- 实战LLM强化学习——使用GRPO(DeepSeek R1出圈算法)
大富大贵7
程序员知识储备1程序员知识储备2程序员知识储备3经验分享
引言近年来,深度强化学习(DRL)已经成为解决复杂决策问题的一个强有力工具,尤其是在自然语言处理(NLP)领域的广泛应用。通过不断优化决策策略,DRL能在大量数据中学习最佳行为,尤其是大型语言模型(LLM)在任务中展现出的巨大潜力。然而,随着模型规模的扩大和任务复杂性的增加,传统的强化学习算法开始暴露出训练效率低、收敛速度慢等问题。为了解决这些挑战,DeepSeek公司提出了一个新的强化学习算法—
- 混合整数非线性规划的松弛与分解方法
Waiyuet Fung
混合整数非线性规划松弛方法分解技术启发式算法全局优化
背景简介混合整数非线性规划(MINLPs)作为运筹学中的一个重要领域,涉及到优化问题的连续和离散变量混合,在工程设计、生产调度、资源分配等多个领域发挥着关键作用。本书由I.Nowak撰写,旨在深入探讨这一复杂的优化问题及其解决方案。MINLPs基础概念在本书的第一部分,Nowak介绍了MINLPs的基本概念。MINLPs的目标是寻找一组连续和整数变量的最优组合,以最小化或最大化某个非线性目标函数。
- 文本纠错(Text Correction)
dundunmm
人工智能数据挖掘文本纠错人工智能数据挖掘文本纠错深度学习
文本纠错(TextCorrection)是自然语言处理(NLP)中的一个重要任务,旨在自动检测并修正文本中的错误,包括拼写、语法、语义等层面的错误。其核心目标是通过算法模型将错误文本转换为符合语言规范的表达。该任务在自动写作辅助、搜索引擎优化、智能客服、教育等多个领域具有广泛应用。输入:包含错误的原始文本(如“我明天要去北京,希望天汽好。”)输出:修正后的规范文本(如“我明天要去北京,希望天气好。
- 使用CharacterTextSplitter实现文本按字符拆分
bavDHAUO
python
在文本处理任务中,按字符进行拆分是一种简单且有效的方法。本篇文章将介绍如何使用CharacterTextSplitter类对文本进行按字符拆分,并生成适用于下游任务的LangChainDocument对象。技术背景介绍文本拆分是自然语言处理(NLP)中的一个基础步骤,尤其在大文本分块处理、文本摘要等任务中。CharacterTextSplitter是langchain-text-splitters
- 【产品小白】什么是AI产品经理
百事不可口y
产品经理的一步一步人工智能产品经理学习产品运营内容运营用户运营
一、AI产品经理的定义与角色定位AI产品经理是人工智能技术与商业应用之间的核心桥梁,负责将复杂的AI技术转化为满足市场需求的产品。需同时具备技术理解力、商业洞察力和用户思维,既要参与算法选型与数据建模,又要定义产品功能与市场策略,是贯穿产品全生命周期的关键角色。与传统互联网产品经理相比,AI产品经理的独特之处在于:技术深度参与:需理解机器学习、自然语言处理(NLP)、计算机视觉等技术原理,并参与数
- 人工智能(AI)系统化学习路线
xiaoyu❅
python人工智能学习
一、为什么需要系统化学习AI?人工智能技术正在重塑各行各业,但许多初学者容易陷入误区:❌盲目跟风:直接学习TensorFlow/PyTorch,忽视数学与算法基础。❌纸上谈兵:只看理论不写代码,无法解决实际问题。❌方向模糊:对CV/NLP/RL等细分领域缺乏认知,难以针对性提升。正确的学习姿势:“金字塔式”分层学习(理论→算法→框架→应用→工程化),逐步构建完整的AI知识体系。二、人工智能学习路线
- NLP高频面试题(三)——普通RNN的梯度消失和梯度爆炸问题
Chaos_Wang_
NLP常见面试题自然语言处理rnn人工智能
普通RNN(循环神经网络)的梯度消失和梯度爆炸问题是指在训练深层或长序列的RNN模型时出现的两种典型问题:一、梯度消失(VanishingGradient)梯度消失是指在反向传播过程中,梯度逐层传播时变得越来越小,最终趋于接近0,导致模型前层的参数难以更新。原因:在反向传播时,每一层的梯度是通过链式法则计算得到的。因为链式求导中不断乘以一个较小的数值(小于1),随着层数或时间步的增加,梯度将指数级
- 使用LangChain实现大规模语言模型自发现推理结构
VYSAHF
langchain语言模型人工智能python
使用LangChain实现大规模语言模型自发现推理结构在现代自然语言处理(NLP)的研究中,大规模语言模型(LLMs)已经展示了强大的能力。然而,在应对复杂的推理问题时,传统的提示方法常常力不从心。这篇文章将带您了解SELF-DISCOVER,一种新兴的框架,如何通过LangChain来实现自动化、动态化的推理结构构建,以提高LLMs的性能。技术背景介绍大规模语言模型(如GPT-4和PaLM2)已
- 【论文精读】PatchTST-基于分块及通道独立机制的Transformer模型
打酱油的葫芦娃
时序预测算法时序预测PatchTSTTransformer预训练微调表征学习
《ATIMESERIESISWORTH64WORDS:LONG-TERMFORECASTINGWITHTRANSFORMERS》的作者团队来自PrincetonUniversity和IBMResearch,发表在ICLR2023会议上。动机Transformer模型因其自注意力机制在处理序列数据方面的优势,在自然语言处理(NLP)、计算机视觉(CV)、语音等多个领域取得了巨大成功。这种机制使得模型
- Dify知识库构建流程及示例
cqbelt
ai笔记AI应用
总体流程1.数据预处理清洗:去除噪声、特殊字符、标准化格式。分词/标记化:拆分文本为单词或子词单元(如使用Tokenizer)。元数据关联:附加来源、时间戳等信息,支持多维度检索。2.文本分块固定长度分块:按字符或Token数切分,简单高效。语义分块:基于句子边界或主题分割(如NLP模型识别段落主旨)。重叠策略:相邻块间部分重叠,避免上下文断裂。3.向量化(Embedding)嵌入模型:调用预训练
- NLP高频面试题(四)——BN和LN的区别与联系,为什么attention要用LN
Chaos_Wang_
NLP常见面试题自然语言处理人工智能
在深度学习模型中,Normalization是一种极为重要的技巧,BatchNormalization(BN)和LayerNormalization(LN)是其中最为常用的两种方法。然而,二者在实际应用中有着明显的区别与联系,尤其在Transformer的Attention机制中,LN有着独特的优势。一、BN与LN的核心区别与联系1.BatchNormalization(BN)BN的思想源于一个叫
- RAG 在多模态数据处理中的应用探索:结合图像与文本生成
hy098543
AIGC
目录引言多模态数据处理的挑战与需求数据异质性与融合难题多样化应用场景的需求RAG在图像与文本生成中的应用架构图像检索与文本生成协同跨模态特征融合与生成关键技术与实现细节图像特征提取与表示文本检索与语义理解跨模态生成模型训练应用案例分析智能设计辅助医疗影像报告生成结论引言随着信息技术的飞速发展,数据呈现出多模态的特性,即包含文本、图像、音频、视频等多种形式。在自然语言处理(NLP)和计算机视觉(CV
- AI在项目中的应用
酒江
人工智能
AI大模型(如GPT-4、BERT、T5等)在各类项目中有广泛的应用,可以极大地提高项目效率、优化流程,并解决许多传统方法难以应对的问题。以下是AI大模型在不同类型项目中的一些具体应用:1.自然语言处理(NLP)文本生成和摘要:AI大模型可以生成高质量的文本内容,自动撰写文章、新闻报道、博客或技术文档,甚至可以进行文献摘要,帮助内容创作者提高效率。情感分析:在客户服务、社交媒体监控或市场研究项目中
- AI API:快速集成智能化功能的开发利器
桂花饼
AIGCAIAPI人工智能AIGC语言模型AI作画
AIAPI(ArtificialIntelligenceApplicationProgrammingInterface,人工智能应用程序接口)是应用程序接口的一种,专门用于提供人工智能相关功能的开发接口。它允许开发者利用现有的AI模型、工具或服务,将这些功能集成到自己的应用程序中,并为用户带来智能化的体验。AIAPI的核心功能主要与AI技术相关,比如自然语言处理(NLP)、计算机视觉、语音处理、机
- 大模型与自然语言理解(NLU):差异与联系
技术流 Gavin
AIoTpython语言模型ai
近年来,人工智能领域取得了显著进展,尤其是在自然语言处理(NLP)方面。大模型和自然语言理解(NLU)作为NLP的两个重要分支,常常被提及,但它们之间存在着本质区别。1.定义与目标大模型:通常指拥有庞大参数规模(数十亿甚至数千亿)的深度学习模型,例如GPT-3、LaMDA等。它们通过海量文本数据进行训练,旨在学习语言的统计规律,并能够生成流畅、连贯的文本。NLU:是NLP的一个子领域,专注于让机器
- 论文阅读:Deep Stacked Hierarchical Multi-patch Network for Image Deblurring
行走的歌
文献阅读图像处理计算机视觉机器学习深度学习图像去雨图像处理
这是一篇去模糊的文章,后来发现直接套用不合适,无法获取到相应的特征,遂作罢,简单记录一下。2019CVPR:DMPHN这篇文章是2019CVPR的一篇去模糊方向的文章,师兄分享的时候看了一下,后来也发现这个网络结构在很多workshop以及文章中都见过。文章:ArXiv代码:Github在去模糊领域,目前的多尺度和尺度循环模型存在一些问题:1)由粗到细方案中的去卷积/上采样操作导致运行时间昂贵;2
- 基于树莓派的轻量级AI数字人开发全流程指南 ——从硬件选型到语音视觉交互实战
zhz5214
AIai人工智能AI写作AI编程智能体
1.背景与目标AI数字人,像是虚拟助手、交互式角色,在当下数字化浪潮中扮演着越来越重要的角色。其核心在于整合语音识别、视觉感知、自然语言处理(NLP)和动态反馈四大关键功能。本文将以树莓派5开发板为核心,搭配AI加速硬件,结合开源框架,为大家详细阐述如何实现本地化轻量级数字人开发。这一方案特别适用于教育领域,帮助学生更直观地理解AI技术;在智能家居场景中,也能为用户带来更智能、便捷的交互体验。2.
- RAG数据嵌入和重排序:如何选择合适的模型
从零开始学习人工智能
深度学习
RAG数据嵌入和重排序:如何选择合适的模型在自然语言处理(NLP)领域,Retrieval-AugmentedGeneration(RAG)模型已经成为一种强大的工具,用于结合检索和生成能力来处理复杂的语言任务。RAG模型的核心在于两个关键步骤:数据嵌入(Embedding)和重排序(Re-ranking)。这两个步骤的选择和优化对于模型的性能至关重要。本文将探讨如何选择合适的模型来实现高效的数据
- 自然语言处理领域CCF推荐的A类期刊
冰蓝蓝
自然语言处理人工智能
在自然语言处理(NLP)这一蓬勃发展的领域,研究人员和学者们致力于探索语言的深层含义和应用。中国计算机学会(CCF)推荐的A类期刊和会议是该领域内公认的高质量研究发表平台。这是我在学习时整理的一些顶刊并附上官网地址直达。1.ACL(AnnualMeetingoftheAssociationforComputationalLinguistics)ACL是自然语言处理领域的顶级会议之一,由Associ
- 机器学习中输入输出Tokens的概念详解
爱吃土豆的程序员
机器学习基础机器学习人工智能Tokens
随着深度学习技术的快速发展,大语言模型(LargeLanguageModels,LLMs)已经成为自然语言处理(NLP)领域的一个热点研究方向。这些模型不仅能够生成高质量的文本,还能在多种任务中展现出卓越的表现,比如机器翻译、问答系统、文本摘要等。在大语言模型的工作流程中,Tokens的概念扮演着至关重要的角色。本文将详细介绍大语言模型如何使用Tokens,以及如何计算Tokens的数量。什么是T
- 输入:0.5元/百万tokens(缓存命中)或2元(未命中) 输出:8元/百万tokens
杏花春雨江南
缓存
这句话描述了一种定价模型,通常用于云计算、API服务或数据处理服务中,根据资源使用情况(如缓存命中与否)来收费。以下是对这句话的详细解释:1.关键术语解释Tokens:在自然语言处理(NLP)或数据处理领域,Token通常指文本的最小单位(如一个单词或一个字符)。在这里,Tokens是计费的单位。缓存命中(CacheHit):当请求的数据已经在缓存中时,称为缓存命中。缓存命中通常意味着更快的响应速
- Ollama 基本概念
Mr_One_Zhang
学习Ollamaai
Ollama是一个本地化的、支持多种自然语言处理(NLP)任务的机器学习框架,专注于模型加载、推理和生成任务。通过Ollama,用户能够方便地与本地部署的大型预训练模型进行交互。1.模型(Model)在Ollama中,模型是核心组成部分。它们是经过预训练的机器学习模型,能够执行不同的任务,例如文本生成、文本摘要、情感分析、对话生成等。Ollama支持多种流行的预训练模型,常见的模型有:deepse
- CSDN社区,到底该不该用DeepSeek AI生成文章?
Small踢倒coffee_氕氘氚
python经验分享
##引言在当今数字化时代,人工智能(AI)技术正以惊人的速度发展,逐渐渗透到各个行业和领域。作为AI技术的一个重要分支,自然语言处理(NLP)在内容创作、文本生成等方面展现出了巨大的潜力。DeepSeekAI作为一款先进的AI写作工具,能够自动生成高质量的文章,极大地提高了内容创作的效率。然而,随着AI生成内容的普及,CSDN社区中的开发者、技术爱好者和内容创作者们开始思考一个问题:我们到底该不该
- AI大模型学习路线:从入门到精通的完整指南【2025最新】
AI大模型-大飞
人工智能学习大模型LLMAI程序员大模型学习
引言近年来,以GPT、BERT、LLaMA等为代表的AI大模型彻底改变了人工智能领域的技术格局。它们不仅在自然语言处理(NLP)任务中表现卓越,还在计算机视觉、多模态交互等领域展现出巨大潜力。本文旨在为开发者、研究者和技术爱好者提供一条清晰的学习路径,帮助读者逐步掌握大模型的核心技术并实现实际应用。一、基础阶段:构建知识体系数学与理论基础线性代数:矩阵运算、特征值与奇异值分解是大模型参数优化的基础
- 深入解析两大AI模型的架构与功能
草莓屁屁我不吃
人工智能chatgpt
在人工智能(AI)领域,自然语言处理(NLP)一直是研究的热点之一。随着技术的不断进步,我们见证了从简单的聊天机器人到复杂语言模型的演变。其中,Google的Gemini和OpenAI的ChatGPT作为两大代表性模型,各自在技术和应用上展现出了卓越的性能。本文将详细解析Gemini和ChatGPT的系统架构、功能特性及其背后的技术原理。Gemini模型详解技术背景与架构Gemini,顾名思义,意
- linux系统安全
IT小饕餮
linux基础linux系统安全运维
管理终端登录[root@localhost~]#grep"/sbin/nologin$"/etc/passwd表示禁止终端登录,应确保不被人改动输出结果:bin:x:1:1:bin:/bin:/sbin/nologindaemon:x:2:2:daemon:/sbin:/sbin/nologinadm:x:3:4:adm:/var/adm:/sbin/nologinlp:x:4:7:lp:/var
- 【NLP】 3. Distributional Similarity in NLP(分布式相似性)
pen-ai
NLP机器学习自然语言处理分布式人工智能
DistributionalSimilarityinNLP(分布式相似性)分布式相似性(DistributionalSimilarity)是自然语言处理(NLP)中的核心概念,基于“相似的单词出现在相似的上下文中”这一假设。它用于衡量单词之间的相似性,广泛应用于词向量、信息检索、文本分类等任务。1.分布式假设(DistributionalHypothesis)分布式相似性基于以下假设:“Yoush
- 【NLP】 9. 处理创造性词汇 & 词组特征(Creative Words & Features Model), 词袋模型处理未知词,模型得分
pen-ai
NLP机器学习自然语言处理人工智能深度学习
这里写目录标题处理创造性词汇&词组特征(CreativeWords&FeaturesModel)1.处理否定(NegationHandling)2.词组特征(Bigrams&N-grams)3.结合否定传播与n-grams进行优化词袋模型(Bag-of-Words,BoW)1.BoW示例2.处理未知词3.为什么忽略未知词?4.处理未知词的方法计算模型得分(ScoreCalculation)处理创造
- 【NLP】 5. Word Analogy Task(词类比任务)与 Intrinsic Metric(内在度量)
pen-ai
NLP机器学习自然语言处理word人工智能
WordAnalogyTask(词类比任务)定义:WordAnalogyTask是用于评估词向量质量的内在指标(IntrinsicMetric)。该任务基于这样的假设:如果词向量能够捕捉单词之间的语义关系,那么这些关系应该能够在向量空间中保持一定的结构。示例:在一个理想的词向量空间中,单词之间的关系应该满足如下等式:king−man+woman≈queenking−man+woman≈queenk
- 大规模语言模型从理论到实践 开源指令数据集
AI天才研究院
DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战AI大模型应用入门实战与进阶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
大规模语言模型从理论到实践开源指令数据集1.背景介绍大规模语言模型(LargeLanguageModels,LLMs)近年来在自然语言处理(NLP)领域取得了显著的进展。诸如GPT-3、BERT等模型在各种任务中表现出色,从文本生成到翻译,再到问答系统,几乎无所不能。这些模型的成功离不开庞大的训练数据集和复杂的算法架构。然而,如何有效地构建和利用开源指令数据集,仍然是一个值得深入探讨的话题。2.核
- JVM StackMapTable 属性的作用及理解
lijingyao8206
jvm字节码Class文件StackMapTable
在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率,在字节码规范中添加了Stack Map Table属性,以下简称栈图,其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
- 回调函数调用方法
百合不是茶
java
最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记 记录一下
代码很简单:
MainDemo :调用方法 得到方法的返回结果
- [时间机器]制造时间机器需要一些材料
comsci
制造
根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质
和材料...
甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......
 
- 开口埋怨不如闭口做事
邓集海
邓集海 做人 做事 工作
“开口埋怨,不如闭口做事。”不是名人名言,而是一个普通父亲对儿子的训导。但是,因为这句训导,这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子,叫张明正。 张明正出身贫寒,读书时成绩差,常挨老师批评。高中毕业,张明正连普通大学的分数线都没上。高考成绩出来后,平时开口怨这怨那的张明正,不从自身找原因,而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。
- jQuery插件开发全解析,类级别与对象级别开发
IT独行者
jquery开发插件 函数
jQuery插件的开发包括两种: 一种是类级别的插件开发,即给
jQuery添加新的全局函数,相当于给
jQuery类本身添加方法。
jQuery的全局函数就是属于
jQuery命名空间的函数,另一种是对象级别的插件开发,即给
jQuery对象添加方法。下面就两种函数的开发做详细的说明。
1
、类级别的插件开发 类级别的插件开发最直接的理解就是给jQuer
- Rome解析Rss
413277409
Rome解析Rss
import java.net.URL;
import java.util.List;
import org.junit.Test;
import com.sun.syndication.feed.synd.SyndCategory;
import com.sun.syndication.feed.synd.S
- RSA加密解密
无量
加密解密rsa
RSA加密解密代码
代码有待整理
package com.tongbanjie.commons.util;
import java.security.Key;
import java.security.KeyFactory;
import java.security.KeyPair;
import java.security.KeyPairGenerat
- linux 软件安装遇到的问题
aichenglong
linux遇到的问题ftp
1 ftp配置中遇到的问题
500 OOPS: cannot change directory
出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了
修改方法:1 修改/etc/selinux/config 中SELINUX=disabled
2 source /etc
- 面试心得
alafqq
面试
最近面试了好几家公司。记录下;
支付宝,面试我的人胖胖的,看着人挺好的;博彦外包的职位,面试失败;
阿里金融,面试官人也挺和善,只不过我让他吐血了。。。
由于印象比较深,记录下;
1,自我介绍
2,说下八种基本类型;(算上string。楼主才答了3种,哈哈,string其实不是基本类型,是引用类型)
3,什么是包装类,包装类的优点;
4,平时看过什么书?NND,什么书都没看过。。照样
- java的多态性探讨
百合不是茶
java
java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况
//package 1;
class A{
public void test(){
System.out.println("A");
}
}
class D extends A{
public void test(){
S
- 网络编程基础篇之JavaScript-学习笔记
bijian1013
JavaScript
1.documentWrite
<html>
<head>
<script language="JavaScript">
document.write("这是电脑网络学校");
document.close();
</script>
</h
- 探索JUnit4扩展:深入Rule
bijian1013
JUnitRule单元测试
本文将进一步探究Rule的应用,展示如何使用Rule来替代@BeforeClass,@AfterClass,@Before和@After的功能。
在上一篇中提到,可以使用Rule替代现有的大部分Runner扩展,而且也不提倡对Runner中的withBefores(),withAfte
- [CSS]CSS浮动十五条规则
bit1129
css
这些浮动规则,主要是参考CSS权威指南关于浮动规则的总结,然后添加一些简单的例子以验证和理解这些规则。
1. 所有的页面元素都可以浮动 2. 一个元素浮动后,会成为块级元素,比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动,会向最近的块级父元素的左上角移动,直到浮动元素的左外边界碰到块级父元素的左内边界;如果这个块级父元素已经有浮动元素停靠了
- 【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景
bit1129
partition
0.Kafka服务器配置
3个broker
1个topic,6个partition,副本因子是2
2个consumer,每个consumer三个线程并发读取
1. Producer
package kafka.examples.multibrokers.producers;
import java.util.Properties;
import java.util.
- zabbix_agentd.conf配置文件详解
ronin47
zabbix 配置文件
Aliaskey的别名,例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1], 或者ttlsa的用户ID。你可以使用key:vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1],也可以使用ttlsa.userid。备注: 别名不能重复,但是可以有多个
- java--19.用矩阵求Fibonacci数列的第N项
bylijinnan
fibonacci
参考了网上的思路,写了个Java版的:
public class Fibonacci {
final static int[] A={1,1,1,0};
public static void main(String[] args) {
int n=7;
for(int i=0;i<=n;i++){
int f=fibonac
- Netty源码学习-LengthFieldBasedFrameDecoder
bylijinnan
javanetty
先看看LengthFieldBasedFrameDecoder的官方API
http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html
API举例说明了LengthFieldBasedFrameDecoder的解析机制,如下:
实
- AES加密解密
chicony
加密解密
AES加解密算法,使用Base64做转码以及辅助加密:
package com.wintv.common;
import javax.crypto.Cipher;
import javax.crypto.spec.IvParameterSpec;
import javax.crypto.spec.SecretKeySpec;
import sun.misc.BASE64Decod
- 文件编码格式转换
ctrain
编码格式
package com.test;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
- mysql 在linux客户端插入数据中文乱码
daizj
mysql中文乱码
1、查看系统客户端,数据库,连接层的编码
查看方法: http://daizj.iteye.com/blog/2174993
进入mysql,通过如下命令查看数据库编码方式: mysql> show variables like 'character_set_%'; +--------------------------+------
- 好代码是廉价的代码
dcj3sjt126com
程序员读书
长久以来我一直主张:好代码是廉价的代码。
当我跟做开发的同事说出这话时,他们的第一反应是一种惊愕,然后是将近一个星期的嘲笑,把它当作一个笑话来讲。 当他们走近看我的表情、知道我是认真的时,才收敛一点。
当最初的惊愕消退后,他们会用一些这样的话来反驳: “好代码不廉价,好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。”
我只
- Android网络请求库——android-async-http
dcj3sjt126com
android
在iOS开发中有大名鼎鼎的ASIHttpRequest库,用来处理网络请求操作,今天要介绍的是一个在Android上同样强大的网络请求库android-async-http,目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库,网络处理均基于Android的非UI线程,通
- ORACLE 复习笔记之SQL语句的优化
eksliang
SQL优化Oracle sql语句优化SQL语句的优化
转载请出自出处:http://eksliang.iteye.com/blog/2097999
SQL语句的优化总结如下
sql语句的优化可以按照如下六个步骤进行:
合理使用索引
避免或者简化排序
消除对大表的扫描
避免复杂的通配符匹配
调整子查询的性能
EXISTS和IN运算符
下面我就按照上面这六个步骤分别进行总结:
- 浅析:Android 嵌套滑动机制(NestedScrolling)
gg163
android移动开发滑动机制嵌套
谷歌在发布安卓 Lollipop版本之后,为了更好的用户体验,Google为Android的滑动机制提供了NestedScrolling特性
NestedScrolling的特性可以体现在哪里呢?<!--[if !supportLineBreakNewLine]--><!--[endif]-->
比如你使用了Toolbar,下面一个ScrollView,向上滚
- 使用hovertree菜单作为后台导航
hvt
JavaScriptjquery.nethovertreeasp.net
hovertree是一个jquery菜单插件,官方网址:http://keleyi.com/jq/hovertree/ ,可以登录该网址体验效果。
0.1.3版本:http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm
hovertree插件包含文件:
http://keleyi.com/jq/hovertree/css
- SVG 教程 (二)矩形
天梯梦
svg
SVG <rect> SVG Shapes
SVG有一些预定义的形状元素,可被开发者使用和操作:
矩形 <rect>
圆形 <circle>
椭圆 <ellipse>
线 <line>
折线 <polyline>
多边形 <polygon>
路径 <path>
- 一个简单的队列
luyulong
java数据结构队列
public class MyQueue {
private long[] arr;
private int front;
private int end;
// 有效数据的大小
private int elements;
public MyQueue() {
arr = new long[10];
elements = 0;
front
- 基础数据结构和算法九:Binary Search Tree
sunwinner
Algorithm
A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
- 项目出现的一些问题和体会
Steven-Walker
DAOWebservlet
第一篇博客不知道要写点什么,就先来点近阶段的感悟吧。
这几天学了servlet和数据库等知识,就参照老方的视频写了一个简单的增删改查的,完成了最简单的一些功能,使用了三层架构。
dao层完成的是对数据库具体的功能实现,service层调用了dao层的实现方法,具体对servlet提供支持。
&
- 高手问答:Java老A带你全面提升Java单兵作战能力!
ITeye管理员
java
本期特邀《Java特种兵》作者:谢宇,CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答,欢迎网友积极提问,与专家一起讨论!
作者简介:
淘宝网资深Java工程师,CSDN超人气博主,人称“胖哥”。
CSDN博客地址:
http://blog.csdn.net/xieyuooo
作者在进入大学前是一个不折不扣的计算机白痴,曾经被人笑话过不懂鼠标是什么,