- 解密大模型全栈开发:从搭建环境到实战案例,一站式攻略
海棠AI实验室
“智元启示录“-AI发展的深度思考与未来展望人工智能大模型全栈开发
目录大模型基础概念什么是大模型?大模型的发展历程大模型的类型大模型全栈开发环境搭建硬件需求软件环境配置云服务选择大模型应用开发流程模型选择策略提示工程(PromptEngineering)模型微调(Fine-tuning)参数高效微调(PEFT)大模型应用架构设计基本应用架构RAG(检索增强生成)系统Agent系统设计大模型应用部署与优化模型部署选项模型优化技术性能监控与调优大模型应用实战案例智能
- 【人工智能】微调的秘密武器:释放大模型的无限潜能
蒙娜丽宁
Python杂谈人工智能人工智能
《PythonOpenCV从菜鸟到高手》带你进入图像处理与计算机视觉的大门!解锁Python编程的无限可能:《奇妙的Python》带你漫游代码世界在人工智能迅猛发展的今天,大规模语言模型(LLMs)以其强大的通用能力席卷各行各业。然而,如何让这些通用模型在特定领域或任务中发挥最大潜力?答案是微调(Fine-tuning)。本文深入探讨微调的理论基础、技术细节与实践方法,揭示其作为解锁大模型隐藏潜力
- 【Servo】自整定、惯量识别、调谐
我不是程序猿儿
ServoCc++C++c语言
好的,这里为你用伺服驱动领域的语言详细解释“自整定”的概念:自整定(AutoTuning)的定义自整定是指伺服驱动器通过内置的检测、识别和计算算法,自动测量并设置控制系统参数(如增益、惯量、摩擦等),以实现对伺服系统性能的快速优化和匹配,无需人工手动逐一调节。通俗理解:就像智能家电的“一键设置”,自整定可以让初学者或非专业人员只需按一个按钮,系统会自动检测自身状态,选择或计算出合适的参数,使伺服系
- 【面试宝典】【大模型入门】【模型微调】
曾小文
人工智能深度学习机器学习
面试热点科普:监督微调vs无监督微调,有啥不一样?在大模型时代(比如BERT、GPT)里,我们经常听到“预训练+微调”的范式。但你可能会疑惑——监督微调、无监督微调,到底有啥区别?用的场景一样吗?今天这篇,带你5分钟搞懂这对“孪生兄弟”的异同✅1.术语定义名称定义说明预训练(Pretraining)在大规模通用数据上训练模型,学习“通用知识”,比如语言规律、语义表示。微调(Fine-tuning)
- 中文工单分类模型选择
SugarPPig
人工智能分类人工智能数据挖掘
采用基于预训练模型的微调(Fine-tuning)方案来做中文工单分类,这是非常明智的选择,因为预训练模型已经在大量中文语料上学习了丰富的语言知识,能大幅提升分类效果。在HuggingFace上,针对中文文本分类,我为你推荐以下最合适的模型:最推荐的模型:BERT-base-chinese模型名称(HuggingFaceID):google-bert/bert-base-chinese为什么推荐它
- LLM模型的一些思考
巴基海贼王
nlp
对通用LLM模型进行Fine-tuning操作(SFT,supervisedfinetuning),带来的影响往往是有害的?从表象看,使用领域数据对LLM做Fine-tuning,通常会造成灾难性的“灾难遗忘”问题。简单点儿说,SFT在赋予对领域知识理解能力的同时,由于修正模型参数,导致模型遗忘之前学会的某些知识。目前的“智能=压缩”的理论是否正确?LLM的压缩能力是否可以拆解成单个神经元的“压缩
- RAG 和微调如何抉择
成都犀牛
深度学习人工智能机器学习pytorch
要选择RAG(Retrieval-AugmentedGeneration)还是微调(Fine-tuning),或者两者结合,主要取决于如下数据特性应用场景资源限制模型行为的控制需求RAGvs.微调:如何选择?特性/维度RAG(检索增强生成)微调(Fine-tuning)数据特性知识不断变化/更新、信息量大、需要引用来源、数据隐私性高。数据领域特定、格式特殊、语言风格独特、知识相对稳定。知识来源外部
- 56-Oracle SQL Tuning Advisor(STA)
远方1609
oraclesql数据库database大数据
各位小伙伴,一般都用哪些优化工具,OracleSQLTuningAdvisor(STA)用的多吗,Profile就是它的其中1个产物,下一期再弄Profile,STA的核心功能是自动化诊断高负载SQL的性能瓶颈(如全表扫描、缺失索引),通过深度分析执行计划提供优化建议(如索引创建、SQL结构重写),并生成SQLProfile,不侵入、在不修改原SQL的前提下注入优化器指令,强制修正基数估计偏差或访
- LoRA、QLoRA是什么
爱吃土豆的马铃薯ㅤㅤㅤㅤㅤㅤㅤㅤㅤ
人工智能机器学习深度学习
一:LoRA(Low-RankAdaptation,低秩适应)是一种高效的大模型参数微调技术,由Meta在2021年提出。它通过冻结预训练模型参数,仅训练少量新增的低秩矩阵,大幅减少了需要训练的参数量,同时保持接近全参数微调的效果。为什么需要LoRA?传统的全参数微调(Fine-tuning)需要更新大型语言模型的所有参数(如GPT-3有1750亿参数),这带来两个核心问题:计算资源需求极高:需要
- AI模型微调完整学习方案:从入门到精通
奔四的程序猿
大模型微调人工智能学习
引言随着大语言模型(LLM)技术的快速发展,微调模型以适应特定任务或领域的需求变得越来越重要。微调是一种技术,通过对预训练模型进行进一步训练,使其能够更好地解决特定问题或在特定领域表现更佳。本报告将提供一个全面的学习方案,从基础概念到高级技术,帮助读者系统性地掌握AI模型微调的各个方面。1.模型微调基础概念(入门阶段)什么是模型微调?模型微调(Fine-tuning)是指在预训练模型基础上,使用特
- 大模型微调(Fine-tuning)概览
MzKyle
深度学习人工智能
大模型微调(Fine-Tuning)是将预训练大模型(如GPT、LLaMA)适配到特定任务或领域的核心技术,其效率与效果直接影响大模型的落地价值。一、微调的本质与核心目标1.技术定义微调是通过在预训练模型基础上,使用特定任务或领域的小规模数据进行二次训练,使模型参数适应新场景的过程。其核心逻辑是:预训练阶段学习通用知识(如语言规律、世界常识);微调阶段将通用能力转化为领域专属能力(如医疗问答、法律
- 预训练、指令微调与RLHF如何塑造LLM
由数入道
人工智能提示词工程交互
大型语言模型(LLM)那令人惊叹的语言理解、生成和在特定引导下的推理能力,并非魔法的产物,而是源于一个极其复杂、耗资巨大且经过精心设计的多阶段训练过程。理解这个训练过程的核心环节——大规模无监督预训练(Pre-training)、指令微调(InstructionFine-Tuning,IFT)以及从人类反馈中强化学习(ReinforcementLearningfromHumanFeedback,R
- 用 LoRA 对 Qwen2.5-VL 模型进行SFT - qwen2_5vl_lora_sft.yaml
二分掌柜的
QwenLoRAQwenqwen
用LoRA对Qwen2.5-VL模型进行SFT-qwen2_5vl_lora_sft.yamlflyfishFORCE_TORCHRUN=1llamafactory-clitrainexamples/train_lora/qwen2_5vl_lora_sft.yamlqwen2_5vl_lora_sft.yaml││││└──SFT:有监督微调(SupervisedFine-Tuning)│││└
- 深度学习编译器
1)深度学习编译器复杂个JB与通用自动编译工具不同,深度学习编译器结构更加复杂,包括图层优化、张量(Tensor)优化、代码生成、硬件部署、自动调优(AutoTuning)等几个部分。以TVM为例,图1.1为TVM的结构示意图。最上层表示不同的深度学习框架,TVM将不同深度学习框架实现的算法转化为高层IR表示,高层IR以算子为原子单元,将不同类型的算法抽象成图节点对图进行融合优化。之后,TVM将高
- 大模型笔记_模型微调
饕餮争锋
AI大模型笔记笔记语言模型人工智能
1.大模型微调的概念大模型微调(Fine-tuning)是指在预训练大语言模型(如GPT、BERT、LLaMA等)的基础上,针对特定任务或领域,使用小量的目标领域数据对模型进行进一步训练,使其更好地适配具体应用场景的过程。预训练模型通常在大规模通用语料库(如互联网文本、书籍等)上训练,具备通用的语言理解和生成能力,而微调则通过调整模型参数,使其在特定任务(如分类、问答、生成等)或领域(如医疗、金融
- 大模型笔记_模型微调 vs RAG
饕餮争锋
AI大模型笔记笔记人工智能语言模型
1.模型微调与RAG介绍模型微调(Fine-tuning):大模型笔记_模型微调-CSDN博客检索增强生成RAG(Retrieval-AugmentedGeneration):大模型笔记_检索增强生成(RAG)-CSDN博客2.模型微调与RAG对比分析2.1.核心定义与原理维度模型微调(Fine-tuning)RAG(Retrieval-AugmentedGeneration)核心思想通过调整模型
- 大模型笔记:RAG(Retrieval Augmented Generation,检索增强生成)
1大模型知识更新的困境大模型的知识更新是很困难的,主要原因在于:训练数据集固定,一旦训练完成就很难再通过继续训练来更新其知识参数量巨大,随时进行fine-tuning需要消耗大量的资源,并且需要相当长的时间LLM的知识是编码在数百亿个参数中的,无法直接查询或编辑其中的知识图谱——>LLM的知识具有静态、封闭和有限的特点。——>为了赋予LLM持续学习和获取新知识的能力,RAG应运而生2RAG介绍这是
- LLMs 入门实战系列
AGI小明同学
人工智能大数据音视频llama职场和发展
【LLMs入门实战系列】第一层LLMstoNaturalLanguageProcessing(NLP)第一重ChatGLM-6B【ChatGLM-6B入门-一】清华大学开源中文版ChatGLM-6B模型学习与实战介绍:ChatGLM-6B环境配置和部署【ChatGLM-6B入门-二】清华大学开源中文版ChatGLM-6B模型微调实战ChatGLM-6BP-TuningV2微调:Fine-tunin
- 【大模型】大模型微调(上)
油泼辣子多加
大模型实战深度学习机器学习人工智能
一、概念与背景微调(Fine-tuning)是一种迁移学习的方法,通过在已有的预训练模型基础上,利用目标任务的少量标注数据对模型进行二次训练,使其更好地适应特定任务的需求。预训练阶段模型通常使用大规模通用语料(如维基百科、新闻语料)进行无监督或自监督训练,学习通用的语言表示;微调阶段则使用特定任务数据进行有监督学习,实现从通用到专用的知识迁移。预训练(Pre-training):在大规模无标签语料
- 【大模型】大模型微调(中)
油泼辣子多加
大模型实战深度学习机器学习人工智能
一、P-Tuning(PromptTuning)1.原理软提示(SoftPrompt):在输入前添加可训练的连续向量(softprompt),而非修改模型参数。冻结模型主体:仅更新提示向量,保持预训练权重不变。优势:显存开销小,易于存储和切换任务;支持多任务场景。2.所需数据示例{"prompt_template":"Question:{question}Answer:","samples":[{
- 人工智能-SFT(Supervised Fine-Tuning)、RLHF 和 GRPO
高效匠人
人工智能人工智能
以下是SFT(SupervisedFine-Tuning)、RLHF(ReinforcementLearningfromHumanFeedback)和GRPO群体相对策略优化(GRPO,GroupRelativePolicyOptimization)是一种强化学习(RL)算法,的核心差异与原理对比,涵盖定义、训练机制、优缺点及适用场景:一、核心定义方法核心定义SFT基于标注的「输入-输出」对进行监
- 【大模型实践解惑】 如何在 Supervised Fine‑Tuning (SFT) 之后进行 Direct Preference Optimization (DPO) 微调?
云博士的AI课堂
大模型技术开发与实践哈佛博后带你玩转机器学习深度学习机器学习SFTpytorch大模型DPO强化学习DPO微调
关于在SFT之后进行DPO微调的技术解析与应用指南,结合国内外最新研究及实践案例,包含代码实现与未来优化方向:文章目录DPO的核心原理与SFT的局限性1.1SFT的瓶颈与偏好学习的必要性1.2DPO的数学基础与优化目标DPO与SFT的国内外典型应用2.1代码生成优化:北大CodeDPO框架2.2长文本LLM对齐:清华LongReward2.3自动驾驶决策规划:地平线AlphaDriveDPO微调全
- 大模型LoRA微调技术:原理、优势与应用实践
一个小番茄
人工智能自然语言处理深度学习机器学习神经网络
作为一位资深IT项目管理专家,我见证了人工智能领域尤其是大模型技术的迅猛发展。在众多大模型微调技术中,LoRA(Low-RankAdaptation,低秩自适应)因其高效性和实用性脱颖而出。本文将系统性地介绍LoRA微调技术,帮助项目管理者和技术团队理解这一重要技术。##LoRA微调技术概述###技术背景随着GPT等千亿参数级别大模型的出现,全参数微调(FullFine-tuning)面临着巨大挑
- LLaVa官网文档翻译
溯源006
Llava学习相关人工智能深度学习transformer
原文地址:LLaVa1.OverviewLLaVaisanopen-sourcechatbottrainedbyfine-tuningLlamA/VicunaonGPT-generatedmultimodalinstruction-followingdata.Itisanauto-regressivelanguagemodel,basedonthetransformerarchitecture.I
- 【论文阅读】VideoChat-R1: Enhancing Spatio-Temporal Perception via Reinforcement Fine-Tuning
s1ckrain
强化学习AIGC计算机视觉论文阅读多模态大模型强化学习
VideoChat-R1:EnhancingSpatio-TemporalPerceptionviaReinforcementFine-Tuning原文摘要研究现状:强化学习有关方法在视频理解任务中的应用仍未被充分探索。研究目标:方法:采用强化微调(RFT)结合GRPO,专门针对视频MLLMs进行优化。目标:增强模型对视频时空感知的能力。保持模型的通用能力。实验与发现RFT在小样本数据下即可显著提
- 强化学习-深度学习和强化学习领域
高效匠人
人工智能深度学习人工智能
在深度学习和强化学习领域,SFT(SupervisedFine-Tuning)和GRPO(可能指Gradient-basedPolicyOptimization或ReinforcementLearningwithPolicyOptimization)是两种不同的训练范式,常用于模型微调或策略优化。以下是它们的对比和适用场景分析:1.SFT(监督式微调)定义通过标注数据(输入-输出对)直接训练模型,
- 大语言模型生成式AI学习笔记——2. 1.4LLM指令微调——多任务指令微调
预见未来to50
机器学习深度学习(ML/DL)算法
Multi-taskinstructionfine-tuning(多任务指令微调)Multitaskfine-tuningisanextensionofsingletaskfine-tuning,wherethetrainingdatasetiscomprisedofexampleinputsandoutputsformultipletasks.Here,thedatasetcontainsexa
- 手把手教你学Simulink--单相全桥逆变器自校正控制仿真
小蘑菇二号
手把手教你学MATLAB专栏手把手教你学Simulinksimulink
目录一、准备工作二、步骤详解1.启动Simulink并创建新模型2.构建单相全桥逆变器基础模型3.设计自校正控制器自校正控制原理控制器设计4.实现自校正控制逻辑5.增加示波器观察输出6.配置仿真参数7.运行仿真并分析结果自校正控制(Self-TuningControl,STC)是一种自适应控制策略,它能够在线估计系统参数,并根据这些估计值自动调整控制器参数以保持系统的最佳性能。对于单相全桥逆变器而
- Oracle数据库的性能监控与调优工具
数据库管理艺术
数据库oracleai
Oracle数据库的性能监控与调优工具关键词:Oracle数据库、性能监控、调优工具、AWR、SQLTuningAdvisor摘要:本文深入探讨了Oracle数据库的性能监控与调优工具。首先介绍了研究的背景、目的、预期读者以及文档结构等内容。接着详细阐述了Oracle数据库性能监控与调优的核心概念、算法原理、数学模型等理论知识。通过项目实战展示了如何运用这些工具进行实际操作,并分析代码。之后列举了
- Prompt Tuning与自然语言微调对比解析
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpythonprompt人工智能机器学习学习分类
PromptTuning与输入提示词自然语言微调的区别和联系一、核心定义与区别维度PromptTuning(提示微调)输入提示词自然语言微调本质优化连续向量空间中的提示嵌入(不可直接阅读)优化离散自然语言文本(人类可理解)操作对象模型输入嵌入层的连续向量(如WordEmbedding)自然语言文本字符串(如“请判断:{text}”)训练方式端到端梯度下降,更新提示向量的数值离散搜索(如波束搜索、强
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置