- Langchain-Chatchat本地部署的解决方案
herosunly
大模型RAGlangchain-chat本地部署解决方案
大家好,我是herosunly。985院校硕士毕业,现担任算法研究员一职,热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委,编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名,CCF比赛第二名,科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
- 深度学习100问23:什么是前馈型神经网络
不断持续学习ing
人工智能自然语言处理机器学习
嘿,前馈型神经网络就像一个神奇的小工厂哟!一、定义及原理这个小工厂呀,有个特别的工作方式。数据就像是原材料,从输入层这个“大门”进入工厂。然后呢,这些数据一路向前,经过一个又一个隐藏层,就好像经过不同的加工车间。每个车间都对数据进行一番特别的处理和改造。最后,数据到达输出层这个“成品出口”,变成了我们想要的结果。在这个过程中,数据只能一个劲儿地往前跑,可不能绕回来,就像一条单行道。比如说,如果我们
- python 数据挖掘与机器学习
科研的力量
人工智能ChatGPTpython数据挖掘机器学习神经网络随机森林决策树贝叶斯
近年来,Python编程语言受到越来越多科研人员的喜爱,在多个编程语言排行榜中持续夺冠。同时,伴随着深度学习的快速发展,人工智能技术在各个领域中的应用越来越广泛。机器学习是人工智能的基础,因此,掌握常用机器学习算法的工作原理,并能够熟练运用Python建立实际的机器学习模型,是开展人工智能相关研究的前提和基础。模块一:课前准备Python编程基础与进阶Python编程入门1、Python环境搭建(
- 大模型是如何炼成的:揭秘深度学习训练的秘密与优化技巧
AI大模型_学习君
深度学习人工智能大模型训练ai大模型LLM大语言模型大模型应用
引言:近年来,人工智能领域的突破性进展与大模型的崛起密不可分。从GPT-3到BERT,这些大型预训练模型在各种任务上展现出了惊人的能力。那么,这些大模型是如何训练出来的呢?本文将通过具体案例,带你走进深度学习训练的世界,一探究竟,并分享一些大模型训练过程中的优化技巧。一、数据收集与预处理数据收集:大模型的训练需要海量的数据。例如,GPT-3的训练数据包含了数十亿网页文本,而BERT则使用了维基百科
- 做大模型 千万别买苹果笔记本电脑
路人与大师
电脑
对于大模型(如大型神经网络模型)的训练和推理,苹果笔记本电脑(尤其是搭载AppleSilicon芯片的MacBook)确实存在一些限制,这些问题可能让开发者在处理大规模AI项目时感到不适合。以下是一些主要原因:1.GPU不适合深度学习AppleSiliconGPU限制:Apple自家芯片(如M1和M2)的GPU架构与传统的NVIDIAGPU(通常是深度学习和大模型训练的首选)不同。NVIDIA的C
- AI中的核心概念解读:深度学习、机器学习、神经网络与自然语言处理
wypdao
人工智能AIGC算法人工智能深度学习机器学习
人工智能(AI)是一个涵盖广泛领域的技术词汇,近年来受到了越来越多的关注和应用。然而,对于刚接触AI的初学者或非专业人士来说,理解其中的核心概念,特别是深度学习、机器学习、神经网络与自然语言处理之间的区别,可能显得有些复杂。本文将帮助读者梳理这些重要概念,厘清它们之间的关系和区别。一、人工智能(AI)首先,人工智能(AI)是一个广泛的领域,包含了任何通过计算机程序实现的智能行为。AI的目标是让机器
- 昇思25天学习打卡
十分钟ll
昇思25天学习打卡pythonpytorch视觉检测图像处理
@[TOC]《昇思25天学习打卡营第02天|lulul》张量Tensor张量tensor是在机器学习和深度学习中广泛应用的数据概念,张量是多维数组的泛化,能够表示标量(0维张量)、向量(1维张量)、矩阵(2维张量)及更高维的数组。张量基本用法(mindspore)data=[1,0,1,0]x_data=Tensor(data)print(x_data,x_data.shape,x_data.dt
- 基于yolov8的脑肿瘤检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO人工智能
【算法介绍】基于YOLOv8的脑肿瘤检测系统是一项前沿的医疗应用,该系统利用YOLOv8这一高效的目标检测算法,实现对脑肿瘤病灶的快速、准确识别。YOLOv8作为YOLO系列的最新版本,不仅继承了前代版本在速度和精度上的优势,还通过改进的网络结构和优化策略,进一步提升了模型性能。在脑肿瘤检测中,YOLOv8通过深度学习技术,自动从脑部图像中提取特征,并学习目标的特征表示和位置信息。系统采用模块化设
- 深度学习赋能数据分析,联蔚盘云引领业务革新
联蔚盘云
深度学习数据分析人工智能
一、引言随着大数据时代的到来,深度学习技术正逐渐成为企业数据分析的新引擎。联蔚盘云凭借其在深度学习领域的深厚积累,为企业提供高效、精准的数据分析解决方案,助力企业实现业务革新与增长。二、深度学习与数据分析的完美结合联蔚盘云运用深度学习技术,对海量数据进行深度挖掘,揭示数据背后的价值。我们利用先进的算法和模型,为企业提供精准的市场预测、消费者行为分析、业务优化等解决方案,帮助企业实现决策的科学化和智
- 动手学深度学习(pytorch)学习记录20-自定义层[学习记录]
walfar
pytorch深度学习pytorch学习
在深度学习中,自定义层是指开发者根据特定需求编写的神经网络层,而不是使用深度学习框架(如PyTorch、TensorFlow等)提供的现成层。自定义层可以让模型更加灵活,以适应特定的任务或数据集。目录没有参数的自定义层带参数的层没有参数的自定义层下面的CenteredLayer类要从其输入中减去均值。要构建它,只需继承基础层类并实现前向传播功能。importtorchimporttorch.nn.
- 动手学深度学习(pytorch)学习记录21-读写文件(模型与参数)[学习记录]
walfar
pytorch深度学习pytorch学习
目录加载和保存张量加载和保存模型参数保存模型的好处众多,涵盖了从开发到部署的整个机器学习生命周期。节省资源:训练模型可能需要大量的时间和计算资源。保存模型可以避免重复训练,从而节省时间和计算资源。快速部署:一旦模型被训练并保存,它可以迅速部署到生产环境中,加速产品上市时间。版本控制:保存不同版本的模型有助于跟踪模型的迭代过程,便于比较和回滚到之前的版本。离线使用:保存的模型可以在没有网络连接的情况
- PyTorch深度学习实战(26)—— PyTorch与Multi-GPU
shangjg3
PyTorch深度学习实战深度学习pytorch人工智能
当拥有多块GPU时,可以利用分布式计算(DistributedComputation)与并行计算(ParallelComputation)的方式加速网络的训练过程。在这里,分布式是指有多个GPU在多台服务器上,并行指一台服务器上的多个GPU。在工作环境中,使用这两种方式加速模型训练是非常重要的技能。本文将介绍PyTorch中分布式与并行的常见方法,读者需要注意这二者的区别,并关注它们在使用时的注意
- 《深度学习走向核心素养小学数学》读书第四期
Lethe不迷糊
逻辑推理:让学生学会“用数学的思维想”义务教育数学课程标准的核心词还提到运算能力和推理能力,这都属于逻辑推理。数学内部的发展依赖的就是逻辑推理。逻辑推理是指从一些事实和命题出发,依据规则推出其他命题的思维过程。它主要包括两类:一类是从特殊到一般的推理,推理形式主要有归纳、类比;一类是从一般到特殊的推理,推理形式主要有演绎。演绎推理是从大范围内成立的命题推断小范围内命题也成立,只能用来验证知识,不能
- 自然语言处理(NLP)与机器学习:深度探索两者的关系
听忆.
自然语言处理机器学习人工智能
自然语言处理(NLP)与机器学习:深度探索两者的关系1.自然语言处理(NLP)的概述NLP的主要任务包括:2.机器学习(ML)的概述机器学习的主要类型包括:3.NLP与机器学习的关系1.机器学习驱动NLP任务2.深度学习与NLP的结合4.NLP和ML的相互促进5.挑战与未来展望边走、边悟迟早会好自然语言处理(NLP)与机器学习(ML)有着密切的关系,二者结合在一起可以实现自动化文本分析、语音识别、
- 【深度学习】embedding的简单理解
旅途中的宽~
深度学习笔记深度学习embedding
文章目录一、简单理解二、其他通俗理解一、简单理解特征嵌入,将数据转换(降维)为固定大小的特征表示(矢量),以便于处理和计算(如求距离)。例如,针对用于说话者识别的语音信号训练的模型可以允许您将语音片段转换为数字向量,使得来自相同说话者的另一片段与原始向量具有小的距离(例如,欧几里德距离)。embedding的主要目的是对(稀疏)特征进行降维,它降维的方式可以类比为一个全连接层(没有激活函数),通过
- Datawhale X 李宏毅苹果书AI夏令营深度学习详解进阶Task02
z are
人工智能深度学习
目录一、自适应学习率二、学习率调度三、优化总结四、分类五、问题与解答本文了解到梯度下降是深度学习中最为基础的优化算法,其核心思想是沿着损失函数的梯度方向更新模型参数,以最小化损失值。公式如下:θt+1←θt-η*∇θL(θt)其中,θ表示模型参数,η表示学习率,L表示损失函数,∇θL表示损失函数关于参数的梯度。然而,梯度下降在复杂误差表面上存在局限性。例如,在鞍点或局部最小值处,梯度接近零,导致模
- 深度学习中Embedding的理解
普通攻击往后拉
神经网络基础模型关键点NN技巧深度学习embedding人工智能
Embedding这个概念翻译过来的意思就是嵌入,就是把一个大的东西想办法嵌入到一个小的地方。在深度学习领域,Embedding一般用于代表某个类目的全部相关信息,表现形式为一个向量。1、Embedding常见的操作有两个:加法和拼接,含义完全不同Embedding的加法一般用于同类目的不同物品的合集表示。这个可以按照one-hot的思维去理解。为什么用one-hot而不用二进制去表示不同物品呢?
- 深度学习速通系列:贝叶思&SVM
Ven%
支持向量机人工智能深度学习算法机器学习
贝叶斯(Bayesian)方法和支持向量机(SVM,SupportVectorMachine)是两种不同的机器学习算法,它们在解决分类和回归问题时有着不同的原理和应用场景贝叶斯方法:贝叶斯方法基于贝叶斯定理,这是一种利用已知信息(先验概率)来预测未知事件(后验概率)的概率方法。它通常用于分类问题,特别是当数据集较小或存在类别不平衡时。贝叶斯方法可以处理不确定性,并且可以通过增加新的数据来更新先验概
- 机器学习和深度学习·贝叶斯优化和optuna
0xMayL
#深度学习机器学习#模型评估机器学习深度学习人工智能
贝叶斯优化贝叶斯优化的思想先验:取点似然:假设分布取了n个点之后…后验:近似取得极值贝叶斯优化的数学过程在贝叶斯优化的数学过程当中,我们主要执行以下几个步骤:1定义需要估计的f(x)f(x)f(x)以及xxx的定义域2取出有限的n个xxx上的值,求解出这些xxx对应的f(x)f(x)f(x)(求解观测值)3根据有限的观测值,对函数分布进行假设(该假设被称为贝叶斯优化中的先验知识),得出该假设分布上
- 【ShuQiHere】《机器学习的进化史『下』:从神经网络到深度学习的飞跃》
ShuQiHere
机器学习深度学习神经网络
【ShuQiHere】引言:神经网络与深度学习的兴起在上篇文章中,我们回顾了机器学习的起源与传统模型的发展历程,如线性回归、逻辑回归和支持向量机(SVM)。然而,随着数据规模的急剧增长和计算能力的提升,传统模型在处理复杂问题时显得力不从心。在这种背景下,神经网络重新进入了研究者们的视野,并逐步演变为深度学习,成为解决复杂问题的强大工具。今天,我们将进一步探索从神经网络到深度学习的进化历程,揭示这些
- PyTorch深度学习实战(27)—— PyTorch分布式训练
shangjg3
PyTorch深度学习实战深度学习pytorch分布式python
本节将详细介绍如何进行神经网络的分布式训练。其中1.1将结合MPI介绍分布式训练的基本流程,1.2与1.3将分别介绍如何使用torch.distributed以及Horovod进行神经网络的分布式训练。1PyTorch分布式训练1.1使用MPI进行分布式训练下面讲解如何利用MPI进行PyTorch的分布式训练。这里主要介绍的是数据并行的分布式方法:每一块GPU都有同一个模型的副本,仅加载不同的数据
- PyTorch Geometric(torch_geometric)简介
小桥流水---人工智能
机器学习算法深度学习人工智能pytorch人工智能python
在深入探讨PyTorchGeometric(通常简称为PyG)之前,我们先了解一下它的背景和应用。PyG是基于PyTorch的一个扩展库,专为图数据和图网络模型设计。图网络是深度学习领域的一种强大工具,它能够处理结构化数据,如社交网络、分子结构、交通网络等。PyTorchGeometric的主要功能数据处理与加载:图数据的简化表示:PyG提供了一种高效的方式来表示和存储图数据。主要是通过Data对
- 深入理解PyTorch中的`torch.topk`函数!!!(个人总结,为了方便我自己复习,要是同时也能帮助到大家就更好了)
小桥流水---人工智能
人工智能深度学习机器学习算法pytorch人工智能python
torch.topk深入理解PyTorch中的`torch.topk`函数1.`torch.topk`函数概述函数签名返回值2.基本用法示例1:找到一维张量的最大值示例2:在二维张量的指定维度上操作3.高级应用4.结论深入理解PyTorch中的torch.topk函数在深度学习和数据处理中,经常需要对数据进行排序并提取最重要的部分。PyTorch提供了一个非常有用的函数torch.topk,它能够
- 在 PyTorch 中,`permute` 方法是一个强大的工具,用于重排张量的维度。
小桥流水---人工智能
人工智能机器学习算法深度学习pytorch人工智能python
在PyTorch中,permute方法是一个强大的工具,用于重排张量的维度。这在深度学习中非常有用,尤其是在处理具有多维数据(如图像、视频或复杂数组)的神经网络时。PyTorch中的permute方法详解1.permute方法概述在PyTorch中,permute方法允许用户重新排列张量的维度。这与NumPy的transpose方法类似,但提供了更灵活的多维重排能力。该方法非常有用,例如,当你需要
- PyTorch概述
fydw_715
pytorchpytorch人工智能python
PyTorch是一个开源的机器学习框架,由Facebook的人工智能研究团队开发。它广泛用于深度学习和神经网络的研究和开发。PyTorch以其动态计算图、灵活性和简单易用的接口而闻名,深受研究人员和开发者的喜爱。以下是PyTorch的一些重要模块及其功能:torch简介:这是PyTorch的核心库,提供了张量(tensor)操作的基本功能。功能:支持张量的创建、操作和转换,涵盖数学运算、线性代数操
- [Scene Graph] 图神经网络的核心方法——Message Passing
风中摇曳的小萝卜
SceneGraph神经网络深度学习机器学习人工智能
GNN中的MessagePassing方法解析一、GNN中是如何实现特征学习的?深度学习方法的兴起是从计算图像处理(ComputerVision)领域开始的。以卷积神经网络(CNN)为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据(structureddata)十分有效,例如,图像和体素数据。但是,CNN的处理方式对于类似图(graph)数据则并不适用。对于一个图而言,类似图像像素的邻
- 基于深度学习的分子生成
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的分子生成是一项结合化学、计算科学与人工智能的新兴领域,旨在利用深度学习模型来生成具有特定性质的分子结构。该技术在药物发现、材料科学和合成化学等领域具有广泛的应用前景。以下是详细的介绍:1.背景与动机化学空间的广阔性:分子化学空间非常庞大,可能包含10^60以上的不同分子结构。传统的分子设计方法主要依赖于实验和规则生成,这在探索巨大化学空间时显得效率低下且成本高昂。药物发现的挑战:在药
- 基于深度学习的人类行为模仿
SEU-WYL
深度学习dnn深度学习人工智能
基于深度学习的人类行为模仿是指利用深度学习技术构建模型,使计算机系统能够学习、理解、并模仿人类的行为。通过模拟人类的动作、决策过程、情感反应等行为,相关技术在机器人、虚拟助手、人机交互等领域具有广泛的应用前景。1.背景与意义1.1人类行为的复杂性多模态数据:人类行为包含视觉、听觉、触觉、语言等多种感知信息,如何综合分析这些多模态数据以理解和模仿人类行为是一个挑战。情境依赖性:人类行为通常依赖于特定
- 爆改yolov8|利用BSAM改进YOLOv8,高效涨点
不想敲代码!!!
爆改yolov8即插即用YOLOyolov8目标检测人工智能深度学习
1,本文介绍BSAM基于CBAM进行改进,经实测在多个数据集上都有涨点。BSAM(BiLevelSpatialAttentionModule)是一个用于提升深度学习模型在空间特征处理中的能力的模块。它主要通过双层注意力机制来增强模型对重要空间信息的关注,从而提升任务性能。核心特点:双层空间注意力:BSAM结合了两个层次的注意力机制——全局和局部。全局注意力捕捉图像或特征图的整体信息,而局部注意力则
- 基于yolov8的8种人脸表情检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLOpython开发语言
【算法介绍】基于YOLOv8的人脸表情检测系统是一个结合了先进目标检测算法(YOLOv8)与深度学习技术的项目,旨在实时或离线地识别并分类人脸表情(如快乐、悲伤、愤怒、惊讶、恐惧、厌恶、中立等)。以下是一个简短的介绍,概述了该系统Python源码的核心要点:该系统直接利用YOLOv8模型进行人脸表情识别。YOLOv8以其高效的速度和准确性著称,非常适合实时应用。Python源码实现通常包括以下几个
- 多线程编程之join()方法
周凡杨
javaJOIN多线程编程线程
现实生活中,有些工作是需要团队中成员依次完成的,这就涉及到了一个顺序问题。现在有T1、T2、T3三个工人,如何保证T2在T1执行完后执行,T3在T2执行完后执行?问题分析:首先问题中有三个实体,T1、T2、T3, 因为是多线程编程,所以都要设计成线程类。关键是怎么保证线程能依次执行完呢?
Java实现过程如下:
public class T1 implements Runnabl
- java中switch的使用
bingyingao
javaenumbreakcontinue
java中的switch仅支持case条件仅支持int、enum两种类型。
用enum的时候,不能直接写下列形式。
switch (timeType) {
case ProdtransTimeTypeEnum.DAILY:
break;
default:
br
- hive having count 不能去重
daizj
hive去重having count计数
hive在使用having count()是,不支持去重计数
hive (default)> select imei from t_test_phonenum where ds=20150701 group by imei having count(distinct phone_num)>1 limit 10;
FAILED: SemanticExcep
- WebSphere对JSP的缓存
周凡杨
WAS JSP 缓存
对于线网上的工程,更新JSP到WebSphere后,有时会出现修改的jsp没有起作用,特别是改变了某jsp的样式后,在页面中没看到效果,这主要就是由于websphere中缓存的缘故,这就要清除WebSphere中jsp缓存。要清除WebSphere中JSP的缓存,就要找到WAS安装后的根目录。
现服务
- 设计模式总结
朱辉辉33
java设计模式
1.工厂模式
1.1 工厂方法模式 (由一个工厂类管理构造方法)
1.1.1普通工厂模式(一个工厂类中只有一个方法)
1.1.2多工厂模式(一个工厂类中有多个方法)
1.1.3静态工厂模式(将工厂类中的方法变成静态方法)
&n
- 实例:供应商管理报表需求调研报告
老A不折腾
finereport报表系统报表软件信息化选型
引言
随着企业集团的生产规模扩张,为支撑全球供应链管理,对于供应商的管理和采购过程的监控已经不局限于简单的交付以及价格的管理,目前采购及供应商管理各个环节的操作分别在不同的系统下进行,而各个数据源都独立存在,无法提供统一的数据支持;因此,为了实现对于数据分析以提供采购决策,建立报表体系成为必须。 业务目标
1、通过报表为采购决策提供数据分析与支撑
2、对供应商进行综合评估以及管理,合理管理和
- mysql
林鹤霄
转载源:http://blog.sina.com.cn/s/blog_4f925fc30100rx5l.html
mysql -uroot -p
ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using password: YES)
[root@centos var]# service mysql
- Linux下多线程堆栈查看工具(pstree、ps、pstack)
aigo
linux
原文:http://blog.csdn.net/yfkiss/article/details/6729364
1. pstree
pstree以树结构显示进程$ pstree -p work | grep adsshd(22669)---bash(22670)---ad_preprocess(4551)-+-{ad_preprocess}(4552) &n
- html input与textarea 值改变事件
alxw4616
JavaScript
// 文本输入框(input) 文本域(textarea)值改变事件
// onpropertychange(IE) oninput(w3c)
$('input,textarea').on('propertychange input', function(event) {
console.log($(this).val())
});
- String类的基本用法
百合不是茶
String
字符串的用法;
// 根据字节数组创建字符串
byte[] by = { 'a', 'b', 'c', 'd' };
String newByteString = new String(by);
1,length() 获取字符串的长度
&nbs
- JDK1.5 Semaphore实例
bijian1013
javathreadjava多线程Semaphore
Semaphore类
一个计数信号量。从概念上讲,信号量维护了一个许可集合。如有必要,在许可可用前会阻塞每一个 acquire(),然后再获取该许可。每个 release() 添加一个许可,从而可能释放一个正在阻塞的获取者。但是,不使用实际的许可对象,Semaphore 只对可用许可的号码进行计数,并采取相应的行动。
S
- 使用GZip来压缩传输量
bijian1013
javaGZip
启动GZip压缩要用到一个开源的Filter:PJL Compressing Filter。这个Filter自1.5.0开始该工程开始构建于JDK5.0,因此在JDK1.4环境下只能使用1.4.6。
PJL Compressi
- 【Java范型三】Java范型详解之范型类型通配符
bit1129
java
定义如下一个简单的范型类,
package com.tom.lang.generics;
public class Generics<T> {
private T value;
public Generics(T value) {
this.value = value;
}
}
- 【Hadoop十二】HDFS常用命令
bit1129
hadoop
1. 修改日志文件查看器
hdfs oev -i edits_0000000000000000081-0000000000000000089 -o edits.xml
cat edits.xml
修改日志文件转储为xml格式的edits.xml文件,其中每条RECORD就是一个操作事务日志
2. fsimage查看HDFS中的块信息等
&nb
- 怎样区别nginx中rewrite时break和last
ronin47
在使用nginx配置rewrite中经常会遇到有的地方用last并不能工作,换成break就可以,其中的原理是对于根目录的理解有所区别,按我的测试结果大致是这样的。
location /
{
proxy_pass http://test;
- java-21.中兴面试题 输入两个整数 n 和 m ,从数列 1 , 2 , 3.......n 中随意取几个数 , 使其和等于 m
bylijinnan
java
import java.util.ArrayList;
import java.util.List;
import java.util.Stack;
public class CombinationToSum {
/*
第21 题
2010 年中兴面试题
编程求解:
输入两个整数 n 和 m ,从数列 1 , 2 , 3.......n 中随意取几个数 ,
使其和等
- eclipse svn 帐号密码修改问题
开窍的石头
eclipseSVNsvn帐号密码修改
问题描述:
Eclipse的SVN插件Subclipse做得很好,在svn操作方面提供了很强大丰富的功能。但到目前为止,该插件对svn用户的概念极为淡薄,不但不能方便地切换用户,而且一旦用户的帐号、密码保存之后,就无法再变更了。
解决思路:
删除subclipse记录的帐号、密码信息,重新输入
- [电子商务]传统商务活动与互联网的结合
comsci
电子商务
某一个传统名牌产品,过去销售的地点就在某些特定的地区和阶层,现在进入互联网之后,用户的数量群突然扩大了无数倍,但是,这种产品潜在的劣势也被放大了无数倍,这种销售利润与经营风险同步放大的效应,在最近几年将会频繁出现。。。。
如何避免销售量和利润率增加的
- java 解析 properties-使用 Properties-可以指定配置文件路径
cuityang
javaproperties
#mq
xdr.mq.url=tcp://192.168.100.15:61618;
import java.io.IOException;
import java.util.Properties;
public class Test {
String conf = "log4j.properties";
private static final
- Java核心问题集锦
darrenzhu
java基础核心难点
注意,这里的参考文章基本来自Effective Java和jdk源码
1)ConcurrentModificationException
当你用for each遍历一个list时,如果你在循环主体代码中修改list中的元素,将会得到这个Exception,解决的办法是:
1)用listIterator, 它支持在遍历的过程中修改元素,
2)不用listIterator, new一个
- 1分钟学会Markdown语法
dcj3sjt126com
markdown
markdown 简明语法 基本符号
*,-,+ 3个符号效果都一样,这3个符号被称为 Markdown符号
空白行表示另起一个段落
`是表示inline代码,tab是用来标记 代码段,分别对应html的code,pre标签
换行
单一段落( <p>) 用一个空白行
连续两个空格 会变成一个 <br>
连续3个符号,然后是空行
- Gson使用二(GsonBuilder)
eksliang
jsongsonGsonBuilder
转载请出自出处:http://eksliang.iteye.com/blog/2175473 一.概述
GsonBuilder用来定制java跟json之间的转换格式
二.基本使用
实体测试类:
温馨提示:默认情况下@Expose注解是不起作用的,除非你用GsonBuilder创建Gson的时候调用了GsonBuilder.excludeField
- 报ClassNotFoundException: Didn't find class "...Activity" on path: DexPathList
gundumw100
android
有一个工程,本来运行是正常的,我想把它移植到另一台PC上,结果报:
java.lang.RuntimeException: Unable to instantiate activity ComponentInfo{com.mobovip.bgr/com.mobovip.bgr.MainActivity}: java.lang.ClassNotFoundException: Didn't f
- JavaWeb之JSP指令
ihuning
javaweb
要点
JSP指令简介
page指令
include指令
JSP指令简介
JSP指令(directive)是为JSP引擎而设计的,它们并不直接产生任何可见输出,而只是告诉引擎如何处理JSP页面中的其余部分。
JSP指令的基本语法格式:
<%@ 指令 属性名="
- mac上编译FFmpeg跑ios
啸笑天
ffmpeg
1、下载文件:https://github.com/libav/gas-preprocessor, 复制gas-preprocessor.pl到/usr/local/bin/下, 修改文件权限:chmod 777 /usr/local/bin/gas-preprocessor.pl
2、安装yasm-1.2.0
curl http://www.tortall.net/projects/yasm
- sql mysql oracle中字符串连接
macroli
oraclesqlmysqlSQL Server
有的时候,我们有需要将由不同栏位获得的资料串连在一起。每一种资料库都有提供方法来达到这个目的:
MySQL: CONCAT()
Oracle: CONCAT(), ||
SQL Server: +
CONCAT() 的语法如下:
Mysql 中 CONCAT(字串1, 字串2, 字串3, ...): 将字串1、字串2、字串3,等字串连在一起。
请注意,Oracle的CON
- Git fatal: unab SSL certificate problem: unable to get local issuer ce rtificate
qiaolevip
学习永无止境每天进步一点点git纵观千象
// 报错如下:
$ git pull origin master
fatal: unable to access 'https://git.xxx.com/': SSL certificate problem: unable to get local issuer ce
rtificate
// 原因:
由于git最新版默认使用ssl安全验证,但是我们是使用的git未设
- windows命令行设置wifi
surfingll
windowswifi笔记本wifi
还没有讨厌无线wifi的无尽广告么,还在耐心等待它慢慢启动么
教你命令行设置 笔记本电脑wifi:
1、开启wifi命令
netsh wlan set hostednetwork mode=allow ssid=surf8 key=bb123456
netsh wlan start hostednetwork
pause
其中pause是等待输入,可以去掉
2、
- Linux(Ubuntu)下安装sysv-rc-conf
wmlJava
linuxubuntusysv-rc-conf
安装:sudo apt-get install sysv-rc-conf 使用:sudo sysv-rc-conf
操作界面十分简洁,你可以用鼠标点击,也可以用键盘方向键定位,用空格键选择,用Ctrl+N翻下一页,用Ctrl+P翻上一页,用Q退出。
背景知识
sysv-rc-conf是一个强大的服务管理程序,群众的意见是sysv-rc-conf比chkconf
- svn切换环境,重发布应用多了javaee标签前缀
zengshaotao
javaee
更换了开发环境,从杭州,改变到了上海。svn的地址肯定要切换的,切换之前需要将原svn自带的.svn文件信息删除,可手动删除,也可通过废弃原来的svn位置提示删除.svn时删除。
然后就是按照最新的svn地址和规范建立相关的目录信息,再将原来的纯代码信息上传到新的环境。然后再重新检出,这样每次修改后就可以看到哪些文件被修改过,这对于增量发布的规范特别有用。
检出