1704阳涛
1704阳涛

读《一分钟口才训练》有感

《一分钟口才训练》这本书有很多个版本，我看的是由杨少丹所编著。本书共分为六个部分，分别从不同的方面对说话技巧进行介绍和分析，并各附经典案例，通俗易懂，风趣幽默，让读者可身临其境的感受各种沟通场景，他将教你与陌生人沟通的技巧和与熟人相处的法则，让你学会说服他人，也学会婉言说过，让你懂得规避祸患，更滋润生活！

享誉世界的成功学大师戴尔·卡耐基说过：“一个人的成功，只有15%归于他的专业知识，还有85%归于他表达思想、领导他人及唤起他人热情的能力。”由此可见，口才很重要。口才是人际交流的重要工具，从某种角度来说，一个人的生活质量和生命质量，与她的口才所带来的影响力有着非常重要的关系。

这本书有一部分讲了，让我们与陌生人说话，要找准切入点，对症下药，才能让对方乐于接受。首先，要先对陌生人进行必要的了解，没有把握的话不要乱说。其次，跟陌生人谈话，不要长篇大论，漫无边际，要适时切入主题。另外注意，不能随便打听别人的秘密问题。我认为是十分正确的，如果你与陌生人说话时，抱着试试看的心理，胡话连篇，那么对方一定不会再与你继续交流！从而，你也很难交到新朋友。同样，当你与朋友说话时，不顾及朋友的情绪，你很可能会失去你已经交到的朋友，因此我认为口才是十分重要的，它能帮助我们处理好与他人的关系，结交更多的朋友，拥有更为广泛的人际关系。比如说有许多人，因为，不会说话，而失去自己的工作，我们要避免这种情况的出现。

台湾著名成功学家林道安说过：“一个人不会说话，那是因为他不知道对方需要听什么样的话。假如你能像一个侦察兵一样，看透对方的心理活动，你就会知道，说话的力量是多么巨大了！让我们去锻炼我们的口才吧！

你可能感兴趣的:(读《一分钟口才训练》有感)

  • 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
  • haclon模板匹配 CallZhang210 haclon视觉检测
    *打开窗口dev_open_window(0,0,512,512,'black',WindowHandle)*显示图像（用于创建模板的图像）read_image(Image,'D:/训练照片/4.png')dev_display(Image)*在图像上手动绘制ROI，即选择绘制的模板区域draw_rectangle1(WindowHandle,Row1,Column1,Row2,Column2)*
  • 自编码器（Autoencoders） 路野yue 机器学习人工智能深度学习
    自编码器（Autoencoders）:自编码器由编码器和解码器组成，编码器将输入数据压缩为低维表示，解码器将其还原为原始数据。通过训练，自编码器能够学习数据的有效表示，常用于降维和特征提取。相比于独立模型，它的输入输出更灵活，且可以在输入完成后在完成解码。1.基本结构自编码器由两部分组成：编码器（Encoder）：将输入数据压缩为低维表示（编码）。解码器（Decoder）：从编码中重建原始数据。2
  • 深度学习重要论文阅读笔记 ResNet （2025.2.26） 北岛寒沫 逐界星辰2025计算机科研深度学习论文阅读笔记
    文章目录问题背景数据预处理神经网络模型模型性能知识点积累英语单词积累问题背景随着神经网络变得更深（层数变多），模型的训练过程也会变得更加困难。当神经网络的深度增加，就会出现梯度消失和梯度下降现象，妨碍模型的收敛。不过，这种情况可以通过归一化的模型初始化和中间的归一化层基本解决。但是，尽管在增加了归一化技术的情况下很深的神经网络可以收敛，又出现了另外一个问题，即随着模型深度的增加，模型的准确率反而下
  • 大语言模型原理与工程实践：Transformer 大语言模型预训练 AI天才研究院 计算ChatGPTtransformer
    大语言模型原理与工程实践：Transformer大语言模型预训练关键词：大语言模型、预训练、Transformer、自监督学习、计算资源、数据处理文章目录大语言模型原理与工程实践：Transformer大语言模型预训练1.背景介绍1.1问题的由来1.2研究现状1.3研究意义1.4本文结构2.核心概念与联系2.1大语言模型（LargeLanguageModels，LLMs）2.2预训练（Pre-tr
  • 大模型核心技术原理: Transformer架构详解！ 大模型猫叔 transformer架构深度学习人工智能学习机器学习算法
    在大模型发展历程中，有两个比较重要点：第一，Transformer架构。它是模型的底座，但Transformer不等于大模型，但大模型的架构可以基于Transformer；第二，GPT。严格意义上讲，GPT可能不算是一个模型，更像是一种预训练范式，它本身模型架构是基于Transformer，但GPT引入了“预测下一个词”的任务，即不断通过前文内容预测下一个词。之后，在大量的数据上进行学习才达到大模
  • 大模型最新面试题系列：深度学习基础（二） 人肉推土机 大模型最新面试题集锦大全AI编程人工智能pytorchpython面试
    21.解释模型容量与过拟合的关系，如何在理论上平衡两者？模型容量与过拟合的关系模型容量指的是模型能够学习的复杂模式的能力，通常与模型的参数数量、网络结构的复杂度等相关。过拟合是指模型在训练数据上表现很好，但在未见过的测试数据上表现不佳。当模型容量较低时，模型可能无法学习到数据中的复杂模式，导致欠拟合，即在训练集和测试集上的表现都较差。随着模型容量的增加，模型能够学习到更复杂的模式，在训练集上的表现
  • Shell Script 编程笔记 huangpg丶 SupportingTechnology
    考虑下面两个场景：场景一：我们在训练深度网络模型过程中保存了10个不同epoch模型。我们希望通过测试集验证每个模型的性能。每次对模型进行测试集验证需要30分钟，对于原始的操作方式，每次验证需要在终端手动输入一条指令，等待30分钟后程序运行结束，然后复制窗口输出的模型性能信息手动保存。再输入指令测试下一个模型，再进行等待......场景二：现在有一个任务需要进行视频内的行人检测和行人重识别，如果我
  • DeepSeek 高阶应用技术详解（4） Evaporator Core #DeepSeek快速入门DeepSeek进阶开发与应用deepseek
    1.引言在前三篇中，我们探讨了DeepSeek的基础功能、分布式训练、模型优化、模型解释性、超参数优化以及AutoML的应用。本篇将深入探讨DeepSeek在时间序列分析、图神经网络（GNN）和推荐系统中的应用。这些领域是深度学习的前沿方向，具有广泛的实际应用价值。2.DeepSeek在时间序列分析中的应用2.1时间序列分析简介时间序列分析是处理时间相关数据的重要技术，广泛应用于金融、气象、医疗等
  • DeepSeek开源周合集 Vip.Gong 人工智能transformerchatgpt文心一言pythonscikit-learn深度学习
    周一：FlashMLA，核心成就：GPU带宽利用接近理论极限，算力利用效率翻倍；周二：DeepEP，一个高效的MOE架构专家并行通信库：支持高效且优化后的全对全通信使用NVlink和RDMA进行节点内和节点间通信用于训练和推理填充的高吞吐量内核用于推理解码的低延迟内核原生支持FP8操作实现灵活的GPU资源控制，实现计算与通信重叠周三：DeepGEMM，一个通用的GEMM广义矩阵乘法库，支持FP8精
  • 记一次pytorch训练loss异常的问题 lyyiangang pytorch人工智能python
    记一次pytorch训练loss异常的问题问题描述使用mmdetection框架训练时，某项loss出现异常大的值，比如1781232349724294.000。这个问题只在多卡训练时才会出现。解决方法在确认target和predction没有问题后，发现是在dataset中的数据处理出现了问题。在dataset中的__getitem__函数中，对数据进行了处理，但是在处理时，将数据转换为了num
  • 机器学习中的过拟合、欠拟合与正则化 喜-喜 人工智能机器学习人工智能
      在机器学习的世界里，过拟合与欠拟合是模型训练过程中常常会遇到的两大问题，而正则化则是应对过拟合的重要手段。理解它们对于构建高性能的机器学习模型至关重要。一、过拟合与欠拟合（一）过拟合  定义：过拟合指的是模型在训练数据上表现得非常好，几乎能完美地拟合训练数据中的每一个细节，但在测试数据或新数据上却表现很差，泛化能力极低。简单来说，就是模型过度学习了训练数据中的噪声和细节，而忽略了数据背后的真实
  • 优秀源头定制线束源头供应商-力可欣: 新能源储能线束领域的先行者 港澳粤生活网 人工智能
    定制线束生产源头供应商-力可欣:新能源储能线束领域的先行者在新能源储能产业蓬勃发展的时代浪潮中，力可欣电子以卓越的技术实力和创新精神以及高瞻远瞩的战略布局，成为新能源汽车、便携式家庭储能、工商业储能、大储领域高压线束的先行者。力可欣电子深耕汽车线束领域二十四载，锤炼锻造厚积薄发，是汽车线束、新能源储能线束、高压线束定制生产源头厂家。公司拥有标准线束生产车间，拥有先进的自动化生产设备和训练有素的生产
  • 通义灵码 - 你的 AI 智能编码小助手 甘蓝聊Java 【更新中...】项目中的那些事人工智能AI通义灵码Java编码助手
    文章目录核心功能快速安装版本选择安装插件登录通义灵码相关配置体验功能基础功能研发智能问答AI程序员体验有感参考官网：https://lingma.aliyun.com/⭐版本：2.0.3【截至2025/02/05】❓简介：通义灵码，一款基于通义大模型的智能编码辅助工具。支持多种编程语言，比如Java、Go、Python、JavaScript、TypeScript等支持多种IDE，比如IDEA、VS
  • KNN 算法优化实战分享 轻口味 算法与实践算法
    KNN算法优化实战分享KNN算法优化实战分享一、引言1.KNN算法的核心思想与特点KNN（K-NearestNeighbors）算法是一种基于距离的相似性分类与回归算法。其核心原理是：对于一个待预测样本，计算其与训练集中所有样本的距离，选取距离最近的K个样本，根据这K个样本的标签进行投票（分类）或均值计算（回归），从而得到待预测样本的标签。KNN算法具有以下核心优势：无需训练：与其他需要通过大量数
  • 大模型成本优化实战：从分布式训练到量化剪枝，轻松降低AI计算开销 网罗开发 AI大模型人工智能机器学习深度学习
    网罗开发（小红书、快手、视频号同名）  大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、HarmonyOS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。图书作者：《ESP32-C3物联网工程开发实战》图书作者：《SwiftUI入门，进阶与实战》超级个体：CO
  • 基于大模型的肺纤维化预测及临床方案研究报告 LCG元 围术期危险因子预测模型研究人工智能
    目录一、引言1.1研究背景与意义1.2研究目的与方法二、大模型技术概述2.1大模型的基本原理2.2大模型在医疗领域的应用现状三、肺纤维化相关知识3.1肺纤维化的病因与发病机制3.2肺纤维化的临床症状与诊断方法3.3肺纤维化的治疗现状与挑战四、大模型预测肺纤维化的方法4.1数据收集与预处理4.2模型选择与构建4.3模型训练与优化4.4模型评估与验证五、大模型在肺纤维化术前预测中的应用5.1手术风险评
  • KNN 算法性能跃升秘籍：优化实战，打造高效分类利器！ 清水白石008 开发语言学习笔记人工智能算法分类机器学习
    KNN算法性能跃升秘籍：优化实战，打造高效分类利器！今天，我想和大家深入探讨一种经典而实用的机器学习算法——K近邻(K-NearestNeighbors,KNN)。KNN算法以其原理简单、易于实现、无需显式训练等特点，在模式识别、分类、回归等领域得到了广泛应用。然而，正如任何算法一样，基础的KNN算法也存在着性能瓶颈，尤其是在处理大规模数据集和高维度特征时，其计算效率和预测精度都可能受到挑战。你是
  • 代码随想录训练营DAY07 程序员正在诞生中 代码随想录打卡python开发语言算法哈希算法
    四数相加classSolution(object):deffourSumCount(self,nums1,nums2,nums3,nums4):""":typenums1:List[int]:typenums2:List[int]:typenums3:List[int]:typenums4:List[int]:rtype:int"""dict={}foriinnums1:forjinnums2:i
  • 《李航 统计学习方法》学习笔记——第八章提升方法 eveiiii 统计学习python机器学习人工智能算法
    提升方法8.1提升方法AdaBoost8.1.1提升方法的基本思路8.1.2AdaBoost算法8.1.3AdaBoost的例子（代码实现）8.2AdaBoost算法的训练误差分析定理8.1AdaBoost训练误差界定理8.2二分类问题AdaBoost训练误差界8.3AdaBoost算法的解释8.3.1前向分步算法8.3.2前向分步算法与AdaBoost8.4提升树8.4.1提升树模型8.4.2提
  • Cassini_Network-Aware Job Schedulingin Machine Learning Clusters 一只积极向上的小咸鱼 机器学习人工智能
    这篇论文介绍了CASSINI，一种用于机器学习（ML）集群的网络感知作业调度器。研究背景背景介绍:这篇文章的研究背景是深度学习数据集和模型规模的不断增长，对高效GPU集群的需求日益增加。分布式机器学习训练工作负载的通信开销占据了训练迭代时间的很大一部分，而现有的ML调度器往往忽略了ML训练作业的通信模式。研究问题:该问题的研究目标是开发一种简单而有效的方法，能够在网络链路中高效地放置多个ML作业，
  • 用于训练基于pytorch构建的小型字符级语言模型的数据集汇总 搏博 大模型pytorch语言模型人工智能python学习机器学习
    前文，我们从零开始基于transformer框架在pytorch上构建一个小型字符级语言模型，并编写了完整的python示例，模型是需要训练的，所以在原有代码的基础上，我们寻找一些公开的数据集对模型进行训练。本文需要先了解的前置内容以及代码（如果不训练，仅看如何获取数据集，就可以跳过这部分），可以看的我文章：从零开始构建一个小型字符级语言模型的完整详细教程（基于Transformer架构）-CSD
  • Linux 第二次脚本作业 ...:...:... linux运维服务器
    1、需求：判断192.168.1.0/24网络中，当前在线的ip有哪些，并编写脚本打印出来。2、设计一个Shell程序，在/userdata目录下建立50个目录，即user1~user50，并设置每个目录的权限，其中其他用户的权限为:读;文件所有者的权限为:读、写、执行;文件所有者所在组的权限为:读、执行一、我自己的网段是80，我有两个机子，IP分别为192.168.80.11192.168.80
  • AI 平台技术架构设计方案 数研妙手 AI技术实践人工智能
    一、引言随着人工智能技术的广泛应用，构建一个高效、灵活且可扩展的AI平台至关重要。本方案旨在提供一个全面的AI平台技术架构设计，以满足不同场景下的AI开发、训练、部署和管理需求。二、设计目标高效性：确保在训练和推理过程中能够充分利用计算资源，快速处理大量数据，缩短训练时间和推理延迟。灵活性：支持多种AI框架、算法和模型，能够适应不同的业务场景和需求变化。可扩展性：易于扩展计算资源、存储容量和功能模
  • 多模态｜开源多模态模型Emu3 & 多模态预训练模型CLIP对比 产品媛Gloria Deng AI之眼人工智能AI多模态预训练模型CLIP
    Emu3官方介绍我们推出了Emu3，这是一套新的最先进的多模态模型，仅使用next-token预测进行训练！通过将图像、文本和视频分词到一个离散空间中，我们在多模态序列的混合上从头开始训练单个转换器。Emu3在生成和感知方面都表现出色Emu3在生成和感知任务方面都优于几个成熟的任务特定模型，超越了SDXL、LLaVA-1.6和OpenSora-1.2等旗舰开放模型，同时消除了对扩散或组合架构的需求
  • 第十三站：卷积神经网络（CNN）的优化 武狐肆骸 机器学习cnn人工智能神经网络
    前言：在上一期我们构建了基本的卷积神经网络之后，接下来我们将学习一些提升网络性能的技巧和方法。这些优化技术包括数据增强、网络架构的改进、正则化技术。1.数据增强（DataAugmentation）数据增强是提升深度学习模型泛化能力的一种常见手段。通过对训练数据进行各种随机变换，可以生成更多的训练样本，帮助模型避免过拟合。常见的数据增强方法：旋转（Rotation）：随机旋转图像，增强模型对旋转变换
  • 巨型计算机是未来新型计算机吗,未来计算机技术展望 国观智库 巨型计算机是未来新型计算机吗
    未来计算机技术展望1、前言计算机的发展将趋向巨型化、微型化、网络化多媒体化和智能化。自从1944年世界上第一台电子计算机诞生以来，计算机技术迅猛发展，传统计算机的性能受到挑战，开始从基本原理上寻找计算机发展的突破口，新型计算机的研发应运而生。未来量子、光子、分子和纳米计算机将具有感知、思考、判断、学习以及一定的自然语言能力，使计算机进人人工智能时代。这种新型计算机将推动新一轮计算技术革命，对人类社
  • 智能算法的全面应用：量子计算与自动化学习在各行业的创新路径探索 智能计算研究中心 其他
    内容概要在现代社会，智能算法的应用逐渐渗透到各个行业，成为推动科技进步的重要力量。自动化机器学习算法通过简化模型训练和调优的过程，为数据科学家节省了大量时间。可解释性算法则旨在让模型的决策过程更加透明，从而提高用户对算法决策的信任。此外，量子算法以其独特的计算能力，展现出在处理复杂问题时潜在的优势。金融风控领域通过运用金融风险预测模型，不仅提高了风险管理效率，还提升了预警能力。医疗影像分析则借助卷
  • 大模型之二十七-语音识别Whisper实例浅析 shichaog 神经网络&人工智能语音识别whisper人工智能
    Whisper简介Whisper是OpenAI于2022年9月开源的一个多语种识别模型，目前支持99种语言，是目前性能最好的开源多语种识别ASR大模型，第一版版使用了68万小时标注好的语料预训练模型，而large-v3的标注数据超过了500万小时，其paper中并没透露使用语料的详细来源，估计是爬了一些版权数据，在Huggingface上提到模型有很强的泛化能力，能够在未经特定训练的情况下处理新的
  • 适合 C++ 学习的开源项目——在 GitHub 学编程 java领域 javaspring数据库架构数据库开发sql
    俗话说：万事开头难，学习编程也是一样。在HelloGitHub的群里，经常遇到有小伙伴询问编程语言如何入门方面的问题，如：我要学习某一门编程语言，有什么开源项目可以推荐吗？我是某编程语言的新手，有什么练手的项目推荐吗？等等See，这就是本系列文章的由来，我们希望学习各类编程语言的同学们，读（Mark）完我们的入门系列，可以找到学习的方向、系统的学习某一门语言，然后做个简单的小玩意，不只是Hello
  • springmvc 下 freemarker页面枚举的遍历输出 杨白白 enumfreemarker
    spring mvc freemarker 中遍历枚举 1枚举类型有一个本地方法叫values（），这个方法可以直接返回枚举数组。所以可以利用这个遍历。 enum public enum BooleanEnum { TRUE(Boolean.TRUE, "是"), FALSE(Boolean.FALSE, "否");
  • 实习简要总结 byalias 工作
    来白虹不知不觉中已经一个多月了，因为项目还在需求分析及项目架构阶段，自己在这段 时间都是在学习相关技术知识，现在对这段时间的工作及学习情况做一个总结： （1）工作技能方面 大体分为两个阶段，Java Web 基础阶段和Java EE阶段 1）Java Web阶段 在这个阶段，自己主要着重学习了 JSP, Servlet, JDBC, MySQL，这些知识的核心点都过 了一遍，也
  • Quartz——DateIntervalTrigger触发器 eksliang quartz
    转载请出自出处：http://eksliang.iteye.com/blog/2208559 一.概述 simpleTrigger 内部实现机制是通过计算间隔时间来计算下次的执行时间，这就导致他有不适合调度的定时任务。例如我们想每天的 1：00AM 执行任务，如果使用 SimpleTrigger，间隔时间就是一天。注意这里就会有一个问题，即当有 misfired 的任务并且恢复执行时，该执行时间
  • Unix快捷键 18289753290 unixUnix；快捷键;
    复制，删除，粘贴： dd:删除光标所在的行                             &nbs
  • 获取Android设备屏幕的相关参数 酷的飞上天空 android
    包含屏幕的分辨率  以及 屏幕宽度的最大dp 高度最大dp   TextView text = (TextView)findViewById(R.id.text); DisplayMetrics dm = new DisplayMetrics(); text.append("getResources().ge
  • 要做物联网？先保护好你的数据 蓝儿唯美 数据
    根据Beecham Research的说法，那些在行业中希望利用物联网的关键领域需要提供更好的安全性。 在Beecham的物联网安全威胁图谱上，展示了那些可能产生内外部攻击并且需要通过快速发展的物联网行业加以解决的关键领域。 Beecham Research的技术主管Jon Howes说：“之所以我们目前还没有看到与物联网相关的严重安全事件，是因为目前还没有在大型客户和企业应用中进行部署，也就
  • Java取模（求余）运算 随便小屋 java
            整数之间的取模求余运算很好求，但几乎没有遇到过对负数进行取模求余，直接看下面代码： /** * * @author Logic * */ public class Test { public static void main(String[] args) { // TODO A
  • SQL注入介绍 aijuans sql注入
    二、SQL注入范例 这里我们根据用户登录页面 <form action="" > 用户名：<input type="text" name="username"><br/> 密 码：<input type="password" name="passwor
  • 优雅代码风格 aoyouzi 代码
    总结了几点关于优雅代码风格的描述： 代码简单：不隐藏设计者的意图，抽象干净利落，控制语句直截了当。 接口清晰：类型接口表现力直白，字面表达含义，API 相互呼应以增强可测试性。 依赖项少：依赖关系越少越好，依赖少证明内聚程度高，低耦合利于自动测试，便于重构。 没有重复：重复代码意味着某些概念或想法没有在代码中良好的体现，及时重构消除重复。 战术分层：代码分层清晰，隔离明确，
  • 布尔数组 百合不是茶 java布尔数组
      androi中提到了布尔数组;   布尔数组默认的是false,  并且只会打印false或者是true   布尔数组的例子;  根据字符数组创建布尔数组 char[] c = {'p','u','b','l','i','c'}; //根据字符数组的长度创建布尔数组的个数 boolean[] b = new bool
  • web.xml之welcome-file-list、error-page bijian1013 javaweb.xmlservleterror-page
    welcome-file-list 1.定义： <welcome-file-list> <welcome-file>login.jsp</welcome> </welcome-file-list>  2.作用：用来指定WEB应用首页名称。   error-page1.定义： <error-page&g
  • richfaces 4 fileUpload组件删除上传的文件 sunjing clearRichfaces 4fileupload
     页面代码               <h:form id="fileForm">            <rich:
  • 技术文章备忘 bit1129 技术文章
    Zookeeper http://wenku.baidu.com/view/bab171ffaef8941ea76e05b8.html http://wenku.baidu.com/link?url=8thAIwFTnPh2KL2b0p1V7XSgmF9ZEFgw4V_MkIpA9j8BX2rDQMPgK5l3wcs9oBTxeekOnm5P3BK8c6K2DWynq9nfUCkRlTt9uV
  • org.hibernate.hql.ast.QuerySyntaxException: unexpected token: on near line 1解决方案 白糖_ Hibernate
    文章摘自：http://blog.csdn.net/yangwawa19870921/article/details/7553181   在编写HQL时，可能会出现这种代码： select a.name,b.age from TableA a left join TableB b on a.id=b.id  如果这是HQL，那么这段代码就是错误的，因为HQL不支持
  • sqlserver按照字段内容进行排序 bozch 按照内容排序
    在做项目的时候，遇到了这样的一个需求：           从数据库中取出的数据集，首先要将某个数据或者多个数据按照地段内容放到前面显示，例如:从学生表中取出姓李的放到数据集的前面；          select * fro
  • 编程珠玑-第一章-位图排序 bylijinnan java编程珠玑
    import java.io.BufferedWriter; import java.io.File; import java.io.FileWriter; import java.io.IOException; import java.io.Writer; import java.util.Random; public class BitMapSearch {
  • Java关于==和equals chenbowen00 java
    关于==和equals概念其实很简单，一个是比较内存地址是否相同，一个比较的是值内容是否相同。虽然理解上不难，但是有时存在一些理解误区，如下情况： 1、 String a = "aaa"; a=="aaa"; ==> true 2、 new String("aaa")==new String("aaa
  • [IT与资本]软件行业需对外界投资热情保持警惕 comsci it
          我还是那个看法,软件行业需要增强内生动力,尽量依靠自有资金和营业收入来进行经营,避免在资本市场上经受各种不同类型的风险,为企业自主研发核心技术和产品提供稳定,温和的外部环境...       如果我们在自己尚未掌握核心技术之前,企图依靠上市来筹集资金,然后使劲往某个领域砸钱,然
  • oracle 数据块结构 daizj oracle块数据块块结构行目录
    oracle 数据块是数据库存储的最小单位，一般为操作系统块的N倍。其结构为： 块头－－〉空行－－〉数据，其实际为纵行结构。 块的标准大小由初始化参数DB_BLOCK_SIZE指定。具有标准大小的块称为标准块（Standard Block）。块的大小和标准块的大小不同的块叫非标准块（Nonstandard Block）。同一数据库中，Oracle9i及以上版本支持同一数据库中同时使用标
  • github上一些觉得对自己工作有用的项目收集 dengkane github
    github上一些觉得对自己工作有用的项目收集 技能类 markdown语法中文说明 回到顶部 全文检索 elasticsearch bigdesk elasticsearch管理插件 回到顶部 nosql mapdb 支持亿级别map, list, 支持事务. 可考虑做为缓存使用 C
  • 初二上学期难记单词二 dcj3sjt126com englishword
    dangerous 危险的 panda 熊猫 lion 狮子 elephant 象 monkey 猴子 tiger 老虎 deer 鹿 snake 蛇 rabbit 兔子 duck 鸭 horse 马 forest 森林 fall 跌倒；落下 climb 爬；攀登 finish 完成；结束 cinema 电影院；电影 seafood 海鲜；海产食品 bank 银行
  • 8、mysql外键(FOREIGN KEY)的简单使用 dcj3sjt126com mysql
    一、基本概念 1、MySQL中“键”和“索引”的定义相同，所以外键和主键一样也是索引的一种。不同的是MySQL会自动为所有表的主键进行索引，但是外键字段必须由用户进行明确的索引。用于外键关系的字段必须在所有的参照表中进行明确地索引，InnoDB不能自动地创建索引。 2、外键可以是一对一的，一个表的记录只能与另一个表的一条记录连接，或者是一对多的，一个表的记录与另一个表的多条记录连接。 3、如
  • java循环标签 Foreach shuizhaosi888 标签java循环foreach
    1. 简单的for循环 public static void main(String[] args) { for (int i = 1, y = i + 10; i < 5 && y < 12; i++, y = i * 2) { System.err.println("i=" + i + " y="
  • Spring Security（05）——异常信息本地化 234390216 exceptionSpring Security异常信息本地化
    异常信息本地化          Spring Security支持将展现给终端用户看的异常信息本地化，这些信息包括认证失败、访问被拒绝等。而对于展现给开发者看的异常信息和日志信息（如配置错误）则是不能够进行本地化的，它们是以英文硬编码在Spring Security的代码中的。在Spring-Security-core-x
  • DUBBO架构服务端告警Failed to send message Response javamingtingzhao 架构DUBBO
     废话不多说，警告日志如下，不知道有哪位遇到过，此异常在服务端抛出(服务器启动第一次运行会有这个警告)，后续运行没问题，找了好久真心不知道哪里错了。    WARN 2015-07-18 22:31:15,272 com.alibaba.dubbo.remoting.transport.dispatcher.ChannelEventRunnable.run(84)
  • JS中Date对象中几个用法 leeqq JavaScriptDate最后一天
    近来工作中遇到这样的两个需求 1. 给个Date对象，找出该时间所在月的第一天和最后一天 2. 给个Date对象，找出该时间所在周的第一天和最后一天   需求1中的找月第一天很简单，我记得api中有setDate方法可以使用 使用setDate方法前，先看看getDate var date = new Date(); console.log(date); // Sat J
  • MFC中使用ado技术操作数据库 你不认识的休道人 sqlmfc
    1.在stdafx.h中导入ado动态链接库 #import"C:\Program Files\Common Files\System\ado\msado15.dll" no_namespace rename("EOF","end")2.在CTestApp文件的InitInstance()函数中domodal之前写::CoIniti
  • Android Studio加速 rensanning android studio
    Android Studio慢、吃内存！启动时后会立即通过Gradle来sync & build工程。 （1）设置Android Studio a) 禁用插件 File -> Settings...  Plugins 去掉一些没有用的插件。 比如：Git Integration、GitHub、Google Cloud Testing、Google Cloud
  • 各数据库的批量Update操作 tomcat_oracle javaoraclesqlmysqlsqlite
    MyBatis的update元素的用法与insert元素基本相同，因此本篇不打算重复了。本篇仅记录批量update操作的 sql语句，懂得SQL语句，那么MyBatis部分的操作就简单了。 　　注意：下列批量更新语句都是作为一个事务整体执行，要不全部成功，要不全部回滚。 MSSQL的SQL语句 　WITH R AS（ 　　SELECT 'John' as name, 18 as
  • html禁止清除input文本输入缓存 xp9802 input
    多数浏览器默认会缓存input的值，只有使用ctl+F5强制刷新的才可以清除缓存记录。如果不想让浏览器缓存input的值，有2种方法： 方法一： 在不想使用缓存的input中添加 autocomplete="off"; eg: <input type="text" autocomplete="off" name
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他