- 基于华为昇腾910B和LLaMA Factory多卡微调的实战教程
herosunly
大模型微调华为昇腾910B多卡微调实战教程
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。
- 基于深度学习的手势识别系统
毕设宇航
深度学习人工智能手势识别
基于深度学习网络的手势识别系统完整源码+数据集+报告+PPT全套信息【python设计开发】基于深度学习的手势图像识别处理系统【包括】代码PPT报告2需求分析2.1要求(1)用Python语言实现程序设计;(2)初识深度学习和图像处理技术;(3)了解深度神经网络(DeepNeuralNetworks,简称DNN)相关知识;(4)【难点】了解LeNet-5卷积神经网络模型,并进行模型训练;(5)【难
- 深度学习学习经验——强化学习(rl)
Linductor
深度学习学习经验深度学习学习人工智能
强化学习强化学习(ReinforcementLearning,RL)是一种机器学习方法,主要用于让智能体(agent)通过与环境的互动,逐步学习如何在不同情况下采取最佳行动,以最大化其获得的累积回报。与监督学习和无监督学习不同,强化学习并不依赖于已标注的数据集,而是通过智能体在环境中的探索和试错来学习最优策略。强化学习的主要特点:基于试错学习:强化学习中的智能体通过与环境的互动,不断尝试不同的行动
- 深度学习学习经验——什么是深度学习
Linductor
深度学习学习经验深度学习学习人工智能
什么是深度学习?深度学习是机器学习的一个子领域,它使用多层神经网络来自动从大量数据中学习和提取特征。深度学习尤其适合处理大规模的数据,如图像、语音和文本等。基本概念:神经网络:深度学习模型的核心是神经网络,灵感来源于人脑的结构和功能。神经网络由大量的节点(神经元)组成,这些节点通过连接(权重)相互传递信息。层:神经网络通常由多个层级组成。每一层对输入数据进行处理并将结果传递给下一层。最常见的层有输
- 24.8.26学习心得
kkkkk021106
人工智能
验证数据集(ValidationSet)和测试数据集(TestSet)在机器学习和深度学习中都是非常重要的概念。它们各自有不同的用途和目的。下面详细解释两者之间的区别:1.验证数据集(ValidationSet)目的:超参数调整:验证数据集主要用于调整模型的超参数,如学习率、正则化系数、网络层数等。模型选择:用于选择最佳模型。例如,在交叉验证中,通过在验证数据集上的表现来选择性能最好的模型。防止过
- 深度学习--RNN以及RNN的延伸
Ambition_LAO
深度学习rnn
循环神经网络(RecurrentNeuralNetwork,RNN)是一类能够处理序列数据的神经网络,在自然语言处理、时间序列分析等任务中得到了广泛应用。RNN能够通过其内部的循环结构,捕捉到序列中前后项之间的关系。下面我将从原理、作用、应用及代码四个方面详细阐述RNN及其延伸。1.RNN的原理1.1RNN的基本结构RNN的基本结构与传统的前馈神经网络(如全连接网络)不同,它具备一种时间维度上的“
- 单个像素的威胁:微小的变化如何欺骗深度学习系统
FreeBuf-
安全深度学习人工智能
深度学习(DL)是人工智能(AI)的基本组成部分。它的目标是使机器能够执行需要决策机制的任务,这些决策机制往往近似于人类推理。深度学习模型是许多先进应用的核心,例如医疗诊断和自动驾驶汽车。不幸的是,像所有其他系统一样,它们也存在可能会被网络罪犯利用的漏洞。例如,单像素攻击就是破坏模型准确性的最有效方法之一,这种方法只需修改图像的一个像素就能轻松欺骗高级深度学习模型。本文解释了单像素攻击的运行原理,
- 每天一个数据分析题(四百九十六)- 决策树模型
跟着紫枫学姐学CDA
数据分析题库数据分析决策树数据挖掘
回归树是可以用于回归的决策树模型,一个回归树对应着输入空间(即特征空间)的一个划分以及在划分单元上的输出值。以下哪个指标可用于回归树中的模型比较A.AdjustedR2B.F-measureC.AUCD.Precision&Recall数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器
- 揭秘Sora:深度学习与自然语言处理驱动的智能视频生成与互动
疾风终究没有归途
深度学习自然语言处理人工智能
Sora-探索AI视频模型的无限可能随着人工智能技术的飞速发展,AI视频模型已成为科技领域的新热点。而在这个浪潮中,OpenAI推出的首个AI视频模型Sora,以其卓越的性能和前瞻性的技术,引领着AI视频领域的创新发展。让我们将一起探讨Sora的技术特点、应用场景以及对未来创作方式的深远影响。方向一:技术解析技术架构:Sora的技术架构主要包括视频处理模块和智能生成模块。视频处理模块负责视频内容的
- 大模型微调方法总结:LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning
百度_开发者中心
prompt人工智能大模型
随着深度学习技术的不断发展,大型预训练模型已成为许多任务的重要工具。然而,微调(finetuning)这些大模型以适应特定任务是一个复杂且计算密集型的过程。本文将重点介绍五种不同的微调方法:LoRA、Adapter、Prefix-tuning、P-tuning和Prompt-tuning,并对它们进行总结。LoRA(LearnedRepresentationsforFinetuning)LoRA是
- Prompt-Tuning:大模型微调技术
百度_开发者中心
prompt自然语言处理大模型
随着深度学习技术的不断发展,大模型(如GPT、BERT等)在各种自然语言处理(NLP)任务中取得了显著的成功。然而,训练和部署大模型需要大量的计算资源和时间,这限制了其在一些资源有限场景中的应用。为了解决这个问题,研究人员提出了各种大模型微调技术,以减少模型的大小和计算复杂度,同时保持模型的性能。本文将重点介绍一些常见的大模型微调技术,包括Adapter-Tuning、Prefix-Tuning、
- 深度学习学习经验——变换器(Transformer)
Linductor
深度学习学习经验深度学习学习transformer
变换器(Transformer)变换器(Transformer)是一种用于处理序列数据的深度学习模型,与循环神经网络(RNN)不同,它不依赖于顺序处理数据,而是依靠一种称为注意力机制(AttentionMechanism)的技术来捕捉序列中的依赖关系。Transformer的核心组件包括自注意力(Self-Attention)和多头注意力(Multi-HeadAttention),这些机制使Tra
- 打手机检测算法源码样本展示打手机检测算法实际应用场景介绍
LNTON羚通
算法智能手机算法大数据安全数据库音视频人工智能
打手机检测算法是一种利用计算机视觉技术来监测和识别人们在特定区域如驾驶舱、考场或其他敏感区域非法使用手机的行为。这种算法对于提高安全性和确保规则的遵守具有重要意义。以下是关于打手机检测算法源码及其实际应用的详细阐述:1.算法实现-深度学习框架:打手机检测算法通常采用卷积神经网络(CNN)等深度学习模型,这些模型能够从图像或视频中提取使用手机时的视觉特征。-数据集准备:为了训练这样的模型,需要大量的
- 什么是LLM,主要用途有哪些,在应用中有哪些优势和局限性?
好好学习的不知名程序员
机器学习深度学习AIGC人工智能
LLM(大型语言模型)在实际应用中的优势包括多领域应用、技术突破、创新应用等。其局限性则包括设计挑战、行为问题、科学难题等。LLM在实际中的应用优势:1.多领域应用:自然语言处理:LLM在机器翻译、语音识别、文本生成等领域表现出色。智能对话系统:LLM能够提供与人类相似的聊天机器人体验。内容创作:从文章写作到代码开发,LLM都能提供高效的辅助。2.技术突破:深度学习架构:LLM基于先进的深度学习技
- python深度学习框架——TensorFlow
零 度°
pythonpythontensorflow
TensorFlow,由Google开发的开源机器学习库,以其强大的功能和灵活性,在深度学习、计算机视觉和自然语言处理等领域发挥着重要作用。本文将深入探讨TensorFlow中的一些常用函数及其参数。TensorFlow核心概念在TensorFlow中,**张量(Tensor)**是基本的数据单元,可以视为多维数组。**计算图(ComputationGraph)是由节点(代表数学运算)和边(代表张
- 计算机毕业设计Hadoop+Spark知识图谱体育赛事推荐系统 体育赛事热度预测系统 体育赛事数据分析 体育赛事可视化 体育赛事大数据 机器学习 大数据毕业设计 大数据毕设 机器学习 人工智能
计算机毕业设计大全
开发技术前端:vue.js、element-ui、echarts后端:springboot、mybatis大数据:spark、hadoop数据库:mysql关系型数据库、neo4j图数据库算法:协同过滤推荐算法、MLP深度学习模型、SVD神经网络混合推荐算法、lstm模型、KNN、CNN、Sklearn、K-Means第三方平台:百度AI、阿里云短信、支付宝沙箱支付爬虫:Pythonchrome-
- PyTorch深度学习模型训练流程的python实现:回归
moyao_miao
python人工智能深度学习pytorch回归
回归的流程与分类基本一致,只需要把评估指标改动一下就行。回归输出的是损失曲线、R^2曲线、训练集预测值与真实值折线图、测试集预测值散点图与真实值折线图。输出效果如下:注意:预测值与真实值图像处理为按真实值排序,图中呈现的升序与数据集趋势无关。代码如下:fromfunctoolsimportpartialimportnumpyasnpimportpandasaspdfromsklearn.prepr
- 深度学习--Transformer和BERT区别详解
Ambition_LAO
深度学习
Transformer的概念、作用、原理及应用概念Transformer是一种基于注意力机制(AttentionMechanism)的神经网络架构,由Vaswani等人在2017年提出。与传统的循环神经网络(RNN)和卷积神经网络(CNN)不同,Transformer完全摒弃了循环和卷积结构,依赖于自注意力机制和并行化的处理方式,极大地提高了模型的训练效率和效果。作用Transformer的主要作
- 基于深度学习的环境数据分析
SEU-WYL
深度学习dnn深度学习数据分析人工智能
基于深度学习的环境数据分析利用深度学习技术处理和分析大量复杂的环境数据,以揭示隐藏的模式、趋势和关系,进而支持环境监测、管理和决策。环境数据分析在气候变化、污染监测、生态系统保护和自然灾害预测等领域具有重要应用价值。1.背景与需求1.1环境数据的多样性与复杂性多维数据来源:环境数据来源广泛,包括气象数据(如温度、降水)、水质数据(如pH值、溶解氧)、空气质量数据(如PM2.5、CO2浓度)、生态数
- 小琳AI课堂:AIGC
小琳ai
小琳AI课堂人工智能AIGC
大家好,这里是小琳AI课堂!今天我们来聊聊一个超级热门的话题——AIGC,也就是人工智能生成内容。首先,我们要明白,AIGC不仅仅是关于机器生成一些酷炫的图片或者文章,它融合了人工智能、深度学习、自然语言处理、计算机视觉等多个学科的技术。想象一下,这就是机器界的“文艺复兴”,用智能化的方式模仿甚至增强人类的创造力!✨AIGC的重要概念生成模型(GenerativeModels):这是AIGC的心脏
- 小琳AI课堂:AI(人工智能)和AIGC(AI生成内容)的关系
小琳ai
小琳AI课堂人工智能AIGC
大家好,这里是小琳AI课堂。今天我们来探讨一下AI(人工智能)和AIGC(AI生成内容)之间的关系,这是一个非常有趣且深入的话题。首先,从技术细节角度来看,AI是一种广泛的技术领域,它使计算机系统能够模拟人类智能,执行各种复杂任务。而AIGC,作为AI的一个分支,专注于使用这些技术来生成内容,如文本、图像、音乐和视频等。接着,我们来看一下它们的关键技术。AI的关键技术包括机器学习、深度学习和自然语
- 基于深度学习的生产流程自动化
SEU-WYL
深度学习dnn深度学习自动化人工智能
基于深度学习的生产流程自动化是一种将深度学习技术应用于工业生产流程中,以实现更高效、智能化和自适应的生产管理和控制的方式。通过利用深度学习算法对大规模数据进行分析与预测,生产流程自动化系统可以优化资源分配、提高生产效率、降低成本,并适应快速变化的市场需求。1.背景与动机传统自动化的局限:传统的生产自动化通常依赖于预设的规则和固定的流程控制,这种方式在面对复杂、多变的生产环境时,往往显得僵硬和缺乏弹
- 深度学习五种不同代码实现,神经网络,机器学习
学呗~那不然呢
pycharm
第一种importnumpyasnpimporttensorflowastfmnist=tf.keras.datasets.mnistimportmatplotlib.pyplotaspltimportmatplotlibmatplotlib.use("TkAgg")(x_train,y_train),(x_test,y_test)=mnist.load_data()x_train=x_train
- Stable Diffusion快速安装及prompt的使用
老童聊AI
老童陪你学AIpythonstablediffusion
StableDiffusion是一种基于深度学习的文本到图像生成技术,它可以生成高质量的图像。以下是一篇快速安装教程,适合初学者理解和操作。什么是StableDiffusion?StableDiffusion是一种AI模型,它能够根据用户输入的文本描述生成相应的图像。这项技术在艺术创作、游戏设计、广告制作等领域有着广泛的应用。系统要求在开始安装之前,请确保你的计算机满足以下基本要求:操作系统:Wi
- 每天一个数据分析题(五百)- 关联规则
跟着紫枫学姐学CDA
数据分析题库数据分析数据挖掘
广为流传的“啤酒与尿布”的故事,其背后的模型实际上是哪一类?A.分类(Classification)B.分群(Clustering)C.关联(Association)D.预测(Prediction)数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库
- 每天一个数据分析题(四百九十)- 主成分分析与因子分析
跟着紫枫学姐学CDA
数据分析题库数据分析数据挖掘
在主成分分析中,主成分的选择通常是按照()的大小排序来进行的。A.特征值B.特征向量C.协方差矩阵D.相关系数矩阵数据分析认证考试介绍:点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python,SQL,统计学,数据分析理论,深度学习,可视化,机器学习,Spark八个方向的专项练习题库,数据分析从业者刷题必备神器!
- 人工智能开源库有哪些
openwin_top
人工智能人工智能开源python
TensorFlow:由Google开发的深度学习库,提供了丰富的工具和API,支持CPU和GPU计算。PyTorch:由Facebook开发的深度学习框架,提供动态图和静态图两种模式,并且易于使用。Keras:基于TensorFlow、Theano和CNTK等深度学习库的高级API,可帮助用户快速构建神经网络。Scikit-learn:用Python编写的机器学习库,提供了许多常见的机器学习算法
- 深度学习多GPU训练原理
浦东新村轱天乐
深度学习深度学习人工智能
详细参考《动手学深度学习》P233,8.4节多GPU计算。数据并行的方法把一个batch的所有数据平均分配到每块GPU的显存里,把模型参数在每个GPU显存上拷贝一份。每个GPU根据自己所分到的数据,计算本地梯度所有GPU的本地梯度相加(这里的梯度只是模型参数的梯度,不包括中间变量的梯度),得到总的梯度。(注意,梯度不用求平均,因为更新模型参数的时候,会除以batch_size,在那里做了平均)把总
- TensorFlow库详解:Python中的深度学习框架
Ambition_LAO
tensorflow深度学习
TensorFlow是一个开源的深度学习框架,由GoogleBrain团队开发,并于2015年正式发布。TensorFlow被广泛应用于各种深度学习任务,如图像识别、自然语言处理、语音识别等。它能够处理大规模的多维数据,并支持在多种硬件平台上运行,如CPU、GPU和TPU(TensorProcessingUnit)。TensorFlow在Python中的使用非常广泛,因为Python是机器学习和数
- 深度学习--自监督学习
Ambition_LAO
深度学习
自监督学习是一种无需大量人工标注的数据驱动方法,在生成模型中应用广泛。自监督学习通过利用数据中的固有结构或属性创建“伪标签”,使模型在没有人工标签的情况下进行学习。这种方法既提高了模型的训练效率,又降低了对标注数据的依赖。概念自监督学习:自监督学习是一种半监督学习的形式,模型通过从未标注的数据中创建自己的监督信号来进行学习。常见的方法包括通过预测数据的一部分来学习(例如,给定图像的部分,预测其余部
- Nginx负载均衡
510888780
nginx应用服务器
Nginx负载均衡一些基础知识:
nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
指定轮询几率,weight和访问比率成正比
- RedHat 6.4 安装 rabbitmq
bylijinnan
erlangrabbitmqredhat
在 linux 下安装软件就是折腾,首先是测试机不能上外网要找运维开通,开通后发现测试机的 yum 不能使用于是又要配置 yum 源,最后安装 rabbitmq 时也尝试了两种方法最后才安装成功
机器版本:
[root@redhat1 rabbitmq]# lsb_release
LSB Version: :base-4.0-amd64:base-4.0-noarch:core
- FilenameUtils工具类
eksliang
FilenameUtilscommon-io
转载请出自出处:http://eksliang.iteye.com/blog/2217081 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- xml文件解析SAX
不懂事的小屁孩
xml
xml文件解析:xml文件解析有四种方式,
1.DOM生成和解析XML文档(SAX是基于事件流的解析)
2.SAX生成和解析XML文档(基于XML文档树结构的解析)
3.DOM4J生成和解析XML文档
4.JDOM生成和解析XML
本文章用第一种方法进行解析,使用android常用的DefaultHandler
import org.xml.sax.Attributes;
- 通过定时任务执行mysql的定期删除和新建分区,此处是按日分区
酷的飞上天空
mysql
使用python脚本作为命令脚本,linux的定时任务来每天定时执行
#!/usr/bin/python
# -*- coding: utf8 -*-
import pymysql
import datetime
import calendar
#要分区的表
table_name = 'my_table'
#连接数据库的信息
host,user,passwd,db =
- 如何搭建数据湖架构?听听专家的意见
蓝儿唯美
架构
Edo Interactive在几年前遇到一个大问题:公司使用交易数据来帮助零售商和餐馆进行个性化促销,但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据
“我们要花费27小时来处理每日的数据量,”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道:“所以在2013年,我们放弃了现有的基于PostgreSQL的关系型数据库系统,使用了Hadoop集群作为公司的数
- spring学习——控制反转与依赖注入
a-john
spring
控制反转(Inversion of Control,英文缩写为IoC)是一个重要的面向对象编程的法则来削减计算机程序的耦合问题,也是轻量级的Spring框架的核心。 控制反转一般分为两种类型,依赖注入(Dependency Injection,简称DI)和依赖查找(Dependency Lookup)。依赖注入应用比较广泛。
- 用spool+unixshell生成文本文件的方法
aijuans
xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下:
set pages 50000;
set lines 200;
set trims on;
set heading off;
spool /oracle_backup/log/test/dept.lst;
select deptno||','||dname||','||loc
- 1、基础--名词解析(OOA/OOD/OOP)
asia007
学习基础知识
OOA:Object-Oriented Analysis(面向对象分析方法)
是在一个系统的开发过程中进行了系统业务调查以后,按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上,针对OO方法所需要的素材进行的归类分析和整理,而不是对管理业务现状和方法的分析。
OOA(面向对象的分析)模型由5个层次(主题层、对象类层、结构层、属性层和服务层)
- 浅谈java转成json编码格式技术
百合不是茶
json编码java转成json编码
json编码;是一个轻量级的数据存储和传输的语言
在java中需要引入json相关的包,引包方式在工程的lib下就可以了
JSON与JAVA数据的转换(JSON 即 JavaScript Object Natation,它是一种轻量级的数据交换格式,非
常适合于服务器与 JavaScript 之间的数据的交
- web.xml之Spring配置(基于Spring+Struts+Ibatis)
bijian1013
javaweb.xmlSSIspring配置
指定Spring配置文件位置
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>
/WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml,
/WEB-INF/
- Installing SonarQube(Fail to download libraries from server)
sunjing
InstallSonar
1. Download and unzip the SonarQube distribution
2. Starting the Web Server
The default port is "9000" and the context path is "/". These values can be changed in &l
- 【MongoDB学习笔记十一】Mongo副本集基本的增删查
bit1129
mongodb
一、创建复本集
假设mongod,mongo已经配置在系统路径变量上,启动三个命令行窗口,分别执行如下命令:
mongod --port 27017 --dbpath data1 --replSet rs0
mongod --port 27018 --dbpath data2 --replSet rs0
mongod --port 27019 -
- Anychart图表系列二之执行Flash和HTML5渲染
白糖_
Flash
今天介绍Anychart的Flash和HTML5渲染功能
HTML5
Anychart从6.0第一个版本起,已经逐渐开始支持各种图的HTML5渲染效果了,也就是说即使你没有安装Flash插件,只要浏览器支持HTML5,也能看到Anychart的图形(不过这些是需要做一些配置的)。
这里要提醒下大家,Anychart6.0版本对HTML5的支持还不算很成熟,目前还处于
- Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa
bozch
laravel
昨天在为了把laravel升级到最新的版本,突然之间就出现了如下错误:
ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
- 编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class Nim {
/**编程之美 NIM游戏分析
问题:
有N块石头和两个玩家A和B,玩家A先将石头随机分成若干堆,然后按照BABA...的顺序不断轮流取石头,
能将剩下的石头一次取光的玩家获胜,每次取石头时,每个玩家只能从若干堆石头中任选一堆,
- lunce创建索引及简单查询
chengxuyuancsdn
查询创建索引lunce
import java.io.File;
import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Docume
- [IT与投资]坚持独立自主的研究核心技术
comsci
it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段.....
所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
- flashback transaction闪回事务查询
daizj
oraclesql闪回事务
闪回事务查询有别于闪回查询的特点有以下3个:
(1)其正常工作不但需要利用撤销数据,还需要事先启用最小补充日志。
(2)返回的结果不是以前的“旧”数据,而是能够将当前数据修改为以前的样子的撤销SQL(Undo SQL)语句。
(3)集中地在名为flashback_transaction_query表上查询,而不是在各个表上通过“as of”或“vers
- Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件
游其是你
FilenameFilter
这是一个FilenameFilter类用法的例子,实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
- C语言学习五函数,函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题
dcj3sjt126com
c
# include <stdio.h>
int f(void) //括号中的void表示该函数不能接受数据,int表示返回的类型为int类型
{
return 10; //向主调函数返回10
}
void g(void) //函数名前面的void表示该函数没有返回值
{
//return 10; //error 与第8行行首的void相矛盾
}
in
- 今天在测试环境使用yum安装,遇到一个问题: Error: Cannot retrieve metalink for repository: epel. Pl
dcj3sjt126com
centos
今天在测试环境使用yum安装,遇到一个问题:
Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again
处理很简单,修改文件“/etc/yum.repos.d/epel.repo”, 将baseurl的注释取消, mirrorlist注释掉。即可。
&n
- 单例模式
shuizhaosi888
单例模式
单例模式 懒汉式
public class RunMain {
/**
* 私有构造
*/
private RunMain() {
}
/**
* 内部类,用于占位,只有
*/
private static class SingletonRunMain {
priv
- Spring Security(09)——Filter
234390216
Spring Security
Filter
目录
1.1 Filter顺序
1.2 添加Filter到FilterChain
1.3 DelegatingFilterProxy
1.4 FilterChainProxy
1.5
- 公司项目NODEJS实践0.1
逐行分析JS源代码
mongodbnginxubuntunodejs
一、前言
前端如何独立用nodeJs实现一个简单的注册、登录功能,是不是只用nodejs+sql就可以了?其实是可以实现,但离实际应用还有距离,那要怎么做才是实际可用的。
网上有很多nod
- java.lang.Math
liuhaibo_ljf
javaMathlang
System.out.println(Math.PI);
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1));
System.out.println(Math.abs(111111111));
System.out.println(Mat
- linux下时间同步
nonobaba
ntp
今天在linux下做hbase集群的时候,发现hmaster启动成功了,但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing,查看了日志,大致意思是说master和slave时间不同步,没办法,只好找一种手动同步一下,后来发现一共部署了10来台机器,手动同步偏差又比较大,所以还是从网上找现成的解决方
- ZooKeeper3.4.6的集群部署
roadrunners
zookeeper集群部署
ZooKeeper是Apache的一个开源项目,在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。
1、准备工作
我们准备3台机器做ZooKeeper集群,分别在3台机器上创建ZooKeeper需要的目录。
数据存储目录
- Java高效读取大文件
tomcat_oracle
java
读取文件行的标准方式是在内存中读取,Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法: Files.readLines(new File(path), Charsets.UTF_8); FileUtils.readLines(new File(path)); 这种方法带来的问题是文件的所有行都被存放在内存中,当文件足够大时很快就会导致
- 微信支付api返回的xml转换为Map的方法
xu3508620
xmlmap微信api
举例如下:
<xml>
<return_code><![CDATA[SUCCESS]]></return_code>
<return_msg><![CDATA[OK]]></return_msg>
<appid><