- 机器学习—赵卫东阅读笔记(一)
走在考研路上
深度学习了解机器学习笔记人工智能
第一章:机器学习基础1.1.2机器学习主要流派1.符号主义2.贝叶斯分类——基础是贝叶斯定理3.联结主义——源于神经学,主要算法是神经网络。——BP算法:作为一种监督学习算法,训练神经网络时通过不断反馈当前网络计算结果与训练数据之间的误差来修正网络权重,使误差足够小。4.进化计算——通过迭代优化,找到最佳结果。——具有自组织、自适应、自学习的特性,能够有效处理传统优化算法难以解决的复杂问题(例如N
- python的统计分析库scipy.stats使用方法
czliutz
pythonscipy开发语言
在Python中,stats库主要是scipy.stats模块,它提供了大量的概率分布和统计函数。以下是其使用方法:一、导入模块pythonfromscipyimportstats二、常见概率分布函数的使用正态分布:创建正态分布对象:norm=stats.norm。计算概率密度函数(PDF):pdf_value=norm.pdf(x),其中x是给定的值。例如,计算正态分布在x=1处的概率密度,可以
- An Introduction to Statistical Learning with Applicatio
AI天才研究院
Python实战DeepSeekR1&大数据AI人工智能大模型大数据人工智能语言模型JavaPython架构设计
作者:禅与计算机程序设计艺术1.简介1.1定义统计学习(statisticallearning)是一门研究如何从数据中提取知识并应用于预测、决策或其他目的的一门学科。它是机器学习、数据挖掘、计算机视觉等领域的一个分支,是当前热门的AI方向。1.2特点数据驱动:统计学习倾向于采用结构化的数据——如表格或矩阵形式——作为输入;假设空间少:统计学习通常只考虑一种假设空间,即概率模型或概率分布;模型复杂性
- 图像算法工程师的技术图谱和学习路径
执于代码
开发者职业加速服务算法学习
01.图像算法图像算法工程师的技术图谱和学习路径涵盖了多个技术领域,从基础知识到高级算法,涉及计算机视觉、深度学习、图像处理、数学和编程等多个方面。以下是图像算法工程师的技术图谱和学习路径的详细总结。1.基础数学与编程数学基础:线性代数:矩阵运算、特征值、特征向量、奇异值分解(SVD)等概率论与统计:概率分布、贝叶斯定理、最大似然估计(MLE)、假设检验等微积分:导数、梯度、最优化方法(梯度下降、
- An Iterative Technique for the Rectification of Observed Distributions 论文阅读
青铜锁00
论文阅读论文阅读
AnIterativeTechniquefortheRectificationofObservedDistributions-L.B.Lucy1.研究目标与实际意义1.1研究目标1.2实际意义2.新方法与公式分析2.1核心思路:基于贝叶斯定理的迭代框架2.1.1贝叶斯逆概率公式2.1.2迭代更新规则2.1.3多维推广2.2方法优势2.3对比传统方法3.实验验证3.1数值实验设计3.2关键结果4.雷
- ELMo ,LM:一串词序列的概率分布probability distribution over sequences of words
强化学习曾小健
NLP自然语言处理#预训练语言模型
语言模型(LanguageModel),语言模型简单来说就是一串词序列的概率分布。Languagemodelisaprobabilitydistributionoversequencesofwords.GPT与ELMo当成特征的做法不同,OpenAIGPT不需要再重新对任务构建新的模型结构,而是直接在transformer这个语言模型上的最后一层接上softmax作为任务输出层,然后再对这整个模型
- 大模型知识蒸馏:技术突破与应用范式重构——从DeepSeek创新看AI基础设施演进路径
大模型服务器厂商
重构人工智能
一、知识蒸馏的技术哲学演进知识蒸馏(KnowledgeDistillation)作为模型压缩领域的核心技术突破,其发展轨迹折射出人工智能从"规模崇拜"向"效率优先"的范式转变。传统知识蒸馏框架主要关注概率分布层面的知识迁移,但DeepSeek等前沿项目展示出更复杂的知识萃取机制。最新研究表明,知识传递已从单纯的输出层模仿,发展到注意力模式迁移(AttentionTransfer)、隐层特征对齐(H
- 人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具
学步_技术
自动驾驶人工智能人工智能深度学习自动驾驶机器学习
人工智能深度学习系列—深度解析:交叉熵损失(Cross-EntropyLoss)在分类问题中的应用人工智能深度学习系列—深入解析:均方误差损失(MSELoss)在深度学习中的应用与实践人工智能深度学习系列—深入探索KL散度:度量概率分布差异的关键工具人工智能深度学习系列—探索余弦相似度损失:深度学习中的相似性度量神器人工智能深度学习系列—深度学习中的边界框回归新贵:GHM(GeneralizedH
- 大模型学习路线与资源推荐
数字化转型2025
AI投资人工智能
以下是基于多篇参考资料整理的大模型学习路线,涵盖从基础到进阶的完整学习路径,帮助您系统掌握大模型核心技术并应用于实际场景:一、基础阶段:构建核心知识体系编程与数学基础编程语言:优先学习Python,掌握其语法、数据结构及常用库(如NumPy、Pandas、PyTorch)37。数学基础:线性代数、概率论与统计学、微积分是理解模型原理的基石,需重点掌握矩阵运算、概率分布等概念39。深度学习入门神经网
- python 语音转文本中文——DeepSpeech
drebander
python开发语言DeepSpeech
DeepSpeech简介与音频转文本实践DeepSpeech是由Mozilla开发的一种开源语音识别引擎,基于深度学习技术,采用端到端架构,可以高效地将语音转换为文本。其核心算法受BaiduDeepSpeech论文启发,使用RecurrentNeuralNetwork(RNN)处理语音数据。一、DeepSpeech的原理1.核心组件声学模型:将语音波形转换为概率分布表示。语言模型:对语音识别结果进
- Python 爬虫实战:彩票数据抓取、概率洞察与趋势预测
西攻城狮北
python爬虫开发语言实战案例
概述彩票作为一种广受欢迎的博彩活动,吸引了大量参与者。通过对彩票数据的分析,可以揭示号码出现的规律、概率分布以及潜在的趋势。这些分析不仅有助于彩票爱好者更好地理解游戏机制,还可以为相关研究提供数据支持。本文将详细介绍如何使用Python爬虫技术抓取彩票数据,并进行概率分析和趋势预测。技术栈Python:动态解释型编程语言,适用于爬虫、数据分析和可视化等多种场景。Requests:强大的HTTP请求
- 机器学习的数学基础(三)——概率与信息论
梦醒沉醉
数学基础概率论信息论
目录1.随机变量2.概率分布2.1离散型变量和概率质量函数2.2连续型变量和概率密度函数3.边缘概率4.条件概率5.条件概率的链式法则6.独立性和条件独立性7.期望、方差和协方差7.1期望7.2方差7.3协方差8.常用概率分布8.1均匀分布U(a,b)U(a,b)U(a,b)8.2Bernoulli分布8.3Multinoulli分布8.4高斯分布(正态分布)N(x;μ,σ2)N(x;\mu,\s
- 科普:大模型使用中的temperature 与 top-k及其它
人工干智能
大模型编程人工智能大模型
在大语言模型(如通过Ollama运行的llama2模型)中,temperature和top-k是两个用于控制文本生成过程的重要参数,它们在功能上相互独立,但又共同影响着模型生成文本的随机性和多样性。一、各自的作用temperature:该参数主要用于控制生成文本的随机性。它会对模型预测的词概率分布进行调整。具体来说,temperature值越高,概率分布就越平滑,各个词被选中的概率就越接近,生成文
- 朴素贝叶斯原理及sklearn中代码实战
Lewis@
sklearn概率论机器学习
朴素贝叶斯(NaiveBayes)是一类基于贝叶斯定理的简单而有效的分类算法。它假设特征之间是相互独立的,即在给定目标变量的情况下,每个特征都不依赖于其他特征。尽管这个假设在实际中很难成立,朴素贝叶斯在许多场景下仍表现得非常好,特别是对于文本分类等高维数据的应用。1.贝叶斯定理贝叶斯定理表明给定一个事件发生的条件下另一个事件发生的概率:P(A∣B)=P(B∣A)⋅P(A)P(B){P(A|B)=\
- DeepSeek 学习路线图
CarlowZJ
学习deepseek
以下是基于最新搜索结果整理的DeepSeek学习路线图,涵盖从基础到高级的系统学习路径,帮助你全面掌握DeepSeek的使用和应用开发。一、基础知识与预备技能1.数学基础线性代数:掌握矩阵运算和向量空间,这是深度学习的核心。概率统计:理解贝叶斯理论和概率分布,用于模型训练和推理。微积分:了解优化算法中的梯度下降等概念。2.编程基础Python:掌握Python编程,这是深度学习和AI开发的主要语言
- 深度学习归一化与正则化
鱼儿也有烦恼
深度学习深度学习
文章目录深度学习归一化与正则化1.归一化(Normalization)2.正则化(Regularization)深度学习归一化与正则化1.归一化(Normalization)定义:归一化是指通过某种算法将输入数据或神经网络层的激活值处理后限制在我们需要的特定范围内。它的目的是为了方便后续的数据处理,并加快程序的收敛速度。归一化的主要作用是统一样本的统计分布。在0到1之间的归一化代表的是概率分布,而
- [笔记.AI]如何判断模型是否通过剪枝、量化、蒸馏生成?
俊哥V
由AI辅助创作AI笔记人工智能
以下摘自与DeepSeek-R1在线联网版的对话一、基础判断维度技术类型核心特征验证方法剪枝模型参数减少、结构稀疏化1.检查模型参数量是否显著小于同类标准模型12.分析权重矩阵稀疏性(如非零参数占比50%)3蒸馏模型结构轻量但性能接近大模型、输出分布平滑1.对比师生模型结构差异52.分析输出概率分布的熵值(蒸馏模型熵值更高)2二、具体技术验证方法1.剪枝模型验证结构分析使用model.summar
- 机器学习(一) 本文(3万字) | 机器学习概述 |
小酒馆燃着灯
机器学习人工智能深度学习目标检测vscodepytorchpython
推荐阅读,点击查看文章目录1.统计学习(机器学习)1.1特点1.2对象1.3目的1.4方法1.5步骤2.基本分类2.1监督学习2.1.1输入空间、特征空间和输出空间2.1.2概率分布2.1.3假设空间2.1.4问题的形式化2.2无监督学习2.3强化学习2.4半监督学习与主动学习3.基于模型分类4.基于技巧分类4.1贝叶斯学习4.2核方法5.统计学习三要素5.1模型5.2策略5.2.1损失函数与风险
- Java程序员面临抉择:激烈竞争下,转行大模型或是新出路,非常详细收藏我这一篇就够了!
大模型教程
大模型学习学习大模型语言模型人工智能程序员转行
Java程序员转行大模型领域,可以依据以下详细路线进行学习和职业转换:第1阶段:基础知识巩固数学基础:线性代数:矩阵运算、向量空间等。概率论与统计:概率分布、统计推断等。微积分:导数、积分、多变量函数等。Python编程:Python基础:数据类型、控制结构、函数等。Python进阶:面向对象编程、装饰器、生成器等。数据处理:NumPy、Pandas、Matplotlib。第2阶段:机器学习与深度
- 一文读懂!深度学习 + PyTorch 的超实用学习路线
a小胡哦
深度学习pythonpytorch
深度学习作为人工智能领域的核心技术,正深刻改变着诸多行业。PyTorch则是深度学习实践中备受青睐的框架,它简单易用且功能强大。下面就为大家详细规划深度学习结合PyTorch的学习路线。一、基础知识储备数学基础数学是很重要的!!!线性代数、概率论与数理统计、微积分是深度学习的数学基石。熟悉矩阵运算、概率分布、梯度计算等概念,能帮助理解深度学习模型的原理。例如,在神经网络中,矩阵乘法用于神经元之间的
- 【LLM】大模型基础--大规模预训练语言模型的开源教程笔记
Langchain
笔记人工智能langchainllama大模型产品经理大模型基础
1.引言本文以DataWhale大模型开源教程为学习路线,进行一整个大模型的入门操作什么是语言模型语言模型是一种对词元序列(token)的概率分布,可以用于评估文本序列的合理性并生成新的文本。从生成文本的方式来看,LM(languagemodle)可以简单的分为:自回归模型非自回归模型特点逐字生成文本,每个词的生成都依赖于上文,关联性好一次性生成整个文本序列,不捕捉上文信息优点内容质量高生成速度快
- 朴素贝叶斯模型在文本分类中的应用
Ash Butterfield
nlp分类数据挖掘人工智能
朴素贝叶斯(NaiveBayes)是一种基于贝叶斯定理的概率分类算法,广泛应用于文本分类任务中。它的核心思想是根据训练数据中不同类别的条件概率,预测新文本属于哪个类别。尽管其假设条件较为简单(假设特征之间相互独立),但朴素贝叶斯在许多实际应用中仍表现出色,特别是在处理文本分类任务时。本文将介绍朴素贝叶斯模型的基本原理、在文本分类中的应用以及其优缺点,并通过示例说明其具体实现。1.朴素贝叶斯模型的基
- 基于开源千文模型(如Qwen、ChatGLM等)实施如何进行动态蒸馏,详细说明操作步骤.
墨者清风
模型训练人工智能技术发展模型动态蒸馏人工智能深度学习语言模型
基于开源千文模型(如Qwen、ChatGLM等)实施如何进行动态蒸馏,详细说明操作步骤.1.动态蒸馏的核心思想动态蒸馏的目标是通过教师模型(通常是一个较大的预训练模型)的输出,指导学生模型(较小的模型)的训练。具体来说:教师模型:提供软标签(softlabels),即概率分布,而不是硬标签(hardlabels)。学生模型:通过模仿教师模型的输出分布,学习更丰富的知识。动态蒸馏:在训练过程中,教师
- AI 写作(三)文本生成算法:创新与突破
sdgfsdfxcg
人工智能算法
生成式模型和判别式模型在多个方面存在明显差异。在优化准则上,生成式模型致力于学习联合概率分布,而判别式模型则专注于建立输入数据和输出之间的关系,学习条件概率分布。对于观察序列的处理,生成式模型模拟数据的生成过程,会对整个序列进行综合考虑;判别式模型更关注如何根据输入数据进行分类或预测,直接建模决策边界。在训练复杂度方面,生成式模型通常较为复杂,因为它需要学习更多的参数来模拟数据的生成过程。例如,常
- 时间序列分析 | Python实现时间序列不确定性建模
前程算法屋
时间序列分析(Python)不确定性建模python深度学习机器学习时间序列数据分析
时间序列分析|Python实现时间序列不确定性建模目录时间序列分析|Python实现时间序列不确定性建模基本介绍研究方法概率分布建模分位数回归学习总结基本介绍基础的时间序列预测任务的目标是给定历史序列,预测未来每个时间点的具体值。这种问题定义虽然简单直接,但是也面临着一些问题。在很多应用场景中,我们不仅希望能预测出未来的具体值,更希望能预测出未来取值不确定性,例如一个概率分布或者取值范围。在很多应
- AI学习专题(一)LLM技术路线
王钧石的技术博客
大模型人工智能学习ai
阶段1:AI及大模型基础(1-2个月)数学基础线性代数(矩阵、特征值分解、SVD)概率论与统计(贝叶斯定理、极大似然估计)最优化方法(梯度下降、拉格朗日乘子法)编程&框架Python(NumPy、Pandas、Matplotlib)PyTorch&TensorFlow基础HuggingFaceTransformers入门深度学习基础机器学习基础(监督/无监督学习、正则化、过拟合)反向传播、优化器(
- 交叉熵和它的朋友
Jamence
AI数学知识人工智能语言模型chatgpt
交叉熵交叉熵衡量两个概率分布PPP和QQQ的差异,定义为:H(P,Q)=−∑iP(i)logQ(i)H(P,Q)=-\sum_{i}P(i)\logQ(i)H(P,Q)=−∑iP(i)logQ(i)其中,P(i)P(i)P(i)是真实分布,Q(i)Q(i)Q(i)是预测分布。交叉熵与熵的关系熵用于衡量随机变量的不确定性,定义为:H(P)=−∑iP(i)logP(i)H(P)=-\sum_{i}
- 机器学习算法 —— 朴素贝叶斯
ZShiJ
机器学习算法机器学习算法分类贝叶斯
欢迎来到我的博客——探索技术的无限可能!博客的简介(文章目录)目录朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯的优点朴素贝叶斯的缺点朴素贝叶斯的应用实战(贝叶斯分类)莺尾花数据库函数导入数据导入和分析模型训练模型预测原理简析模拟离散数据集朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯法=贝叶斯定理+特征条件独立。朴素贝叶斯(NaiveBayes)是基于贝叶斯定理的概率分类算法。该算法假设特征之间相互独立,即某个特征
- 空间注意力模块(SAM)和时间注意力模块(TAM)详解及代码复现
清风AI
深度学习算法详解及代码复现深度学习人工智能神经网络python计算机视觉
注意力机制原理注意力机制源于人类视觉系统的选择性注意能力,是深度学习领域的一项关键技术。它通过模拟人类视觉系统的选择性注意能力,使深度学习模型能够聚焦于图像中的关键信息。这种机制通过动态分配权重,突出重要特征,抑制无关信息,从而提高图像识别的准确性和效率。在神经网络中,注意力机制主要通过Softmax函数实现,它能够将输入特征映射到0到1之间的概率分布,从而实现特征的加权。空间注意力与时间注意力在
- 揭秘AI的智能双翼:决策式AI与生成式AI
小马不会过河
人工智能算法embeddingmicrosoft知识图谱
在人在数字化浪潮的推动下,人工智能已成为推动社会进步的关键技术之一。特别是在决策式AI与生成式AI这两个领域,它们的发展不仅加速了技术创新的步伐,也在实际应用中展现出巨大的潜力和价值。01.智能双翼:决策式AI与生成式AI决策式AI(DiscriminativeAI)定义:决策式AI,也称为判别式AI,是一种通过学习数据中的条件概率分布,对新场景进行判断、分析和预测的人工智能技术。它的设计目标是模
- LeetCode[位运算] - #137 Single Number II
Cwind
javaAlgorithmLeetCode题解位运算
原题链接:#137 Single Number II
要求:
给定一个整型数组,其中除了一个元素之外,每个元素都出现三次。找出这个元素
注意:算法的时间复杂度应为O(n),最好不使用额外的内存空间
难度:中等
分析:
与#136类似,都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n,即某一
- 《JavaScript语言精粹》笔记
aijuans
JavaScript
0、JavaScript的简单数据类型包括数字、字符创、布尔值(true/false)、null和undefined值,其它值都是对象。
1、JavaScript只有一个数字类型,它在内部被表示为64位的浮点数。没有分离出整数,所以1和1.0的值相同。
2、NaN是一个数值,表示一个不能产生正常结果的运算结果。NaN不等于任何值,包括它本身。可以用函数isNaN(number)检测NaN,但是
- 你应该更新的Java知识之常用程序库
Kai_Ge
java
在很多人眼中,Java 已经是一门垂垂老矣的语言,但并不妨碍 Java 世界依然在前进。如果你曾离开 Java,云游于其它世界,或是每日只在遗留代码中挣扎,或许是时候抬起头,看看老 Java 中的新东西。
Guava
Guava[gwɑ:və],一句话,只要你做Java项目,就应该用Guava(Github)。
guava 是 Google 出品的一套 Java 核心库,在我看来,它甚至应该
- HttpClient
120153216
httpclient
/**
* 可以传对象的请求转发,对象已流形式放入HTTP中
*/
public static Object doPost(Map<String,Object> parmMap,String url)
{
Object object = null;
HttpClient hc = new HttpClient();
String fullURL
- Django model字段类型清单
2002wmj
django
Django 通过 models 实现数据库的创建、修改、删除等操作,本文为模型中一般常用的类型的清单,便于查询和使用: AutoField:一个自动递增的整型字段,添加记录时它会自动增长。你通常不需要直接使用这个字段;如果你不指定主键的话,系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField:布尔字段,管理工具里会自动将其描述为checkbox。 Cha
- 在SQLSERVER中查找消耗CPU最多的SQL
357029540
SQL Server
返回消耗CPU数目最多的10条语句
SELECT TOP 10
total_worker_time/execution_count AS avg_cpu_cost, plan_handle,
execution_count,
(SELECT SUBSTRING(text, statement_start_of
- Myeclipse项目无法部署,Undefined exploded archive location
7454103
eclipseMyEclipse
做个备忘!
错误信息为:
Undefined exploded archive location
原因:
在工程转移过程中,导致工程的配置文件出错;
解决方法:
 
- GMT时间格式转换
adminjun
GMT时间转换
普通的时间转换问题我这里就不再罗嗦了,我想大家应该都会那种低级的转换问题吧,现在我向大家总结一下如何转换GMT时间格式,这种格式的转换方法网上还不是很多,所以有必要总结一下,也算给有需要的朋友一个小小的帮助啦。
1、可以使用
SimpleDateFormat SimpleDateFormat
EEE-三位星期
d-天
MMM-月
yyyy-四位年
- Oracle数据库新装连接串问题
aijuans
oracle数据库
割接新装了数据库,客户端登陆无问题,apache/cgi-bin程序有问题,sqlnet.log日志如下:
Fatal NI connect error 12170.
VERSION INFORMATION: TNS for Linux: Version 10.2.0.4.0 - Product
- 回顾java数组复制
ayaoxinchao
java数组
在写这篇文章之前,也看了一些别人写的,基本上都是大同小异。文章是对java数组复制基础知识的回顾,算是作为学习笔记,供以后自己翻阅。首先,简单想一下这个问题:为什么要复制数组?我的个人理解:在我们在利用一个数组时,在每一次使用,我们都希望它的值是初始值。这时我们就要对数组进行复制,以达到原始数组值的安全性。java数组复制大致分为3种方式:①for循环方式 ②clone方式 ③arrayCopy方
- java web会话监听并使用spring注入
bewithme
Java Web
在java web应用中,当你想在建立会话或移除会话时,让系统做某些事情,比如说,统计在线用户,每当有用户登录时,或退出时,那么可以用下面这个监听器来监听。
import java.util.ArrayList;
import java.ut
- NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用)
bijian1013
redis数据库NoSQL
一 .Redis常用命令
Redis提供了丰富的命令对数据库和各种数据库类型进行操作,这些命令可以在Linux终端使用。
a.键值相关命令
b.服务器相关命令
1.键值相关命令
&
- java枚举序列化问题
bingyingao
java枚举序列化
对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题:
1.加一个枚举值
新机器代码读分布式缓存中老对象,没有问题,不会抛异常。
老机器代码读分布式缓存中新对像,反序列化会中断,所以在所有机器发布完成之前要避免出现新对象,或者提前让老机器拥有新增枚举的jar。
2.删一个枚举值
新机器代码读分布式缓存中老对象,反序列
- 【Spark七十八】Spark Kyro序列化
bit1129
spark
当使用SparkContext的saveAsObjectFile方法将对象序列化到文件,以及通过objectFile方法将对象从文件反序列出来的时候,Spark默认使用Java的序列化以及反序列化机制,通常情况下,这种序列化机制是很低效的,Spark支持使用Kyro作为对象的序列化和反序列化机制,序列化的速度比java更快,但是使用Kyro时要注意,Kyro目前还是有些bug。
Spark
- Hybridizing OO and Functional Design
bookjovi
erlanghaskell
推荐博文:
Tell Above, and Ask Below - Hybridizing OO and Functional Design
文章中把OO和FP讲的深入透彻,里面把smalltalk和haskell作为典型的两种编程范式代表语言,此点本人极为同意,smalltalk可以说是最能体现OO设计的面向对象语言,smalltalk的作者Alan kay也是OO的最早先驱,
- Java-Collections Framework学习与总结-HashMap
BrokenDreams
Collections
开发中常常会用到这样一种数据结构,根据一个关键字,找到所需的信息。这个过程有点像查字典,拿到一个key,去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类),基本上支持字典表的操作。后来引入了Map接口,更好的描述的这种数据结构。
&nb
- 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility
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/
/**
* 业务逻辑:项目经理只能处理500以下的费用申请,部门经理是1000,总经理不设限。简单起见,只同意“Tom”的申请
* bylijinnan
*/
abstract class Handler {
/*
- Android中启动外部程序
cherishLC
android
1、启动外部程序
引用自:
http://blog.csdn.net/linxcool/article/details/7692374
//方法一
Intent intent=new Intent();
//包名 包名+类名(全路径)
intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
- summary_keep_rate
coollyj
SUM
BEGIN
/*DECLARE minDate varchar(20) ;
DECLARE maxDate varchar(20) ;*/
DECLARE stkDate varchar(20) ;
DECLARE done int default -1;
/* 游标中 注册服务器地址 */
DE
- hadoop hdfs 添加数据目录出错
daizj
hadoophdfs扩容
由于原来配置的hadoop data目录快要用满了,故准备修改配置文件增加数据目录,以便扩容,但由于疏忽,把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录,但未创建实际目录,重启datanode服务时,报如下错误:
2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
- grep 目录级联查找
dongwei_6688
grep
在Mac或者Linux下使用grep进行文件内容查找时,如果给定的目标搜索路径是当前目录,那么它默认只搜索当前目录下的文件,而不会搜索其下面子目录中的文件内容,如果想级联搜索下级目录,需要使用一个“-r”参数:
grep -n -r "GET" .
上面的命令将会找出当前目录“.”及当前目录中所有下级目录
- yii 修改模块使用的布局文件
dcj3sjt126com
yiilayouts
方法一:yii模块默认使用系统当前的主题布局文件,如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件; 如果未配置主题,那么 yii的模块就使用 protected/views/layouts 下的布局文件, 总之默认不是使用自身目录 pr
- 设计模式之单例模式
come_for_dream
设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
今天该来的面试还没来,这个店估计不会来电话了,安静下来写写博客也不错,没事翻了翻小易哥的博客甚至与大牛们之间的差距,基础知识不扎实建起来的楼再高也只能是危楼罢了,陈下心回归基础把以前学过的东西总结一下。
*********************************
- 8、数组
豆豆咖啡
二维数组数组一维数组
一、概念
数组是同一种类型数据的集合。其实数组就是一个容器。
二、好处
可以自动给数组中的元素从0开始编号,方便操作这些元素
三、格式
//一维数组
1,元素类型[] 变量名 = new 元素类型[元素的个数]
int[] arr =
- Decode Ways
hcx2013
decode
A message containing letters from A-Z is being encoded to numbers using the following mapping:
'A' -> 1
'B' -> 2
...
'Z' -> 26
Given an encoded message containing digits, det
- Spring4.1新特性——异步调度和事件机制的异常处理
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- squid3(高命中率)缓存服务器配置
liyonghui160com
系统:centos 5.x
需要的软件:squid-3.0.STABLE25.tar.gz
1.下载squid
wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz
tar zxf squid-3.0.STABLE25.tar.gz &&
- 避免Java应用中NullPointerException的技巧和最佳实践
pda158
java
1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法,而非未知对象。 总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的,调用a.equals(b)和调用b.equals(a)是完全相同的,这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针,这种调用可能导致一个空指针异常
Object unk
- 如何在Swift语言中创建http请求
shoothao
httpswift
概述:本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。
如果你对Objective-C比较了解的话,对于如何创建http请求你一定驾轻就熟了,而新语言Swift与其相比只有语法上的区别。但是,对才接触到这个崭新平台的初学者来说,他们仍然想知道“如何在Swift语言中创建http请求?”。
在这里,我将作出一些建议来回答上述问题。常见的
- Spring事务的传播方式
uule
spring事务
传播方式:
新建事务
required
required_new - 挂起当前
非事务方式运行
supports
&nbs