- 阿里云力夺 FewCLUE 榜首!知识融入预训练+小样本学习的实战解析
阿里云技术
自然语言处理机器学习
一概述7月8日,中文语言理解权威评测基准CLUE公开了中文小样本学习评测榜单最新结果,阿里云计算平台PAI团队携手达摩院智能对话与服务技术团队,在大模型和无参数限制模型双赛道总成绩第一名,决赛答辩总成绩第一名。中文语言理解权威评测基准CLUE自成立以来发布了多项NLP评测基准,包括分类榜单,阅读理解榜单和自然语言推断榜单等,在学术界、工业界产生了深远影响。其中,FewCLUE是CLUE最新推出的一
- 论文阅读笔记《SimpleShot: Revisiting Nearest-Neighbor Classification for Few-Shot Learning》
深视
论文阅读笔记#小样本学习深度学习小样本学习
小样本学习&元学习经典论文整理||持续更新核心思想 本文提出一种基于最近邻方法的小样本学习算法(SimpleShot),作者指出目前大量的小样本学习算法都采用了元学习的方案,而作者却发现使用简单的特征提取器+最近邻分类器的方法就能实现非常优异的小样本分类效果。本文首先用特征提取网络fθf_{\theta}fθ+线性分类器在一个基础数据集上对网络进行训练,将训练得到的特征提取网络增加一个简单的特征
- SimpleShot: Revisiting Nearest-Neighbor Classification for Few-Shot Learning 论文笔记
头柱碳只狼
小样本学习
前言目前大多数小样本学习器首先使用一个卷积网络提取图像特征,然后将元学习方法与最近邻分类器结合起来,以进行图像识别。本文探讨了这样一种可能性,即在不使用元学习方法,而仅使用最近邻分类器的情况下,能否很好地处理小样本学习问题。本文发现,对图像特征进行简单的特征转换,然后再进行最近邻分类,也可以产生很好的小样本学习结果。比如,使用DenseNet特征的最近邻分类器,在结合均值相减(meansubtra
- 每周编辑精选|FewJoint 基准数据集上线、科技部监督司发布 AI 新规
人工智能资讯数据集
小样本学习(Few-shotLearning)是指像人类一样能够通过很少的样本来学习掌握新任务。这一领域已经成为机器学习社区的热点,并被认为是推动机器智能接近人类智能的关键方向之一。哈工大推出了FewJoint基准数据集,为NLP小样本评测提供了公共的评价基准。该数据集已在hyper.ai上线,hyper.ai还有更多供中文大模型训练的NLP数据集可以下载哦~一起来看看吧!1月29日-2月2日,h
- 小样本学习系列工作(持续更新)
MingchenS
计算机视觉学习人工智能深度学习计算机视觉python
小样本学习系列工作有关小样本学习的各类文章通常会将其方法分成几个大类:基于度量学习的小样本方法、基于数据增强的小样本学习方法和基于模型初始化的小样本学习方法。我觉得这样分类并不好,因为三种方法之间并不是各自独立存在的,大多数情况下都是有交集的,比如一篇工作可能既使用了元学习的训练策略,同时又在度量方法上进行了创新。因此在梳理工作的时候,还是按照论文的顺序来梳理比较好,每篇工作都有他的特点,其思考的
- 论文阅读《Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Fe...
LiBiscuit
没想到上次的论文阅读更新是八月份哈哈哈哈说好这个月要好好更新的那就把之前没有更新出来的论文阅读补充一下还是小样本跨域系列哈~(由于之前阅读的时间有点久这边可能会放一些PPT)论文名称:《FeatureTransformationEnsembleModelwithBatchSpectralRegularizationforCross-DomainFew-ShotClassification》论文地址
- 小样本学习
Ada's
系统科学神经科学认知科学通用人工智能基础(语音文本图像等)
github.com/blue-blue272/fewshot-CAN从注意力方面的进展来看自然语言已经和图像在算法底层通用以下方法可能对小样本有帮助:
- 科大讯飞将于1月30日发布星火大模型 V3.5,基于全国产化算力底座训练
喜好儿aigc
人工智能科技aigcai
科大讯飞即将发布全新AI大模型——星火认知大模型V3.5,该模型将于14:00正式发布。据透露,相比于去年10月24日发布的V3.0版本,V3.5在逻辑推理、文本生成、数学答题及小样本学习能力上均实现了显著提升。科大讯飞官网链接:讯飞星火认知大模型-AI大语言模型-星火大模型-科大讯飞AI工具专区:+AI工具-喜好儿aigc科大讯飞股份有限公司是中国领先的人工智能企业,自1999年成立以来,专注于
- MULTISCALE DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION
暗魂b
YOLO目标检测人工智能
abstract领域自适应在解决许多应用遇到的领域转换问题方面发挥了重要的作用。这个问题是由于训练用的数据和实际测试的真实场景数据的分布差异造成的。在本文中,我们介绍了一种新的多尺度域自适应YOLO(MS-DAYOLO)框架,该框架在最近引入的YOLOv4对象检测器的不同尺度上使用多个域自适应路径和相应的域分类器来生成域不变特征。我们的实验表明,当使用所提出的MSDAYOLO训练YOLOv4时,以
- 【机器学习一百问 01】 迁移学习和小样本学习的本质不同是什么?
坚果仙人
机器学习机器学习迁移学习学习
注:这些只是个人理解,如有质疑可提问讨论!迁移学习和小样本学习都是机器学习领域的重要分支,它们虽然有一些交集,但在目的和核心方法上存在本质的不同:目的和焦点:迁移学习:其主要目的是利用在一个或多个源任务上获得的知识,来改善或加速对新任务的学习过程。迁移学习的核心在于“知识转移”,它不特定于数据量的多少。小样本学习:其核心挑战是如何在非常少量的数据(即小样本)上实现有效的学习。小样本学习特别关注于如
- CVPR19-Few-shot
vieo
CVPR19-Few-shot本文主要总结了CVPR2019的few-shot的文章,主要从motivation,具体方法上进行总结。小样本学习:训练中可以使用各类样本,但是测试时,面对新的类别(通常为5类),每类只有极少量的标注样本,以及来自相同类别的查询图像。基于度量的方法(在原型网络,图卷积的基础上改进)RevisitingLocalDescriptorbasedImage-to-Class
- 小样本学习(FSL)和元学习、数据增强和对比学习各自的概念和相互关系
Chowley
机器学习深度学习自然语言处理lstmchatgpt
前言最近一周在做简历和投递,想找个暑假的实习岗,有几个过了初筛,今天围绕我的简历讲解一下里面的科研经历和方向推荐,也是给自己做一个总结。去年疫情开始,取消线下课程和考试,我闲着没事,就搞起了研究,很巧的是和ChatGPT时间重叠了,当时因为网上全是防治疾病的,我也就错过了ChatGPT的黄金期,不然没准就是搞NLP了,今天我也请GPT4.0一同创作,看能不能给这篇博客带来不一样的火花。小样本学习F
- 小样本学习综述
雪夜的星_e40c
小样本学习(Few-shotLearning)综述摘要:人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,...分类非常常见,但如果每个类只有几个标注样本,怎么办呢?笔者所在的阿里巴巴小蜜北京团队就面临这个挑战。我们打造了一个智能对话开发平台--Di
- 小样本学习介绍(超详细)
s_m_c
计算机视觉学习人工智能深度学习计算机视觉
小样本学习介绍本文首先介绍了什么是小样本学习,其次介绍了为什么小样本学习的很多文章都采用元学习的方法。目的是通过通俗的解释更加清楚的介绍小样本学习是什么,适合初学者的入门。当然,以下更多的是自己的思考,欢迎交流。什么是小样本学习?当我开始接触“小样本”这个术语的时候,给我的第一感觉就是他的数据集很小(这也是我入坑小样本学习最开始的原因,以为炼丹不需要太久),相信很多人有个同样的感觉,但是事实上并不
- 【深度学习:Few-shot learning】理解深入小样本学习中的孪生网络
jcfszxc
深度学习知识库深度学习学习人工智能
【深度学习:Few-shotlearning】理解深入小样本学习中的孪生网络深入理解孪生网络:架构、应用与未来展望小样本学习的诞生元学习小样本学习孪生网络的基本概念孪生网络的细节TripletLoss架构特点关键组件训练过程主要应用领域未来展望示例图片结论备注:本篇博客中有部分图片由GPT生成深入理解孪生网络:架构、应用与未来展望在人工智能和机器学习的领域中,**孪生网络(SiameseNetwo
- 论文速看 Few-shot Image Generation via Cross-domain Correspondence
Miao kristoff
深度学习生成对抗网络
Few-shotImageGenerationviaCross-domainCorrespondencePaperlink:linkGithublink:link文章目录Few-shotImageGenerationviaCross-domainCorrespondenceAbstractThoughtsRelatedPapersFew-shotlearningDistancepreservari
- 【论文阅读笔记】One-Shot Relational Learning for Knowledge Graphs - EMNLP 2018
卷卷0v0
论文阅读知识图谱论文阅读知识图谱神经网络
知识图谱-->知识补全-->长尾问题-->元关系学习基于度量的方法(本文)基于优化的方法文章目录Abstract1Introduction2RelatedWork关系学习的嵌入模型小样本学习3Background3.1问题定义3.2One-Shot学习设置4Model4.1邻居编码器4.2匹配处理器4.3损失函数和训练5Experiments5.1数据集5.2实施细节5.3结果关于模型选择的备注5
- SParC: Cross-Domain Semantic Parsing in Context 论文解读
beyourselfwb
DeepLearningNLPText-to-SQLnlpdeeplearning
前言:SParC是一个基于Spider数据集扩展的有上下文依赖的对话是Text-to-SQL数据集。不同于Spider一句话对应一个最终SQL,SParC通常需要通过多轮对话来实现用户的查询意图,并且在交互过程中,用户会省略很多之前提到的信息,或者新增、修改之前提到过一些内容,使得该任务更具挑战性。基本信息标题:SParC:Cross-DomainSemanticParsinginContext作
- 图像融合论文阅读笔记:SwinFusion: Cross-domain Long-range Learning for General Image Fusion via Swin Transforme
qiang42
图像融合论文阅读笔记图像处理深度学习论文笔记人工智能
@article{ma2022swinfusion,title={SwinFusion:Cross-domainlong-rangelearningforgeneralimagefusionviaswintransformer},author={Ma,JiayiandTang,LinfengandFan,FanandHuang,JunandMei,XiaoguangandMa,Yong},jour
- 小样本学习idea(不断更新)
s_m_c
学习
在此整理并记录自己的思考过程,其中不乏有一些尚未成熟或者尚未实现的idea,也有一些idea实现之后没有效果或者正在实现,当然也有部分idea已写成论文正在投稿,都是自己的一些碎碎念念的思考,欢迎交流。研一上学期9.18现有思路:1.用pretrain好的MAE,采用不同的遮挡方式(或者遮挡比例,固定或者不固定,随机或者block-wise),生成不同遮挡方式下的特征,相当于单张图片的样本扩充。2
- 论文阅读<SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION>
yrhzmu
论文阅读YOLO
论文链接:https://arxiv.org/abs/2211.02213代码链接:GitHub-hnuzhy/SSDA-YOLO:Codesformypaper"SSDA-YOLO:Semi-supervisedDomainAdaptiveYOLOforCross-DomainObjectDetection"1、先明确一个定义,论文中的半监督域自适应是什么?在源数据集中进行监督训练,在目标数据集
- 论文阅读<MULTISCALE DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION>
yrhzmu
论文阅读YOLO目标检测
论文链接:https://arxiv.org/pdf/2106.01483v2.pdfhttps://arxiv.org/pdf/2106.01483v2.pdf代码链接:GitHub-Mazin-Hnewa/MS-DAYOLO:MultiscaleDomainAdaptiveYOLOforCross-DomainObjectDetectionMultiscaleDomainAdaptiveYOL
- 论文解读:Exploring Complementary Strengths of Invariant and Equivariant Representations
十有久诚
深度学习人工智能
小样本学习论文解读:ExploringComplementaryStrengthsofInvariantandEquivariantRepresentationsforFew-ShotLearning摘要teach:这篇文章尽管标题带小样本学习,但是并没有设计一套小样本学习的算法,而是用一种数据增强或者数据增广的方式生成更多的样本。通过样本之间的训练或者学习来去提升这个模型的泛化能力。用积累的数据
- CVPR 2023 精选论文学习笔记:Meta-Tuning Loss Functions and Data Augmentation for Few-Shot Object Detection
结构化文摘
学习笔记目标检测人工智能计算机视觉深度学习
我们给出以下四个分类标准:1.学习方法元学习:元学习是一种学习范式,旨在教模型如何快速学习新任务。在小样本学习的背景下,元学习算法在各种任务上进行训练,每个任务只有少数示例。这允许模型学习如何调整其学习过程以适应新任务,即使这些任务与它以前见过的任务非常不同。数据增强:数据增强是一种通过对现有数据应用转换来生成新训练数据的技术。这对于小样本学习来说可以是一种有用的技术,因为它可以帮助增加可用训练数
- 论文笔记:Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing
11好好学习,天天向上
NLP自然语言处理Text-to-SQLsql自然语言处理数据库
论文笔记:BridgingTextualandTabularDataforCross-DomainText-to-SQLSemanticParsing目录论文笔记:BridgingTextualandTabularDataforCross-DomainText-to-SQLSemanticParsing导语摘要1简介2模型2.1问题定义2.2Question-SchemaSerialization
- 基于小样本学习的SAR图像识别
吧啦_吧啦
姓名:刘倩学号:19021210889【嵌牛导读】:对于SAR图像目标识别,目前研究人员是基于大样本进行建模和研究,而对于小样本条件下的SAR图像目标识别,只有少部分人开展了研究,并且与大样本数据相比较,其识别准确率较低。针对这一问题提出了一种新的算法——卷积自编码器算法。该方法能自动识别小样本图像中的有效特征,提高识别准确率。【嵌牛鼻子】:小样本学习,深度学习,卷积神经网络,自编码器【嵌牛提问】
- Learning to discover cross-domain relations with gan
EwanRenton
Abstract人类可以在无监督的情况下轻易地发现两个东西之间的联系(或者说相同点),而想让机器学习的话需要人类给他们配对作为groundtruth然后再进行训练.为了避免这种配对的麻烦,提出了DiscoGANIntroduction这篇文章把”寻找两种图片的关系”变成了”用一种风格的图片生成另一种风格”(利用GAN),这是本文解决”寻找relation”的思路所在.不需要人工配对图片(作为监督学
- 分布式系统-拜占庭将军问题-通信协议
TBYourHero
元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017-2019什么是拜占庭将军问题?在很久很久以前,拜占庭是东罗马帝国的首都。那个时候罗马帝国国土辽阔,为了防御目的,因此每个军队都分隔很远,将军与将军之间只能靠信使传递消息。在打仗的时候,
- 目标检测||速览
TBYourHero
深度学习objectdetection
元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017-2019目录一:基础概念二:两种方法2.1两阶段法R-CNNSPPNetFastR-CNNPFNMaskR-CNN2.2一阶段法YOLOSSDDSSDRetinaNet总结一:基础概念
- 小样本学习在图像识别中的挑战与突破
matlabgoodboy
学习
小样本学习(Few-ShotLearning)是一种机器学习方法,旨在从很少的样本中学习并做出准确的预测。在图像识别领域,小样本学习面临一些挑战,同时也涌现出一些突破性的解决方法。挑战:缺乏数据:小样本学习的主要挑战之一是样本数量有限,这使得传统深度学习模型难以学习足够的特征。过拟合:由于样本少,模型容易过拟合,即在训练样本上表现良好,但在未见过的数据上表现不佳。领域差异:在小样本学习中,模型需要
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite