- 2-感知机学习算法
罗东琦
统计学习笔记
感知机模型感知机学习策略学习算法算法收敛性对偶形式与线性SVM的异同感知机(perceptron)是一个线性二分类模型,其目的是寻找一个超平面将正负示例划分开,属于判别模型,也是神经网络与SVM的基础。感知机模型假设输入空间为χ⊆Rnχ⊆Rn,输出空间为Υ⊆{+1,−1}Υ⊆{+1,−1}。输入x∈χx∈χ表示实例的特征向量,输出y∈Υy∈Υ表示实例的类别。则下面的函数f(x)=sign(w⋅x+
- 从零开始大模型开发与微调:PyTorch中的卷积函数实现详解
AI天才研究院
AI人工智能与大数据AI大模型企业级应用开发实战计算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:PyTorch中的卷积函数实现详解1.背景介绍1.1大模型开发的意义1.2卷积神经网络在大模型中的应用1.3PyTorch框架简介2.核心概念与联系2.1卷积的数学定义2.2卷积神经网络的组成2.2.1卷积层2.2.2池化层2.2.3全连接层2.3卷积与大模型的关系3.核心算法原理具体操作步骤3.1卷积的前向传播3.2卷积的反向传播3.3卷积的优化策略3.3.1卷积核大小
- PyTorch 中 nn.Linear() 参数详解与实战解析(gpt)
草莓奶忻
深度学习pytorchgpt人工智能
PyTorch中nn.Linear()参数详解与实战解析在使用PyTorch构建神经网络时,nn.Linear()是最常用也最基础的模块之一。它用于实现一个全连接层(FullyConnectedLayer),本质上就是对输入进行一次线性变换:y=xAT+by=xA^T+by=xAT+b本文将详细介绍nn.Linear()的参数含义、属性说明、初始化机制,并结合实际代码案例帮助你真正理解它的工作原理
- 飞算JavaAI 2.0.0深度测评:自然语言编程如何重构开发生产力?
知识产权13937636601
计算机Java
摘要2025年自然语言编程(NLPProgramming)迎来工业化拐点,飞算JavaAI2.0.0以语义理解精度>92%、企业级代码生成通过率>87%的核心能力,正在重构Java开发范式。本文通过电商、金融、工业物联网三大场景实测,揭秘其如何实现需求描述到可部署代码的端到端转化。数据显示:复杂业务模块开发效率提升3-8倍,逻辑缺陷率降低70%,同时提供语义级安全审计、架构腐化预警等独家能力,为传
- 【自然语言处理-NLP】文本预处理技术
云博士的AI课堂
哈佛博后带你玩转机器学习深度学习自然语言处理人工智能NLP深度学习数据预处理NLP数据预处理机器学习
以下内容将从基本概念到实用代码分步骤、分场景地详细介绍NLP常见文本预处理方法及其背后的思想。如果无法从外部导入数据,我们会模拟一份简易文本数据(如字符串列表),并在此基础上演示预处理代码及详细解释,确保在常规Python环境下可以运行。一、文本预处理的常见需求和作用在自然语言处理(NLP)任务(如机器学习、深度学习、大模型开发)中,原始文本数据通常会包含各种噪声,例如:多余的空格、换行符、特殊符
- 门控循环单元(GRU):LSTM 的轻量级高效 “记忆专家”
LNL13
grulstm机器学习
在探索完长短期记忆网络(LSTM)的神奇“记忆魔法”后,我们迎来了它的“近亲”——门控循环单元(GatedRecurrentUnit,简称GRU)。GRU就像是神经网络领域里的“精简版记忆大师”,它继承了LSTM处理长序列数据的优势,同时以更简洁的结构和更高的训练效率脱颖而出。今天,就让我们一同走进GRU的世界,看看它是如何在保留核心功能的同时实现“轻装上阵”的。一、GRU的诞生:简化与优化的智慧
- 深度学习之基于Pytorch卷积神经网络人民币面值识别
Q1744828575
pythonpytorchplotly
欢迎大家点赞、收藏、关注、评论啦,由于篇幅有限,只展示了部分核心代码。文章目录一项目简介二、功能三、系统四.总结一项目简介 一、项目背景在日常生活和商业活动中,人民币面值识别技术具有重要的应用价值。传统的面值识别方法,如基于模板匹配或特征工程的方法,在面对复杂多变的图像环境时,往往难以达到理想的识别效果。随着深度学习技术的兴起,特别是卷积神经网络(ConvolutionalNeuralNetwo
- 面经总结系列(十六): 元象科技大模型推理优化工程师
GoAI
AI面经总结机器学习算法人工智能大模型机器学习深度学习
作者简介:CSDN、阿里云人工智能领域博客专家,新星计划计算机视觉导师,百度飞桨PPDE,专注大数据与AI知识分享。✨公众号:GoAI的学习小屋,免费分享书籍、简历、导图等,更有交流群分享宝藏资料,关注公众号回复“加群”或➡️点击链接加群。AI学习星球推荐:GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的
- 《深入浅出多模态》(四):多模态经典模型CLIP
GoAI
深入浅出多模态多模态大模型LLM人工智能
AI学习星球推荐:GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的学习资料,配有全面而有深度的专栏内容,包括不限于前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关(简历撰写技巧、面经资料与心得)多方面综合学习平台,强烈推荐AI小白及AI爱好者学习,性价比非常高!加入星球➡️点击链接✨专栏介
- 深入浅出多模态》(十一)之多模态经典模型:Flamingo系列
GoAI
机器学习多模态大模型人工智能LLM机器学习
AI学习星球推荐:GoAI的学习社区知识星球是一个致力于提供《机器学习|深度学习|CV|NLP|大模型|多模态|AIGC》各个最新AI方向综述、论文等成体系的学习资料,配有全面而有深度的专栏内容,包括不限于前沿论文解读、资料共享、行业最新动态以、实践教程、求职相关(简历撰写技巧、面经资料与心得)多方面综合学习平台,强烈推荐AI小白及AI爱好者学习,性价比非常高!加入星球➡️点击链接✨专栏介绍:本作
- ali PaddleNLP docker
大熊程序猿
AI大模型docker容器运维
一、添加文件nano /root/projects/paddlenlp_similarity_server.pyfromflaskimportFlask,request,jsonifyimportpaddlefrompaddlenlpimportTaskflowimportjsonimportuuidapp=Flask(__name__)#初始化文本相似度模型similarity=Taskflow
- Neo4j 图数据库安装教程(2024最新版)—— Windows / Linux / macOS 全平台指南
2501_91537435
图数据库neo4j数据库windows
Neo4j图数据库安装教程(2024最新版)——Windows/Linux/macOS全平台指南Neo4j是目前最流行的图数据库(GraphDatabase),广泛应用于社交网络、推荐系统、知识图谱等领域。本文将详细介绍Windows、Linux和macOS三大平台的Neo4j安装方法,并包含配置优化、基础使用示例和常见问题解决。一、Neo4j简介1.什么是Neo4j?Neo4j是一个高性能的No
- 从零开始:Python实现语音识别的完整教程_副本
AIGC应用创新大全
AI大模型与大数据技术AI人工智能与大数据应用开发MCP&Agent云算力网络python语音识别开发语言ai
从零开始:Python实现语音识别的完整教程关键词:Python、语音识别、语音转文本、音频处理、机器学习、深度学习、自然语言处理摘要:本文将带你从零开始学习如何使用Python实现语音识别功能。我们将从基础概念讲起,逐步深入到实际代码实现,涵盖音频处理、特征提取、模型训练等关键环节,最终构建一个完整的语音识别系统。无论你是初学者还是有一定经验的开发者,都能从本教程中获得实用的知识和技能。背景介绍
- 面向大语言模型幻觉的关键数据集:系统性综述与分类法
致Great
语言模型人工智能自然语言处理
面向大语言模型幻觉的关键数据集:系统性综述与分类法摘要大语言模型(LargeLanguageModels,LLMs)在自然语言处理的多个领域取得了革命性进展,但其固有的“幻觉”问题——即生成看似合理但与事实不符或与上下文无关的内容——严重制约了其在关键应用中的可靠性与安全性。为了系统性地评估、理解并缓解LLM的幻觉现象,学术界和工业界开发了大量多样化的数据集与基准。本文对大模型幻觉领域的关键数据集
- 【锂电池SOC估计】 Matlab基于BP神经网络的锂电池SOC估计
天天Matlab代码科研顾问
matlab神经网络开发语言
✅作者简介:热爱数据处理、数学建模、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击:Matlab科研工作室个人信条:格物致知。内容介绍摘要:电池荷电状态(StateofCharge,SOC)的精确估计对于电动汽车、储能系统等应用至关重要。传统的SOC估计方法存在精度受限、算法复杂等问题。本文提出了一种基于反向传播(BackPropagation,BP)神经网络的锂电池SO
- 分类预测 | MATLAB实现BP神经网络多特征分类预测
matlab科研社
分类matlab神经网络
✅作者简介:热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页:Matlab科研工作室个人信条:格物致知,期刊达人。内容介绍近年来,随着大数据时代的到来以及计算能力的显著提升,人工智能技术得到了飞速发展。在众多人工智能算法中,反向传播神经网络(BackPropagationNeuralNetwork,BP神经网络)凭借其强大的非
- 敏感数据流动治理:API 调用中的动态脱敏技术实践
KKKlucifer
rxjavaandroid
在数字化转型加速推进的当下,API已成为企业数据流通的"神经网络",但伴随而来的敏感数据泄露风险正呈指数级增长。Gartner报告显示,2023年全球企业数据泄露事件中,39%源于API接口滥用,而传统静态脱敏技术在复杂业务场景下的防护效能已下降42%。动态脱敏技术作为应对API数据流动安全的核心方案,通过实时识别、智能处理、动态响应的全流程防护,正成为企业构建数据安全流动体系的关键技术支撑。保旺
- 信息抽取数据集全景分析:分类体系、技术演进与挑战_DEEPSEEK
致Great
分类数据挖掘人工智能
信息抽取数据集全景分析:分类体系、技术演进与挑战摘要信息抽取(IE)作为自然语言处理的核心任务,是构建知识图谱、支持智能问答等应用的基础。近年来,随着深度学习技术的发展和大规模预训练模型的兴起,IE数据集呈现爆发式增长,其分析与评估对模型研发和领域迁移至关重要。本文基于对158个主流IE数据集的系统性梳理,首次提出“信息提取与命名实体识别数据集分类体系”。该体系涵盖8大类别(命名实体识别、关系提取
- 自然语言处理之文本生成:Recurrent Neural Networks (RNN):序列模型与语言模型
zhubeibei168
自然语言处理自然语言处理rnn语言模型人工智能机器翻译生成对抗网络
自然语言处理之文本生成:RecurrentNeuralNetworks(RNN):序列模型与语言模型自然语言处理简介NLP的基本概念自然语言处理(NaturalLanguageProcessing,简称NLP)是人工智能领域的一个重要分支
- 推荐几本人工智能方面的书(入门级)
人邮异步社区
人工智能深度学习神经网络
以下推荐几本适合入门人工智能的书籍,帮助你逐步建立基础知识和理解:一、数学基础类《数学之美》推荐理由:深入浅出地讲解了自然语言处理与搜索方向的数学原理,对于理解算法背后的数学逻辑非常有帮助。本书的章节名称,有“统计语言模型”“谈谈中文分词”“贾里尼克和现代语言处理”“布尔代数和搜索引擎”“信息指纹及其应用”等,似乎太过专业,实际上高中和大学低年级的同学们都能看得懂,当然本书因此也可以称得上是“高级
- 分布式学习
嘉陵妹妹
分布式学习
1.列举三个非冯·诺依曼计算结构非冯结构是指不遵循传统冯·诺依曼体系的计算架构,包括:数据流结构(DataflowArchitecture):指令执行取决于数据的可用性而不是程序计数器。神经网络结构(NeuralNetworkArchitecture):模拟生物神经元连接,用于人工智能。量子计算结构(QuantumComputingArchitecture):利用量子比特和量子叠加原理进行计算。2
- 激活函数和批归一化(BatchNorm)
简单记录学习~。在神经网络中,激活函数和批归一化(BatchNorm)的配合使用是为了解决数据分布偏移和梯度不稳定问题。以下是逐步解释:1.激活函数为何导致值向上下限移动?以Sigmoid/Tanh为例:这类饱和型激活函数(如Sigmoid、Tanh)的导数在输入绝对值较大时会趋近于0(饱和区)。例如:Sigmoid的输出范围是(0,1)当输入≫0时,输出接近1;x≪0时,输出接近0。
- AI人工智能领域知识图谱在深度学习中的应用拓展
AI人工智能领域知识图谱在深度学习中的应用拓展关键词:知识图谱、深度学习、神经网络、图嵌入、知识表示学习、推理机制、应用场景摘要:本文深入探讨了知识图谱与深度学习的融合应用,系统性地分析了知识图谱在深度学习中的关键技术路径和应用场景。文章首先介绍了知识图谱的基本概念和表示方法,然后详细阐述了知识图谱与深度学习结合的多种技术路线,包括图神经网络、知识嵌入和推理机制等。接着通过具体案例展示了知识图谱增
- equine在神经网络中建立量化不确定性
struggle2025
神经网络人工智能深度学习
一、软件介绍文末提供程序和源码下载众所周知,用于监督标记问题的深度神经网络(DNN)可以在各种学习任务中产生准确的结果。但是,当准确性是唯一目标时,DNN经常会做出过于自信的预测,并且无论测试数据是否属于任何已知标签,它们也总是进行标签预测。EQUINEwascreatedtosimplifytwokindsofuncertaintyquantificationforsupervisedlabel
- CARLsim开源程序 是一个高效、易用、GPU 加速的软件框架,用于模拟具有高度生物细节的大规模脉冲神经网络 (SNN) 模型。
struggle2025
神经网络人工智能深度学习
一、软件介绍文末提供程序和源码下载CARLsim是一个高效、易用的GPU加速库,用于模拟具有高度生物学细节的大规模脉冲神经网络(SNN)模型。CARLsim允许在通用x86CPU和标准现成GPU上以逼真的突触动力学执行Izhikevich脉冲神经元网络。该模拟器在C/C++中提供了一个类似PyNN的编程接口,允许在突触、神经元和网络级别指定详细信息和参数。二、CARLsim6的新功能包括:CUDA
- nnv开源神经网络验证软件工具
一、软件介绍文末提供程序和源码下载用于神经网络验证的Matlab工具箱,该工具箱实现了可访问性方法,用于分析自主信息物理系统(CPS)领域中带有神经网络控制器的神经网络和控制系统。二、相关工具和软件该工具箱利用神经网络模型转换工具(nnmt)和闭环系统分析、混合系统模型转换和转换工具(HyST)以及CONTINUOUSReachabilityAnalyzer(CORA)三、无需安装即可执行NNV可
- 自然语言处理(NLP)中的文本生成控制技术
AI天才研究院
AI大模型企业级应用开发实战AgenticAI实战AI人工智能与大数据自然语言处理easyui人工智能ai
自然语言处理(NLP)中的文本生成控制技术关键词:文本生成、可控生成、语言模型、Prompt工程、解码策略、条件控制、评估指标摘要:本文深入探讨自然语言处理中文本生成控制技术的最新进展。我们将从基础概念出发,系统分析各种控制方法的原理和实现,包括Prompt设计、解码策略优化、条件控制机制等核心内容。文章将结合数学模型、算法实现和实际案例,全面展示如何实现高质量、可控的文本生成,并探讨该领域面临的
- NLP随机插入
Humbunklung
机器学习自然语言处理人工智能pythonnlp
文章目录随机插入示例Python代码示例随机插入随机插入是一种文本数据增强方法,其核心思想是在原句中随机选择若干位置,插入与上下文相关的词语,从而生成新的训练样本。这种方法能够增加句子的多样性,提高模型对不同词序和表达方式的鲁棒性。示例原句:机器学习可以提升数据分析的效率。随机插入后(插入“显著”):机器学习可以显著提升数据分析的效率。Python代码示例下面是一个简单的随机插入实现,假设我们有一
- 解释神经网络的普适逼近定理(面试题200合集,中频、实用)
快撑死的鱼
算法工程师宝典(面试学习最新技术必备)深度学习人工智能
神经网络的普适逼近定理(UniversalApproximationTheorem,UAT)是理解为什么神经网络如此强大和灵活的理论基石之一。它为我们提供了信心,即在某些条件下,一个相对简单的神经网络结构原则上能够模拟出几乎任何复杂的函数。这个定理在深度学习领域中经常被提及,尤其是在讨论模型表达能力的时候。普适逼近定理(UniversalApproximationTheorem)概述普适逼近定理的
- Python爬虫实战:研究difflib库相关技术
ylfhpy
爬虫项目实战python爬虫easyui开发语言前端difflib
1.引言1.1研究背景与意义在信息爆炸的数字时代,互联网每天产生海量文本内容。据统计,全球新闻网站日均发布文章超过300万篇,社交媒体平台产生的文本信息量更以亿级单位增长。这种信息过载带来了内容同质化、抄袭剽窃等问题,给新闻媒体行业、学术研究领域和搜索引擎优化等带来了挑战。文本相似度分析作为自然语言处理的重要分支,能够有效识别内容间的相似程度,具有重要的应用价值:新闻媒体行业:通过检测新闻抄袭和重
- jvm调优总结(从基本概念 到 深度优化)
oloz
javajvmjdk虚拟机应用服务器
JVM参数详解:http://www.cnblogs.com/redcreen/archive/2011/05/04/2037057.html
Java虚拟机中,数据类型可以分为两类:基本类型和引用类型。基本类型的变量保存原始值,即:他代表的值就是数值本身;而引用类型的变量保存引用值。“引用值”代表了某个对象的引用,而不是对象本身,对象本身存放在这个引用值所表示的地址的位置。
- 【Scala十六】Scala核心十:柯里化函数
bit1129
scala
本篇文章重点说明什么是函数柯里化,这个语法现象的背后动机是什么,有什么样的应用场景,以及与部分应用函数(Partial Applied Function)之间的联系 1. 什么是柯里化函数
A way to write functions with multiple parameter lists. For instance
def f(x: Int)(y: Int) is a
- HashMap
dalan_123
java
HashMap在java中对很多人来说都是熟的;基于hash表的map接口的非同步实现。允许使用null和null键;同时不能保证元素的顺序;也就是从来都不保证其中的元素的顺序恒久不变。
1、数据结构
在java中,最基本的数据结构无外乎:数组 和 引用(指针),所有的数据结构都可以用这两个来构造,HashMap也不例外,归根到底HashMap就是一个链表散列的数据
- Java Swing如何实时刷新JTextArea,以显示刚才加append的内容
周凡杨
java更新swingJTextArea
在代码中执行完textArea.append("message")后,如果你想让这个更新立刻显示在界面上而不是等swing的主线程返回后刷新,我们一般会在该语句后调用textArea.invalidate()和textArea.repaint()。
问题是这个方法并不能有任何效果,textArea的内容没有任何变化,这或许是swing的一个bug,有一个笨拙的办法可以实现
- servlet或struts的Action处理ajax请求
g21121
servlet
其实处理ajax的请求非常简单,直接看代码就行了:
//如果用的是struts
//HttpServletResponse response = ServletActionContext.getResponse();
// 设置输出为文字流
response.setContentType("text/plain");
// 设置字符集
res
- FineReport的公式编辑框的语法简介
老A不折腾
finereport公式总结
FINEREPORT用到公式的地方非常多,单元格(以=开头的便被解析为公式),条件显示,数据字典,报表填报属性值定义,图表标题,轴定义,页眉页脚,甚至单元格的其他属性中的鼠标悬浮提示内容都可以写公式。
简单的说下自己感觉的公式要注意的几个地方:
1.if语句语法刚接触感觉比较奇怪,if(条件式子,值1,值2),if可以嵌套,if(条件式子1,值1,if(条件式子2,值2,值3)
- linux mysql 数据库乱码的解决办法
墙头上一根草
linuxmysql数据库乱码
linux 上mysql数据库区分大小写的配置
lower_case_table_names=1 1-不区分大小写 0-区分大小写
修改/etc/my.cnf 具体的修改内容如下:
[client]
default-character-set=utf8
[mysqld]
datadir=/var/lib/mysql
socket=/va
- 我的spring学习笔记6-ApplicationContext实例化的参数兼容思想
aijuans
Spring 3
ApplicationContext能读取多个Bean定义文件,方法是:
ApplicationContext appContext = new ClassPathXmlApplicationContext(
new String[]{“bean-config1.xml”,“bean-config2.xml”,“bean-config3.xml”,“bean-config4.xml
- mysql 基准测试之sysbench
annan211
基准测试mysql基准测试MySQL测试sysbench
1 执行如下命令,安装sysbench-0.5:
tar xzvf sysbench-0.5.tar.gz
cd sysbench-0.5
chmod +x autogen.sh
./autogen.sh
./configure --with-mysql --with-mysql-includes=/usr/local/mysql
- sql的复杂查询使用案列与技巧
百合不是茶
oraclesql函数数据分页合并查询
本片博客使用的数据库表是oracle中的scott用户表;
------------------- 自然连接查询
查询 smith 的上司(两种方法)
&
- 深入学习Thread类
bijian1013
javathread多线程java多线程
一. 线程的名字
下面来看一下Thread类的name属性,它的类型是String。它其实就是线程的名字。在Thread类中,有String getName()和void setName(String)两个方法用来设置和获取这个属性的值。
同时,Thr
- JSON串转换成Map以及如何转换到对应的数据类型
bijian1013
javafastjsonnet.sf.json
在实际开发中,难免会碰到JSON串转换成Map的情况,下面来看看这方面的实例。另外,由于fastjson只支持JDK1.5及以上版本,因此在JDK1.4的项目中可以采用net.sf.json来处理。
一.fastjson实例
JsonUtil.java
package com.study;
impor
- 【RPC框架HttpInvoker一】HttpInvoker:Spring自带RPC框架
bit1129
spring
HttpInvoker是Spring原生的RPC调用框架,HttpInvoker同Burlap和Hessian一样,提供了一致的服务Exporter以及客户端的服务代理工厂Bean,这篇文章主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
在
【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中
- 【Mahout二】基于Mahout CBayes算法的20newsgroup的脚本分析
bit1129
Mahout
#!/bin/bash
#
# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements. See the NOTICE file distributed with
# this work for additional information re
- nginx三种获取用户真实ip的方法
ronin47
随着nginx的迅速崛起,越来越多公司将apache更换成nginx. 同时也越来越多人使用nginx作为负载均衡, 并且代理前面可能还加上了CDN加速,但是随之也遇到一个问题:nginx如何获取用户的真实IP地址,如果后端是apache,请跳转到<apache获取用户真实IP地址>,如果是后端真实服务器是nginx,那么继续往下看。
实例环境: 用户IP 120.22.11.11
- java-判断二叉树是不是平衡
bylijinnan
java
参考了
http://zhedahht.blog.163.com/blog/static/25411174201142733927831/
但是用java来实现有一个问题。
由于Java无法像C那样“传递参数的地址,函数返回时能得到参数的值”,唯有新建一个辅助类:AuxClass
import ljn.help.*;
public class BalancedBTree {
- BeanUtils.copyProperties VS PropertyUtils.copyProperties
诸葛不亮
PropertyUtilsBeanUtils
BeanUtils.copyProperties VS PropertyUtils.copyProperties
作为两个bean属性copy的工具类,他们被广泛使用,同时也很容易误用,给人造成困然;比如:昨天发现同事在使用BeanUtils.copyProperties copy有integer类型属性的bean时,没有考虑到会将null转换为0,而后面的业
- [金融与信息安全]最简单的数据结构最安全
comsci
数据结构
现在最流行的数据库的数据存储文件都具有复杂的文件头格式,用操作系统的记事本软件是无法正常浏览的,这样的情况会有什么问题呢?
从信息安全的角度来看,如果我们数据库系统仅仅把这种格式的数据文件做异地备份,如果相同版本的所有数据库管理系统都同时被攻击,那么
- vi区段删除
Cwind
linuxvi区段删除
区段删除是编辑和分析一些冗长的配置文件或日志文件时比较常用的操作。简记下vi区段删除要点备忘。
vi概述
引文中并未将末行模式单独列为一种模式。单不单列并不重要,能区分命令模式与末行模式即可。
vi区段删除步骤:
1. 在末行模式下使用:set nu显示行号
非必须,随光标移动vi右下角也会显示行号,能够正确找到并记录删除开始行
- 清除tomcat缓存的方法总结
dashuaifu
tomcat缓存
用tomcat容器,大家可能会发现这样的问题,修改jsp文件后,但用IE打开 依然是以前的Jsp的页面。
出现这种现象的原因主要是tomcat缓存的原因。
解决办法如下:
在jsp文件头加上
<meta http-equiv="Expires" content="0"> <meta http-equiv="kiben&qu
- 不要盲目的在项目中使用LESS CSS
dcj3sjt126com
Webless
如果你还不知道LESS CSS是什么东西,可以看一下这篇文章,是我一朋友写给新人看的《CSS——LESS》
不可否认,LESS CSS是个强大的工具,它弥补了css没有变量、无法运算等一些“先天缺陷”,但它似乎给我一种错觉,就是为了功能而实现功能。
比如它的引用功能
?
.rounded_corners{
- [入门]更上一层楼
dcj3sjt126com
PHPyii2
更上一层楼
通篇阅读完整个“入门”部分,你就完成了一个完整 Yii 应用的创建。在此过程中你学到了如何实现一些常用功能,例如通过 HTML 表单从用户那获取数据,从数据库中获取数据并以分页形式显示。你还学到了如何通过 Gii 去自动生成代码。使用 Gii 生成代码把 Web 开发中多数繁杂的过程转化为仅仅填写几个表单就行。
本章将介绍一些有助于更好使用 Yii 的资源:
- Apache HttpClient使用详解
eksliang
httpclienthttp协议
Http协议的重要性相信不用我多说了,HttpClient相比传统JDK自带的URLConnection,增加了易用性和灵活性(具体区别,日后我们再讨论),它不仅是客户端发送Http请求变得容易,而且也方便了开发人员测试接口(基于Http协议的),即提高了开发的效率,也方便提高代码的健壮性。因此熟练掌握HttpClient是很重要的必修内容,掌握HttpClient后,相信对于Http协议的了解会
- zxing二维码扫描功能
gundumw100
androidzxing
经常要用到二维码扫描功能
现给出示例代码
import com.google.zxing.WriterException;
import com.zxing.activity.CaptureActivity;
import com.zxing.encoding.EncodingHandler;
import android.app.Activity;
import an
- 纯HTML+CSS带说明的黄色导航菜单
ini
htmlWebhtml5csshovertree
HoverTree带说明的CSS菜单:纯HTML+CSS结构链接带说明的黄色导航
在线体验效果:http://hovertree.com/texiao/css/1.htm代码如下,保存到HTML文件可以看到效果:
<!DOCTYPE html >
<html >
<head>
<title>HoverTree
- fastjson初始化对性能的影响
kane_xie
fastjson序列化
之前在项目中序列化是用thrift,性能一般,而且需要用编译器生成新的类,在序列化和反序列化的时候感觉很繁琐,因此想转到json阵营。对比了jackson,gson等框架之后,决定用fastjson,为什么呢,因为看名字感觉很快。。。
网上的说法:
fastjson 是一个性能很好的 Java 语言实现的 JSON 解析器和生成器,来自阿里巴巴的工程师开发。
- 基于Mybatis封装的增删改查实现通用自动化sql
mengqingyu
DAO
1.基于map或javaBean的增删改查可实现不写dao接口和实现类以及xml,有效的提高开发速度。
2.支持自定义注解包括主键生成、列重复验证、列名、表名等
3.支持批量插入、批量更新、批量删除
<bean id="dynamicSqlSessionTemplate" class="com.mqy.mybatis.support.Dynamic
- js控制input输入框的方法封装(数字,中文,字母,浮点数等)
qifeifei
javascript js
在项目开发的时候,经常有一些输入框,控制输入的格式,而不是等输入好了再去检查格式,格式错了就报错,体验不好。 /** 数字,中文,字母,浮点数(+/-/.) 类型输入限制,只要在input标签上加上 jInput="number,chinese,alphabet,floating" 备注:floating属性只能单独用*/
funct
- java 计时器应用
tangqi609567707
javatimer
mport java.util.TimerTask; import java.util.Calendar; public class MyTask extends TimerTask { private static final int
- erlang输出调用栈信息
wudixiaotie
erlang
在erlang otp的开发中,如果调用第三方的应用,会有有些错误会不打印栈信息,因为有可能第三方应用会catch然后输出自己的错误信息,所以对排查bug有很大的阻碍,这样就要求我们自己打印调用的栈信息。用这个函数:erlang:process_display (self (), backtrace).需要注意这个函数只会输出到标准错误输出。
也可以用这个函数:erlang:get_s