- 2024年开源数据集地址汇总包含最新最全数据集在这你可以找到任何想要数据集
萌萌哒240
深度学习目标跟踪人工智能计算机视觉
目标检测数据集和图像分类数据集是计算机视觉领域的两大重要资源,它们为训练和评估各种视觉模型提供了关键的数据支持。目标检测数据集主要用于训练模型以识别和定位图像中的特定物体。这类数据集通常包含大量的标注图像,每张图像中都标记了多个物体的位置和类别。例如,COCO(CommonObjectsinContext)数据集就是一个常用的目标检测数据集,它包含了80个类别的日常物体,如人、车、动物等,并提供了
- 穷人为什么生活的很艰难?
北纬文公子
生活职场和发展赚钱思考
因为对这个世界缺乏体系化的认识,因为没有体系化的竞争输出。1、为什么说是体系化呢?因为只要是生活在这个世界的一员,他就自然的会有对这个世界的认识。因为只是是有生存能力的人,他就自然的会有其自己的生存策略和竞争策略。而这些是远远不够的,人与人的竞争是一场持续时间长,涉及维度广的“马拉松运动”。这关于你的体能天赋,长时间的体能训练,以及你的技巧设计,如配速,呼吸调整,跑步姿势,营养补给,心理调整,赛前
- 一张图看懂AI技术架构!开发、训练、部署全链路深度解析!
和老莫一起学AI
人工智能数据挖掘学习llamaai大模型程序员
人工智能(AI)技术的快速发展,使得企业在AI模型的开发、训练、部署和运维过程中面临前所未有的复杂性。从数据管理、模型训练到应用落地,再到算力调度和智能运维,一个完整的AI架构需要涵盖多个层面,确保AI技术能够高效、稳定地运行。本文将基于AI技术架构全景图,深入剖析AI的开发工具、AI平台、算力与框架、智能运维四大核心部分,帮助大家系统性地理解AI全生命周期管理。一、AI开发工具:赋能高效开发,提
- 【Legged Gym】Legged Gym训练参数详解与自定义任务实现
啵啵啵啵哲
人工智能
LeggedGym训练参数详解与自定义任务实现在进行机器人强化学习训练时,LeggedGym提供了一套灵活的参数配置系统,以适应不同的训练需求和环境。本文将详细解析LeggedGym训练时的关键参数,并特别强调如何通过自定义task来实现新任务的训练。同时,也会解释rl_device和sim_device的赋值方法及其区别。1.参数详解1.1.任务与实验配置--task:指定训练任务的类型,如an
- 什么是“知识蒸馏”
清风AI
深度学习人工智能神经网络pythonconda
定义与原理在深度学习领域不断突破的同时,模型的复杂度和计算需求也随之增加。为了解决这一问题,知识蒸馏技术应运而生,成为模型压缩和性能优化的重要手段。本节将详细介绍知识蒸馏的基本概念、工作原理和知识迁移机制。知识蒸馏是一种将大型预训练模型(教师模型)的知识转移到较小模型(学生模型)的技术。这种方法不仅能保留原有模型的性能,还能显著降低模型的复杂度和计算需求,使其更适合在资源受限的环境中部署。知识蒸馏
- isaac gym 和 legged gym 环境搭建记录
咋学都不累zgc
ubuntu
今天使用fanziqi大佬的rl_docker搭建了一个isaacgym下的四足机器人训练环境,成功运行leggedgym项目下的例子,记录一下搭建流程基础配置OperatingSystem:Ubuntu22.04.5LTSKernel:Linux6.8.0-49-genericArchitecture:x86-64HardwareVendor:MECHREVOHardwareModel:Yaos
- DeepSeek 使用的核心技术预测
eso1983
人工智能深度学习机器学习python
最近DeepSeek这个词算是火遍了整个AI圈,这个影响力迅速超过ChatGPT的产品,都会使用哪些技术来做支撑呢。我这里简单做了一下梳理,结果不一定会完全准确,但是对这类产品的技术架构有个大概的认识。以下是我对可能涉及的技术架构的梳理,希望大家踊跃参与评论。1.大规模预训练模型架构Transformer变种与优化:基于Transformer架构进行改进,可能引入稀疏注意力机制(如Longform
- LLM - 大模型 ScallingLaws 的设计 100B 预训练方案(PLM) 教程(5)
ManonLegrand
大模型(LLM)人工智能LLMScalingLaws100B预训练DeepNormEGS
欢迎关注我的CSDN:https://spike.blog.csdn.net/本文地址:https://spike.blog.csdn.net/article/details/145356022免责声明:本文来源于个人知识与公开资料,仅用于学术交流,欢迎讨论,不支持转载。ScalingLaws(缩放法则)是大模型领域中,用于描述模型性能(Loss)与模型规模N、数据量D、计算资源C之间关系的经验规
- TensorFlow 示例摄氏度到华氏度的转换(一)
李建军
TensorFlowtensorflow人工智能python
TensorFlow实现神经网络模型来进行摄氏度到华氏度的转换,可以将其作为一个回归问题来处理。我们可以通过神经网络来拟合这个简单的转换公式。1.数据准备与预处理2.构建模型3.编译模型4.训练模型5.评估模型6.模型应用与预测7.保存与加载模型8.完整代码1.数据准备与预处理你提供了摄氏度和华氏度的数据,并进行了标准化。标准化是为了使数据适应神经网络的训练,因为标准化可以加快训练过程并提高模型性
- 【pytorch(cuda)】基于DQN算法的无人机三维城市空间航线规划(Python代码实现)
科研_G.E.M.
pythonpytorch算法
欢迎来到本博客❤️❤️博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️座右铭:行百里者,半于九十。本文目录如下:目录⛳️赠与读者1概述一、研究背景与意义二、DQN算法概述三、基于DQN的无人机三维航线规划方法1.环境建模2.状态与动作定义3.奖励函数设计4.深度神经网络训练5.航线规划四、研究挑战与展望2运行结果3参考文献4Python代码实现⛳️赠与读者做科研,涉及到一个深在的
- 监督学习、无监督学习和强化学习的特点和应用场景
BugNest
AI学习ai机器学习人工智能
在机器学习中,监督学习、无监督学习和强化学习是三种核心的学习范式,它们各自具有独特的特点和应用场景。以下是对这三种学习方法的详细对比和总结:监督学习(SupervisedLearning)特点:数据标注:训练数据包含明确的输入特征和对应的标签(目标输出)。学习方式:模型通过学习输入特征和标签之间的关系来进行训练,这种关系通常表现为一个映射函数。预测能力:一旦训练完成,模型能够对新的、未见过的输入数
- Scikit-learn_聚类算法_K均值聚类
飞Link
Water算法机器学习人工智能
一.描述首先从X数据集中选择k个样本作为质心,然后重复以下两个步骤来更新质心,直到质心不再显著移动为:第一步将每个样本分配到距离最近的质心第二步根据每二个质心所有样本的平均值来创建新的质心二.用法和参数KMeans类MiniBatchKMeans类:是KMeans类的变种,他是用小批量来减少计算时间,而多个批次仍然尝试优化相同的目标函数。小批量是输入数据的子集,是每次训练迭代中的随机抽样。小批量大
- 使用 Python 的 LSTM 进行股市预测
无水先生
数据分析深度学习人工智能综合pythonlstm开发语言
目录一、说明二、为什么需要时间序列模型?三、下载数据3.1从Alphavantage获取数据3.1从Kaggle获取数据3.3数据探索3.4数据可视化四、将数据拆分为训练集和测试集五、数据标准化六、通过平均进行一步预测6.1标准平均值6.2指数移动平均线6.3如果指数移动平均线这么好,为什么还需要更好的模型?6.4预测未来不止一步七、LSTM简介:预测未来的股票走势7.1数据生成器7.2数据增强7
- 什么是LLM?看这一篇就够了!
Python程序员罗宾
人工智能语言模型AIGC自然语言处理
前言自从2022年12月ChatGPT横空面世以来,AI领域获得了十足的关注和资本,其实AI的概念在早些年也火过一波,本轮AI热潮相比于之前的AI,最大的区别在于:生成式。本文主要介绍大语言模型(LargeLanguageModel,简称LLM)。大语言模型介绍什么是大语言模型(LLM)通过海量文本训练的、能识别人类语言、执行语言类任务、拥有大量参数的模型,称之为大语言模型。GPT、LLaMA、M
- Scikit-learn提供了哪些机器学习算法以及如何使用Scikit-learn进行模型训练和评估
Java资深爱好者
机器学习scikit-learn算法
Scikit-learn库的使用一、Scikit-learn提供的机器学习算法Scikit-learn(通常简称为sklearn)是一个广泛使用的Python机器学习库,它提供了多种用于数据挖掘和数据分析的算法。Scikit-learn支持的机器学习算法可以大致分为以下几类:分类算法:支持向量机(SVM)随机森林(RandomForest)逻辑回归(LogisticRegression)朴素贝叶斯
- 【llm对话系统】大模型 Llama 源码分析之并行训练方案
kakaZhui
llama人工智能AIGCchatgpt
1.引言训练大型语言模型(LLM)需要巨大的计算资源和内存。为了高效地训练这些模型,我们需要采用各种并行策略,将计算和数据分布到多个GPU或设备上。Llama作为当前最流行的开源大模型之一,其训练代码中采用了多种并行技术。本文将深入Llama的训练代码,分析其并行训练方案,主要关注参数并行和部分结构参数共享。2.并行训练策略概述常见的并行训练策略包括:数据并行(DataParallelism,DP
- 【llm对话系统】大模型 Llama 源码分析之 LoRA 微调
kakaZhui
llama深度学习pytorchAIGCchatgpt
1.引言微调(Fine-tuning)是将预训练大模型(LLM)应用于下游任务的常用方法。然而,直接微调大模型的所有参数通常需要大量的计算资源和内存。LoRA(Low-RankAdaptation)是一种高效的微调方法,它通过引入少量可训练参数,固定预训练模型的权重,从而在保持性能的同时大大减少了计算开销。本文将深入分析LoRA的原理,并结合Llama源码解读其实现逻辑,最后探讨LoRA的优势。2
- 【深度学习】因果推断与机器学习的高级实践 数学建模_问题根因 分析 机器学习
2401_84239830
程序员深度学习机器学习数学建模
现阶段深度学习有三大特征:数据驱动:即数据训练,将数据输入到模型中进行训练;关联学习:模型基于给定训练数据集,进行关联学习;概率输出:即最后的输出,判断这个图片有“狗“的概率是多少。以数据驱动、关联学习、概率输出为特征的深度学习存在什么问题呢?以一个简单的图片识别问题为例:识别一张图片中是否有狗。在很多预测问题中,我们拿到的数据集往往都是有偏的,比如我们拿到的数据中有80%的图片中狗都在草地上,这
- 【自然语言处理(NLP)】基于Transformer架构的预训练语言模型:BERT 训练之数据集处理、训练代码实现
道友老李
自然语言处理(NLP)自然语言处理transformer
文章目录介绍BERT训练之数据集处理BERT原理及模型代码实现数据集处理导包加载数据生成下一句预测任务的数据从段落中获取nsp数据生成遮蔽语言模型任务的数据从token中获取mlm数据将文本转换为预训练数据集创建Dataset加载WikiText-2数据集BERT训练代码实现导包加载数据构建BERT模型模型损失训练获取BERT编码器个人主页:道友老李欢迎加入社区:道友老李的学习社区介绍**自然语言
- 实现使用K210单片机进行猫脸检测,并在检测到猫脸覆盖屏幕50%以上时执行特定操作
max500600
开发工具嵌入式单片机嵌入式硬件
要实现使用K210单片机进行猫脸检测,并在检测到猫脸覆盖屏幕50%以上时执行特定操作,以及通过WiFi上传图片到微信小程序,并在微信小程序中上传图片到开发板进行训练,可以按照以下步骤进行:1.硬件连接确保K210开发板连接好摄像头,并预留一个引脚用于拉高电平。另外,连接WiFi模块(如ESP8266)用于网络通信。2.猫脸检测使用K210的MaixPy库进行猫脸检测。以下是一个简单的猫脸检测示例代
- 人工智能在药物研发中的应用 - 从靶点发现和化合物筛选:利用AI深度学习技术加速药物研发流程
AI_DL_CODE
人工智能深度学习药物研发deeplearning
摘要:本文探讨了人工智能(AI)在药物研发中的应用,强调了AI在加速药物发现、降低成本和提高成功率方面的重要性。文章概述了AI在药物靶点识别、化合物筛选、药物设计优化等方面的应用,并详细介绍了机器学习和深度学习的基本原理。通过一个实操案例,展示了如何利用AI技术对化合物数据进行分析,预测潜在的药物候选物。案例包括数据预处理、模型训练、评估和优化等步骤,证明了AI在提高药物研发效率和准确性方面的潜力
- PyTorch 官方文档 中文版本
圣心
pytorch机器学习
文档来源https://pytorch.cadn.net.cn大多数机器学习工作流都涉及处理数据、创建模型、优化模型参数,并保存经过训练的模型。本教程向您介绍完整的ML工作流在PyTorch中实现,并提供了用于了解有关每个概念的更多信息的链接。我们将使用FashionMNIST数据集来训练一个神经网络,该神经网络预测输入图像是否属于到以下类别之一:T恤/上衣、裤子、套头衫、连衣裙、外套、凉鞋、衬衫
- 使用Transformer模型实现股票走势预测:深入解析和实操案例(基于Python和PyTorch)
AI_DL_CODE
pythontransformerpytorch股票预测
摘要:本文讨论了Transformer模型在股票市场预测中的应用,突出其自注意力机制在捕捉长期趋势和周期性变化方面的优势。文章详细介绍了模型理论、架构,并分析了其在股价预测中的优势和挑战。通过实操案例,展示了如何使用Python和PyTorch进行模型构建、训练和评估,包括数据预处理和性能评价。结果证实Transformer模型能有效预测股价,但需注意过拟合和数据量问题。未来研究将着眼于模型优化和
- [250125] DeepSeek 发布开源大模型 R1,性能比肩 OpenAI o1 | 希捷推出高达 36TB 的硬盘
x-cmd
dailyblog开源deepseekllmopenaiai硬件存储
DeepSeek发布开源大模型R1,性能比肩OpenAIo1DeepSeek正式发布了DeepSeek-R1大模型,并同步开源了模型权重,其性能对标OpenAIo1正式版。主要亮点:开源模型,MIT许可证:DeepSeek-R1遵循MITLicense,允许用户自由使用、修改、分发,甚至商用,并允许通过蒸馏技术基于R1训练其他模型。API开放调用:用户可以通过DeepSeekAPI调用R1模型,设
- 深度学习基因组学+机器学习单细胞分析,当下最火热研究方向!
qwmb919
人工智能深度学习机器学习python
深度学习已经被广泛应用于基因组学研究中,利用已知的训练集对数据的类型和应答结果进行预测,深度学习,可以进行预测和降维分析。深度学习模型的能力更强且更灵活,在适当的训练数据下,深度学习可以在较少人工参与的情况下自动学习特征和规律。调控基因组学,变异检测,致病性评分成功应用。深度学习可以提高基因组数据的可解释性,并将基因组数据转化为可操作的临床信息。深度学习通过强大的深度神经网络模型从高维大数据中自动
- 【llm对话系统】大模型 Llama、Qwen 和 ChatGLM 的网络结构和训练方法对比
kakaZhui
llama人工智能AIGCchatgptpython
1.引言近年来,大型语言模型(LLM)取得了令人瞩目的进展,其中Llama、Qwen和ChatGLM是三个备受关注的开源模型。它们都在Transformer架构的基础上进行了改进和优化,并在各种NLP任务上取得了优异的性能。本文将深入分析Llama、Qwen和ChatGLM的网络结构和训练方法,比较它们的异同以及各自的优势。2.模型结构对比特性LlamaQwenChatGLM基础架构Decoder
- ChatGPT的150个角色提示场景实测(13)健身教练
earthzhang2021
chatgpt开发语言人工智能自然语言处理产品经理
我希望你能充当私人教练。我将为你提供一个希望通过体能训练变得更健康、更强壮、更健康的人所需要的所有信息,而你的职责是根据这个人目前的体能水平、目标和生活习惯,为其制定最佳计划。你应该运用你的运动科学知识、营养建议和其他相关因素,以便制定出适合他们的计划。我的请求是:请为下面的学员制定适合的计划,身高183,体重70kg,年龄22岁,请一步一步来。=====================当然,我可
- Autosar通信实战系列09-CanIf模块要点及其配置介绍(一)
Autosar汽车电子进阶
autosar通信CAN
本文框架前言1.Physicalchannels,CANController,CANNode概念2.BasicCAN与FullCAN3.报文过滤(掩码)4.报文Dlc校验5.CanIf模块功能5.1CANcontrollers和CANtransceivers控制5.2提供报文收发机制5.3唤醒源校验前言在本系列笔者将结合工作中对通信实战部分的应用经验进一步介绍常用,包括但不限于通信各模块的开发教程
- 使用Scikit-learn实现支持向量机分类器
清水白石008
pythonPython题库scikit-learn支持向量机python
使用Scikit-learn实现支持向量机分类器引言支持向量机(SupportVectorMachine,SVM)是一种强大的监督学习算法,广泛应用于分类和回归任务。SVM的核心思想是通过寻找一个最佳的超平面来分隔不同类别的数据点。本文将详细介绍如何使用Python的Scikit-learn库实现一个支持向量机分类器,包括数据准备、模型训练、评估和可视化等步骤。1.支持向量机的基本原理支持向量机的
- 蓝桥杯——入门训练
Luvsic
.Fibonacci数列if(n==1){return1;}if(n==2){return2;}intvalue[]=newint[4];value[1]=1;value[2]=1;for(inti=3;im?result-m:result);}returnvalue[n&3];}在这里插入代码片实现求第n个斐波那契数列数并模m2.求圆的面积java中Π的为Math.PI,并且结果保留n位小数,S
- html页面js获取参数值
0624chenhong
html
1.js获取参数值js
function GetQueryString(name)
{
var reg = new RegExp("(^|&)"+ name +"=([^&]*)(&|$)");
var r = windo
- MongoDB 在多线程高并发下的问题
BigCat2013
mongodbDB高并发重复数据
最近项目用到 MongoDB , 主要是一些读取数据及改状态位的操作. 因为是结合了最近流行的 Storm进行大数据的分析处理,并将分析结果插入Vertica数据库,所以在多线程高并发的情境下, 会发现 Vertica 数据库中有部分重复的数据. 这到底是什么原因导致的呢?笔者开始也是一筹莫 展,重复去看 MongoDB 的 API , 终于有了新发现 :
com.mongodb.DB 这个类有
- c++ 用类模版实现链表(c++语言程序设计第四版示例代码)
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T>
class Node
{
private:
Node<T> * next;
public:
T data;
- 最近情况
麦田的设计者
感慨考试生活
在五月黄梅天的岁月里,一年两次的软考又要开始了。到目前为止,我已经考了多达三次的软考,最后的结果就是通过了初级考试(程序员)。人啊,就是不满足,考了初级就希望考中级,于是,这学期我就报考了中级,明天就要考试。感觉机会不大,期待奇迹发生吧。这个学期忙于练车,写项目,反正最后是一团糟。后天还要考试科目二。这个星期真的是很艰难的一周,希望能快点度过。
- linux系统中用pkill踢出在线登录用户
被触发
linux
由于linux服务器允许多用户登录,公司很多人知道密码,工作造成一定的障碍所以需要有时踢出指定的用户
1/#who 查出当前有那些终端登录(用 w 命令更详细)
# who
root pts/0 2010-10-28 09:36 (192
- 仿QQ聊天第二版
肆无忌惮_
qq
在第一版之上的改进内容:
第一版链接:
http://479001499.iteye.com/admin/blogs/2100893
用map存起来号码对应的聊天窗口对象,解决私聊的时候所有消息发到一个窗口的问题.
增加ViewInfo类,这个是信息预览的窗口,如果是自己的信息,则可以进行编辑.
信息修改后上传至服务器再告诉所有用户,自己的窗口
- java读取配置文件
知了ing
1,java读取.properties配置文件
InputStream in;
try {
in = test.class.getClassLoader().getResourceAsStream("config/ipnetOracle.properties");//配置文件的路径
Properties p = new Properties()
- __attribute__ 你知多少?
矮蛋蛋
C++gcc
原文地址:
http://www.cnblogs.com/astwish/p/3460618.html
GNU C 的一大特色就是__attribute__ 机制。__attribute__ 可以设置函数属性(Function Attribute )、变量属性(Variable Attribute )和类型属性(Type Attribute )。
__attribute__ 书写特征是:
- jsoup使用笔记
alleni123
java爬虫JSoup
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.7.3</version>
</dependency>
2014/08/28
今天遇到这种形式,
- JAVA中的集合 Collectio 和Map的简单使用及方法
百合不是茶
listmapset
List ,set ,map的使用方法和区别
java容器类类库的用途是保存对象,并将其分为两个概念:
Collection集合:一个独立的序列,这些序列都服从一条或多条规则;List必须按顺序保存元素 ,set不能重复元素;Queue按照排队规则来确定对象产生的顺序(通常与他们被插入的
- 杀LINUX的JOB进程
bijian1013
linuxunix
今天发现数据库一个JOB一直在执行,都执行了好几个小时还在执行,所以想办法给删除掉
系统环境:
ORACLE 10G
Linux操作系统
操作步骤如下:
第一步.查询出来那个job在运行,找个对应的SID字段
select * from dba_jobs_running--找到job对应的sid
&n
- Spring AOP详解
bijian1013
javaspringAOP
最近项目中遇到了以下几点需求,仔细思考之后,觉得采用AOP来解决。一方面是为了以更加灵活的方式来解决问题,另一方面是借此机会深入学习Spring AOP相关的内容。例如,以下需求不用AOP肯定也能解决,至于是否牵强附会,仁者见仁智者见智。
1.对部分函数的调用进行日志记录,用于观察特定问题在运行过程中的函数调用
- [Gson六]Gson类型适配器(TypeAdapter)
bit1129
Adapter
TypeAdapter的使用动机
Gson在序列化和反序列化时,默认情况下,是按照POJO类的字段属性名和JSON串键进行一一映射匹配,然后把JSON串的键对应的值转换成POJO相同字段对应的值,反之亦然,在这个过程中有一个JSON串Key对应的Value和对象之间如何转换(序列化/反序列化)的问题。
以Date为例,在序列化和反序列化时,Gson默认使用java.
- 【spark八十七】给定Driver Program, 如何判断哪些代码在Driver运行,哪些代码在Worker上执行
bit1129
driver
Driver Program是用户编写的提交给Spark集群执行的application,它包含两部分
作为驱动: Driver与Master、Worker协作完成application进程的启动、DAG划分、计算任务封装、计算任务分发到各个计算节点(Worker)、计算资源的分配等。
计算逻辑本身,当计算任务在Worker执行时,执行计算逻辑完成application的计算任务
- nginx 经验总结
ronin47
nginx 总结
深感nginx的强大,只学了皮毛,把学下的记录。
获取Header 信息,一般是以$http_XX(XX是小写)
获取body,通过接口,再展开,根据K取V
获取uri,以$arg_XX
&n
- 轩辕互动-1.求三个整数中第二大的数2.整型数组的平衡点
bylijinnan
数组
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
public class ExoWeb {
public static void main(String[] args) {
ExoWeb ew=new ExoWeb();
System.out.pri
- Netty源码学习-Java-NIO-Reactor
bylijinnan
java多线程netty
Netty里面采用了NIO-based Reactor Pattern
了解这个模式对学习Netty非常有帮助
参考以下两篇文章:
http://jeewanthad.blogspot.com/2013/02/reactor-pattern-explained-part-1.html
http://gee.cs.oswego.edu/dl/cpjslides/nio.pdf
- AOP通俗理解
cngolon
springAOP
1.我所知道的aop 初看aop,上来就是一大堆术语,而且还有个拉风的名字,面向切面编程,都说是OOP的一种有益补充等等。一下子让你不知所措,心想着:怪不得很多人都和 我说aop多难多难。当我看进去以后,我才发现:它就是一些java基础上的朴实无华的应用,包括ioc,包括许许多多这样的名词,都是万变不离其宗而 已。 2.为什么用aop&nb
- cursor variable 实例
ctrain
variable
create or replace procedure proc_test01
as
type emp_row is record(
empno emp.empno%type,
ename emp.ename%type,
job emp.job%type,
mgr emp.mgr%type,
hiberdate emp.hiredate%type,
sal emp.sal%t
- shell报bash: service: command not found解决方法
daizj
linuxshellservicejps
今天在执行一个脚本时,本来是想在脚本中启动hdfs和hive等程序,可以在执行到service hive-server start等启动服务的命令时会报错,最终解决方法记录一下:
脚本报错如下:
./olap_quick_intall.sh: line 57: service: command not found
./olap_quick_intall.sh: line 59
- 40个迹象表明你还是PHP菜鸟
dcj3sjt126com
设计模式PHP正则表达式oop
你是PHP菜鸟,如果你:1. 不会利用如phpDoc 这样的工具来恰当地注释你的代码2. 对优秀的集成开发环境如Zend Studio 或Eclipse PDT 视而不见3. 从未用过任何形式的版本控制系统,如Subclipse4. 不采用某种编码与命名标准 ,以及通用约定,不能在项目开发周期里贯彻落实5. 不使用统一开发方式6. 不转换(或)也不验证某些输入或SQL查询串(译注:参考PHP相关函
- Android逐帧动画的实现
dcj3sjt126com
android
一、代码实现:
private ImageView iv;
private AnimationDrawable ad;
@Override
protected void onCreate(Bundle savedInstanceState)
{
super.onCreate(savedInstanceState);
setContentView(R.layout
- java远程调用linux的命令或者脚本
eksliang
linuxganymed-ssh2
转载请出自出处:
http://eksliang.iteye.com/blog/2105862
Java通过SSH2协议执行远程Shell脚本(ganymed-ssh2-build210.jar)
使用步骤如下:
1.导包
官网下载:
http://www.ganymed.ethz.ch/ssh2/
ma
- adb端口被占用问题
gqdy365
adb
最近重新安装的电脑,配置了新环境,老是出现:
adb server is out of date. killing...
ADB server didn't ACK
* failed to start daemon *
百度了一下,说是端口被占用,我开个eclipse,然后打开cmd,就提示这个,很烦人。
一个比较彻底的解决办法就是修改
- ASP.NET使用FileUpload上传文件
hvt
.netC#hovertreeasp.netwebform
前台代码:
<asp:FileUpload ID="fuKeleyi" runat="server" />
<asp:Button ID="BtnUp" runat="server" onclick="BtnUp_Click" Text="上 传" />
- 代码之谜(四)- 浮点数(从惊讶到思考)
justjavac
浮点数精度代码之谜IEEE
在『代码之谜』系列的前几篇文章中,很多次出现了浮点数。 浮点数在很多编程语言中被称为简单数据类型,其实,浮点数比起那些复杂数据类型(比如字符串)来说, 一点都不简单。
单单是说明 IEEE浮点数 就可以写一本书了,我将用几篇博文来简单的说说我所理解的浮点数,算是抛砖引玉吧。 一次面试
记得多年前我招聘 Java 程序员时的一次关于浮点数、二分法、编码的面试, 多年以后,他已经称为了一名很出色的
- 数据结构随记_1
lx.asymmetric
数据结构笔记
第一章
1.数据结构包括数据的
逻辑结构、数据的物理/存储结构和数据的逻辑关系这三个方面的内容。 2.数据的存储结构可用四种基本的存储方法表示,它们分别是
顺序存储、链式存储 、索引存储 和 散列存储。 3.数据运算最常用的有五种,分别是
查找/检索、排序、插入、删除、修改。 4.算法主要有以下五个特性:
输入、输出、可行性、确定性和有穷性。 5.算法分析的
- linux的会话和进程组
网络接口
linux
会话: 一个或多个进程组。起于用户登录,终止于用户退出。此期间所有进程都属于这个会话期。会话首进程:调用setsid创建会话的进程1.规定组长进程不能调用setsid,因为调用setsid后,调用进程会成为新的进程组的组长进程.如何保证? 先调用fork,然后终止父进程,此时由于子进程的进程组ID为父进程的进程组ID,而子进程的ID是重新分配的,所以保证子进程不会是进程组长,从而子进程可以调用se
- 二维数组 元素的连续求解
1140566087
二维数组ACM
import java.util.HashMap;
public class Title {
public static void main(String[] args){
f();
}
// 二位数组的应用
//12、二维数组中,哪一行或哪一列的连续存放的0的个数最多,是几个0。注意,是“连续”。
public static void f(){
- 也谈什么时候Java比C++快
windshome
javaC++
刚打开iteye就看到这个标题“Java什么时候比C++快”,觉得很好笑。
你要比,就比同等水平的基础上的相比,笨蛋写得C代码和C++代码,去和高手写的Java代码比效率,有什么意义呢?
我是写密码算法的,深刻知道算法C和C++实现和Java实现之间的效率差,甚至也比对过C代码和汇编代码的效率差,计算机是个死的东西,再怎么优化,Java也就是和C