- Instrct-GPT 强化学习奖励模型 Reward modeling 的训练过程原理实例化详解
John_今天务必休息一天
2_大语言模型基础#2.2生成式预训练语言模型GPTgptlog4j语言模型人工智能自然语言处理算法
Instrct-GPT强化学习奖励模型Rewardmodeling的训练过程原理实例化详解一、批次处理的本质:共享上下文的比较对捆绑(1)为什么同一prompt的比较对必须捆绑?(2)InstructGPT的优化方案二、输入输出与损失函数的具体构造(1)输入输出示例(2)人工标注数据的处理(3)损失函数的计算过程(4)反向传播的核心逻辑三、为什么不需要人工标注分值?(1)排序数据的天然属性(2)避
- 人工智能-基础篇-2-什么是机器学习?(ML,监督学习,半监督学习,零监督学习,强化学习,深度学习,机器学习步骤等)
weisian151
人工智能人工智能机器学习学习
1、什么是机器学习?机器学习(MachineLearning,ML)是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据,自动学习规律并构建模型,从而对未知数据进行预测或决策,而无需依赖显式的程序指令。基本思想:通过数据驱动的方式,使系统能够从经验(数据)中改进性能,形成对数据模式的抽象化表达。基本概念:模型:模型是对现实世界现
- Keras环境复现代码(三)
yanyiche_
keras深度学习人工智能
DQN雅达利Breakout强化学习实验要求明确实验目的:学习和实现深度Q学习(DQN),这是一种结合了Q学习和深度神经网络的强化学习算法,用于解决复杂的决策问题。清楚实验原理:1、深度Q学习(DeepQ-Network)将卷积神经网络与Q学习结合,解决高维视觉输入的强化学习问题:2、经验回放:将状态转换存储到缓冲区,打破数据相关性,稳定训练。3、目标网络:定期更新目标Q值计算网络,减少训练中的目
- Keras环境复现代码(二)
yanyiche_
Keras机器学习人工智能
PPOCartPole控制算法实践实验要求明确实验目的:学习和实现PPO算法,这是一种改进的策略梯度方法,通过限制策略更新的幅度来提高训练的稳定性。清楚实验原理:PPO算法是一种基于策略梯度的强化学习算法,它旨在解决传统策略梯度方法(如REINFORCE算法)在训练过程中可能出现的策略更新不稳定问题。PPO算法通过引入一种新的策略更新机制,限制每次更新的幅度,从而提高训练的稳定性和效率。PPO算法
- 行为正则化与顺序策略优化结合的离线多智能体学习算法
离线多智能体强化学习(MARL)是一个新兴领域,目标是在从预先收集的数据集中学习最佳的多智能体策略。随着人工智能技术的发展,多智能体系统在诸如自动驾驶、智能家居、机器人协作以及智能调度决策等方面展现了巨大的应用潜力。但现有的离线MARL方法也面临很多挑战,仍存在不协调行为和分布外联合动作的问题。为了应对这些挑战,中山大学计算机学院、美团履约平台技术部开展了学术合作项目,并取得了一些的成果,希望分享
- 利用视觉-语言模型搭建机器人灵巧操作的支架
三谷秋水
智能体大模型计算机视觉语言模型机器人人工智能计算机视觉机器学习
25年6月来自斯坦福和德国卡尔斯鲁厄理工的论文“ScaffoldingDexterousManipulationwithVision-LanguageModels”。灵巧机械手对于执行复杂的操作任务至关重要,但由于演示收集和高维控制的挑战,其训练仍然困难重重。虽然强化学习(RL)可以通过在模拟中积累经验来缓解数据瓶颈,但它通常依赖于精心设计的、针对特定任务的奖励函数,这阻碍了其可扩展性和泛化能力。
- 常见的强化学习算法分类及其特点
ywfwyht
人工智能算法分类人工智能
强化学习(ReinforcementLearning,RL)是一种机器学习方法,通过智能体(Agent)与环境(Environment)的交互来学习如何采取行动以最大化累积奖励。以下是一些常见的强化学习算法分类及其特点:1.基于值函数的算法这些算法通过估计状态或状态-动作对的价值来指导决策。Q-Learning无模型的离线学习算法。通过更新Q值表来学习最优策略。更新公式:Q(s,a)←Q(s,a)
- 星际争霸多智能体挑战赛(SMAC)
资源存储库
多智能体强化学习人工智能
目录TheStarCraftMulti-AgentChallenge星际争霸多智能体挑战赛Abstract摘要1Introduction1引言2RelatedWork2相关工作3Multi-AgentReinforcementLearning3多智能体强化学习Dec-POMDPs12-POMDPs(十二月-POMDP)Centralisedtrainingwithdecentralisedexec
- AlphaStar 星际首秀,人工智能走向星辰大海
谷歌开发者
文/王晶,资深工程师,GoogleBrain团队作者王晶,现为GoogleBrain团队的资深工程师,主要致力深度强化学习的研发,和DeepMind团队在强化学习的应用上有许多合作。北京时间1月25日凌晨2点,DeepMind直播了他们的AIAlphaStar和人类顶尖的职业电竞选手对战星际争霸2。根据DeepMind介绍,AlphaStar在2018年12月10日和19日先后以5:0全胜的战绩击
- Deepoc大模型在半导体设计优化与自动化
Deepoch
自动化运维人工智能机器人单片机ai科技
大模型在半导体设计领域的应用已形成多维度技术渗透,其核心价值在于通过数据驱动的方式重构传统设计范式。以下从技术方向、实现路径及行业影响三个层面展开详细分析:参数化建模与动态调优基于物理的深度学习模型(如PINNs)将器件物理方程嵌入神经网络架构,实现工艺参数与电学性能的非线性映射建模。通过强化学习框架(如PPO算法)动态调整掺杂浓度、栅极长度等关键参数,在3nm节点下实现驱动电流提升18%的同时降
- 【行云流水a】淘天联合爱橙开源强化学习训练框架ROLL OpenRL/openrl PPO-for-Beginners: 从零开始实现强化学习算法PPO 强化学习框架verl 港大等开源GoT-R1
行云流水AI笔记
开源算法
以下是DQN(DeepQ-Network)和PPO(ProximalPolicyOptimization)的全面对比流程图及文字解析。两者是强化学习的核心算法,但在设计理念、适用场景和实现机制上有显著差异:graphTDA[对比维度]-->B[算法类型]A-->C[策略表示]A-->D[动作空间]A-->E[学习机制]A-->F[探索方式]A-->G[稳定性]A-->H[样本效率]A-->I[关键
- PettingZoo:多智能体强化学习的标准API
资源存储库
多智能体强化学习人工智能深度学习
PettingZoo:AStandardAPIforMulti-AgentReinforcementLearningPettingZoo:多智能体强化学习的标准API目录Abstract摘要1Introduction1介绍2BackgroundandRelatedWorks2背景及相关工作2.1PartiallyObservableStochasticGamesandRLlib2.1部分可观察随机
- 神经网络架构搜索
IJCAST主编
进化计算神经网络架构人工智能
InternationalJournalofComplexityinAppliedScienceandTechnology,投稿网址:https://www.inderscience.com/jhome.php?jcode=ijcast,发表论文不收取任何费用,论文平均审稿25天内即可录用。1.神经网络架构搜索方法分类当前,神经网络架构搜索的方法主要可以归纳为以下三类:a.基于强化学习的NAS方法
- 强化学习 16G实践以下是基于CQL(Conservative Q-Learning)与QLoRA(Quantized Low-Rank Adaptation)结合的方案相关开源项目及资源,【ai技】
行云流水AI笔记
开源人工智能
根据你提供的CUDA版本(11.5)和NVIDIA驱动错误信息,以下是PyTorch、TensorFlow的兼容版本建议及环境修复方案:1.版本兼容性表框架兼容CUDA版本推荐安装命令(CUDA11.5)PyTorch11.3/11.6pipinstalltorchtorchvisiontorchaudio--extra-index-urlhttps://download.pytorch.org/
- 大模型RLHF强化学习笔记(一):强化学习基础梳理Part1
Gravity!
大模型笔记大模型LLM算法机器学习强化学习人工智能
【如果笔记对你有帮助,欢迎关注&点赞&收藏,收到正反馈会加快更新!谢谢支持!】一、强化学习基础1.1Intro定义:强化学习是一种机器学习方法,需要智能体通过与环境交互学习最优策略基本要素:状态(State):智能体在决策过程中需要考虑的所有相关信息(环境描述)动作(Action):在环境中可以采取的行为策略(Policy):定义了在给定状态下智能体应该选择哪个动作,目标是最大化智能体的长期累积奖
- LLMs基础学习(八)强化学习专题(7)
汤姆和佩琦
NLP学习Actor-Critic算法
LLMs基础学习(八)强化学习专题(7)文章目录LLMs基础学习(八)强化学习专题(7)Actor-Critic算法基础原理算法流程细节算法优缺点分析算法核心总结视频链接:https://www.bilibili.com/video/BV1MQo4YGEmq/?spm_id_from=333.1387.upload.video_card.click&vd_source=57e4865932ea6c
- 强化学习-双臂老虎机
transuperb
强化学习人工智能
本篇文章模拟AI玩两个老虎机,AI需要判断出哪个老虎机收益更大,然后根据反馈调整对于不同老虎机的价值判断,如果把这个看作一个简单的强化学习的话,那么AI就是agent,两个老虎机就是environment,AI首先会对两台老虎机有一个预测值Q,预测哪一个的价值高,然后AI通过策略函数判断应该选择哪个老虎机,进行Action后根据Reward更新每个老虎机的价值Value,然后再进行下一次判断,直到
- ROS2 强化学习:案例与代码实战
芯动大师
ROS2学习目标检测人工智能
一、引言在机器人技术不断发展的今天,强化学习(RL)作为一种强大的机器学习范式,为机器人的智能决策和自主控制提供了新的途径。ROS2(RobotOperatingSystem2)作为新一代机器人操作系统,具有更好的实时性、分布式性能和安全性,为强化学习在机器人领域的应用提供了更坚实的基础。本文将通过一个具体案例,深入探讨ROS2与强化学习的结合应用,并提供相关代码实现。二、案例背景本案例以移动机器
- 解析AI算力网络与通信领域强化学习的算法
AI算力网络与通信
AI人工智能与大数据技术AI算力网络与通信原理AI人工智能大数据架构人工智能网络算法ai
解析AI算力网络与通信领域强化学习的算法:从"快递员找路"到"智能网络大脑"关键词:AI算力网络、通信领域、强化学习、马尔可夫决策、资源调度摘要:本文将用"快递物流系统"的类比,带您理解AI算力网络与通信领域如何通过强化学习实现智能决策。我们会从核心概念讲起,逐步拆解强化学习在网络资源调度中的算法原理,结合Python代码实战,最后探索其在5G/6G、边缘计算等场景的应用。即使您没学过复杂数学,也
- AI 在自动驾驶路径规划中的深度强化学习优化
QuantumWalker
人工智能自动驾驶机器学习
```htmlAI在自动驾驶路径规划中的深度强化学习优化在当今快速发展的科技领域中,人工智能(AI)的应用正在不断拓展其边界。特别是在自动驾驶技术中,AI的应用已经从简单的感知和识别发展到了复杂的决策和控制阶段。其中,深度强化学习作为AI的一个重要分支,在自动驾驶路径规划中发挥着越来越重要的作用。一、深度强化学习简介深度强化学习是一种结合了深度学习和强化学习的机器学习方法。它通过让智能体在环境中进
- 强化学习实战:从 Q-Learning 到 PPO 全流程
荣华富贵8
程序员的知识储备2程序员的知识储备3人工智能算法机器学习
1引言随着人工智能的快速发展,强化学习(ReinforcementLearning,RL)凭借其在复杂决策与控制问题上的卓越表现,已成为研究与应用的前沿热点。本文旨在从经典的Q-Learning算法入手,系统梳理从值迭代到策略优化的全流程技术细节,直至最具代表性的ProximalPolicyOptimization(PPO)算法,结合理论推导、代码实现与案例分析,深入探讨强化学习的核心原理、算法演
- 基于CTDE MAPPO的无线通信资源分配强化学习实现
pk_xz123456
仿真模型深度学习算法lstm人工智能rnn深度学习开发语言
基于CTDEMAPPO的无线通信资源分配强化学习实现摘要本文提出了一种基于集中训练分散执行(CTDE)框架的多智能体近端策略优化(MAPPO)方法,用于解决无线通信网络中的资源分配问题。我们设计了一个多基站协作环境,其中每个基站作为独立智能体,通过分布式决策实现网络吞吐量最大化。实验结果表明,MAPPO算法在频谱效率和用户公平性方面显著优于传统启发式算法。1.引言1.1研究背景随着5G/6G通信技
- 强化学习系列——PPO算法
lqjun0827
算法深度学习算法人工智能
强化学习系列——PPO算法PPO算法一、背景知识:策略梯度&Advantage二、引入重要性采样(ImportanceSampling)三、PPO-Clip目标函数推导✅四、总结公式(一图总览)参考文献PPO示例代码实现补充内容:重要性采样一、问题背景:我们想估计某个期望❗问题:二、引入重要性采样(ImportanceSampling)三、离散采样形式(蒙特卡洛估计)四、标准化的重要性采样五、在强
- 【Android知识笔记】ARouter / Navigation / EventBus
川峰
Android知识笔记ARouterNavigationEventBus
注:本文主要基于过去AndroidView体系的路由学习笔记整理,不包括最新的JetpackCompose路由体系,如您需了解关于JetpackCompose中的导航路由,请参考JetpackCompose中的导航路由一文。传统路由方式//显性意图startActivity(newIntent(this,HomeActivity.
- 人工神经网络:架构原理与技术解析
weixin_47233946
架构
##引言在深度学习和人工智能领域,人工神经网络(ArtificialNeuralNetwork,ANN)作为模拟人脑认知机制的核心技术,已在图像识别、自然语言处理和强化学习等领域实现了革命性突破。从AlphaGo击败人类顶尖棋手到ChatGPT的对话生成能力,ANN的进化持续推动技术边界的扩展。本文将深入剖析人工神经网络的核心原理、技术实现与发展趋势。##一、基础概念与数学模型###1.1生物启发
- 医疗AI新势力:自演进多智能体MAS的进击之路
Allen_Lyb
医疗高效编程研发人工智能健康医疗机器学习架构大数据
医疗AI新势力:自演进多智能体MAS的进击之路往期相关文章:Python在开放式医疗诊断多智能体系统中的深度应用与自动化分析基于多智能体强化学习的医疗AI中RAG系统程序架构优化研究自演进多智能体在医疗临床诊疗动态场景中的应用医疗AI的新变革在数字化与智能化飞速发展的时代,人工智能(AI)已经逐渐渗透到医疗领域的各个角落,成为推动医疗行业变革的重要力量。从疾病的早期诊断到个性化治疗方案的制定,从医
- 无线通信中的多智能体强化学习:基于CTDE-MAPPO的功率控制优化
pk_xz123456
仿真模型深度学习算法算法人工智能制造
无线通信中的多智能体强化学习:基于CTDE-MAPPO的功率控制优化摘要本文提出了一种基于集中训练分布式执行(CTDE)框架的多智能体近端策略优化(MAPPO)算法,用于解决无线通信网络中的分布式功率控制问题。通过将多个基站建模为协作智能体,我们设计了一个多智能体强化学习系统,能够在复杂动态环境中实现全局网络效用的优化。本文详细介绍了系统架构、算法实现、实验设置以及性能评估,展示了MAPPO在5G
- 传统蒙特卡洛(Monte Carlo, MC)方法在强化学习中直接把整条回报序列当作“真值”来估计价值函数,通常配合表格化存储,因此无需环境模型且估计无偏,但只能处理有限状态-动作空间且方差较大
强化学习曾小健
人工智能
传统蒙特卡洛(MonteCarlo,MC)方法在强化学习中直接把整条回报序列当作“真值”来估计价值函数,通常配合表格化存储,因此无需环境模型且估计无偏,但只能处理有限状态-动作空间且方差较大medium.comanalyticsvidhya.comincompleteideas.net。“深度蒙特卡洛”(DeepMonteCarlo,DMC)则保留“按回报直接更新”的思想,却用深度网络来逼近$Q(
- 使用Simulink结合MATLAB进行基于强化学习控制下的动态滤波器参数调节系统的仿真
amy_mhd
matlab开发语言
目录一、背景介绍二、所需工具和环境三、步骤详解步骤1:定义系统需求示例:定义系统需求步骤2:准备强化学习环境步骤3:训练强化学习代理步骤4:创建Simulink模型步骤5:添加信号源步骤6:合并信号步骤7:导入强化学习代理步骤8:设计滤波器步骤9:可视化结果步骤10:连接各模块步骤11:设置仿真参数步骤12:运行仿真并分析结果四、总结在现代信号处理领域,动态调整滤波器参数以适应不断变化的环境条件是
- 强化学习(Reinforcement Learning, RL)概览
MzKyle
人工智能人工智能强化学习机器学习机器人
一、强化学习的核心概念与定位1.定义强化学习是机器学习的分支,研究智能体(Agent)在动态环境中通过与环境交互,以最大化累积奖励为目标的学习机制。与监督学习(有标注数据)和无监督学习(无目标)不同,强化学习通过“试错”学习,不依赖先验知识,适合解决动态决策问题。2.核心要素智能体(Agent):执行决策的主体,如游戏AI、机器人。环境(Environment):智能体之外的一切,如棋盘、物理世界
- 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