发呆的比目鱼
发呆的比目鱼

DrugAI资料汇总

DrugAI资料汇总

CADD学习汇总

  • CADD课程学习（1）-- 药物设计基础知识

分子式基础

  • SMILIES基础
  • CADD课程学习（2）-- 靶点晶体结构信息

数据集

  • 分子数据集
  • CADD课程学习（6）-- 获得已有的虚拟化合物库（Drugbank、ZINC）

ChemDraw

  • CADD课程学习（5）-- 构建靶点已知的化合结构（ChemDraw）

蛋白建模

  • CADD课程学习（4）-- 获取没有晶体结构的蛋白(SWISS-Model)

PyMol教程

  • 安装
  • 基础
  • 动画制作
  • surface/cartoon透明度的调节(静电势能)
  • 构建肽链+优化构型
  • 蛋白结合口袋结构比较(pocket alignment)
  • CADD课程学习（3）-- 靶点药物相互作用(PyMol)

AutoDock教程

  • CADD课程学习（7）-- 模拟靶点和小分子相互作用 （半柔性对接 AutoDock）
  • CADD课程学习（7）-- 模拟靶点和小分子相互作用 （柔性对接 AutoDock）

MOE教程

  • CADD课程学习（10）-- 模拟不同体系与小分子相互作用（MOE）
  • CADD课程学习（12）-- 基于碎片的药物设计（MOE）

ZDOCK教程

  • CADD课程学习（10）-- 模拟不同体系与蛋白-蛋白相互作用（ZDOCK）

Open Babel教程

  • CADD课程学习（9）-- 不同类型分子结构转换(Open Babel)

SYBYL教程

  • CADD课程学习（11）-- 构建已有小分子的构效关系模型(SYBYL)

虚拟筛选

  • CADD课程学习（8）-- 化合物库虚拟筛选（Virtual Screening）

Schrodinger教程

Rosetta教程

Rosetta: 了解Rosetta软件包构架(1)
Rosetta的程序的基本步骤(2)
Rosetta基础(3)–Rosetta能量函数简介

GROMACS分子动力学模拟

  • 安装Gromacs-2022 GPU-CUDA加速版 unbantu
  • CADD课程学习（13）-- 研究蛋白小分子动态相互作用(GROMACS)

RDKit教程

入门

  • 安装
  • 分子所具有的自由基电子数、价电子数

评价指标

分子

  • 定量评估类药性(QED)
  • 分子指纹的分子相似性计算
  • 药物分子进行片段分解
  • Murcko骨架聚类化合物库
  • 拓扑极性表面积(TPSA）
  • 合成可行性分数–SA SCORE

蛋白

  • LDDT

算法建模

分子生成（MG）

  • 2016 NIPS | Variational Graph Auto-Encoders
  • 2017 Oncotarget | The cornucopia of meaningful leads: Applying deep adversarial autoencoders for new molecule development in oncology
  • 2017 Molecular Informatics | Application of generative autoencoder in de novo molecular design
  • 2018 arXiv | Objective-Reinforced Generative Adversarial Networks (ORGAN) for Sequence Generation Mo
  • 2018 Journal of cheminformatics | Molecular generative model based on conditional variational autoencoder for de novo molecular design
  • 2018 arXiv preprint | MolGAN: An implicit generative model for small molecular graphs
  • 2018 ACS | Generating Focused Molecule Libraries for Drug Discovery with Recurrent Neural Networks
  • 2018 ACS | Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules
  • 2019 NeurIPS | Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation
  • 2019 ICLR | Learning Multimodal Graph-to-Graph Translation for Molecular Optimization
  • 2020 Front. Pharmacol | Molecular Sets (MOSES): A Benchmarking Platform for Molecular Generation Models
  • 2020 ACM | MoFlow: An Invertible Flow Model for Generating Molecular Graphs
  • CLR 2020 | GraphAF: a Flow-based Autoregressive Model for Molecular Graph Generation
    • GraphAF源码解读
  • 2021 CIKM |GF-VAE: A Flow-based Variational Autoencoder for Molecule Generation
  • 2022 | Sample Efficiency Matters: A Benchmark for Practical Molecular Optimization
  • 2022 ICML | LIMO: Latent Inceptionism for Targeted Molecule Generation
  • 2022 ICLR | CONTRASTIVE LEARNING OF IMAGE- AND STRUCTURE BASED REPRESENTATIONS IN DRUG DISCOVERY
  • 2022 ICML | Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets

3D

  • Equivariant Diffusion for Molecule Generation in 3D
  • GeoDiff: A Geometric Diffusion Model for Molecular Conformation Generation
  • GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles

分子优化（MO）

分子属性预测（MPP）

分子毒性预测（MTP）

配体受体亲和力预测（CPI）

  • 2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks
  • 2020 Bioinformatics | TransformerCPI: Improving compound–protein interaction prediction by sequence-based deep learning with self-attention mechanism and label reversal experiments
  • 2021 RSC | DGraphDTA:Drug–target affinity prediction using graph neural network and contact maps
  • 2022 nature machine intelligence | GLAM: An adaptive graph learning method for automated molecular interactions and properties predictions

蛋白质结构预测

蛋白预测

  • 2022 Science | Scaffolding protein functional sites using deep learning

你可能感兴趣的:(DrugAi,人工智能,自然语言处理,数据挖掘)

  • AI时代，程序员如何提升竞争力：技术与软技能双修炼 源码姑娘 人工智能
    人工智能技术的迅猛发展正在重塑软件开发行业的格局。从代码生成工具（如GitHubCopilot）到智能调试系统，AI已从辅助工具逐步演变为开发流程中不可或缺的伙伴。然而，这种变革既是机遇也是挑战：程序员若想在这场技术浪潮中保持竞争力，必须实现技术与软技能的双重修炼。本文将从技术深耕、AI工具驾驭、跨学科融合及软技能提升四个维度，探讨程序员的核心竞争力构建路径。一、技术修炼：从工具使用者到领域专家1
  • AI大语言模型(LLM)：电商行业的搜索革命与未来趋势 搞技术的妹子 人工智能语言模型智能电视
    大语言模型：电商行业的搜索革命与未来趋势一、大语言模型在电商搜索中的应用1.提升搜索精准度2.改善搜索召回率3.虚拟购物助手二、大语言模型与生成性AI的结合1.生成性AI：从搜索到对话式购物体验2.提升个性化推荐三、大语言模型的未来展望1.电商与LLM的深度融合2.面临的挑战与机遇随着人工智能的快速发展，电商行业正在经历一场深刻的变革。尤其是在搜索技术方面，大语言模型（LLM）正逐渐成为提升用户体
  • SpringAI赋能Java开发打造智能应用 java技术小馆 javaAI编程
    一、SpringAI是什么？为什么你需要它？想象一下，你的Java应用能够：理解自然语言自动生成代码智能分析数据提供个性化推荐这就是SpringAI带来的变革！它是Spring官方推出的AI集成框架，让你的Java应用轻松获得AI能力。传统开发vsSpringAI开发对比：能力传统开发SpringAI开发自然语言处理需要集成第三方SDK开箱即用开发效率手动实现复杂逻辑自动生成代码维护成本高低可扩展
  • LLM OS 系统架构详细设计 AI天才研究院 AI大模型企业级应用开发实战系统架构
    LLMOS系统架构详细设计1.背景介绍近年来，大型语言模型（LargeLanguageModel,LLM）取得了飞速发展，在自然语言处理、对话系统、文本生成等领域展现出卓越的性能。然而，现有的LLM系统架构仍然存在诸多局限性，例如可扩展性不足、资源利用率低下、缺乏灵活的应用开发支持等。为了充分发挥LLM的潜力，迫切需要一个高效、灵活、易用的LLM操作系统（OperatingSystem,OS）。本
  • mac系统下安装pycharm 连小黑 pythonpycharmmacospython
    mac系统下安装pycharm前言Windows系统安装教程传送门链接:https://blog.csdn.net/lianxiaohei/article/details/121694126随着人工智能的不断发展，机器学习这门技术也越来越重要，也有很多人都因为做自动化，爬虫会学python，今天写的是pycharm编译器，在mac上如何安装,废话不多说，上步骤一、第一步下载示例：下载安装软件的第一
  • 语义向量模型全解：从基础到现在的deepseek中的语义向量主流模型 来自于狂人 人工智能语言模型
    一、语义向量模型：自然语言处理的基石语义向量模型（SemanticVectorModel）是自然语言处理（NLP）的核心技术，它将词汇、句子或文档映射为高维向量，在数学空间中量化语义信息。通过向量距离（如余弦相似度）衡量语义的相似性，支撑了搜索引擎、情感分析、机器翻译等实际应用。1.1发展简史1980s~2000s：基于统计的浅层模型，如TF-IDF（直接表征词的重要性）、LSA（通过矩阵分解降维
  • 基于Ubuntu+vLLM+NVIDIA T4高效部署DeepSeek大模型实战指南 来自于狂人 python人工智能pytorch语言模型
    一、前言：拥抱vLLM与T4显卡的强强联合在探索人工智能的道路上，如何高效地部署和运行大型语言模型（LLMs）一直是一个核心挑战。尤其是当我们面对资源有限的环境时，这个问题变得更加突出。原始的DeepSeek-R1-32B模型虽然强大，但在T4显卡上遭遇了显存溢出的问题，这限制了其在实际应用中的潜力。为了解决这一难题，我们转向了官方提供的优化版本——DeepSeek-R1-Distill-Qwen
  • 深度学习算法模型：从原理到未来 YDH_AlwaysRunning 深度学习
    近年来，人工智能（AI）技术以前所未有的速度改变着人类生活，而深度学习的崛起无疑是这场技术革命的核心驱动力。从手机中的语音助手到医学影像的智能诊断，从自动驾驶汽车到生成式AI创作的诗歌和画作，深度学习算法模型正逐渐渗透到社会的每个角落。本文将从基本原理出发，解析典型模型的运作机制，探讨其应用现状与发展趋势，带您全面认识这一改变世界的技术。一、深度学习的基本原理：让机器学会"思考"1.1神经网络的生
  • python 正则表达式 李昊哲小课 大数据人工智能pythonpython正则表达式数据分析人工智能大数据
    #coding:utf-8importre常用函数代码3-1使用match函数匹配文本match函数，从字符串‌起始位置‌匹配正则表达式，返回Match对象（匹配失败返回None）。text1='自然语言处理是研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。'print('匹配的结果是：',re.match(r'自然语言处理
  • AI 芯片全解析：定义、市场趋势与主流芯片对比 嵌入式Jerry AI人工智能物联网嵌入式硬件服务器运维
    1.引言：什么是AI芯片？随着人工智能（AI）的快速发展，AI计算的需求不断增长，从云计算到边缘计算，AI芯片成为推动智能化时代的核心动力。那么，什么样的芯片才算AI芯片？与普通处理器（如CPU、GPU）相比，AI芯片有什么不同？本文将详细解析AI芯片的定义、核心特性、市场上的流行产品（国内外），以及AI芯片的定位与发展趋势。2.什么才算AI芯片？2.1AI芯片的核心特性AI芯片专为神经网络计算、
  • 如何使用DeepSeek进行高效数据挖掘与分析 Small踢倒coffee_氕氘氚 笔记经验分享迭代器模式
    ##摘要随着大数据时代的到来，数据挖掘与分析技术在各行各业中扮演着越来越重要的角色。DeepSeek作为一种先进的数据挖掘工具，能够帮助用户从海量数据中提取有价值的信息。本文将详细介绍DeepSeek的功能、使用方法及其在实际应用中的优势，旨在为用户提供一份全面的使用指南。##关键词DeepSeek、数据挖掘、数据分析、机器学习、大数据##引言###背景在当今信息爆炸的时代，数据已成为企业决策的重
  • 预训练模型微调与下游任务迁移学习技术 AGI大模型与大数据研究院 计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍机器学习技术近年来在计算机视觉、自然语言处理等领域取得了飞速发展,这离不开大规模预训练模型的贡献。预训练模型通过在海量数据上的自监督学习,学习到了丰富的特征表示,为下游任务提供了强大的初始化。而对预训练模型进行有效的微调,可以充分利用预训练知识,在有限数据上快速达到出色的性能。此外,迁移学习技术也为模型在不同任务间的知识复用提供了有效途径。本文将详细介绍预训练模型微调与下游任务迁移学习
  • 什么是预训练语言模型下游任务？ 衣衣困 语言模型人工智能自然语言处理
    问题：Word2Vec模型是预训练模型吗？由于训练的特性，word2Vec模型一定是与训练模型。给定一个词先使用独热编码然后使用预训练好的Q矩阵得到这个词的词向量。这里指的是词向量本身就是预训练的语言模型。什么是下游任务？在自然语言处理（NLP）和机器学习领域，下游任务（downstreamtasks）指的是使用已经训练好的模型或表示（如词向量、预训练的模型等）来解决的具体任务。这些任务通常依赖于
  • DeepSeek：大模型领域的创新力量 Kurbaneli 服务器
    在人工智能大模型蓬勃发展的时代，DeepSeek以其独特的技术优势和广泛的应用潜力，迅速在市场中崭露头角。自年初发布以来，DeepSeek引发了行业内外的高度关注，对众多领域的发展产生了深远影响。一、技术优势剖析DeepSeek在技术层面展现出了诸多亮点。其核心的语言模型架构经过精心设计与优化，能够高效处理海量文本数据，实现精准的语义理解和生成。在自然语言处理任务中，无论是基础的文本翻译、问答系统
  • 大语言模型原理与工程实践：大语言模型推理工程推理加速：算子优化 AI天才研究院 计算DeepSeekR1&大数据AI人工智能大模型计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍近年来，大语言模型（LargeLanguageModel，LLM）在自然语言处理（NLP）领域取得了显著的进展。其中，推理（Inference）过程是大语言模型的核心环节之一。然而，随着模型规模的不断扩大，推理过程中的计算复杂度和延时也逐渐成为制约模型应用的重要因素。因此，如何实现大语言模型推理工程的推理加速，成为研究者和工程师迫切需要解决的问题。2.核心概念与联系在本文中，我们将深入
  • AI辅助的企业估值报告生成器 AI智能涌现深度研究 DeepSeekR1&大数据AI人工智能人工智能ai
    AI辅助的企业估值报告生成器关键词AI辅助估值企业估值报告数据处理机器学习算法报告生成器摘要本文将探讨如何利用人工智能技术辅助企业估值报告的生成。通过分析估值报告的重要性、AI技术在估值报告中的应用场景、估值模型与数据处理方法，以及机器学习算法在估值中的应用，本文旨在为企业和投资者提供一个高效、准确、可视化的估值报告生成解决方案。同时，本文还将介绍一个估值报告生成器的实现过程，并通过实际案例进行分
  • 全套DeepSeek使用手册分享【清华北大出品】 咪咪360 pdfAI写作AIGC人工智能学习
    资料链接：https://pan.quark.cn/s/517afdb4419c这两天，清华大学和北京大学的AI学习手册火了！随着人工智能的日益火爆，人们越来越重视AI的学习，而清华北大也顺应潮流，送出重磅福利。短短不到一个月，连续产出了多本高质量的DeepSeek学习手册。帮助普通人高效便捷的学习AI。完整版学习资料我已经帮大家整理好了，放在开头，大家自行领取学习。
  • 微调（Fine-tuning） 路野yue 人工智能深度学习
    微调（Fine-tuning）是自然语言处理（NLP）和深度学习中的一种常见技术，用于将预训练模型（Pre-trainedModel）适配到特定任务上。它的核心思想是：在预训练模型的基础上，通过少量任务相关的数据进一步训练模型，使其更好地适应目标任务。1.微调的核心思想预训练模型：像BERT、GPT这样的模型，已经在大量通用文本数据上进行了预训练，学习到了丰富的语言知识（如语法、语义、上下文关系等
  • AI Agent，大模型重要落地方向 IT猫仔 人工智能语言模型架构搜索引擎机器学习
    01什么是AIAgent？OpenAI将AIAgent定义为，以大语言模型为大脑驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。在计算机、人工智能专业技术领域，一般将agent译为“智能体”，即是在一定的环境中体现出自治性、反应性、社会性、预动性、思辨性（慎思性）、认知性等一种或多种智能特征的软件或硬件实体。它具有记忆、规划、行动和使用工具四个主要模块。通过四个
  • AI人工智能 Agent：对教育的影响 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    AI人工智能Agent：对教育的影响1.背景介绍1.1教育领域的转变随着科技的飞速发展,教育领域也在经历着前所未有的变革。传统的教学模式已经无法完全满足现代社会对人才培养的需求。在这种背景下,人工智能(AI)技术应运而生,为教育领域带来了全新的机遇和挑战。1.2人工智能在教育中的作用人工智能技术可以为教育提供个性化、智能化和高效的解决方案。AI智能代理(Agent)作为人工智能的重要组成部分,正在
  • 项目开发实录（一）：基于RDK X5的智能垃圾分类垃圾桶 一团乱毛线� RDKX5地瓜机器人分类人工智能
    文章目录项目简介硬件及材料列表整体架构流程技术细节后续开发安排-----------------------------分割线----------------------------------项目简介基于RDKX5开发板的智能垃圾分类垃圾桶项目，旨在利用人工智能技术实现垃圾的自动识别与分类。垃圾桶硬件装置应实现对行人投入垃圾的四分类投放(可回收垃圾、有害垃圾、厨余垃圾、其他垃圾)。该系统主要由摄
  • 3 步低代码构建 AI 股票分析助手 人工智能技术资讯 低代码人工智能
    在金融服务行业的数字化转型浪潮中，构建一个灵活、可扩展、高度可用的现代IT架构是金融机构面临的重中之重。在这一过程中，生成式人工智能（GenerativeAI）正成为助力金融从业者提高工作效率、优化决策过程的重要工具。在金融市场上，买方机构通常会努力发掘有关金融市场运作的信息，以期获得战胜市场的能力。他们通常需要发掘对投资组合风险有重大影响的风险因子，比如市场因子、行业因子、规模因子、价值因子等；
  • 《DataWorks：为人工智能算法筑牢高质量数据根基》 人工智能深度学习
    在当今数字化时代，人工智能（AI）技术的迅猛发展深刻地改变着各个行业的面貌。从智能推荐系统到医疗影像诊断，从自动驾驶到自然语言处理，AI正以前所未有的速度渗透到我们生活和工作的方方面面。而在这一系列AI应用的背后，高质量的训练数据是其能够发挥强大效能的关键所在。就如同巧妇难为无米之炊，没有优质的数据，再先进的AI算法也难以施展拳脚。阿里巴巴的DataWorks，作为一款强大的大数据开发治理平台，在
  • 基于Django的人脸识别考勤管理系统(源码+LW+部署讲解) 毕业程序员 python计算机毕业设计djangopython后端
    收藏关注不迷路文章目录前言一、项目介绍三、功能介绍四、核心代码五、效果图六、文章目录前言随着信息技术的快速发展和人工智能的广泛应用，人脸识别技术因其独特的识别优势和高效的处理能力，逐渐在考勤管理领域展现出巨大的应用潜力。本文首先回顾了人脸识别技术的发展历程，分析了其在考勤系统中的技术原理和实现方式。随后，文章详细介绍了人脸识别考勤系统的设计架构、核心算法及关键技术，包括图像采集、预处理、特征提取和
  • Claude 3.7 Sonnet上线，Anthropic向OpenAI和DeepSeek宣战！ 新加坡内哥谈技术 人工智能自然语言处理语言模型深度学习学习
    每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/Anthropic最新发布的Claude3.7Sonnet正式加入AI智能体大战，不仅对
  • 让AI团队来分析股票！一份可以参考的简单研报——基于Python的CrewAI库 Ra1n_Su ai人工智能python
    引言在最近，一个更新的科技概念AIAgent（人工智能助手）引起了人们更为广泛的关注。比尔盖茨称其为“一个对科技行业的冲击波”。OpenAI将AIAgent定义为“以大语言模型为大脑驱动的系统，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务的系统。”我们可以将其通俗地理解为一个“你提要求就行，任务我来做”的强大工具人。因此，本文要搭建一个扮演分析师角色的AIAgent。
  • ChatGPT-5：开创对话式AI的新纪元 可有道？ 人工智能AIGC
    随着科技的飞速发展，人工智能（AI）正在迅速改变我们的生活方式。作为AI技术的前沿代表之一，ChatGPT自其初次发布以来，就以其强大的语言理解和生成能力受到了广泛关注和应用。如今，OpenAI推出最新版本——ChatGPT-5，（预计将于2024年下半年发布）这一版本在各个方面都进行了显著的升级和改进。这里详细介绍一下ChatGPT-5的技术基础、升级功能及其在日常生活中的应用。1.ChatGP
  • Spring AI：智能化的开发新趋势 精神之祝 java人工智能springjava
    SpringAI：智能化的开发新趋势在当今数字化时代，人工智能（AI）技术正在迅速渗透到各个行业和领域。作为Java开发者，掌握AI技术以及如何将其与现有的开发框架结合使用，已成为提升竞争力的重要途径。Spring生态系统的强大，使得开发者能够将AI集成到他们的应用程序中，今天将深入探讨SpringAI的各个方面，帮助你理解这一新兴技术。文章目录SpringAI：智能化的开发新趋势一、什么是Spr
  • Spring AI Alibaba：Java 开发者的 AI 应用开发新利器 ZnSoft〔100-1=0〕 javaspring人工智能
    在当今这个由人工智能（AI）驱动的时代，AI技术正在以前所未有的速度改变着我们的工作和生活方式。对于Java开发者来说，将AI能力集成到他们的应用程序中，已经成为了一个迫切的需求。阿里云开源的SpringAIAlibaba框架，正是为了满足这一需求而生。本文将详细介绍SpringAIAlibaba的起源、核心特性，并通过一个示例展示其在AI应用开发中的便利性。一、SpringAIAlibaba的起
  • 软件设计和软件架构之间的区别 前网易架构师-高司机 软件架构软件设计系统架构
    作者简介：高科，先后在IBMPlatformComputing从事网格计算，淘米网，网易从事游戏服务器开发，拥有丰富的C++，go等语言开发经验，mysql，mongo，redis等数据库，设计模式和网络库开发经验，对战棋类，回合制，moba类页游，手游有丰富的架构设计和开发经验。并且深耕深度学习和数据集训练，提供商业化的视觉人工智能检测和预警系统（煤矿，工厂，制造业，消防等领域的工业化产品），合
  • HQL之投影查询 归来朝歌 HQLHibernate查询语句投影查询
            在HQL查询中，常常面临这样一个场景，对于多表查询，是要将一个表的对象查出来还是要只需要每个表中的几个字段，最后放在一起显示？ 针对上面的场景，如果需要将一个对象查出来： HQL语句写“from 对象”即可 Session session = HibernateUtil.openSession();
  • Spring整合redis bylijinnan redis
    pom.xml <dependencies> <!-- Spring Data - Redis Library --> <dependency> <groupId>org.springframework.data</groupId> <artifactId>spring-data-redi
  • org.hibernate.NonUniqueResultException: query did not return a unique result: 2 0624chenhong Hibernate
    参考：http://blog.csdn.net/qingfeilee/article/details/7052736 org.hibernate.NonUniqueResultException: query did not return a unique result: 2         在项目中出现了org.hiber
  • android动画效果 不懂事的小屁孩 android动画
    前几天弄alertdialog和popupwindow的时候，用到了android的动画效果，今天专门研究了一下关于android的动画效果，列出来，方便以后使用。 Android 平台提供了两类动画。 一类是Tween动画，就是对场景里的对象不断的进行图像变化来产生动画效果（旋转、平移、放缩和渐变）。 第二类就是 Frame动画，即顺序的播放事先做好的图像，与gif图片原理类似。
  • js delete 删除机理以及它的内存泄露问题的解决方案 换个号韩国红果果 JavaScript
    delete删除属性时只是解除了属性与对象的绑定，故当属性值为一个对象时，删除时会造成内存泄露  （其实还未删除） 举例： var person={name:{firstname:'bob'}} var p=person.name delete person.name p.firstname -->'bob' // 依然可以访问p.firstname，存在内存泄露
  • Oracle将零干预分析加入网络即服务计划 蓝儿唯美 oracle
    由Oracle通信技术部门主导的演示项目并没有在本月较早前法国南斯举行的行业集团TM论坛大会中获得嘉奖。但是，Oracle通信官员解雇致力于打造一个支持零干预分配和编制功能的网络即服务（NaaS）平台，帮助企业以更灵活和更适合云的方式实现通信服务提供商（CSP）的连接产品。这个Oracle主导的项目属于TM Forum Live!活动上展示的Catalyst计划的19个项目之一。Catalyst计
  • spring学习——springmvc（二） a-john springMVC
    Spring MVC提供了非常方便的文件上传功能。 1，配置Spring支持文件上传： DispatcherServlet本身并不知道如何处理multipart的表单数据，需要一个multipart解析器把POST请求的multipart数据中抽取出来，这样DispatcherServlet就能将其传递给我们的控制器了。为了在Spring中注册multipart解析器，需要声明一个实现了Mul
  • POJ-2828-Buy Tickets aijuans ACM_POJ
    POJ-2828-Buy Tickets http://poj.org/problem?id=2828 线段树，逆序插入 #include<iostream>#include<cstdio>#include<cstring>#include<cstdlib>using namespace std;#define N 200010struct
  • Java Ant build.xml详解 asia007 build.xml
    1,什么是antant是构建工具2,什么是构建概念到处可查到，形象来说，你要把代码从某个地方拿来，编译，再拷贝到某个地方去等等操作，当然不仅与此，但是主要用来干这个3,ant的好处跨平台   --因为ant是使用java实现的，所以它跨平台使用简单--与ant的兄弟make比起来语法清晰--同样是和make相比功能强大--ant能做的事情很多，可能你用了很久，你仍然不知道它能有
  • android按钮监听器的四种技术 百合不是茶 androidxml配置监听器实现接口
    android开发中经常会用到各种各样的监听器,android监听器的写法与java又有不同的地方;    1,activity中使用内部类实现接口 ,创建内部类实例  使用add方法  与java类似   创建监听器的实例 myLis lis = new myLis();   使用add方法给按钮添加监听器  
  • 软件架构师不等同于资深程序员 bijian1013 程序员架构师架构设计
            本文的作者Armel Nene是ETAPIX Global公司的首席架构师，他居住在伦敦，他参与过的开源项目包括 Apache Lucene,，Apache Nutch， Liferay 和 Pentaho等。         如今很多的公司
  • TeamForge Wiki Syntax & CollabNet User Information Center sunjing TeamForgeHow doAttachementAnchorWiki Syntax
    the CollabNet user information center http://help.collab.net/   How do I create a new Wiki page? A CollabNet TeamForge project can have any number of Wiki pages. All Wiki pages are linked, and
  • 【Redis四】Redis数据类型 bit1129 redis
    概述 Redis是一个高性能的数据结构服务器，称之为数据结构服务器的原因是，它提供了丰富的数据类型以满足不同的应用场景，本文对Redis的数据类型以及对这些类型可能的操作进行总结。 Redis常用的数据类型包括string、set、list、hash以及sorted set.Redis本身是K/V系统，这里的数据类型指的是value的类型，而不是key的类型，key的类型只有一种即string
  • SSH2整合-附源码 白糖_ eclipsespringtomcatHibernateGoogle
    今天用eclipse终于整合出了struts2+hibernate+spring框架。 我创建的是tomcat项目，需要有tomcat插件。导入项目以后，鼠标右键选择属性，然后再找到“tomcat”项，勾选一下“Is a tomcat project”即可。具体方法见源码里的jsp图片，sql也在源码里。     补充1：项目中部分jar包不是最新版的，可能导
  • [转]开源项目代码的学习方法 braveCS 学习方法
    转自： http://blog.sina.com.cn/s/blog_693458530100lk5m.html http://www.cnblogs.com/west-link/archive/2011/06/07/2074466.html   1）阅读features。以此来搞清楚该项目有哪些特性2）思考。想想如果自己来做有这些features的项目该如何构架3）下载并安装d
  • 编程之美-子数组的最大和（二维） bylijinnan 编程之美
    package beautyOfCoding; import java.util.Arrays; import java.util.Random; public class MaxSubArraySum2 { /** * 编程之美 子数组之和的最大值（二维） */ private static final int ROW = 5; private stat
  • 读书笔记-3 chengxuyuancsdn jquery笔记resultMap配置ibatis一对多配置
    1、resultMap配置 2、ibatis一对多配置 3、jquery笔记 1、resultMap配置 当<select resultMap="topic_data"> <resultMap id="topic_data">必须一一对应。 (1)<resultMap class="tblTopic&q
  • [物理与天文]物理学新进展 comsci
          如果我们必须获得某种地球上没有的矿石,才能够进行某些能量输出装置的设计和建造,而要获得这种矿石,又必须首先进行深空探测,而要进行深空探测,又必须获得这种能量输出装置,这个矛盾的循环,会导致地球联盟在与宇宙文明建立关系的时候,陷入困境       怎么办呢?  
  • Oracle 11g新特性:Automatic Diagnostic Repository daizj oracleADR
    Oracle Database 11g的FDI（Fault Diagnosability Infrastructure）是自动化诊断方面的又一增强。 FDI的一个关键组件是自动诊断库（Automatic Diagnostic Repository-ADR）。 在oracle 11g中，alert文件的信息是以xml的文件格式存在的，另外提供了普通文本格式的alert文件。 这两份log文
  • 简单排序:选择排序 dieslrae 选择排序
    public void selectSort(int[] array){ int select; for(int i=0;i<array.length;i++){ select = i; for(int k=i+1;k<array.leng
  • C语言学习六指针的经典程序，互换两个数字 dcj3sjt126com c
    示例程序，swap_1和swap_2都是错误的，推理从1开始推到2，2没完成，推到3就完成了 # include <stdio.h> void swap_1(int, int); void swap_2(int *, int *); void swap_3(int *, int *); int main(void) { int a = 3; int b =
  • php 5.4中php-fpm 的重启、终止操作命令 dcj3sjt126com PHP
    php 5.4中php-fpm 的重启、终止操作命令: 查看php运行目录命令：which php/usr/bin/php 查看php-fpm进程数：ps aux | grep -c php-fpm 查看运行内存/usr/bin/php  -i|grep mem 重启php-fpm/etc/init.d/php-fpm restart 在phpinfo()输出内容可以看到php
  • 线程同步工具类 shuizhaosi888 同步工具类
    同步工具类包括信号量（Semaphore）、栅栏（barrier）、闭锁（CountDownLatch）   闭锁（CountDownLatch） public class RunMain { public long timeTasks(int nThreads, final Runnable task) throws InterruptedException { fin
  • bleeding edge是什么意思 haojinghua DI
    不止一次，看到很多讲技术的文章里面出现过这个词语。今天终于弄懂了——通过朋友给的浏览软件，上了wiki。  我再一次感到，没有辞典能像WiKi一样，给出这样体贴人心、一清二楚的解释了。为了表达我对WiKi的喜爱，只好在此一一中英对照，给大家上次课。   In computer science, bleeding edge is a term that
  • c中实现utf8和gbk的互转 jimmee ciconvutf8&gbk编码
    #include <iconv.h> #include <stdlib.h> #include <stdio.h> #include <unistd.h> #include <fcntl.h> #include <string.h> #include <sys/stat.h> int code_c
  • 大型分布式网站架构设计与实践 lilin530 应用服务器搜索引擎
    1.大型网站软件系统的特点？ a.高并发，大流量。 b.高可用。 c.海量数据。 d.用户分布广泛，网络情况复杂。 e.安全环境恶劣。 f.需求快速变更，发布频繁。 g.渐进式发展。 2.大型网站架构演化发展历程？ a.初始阶段的网站架构。 应用程序，数据库，文件等所有的资源都在一台服务器上。 b.应用服务器和数据服务器分离。 c.使用缓存改善网站性能。 d.使用应用
  • 在代码中获取Android theme中的attr属性值 OliveExcel androidtheme
    Android的Theme是由各种attr组合而成, 每个attr对应了这个属性的一个引用, 这个引用又可以是各种东西.   在某些情况下, 我们需要获取非自定义的主题下某个属性的内容 (比如拿到系统默认的配色colorAccent), 操作方式举例一则: int defaultColor = 0xFF000000; int[] attrsArray = { andorid.r.
  • 基于Zookeeper的分布式共享锁 roadrunners zookeeper分布式共享锁
    首先，说说我们的场景，订单服务是做成集群的，当两个以上结点同时收到一个相同订单的创建指令，这时并发就产生了，系统就会重复创建订单。等等......场景。这时，分布式共享锁就闪亮登场了。   共享锁在同一个进程中是很容易实现的，但在跨进程或者在不同Server之间就不好实现了。Zookeeper就很容易实现。具体的实现原理官网和其它网站也有翻译，这里就不在赘述了。   官
  • 两个容易被忽略的MySQL知识 tomcat_oracle mysql
    1、varchar(5)可以存储多少个汉字，多少个字母数字？ 　　相信有好多人应该跟我一样，对这个已经很熟悉了，根据经验我们能很快的做出决定，比如说用varchar(200)去存储url等等，但是，即使你用了很多次也很熟悉了，也有可能对上面的问题做出错误的回答。 　　这个问题我查了好多资料，有的人说是可以存储5个字符，2.5个汉字（每个汉字占用两个字节的话），有的人说这个要区分版本，5.0
  • zoj 3827 Information Entropy(水题) 阿尔萨斯 format
    题目链接：zoj 3827 Information Entropy 题目大意：三种底，计算和。 解题思路：调用库函数就可以直接算了，不过要注意Pi = 0的时候，不过它题目里居然也讲了。。。limp→0+plogb(p)=0，因为p是logp的高阶。 #include <cstdio> #include <cstring> #include <cmath&
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他