请各位DIY大佬指点。

  • 另外，本贴为个人发帖求助性质，没有任何广告的意图，若涉及到违规、侵权，请及时告知删除！

你可能感兴趣的:(工作杂谈,深度学习,tensorflow,pytorch,gpu,cpu)

  • 使用AINetwork进行AI模型管理 qahaj 人工智能python
    技术背景介绍AINetwork是一个Layer1区块链，专为管理大规模AI模型而设计。它利用去中心化的GPU网络，由$AIN代币驱动，并助力AI驱动的NFTs(AINFTs)。其目标是为开发者提供一个安全且高效的平台，来部署和管理AI模型。核心原理解析AINetwork通过结合区块链技术和去中心化的计算资源，分布式管理和执行大规模的AI模型运算任务。这意味着开发者能够在网络中高效利用共享的GPU资
  • C++11线程保护 lrydnh c++开发语言
    多线程通信和同步技术什么是CPU时间片？CPU时间片是一个时间段，表示操作系统分配给某个线程或进程在CPU上运行的时间。现代操作系统使用时间片轮转调度（time-sharingscheduling）机制，在多个线程或进程之间快速切换CPU，以实现多任务运行。每个线程被分配的时间片通常是几十毫秒（如10ms、50ms等），非常短。在这个时间段内：被分配时间片的线程拥有CPU的执行权，可以运行自己的代
  • 笔记本电脑外接固态移动硬盘可以用于深度学习吗 Vertira pytorch电脑深度学习智能电视
    笔记本电脑外接固态移动硬盘可以用于深度学习‌。虽然外接固态移动硬盘的传输速度和内置固态硬盘相比有一定差距，但在现代技术下，外接固态移动硬盘的传输速度已经非常快，能够满足深度学习的需求。例如，USB3.2Gen2×2PSSD的传输速度可以达到2000MB/s，这对于深度学习来说已经足够‌12。具体应用场景和性能表现‌传输速度‌：现代外接固态移动硬盘，如USB3.2Gen2×2PSSD，传输速度可以达
  • RK3568笔记五十六：yolov8_obb旋转框训练部署 殷忆枫 RK3568学习笔记笔记YOLO
    若该文为原创文章，转载请注明原文出处。本文基于rknn_model_zoo和山水无移大佬的博客和代码训练模型并部署到正点原子的ATK-DLRK3568板子测试。https://github.com/ultralytics/ultralytics一、训练1、环境搭建使用的是AUTODL环境，yolov8-obb数据集不大，也可以使用cpu。2、创建虚拟环境#创建虚拟环境condacreate-nyo
  • 人工智能学习 星月IWJ 人工智能机器学习深度学习神经网络目标检测人工智能
    //-----初探-----//人工智能三大核心要素数据/算法/算力人工智能是通过机器来模拟人类认知能力的技术机器学习/神经网络/深度学习(多层隐藏层神经网络)tf1.14python3.5keras2.1.5//-----数学基础&&数字图像-----//向量大小/方向矢量(有大小和方向)标量(只有大小没有方向(长度))单位向量线性变换(矩阵运算)T(v+w)=T(v)+T(w)T(cv)=cT
  • k8s集群中部署dcgm-exporter收集GPU指标 thinkerCoder kubernetes容器运维GPU
    总体步骤：部署dcgm-exporter的DaemonSet和Service，确保Service有正确的标签和端口。创建ServiceMonitor，选择dcgm-exporter的Service，并指定端口。检查Prometheus的targets页面，确认dcgm-exporter是否被正确发现和抓取。可能需要调整Prometheus的RBAC或网络策略，确保访问权限。1，部署dcgm-exp
  • 深度学习复习笔记（6）线性回归——新冠预测项目 Kriol 深度学习初学深度学习笔记线性回归
    importmatplotlib.pyplotaspltimporttorch#框架importnumpyasnp#矩阵处理importcsv#读excel文件fromtorch.utils.dataimportDataLoader,Dataset#两个与数据处理相关的包，类Datasetimporttorch.nnasnn#类nn.Module需要用，损失函数需要用fromtorchimport
  • 向量空间与范数 Shockang 机器学习数学通关指南人工智能机器学习数学线性代数
    前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang正文一、向量空间：机器学习的舞台1.1定义与核心要素️向量空间是机器学习的数学基础，它提供了描述和处理高
  • 互信息详解 Shockang 机器学习数学通关指南机器学习人工智能数学信息论
    前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang正文互信息：变量间关联性的量化利器互信息(MutualInformation)是信息论中的核心概念，也是
  • 《自然语言处理实战入门》深度学习 ---- 预训练模型初探 shiter AI重制版】预训练NLP自然语言处理
    文章大纲前言预训练模型简介语言表示学习神经上下文编码器为何需要预训练模型发展历史主流预训练模型预训练模型与分类将PTMs应用至下游任务微调策略未来研究方向参考文献前言随着深度学习的发展，各种神经网络被广泛用于解决自然语言处理(NLP)任务，如卷积神经网络(convolutionalneuralnetworks,CNNs)、递归神经网络(neuralnetworks,RNNs)、基于图的神经网络(g
  • 【AI深度学习网络】Transformer时代，RNN（循环神经网络）为何仍是时序建模的“秘密武器”？ arbboter 人工智能rnn人工智能深度学习循环神经网络记忆序列数据循环连接
    引言：什么是循环神经网络（RNN）？循环神经网络（RecurrentNeuralNetwork,RNN）是一种专门处理序列数据（如文本、语音、时间序列）的深度学习模型。与传统神经网络不同，RNN具有“记忆”能力，能够通过内部状态（隐藏状态）保留历史信息，从而捕捉序列中的时间依赖关系。在自然语言处理、语音识别、时间序列预测等领域，数据本质上是序列化的——即当前数据点与前后数据点存在依赖关系。传统的前
  • 《高效迁移学习：Keras与EfficientNet花卉分类项目全解析》 机器学习司猫白 深度学习迁移学习keras分类tensorflowefficientnet性能优化
    从零到精通的迁移学习实战指南：以Keras和EfficientNet为例一、为什么我们需要迁移学习？1.1人类的学习智慧想象一下：如果一个已经会弹钢琴的人学习吉他，会比完全不懂音乐的人快得多。因为TA已经掌握了乐理知识、节奏感和手指灵活性，这些都可以迁移到新乐器的学习中。这正是迁移学习（TransferLearning）的核心思想——将已掌握的知识迁移到新任务中。1.2深度学习的困境与破局传统深度
  • 多模态大模型：技术原理与实战 模型压缩实战 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
    多模态大模型：技术原理与实战模型压缩实战作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：多模态大模型，技术原理，模型压缩，实战，TensorFlow，PyTorch，模型压缩方法，应用场景1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，多模态大模型在图像识别、语音识别、自然语言处理等领域的应用越来越广泛。然而，多模态大模型通常具有庞大
  • 无人机动态追踪技术难点与距离分析！ 云卓SKYDROID 无人机人工智能云卓科技智能跟踪吊舱
    一、技术难点概述目标识别与跟踪算法的鲁棒性复杂场景适应性**：在动态背景（如人群、森林）或光照变化（逆光、夜间）下，算法需精准区分目标与干扰物。传统计算机视觉方法（如光流法、卡尔曼滤波）易受干扰，需结合深度学习（如YOLO、SiamRPN++）提升抗干扰能力。多目标跟踪与遮挡处理**：目标被遮挡或短暂消失时，需通过轨迹预测或特征匹配恢复跟踪，对算法的记忆能力和实时性要求极高。实时性要求**：算法需
  • N卡 英伟达Nvidia 显卡及其计算能力（Compute Capability）表 Panesle 显卡Nvidiagpu算力英伟达
    N卡英伟达Nvidia显卡及其计算能力（ComputeCapability）表某些库或软件对显卡算力有要求，可参考下表核对。比如：AWQ量化模型不支持算力小于7.5的显卡V100：ValueError:ThequantizationmethodawqisnotsupportedforthecurrentGPU.Minimumcapability:75.Currentcapability:70.
  • 第20周：Pytorch文本分类入门 weixin_46620278 pytorch分类人工智能
    目录前言一、前期准备1.1环境安装导入包1.2加载数据1.3构建词典1.4生成数据批次和迭代器二、准备模型2.1定义模型2.2定义示例2.3定义训练函数与评估函数三、训练模型3.1拆分数据集并运行模型3.2使用测试数据集评估模型总结前言本文为[365天深度学习训练营]中的学习记录博客原作者：[K同学啊]说在前面本周任务：了解文本分类的基本流程、学习常用数据清洗方法、学习如何使用jieba实现英文分
  • 第N2周：构建词典 OreoCC NLP
    本人往期文章可查阅：深度学习总结我的环境：语言环境：Python3.11编译器：PyCharm深度学习环境：Pytorchtorch==2.0.0+cu118torchvision==0.18.1+cu118显卡：NVIDIAGeForceGTX1660本周任务：使用N1周的.txt文件构建词典，停用词请自定义1.导入数据fromtorchtext.vocabimportbuild_vocab_f
  • 第N3周：NLP中的数据集构建 OreoCC 自然语言处理深度学习pytorch
    本人往期文章可查阅：深度学习总结对于初学者，NLP中最烦人的问题之一就是数据集的构建问题，处理不好就会引起shape问题（各种由于shape错乱导致的问题）。这里我给出一个模板，大家可根据这个模板来构建。torch.utils.data是PyTorch中用于数据加载和预处理的模块。其中包括Dataset和DataLoader两个类，它们通常结合使用来加载和处理数据。1.Datasettorch.u
  • Pytorch 张量的scatter_add_方法介绍 qq_27390023 pytorch人工智能python
    torch.Tensor.scatter_add_是PyTorch中的一个原地操作（in-placeoperation），用于将一个源张量（src）中的值根据指定的索引（index）累加到目标张量（self）中。它常用于分布式计算、加权聚合以及自定义深度学习层等场景。函数签名Tensor.scatter_add_(dim,index,src)→Tensor参数说明dim(int)：指定沿着哪个维度
  • NLP新手入门-第N1周：Pytorch文本分类入门 Oaix Nay 365天深度学习训练记录pytorch自然语言处理分类
    本文为365天深度学习训练营中的学习记录博客原作者：K同学啊|接辅导、项目定制目录一、课题背景和开发环境二、环境安装三、文本分类1.加载数据2.构建词典3.生成数据批次和迭代器4.定义模型5.定义实例6.定义训练函数与评估函数7.拆分数据集并运行模型8.使用测试数据集评估模型一、课题背景和开发环境第N1周：Pytorch文本分类入门Python3.8.12pytorch==1.8.1+cu111t
  • 操作系统原理试题三（二） minaMoonGirl 服务器
    1.(多选题,4.0分)下列关于进程和线程的叙述中，错误的是()。A.不管系统是否支持线程，进程都是资源分配的基本单位。B.线程是资源分配的基本单位，进程是调度的基本单位。C.系统级线程和用户级线程的切换都需要内核的支持。D.同一进程中的各个线程拥有各自不同的地址空间。正确答案:BCD2.(多选题,4.0分)与单道程序系统相比，多道程序系统的优点是()A.CPU利用率高B.系统开销小C.系统吞吐量
  • 基于PyTorch的深度学习5—神经网络工具箱 Wis4e 深度学习pytorch神经网络
    nn.Module是nn的一个核心数据结构，它可以是神经网络的某个层(Layer)，也可以是包含多层的神经网络。在实际使用中，最常见的做法是继承nn.Module，生成自己的网络/层。nn中已实现了绝大多数层，包括全连接层、损失层、激活层、卷积层、循环层等，这些层都是nn.Module的子类，能够自动检测到自己的Parameter，并将其作为学习参数，且针对GPU运行进行了cuDNN优化。nn中的
  • 基于Pytorch深度学习——Softmax回归 EchoToMe 深度学习pytorch回归python
    本文章来源于对李沐动手深度学习代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行尽量逐行详细解释并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用逐行解释+小实验的方式来给大家解释代码大家都知道二分类问题我们在机器学习里面使用到的是逻辑回归这个算法，但是针对于多分类问题，我们常用的是Softmax技术，大家不要被这个名字给迷惑了，s
  • 在pytorch中的卷积操作 FY_2018
    卷积操作：#1.卷积核的输入通道数与输入数据的通道数保持一致，所以卷积核的对应通道与输入数据的对应通道进行卷积操作，以卷积核conv_i为例：#2.卷积核conv_i的对应通道与输入数据对应通道进行对应位置元素的乘法，即用乘法操作“*”，得到一个与卷积核形状一样的矩阵M#3.将第2步中卷积结果矩阵M中的所有元素相加，得到卷积核conv_i在当前通道的卷积结果：标量su_i#4.卷积核conv_i的
  • Python 在深度学习中的应用 2501_90435375 人工智能python深度学习开发语言
    深度学习是机器学习的一个分支，它通过构建和训练深层神经网络来实现对数据的学习和理解。Python作为一种简洁、易读、功能强大的编程语言，在深度学习领域得到了广泛的应用。本文将详细介绍Python在深度学习中的应用，包括深度学习的基础概念、Python深度学习库和框架、实际案例。二、深度学习的基础概念1.神经网络神经网络是深度学习的基础，它由多个神经元组成，每个神经元接收输入信号，进行加权求和，并通
  • [Pytorch报错问题解决]AttributeError: ‘nn.Sequential‘ object has no attribute ‘append‘ Bartender_Jill 编程报错解决pytorch人工智能python
    问题运行深度学习代码的时候遇到了以下报错问题：Traceback(mostrecentcalllast):File"/home/anaconda3/envs/Text2HOI/lib/python3.9/site-packages/torch/autograd/grad_mode.py",line28,indecorate_contextreturnfunc(*args,**kwargs)File
  • 基于PyTorch的深度学习——机器学习1 Wis4e 深度学习机器学习pytorch
    监督学习是最常见的一种机器学习类型，其任务的特点就是给定学习目标，这个学习目标又称标签、标注或实际值等，整个学习过程就是围绕如何使预测与目标更接近而来的。近些年，随着深度学习的发展，分类除传统的二分类、多分类、多标签分类之外，也出现了一些新内容，如目标检测、目标识别、图像分割等监督学习的重要内容半监督学习是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，同时由部分使用标记
  • PyTorch 中的混合精度训练方法，从 autocast 到 GradScalar Syntax_CD PyTorch必知必会pytorch人工智能python
    PyTorch的混合精度训练主要由两个方法实现：amp.autocast和amp.GradScalar。在这两个工具的帮助下，可以实现以torch.float16的混合精度训练。当然，这两个方法都是模块化并且通常都会一起调用，但并不一定总是需要一起使用。参考：AutomaticMixedPrecisionpackage-torch.ampAutomaticMixedPrecisionexample
  • (7)学习编程---python多进程、多线程、协程 daydreamer5920 编程学习
    多进程(Multiprocessing)概念多进程是指一个程序同时运行多个进程。每个进程都有自己的内存空间和资源，进程之间通过进程间通信（IPC）来共享数据。优点独立性：每个进程都有独立的内存空间，一个进程的崩溃不会影响其他进程。并行性：可以利用多核CPU的优势，实现真正的并行计算。缺点资源消耗：每个进程都有自己的内存空间，因此资源消耗较大。通信成本：进程间通信需要通过IPC，通信成本较高。多线程
  • 考研复习之记忆方法 herosunly 考名校研究生经验分享考研
      大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。  
  • 插入表主键冲突做更新 a-john
    有以下场景： 用户下了一个订单，订单内的内容较多，且来自多表，首次下单的时候，内容可能会不全（部分内容不是必须，出现有些表根本就没有没有该订单的值）。在以后更改订单时，有些内容会更改，有些内容会新增。 问题： 如果在sql语句中执行update操作，在没有数据的表中会出错。如果在逻辑代码中先做查询，查询结果有做更新，没有做插入，这样会将代码复杂化。 解决： mysql中提供了一个sql语
  • Android xml资源文件中@、@android:type、@*、？、@+含义和区别 Cb123456 @+@?@*
    一.@代表引用资源 1.引用自定义资源。格式：@[package:]type/name android：text="@string/hello"   2.引用系统资源。格式：@android:type/name     android:textColor="@android:color/opaque_red"
  • 数据结构的基本介绍 天子之骄 数据结构散列表树、图线性结构价格标签
    数据结构的基本介绍 数据结构就是数据的组织形式，用一种提前设计好的框架去存取数据，以便更方便，高效的对数据进行增删查改。正确选择合适的数据结构，对软件程序的高效执行的影响作用不亚于算法的设计。此外，在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈，堆等，就是经典的数据结构。   经典的数据结构大致如下：   一：线性数据结构 (1)：列表 a
  • 通过二维码开放平台的API快速生成二维码 一炮送你回车库 api
     现在很多网站都有通过扫二维码用手机连接的功能，联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊，写了个前台快速生成二维码的方法。        html代码如下:(二维码将生成在这div下) ? 1  &nbs
  • ImageIO读取一张图片改变大小 3213213333332132 javaIOimageBufferedImage
    package com.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; /** * @Description 读取一张图片改变大小 * @author FuJianyon
  • myeclipse集成svn（一针见血） 7454103 eclipseSVNMyEclipse
                                     &n
  • 装箱与拆箱----autoboxing和unboxing darkranger J2SE
    4.2　自动装箱和拆箱 基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便，但提供方便的同时表示隐藏了细节，建议在能够区分基本数据类型与对象的差别时再使用。 4.2.1　autoboxing和unboxing 在Java中，所有要处理的东西几乎都是对象(Object)
  • ajax传统的方式制作ajax aijuans Ajax
    //这是前台的代码 <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
  • 只用jre的eclipse是怎么编译java源文件的？ avords javaeclipsejdktomcat
    eclipse只需要jre就可以运行开发java程序了，也能自动 编译java源代码，但是jre不是java的运行环境么，难道jre中也带有编译工具？ 还是eclipse自己实现的？谁能给解释一下呢问题补充：假设系统中没有安装jdk or jre，只在eclipse的目录中有一个jre，那么eclipse会采用该jre，问题是eclipse照样可以编译java源文件，为什么呢？ &nb
  • 前端模块化 bee1314 模块化
    背景： 前端JavaScript模块化，其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来，还处于刀耕火种的野蛮生长阶段。   JavaScript一直缺乏有效的包管理机制，造成了大量的全局变量，大量的方法冲突。我们多么渴望有天能像Java（import），Python (import)，Ruby(require)那样写代码。在没有包管理机制的年代，我们是怎么避免所
  • 处理百万级以上的数据处理 bijian1013 oraclesql数据库大数据查询
    一.处理百万级以上的数据提高查询速度的方法：        1.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。         2.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 o
  • mac 卸载 java 1.7 或更高版本 征客丶 javaOS
    卸载 java 1.7 或更高 sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin 成功执行此命令后，还可以执行 java 与 javac 命令 sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane 成功执行此命令后，还可以执行 java
  • 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析 bit1129 Stream
    第一步，Flume和Kakfa对接，Flume抓取日志，写到Kafka中 第二部，Spark Streaming读取Kafka中的数据，进行实时分析   本文首先使用Kakfa自带的消息处理（脚本）来获取消息，走通Flume和Kafka的对接 1. Flume配置 1. 下载Flume和Kafka集成的插件，下载地址：https://github.com/beyondj2ee/f
  • Erlang vs TNSDL bookjovi erlang
          TNSDL是Nokia内部用于开发电信交换软件的私有语言，是在SDL语言的基础上加以修改而成，TNSDL需翻译成C语言得以编译执行，TNSDL语言中实现了异步并行的特点，当然要完整实现异步并行还需要运行时动态库的支持，异步并行类似于Erlang的process（轻量级进程），TNSDL中则称之为hand，Erlang是基于vm(beam)开发，
  • 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个 ljy325 企业应用
    　非常希望有一个预防疲劳的java软件，我看新闻和网站，国防科技大学的科学家累死了，太疲劳，老是加班，不休息，经常吃药，吃药根本就没用，根本原因是疲劳过度。我以前做java,那会公司垃圾，老想赶快学习到东西跳槽离开，搞得超负荷，不明理。深圳做软件开发经常累死人，总有不明理的人，有个软件提醒限制很好，可以挽救很多人的生命。 相关新闻： （1）IT行业成五大疾病重灾区：过劳死平均37.9岁
  • 读《研磨设计模式》-代码笔记-原型模式 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/ /** * Effective Java 建议使用copy constructor or copy factory来代替clone()方法： * 1.public Product copy(Product p){} * 2.publi
  • 配置管理---svn工具之权限配置 chenyu19891124 SVN
    今天花了大半天的功夫，终于弄懂svn权限配置。下面是今天收获的战绩。 安装完svn后就是在svn中建立版本库，比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构 pepos    component    webapps 在conf里面的auth里赋予的权限配置为 [groups]
  • 浅谈程序员的数学修养 comsci 设计模式编程算法面试招聘
                                     浅谈程序员的数学修养
  • 批量执行 bulk collect与forall用法 daizj oraclesqlbulk collectforall
    BULK COLLECT 子句会批量检索结果，即一次性将结果集绑定到一个集合变量中，并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、 FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。     有关FORALL语句的用法请参考：批量SQL之 F
  • Linux下使用rsync最快速删除海量文件的方法 dongwei_6688 OS
    1、先安装rsync：yum install rsync 2、建立一个空的文件夹：mkdir /tmp/test 3、用rsync删除目标目录：rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了，删除的速度会非常快。rsync实际上用的是替换原理，处理数十万个文件也是秒删。
  • Yii CModel中rules验证规格 dcj3sjt126com rulesyiivalidate
    Yii cValidator主要用法分析：  yii验证rulesit 分类： Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError  
  • 基于vagrant的redis主从实验 dcj3sjt126com vagrant
    平台: Mac 工具: Vagrant 系统: Centos6.5 实验目的: Redis主从   实现思路 制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box   制作sentos6.5+redis的box   mkdir vagrant_redis cd vagrant_
  • Memcached(二)、Centos安装Memcached服务器 frank1234 centosmemcached
    一、安装gcc rpm和yum安装memcached服务器连接没有找到，所以我使用的是make的方式安装，由于make依赖于gcc，所以要先安装gcc 开始安装，命令如下，[color=red][b]顺序一定不能出错[/b][/color]： 建议可以先切换到root用户，不然可能会遇到权限问题：su root 输入密码...... rpm -ivh kernel-head
  • Remove Duplicates from Sorted List hcx2013 remove
    Given a sorted linked list, delete all duplicates such that each element appear only once. For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
  • Spring4新特性——JSR310日期时间API的支持 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • 浅谈enum与单例设计模式 247687009 java单例
    在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种)，两者同是私有构 造器，导出静态成员变量，以便调用者访问。 第一种 package singleton; public class Singleton { //导出全局成员 public final static Singleton INSTANCE = new S
  • 使用switch条件语句需要注意的几点 openwrt cbreakswitch
    1. 当满足条件的case中没有break，程序将依次执行其后的每种条件（包括default）直到遇到break跳出 int main() { int n = 1; switch(n) { case 1: printf("--1--\n"); default: printf("defa
  • 配置Spring Mybatis JUnit测试环境的应用上下文 schnell18 springmybatisJUnit
    Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有： 单元测试的app context不支持从外部properties文件注入属性 @Value注解不能解析带通配符的路径字符串 解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。 第二个问题的具体实例是：    
  • Java 定时任务总结一 tuoni javaspringtimerquartztimertask
     Java定时任务总结  一.从技术上分类大概分为以下三种方式：  1.Java自带的java.util.Timer类，这个类允许你调度一个java.util.TimerTask任务;   说明：    java.util.Timer定时器，实际上是个线程，定时执行TimerTask类 &
  • 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法 yangshangchuan rank相似度计算文本相似度词袋模型余弦相似度
    本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法，对于其他的用户生成内容站点类型也具有同样的适用性。   最近在ITEYE博客频道上面出现了一种新型的商业广告形式，方法如下：     1、注册多个账号（一般10个以上）。     2、从多个账号中选择一个账号，发表1-2篇博文
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他