- 小南每日 AI 资讯 |美国与日本企业联合投资“星际之门”项目| 罗永浩老师最新初创项目上线! | 25/01/24
小南AI学院
人工智能microsoft
近期人工智能(AI)领域的重要动态随着人工智能技术的迅猛发展,多个领域涌现出令人瞩目的创新。以下是近期AI领域的几项重大进展,涵盖技术创新、行业合作以及AI在各个领域的应用:1.AI技术创新与产品发布DeepSeek发布开源模型R1,挑战传统开发模式中国初创公司深度求索(DeepSeek)于1月27日发布开源AI模型R1。该模型以低成本实现接近OpenAIGPT-3的性能,打破了“越大越好”的传统
- AIGC的底层框架和技术模块
五岔路口
AIGC
AIGC(ArtificialIntelligenceGeneratedContent,人工智能生成内容)的底层框架和技术模块是构建其强大自然语言处理能力的核心组成部分。以下是对AIGC底层框架和技术模块的详细解析:底层框架AIGC的底层框架主要基于深度学习的语言模型,特别是Transformer模型及其变种,如GPT(GenerativePre-trainedTransformer)等。这些模型
- 什么是MOE架构?哪些大模型使用了MOE?
明哲AI
AIGC架构人工智能大模型MOE
在人工智能快速发展的今天,大语言模型(LLM)的规模越来越大,参数量动辄上千亿甚至万亿。然而,更大的模型往往意味着更高的计算成本和更多的资源消耗。混合专家模型(MixtureofExperts,简称MoE)作为一种创新的架构设计,为解决这一难题提供了一个优雅的解决方案。什么是混合专家模型?想象一下,如果把一个大语言模型比作一所综合性大学,传统的模型就像是让所有教授(参数)都参与每一次教学活动。而M
- 某验第四代滑块逆向快速破解
码王吴彦祖
JS逆向实战js逆向node.js加密
本期地址如下,使用base64解码获得网址aHR0cHM6Ly9ndDQuZ2VldGVzdC5jb20v前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站破解某验,某盾已经是司空见惯的事情了,网上也有很多资料查阅,但是大多数都是繁琐、冗长,本文以最直接快速理解的方法讲解,稍微认真一点看完文章,你至少能在半个小时内完成破解本文大致步骤如下:找到加密位置
- 新春特辑:人工智能专题大复盘
互联互通社区
人工智能大数据区块链python编程语言
播洒一年的阳光,收获一路的辉煌;挥洒一年的汗水,绽放一路的明媚;付出一年的辛苦,装点一路的幸福;感谢一年的努力,创造一路的奇迹。新的一年,愿与你再扬帆济海,创造美好精彩!人工智能:人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟
- 【新春特辑】2025年1月科技浪潮中的AI最新时事与科技趋势
我的青春不太冷
科技最新时事AI大爆炸学习
2025年1月科技浪潮中的AI最新时事与科技趋势一、AI科技时事人工智能代理(AIAgent)的发展最新进展:人工智能代理正逐步成为科技领域的新热点。这些代理能够自主执行特定任务,如管理日程、回复邮件等。然而,它们仍面临可靠性、可访问性和安全性等方面的挑战。随着技术的不断进步,这些挑战有望逐步得到解决。未来展望:未来,AI代理将更加智能化,能够更好地理解用户需求并提供个性化服务。同时,它们也将成为
- 【深度学习】softmax回归的简洁实现
熙曦Sakura
深度学习深度学习回归人工智能
softmax回归的简洁实现我们发现(通过深度学习框架的高级API能够使实现)(softmax)线性(回归变得更加容易)。同样,通过深度学习框架的高级API也能更方便地实现softmax回归模型。本节继续使用Fashion-MNIST数据集,并保持批量大小为256。importtorchfromtorchimportnnfromd2limporttorchasd2l初始化模型参数[softmax回
- VARGPT:将视觉理解与生成统一在一个模型中,北大推出支持混合模态输入与输出的多模态统一模型
蚝油菜花
每日AI项目与应用实例人工智能开源
❤️如果你也关注AI的发展现状,且对AI应用开发非常感兴趣,我会每日分享大模型与AI领域的最新开源项目和应用,提供运行实例和实用教程,帮助你快速上手AI技术,欢迎关注我哦!微信公众号|搜一搜:蚝油菜花快速阅读模型简介:VARGPT是北京大学推出的多模态大语言模型,专注于视觉理解和生成任务。主要功能:支持混合模态输入输出、高效视觉生成和广泛的多模态任务。技术原理:基于自回归框架,采用三阶段训练策略,
- 计算机视觉:解锁智能时代的钥匙与实战案例
我的运维人生
计算机视觉人工智能运维开发技术共享
计算机视觉:解锁智能时代的钥匙与实战案例在人工智能的浩瀚星空中,计算机视觉无疑是最为璀璨的星辰之一。它不仅让机器拥有了“看”的能力,更是推动了自动驾驶、安防监控、医疗影像分析、智能制造等多个领域的革新。本文将深入探讨计算机视觉的核心技术、最新进展,并通过一个具体的代码案例,展示如何在实际项目中应用这些技术。一、计算机视觉概述计算机视觉,简而言之,是指让计算机系统从数字图像或视频中提取有用信息的过程
- 人工智能导论--第1章-知识点与学习笔记
想拿高薪的韭菜
人工智能学习笔记
请根据教材内容,完成进行下面的作业任务。必须包含有教材的具体内容,不能是生成式AI系统的生成内容。参考教材1.1节的内容介绍,谈谈你对“智能”的认识。思维能力是智能的重要特征之一,结合教材1.1.2节内容,从思维的定义、分类及其特点等角度,阐述思维的含义。参考教材1.1.3节的内容介绍,名词解析“人工智能”。参考教材1.2节的内容介绍,介绍人工智能的发展简史。参考教材1.3节的内容介绍,人工智能作
- 100.3 AI量化面试题:解释配对交易(Pairs Trading)的原理,并说明如何选择配对股票以及设计交易信号
AI量金术师
金融资产组合模型进化论人工智能金融机器学习python算法数学建模面试
目录0.承前1.配对交易基本原理1.1什么是配对交易1.2基本假设2.配对选择方法2.1相关性分析2.2协整性检验3.价差计算方法3.1简单价格比率3.2回归系数法4.交易信号设计4.1标准差方法4.2动态阈值方法5.风险管理5.1止损设计5.2仓位管理6.策略评估6.1回测框架6.2性能指标7.回答话术0.承前如果想更加全面清晰地了解金融资产组合模型进化论的体系架构,可参考:0.金融资产组合模型
- Python从0到100(八十一):神经网络-Fashion MNIST数据集取得最高的识别准确率
是Dream呀
python神经网络开发语言
前言:零基础学Python:Python从0到100最新最全教程。想做这件事情很久了,这次我更新了自己所写过的所有博客,汇集成了Python从0到100,共一百节课,帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知识,成为学习学习和学业的先行者!欢迎大家订阅专栏:零基础学Python:Python从0到100最新
- 老玩童:互联网智慧助老平台——科技赋能银发族,开启智慧养老新生活
IT源码大师
科技生活
详细描述:1.引言随着全球老龄化社会的加速到来,老年人的生活质量和社会参与度成为社会关注的焦点。传统的养老服务模式往往存在资源不足、服务单一、效率低下等问题,难以满足老年人日益增长的多样化需求。基于互联网技术的智慧助老平台“老玩童”,通过整合物联网、大数据、人工智能等先进技术,构建了一个全方位、智能化、个性化的助老服务体系,为老年人及其家庭提供了全新的解决方案。本文将深入探讨这一平台的核心理念、技
- 什么是ROS2
听风胖耗子
机器人
ROS是机器人操作系统的简称,它本身并不是一个操作系统,而是可以安装在现在已有的操作系统(Linux、Windows、Mac)上的一组用于构建机器人应用程序的软件库和工具集。ROS包括两个版本ROS1和ROS2,ROS1是在2007年由斯坦福大学人工智能实验室与机器人技术公司WillowGarage为了个人机器人项目的合作而开发的,2008年后由WillowGarage来进行推动,目前由开源机器人
- 从零开始大模型开发与微调:汉字拼音数据集处理
AGI大模型与大数据研究院
大数据AI人工智能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
从零开始大模型开发与微调:汉字拼音数据集处理1.背景介绍1.1问题的由来在人工智能领域,自然语言处理(NLP)是一项基础且重要的研究方向。随着深度学习技术的飞速发展,大规模语言模型(LargeLanguageModel,LLM)在NLP领域取得了显著的成果。然而,LLM的训练与微调过程往往需要海量的文本数据,而这些数据通常以自然语言形式存在,难以直接用于模型训练。因此,如何从自然语言数据中提取结构
- 本地部署LLM工具大比拼:谁才是你的智能之选?
Python_金钱豹
microsoftocr人工智能cnntransformer分类
在人工智能的浪潮中,本地部署LLM工具为我们开启了个性化智能交互的新大门。今天,就带大家深入对比几款热门的本地部署LLM工具:ollama、Llamafile、jan、LLaMa.cpp、GPT4All、LMStudio,从多个关键角度剖析它们的特点与优势,助你挑选出最契合自身需求的智能伙伴。一、安装使用便捷性大排名1.ollama:轻松上手的智能先锋ollama的安装便捷性堪称一流。只需一条简单
- 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
- Forbes:2025年人工智能发展前瞻
人工智能学家
人工智能百度
来源:科技世代千高原克雷格·S·史密斯CraigS.Smith2025年1月7日技术发展速度飞快,转眼间,星辰延伸成星线,我们今天所处的位置与几天前相去甚远。越来越难以预测明天我们会身在何处。有一点是明确的:我们正在进入通用人工智能(AGI)领域,超级人工智能(ASI)现在似乎触手可及。无论如何定义,AGI不会突然出现;它会不断发展,我们已经看到了它逐渐展开的迹象。AGI的曙光AGI一直以来都是我
- 数字化转型导师坚鹏:AI大模型DEEPSEEK重构人工智能格局的里程碑
银行数字化转型导师坚鹏
人工智能重构DEEPSEEKAI
数字化转型导师坚鹏:AI大模型DEEPSEEK重构人工智能格局的里程碑在人工智能领域迅猛发展的浪潮中,每一次重大技术突破都犹如一颗投入平静湖面的巨石,激起千层浪。DEEPSEEK的发布,无疑是近期人工智能领域最受瞩目的事件之一。凭借其独特的技术优势和创新理念,DEEPSEEK迅速在全球人工智能舞台上崭露头角,对现有的人工智能格局产生了多维度、深层次的影响。一、技术突破:从"追赶者"到"规则制定者"
- 决策树ID3算法
小波LFZZB
算法决策树机器学习数据挖掘sklearn
决策树决策树概念决策树,一种基于规则的机器学习方法,主要用于分类和回归,常用作机器学习中的预测模型。树形结构图,树中每个节点表示某个对象,每个分叉路径代表的某个可能的属性值,每个叶结点对应从根节点到该叶节点所经历的路径所表示的对象的值。它通过递归地划分数据空间并在每个分区内拟合一个简单的预测模型来工作。选择分区是为了在每个细分中最大化目标变量的同质性。决策树特点1.树形结构决策树由根节点、内部节点
- 波士顿房价预测
苏轼喜欢玩电脑
浙师大506实验室
波士顿房价预测任务波士顿地区的房价是由诸多因素影响的。该数据集统计了13种可能影响房价的因素和该类型房屋的均价,期望构建一个基于13个因素进行房价预测的模型,因为房价是一个连续值,所以房价预测显然是一个回归任务。用最简单的线性回归模型解决这个问题,并用神经网络来实现这个模型。线性回归模型假设房价和各影响因素之间能够用线性关系来描述:y=∑j=1Mxjwj+by={\sum_{j=1}^Mx_jw_
- 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
- 力扣257. 二叉树的所有路径(遍历思想解决)
LNsupermali
力扣题目leetcode算法职场和发展
Problem:257.二叉树的所有路径文章目录题目描述思路复杂度Code题目描述思路遍历思想(利用二叉树的先序遍历)利用先序遍历的思想,我门用一个List变量path记录当前先序遍历的节点,当遍历到根节点时,将其添加到另一个List变量res中,当递归往回归的时候删除当前path中的最后一个值复杂度时间复杂度:O(n)O(n)O(n);其中nnn为二叉树的节点个数空间复杂度:O(h)O(h)O(
- AI在虚拟试衣中的应用:革新在线购物体验
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
AI在虚拟试衣中的应用:革新在线购物体验关键词:虚拟试衣,增强现实,在线购物,深度学习,图像识别,人工智能,用户交互1.背景介绍1.1问题由来随着电子商务的迅猛发展,在线购物已经成为人们日常生活的一部分。然而,由于无法亲身试穿,在线购物体验在满足用户个性化需求方面仍存在诸多不足。传统的网页图片展示和文字描述难以真实传达衣物的质地、颜色和尺寸。因此,虚拟试衣技术应运而生,成为电商平台上提升用户体验的
- 柳暗花明又一村:Seq2Seq编码器解码器架构
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
Seq2Seq,编码器-解码器,自然语言处理,机器翻译,文本生成,循环神经网络,长短期记忆网络1.背景介绍在人工智能领域,自然语言处理(NLP)始终是研究的热点之一。从机器翻译到文本摘要,从对话系统到问答机器人,Seq2Seq编码器-解码器架构在众多NLP任务中展现出强大的能力。传统的机器翻译方法通常依赖于统计模型和规则引擎,难以捕捉语言的复杂性和语义关系。随着深度学习的兴起,Seq2Seq架构为
- 《C++ 赋能 K-Means 聚类算法:开启智能数据分类之旅》
c++c#
在当今数字化浪潮汹涌澎湃的时代,人工智能无疑是引领科技变革的核心驱动力之一。而在人工智能的广袤天地中,数据分类与聚类作为挖掘数据内在价值、揭示数据潜在规律的关键技术手段,正发挥着前所未有的重要作用。K-Means聚类算法,作为数据聚类领域的经典之作,以其简洁高效的特性而备受瞩目。当我们将目光聚焦于C++这一强大而高效的编程语言时,会发现它与K-Means聚类算法的结合犹如天作之合,能够为数据处理与
- 《解锁AI黑科技:数据分类聚类与可视化》
程序猿阿伟
人工智能科技分类
在当今数字化时代,数据如潮水般涌来,如何从海量数据中提取有价值的信息,成为了众多领域面临的关键挑战。人工智能(AI)技术的崛起,为解决这一难题提供了强大的工具。其中,能够实现数据分类与聚类,并以可视化形式展现的AI技术,正逐渐成为各行业数据分析和决策的核心力量。数据分类与聚类:AI的核心技能数据分类是将数据划分到预先定义好的类别中,就像把图书馆里的书籍按照不同学科分类摆放,方便读者查找。比如在垃圾
- 数据挖掘常用算法优缺点分析
天波烟客00
数据挖掘数据挖掘机器学习
领取机器学习视频教程:http://www.admin444.com/P-c8129a48常用的机器学习、数据挖掘方法有分类,回归,聚类,推荐,图像识别等。在实际应用中,一般都是采用启发式学习方式来实验。偏差&方差偏差:描述的是预测值(估计值)的期望与真实值之间的差距,偏差越大,越偏离真实数据。偏差bias其实是模型太简单而带来的估计不准确的部分---欠拟合方差:描述的是预测值的变化范围、离散程度
- AI大模型基于LLM的Agent架构图解
AI产品经理
人工智能深度学习语言模型学习
Agent定义Agent是什么?Agent是一种能够自主决策、采取行动以达到某种目标的实体。AIAgent的确定义:基于人工智能(尤其是大模型)技术,能够感知和理解环境,并采取行动以完成目标的智能实体。Agent能干什么?AIAgent主要依托LLM模型和具体的业务场景来调用相应的工具来完成任务目标,智能化程度和行业贴合度会更明显。典型案例有什么?智能核保应用,如果解决方案搭载AIAgent能力,
- 【机器学习与数据挖掘实战】案例11:基于灰色预测和SVR的企业所得税预测分析
Francek Chen
机器学习与数据挖掘实战机器学习数据挖掘灰色预测SVR人工智能
【作者主页】FrancekChen【专栏介绍】⌈⌈⌈机器学习与数据挖掘实战⌋⌋⌋机器学习是人工智能的一个分支,专注于让计算机系统通过数据学习和改进。它利用统计和计算方法,使模型能够从数据中自动提取特征并做出预测或决策。数据挖掘则是从大型数据集中发现模式、关联和异常的过程,旨在提取有价值的信息和知识。机器学习为数据挖掘提供了强大的分析工具,而数据挖掘则是机器学习应用的重要领域,两者相辅相成,共同推动
- Spring中@Value注解,需要注意的地方
无量
springbean@Valuexml
Spring 3以后,支持@Value注解的方式获取properties文件中的配置值,简化了读取配置文件的复杂操作
1、在applicationContext.xml文件(或引用文件中)中配置properties文件
<bean id="appProperty"
class="org.springframework.beans.fac
- mongoDB 分片
开窍的石头
mongodb
mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上,configsvr上边放的是metar信息,指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard(片)信息。
第一步启动两台以上的mongo服务
&nb
- OVER(PARTITION BY)函数用法
0624chenhong
oracle
这篇写得很好,引自
http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html
OVER(PARTITION BY)函数用法
2010年10月26日
OVER(PARTITION BY)函数介绍
开窗函数 &nb
- Android开发中,ADB server didn't ACK 解决方法
一炮送你回车库
Android开发
首先通知:凡是安装360、豌豆荚、腾讯管家的全部卸载,然后再尝试。
一直没搞明白这个问题咋出现的,但今天看到一个方法,搞定了!原来是豌豆荚占用了 5037 端口导致。
参见原文章:一个豌豆荚引发的血案——关于ADB server didn't ACK的问题
简单来讲,首先将Windows任务进程中的豌豆荚干掉,如果还是不行,再继续按下列步骤排查。
&nb
- canvas中的像素绘制问题
换个号韩国红果果
JavaScriptcanvas
pixl的绘制,1.如果绘制点正处于相邻像素交叉线,绘制x像素的线宽,则从交叉线分别向前向后绘制x/2个像素,如果x/2是整数,则刚好填满x个像素,如果是小数,则先把整数格填满,再去绘制剩下的小数部分,绘制时,是将小数部分的颜色用来除以一个像素的宽度,颜色会变淡。所以要用整数坐标来画的话(即绘制点正处于相邻像素交叉线时),线宽必须是2的整数倍。否则会出现不饱满的像素。
2.如果绘制点为一个像素的
- 编码乱码问题
灵静志远
javajvmjsp编码
1、JVM中单个字符占用的字节长度跟编码方式有关,而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式;2、对于单个字符:ISO-8859-1单字节编码,GBK双字节编码,UTF-8三字节编码;因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节,而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。
3、getBytes()、getByte
- java 求几个月后的日期
darkranger
calendargetinstance
Date plandate = planDate.toDate();
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd");
Calendar cal = Calendar.getInstance();
cal.setTime(plandate);
// 取得三个月后时间
cal.add(Calendar.M
- 数据库设计的三大范式(通俗易懂)
aijuans
数据库复习
关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式,才能设计出高效率、优雅的数据库,否则可能会设计出错误的数据库.
目前,主要有六种范式:第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式,简称1NF。在第一范式基础上进一步满足一些要求的为第二范式,简称2NF。其余依此类推。
- 想学工作流怎么入手
atongyeye
jbpm
工作流在工作中变得越来越重要,很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点,那了解一点,既不系统,也容易半途而废。好比学武功,最好的办法是有一本武功秘籍。研究明白,则犹如打通任督二脉。
系统学习工作流,很重要的一本书《JBPM工作流开发指南》。
本人苦苦学习两个月,基本上可以解决大部分流程问题。整理一下学习思路,有兴趣的朋友可以参考下。
1 首先要
- Context和SQLiteOpenHelper创建数据库
百合不是茶
androidContext创建数据库
一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper
一:SQLiteOpenHelper创建数据库:
1,SQLi
- 浅谈group by和distinct
bijian1013
oracle数据库group bydistinct
group by和distinct只了去重意义一样,但是group by应用范围更广泛些,如分组汇总或者从聚合函数里筛选数据等。
譬如:统计每id数并且只显示数大于3
select id ,count(id) from ta
- vi opertion
征客丶
macoprationvi
进入 command mode (命令行模式)
按 esc 键
再按 shift + 冒号
注:以下命令中 带 $ 【在命令行模式下进行】,不带 $ 【在非命令行模式下进行】
一、文件操作
1.1、强制退出不保存
$ q!
1.2、保存
$ w
1.3、保存并退出
$ wq
1.4、刷新或重新加载已打开的文件
$ e
二、光标移动
2.1、跳到指定行
数字
- 【Spark十四】深入Spark RDD第三部分RDD基本API
bit1129
spark
对于K/V类型的RDD,如下操作是什么含义?
val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5))
rdd.reduceByKey(_+_).collect
reduceByKey在这里的操作,是把
- java类加载机制
BlueSkator
java虚拟机
java类加载机制
1.java类加载器的树状结构
引导类加载器
^
|
扩展类加载器
^
|
系统类加载器
java使用代理模式来完成类加载,java的类加载器也有类似于继承的关系,引导类是最顶层的加载器,它是所有类的根加载器,它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时,通常会代理给父类加载器,若已经是根加载器了,就自己完成加载。
虚拟机区分一个Cla
- 动态添加文本框
BreakingBad
文本框
<script> var num=1; function AddInput() { var str=""; str+="<input
- 读《研磨设计模式》-代码笔记-单例模式
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/
public class Singleton {
}
/*
* 懒汉模式。注意,getInstance如果在多线程环境中调用,需要加上synchronized,否则存在线程不安全问题
*/
class LazySingleton
- iOS应用打包发布常见问题
chenhbc
iosiOS发布iOS上传iOS打包
这个月公司安排我一个人做iOS客户端开发,由于急着用,我先发布一个版本,由于第一次发布iOS应用,期间出了不少问题,记录于此。
1、使用Application Loader 发布时报错:Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
- 工作流复杂拓扑结构处理新思路
comsci
设计模式工作算法企业应用OO
我们走的设计路线和国外的产品不太一样,不一样在哪里呢? 国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多,仅仅是在有限的了解程度上面提出这样的看法),从而避免在流程引擎中处理这些复杂的图的问题,而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性,这样一来,在引擎和流程流转控制这一个层面就会遇到很
- oracle 11g新特性Flashback data archive
daizj
oracle
1. 什么是flashback data archive
Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象,用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象,概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
- 多叉树:2-3-4树
dieslrae
树
平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:
1、有一个数据项的节点总是有2个子节点(称为2-节点)
2、有两个数据项的节点总是有3个子节点(称为3-节
- C语言学习七动态分配 malloc的使用
dcj3sjt126com
clanguagemalloc
/*
2013年3月15日15:16:24
malloc 就memory(内存) allocate(分配)的缩写
本程序没有实际含义,只是理解使用
*/
# include <stdio.h>
# include <malloc.h>
int main(void)
{
int i = 5; //分配了4个字节 静态分配
int * p
- Objective-C编码规范[译]
dcj3sjt126com
代码规范
原文链接 : The official raywenderlich.com Objective-C style guide
原文作者 : raywenderlich.com Team
译文出自 : raywenderlich.com Objective-C编码规范
译者 : Sam Lau
- 0.性能优化-目录
frank1234
性能优化
从今天开始笔者陆续发表一些性能测试相关的文章,主要是对自己前段时间学习的总结,由于水平有限,性能测试领域很深,本人理解的也比较浅,欢迎各位大咖批评指正。
主要内容包括:
一、性能测试指标
吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间
http://frank1234.iteye.com/blog/2180305
二、性能测试策略
生产环境相同 基准测试 预热等
htt
- Java父类取得子类传递的泛型参数Class类型
happyqing
java泛型父类子类Class
import java.lang.reflect.ParameterizedType;
import java.lang.reflect.Type;
import org.junit.Test;
abstract class BaseDao<T> {
public void getType() {
//Class<E> clazz =
- 跟我学SpringMVC目录汇总贴、PDF下载、源码下载
jinnianshilongnian
springMVC
----广告--------------------------------------------------------------
网站核心商详页开发
掌握Java技术,掌握并发/异步工具使用,熟悉spring、ibatis框架;
掌握数据库技术,表设计和索引优化,分库分表/读写分离;
了解缓存技术,熟练使用如Redis/Memcached等主流技术;
了解Ngin
- the HTTP rewrite module requires the PCRE library
流浪鱼
rewrite
./configure: error: the HTTP rewrite module requires the PCRE library.
模块依赖性Nginx需要依赖下面3个包
1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ )
2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ )
3. s
- 第12章 Ajax(中)
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/
- Optimize query with Query Stripping in Web Intelligence
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence
and a very straightfoward video
http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
- Java开发者写SQL时常犯的10个错误
tomcat_oracle
javasql
1、不用PreparedStatements 有意思的是,在JDBC出现了许多年后的今天,这个错误依然出现在博客、论坛和邮件列表中,即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个: 他们对PreparedStatements不了解 他们认为使用PreparedStatements太慢了 他们认为写Prepar
- 世纪互联与结盟有感
阿尔萨斯
10月10日,世纪互联与(Foxcon)签约成立合资公司,有感。
全球电子制造业巨头(全球500强企业)与世纪互联共同看好IDC、云计算等业务在中国的增长空间,双方迅速果断出手,在资本层面上达成合作,此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任,另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。
众所周知,精于电子产品制造(世界第一),对于世纪互联而言,能够与结盟