- Houdini:Houdini程序化建模与VEX脚本_2024-07-16_01-51-39.Tex
chenjj4003
游戏开发houdiniphp开发语言cinema4d材质贴图blender
Houdini:Houdini程序化建模与VEX脚本Houdini基础Houdini界面介绍Houdini是一款由SideEffectsSoftware开发的高级3D动画软件,以其强大的程序化建模和视觉特效能力而闻名。Houdini的界面主要由以下几个部分组成:菜单栏:位于窗口顶部,提供文件操作、编辑、视图控制、渲染设置等命令。工具架:包含常用的工具按钮,如创建、编辑、选择工具等。视图区:主要的3
- Farm3D- Learning Articulated 3D Animals by Distilling 2D Diffusion论文笔记
Im Bug
3d论文阅读
Farm3D:LearningArticulated3DAnimalsbyDistilling2DDiffusion1.Introduction最近的研究DreamFusion表明,可以通过text-imagegenerator提取高质量的三维模型,尽管该生成模型并未经过三维训练,但它仍然包含足够的信息以恢复三维形状。在本文中,展示了通过文本-图像生成模型可以获取更多信息,并获得关节模型化的三维对
- 【3D格式转换SDK】HOOPS Exchange技术概览(一):3D 数据处理高效能与定制化
工业3D_大熊
3DCAD开发工具3d3D建模3D模型轻量化3D模型Web可视化3D数据格式转换3D格式转换CAD格式转换
HOOPSExchange是一款专为3D工程应用开发而设计的SDK,旨在助力开发者便捷地访问和重用由CAD与BIM设计应用所生成的3D数据,为3D产品运营提供了强大的数据基础。借助单一且集成化的界面,HOOPSExchange能够高效地导入、转换以及导出超过30种原生及标准格式的3D数据,具体涵盖以下格式:机械计算机辅助设计(MCAD)领域:CATIA、NX、Creo、SOLIDWORKS、Inv
- 神经网络中的Adagrad
化作星辰
神经网络人工智能深度学习
Adagrad(AdaptiveGradient)是一种自适应学习率的优化算法,专门设计用于在训练过程中自动调整每个参数的学习率。这种方法对于处理稀疏数据特别有效,并且非常适合那些需要频繁更新但很少使用的参数的学习任务。###Adagrad的核心思想Adagrad通过累积过去所有梯度平方的和来调整每个权重的学习率。具体来说,它为网络中的每个参数维护一个历史梯度平方和,然后用这个累积值来缩放当前的学
- DeepSeek R1 简单指南:架构、训练、本地部署和硬件要求
爱喝白开水a
人工智能AI大模型DeepSeekR1DeepSeek算法人工智能训练大模型部署
DeepSeek推出的LLM推理新策略DeepSeek最近发表的论文DeepSeek-R1中介绍了一种创新的方法,通过强化学习(RL)提升大型语言模型(LLM)的推理能力。这项研究在如何仅依靠强化学习而不是过分依赖监督式微调的情况下,增强LLM解决复杂问题的能力上,取得了重要进展。DeepSeek-R1技术概述模型架构DeepSeek-R1不是一个单独的模型,而是包括DeepSeek-R1-Zer
- 【python 机器学习】sklearn ROC曲线与AUC指标
人才程序员
杂谈机器学习pythonsklearn人工智能深度学习神经网络目标检测
文章目录sklearnROC曲线与AUC指标1.什么是ROC曲线与AUC?通俗介绍:学术解释:2.在`sklearn`中绘制ROC曲线与计算AUC2.1导入库和数据2.2加载数据集2.3训练模型2.4预测概率2.5计算FPR、TPR和AUC2.6绘制ROC曲线3.解析ROC曲线和AUC值4.总结sklearnROC曲线与AUC指标在机器学习中,评估分类模型的性能不仅仅依赖于准确率,还需要使用一些更
- 壁纸样机神器 2.0 专业版限时内测开启,邀您体验全新升级!
''distance
人工智能
亲爱的用户们,我们非常高兴地向大家宣布,壁纸样机神器2.0专业版现已正式上线内测!这次的版本升级,我们聚焦于为大家提供更加强大、灵活且个性化的功能,助力您的壁纸作品展示达到全新高度,轻松解锁无限创意可能。一、全新功能亮点抢先看(一)背景图设置自定义尺寸:根据您的壁纸作品需求,自由设定背景图尺寸,确保完美适配,呈现最佳视觉效果。图片参数精细调整:亮度、对比度、饱和度等参数随心调,让背景图色彩鲜艳生动
- 月之暗面改进并开源了 Muon 优化算法,对行业有哪些影响?
互联网之路.
知识点开源算法
互联网各领域资料分享专区(不定期更新):Sheet正文月之暗面团队改进并开源的Muon优化算法在深度学习和大模型训练领域引发了广泛关注,其核心创新在于显著降低算力需求(相比AdamW减少48%的FLOPs)并提升训练效率,同时通过开源推动技术生态的共建。1.显著降低大模型训练成本,推动技术普惠算力需求锐减:Muon通过引入权重衰减和一致的RMS更新,解决了原始Muon在大规模训练中的稳定性问题,使
- 深度解析:大模型开源的真与假
rs勿忘初心
#AI大模型大模型开源闭源对比开源闭源区别
目录大模型企业开闭源策略各异开源大模型的定义与现状开源内容的局限性通常开放的内容实际未开放的关键内容法律与商业模式的约束开源许可证的重要性大模型的定制许可证及其限制性条款商业公司对开源大模型的策略和目的建立生态系统吸引开发者提升品牌形象保持竞争优势技术创新和改进技术与协助开发的挑战训练和推理过程的资源需求差异微调和衍生模型的技术实现及其局限性开源大模型在协作开发中的局限总结大模型的发展开启了AIG
- DeepSeek开源周第二弹:DeepEP如何用RDMA+FP8让MoE模型飞起来?
曦紫沐
大模型deepseek
一、引言:MoE模型的通信瓶颈与DeepEP的诞生在混合专家(MoE)模型训练中,专家间的全对全(All-to-All)通信成为性能瓶颈。传统方案在跨节点传输时带宽利用率不足50%,延迟高达300μs以上。DeepSeek推出的DeepEP作为首个开源EP通信库,通过软硬件协同优化,将节点内通信带宽压榨至158GB/s(接近NVLink极限),跨节点RDMA延迟降至46GB/s,成为大模型训练/推
- 利用DSPy优化LangChain RAG系统的实战指南
scaFHIO
langchainpython
利用DSPy优化LangChainRAG系统的实战指南技术背景介绍DSPy是一个用于大语言模型(LLMs)的出色框架,它引入了一个自动编译器,能够教会模型如何执行你程序中的声明性步骤。具体来说,DSPy编译器会在内部追踪你的程序,然后为大型语言模型(LLMs)创建高质量的提示(或为小型LLMs训练自动微调),以教会它们任务的步骤。感谢OmarKhattab的努力,现在DSPy可以与LangChai
- 使用LangChain与GPT4All模型进行交互
bavDHAUO
langchain交互python
技术背景介绍近年来,开源模型和框架在AI技术领域迅猛发展。GPT4All是一个开源的对话机器人生态系统,旨在为用户提供干净的助手数据,包括代码、故事和对话。这篇文章将介绍如何使用LangChain与GPT4All模型进行交互,以实现智能问答功能。核心原理解析GPT4All是基于大型语言模型(LLMs)的开源项目,通过训练大量干净的数据,能够生成高质量的对话和回答。LangChain是一种用于简化与
- 前言:什么是大模型微调
伯牙碎琴
大模型微调深度学习人工智能机器学习大模型微调训练
一、大模型微调的基础知识1.什么是大模型微调?大模型微调(Fine-tuning)是指在预训练模型的基础上,针对特定的任务或数据集进行进一步训练的过程。预训练模型通常在大规模的通用数据上训练,具备广泛的语言理解和生成能力。通过微调,我们可以让模型更好地适应特定的领域或任务,例如情感分析、问答系统、文本生成等。2.为什么需要微调?适应特定任务:通用模型虽然功能强大,但在特定任务上可能表现不够精准。微
- 游戏语音趋势解析,社交互动有助于营造沉浸式体验
网易数智
IM即时通讯游戏人工智能音视频实时音视频信息与通信语音识别
语音交互的新架构出现2024年标志着对话语音AI取得了突破,出现了结合STT→LLM→TTS模型来聆听、推理和回应对话的协同语音系统。OpenAI的ChatGPT语音模式将语音转语音技术变成了现实,引入了基于音频和文本信息进行端到端预训练的模型,这些模型除了文本标记外,还能原生理解和生成音频。虽然OpenAI通过其RealtimeAPI实现的可能还不是完全端到端的,正如其演示中处理中断的挑战所证明
- H100生成式AI效能跃升指南
智能计算研究中心
其他
内容概要作为NVIDIAHopper架构的旗舰产品,H100GPU通过革命性的硬件设计与计算范式重构,为生成式AI工作负载提供了前所未有的加速能力。本文将从芯片架构创新出发,首先解析第四代TensorCore如何通过FP8精度支持与动态指令调度机制,实现矩阵运算效率的指数级提升;继而探讨显存子系统在带宽扩容与智能缓存分配上的突破,揭示其突破生成式AI内存墙的关键路径。在技术实践层面,文章系统梳理了
- 深度学习模型优化与医疗诊断应用突破
智能计算研究中心
其他
内容概要近年来,深度学习技术的迭代演进正在重塑医疗诊断领域的实践范式。随着PyTorch与TensorFlow等开源框架的持续优化,模型开发效率显著提升,为医疗场景下的复杂数据处理提供了技术基座。当前研究聚焦于迁移学习与模型压缩算法的协同创新,通过复用预训练模型的泛化能力与降低计算负载,有效解决了医疗数据样本稀缺与硬件资源受限的痛点问题。与此同时,自适应学习机制通过动态调整网络参数更新策略,在病理
- ZeRO分布式训练策略
AIGC_ZY
大模型分布式
ZeRO分布式训练策略详解一、核心设计原理ZeRO(ZeroRedundancyOptimizer)是微软提出的分布式训练优化框架,与传统数据并行方法不同,ZeRO通过将模型的参数、梯度和优化器状态分散到多个设备上,从而实现内存和计算资源的高效利用。ZeRO通过三级分片策略消除内存冗余,实现超大规模模型训练。其核心演进路线分为三个阶段:1.1ZeRO-1:优化器状态分片分片对象:优化器参数(如Ad
- 今天是我们的节日 1024 程序员节,码动未来,改变世界的神秘力量!
程序员程序员节
今天是我们的节日1024程序员节,码动未来,改变世界的神秘力量!博主小程序体验|博主公众号分享在这个充满科技感的时代,有这样一群人,他们用一行行代码编织着未来的梦想,用智慧和创造力改变着世界的模样。今天,10月24日,程序员节,让我们一起走进这群神秘的“代码魔法师”的世界。程序员,他们是数字世界的建筑师。当我们在手机上轻松滑动,浏览各种信息;当我们在电脑前畅快地玩游戏、办公;当我们享受着各种便捷的
- 《揭秘机器学习中的交叉验证:模型评估的基石》
人工智能机器学习
在机器学习的复杂领域中,构建一个精准有效的模型是众多从业者的核心目标。然而,模型的性能评估绝非易事,它关乎模型能否在实际应用中发挥作用,而交叉验证则是这一过程中的关键技术,是保障模型可靠性与泛化能力的重要手段。交叉验证的核心意义抵御过拟合风险在机器学习的训练过程中,模型可能会过度适应训练数据的细节和噪声,从而在新数据上表现不佳,这就是过拟合现象。交叉验证通过将数据集划分为多个子集,模型在不同子集上
- 音频进阶学习十六——LTI系统的差分方程与频域分析一(频率响应)
山河君
#语音信号处理学习信号处理音视频
文章目录前言一、差分方程的有理式1.差分方程的有理分式2.因果系统和ROC3.稳定性与ROC二、频率响应1.定义2.幅频响应3.相频响应4.群延迟总结前言本篇文章会先复习Z变换的有理分式,这是之前文章中提过的内容,这里会将差分方程和有理分式进行结合来看。主要是通过有理分式进行对于冲激响应的表达,以及根据导函数对于频率响应的介绍。本文会对Z变换的频率响应中的幅频响应、相频响应以及群延迟的表达式进行推
- 扩散模型基本概念
AndrewHZ
深度学习新浪潮扩散模型计算机视觉流形学习生成式模型深度学习次深度学习人工智能
1.核心思想从最原始的DDPM来讲,扩散模型是用变分估计训练的马尔可夫链,相当于VAE+流模型。与标准化流相比,扩散模型的正向过程为预先定义的加噪过程,负责将图像x∼p(x)x\sim{p(x)}x∼
- 利用GPT开发应用005:Codex、Turbo、ChatGPT、GPT-4
翰墨之道
GPT开发GPT应用专栏GPT-1GPT-3GPT开发CodexTurboChatGPT
文章目录一、GPT-3Codex二、GPT-3.5Turbo二、ChatGPT三、GPT-4一、GPT-3Codex 2022年3月,OpenAI发布了GPT-3Codex的新版本。 这个新模型具有编辑和插入文本的能力。它们是通过截至2021年6月的数据进行训练的,并被描述为比之前版本更强大。到2022年11月底,OpenAI开始将这些模型称为GPT-3.5系列的一部分。 Codex系列模型
- 国产唯一开源湖仓框架LakeSoul 2.0 重磅升级:支持快照回滚、Flink和Hive对接
元灵数智
大数据数据库spark
首先,附上Github链接LakeSoul:https://github.com/meta-soul/LakeSoul,可搜索公众号元灵数智,在底部菜单了解我们-用户交流获取官方技术交流群二维码,进群与业内大佬进行技术交流。DMetaSoul团队于7月初发布了LakeSoul2.0版本,对1.0版本进行了多方面升级优化,提高了自身架构设计的灵活性,也更好地适应客户未来业务高速发展的需要。2.0版本
- 使用 LakeSoul 构建实时机器学习样本库
元灵数智
bigdata大数据数据仓库数据库架构数据库开发
首先,附上Github链接LakeSoul:https://github.com/meta-soul/LakeSoul,可搜索公众号元灵数智,在底部菜单了解我们-用户交流获取官方技术交流群二维码,进群与业内大佬进行技术交流。在之前的公众号文章《重磅!开源湖仓平台LakeSoul设计理念详解》中,我们介绍了LakeSoul开源流批一体表存储框架的设计理念和部分实现原理。LakeSoul设计的初衷,是
- ASFF算法
神笔馬良
Python入门知识深度学习人工智能
1.特征金字塔的缺点:对于单发检测器,在不同尺度上的不一致。2.采用启发式引导的特征选择:大实例通常与上层特征映射相关联,小实例与下层特征映射相关联。3.解决的问题:如果一幅图像同时包含大小目标,则不同层次特征之间的冲突往往占据特征金字塔的主要部分。这种不一致性干扰了训练过程中的梯度计算,降低了特征金字塔的有效性。4.这个问题存在的原因:当一个对象在某一层特征图中被赋值并被视为正值时,其他层特征图
- 最全中文对话数据集(不定期更新)
数据猎手小k
人工智能大数据
随着人工智能技术的发展,自然语言处理(NLP)领域中的对话系统逐渐成为研究的热点。为了提升对话系统的性能,需要大量的高质量对话数据来训练和优化模型。然而,中文对话数据相对于英文来说较为稀缺,且质量参差不齐,这限制了中文对话系统的发展。因此,构建大规模、高质量的中文对话数据集成为了一个迫切的需求。一、研究意义1、推动中文NLP发展:大规模高质量的中文对话数据集能够为中文自然语言处理领域的研究提供基础
- 【保姆级视频教程(二)】YOLOv12训练数据集构建:标签格式转换-划分-YAML 配置 避坑指南 | 小白也能轻松玩转目标检测!
一只云卷云舒
YOLOv12保姆级通关教程YOLO目标检测人工智能Ultralytics数据集YOLOv12小白教程
【2025全站首发】YOLOv12训练数据集构建:标签格式转换-划分-YAML配置避坑指南|小白也能轻松玩转目标检测!文章目录1.数据集准备1.1标签格式转换1.2数据集划分1.3yaml配置文件创建2.训练验证1.数据集准备示例数据集下载链接:PKU-Market-PCB数据集1.1标签格式转换cursorprompt请撰写一个py脚本。将@Annotations文件夹下的所有类别的xml格式的
- DeepSeek全栈接入指南:从零到生产环境的深度实践
量子纠缠BUG
DeepSeek部署AIDeepSeek人工智能深度学习机器学习
第一章:DeepSeek技术体系全景解析1.1认知DeepSeek技术生态DeepSeek作为新一代人工智能技术平台,构建了覆盖算法开发、模型训练、服务部署的全链路技术栈。其核心能力体现在:1.1.1多模态智能引擎自然语言处理:支持文本生成(NLG)、语义理解(NLU)、情感分析等计算机视觉:提供图像分类、目标检测、OCR识别等CV能力语音交互:包含语音识别(ASR)、语音合成(TTS)及声纹识别
- 消费者产品报告2025-在通用人工智能时代重新获得相关性报告300+份集萃解读|附PDF下载
数据挖掘深度学习机器学习算法
原文链接:https://tecdat.cn/?p=40823在全球经济形势复杂多变、技术革新加速的当下,消费品行业正经历深刻变革。本报告汇总解读基于权威数据,深入剖析该行业在2024-2025年的发展态势,为企业提供市场洞察与策略建议,助力其在通用人工智能时代找准方向、重塑竞争优势。本报告汇总洞察基于文末470份消费者行业研究报告的数据,报告合集已分享在交流群,阅读原文进群和500+行业人士共同
- 2025,AI变现有哪些机遇与挑战?
Imagination官方博客
人工智能
大模型的能力边界在不断拓宽,主流云端大模型普遍具备了多模态推理能力。技术路线上,也不再局限于算力堆叠,而是探索强化学习、符号推理、类脑计算等新路径。并且,投入更小、更垂直的小模型涌现,为特定领域的应用提供了更高效的解决方案。与此同时,我国大模型领域仍然存在多方面痛点,例如:云端训练成本高、高端算力存在“卡脖子”风险、优质数据匮乏、人才缺口、AI算法开源生态仍需强化、数据安全和隐私问题等等,仍是市场
- 多线程编程之卫生间
周凡杨
java并发卫生间线程厕所
如大家所知,火车上车厢的卫生间很小,每次只能容纳一个人,一个车厢只有一个卫生间,这个卫生间会被多个人同时使用,在实际使用时,当一个人进入卫生间时则会把卫生间锁上,等出来时打开门,下一个人进去把门锁上,如果有一个人在卫生间内部则别人的人发现门是锁的则只能在外面等待。问题分析:首先问题中有两个实体,一个是人,一个是厕所,所以设计程序时就可以设计两个类。人是多数的,厕所只有一个(暂且模拟的是一个车厢)。
- How to Install GUI to Centos Minimal
sunjing
linuxInstallDesktopGUI
http://www.namhuy.net/475/how-to-install-gui-to-centos-minimal.html
I have centos 6.3 minimal running as web server. I’m looking to install gui to my server to vnc to my server. You can insta
- Shell 函数
daizj
shell函数
Shell 函数
linux shell 可以用户定义函数,然后在shell脚本中可以随便调用。
shell中函数的定义格式如下:
[function] funname [()]{
action;
[return int;]
}
说明:
1、可以带function fun() 定义,也可以直接fun() 定义,不带任何参数。
2、参数返回
- Linux服务器新手操作之一
周凡杨
Linux 简单 操作
1.whoami
当一个用户登录Linux系统之后,也许他想知道自己是发哪个用户登录的。
此时可以使用whoami命令。
[ecuser@HA5-DZ05 ~]$ whoami
e
- 浅谈Socket通信(一)
朱辉辉33
socket
在java中ServerSocket用于服务器端,用来监听端口。通过服务器监听,客户端发送请求,双方建立链接后才能通信。当服务器和客户端建立链接后,两边都会产生一个Socket实例,我们可以通过操作Socket来建立通信。
首先我建立一个ServerSocket对象。当然要导入java.net.ServerSocket包
ServerSock
- 关于框架的简单认识
西蜀石兰
框架
入职两个月多,依然是一个不会写代码的小白,每天的工作就是看代码,写wiki。
前端接触CSS、HTML、JS等语言,一直在用的CS模型,自然免不了数据库的链接及使用,真心涉及框架,项目中用到的BootStrap算一个吧,哦,JQuery只能算半个框架吧,我更觉得它是另外一种语言。
后台一直是纯Java代码,涉及的框架是Quzrtz和log4j。
都说学前端的要知道三大框架,目前node.
- You have an error in your SQL syntax; check the manual that corresponds to your
林鹤霄
You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'option,changed_ids ) values('0ac91f167f754c8cbac00e9e3dc372
- MySQL5.6的my.ini配置
aigo
mysql
注意:以下配置的服务器硬件是:8核16G内存
[client]
port=3306
[mysql]
default-character-set=utf8
[mysqld]
port=3306
basedir=D:/mysql-5.6.21-win
- mysql 全文模糊查找 便捷解决方案
alxw4616
mysql
mysql 全文模糊查找 便捷解决方案
2013/6/14 by 半仙
[email protected]
目的: 项目需求实现模糊查找.
原则: 查询不能超过 1秒.
问题: 目标表中有超过1千万条记录. 使用like '%str%' 进行模糊查询无法达到性能需求.
解决方案: 使用mysql全文索引.
1.全文索引 : MySQL支持全文索引和搜索功能。MySQL中的全文索
- 自定义数据结构 链表(单项 ,双向,环形)
百合不是茶
单项链表双向链表
链表与动态数组的实现方式差不多, 数组适合快速删除某个元素 链表则可以快速的保存数组并且可以是不连续的
单项链表;数据从第一个指向最后一个
实现代码:
//定义动态链表
clas
- threadLocal实例
bijian1013
javathreadjava多线程threadLocal
实例1:
package com.bijian.thread;
public class MyThread extends Thread {
private static ThreadLocal tl = new ThreadLocal() {
protected synchronized Object initialValue() {
return new Inte
- activemq安全设置—设置admin的用户名和密码
bijian1013
javaactivemq
ActiveMQ使用的是jetty服务器, 打开conf/jetty.xml文件,找到
<bean id="adminSecurityConstraint" class="org.eclipse.jetty.util.security.Constraint">
<p
- 【Java范型一】Java范型详解之范型集合和自定义范型类
bit1129
java
本文详细介绍Java的范型,写一篇关于范型的博客原因有两个,前几天要写个范型方法(返回值根据传入的类型而定),竟然想了半天,最后还是从网上找了个范型方法的写法;再者,前一段时间在看Gson, Gson这个JSON包的精华就在于对范型的优雅简单的处理,看它的源代码就比较迷糊,只其然不知其所以然。所以,还是花点时间系统的整理总结下范型吧。
范型内容
范型集合类
范型类
- 【HBase十二】HFile存储的是一个列族的数据
bit1129
hbase
在HBase中,每个HFile存储的是一个表中一个列族的数据,也就是说,当一个表中有多个列簇时,针对每个列簇插入数据,最后产生的数据是多个HFile,每个对应一个列族,通过如下操作验证
1. 建立一个有两个列族的表
create 'members','colfam1','colfam2'
2. 在members表中的colfam1中插入50*5
- Nginx 官方一个配置实例
ronin47
nginx 配置实例
user www www;
worker_processes 5;
error_log logs/error.log;
pid logs/nginx.pid;
worker_rlimit_nofile 8192;
events {
worker_connections 4096;}
http {
include conf/mim
- java-15.输入一颗二元查找树,将该树转换为它的镜像, 即在转换后的二元查找树中,左子树的结点都大于右子树的结点。 用递归和循环
bylijinnan
java
//use recursion
public static void mirrorHelp1(Node node){
if(node==null)return;
swapChild(node);
mirrorHelp1(node.getLeft());
mirrorHelp1(node.getRight());
}
//use no recursion bu
- 返回null还是empty
bylijinnan
javaapachespring编程
第一个问题,函数是应当返回null还是长度为0的数组(或集合)?
第二个问题,函数输入参数不当时,是异常还是返回null?
先看第一个问题
有两个约定我觉得应当遵守:
1.返回零长度的数组或集合而不是null(详见《Effective Java》)
理由就是,如果返回empty,就可以少了很多not-null判断:
List<Person> list
- [科技与项目]工作流厂商的战略机遇期
comsci
工作流
在新的战略平衡形成之前,这里有一个短暂的战略机遇期,只有大概最短6年,最长14年的时间,这段时间就好像我们森林里面的小动物,在秋天中,必须抓紧一切时间存储坚果一样,否则无法熬过漫长的冬季。。。。
在微软,甲骨文,谷歌,IBM,SONY
- 过度设计-举例
cuityang
过度设计
过度设计,需要更多设计时间和测试成本,如无必要,还是尽量简洁一些好。
未来的事情,比如 访问量,比如数据库的容量,比如是否需要改成分布式 都是无法预料的
再举一个例子,对闰年的判断逻辑:
1、 if($Year%4==0) return True; else return Fasle;
2、if ( ($Year%4==0 &am
- java进阶,《Java性能优化权威指南》试读
darkblue086
java性能优化
记得当年随意读了微软出版社的.NET 2.0应用程序调试,才发现调试器如此强大,应用程序开发调试其实真的简单了很多,不仅仅是因为里面介绍了很多调试器工具的使用,更是因为里面寻找问题并重现问题的思想让我震撼,时隔多年,Java已经如日中天,成为许多大型企业应用的首选,而今天,这本《Java性能优化权威指南》让我再次找到了这种感觉,从不经意的开发过程让我刮目相看,原来性能调优不是简单地看看热点在哪里,
- 网络学习笔记初识OSI七层模型与TCP协议
dcj3sjt126com
学习笔记
协议:在计算机网络中通信各方面所达成的、共同遵守和执行的一系列约定 计算机网络的体系结构:计算机网络的层次结构和各层协议的集合。 两类服务: 面向连接的服务通信双方在通信之前先建立某种状态,并在通信过程中维持这种状态的变化,同时为服务对象预先分配一定的资源。这种服务叫做面向连接的服务。 面向无连接的服务通信双方在通信前后不建立和维持状态,不为服务对象
- mac中用命令行运行mysql
dcj3sjt126com
mysqllinuxmac
参考这篇博客:http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html 感觉workbench不好用(有点先入为主了)。
1,安装mysql
在mysql的官方网站下载 mysql 5.5.23 http://www.mysql.com/downloads/mysql/,根据我的机器的配置情况选择了64
- MongDB查询(1)——基本查询[五]
eksliang
mongodbmongodb 查询mongodb find
MongDB查询
转载请出自出处:http://eksliang.iteye.com/blog/2174452 一、find简介
MongoDB中使用find来进行查询。
API:如下
function ( query , fields , limit , skip, batchSize, options ){.....}
参数含义:
query:查询参数
fie
- base64,加密解密 经融加密,对接
y806839048
经融加密对接
String data0 = new String(Base64.encode(bo.getPaymentResult().getBytes(("GBK"))));
String data1 = new String(Base64.decode(data0.toCharArray()),"GBK");
// 注意编码格式,注意用于加密,解密的要是同
- JavaWeb之JSP概述
ihuning
javaweb
什么是JSP?为什么使用JSP?
JSP表示Java Server Page,即嵌有Java代码的HTML页面。使用JSP是因为在HTML中嵌入Java代码比在Java代码中拼接字符串更容易、更方便和更高效。
JSP起源
在很多动态网页中,绝大部分内容都是固定不变的,只有局部内容需要动态产生和改变。
如果使用Servl
- apple watch 指南
啸笑天
apple
1. 文档
WatchKit Programming Guide(中译在线版 By @CocoaChina) 译文 译者 原文 概览 - 开始为 Apple Watch 进行开发 @星夜暮晨 Overview - Developing for Apple Watch 概览 - 配置 Xcode 项目 - Overview - Configuring Yo
- java经典的基础题目
macroli
java编程
1.列举出 10个JAVA语言的优势 a:免费,开源,跨平台(平台独立性),简单易用,功能完善,面向对象,健壮性,多线程,结构中立,企业应用的成熟平台, 无线应用 2.列举出JAVA中10个面向对象编程的术语 a:包,类,接口,对象,属性,方法,构造器,继承,封装,多态,抽象,范型 3.列举出JAVA中6个比较常用的包 Java.lang;java.util;java.io;java.sql;ja
- 你所不知道神奇的js replace正则表达式
qiaolevip
每天进步一点点学习永无止境纵观千象regex
var v = 'C9CFBAA3CAD0';
console.log(v);
var arr = v.split('');
for (var i = 0; i < arr.length; i ++) {
if (i % 2 == 0) arr[i] = '%' + arr[i];
}
console.log(arr.join(''));
console.log(v.r
- [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics)
superlxw1234
hivehive分析表hive统计信息hive Statistics
关键字:Hive统计信息、分析Hive表、Hive Statistics
类似于Oracle的分析表,Hive中也提供了分析表和分区的功能,通过自动和手动分析Hive表,将Hive表的一些统计信息存储到元数据中。
表和分区的统计信息主要包括:行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等;
14.1 新表的统计信息
对于一个新创建
- Spring Boot 1.2.5 发布
wiselyman
spring boot
Spring Boot 1.2.5已在7月2日发布,现在可以从spring的maven库和maven中心库下载。
这个版本是一个维护的发布版,主要是一些修复以及将Spring的依赖提升至4.1.7(包含重要的安全修复)。
官方建议所有的Spring Boot用户升级这个版本。
项目首页 | 源