- 阿里云 人工智能与机器学习
HaoHao_010
阿里云云服务器云计算服务器
阿里云的人工智能(AI)与机器学习(ML)服务为企业提供了全面的AI解决方案,帮助用户在多个行业实现数据智能化,提升决策效率,推动业务创新。阿里云通过先进的技术和丰富的工具,支持用户开发、部署和管理AI应用。以下是阿里云在人工智能和机器学习方面的主要产品与服务:1.云上机器学习平台—PaaS服务PAI(PlatformforAI)PAI是阿里云推出的人工智能平台,提供一系列机器学习与深度学习工具和
- AI探索笔记:浅谈人工智能算法分类
安意诚Matrix
机器学习笔记人工智能笔记
人工智能算法分类这是一张经典的图片,基本概况了人工智能算法的现状。这张图片通过三个同心圆展示了人工智能、机器学习和深度学习之间的包含关系,其中人工智能是最广泛的范畴,机器学习是其子集,专注于数据驱动的算法改进,而深度学习则是机器学习中利用多层神经网络进行学习的特定方法。但是随着时代的发展,这张图片表达得也不是太全面了。我更喜欢把人工智能算法做如下的分类:传统机器学习算法-线性回归、逻辑回归、支持向
- VQ-Diffusion 深度解析与实战指南
晏灵昀Odette
VQ-Diffusion深度解析与实战指南VQ-Diffusion项目地址:https://gitcode.com/gh_mirrors/vqd/VQ-Diffusion1.项目介绍VQ-Diffusion是一个用于文本到图像合成的深度学习模型,基于矢量量化变分自编码器(VQ-VAE)和去噪扩散概率模型(DenoisingDiffusionProbabilisticModel)。该模型通过将DDP
- pytorch阶段性总结2
Colinnian
pytorch人工智能python
nn神经网络functional当中卷积的使用importtorchimporttorch.nn.functionalasF#数据input=torch.tensor([[1,2,0,3,1],[0,1,2,3,1],[1,2,1,0,0],[5,2,3,1,1],[2,1,0,1,1]])#卷积核kernel=torch.tensor([[1,2,1],[0,1,0],[2,1,0]])#min
- 【模块】AKConv卷积模块
dearr__
扒网络模块深度学习人工智能
论文《AKConv:ConvolutionalKernelwithArbitrarySampledShapesandArbitraryNumberofParameters》1、作用AKConv旨在解决深度学习中标准卷积操作的两个固有限制:限定在局部窗口内,限制了从其他位置捕获信息的能力;卷积核固定大小,限制了对不同目标形状和大小的适应能力。这种新方法允许卷积核具有任意参数和采样形状,提供了一种灵活
- AI探索笔记:线性回归
安意诚Matrix
机器学习笔记人工智能笔记线性回归
前言写这篇博客,主要是自己来练练手。网络上教程已经是数不胜数,也都讲得非常清楚了。但自己不动手,知识和能力还是别人的。下面分别用传统方法(sklearn)和神经网络(pytorch)来解决线性回归问题。内容什么是线性回归线性回归(LinearRegression)是统计学和机器学习中最基础且广泛使用的预测模型,用于建立**自变量(输入特征)与因变量(输出目标)**之间的线性关系模型。其核心思想是通
- DCMNet一种用于目标检测的轻量级骨干结构模型详解及代码复现
清风AI
深度学习算法详解及代码复现深度学习机器学习计算机视觉人工智能算法目标检测
模型背景在深度学习技术快速发展的背景下,目标检测领域取得了显著进展。早期的手工特征提取方法如Viola-Jones和HOG逐渐被卷积神经网络(CNN)取代,其中AlexNet在2012年的ILSVRC比赛中表现突出,推动了CNN在计算机视觉中的广泛应用。然而,这些早期模型在精度和效率方面仍存在不足,尤其是在处理复杂场景和小目标时表现不佳。这为DCMNet等新型轻量化目标检测模型的出现提供了契机,旨
- UNet:UNet在自然环境监测中的应用案例_2024-07-24_09-14-11.Tex
chenjj4003
游戏开发2深度学习计算机视觉人工智能性能优化游戏前端javascript
UNet:UNet在自然环境监测中的应用案例UNet模型概述UNet是一种广泛应用于图像分割任务的卷积神经网络模型,由OlafRonneberger、PhilippFischer和ThomasBrox在2015年提出。其设计初衷是为了在生物医学图像分析中进行细胞和组织的精确分割,但因其高效性和准确性,迅速在自然环境监测、遥感图像分析、卫星图像处理等领域找到了应用。架构原理UNet模型采用了一个编码
- 神经网络参数量计算
坠金
AI科普/入门神经网络人工智能深度学习
算一个只有两层的神经网络的参数量,我们需要考虑两层之间的连接权重和偏置项。以下是详细的计算步骤:网络结构输入层(第一层):有2个神经元。输出层(第二层):有3个神经元。参数计算权重参数:第一层的每个神经元都与第二层的每个神经元相连。因此,第一层的2个神经元与第二层的3个神经元之间的连接会形成权重参数。权重参数的总数量为:权重参数=第一层神经元数量×第二层神经元数量=2×3=6偏置参数:第二层的每个
- 注意力机制(Attention Mechanism)详细分类与介绍
Jason_Orton
分类数据挖掘人工智能
注意力机制(AttentionMechanism)是近年来在深度学习中非常流行的一种技术,特别是在自然语言处理(NLP)、计算机视觉等任务中,具有显著的效果。它的核心思想是模仿人类在处理信息时的注意力分配方式,根据不同部分的重要性给予不同的关注程度。1.注意力机制的背景与动机在传统的深度学习模型(如RNN、CNN等)中,信息处理通常是按照固定的规则和结构进行的,模型对输入的各个部分给予相同的关注。
- 图神经网络:拓扑数据分析的新时代
Jason_Orton
神经网络数据分析人工智能
随着图数据的广泛应用,图神经网络(GraphNeuralNetwork,GNN)作为一种强大的深度学习工具,逐渐成为机器学习领域中的一颗新星。图数据在许多现实世界问题中无处不在,诸如社交网络、交通网络、分子结构、推荐系统等都可以被建模为图结构。图神经网络通过直接处理图结构数据,能够更好地捕捉节点之间的关系信息,从而在众多任务中展现出了优异的性能。本文将深入探讨图神经网络的基本原理、常见的算法、应用
- 智算中心的核心硬件是什么?
Imagination官方博客
本文来源:游方AI智算中心,作为人工智能时代的关键基础设施,其核心硬件的构成与性能直接影响着智能计算的效率与质量。以下是对智算中心核心硬件的详细阐述:一、AI芯片AI芯片是专门为加速人工智能计算而设计的硬件,能够与各种AI算法协同工作,满足对算力的极高需求。当前主流的AI加速计算芯片包括:1、GPU(图形处理器)GPU是智算中心的算力担当,其强大的并行计算能力使其在深度学习领域大放异彩。GPU芯片
- TensorFlow基础架构
humbinal
tensorflow
处理结构计算图纸Tensorflow首先要定义神经网络的结构,然后再把数据放入结构当中去运算和training.处理结构因为TensorFlow是采用数据流图(dataflowgraphs)来计算,所以首先我们得创建一个数据流流图,然后再将我们的数据(数据以张量(tensor)的形式存在)放在数据流图中计算.节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数
- AI之DeepSeek
james二次元
AI人工智能AIDeepSeek
DeepSeek是一个开源的基于深度学习的搜索引擎,用于在大规模数据中进行高效的内容检索和相似度搜索。它利用深度学习技术,特别是嵌入(embedding)技术,以改进传统搜索引擎中基于关键词的匹配方式,能够对复杂的查询和内容进行更精确和智能的理解。DeepSeek主要侧重于基于语义的搜索,通过将数据(例如文本、图像、音频等)转换为向量表示,来实现更为精准的相似度搜索。它的应用场景包括但不限于自然语
- [AI] [ComfyUI]理解ComyUI的基本原理及其图像生成技术
技术小甜甜
AI探索者人工智能AI作画
ComyUI作为一种图像生成框架,其背后的核心技术基于潜在空间的概念,并通过各种深度学习模块实现高效的图像生成与本地部署。本文将详细探讨ComyUI的基本原理,涵盖其在图像生成中的关键概念,包括潜在空间、VAE模块、噪声处理以及CLIP编码器节点的作用。1.潜在空间的存在与生成效率什么是潜在空间?潜在空间(LatentSpace)是指数据压缩后的低维空间。在图像生成中,潜在空间的引入极大地提高了生
- 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
- 深度学习-自学手册
谁用了尧哥这个昵称
AI深度学习
人工智能机器学习神经网络前馈神经网络:没有回路的反馈神经网络:有回路的DNN深度神经网络CNN卷积神经网络RNN循环神经网络LSTM是RNN的一种,长短期记忆网络自然语言处理神经网络神经元-分类器Hebb学习方法,随机–类似SGD一篇神经网络入门BP反向传播,表示很复杂的函数/空间分布从最后一层往前调整参数,反复循环该操作y=a(wx+b)x输入y输出a激活函
- 53、深度学习-自学之路-自己搭建深度学习框架-14、使用自己的架构搭建一个通过学习模仿莎士比亚风格的2000次的文章。并且在关键层配有详细解释。
小宇爱
深度学习-自学之路深度学习人工智能神经网络自然语言处理rnn
importnumpyasnpclassTensor(object):def__init__(self,data,autograd=False,creators=None,creation_op=None,id=None):self.data=np.array(data)self.autograd=autogradself.grad=Noneif(idisNone):self.id=np.rand
- 自然语言处理(Natural Language Processing, NLP)的主要应用及核心技术
彬彬侠
自然语言处理NLP自然语言处理
自然语言处理(NLP)是人工智能(AI)的一个重要分支,旨在让计算机能够理解、生成和处理人类语言。NLP在多个领域有着广泛的应用,并结合了多种先进的技术,包括机器学习(ML)、深度学习(DL)、统计模型以及规则方法。1.自然语言处理的主要应用1.1机器翻译(MachineTranslation,MT)应用场景:在线翻译:GoogleTranslate、DeepL、BaiduTranslate。跨语
- 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
- 【漫话机器学习系列】106.线性激活函数(Linear Activation Function)
IT古董
漫话机器学习系列专辑机器学习人工智能激活函数
1.什么是线性激活函数?线性激活函数是一种最简单的激活函数,数学表达式为:即输出与输入保持完全线性关系。这意味着对于任何输入值x,其输出将等于输入值本身,函数图像为一条通过原点的直线。在神经网络中,激活函数的作用是将网络的线性组合映射到某种非线性输出。传统的线性激活函数常用于一些特定场景,比如回归问题,其中预测的目标值与输入特征之间可能存在线性关系。2.线性激活函数的特点线性关系:与其他常见的激活
- 用PyTorch玩转数据:从整理到“看图说话
开心快乐幸福一家人
pytorch人工智能python
最近在实验室鼓捣深度学习项目,发现PyTorch的数据处理流程简直像搭乐高——每个模块都精准卡位。今天就把这套"厨房级"工具链拆解给大家看看,连我这种手残党都能轻松上手。01数据收纳术:你的专属AI管家想象你有一堆杂乱照片需要整理。PyTorch的Dataset类就像智能相册,只要定义好__getitem__(怎么找照片)和__len__(总共有多少张),它就能瞬间把你的数据码得整整齐齐。而Dat
- Windows环境安装torch_geometric库报错
一穷二白到年薪百万
报错专栏pythonanacondapip
Windows下安装,最近在学习图神经网络需要用到geometric_torch结果怎么装都装不上。查阅了各种资料尝试了各种方法,有的说是因为visualc++buildtools没有安装博客链接,有的说升级conda甚至还有的说卸载pytorch重装命,令行如下:condaupdate#升级conda所有的包官网下载地址:https://pypi.org/project/torch-geom
- 模式识别课程设计:人脸识别 背景与问题引入之问题描述
XLYcmy
模式识别网络安全人工智能课程设计模式识别人脸识别PCALLM
1.2问题描述通过之前的背景介绍可以知道人脸识别技术作为计算机视觉和模式识别领域的重要研究方向,已广泛应用于身份验证、安全监控、智能家居等多个领域。随着计算机硬件性能的不断提升和深度学习技术的成熟,人脸识别的精度和应用场景不断扩展。本研究设计了一种基于主成分分析(PCA)[7]和K-L变换的人脸识别系统,利用ORL人脸数据库作为数据源,对输入的人脸图像进行识别,并输出与其特征最相似的人脸。该系统的
- 深度学习模型大小与模型推理速度的探讨
ICUD
深度学习人工智能python
**昨天看到了非常好的两篇文章想在此记录和保存,由于模型的实时推理包含很多方面的因素,因而也庆幸能有机会看到这样的文章。**参考大佬:https://zhuanlan.zhihu.com/p/411522457
- 用 PyTorch/TensorFlow 搭建简单全连接神经网络
gs80140
AIpytorchtensorflow神经网络
目录用PyTorch/TensorFlow搭建简单全连接神经网络网络结构概述1.使用PyTorch构建网络2.使用TensorFlow构建网络总结用PyTorch/TensorFlow搭建简单全连接神经网络在本篇博客中,我们将介绍如何使用两大深度学习框架——PyTorch和TensorFlow,构建一个简单的全连接神经网络。该网络包含输入层、一个隐藏层和输出层,适合初学者理解神经网络的基本构建模块
- 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,
- 50、深度学习-自学之路-自己搭建深度学习框架-11、添加RNN递归神经网络层为了浮现RNN的神经网络使用框架。
小宇爱
深度学习-自学之路深度学习人工智能自然语言处理神经网络rnn
importnumpyasnpclassTensor(object):def__init__(self,data,autograd=False,creators=None,creation_op=None,id=None):self.data=np.array(data)self.autograd=autogradself.grad=Noneif(idisNone):self.id=np.rand
- 52、深度学习-自学之路-自己搭建深度学习框架-13、对话预测功能,使用我们自己建的架构重写RNN预测网络,程序的详细解读。
小宇爱
深度学习-自学之路深度学习人工智能神经网络自然语言处理rnn
importnumpyasnpclassTensor(object):def__init__(self,data,autograd=False,creators=None,creation_op=None,id=None):self.data=np.array(data)self.autograd=autogradself.grad=Noneif(idisNone):self.id=np.rand
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input 
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟