- 本地大模型编程实战(25)用langgraph实现基于SQL数据构建的问答系统(4)
火云牌神
AI编程实战sqllanggraphLLMdeepseekqwen
本文将演练使用基于langgraph链,对结构化数据库SQlite进行查询的方法。该系统建立以后,我们不需要掌握专业的SQL技能,可以用自然语言询问有关数据库中数据的问题并返回答案。使大语言模型(LLM)查询结构化数据与非结构化文本数据有所不同。查询非结构化数据时,通常需要将待查询的文本嵌入到向量数据库中;而查询结构化数据的方法则是让LLM编写和执行DSL(例如SQL)进行查询。在用langcha
- 【vLLM 学习】使用 Neuron 安装
HyperAI超神经
vLLMvLLM开源人工智能深度学习源代码GPU机器学习
vLLM是一款专为大语言模型推理加速而设计的框架,实现了KV缓存内存几乎零浪费,解决了内存管理瓶颈问题。更多vLLM中文文档及教程可访问→https://vllm.hyper.ai/从vLLM0.3.3版本起,支持在带有NeuronSDK的AWSTrainium/Inferentia上进行模型推理和服务。目前NeuronSDK不支持分页注意力(PagedAttention),但Transforme
- Layui页面粘贴的方法
mubeibeinv
layui前端javascript
一:在Controller层注解的注意点:1.先写一个大的RequestMapping()()里面的的是:(这些你写的那个实体类的方法,在这取名是什么比如用户类user)2.在Controller层需要写一个Controller的注解3.@Autowired就相当与之前new的全局的serviceImpl的方法4.在写每个方法的时候,都要写一个RequestMapping()和@ResponseB
- 大模型训练与微调(4)——Top-k 和 Top-p 采样策略介绍
John_今天务必休息一天
自然语言处理深度学习算法pythonchatgpt人工智能
大模型训练与微调(4)——Top-k和Top-p采样策略介绍**一、Top-k采样****1.核心思想****2.数学实现****3.示例****4.特点****二、Top-p(Nucleus)采样****1.核心思想****2.数学实现****3.示例****4.特点****三、Top-kvs.Top-p对比分析****四、联合使用与调参建议****1.常见组合****2.参数选择参考****五
- 哪吒2票房为何如此之高?背后隐藏的奥秘大揭秘!
山峰999
大数据经验分享用户体验科技前端
在这个瞬息万变的电影市场中,有一部作品犹如一颗璀璨的明星,以其惊人的票房成绩和广泛的影响力,迅速占据了观众和业界的焦点——《哪吒2》!自2025年1月29日在中国大陆上映以来,这部动画电影不仅延续了前作的辉煌,更是在票房上取得了突破性的成就,令人瞩目。那么,是什么让《哪吒2》的票房如此之火呢?让我们一起深入探究,揭开它背后的神秘面纱!一、前作口碑积累,续集备受期待首先,不得不提的是前作《哪吒之魔童
- 腾讯混元文生图大模型(Hunyuan-DiT)与Stable Diffusion(SD)对比分析
Liudef06
StableDiffusionstablediffusion
腾讯混元文生图大模型(Hunyuan-DiT)与StableDiffusion(SD)对比分析腾讯混元文生图大模型(Hunyuan-DiT)与StableDiffusion(SD)作为当前文生图领域的两大代表模型,各自在技术架构、应用场景和生态支持上展现出了独特的优势。以下是对这两个模型关键维度的对比分析:1.技术架构与性能维度腾讯混元(Hunyuan-DiT)StableDiffusion(SD
- AI大模型-提示工程学习笔记21-图提示 (Graph Prompting)
9命怪猫
AI人工智能学习大模型aiprompt
目录1.图提示的核心思想(1)传统提示的局限性(2)GraphPrompting的解决方案2.GraphPrompting的工作流程(1)图构建(2)图选择/子图提取(3)图编码(4)提示构建(5)LLM推理与生成3.GraphPrompting的关键组件(1)大语言模型(LLM)(2)图数据库(GraphDatabase)(3)图编码器(GraphEncoder)(4)提示模板(PromptTe
- 单卡挑战千亿模型!深度求索MoE架构实战指南:从理论到开源工具全解析
小诸葛IT课堂
架构
引言:为什么需要单GPU训练千亿参数模型?随着大模型参数规模突破千亿级别,训练成本与算力需求呈指数级增长。传统密集架构(DenseModel)在单卡训练中面临显存不足、计算效率低等问题。**混合专家模型(MixtureofExperts,MoE)**通过稀疏激活机制,成为突破单卡训练瓶颈的关键技术。本文将结合深度求索(DeepSeek)的MoE架构实战经验,详解如何用单个GPU训练千亿参数模型,并
- VSCode大的JSON数据不能折叠问题
wv112406
vscodejsonide
修改editor.foldingMaximumRegions为10000解决,默认只支持5000在VSCode中,默认的JSON文件折叠功能对嵌套层级较深的数据支持有限。以下是几种解决嵌套4层以上数据无法折叠的方法:1.使用扩展插件安装支持更复杂折叠功能的插件,如:JSONTools:提供更好的JSON格式化和折叠支持。FoldLevel:允许自定义折叠层级。步骤:打开VSCode扩展市场(Ctr
- host.docker.internal 及 host-gateway 知多少
强哥之神
dockergateway容器人工智能语言模型deepseek
在开始本文之前,我们先看一下最近在使用界面工具进行与大模型交互时,我们一般会用到OpenWebUI,部署方式如下,具体要了解DeepSeek的本地化部署,可参见《本地使用CPU快速体验DeepSeekR1》。dockerrun-p3000:8080--rm--nameopen-webui\ --add-host=host.docker.internal:host-gateway\ -vopen-w
- 苹果iPhone 17系列手机最新爆料,涉及五大方面更新
AntDreamer
iOSiphoneiosswift智能手机
本文首发于公众号“AntDream”,欢迎微信搜索“AntDream”或扫描文章底部二维码关注,和我一起每天进步一点点iPhone17系列:科技革新与未来展望随着科技的不断进步,智能手机市场的竞争愈发激烈。苹果公司作为行业的领军者,每年推出的新款iPhone总能引发全球消费者的广泛关注。2024年7月,关于即将到来的iPhone17系列的新闻和传闻不断涌现,吸引了众多目光。以下是对这些信息的总结,
- 【每日科技动态】2025年2月16日科技信息差深度解析——普通人认知提升计划
我的青春不太冷
科技新闻早知道科技
2025年2月16日科技信息差深度解析:一、全球AI竞赛:中美欧“三国杀”与开源生态的崛起二、产业革新:机器人、半导体与即时零售的突破三、政策赋能:从“产学研”融合到人才评价改革四、风险与挑战:技术伦理与全球性威胁五、普通人行动指南:认知升级的四重策略今日的科技领域呈现出多元竞争与深度融合的格局。从AI大模型的全球博弈到人形机器人的产业化落地,从开源生态的崛起再到科技成果转化的新范式,每一个动态都
- 大模型WebUI:Gradio全解12——LangChain原理、架构和组件(2)
龙焰智能
langchainopenaideepseekintergrationsapireference操作指南教程
大模型WebUI:Gradio全解12——LangChain原理、架构和组件(2)前言12.LangChain原理及agents构建GradioUI12.2学习资料12.2.1学习文档12.2.2用途示例12.2.3OpenAI和DeepSeek例程1.OpenAI示例2.DeepSeek例程参考文献前言本系列文章主要介绍WEB界面工具Gradio。Gradio是HuggingFace发布的简易W
- Vue3 Composition API与十大组件开发案例详解
北辰alk
vuevue.js
文章目录一、Vue3核心API解析1.1CompositionAPI优势1.2核心API二、十大组件开发案例案例1:响应式表单组件案例2:动态模态框(Teleport应用)案例3:可复用列表组件案例4:全局状态通知组件案例5:图片懒加载组件案例6:异步数据加载组件案例7:可拖拽排序列表案例8:路由守卫高阶组件案例9:主题切换Provider案例10:可视化表单生成器三、组件开发最佳实践四、总结一、
- 大模型在脑梗死预测及治疗方案制定中的应用研究报告
LCG元
围术期危险因子预测模型研究人工智能
目录一、引言1.1研究背景与意义1.2研究目的与方法1.3国内外研究现状二、脑梗死概述2.1脑梗死的定义与分类2.2脑梗死的发病机制与病理生理过程2.3脑梗死的临床表现与诊断方法三、大模型技术原理与应用现状3.1大模型的基本概念与技术架构3.2大模型在医疗领域的应用案例与优势3.3适用于脑梗死预测的大模型类型与特点四、大模型在脑梗死术前风险预测中的应用4.1术前风险因素分析4.2大模型预测方法与模
- 电力场效应晶体管(Power MOSFET)
嵌入式老牛
电力电子技术之电力电子器件电力电子技术MOSFET电力电子
1.电力MOSFET电力场效应晶体管,简称电力MOSFET,是利用电场效应来控制半导体中电流的电力半导体器件,它是一种单极性电压控制器件,不但有自关断能力,而且有驱动功率小、工作频率高、无二次击穿现象、安全工作区高等优点。注:二次击穿现象是指在电力晶体管等功率器件中,当一次击穿发生后,如果继续增加偏压,器件会在极短的时间内进入一个低压大电流的区域,这种现象称为二次击穿。二次击穿主要是由于器件体
- [Github推荐]CVPR2019录用论文下载及可视化论文网站
spearhead_cai
计算机视觉深度学习科研论文CVPRGithub计算机视觉深度学习
简介CVPR是IEEEConferenceonComputerVisionandPatternRecognition的缩写,即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。它是IEEE一年一度的学术性会议,会议的主要内容是计算机视觉与模式识别技术。CVPR是世界顶级的计算机视觉会议(三大顶会之一,另外两个是ICCV和ECCV),本会议每年都会有固
- A类地址与B类地址:区别、联系与应用
hgdlip
ip服务器运维A类地址B类地址
在浩瀚的数字世界中,IP地址作为网络中设备的唯一标识符,扮演着至关重要的角色。随着互联网的不断发展,IP地址的分类也日益精细,其中A类地址和B类地址作为IPv4地址体系中的两大支柱,各自承载着不同的网络需求。本文将深入探讨A类地址和B类地址的区别和联系及其在实际应用中的场景,带您一窥IP地址世界的奥秘。一、A类地址与B类地址的区别地址结构:A类地址使用第一个字节表示网络地址,剩余三个字节用
- 笔记:大模型Tokens是啥?为啥大模型按Tokens收费?
瞬间动力
硅基蒸馏easyui前端javascript人工智能tooneapi阿里云
一、Token的定义与示例1.核心概念Token是自然语言处理中的最小文本单位,代表模型处理文本时的一次计算单元。英文场景:1个token≈1个单词或标点符号。示例:句子"Hello,world!"拆分为["Hello",",","world","!"],共4个token。中文场景:1个token≈1个汉字或词语。示例:短语"深度求索"拆分为["深","度","求","索"],共4个token;若
- **LangChain 核心概念与架构详解**
dgay_hua
langchain架构python
简介LangChain是一个强大的框架,专注于构建基于大语言模型(LLM)的应用。本文将深入介绍LangChain的核心架构、关键组件以及其特性。通过理解这些内容,开发者能更高效地构建复杂的LLM应用。LangChain架构解析LangChain的架构由多个包组成,每个包负责特定的功能模块。以下是主要组件的功能和作用:1.核心基础包(langchain-core)此包定义了LangChain的基础
- php序列化与反序列化
lally.
phpandroid开发语言
文章目录基础知识魔术方法:在序列化和反序列化过程中自动调用的方法什么是`__destruct()`方法?何时触发`__destruct()`方法?用途:语法示例:反序列化漏洞利用前提条件一些绕过策略绕过__wakeup函数绕过正则匹配绕过相等逻辑判断利用大S的ascll码绕过反序列化字符逃逸高级反序列化phar反序列化什么是PHAR文件?特点session反序列化基础知识序列化:将对象转化为一个可
- The underlying provider failed on open 问题解决
yyueshen
SQLServer链接字符串
用EntityFramework6,链接MSSqlServer,本地测试没问题,同事用IP访问就提示了“Theunderlyingproviderfailedonopen”,在网上查,有人说是连接字符串写的有问题,喵了个咪的,连接字符串写的有问题,为啥我用Add-Migration和update-database命令可以成功更新数据库,连接字符串有问题,为啥我IISExpress下的localho
- 借助知识图谱和Llama-Index实现基于大模型的RAG
爱吃牛油果的璐璐
知识图谱llamaoracle语言模型chatgpttransformer人工智能
幻觉是在处理大型语言模型(LLMs)时常见的问题。LLMs生成流畅连贯的文本,但经常产生不准确或不一致的信息。防止LLMs中出现幻觉的一种方法是使用外部知识源,如提供事实信息的数据库或知识图谱。矢量数据库和知识图谱使用不同的方法来存储和表示数据。矢量数据库适合基于相似性的操作,知识图谱旨在捕捉和分析复杂的关系和依赖关系。对于LLM中的幻觉问题,知识图谱是一个比向量数据库更好的解决方案。知识图谱为L
- 苹果AI功能,GPU内存瓶颈,大气预测模型,Chrome内置Gemini
一支烟一朵花
人工智能ai业界资讯神经网络
智源社区刚刚!苹果发布AppleIntelligence,官宣免费接入ChatGPT,Siri迎来重磅更新大模型竞速赛鸣枪开跑后,苹果似乎已经脱离了第一梯队,曾经的行业风向标并没有像其他大厂那样频繁地宣讲AI,加之缺乏能够参与竞争的「明星产品」,其一度被贴上了「落后」的标签。但其实熟悉苹果的网友都知道,这是一家「重落地」的公司,更加擅长的是把创新技术工程化,实现「工程创新」。也正因如此,在生成式A
- 全方位解析:大语言模型评测方法的综合指南
大模型玩家
语言模型人工智能自然语言处理深度学习agi大模型搜索引擎
自2017年Transformer模型提出以来,自然语言处理研究逐步转向基于该框架的预训练模型,如BERT、GPT、BART和T5等。这些预训练模型与下游任务适配后,持续刷新最优结果。然而,现有评测方法存在广度和深度不足、数据偏差、忽视模型其他能力或属性评估等问题。因此,需要全面评测和深入研究模型的各项能力、属性、应用局限性、潜在风险及其可控性等。本文回顾了自然语言处理中的评测基准与指标,将大语言
- 大语言模型原理与工程实践:手把手教你训练 7B 大语言模型 自动化训练框架
AI天才研究院
AI大模型企业级应用开发实战DeepSeekR1&大数据AI人工智能大模型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
大语言模型原理与工程实践:手把手教你训练7B大语言模型自动化训练框架关键词:大语言模型、7B模型、自动化训练、深度学习、神经网络、自然语言处理、分布式计算文章目录大语言模型原理与工程实践:手把手教你训练7B大语言模型自动化训练框架1.背景介绍2.核心概念与联系3.核心算法原理&具体操作步骤3.1算法原理概述3.2算法步骤详解3.3算法优缺点3.4算法应用领域4.数学模型和公式&详细讲解&举例说明4
- 全网国内外总结Prompt&LLM论文,开源数据&模型,AIGC应用(持续更新,收藏查看)
代码讲故事
智能工具PromptLLMAIGC模型开源数据集深度学习
全网国内外总结Prompt&LLM论文,开源数据&模型,AIGC应用(持续更新,收藏查看)目录顺序如下国内外,垂直领域大模型Agent和指令微调等训练框架开源指令,预训练,rlhf,对话,agent训练数据梳理AIGC相关应用prompt写作指南和5星博客等资源梳理Prompt和LLM论文细分方向梳理Prompt是在自然语言处理(NLP)中,尤其是在使用预训练语言模型时,用来引导模型生成特定类型输
- BERT模型深入理解——自然语言处理的里程碑
cufewxy2018
自然语言处理bert人工智能
1BERT的诞生背景2018年谷歌团队发布了BERT(BidirectionalEncoderRepresentationsfromTransformers)模型,在自然语言处理领域引领了技术性的革命。BERT创新性地使用预训练+微调模式,先用预训练在大量无标注的语料中进行自监督学习,学习到语言的通用规律,然后在少量有标注的数据中进行有监督学习,适配更精细化的任务。这种模式一直影响到最新的大模型结
- 怎样通过人机融合智能去除“机器幻觉”?
人机与认知实验室
人机融合智能的目标是通过深度结合人类智能和机器智能,解决现有人工智能系统(特别是深度学习模型,如各种大模型)可能出现的问题,比如“机器幻觉”现象。机器幻觉指的是人工智能模型在处理信息时,做出错误的、非理性的判断或预测,这种现象往往源于模型在训练数据中的偏差、不完全信息或过度依赖某些特定模式。通过人机融合的方式,可以有效减少这种“幻觉”,进而提升人机环境系统智能的可靠性和解释能力。1.结合人类的直觉
- 蓝桥杯备考:DFS剪枝之数的划分
无敌大饺子 1
蓝桥杯深度优先剪枝
这道题和组合型枚举差不多,比如我们从第一个数开始填,到第二个数的时候,21明显是重复了,我们就没必要继续往下递归了,这个叫剪掉等效冗余分支,然后还有就是,比如我们2开始的枝头,222,223,224,225,我们222的时候就已经比5大了,这时候我们再递归算后面的就没用了,我们3开始的时候,344,345肯定是更大的了所以这条就是我们的可行性剪枝,我们把后面的分支全部剪掉就行了#includeus
- Java序列化进阶篇
g21121
java序列化
1.transient
类一旦实现了Serializable 接口即被声明为可序列化,然而某些情况下并不是所有的属性都需要序列化,想要人为的去阻止这些属性被序列化,就需要用到transient 关键字。
- escape()、encodeURI()、encodeURIComponent()区别详解
aigo
JavaScriptWeb
原文:http://blog.sina.com.cn/s/blog_4586764e0101khi0.html
JavaScript中有三个可以对字符串编码的函数,分别是: escape,encodeURI,encodeURIComponent,相应3个解码函数:,decodeURI,decodeURIComponent 。
下面简单介绍一下它们的区别
1 escape()函
- ArcgisEngine实现对地图的放大、缩小和平移
Cb123456
添加矢量数据对地图的放大、缩小和平移Engine
ArcgisEngine实现对地图的放大、缩小和平移:
个人觉得是平移,不过网上的都是漫游,通俗的说就是把一个地图对象从一边拉到另一边而已。就看人说话吧.
具体实现:
一、引入命名空间
using ESRI.ArcGIS.Geometry;
using ESRI.ArcGIS.Controls;
二、代码实现.
- Java集合框架概述
天子之骄
Java集合框架概述
集合框架
集合框架可以理解为一个容器,该容器主要指映射(map)、集合(set)、数组(array)和列表(list)等抽象数据结构。
从本质上来说,Java集合框架的主要组成是用来操作对象的接口。不同接口描述不同的数据类型。
简单介绍:
Collection接口是最基本的接口,它定义了List和Set,List又定义了LinkLi
- 旗正4.0页面跳转传值问题
何必如此
javajsp
跳转和成功提示
a) 成功字段非空forward
成功字段非空forward,不会弹出成功字段,为jsp转发,页面能超链接传值,传输变量时需要拼接。接拼接方式list.jsp?test="+strweightUnit+"或list.jsp?test="+weightUnit+&qu
- 全网唯一:移动互联网服务器端开发课程
cocos2d-x小菜
web开发移动开发移动端开发移动互联程序员
移动互联网时代来了! App市场爆发式增长为Web开发程序员带来新一轮机遇,近两年新增创业者,几乎全部选择了移动互联网项目!传统互联网企业中超过98%的门户网站已经或者正在从单一的网站入口转向PC、手机、Pad、智能电视等多端全平台兼容体系。据统计,AppStore中超过85%的App项目都选择了PHP作为后端程
- Log4J通用配置|注意问题 笔记
7454103
DAOapachetomcatlog4jWeb
关于日志的等级 那些去 百度就知道了!
这几天 要搭个新框架 配置了 日志 记下来 !做个备忘!
#这里定义能显示到的最低级别,若定义到INFO级别,则看不到DEBUG级别的信息了~!
log4j.rootLogger=INFO,allLog
# DAO层 log记录到dao.log 控制台 和 总日志文件
log4j.logger.DAO=INFO,dao,C
- SQLServer TCP/IP 连接失败问题 ---SQL Server Configuration Manager
darkranger
sqlcwindowsSQL ServerXP
当你安装完之后,连接数据库的时候可能会发现你的TCP/IP 没有启动..
发现需要启动客户端协议 : TCP/IP
需要打开 SQL Server Configuration Manager...
却发现无法打开 SQL Server Configuration Manager..??
解决方法: C:\WINDOWS\system32目录搜索framedyn.
- [置顶] 做有中国特色的程序员
aijuans
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有些技术书读得可
- document.domain 跨域问题
avords
document
document.domain用来得到当前网页的域名。比如在地址栏里输入:javascript:alert(document.domain); //www.315ta.com我们也可以给document.domain属性赋值,不过是有限制的,你只能赋成当前的域名或者基础域名。比如:javascript:alert(document.domain = "315ta.com");
- 关于管理软件的一些思考
houxinyou
管理
工作好多看年了,一直在做管理软件,不知道是我最开始做的时候产生了一些惯性的思维,还是现在接触的管理软件水平有所下降.换过好多年公司,越来越感觉现在的管理软件做的越来越乱.
在我看来,管理软件不论是以前的结构化编程,还是现在的面向对象编程,不管是CS模式,还是BS模式.模块的划分是很重要的.当然,模块的划分有很多种方式.我只是以我自己的划分方式来说一下.
做为管理软件,就像现在讲究MVC这
- NoSQL数据库之Redis数据库管理(String类型和hash类型)
bijian1013
redis数据库NoSQL
一.Redis的数据类型
1.String类型及操作
String是最简单的类型,一个key对应一个value,string类型是二进制安全的。Redis的string可以包含任何数据,比如jpg图片或者序列化的对象。
Set方法:设置key对应的值为string类型的value
- Tomcat 一些技巧
征客丶
javatomcatdos
以下操作都是在windows 环境下
一、Tomcat 启动时配置 JAVA_HOME
在 tomcat 安装目录,bin 文件夹下的 catalina.bat 或 setclasspath.bat 中添加
set JAVA_HOME=JAVA 安装目录
set JRE_HOME=JAVA 安装目录/jre
即可;
二、查看Tomcat 版本
在 tomcat 安装目
- 【Spark七十二】Spark的日志配置
bit1129
spark
在测试Spark Streaming时,大量的日志显示到控制台,影响了Spark Streaming程序代码的输出结果的查看(代码中通过println将输出打印到控制台上),可以通过修改Spark的日志配置的方式,不让Spark Streaming把它的日志显示在console
在Spark的conf目录下,把log4j.properties.template修改为log4j.p
- Haskell版冒泡排序
bookjovi
冒泡排序haskell
面试的时候问的比较多的算法题要么是binary search,要么是冒泡排序,真的不想用写C写冒泡排序了,贴上个Haskell版的,思维简单,代码简单,下次谁要是再要我用C写冒泡排序,直接上个haskell版的,让他自己去理解吧。
sort [] = []
sort [x] = [x]
sort (x:x1:xs)
| x>x1 = x1:so
- java 路径 配置文件读取
bro_feng
java
这几天做一个项目,关于路径做如下笔记,有需要供参考。
取工程内的文件,一般都要用相对路径,这个自然不用多说。
在src统计目录建配置文件目录res,在res中放入配置文件。
读取文件使用方式:
1. MyTest.class.getResourceAsStream("/res/xx.properties")
2. properties.load(MyTest.
- 读《研磨设计模式》-代码笔记-简单工厂模式
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/
package design.pattern;
/*
* 个人理解:简单工厂模式就是IOC;
* 客户端要用到某一对象,本来是由客户创建的,现在改成由工厂创建,客户直接取就好了
*/
interface IProduct {
- SVN与JIRA的关联
chenyu19891124
SVN
SVN与JIRA的关联一直都没能装成功,今天凝聚心思花了一天时间整合好了。下面是自己整理的步骤:
一、搭建好SVN环境,尤其是要把SVN的服务注册成系统服务
二、装好JIRA,自己用是jira-4.3.4破解版
三、下载SVN与JIRA的插件并解压,然后拷贝插件包下lib包里的三个jar,放到Atlassian\JIRA 4.3.4\atlassian-jira\WEB-INF\lib下,再
- JWFDv0.96 最新设计思路
comsci
数据结构算法工作企业应用公告
随着工作流技术的发展,工作流产品的应用范围也不断的在扩展,开始进入了像金融行业(我已经看到国有四大商业银行的工作流产品招标公告了),实时生产控制和其它比较重要的工程领域,而
- vi 保存复制内容格式粘贴
daizj
vi粘贴复制保存原格式不变形
vi是linux中非常好用的文本编辑工具,功能强大无比,但对于复制带有缩进格式的内容时,粘贴的时候内容错位很严重,不会按照复制时的格式排版,vi能不能在粘贴时,按复制进的格式进行粘贴呢? 答案是肯定的,vi有一个很强大的命令可以实现此功能 。
在命令模式输入:set paste,则进入paste模式,这样再进行粘贴时
- shell脚本运行时报错误:/bin/bash^M: bad interpreter 的解决办法
dongwei_6688
shell脚本
出现原因:windows上写的脚本,直接拷贝到linux系统上运行由于格式不兼容导致
解决办法:
1. 比如文件名为myshell.sh,vim myshell.sh
2. 执行vim中的命令 : set ff?查看文件格式,如果显示fileformat=dos,证明文件格式有问题
3. 执行vim中的命令 :set fileformat=unix 将文件格式改过来就可以了,然后:w
- 高一上学期难记忆单词
dcj3sjt126com
wordenglish
honest 诚实的;正直的
argue 争论
classical 古典的
hammer 锤子
share 分享;共有
sorrow 悲哀;悲痛
adventure 冒险
error 错误;差错
closet 壁橱;储藏室
pronounce 发音;宣告
repeat 重做;重复
majority 大多数;大半
native 本国的,本地的,本国
- hibernate查询返回DTO对象,DTO封装了多个pojo对象的属性
frankco
POJOhibernate查询DTO
DTO-数据传输对象;pojo-最纯粹的java对象与数据库中的表一一对应。
简单讲:DTO起到业务数据的传递作用,pojo则与持久层数据库打交道。
有时候我们需要查询返回DTO对象,因为DTO
- Partition List
hcx2013
partition
Given a linked list and a value x, partition it such that all nodes less than x come before nodes greater than or equal to x.
You should preserve the original relative order of th
- Spring MVC测试框架详解——客户端测试
jinnianshilongnian
上一篇《Spring MVC测试框架详解——服务端测试》已经介绍了服务端测试,接下来再看看如果测试Rest客户端,对于客户端测试以前经常使用的方法是启动一个内嵌的jetty/tomcat容器,然后发送真实的请求到相应的控制器;这种方式的缺点就是速度慢;自Spring 3.2开始提供了对RestTemplate的模拟服务器测试方式,也就是说使用RestTemplate测试时无须启动服务器,而是模拟一
- 关于推荐个人观点
liyonghui160com
推荐系统关于推荐个人观点
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的w
- 不间断旋转的动画
pangyulei
动画
CABasicAnimation* rotationAnimation;
rotationAnimation = [CABasicAnimation animationWithKeyPath:@"transform.rotation.z"];
rotationAnimation.toValue = [NSNumber numberWithFloat: M
- 自定义annotation
sha1064616837
javaenumannotationreflect
对象有的属性在页面上可编辑,有的属性在页面只可读,以前都是我们在页面上写死的,时间一久有时候会混乱,此处通过自定义annotation在类属性中定义。越来越发现Java的Annotation真心很强大,可以帮我们省去很多代码,让代码看上去简洁。
下面这个例子 主要用到了
1.自定义annotation:@interface,以及几个配合着自定义注解使用的几个注解
2.简单的反射
3.枚举
- Spring 源码
up2pu
spring
1.Spring源代码
https://github.com/SpringSource/spring-framework/branches/3.2.x
注:兼容svn检出
2.运行脚本
import-into-eclipse.bat
注:需要设置JAVA_HOME为jdk 1.7
build.gradle
compileJava {
sourceCompatibilit
- 利用word分词来计算文本相似度
yangshangchuan
wordword分词文本相似度余弦相似度简单共有词
word分词提供了多种文本相似度计算方式:
方式一:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度
实现类:org.apdplat.word.analysis.CosineTextSimilarity
用法如下:
String text1 = "我爱购物";
String text2 = "我爱读书";
String text3 =