- 线性代数导引:张量与张量空间
AI大模型应用之禅
DeepSeekR1&AI大模型与大数据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
线性代数,张量,张量空间,深度学习,机器学习,人工智能1.背景介绍在现代人工智能领域,深度学习和机器学习算法的蓬勃发展,使得对数据的高效处理和表示能力提出了更高的要求。线性代数作为数学基础,为理解和构建这些算法提供了坚实的基础。而张量,作为一种高维数组的表示形式,成为了深度学习和机器学习的核心数据结构。本篇文章将从线性代数的角度出发,深入探讨张量与张量空间的概念,并阐述其在深度学习和机器学习中的重
- 探秘 DeepSeek R1 模型:跨越多领域的科技奇迹,引领智能应用新浪潮
羑悻的小杀马特.
AI学习科技deepseekAI大模型
DeepSeekR1模型功能强大,应用广泛。在自然语言处理、计算机视觉、推荐系统和医疗等领域都能发挥作用。本文介绍了其在各领域的应用场景和代码示例,助你深入了解它。目录编辑一、本篇背景:二、DeepSeekR1模型概述:2.1模型特点:2.2技术原理:三、自然语言处理领域的应用:3.1文本分类:3.1.1应用场景:3.1.2代码演示:3.2情感分析:3.2.1应用场景:3.2.2代码演示:3.3机
- 每天五分钟深度学习框架pytorch:搭建谷歌的Inception网络模块
每天五分钟玩转人工智能
深度学习框架pytorch深度学习pytorch网络人工智能机器学习Inception
本文重点前面我们学习了VGG,从现在开始我们将学习谷歌公司推出的GoogLeNet。当年ImageNet竞赛的第二名是VGG,而第一名就是GoogLeNet,它的模型设计拥有很多的技巧,这个model证明了一件事:用更多的卷积,更深的层次可以得到更好的结构GoogLeNet的网络结构如图所示就是GoogLeNet的网络结构,在这个网络结构中我们可以看到红色框起来的地方,他就是Inception块,
- 使用opencv实现深度学习的图片与视频的超分辨率
人工智能研究所
人工智能之计算机视觉opencv深度学习视频超分辨率图片超分辨率
图片超分辨率什么是视频与图片的超分辨率,总结一下便是给一张分辨率比较低的图片,进行超分辨率的处理后,生成比较清晰的高分辨率的图片,上图图片完美解释了超分辨率的过程,由于不同的算法不同,处理的结果也不相同,本期我们介绍一下如何进行图片的超分辨率的处理。·EDSR模型图像超分辨率EDSR:EnhancedDeepResidualNetworksforSingleImageSuper-Resolutio
- OpenCV机器学习(1)人工神经网络 - 多层感知器类cv::ml::ANN_MLP
村北头的码农
OpenCVopencv机器学习人工智能
操作系统:ubuntu22.04OpenCV版本:OpenCV4.9IDE:VisualStudioCode编程语言:C++11算法描述cv::ml::ANN_MLP是OpenCV库中的一部分,用于实现人工神经网络-多层感知器(ArtificialNeuralNetwork-Multi-LayerPerceptron,ANN-MLP)。它提供了一种方式来创建和训练多层感知器模型,以解决分类、回归等
- Pytorch实现mnist手写数字识别
Zn要学习
python
>-**本文为[365天深度学习训练营]中的学习记录博客**>-**原作者:[K同学啊]**我的环境:语言环境:Python3.8编译器:JupyterLab深度学习环境:torch==1.12.1+cu113torchvision==0.13.1+cu113一、前期准备1.设置GPU如果设备上支持GPU就使用GPU,否则使用CPUimporttorchimporttorch.nnasnnimpo
- 本地部署DeepSeek模型技术指南
Evaporator Core
apacheDoris人工智能deepseek
DeepSeek模型是一种先进的深度学习模型,广泛应用于自然语言处理、计算机视觉等领域。为了充分利用DeepSeek模型的强大功能,许多开发者和研究人员选择在本地环境中部署该模型。本文将详细介绍如何在本地环境中部署DeepSeek模型,包括环境准备、模型下载、配置、优化以及代码实现等内容。通过本文的指导,您将能够在本地成功部署并运行DeepSeek模型。1.环境准备在部署DeepSeek模型之前,
- 使用Python中的LangChain库优化消息长度:从聊天历史到模型性能的全面指南
m0_57781768
pythonlangchaineasyui
使用Python中的LangChain库优化消息长度:从聊天历史到模型性能的全面指南在现代人工智能应用中,大语言模型(LLM)扮演着越来越重要的角色,尤其是在对话系统、智能助理和其他自然语言处理任务中。然而,所有的模型都有一个有限的上下文窗口,意味着它们可以处理的输入令牌(tokens)数量是有限的。当我们需要处理较长的对话历史或复杂的任务链时,如何管理传递给模型的消息长度变得至关重要。在这篇文章
- DeepSeek R1蒸馏版模型部署的实战教程
herosunly
DeepSeek从入门到精通deepseek大模型人工智能实战教程
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。
- 如何在Java中设计大规模稀疏数据处理架构
省赚客app开发者
java架构开发语言
如何在Java中设计大规模稀疏数据处理架构大家好,我是微赚淘客系统3.0的小编,是个冬天不穿秋裤,天冷也要风度的程序猿!在大数据时代,稀疏数据在各个领域变得越来越常见,例如推荐系统、自然语言处理、图像处理等。稀疏数据通常包含大量零值或空值,直接使用传统的数据处理架构可能导致效率低下,内存和计算资源浪费。因此,设计一个高效的稀疏数据处理架构成为Java开发者面临的关键挑战。本文将探讨如何在Java中
- 大语言模型(LLM)如何实现上下文的长期记忆?
引言大语言模型(LargeLanguageModels,LLMs),如GPT-4、Claude和LLaMA等,已经在自然语言处理领域展现出卓越的能力。然而,它们在实际应用中常常面临一个核心问题:如何实现上下文的长期记忆?传统LLM的上下文长度通常受限于计算资源和架构设计(如注意力机制),这限制了其处理长文档或保持复杂对话连续性的能力。本篇文章将深入探讨大语言模型的上下文记忆问题,分析其技术难点,并
- python 学习曲线函数_如何使用学习曲线来诊断你的LSTM模型的行为?(附代码)...
weixin_39576066
python学习曲线函数
LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。在自然语言处理、语言识别等一系列的应用上都取得了很好的效果。《LongShortTermMemoryNetworkswithPython》是澳大利亚机器学习专家JasonBrownlee的著作,里面详细介绍了LSTM模型的原理和使用。该书总共分为十四个章节,具体如下:第一章:什么是LSTMs?第二章:怎么样训练
- 翻译Deep Learning and the Game of Go(14)第十二章 采用actor-critic方法的强化学习
idol_watch
围棋与深度学习
本章包括:利用优势使强化学习更有效率用actor-critic方法来实现自我提升AI设计和训练Keras的多输出神经网络如果你正在学习下围棋,最好的改进方法之一是让一个水平更高的棋手给你复盘。有时候,最有用的反馈只是指出你在哪里赢棋或输棋。复盘的人可能会给出这样的评论,“你下了30步后已经远远落后了”或“在下了110步后,你有一个获胜的局面,但你的对手在130时扭转了局面。”为什么这种反馈是有帮助
- transformer概述
沉墨的夜
transformer深度学习人工智能
Transformer架构的提出,不仅在自然语言处理(NLP)领域掀起了革命,也在多个深度学习任务中获得了广泛应用。自2017年由Vaswani等人提出以来,Transformer经历了多次优化和扩展,成为深度学习领域的基石。以下是Transformer架构的演进历程、作用和意义、架构详情以及未来发展趋势的详细阐述。Transformer架构的演进历程(1)Transformer的起源(2017年
- 【开源向量数据库】Milvus简介
IT古董
开源数据库milvus
Milvus是一个开源、高性能、可扩展的向量数据库,专门用于存储和检索高维向量数据。它支持近似最近邻搜索(ANN),适用于图像检索、自然语言处理(NLP)、推荐系统、异常检测等AI应用场景。官网:https://milvus.io/1.Milvus的特点(1)高性能支持数十亿级向量数据,查询速度快。使用近似最近邻(ANN)索引算法,如HNSW、IVF-FLAT、IVF-PQ、SCANN等。(2)分
- 【漫话机器学习系列】041.信息丢失(dropout)
IT古董
漫话机器学习系列专辑机器学习人工智能深度学习
信息丢失(Dropout)Dropout是一种广泛应用于神经网络训练中的正则化技术,旨在减少过拟合(overfitting),提高模型的泛化能力。虽然"信息丢失"(dropout)这个术语在某些情况下可能引起误解,指的并非是数据的丢失,而是训练过程中故意“丢弃”神经网络中的部分神经元。这种做法可以避免模型过于依赖于某些特定的神经元,从而提高模型在新数据上的表现。Dropout的工作原理在神经网络的
- Pytorch官方文档英语翻译
yanzhiwen2
深度学习Pyrotchpytorch机器学习python人工智能深度学习
深度学习Pytorch-Pytorch官方文档英语翻译1.a-e1.1span跨度1.2blended混合的1.3criterion标准1.4deprecated弃用的1.5clamp钳制1.6arbitraryshapes任意形状1.7explodinggradients梯度爆炸1.8converge收敛1.9approximate近似1.10arg参数1.11argument参数1.12con
- AIMv2:多模态自回归预训练的视觉新突破
人工智能
AIMv2:多模态自回归预训练的视觉新突破阅读时长:19分钟发布时间:2025-02-17近日热文:全网最全的神经网络数学原理(代码和公式)直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】导言视觉模型在人工智能领域的地位愈发重要,从图像识别、目标检测到多模态理解,其应用场景不断拓展。在大规模数据集上进行预训练,能助力模型学习丰富的视觉特
- PyTorch实战深度学习——用CNN进行手写数字识别
一位小说男主
人工智能入门深度学习
用CNN进行手写数字识别---计算机专业研究生的代码第一课,相当于”HelloWorld“,不管以后选择什么研究方向,都值得一看,欢迎大家留言交流学习!下面手把手教大家一步一步实现该任务:1.环境准备首先呢,您需要确保安装了PyTorch库。如果还没有安装,可以使用以下命令进行安装,这里默认您已经有Anaconda并创建好虚拟环境啦,如果还没有安装,可以参考其他更完整的安装pytorch的教程:p
- 一文理解大模型,并对当前流行模型做对比
Jing_saveSlave
AIai人工智能chatgpt
什么是大模型?大模型就像是一个“超级智能大脑”,它通过海量数据和复杂的计算结构(比如神经网络)学习人类语言、图像、声音等信息的规律。它的核心特点是参数数量极其庞大(比如千亿甚至万亿级),这些参数可以理解为大脑中的“神经元连接”,参数越多,模型越“聪明”,能处理的任务也更复杂。举个例子:小模型:像一个小学生,能解决简单的数学题,但遇到复杂问题容易卡壳。大模型:像一位大学教授,不仅能解数学题,还能写诗
- 推荐学习图像处理的入门书:《Python图像处理实战》
天飓
学习感悟学习图像处理python
《Python图像处理实战》是一本全面介绍Python图像处理技术的实用指南,是由人民邮电出版社于2020年12月出版。这本书的作者桑迪潘·戴伊是一位兴趣广泛的数据科学家,主要研究机器学习、深度学习、图像处理和计算机视觉。在《Python图像处理实战》一书中,作者主要介绍了如何用Python图像处理库(如PIL、python-opencv、Scipy等),机器学习库(scikit-learn)和深
- 计算机视觉中图像的基础认知
全栈你个大西瓜
人工智能计算机视觉人工智能图像基本属性RGB三通道彩色单通道灰度图像OpenCVMatplotlib
第一章:计算机视觉中图像的基础认知第二章:计算机视觉:卷积神经网络(CNN)基本概念(一)第三章:计算机视觉:卷积神经网络(CNN)基本概念(二)第四章:搭建一个经典的LeNet5神经网络一、图像/视频的基本属性在计算机视觉中,图像和视频的本质是多维数值矩阵。图像或视频数据的一些基本属性。宽度(W)和高度(H)定义了图像的像素分辨率,单位通常是像素。例如,一张1920x1080的图像有1920列(
- DataWorks Copilot × DeepSeek-R1 来了!给你的智能数据开发加满 buff
DataWorksCopilot×DeepSeek-R1来了!DataWorksCopilot,作为一站式智能数据开发治理平台DataWorks的智能助手,借助AI推理和自然语言处理能力,通过提供代码辅助和智能应用开发功能,为开发者和企业用户带来便捷高效的数据开发体验。现在,DataWorksCopilot与DeepSeek-R1模型深度对接,支持DeepSeek-R1-671B模型与DeepSe
- 【深度学习】计算机视觉(CV)-图像分类-ResNet(Residual Network,残差网络)
IT古董
深度学习人工智能深度学习计算机视觉分类
ResNet(ResidualNetwork,残差网络)是一种深度卷积神经网络(CNN)架构,由何恺明(KaimingHe)等人在2015年提出,最初用于ImageNet竞赛,并在分类任务上取得了冠军。ResNet的核心思想是残差学习(ResidualLearning),它通过跳跃连接(SkipConnections)解决了深度神经网络训练中的梯度消失和梯度爆炸问题,使得非常深的网络(如50层、1
- 【深度学习基础】什么是注意力机制
我的青春不太冷
深度学习人工智能注意力机制
文章目录一、注意力机制的核心地位:从补充到主导二、技术突破:从Transformer到多模态融合三、跨领域应用:从NLP到通用人工智能四、未来挑战与趋势结语参考链接注意力机制:深度学习的核心革命与未来基石在深度学习的发展历程中,注意力机制(AttentionMechanism)的引入堪称一场革命。它不仅解决了传统模型的根本性缺陷,更通过动态聚焦关键信息的能力,重塑了人工智能处理复杂任务的范式。本文
- 【第15章:量子深度学习与未来趋势—15.3 量子深度学习在图像处理、自然语言处理等领域的应用潜力分析】
再见孙悟空_
#【深度学习・探索智能核心奥秘】深度学习机器学习人工智能音视频自然语言处理量子深度学习量子学习未来
一、开篇:为什么我们需要关注这场"量子+AI"的世纪联姻?各位技术爱好者们,今天我们要聊的这个话题,可能是未来十年最值得押注的技术革命——量子深度学习。这不是简单的"1+1=2"的物理叠加,而是一场可能彻底改写AI发展轨迹的范式转移。想象这样一个场景:你现在训练一个GPT-5级别的模型,不需要耗费价值上亿美元的算力资源,不需要等待数周的训练时间,甚至不需要纠结于模型参数是否过拟合。这就是量子深度学
- 【第15章:量子深度学习与未来趋势—15.1 量子计算基础与量子机器学习的发展背景】
再见孙悟空_
#【深度学习・探索智能核心奥秘】机器翻译自然语言处理计算机视觉量子计算人工智能深度学习机器学习
想象一下,你正在用ChatGPT生成一篇小说,突然它卡在"主角穿越虫洞"的情节上——这不是因为想象力枯竭,而是传统计算机的晶体管已经烧到冒烟。当前AI大模型的参数规模每4个月翻一番,但摩尔定律的终结让经典计算机的算力增长首次跟不上AI的进化速度。这时候,量子计算带着它的"超能力"登场了:1台50量子位的量子计算机,处理某些问题的速度可达超级计算机的1亿倍。这场算力革命,正在改写深度学习的游戏规则。
- 语音与自然语言处理(NLP):智能交互的核心技术
给生活加糖!
热门知识自然语言处理交互人工智能
随着人工智能(AI)技术的飞速发展,语音识别与自然语言处理(NaturalLanguageProcessing,NLP)成为了智能交互系统的核心技术。它们不仅改变了人们与计算机、设备的交互方式,也推动了众多行业的革新。从智能助手(如苹果的Siri、亚马逊的Alexa)到机器翻译、自动客服系统,语音和NLP技术正逐步融入日常生活,改善我们与数字世界的沟通方式。一、什么是语音识别与自然语言处理(NLP
- Python 循环神经网络(RNN)算法详解与应用案例
闲人编程
pythonpythonrnn算法循环神经网络深度学习文本生成
目录Python循环神经网络(RNN)算法详解与应用案例引言一、RNN的基本原理1.1RNN的结构1.2RNN的优势与挑战二、Python中RNN的面向对象实现2.1`RNNCell`类的实现2.2`RNNModel`类的实现2.3`Trainer`类的实现三、案例分析3.1序列预测3.1.1数据准备3.1.2模型训练3.1.3结果分析3.2文本生成3.2.1数据准备3.2.2模型训练3.2.3文
- 基于深度学习YOLOv10的PCB板缺陷检测系统(附完整资源+PySide6界面+训练代码)
人工智能_SYBH
深度学习YOLO人工智能目标检测python
引言:在现代制造业中,电子元件和PCB(印刷电路板)是非常重要的基础设施。PCB缺陷检测是生产过程中至关重要的一步。传统的缺陷检测方法主要依靠人工检查,这不仅效率低,而且容易受到人眼疲劳的影响。随着深度学习技术的不断发展,基于深度学习的自动化缺陷检测已成为研究的热点,尤其是在计算机视觉领域。YOLO(YouOnlyLookOnce)系列算法凭借其高速和高精度的优势,成为了目标检测领域的佼佼者。本文
- PHP如何实现二维数组排序?
IT独行者
二维数组PHP排序
二维数组在PHP开发中经常遇到,但是他的排序就不如一维数组那样用内置函数来的方便了,(一维数组排序可以参考本站另一篇文章【PHP中数组排序函数详解汇总】)。二维数组的排序需要我们自己写函数处理了,这里UncleToo给大家分享一个PHP二维数组排序的函数:
代码:
functionarray_sort($arr,$keys,$type='asc'){
$keysvalue= $new_arr
- 【Hadoop十七】HDFS HA配置
bit1129
hadoop
基于Zookeeper的HDFS HA配置主要涉及两个文件,core-site和hdfs-site.xml。
测试环境有三台
hadoop.master
hadoop.slave1
hadoop.slave2
hadoop.master包含的组件NameNode, JournalNode, Zookeeper,DFSZKFailoverController
- 由wsdl生成的java vo类不适合做普通java vo
darrenzhu
VOwsdlwebservicerpc
开发java webservice项目时,如果我们通过SOAP协议来输入输出,我们会利用工具从wsdl文件生成webservice的client端类,但是这里面生成的java data model类却不适合做为项目中的普通java vo类来使用,当然有一中情况例外,如果这个自动生成的类里面的properties都是基本数据类型,就没问题,但是如果有集合类,就不行。原因如下:
1)使用了集合如Li
- JAVA海量数据处理之二(BitMap)
周凡杨
java算法bitmapbitset数据
路漫漫其修远兮,吾将上下而求索。想要更快,就要深入挖掘 JAVA 基础的数据结构,从来分析出所编写的 JAVA 代码为什么把内存耗尽,思考有什么办法可以节省内存呢? 啊哈!算法。这里采用了 BitMap 思想。
首先来看一个实验:
指定 VM 参数大小: -Xms256m -Xmx540m
- java类型与数据库类型
g21121
java
很多时候我们用hibernate的时候往往并不是十分关心数据库类型和java类型的对应关心,因为大多数hbm文件是自动生成的,但有些时候诸如:数据库设计、没有生成工具、使用原始JDBC、使用mybatis(ibatIS)等等情况,就会手动的去对应数据库与java的数据类型关心,当然比较简单的数据类型即使配置错了也会很快发现问题,但有些数据类型却并不是十分常见,这就给程序员带来了很多麻烦。
&nb
- Linux命令
510888780
linux命令
系统信息
arch 显示机器的处理器架构(1)
uname -m 显示机器的处理器架构(2)
uname -r 显示正在使用的内核版本
dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI)
hdparm -i /dev/hda 罗列一个磁盘的架构特性
hdparm -tT /dev/sda 在磁盘上执行测试性读取操作
cat /proc/cpuinfo 显示C
- java常用JVM参数
墙头上一根草
javajvm参数
-Xms:初始堆大小,默认为物理内存的1/64(<1GB);默认(MinHeapFreeRatio参数可以调整)空余堆内存小于40%时,JVM就会增大堆直到-Xmx的最大限制
-Xmx:最大堆大小,默认(MaxHeapFreeRatio参数可以调整)空余堆内存大于70%时,JVM会减少堆直到 -Xms的最小限制
-Xmn:新生代的内存空间大小,注意:此处的大小是(eden+ 2
- 我的spring学习笔记9-Spring使用工厂方法实例化Bean的注意点
aijuans
Spring 3
方法一:
<bean id="musicBox" class="onlyfun.caterpillar.factory.MusicBoxFactory"
factory-method="createMusicBoxStatic"></bean>
方法二:
- mysql查询性能优化之二
annan211
UNIONmysql查询优化索引优化
1 union的限制
有时mysql无法将限制条件从外层下推到内层,这使得原本能够限制部分返回结果的条件无法应用到内层
查询的优化上。
如果希望union的各个子句能够根据limit只取部分结果集,或者希望能够先排好序在
合并结果集的话,就需要在union的各个子句中分别使用这些子句。
例如 想将两个子查询结果联合起来,然后再取前20条记录,那么mys
- 数据的备份与恢复
百合不是茶
oraclesql数据恢复数据备份
数据的备份与恢复的方式有: 表,方案 ,数据库;
数据的备份:
导出到的常见命令;
参数 说明
USERID 确定执行导出实用程序的用户名和口令
BUFFER 确定导出数据时所使用的缓冲区大小,其大小用字节表示
FILE 指定导出的二进制文
- 线程组
bijian1013
java多线程threadjava多线程线程组
有些程序包含了相当数量的线程。这时,如果按照线程的功能将他们分成不同的类别将很有用。
线程组可以用来同时对一组线程进行操作。
创建线程组:ThreadGroup g = new ThreadGroup(groupName);
&nbs
- top命令找到占用CPU最高的java线程
bijian1013
javalinuxtop
上次分析系统中占用CPU高的问题,得到一些使用Java自身调试工具的经验,与大家分享。 (1)使用top命令找出占用cpu最高的JAVA进程PID:28174 (2)如下命令找出占用cpu最高的线程
top -Hp 28174 -d 1 -n 1
32694 root 20 0 3249m 2.0g 11m S 2 6.4 3:31.12 java
- 【持久化框架MyBatis3四】MyBatis3一对一关联查询
bit1129
Mybatis3
当两个实体具有1对1的对应关系时,可以使用One-To-One的进行映射关联查询
One-To-One示例数据
以学生表Student和地址信息表为例,每个学生都有都有1个唯一的地址(现实中,这种对应关系是不合适的,因为人和地址是多对一的关系),这里只是演示目的
学生表
CREATE TABLE STUDENTS
(
- C/C++图片或文件的读写
bitcarter
写图片
先看代码:
/*strTmpResult是文件或图片字符串
* filePath文件需要写入的地址或路径
*/
int writeFile(std::string &strTmpResult,std::string &filePath)
{
int i,len = strTmpResult.length();
unsigned cha
- nginx自定义指定加载配置
ronin47
进入 /usr/local/nginx/conf/include 目录,创建 nginx.node.conf 文件,在里面输入如下代码:
upstream nodejs {
server 127.0.0.1:3000;
#server 127.0.0.1:3001;
keepalive 64;
}
server {
liste
- java-71-数值的整数次方.实现函数double Power(double base, int exponent),求base的exponent次方
bylijinnan
double
public class Power {
/**
*Q71-数值的整数次方
*实现函数double Power(double base, int exponent),求base的exponent次方。不需要考虑溢出。
*/
private static boolean InvalidInput=false;
public static void main(
- Android四大组件的理解
Cb123456
android四大组件的理解
分享一下,今天在Android开发文档-开发者指南中看到的:
App components are the essential building blocks of an Android
- [宇宙与计算]涡旋场计算与拓扑分析
comsci
计算
怎么阐述我这个理论呢? 。。。。。。。。。
首先: 宇宙是一个非线性的拓扑结构与涡旋轨道时空的统一体。。。。
我们要在宇宙中寻找到一个适合人类居住的行星,时间非常重要,早一个刻度和晚一个刻度,这颗行星的
- 同一个Tomcat不同Web应用之间共享会话Session
cwqcwqmax9
session
实现两个WEB之间通过session 共享数据
查看tomcat 关于 HTTP Connector 中有个emptySessionPath 其解释如下:
If set to true, all paths for session cookies will be set to /. This can be useful for portlet specification impleme
- springmvc Spring3 MVC,ajax,乱码
dashuaifu
springjquerymvcAjax
springmvc Spring3 MVC @ResponseBody返回,jquery ajax调用中文乱码问题解决
Spring3.0 MVC @ResponseBody 的作用是把返回值直接写到HTTP response body里。具体实现AnnotationMethodHandlerAdapter类handleResponseBody方法,具体实
- 搭建WAMP环境
dcj3sjt126com
wamp
这里先解释一下WAMP是什么意思。W:windows,A:Apache,M:MYSQL,P:PHP。也就是说本文说明的是在windows系统下搭建以apache做服务器、MYSQL为数据库的PHP开发环境。
工欲善其事,必须先利其器。因为笔者的系统是WinXP,所以下文指的系统均为此系统。笔者所使用的Apache版本为apache_2.2.11-
- yii2 使用raw http request
dcj3sjt126com
http
Parses a raw HTTP request using yii\helpers\Json::decode()
To enable parsing for JSON requests you can configure yii\web\Request::$parsers using this class:
'request' =&g
- Quartz-1.8.6 理论部分
eksliang
quartz
转载请出自出处:http://eksliang.iteye.com/blog/2207691 一.概述
基于Quartz-1.8.6进行学习,因为Quartz2.0以后的API发生的非常大的变化,统一采用了build模式进行构建;
什么是quartz?
答:简单的说他是一个开源的java作业调度框架,为在 Java 应用程序中进行作业调度提供了简单却强大的机制。并且还能和Sp
- 什么是POJO?
gupeng_ie
javaPOJO框架Hibernate
POJO--Plain Old Java Objects(简单的java对象)
POJO是一个简单的、正规Java对象,它不包含业务逻辑处理或持久化逻辑等,也不是JavaBean、EntityBean等,不具有任何特殊角色和不继承或不实现任何其它Java框架的类或接口。
POJO对象有时也被称为Data对象,大量应用于表现现实中的对象。如果项目中使用了Hiber
- jQuery网站顶部定时折叠广告
ini
JavaScripthtmljqueryWebcss
效果体验:http://hovertree.com/texiao/jquery/4.htmHTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>网页顶部定时收起广告jQuery特效 - HoverTree<
- Spring boot内嵌的tomcat启动失败
kane_xie
spring boot
根据这篇guide创建了一个简单的spring boot应用,能运行且成功的访问。但移植到现有项目(基于hbase)中的时候,却报出以下错误:
SEVERE: A child container failed during start
java.util.concurrent.ExecutionException: org.apache.catalina.Lif
- leetcode: sort list
michelle_0916
Algorithmlinked listsort
Sort a linked list in O(n log n) time using constant space complexity.
====analysis=======
mergeSort for singly-linked list
====code======= /**
* Definition for sin
- nginx的安装与配置,中途遇到问题的解决
qifeifei
nginx
我使用的是ubuntu13.04系统,在安装nginx的时候遇到如下几个问题,然后找思路解决的,nginx 的下载与安装
wget http://nginx.org/download/nginx-1.0.11.tar.gz
tar zxvf nginx-1.0.11.tar.gz
./configure
make
make install
安装的时候出现
- 用枚举来处理java自定义异常
tcrct
javaenumexception
在系统开发过程中,总少不免要自己处理一些异常信息,然后将异常信息变成友好的提示返回到客户端的这样一个过程,之前都是new一个自定义的异常,当然这个所谓的自定义异常也是继承RuntimeException的,但这样往往会造成异常信息说明不一致的情况,所以就想到了用枚举来解决的办法。
1,先创建一个接口,里面有两个方法,一个是getCode, 一个是getMessage
public
- erlang supervisor分析
wudixiaotie
erlang
当我们给supervisor指定需要创建的子进程的时候,会指定M,F,A,如果是simple_one_for_one的策略的话,启动子进程的方式是supervisor:start_child(SupName, OtherArgs),这种方式可以根据调用者的需求传不同的参数给需要启动的子进程的方法。和最初的参数合并成一个数组,A ++ OtherArgs。那么这个时候就有个问题了,既然参数不一致,那