JustWonder
JustWonder

Self-Attention

论文no-local neural network给出了一个通用的公式

                   (1)

f是一个计算x_i和x_j关系的函数，结果是一个scalar

g是计算位置j处特征表达的函数

                                  (2)

f可以选多种函数，比如高斯

                                         (3)

而更进一步，可以先对x_i和x_j进行也正空间转化

                                (4)

公式(2)中此时对于给定的i来说

可以理解为在j处的softmax值，公式(1)可以表示为


上图是论文中的no-local block，其实就是加了attention的block

先通过卷积层（也就是特征空间转化）将输入的纬度从1024降维到512，然后两个feature map进行点乘，得到各个像素之间的关系矩阵，关系矩阵的大小是NxN，N=THW，再对这个关系矩阵进行归一化(softmax)，论文中实际使用的是N，之后对于位置i处的特征，那么利用关系矩阵中的i行，即1xN去给THWx512的feature map加权累加，得到新的特征y_i

运算量还是挺大的

你可能感兴趣的:(Self-Attention)

  • Transformer底层原理解析及基于pytorch的代码实现 LiRuiJie 人工智能transformerpytorch深度学习
    1.Transformer底层原理解析1.1核心架构突破Transformer是自然语言处理领域的革命性架构，其核心设计思想完全摒弃了循环结构，通过自注意力机制实现全局依赖建模。整体架构图如下：以下是其核心组件：1）自注意力机制（Self-Attention）-输入序列的每个位置都能直接关注所有位置-数学公式（缩放点积注意力）：-Q：查询矩阵（当前关注点）-K：键矩阵（被比较项）-V：值矩阵（实际
  • 基于Transformer实现机器翻译 yyyyurina. transformer机器翻译深度学习
    目录一、前言1.1什么是Transformer?1.2Transfomer的基本结构1.2Transformer的重要组成部分1.2.1位置编码（PositionalEncode）1.2.2自注意力机制（Self-Attention）1.2.3多头注意力（Multi-HeadAttention）1.2.4位置感知前馈层（Position-wiseFFN）1.2.5残差连接与层归一化二、AutoDL
  • python打卡第46天 zdy1263574688 python打卡python深度学习人工智能
    一、什么是注意力机制？注意力机制（AttentionMechanism）的核心思想是模拟人类的认知过程：让模型学会“有选择地聚焦”输入信息中的关键部分，同时抑制次要或无关信息。就像人眼观察图片时，会自然忽略背景而聚焦于主体（如一只猫或一辆汽车）。在Transformer中：被称为自注意力（Self-Attention）。它允许序列（如句子中的词、图像中的区域）中的每个元素“查看”序列中的所有其他元
  • 简单transformer运用 D11PMINDER deeplearningtransformer深度学习人工智能
    通俗易懂解读：hw04.py文件内容与Transformer的应用这个文件是一个Python脚本（hw04.py），用于完成NTU2021Spring机器学习课程的HW4作业任务：扬声器分类（SpeakerClassification）。它主要通过Transformer模型（尤其是自注意力机制，Self-Attention）来实现分类，并提供了训练和推理代码。以下我会详细讲解文件的结构，重点教你如
  • KV Cache：大模型推理加速的核心机制 非常大模型 大模型语言模型人工智能
    当AI模型生成文本时，它们经常会重复许多相同的计算，这会降低速度。KVCache是一种技术，它可以通过记住之前步骤中的重要信息来加快此过程。模型无需从头开始重新计算所有内容，而是重复使用已经计算过的内容，从而使文本生成更快、更高效。从矩阵运算角度理解KVCache让我们从最基础的注意力机制开始。标准的self-attention计算公式大家都很熟悉：Attention(Q,K,V)=softmax
  • Vision Transformer（vit）的Multi-Head Self-Attention（多头注意力机制）结构 O_o381 transformer人工智能深度学习pytorch
    前置学习：详解Transformer中Self-Attention以及Multi-HeadAttention_transformermultihead-CSDN博客图解：核心公式：代码：classAttention(nn.Module):def__init__(self,dim,#输入token的dimnum_heads=8,#多头注意力中的头数（默认值为8）qkv_bias=False,#是否在
  • 人工智能与大模型技术：从理论到实践的黄金指南 NIHILISM DAMN 人工智能python人工智能
    一、破解技术迷雾：大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型，通过自注意力机制（Self-Attention）实现了序列建模的突破。其核心公式可表示为：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ（Query）、KK（Key）、V
  • 人工智能与大模型技术：从理论到实践的黄金指南 NIHILISM DAMN 人工智能python人工智能
    一、破解技术迷雾：大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型，通过自注意力机制（Self-Attention）实现了序列建模的突破。其核心公式可表示为：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ（Query）、KK（Key）、V
  • 互联网大厂经典面试题：手撕Transformer LBXY 人工智能机器学习深度学习transformerpython面试经验
    互联网大厂面试中，往往涉及手撕代码环节。Transformer作为现在大模型的基本架构，在学术界以及工业界都有很广泛的应用，因此成为了一个重要考点，本文着重介绍如何快速理解transformer以及通过python“手撕”实现（以演示为主，不能直接运行）。1.自注意力机制（Self-Attention）自注意力机制的核心思想是：每个位置的输出由所有位置的信息加权得到。自注意力机制使得模型能够关注输
  • 人工智能与大模型技术：从理论到实践的黄金指南 张家铭02 人工智能python人工智能
    一、破解技术迷雾：大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型，通过自注意力机制（Self-Attention）实现了序列建模的突破。其核心公式可表示为：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ（Query）、KK（Key）、V
  • 人工智能前沿技术：Transformer架构与BERT模型 人工智能教程 人工智能transformerbert架构机器学习自然语言处理计算机视觉
    前言近年来，自然语言处理（NLP）领域取得了飞速的发展，其中Transformer架构和BERT模型无疑是推动这一进步的关键力量。Transformer架构以其独特的自注意力机制（Self-Attention）和并行计算能力，彻底改变了序列数据的处理方式。而BERT（BidirectionalEncoderRepresentationsfromTransformers）模型则基于Transform
  • 第6讲、全面拆解Encoder、Decoder内部模块 何双新 Transformer人工智能
    全面拆解Transformer架构：Encoder、Decoder内部模块解析（附流程图小测验）关键词：Transformer、Encoder、Decoder、Self-Attention、MaskedAttention、位置编码、残差连接、多头注意力机制Transformer自2017年诞生以来，已经成为深度学习中最具影响力的模型架构之一。无论是GPT、BERT，还是今天的大模型GPT-4、Cl
  • 大模型基础组件 - 位置编码 不知道起什么昵称呀 大模型transformer
    为什么需要位置编码自注意力机制没有顺序感知：Transformer模型中的自注意力（Self-Attention）机制计算的是输入序列中所有位置的元素之间的关系，而这些关系仅仅依赖于元素的内容，而不考虑它们在序列中的顺序。例如，模型并不能自动地识别“第一个词”和“最后一个词”之间的顺序关系。这意味着，如果没有额外的信息，模型不能知道一个词在句子中的位置。需要显式的位置信息：为了让Transform
  • 图像/视频生成模型中常见的条件融合方式 愤怒的勇 人工智能AIGC
    图像/视频生成模型中常见的条件融合方式目前生成模型主要有4中常见的条件融合方式以实现可控生成：条件归一化层，DecoupledCross-Attention，self-attention层进行融合，特征值逐元素求和。本文首先介绍下各种方法现，然后进行总结，最后提出一下展望。条件归一化层过去和现在的一些工作，会通过条件归一化层将一些条件（比如类别和文本）融合到生成模型以实现条件可控生成。假设生成模型
  • 基于Transformer模型的音-字转换及代码实现 bullnfresh transformer深度学习人工智能
    Transformer是Google的团队在2017年提出的一种NLP经典模型，现在比较火热的Bert、GPT也都是基于Transformer。Transformer模型使用了Self-attention机制，不采用RNN的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。一、数据准备1.代码包引入importtorchimporttorch.nnasnnimporttorch.utils.
  • Transformer和TensorFlow的区别 KingDol_MIni 其他技术transformertensorflow深度学习人工智能
    Transformer和TensorFlow是两个不同层面的概念，Transformer是一种深度学习模型架构，而TensorFlow是一个开源的机器学习框架，可以用来实现包括Transformer在内的各种深度学习模型。TransformerTransformer模型最初是在2017年的论文《AttentionisAllYouNeed》中提出的，它主要基于自注意力（Self-Attention）
  • 当前人工智能领域的主流高级技术及其核心方向 小赖同学啊 人工智能人工智能
    以下是当前人工智能领域的主流高级技术及其核心方向，涵盖理论突破与产业应用：一、基础架构创新Transformer架构突破点：通过自注意力机制（Self-Attention）实现长距离依赖建模，颠覆传统RNN/CNN架构。代表模型：BERT（NLP理解）、GPT（生成式对话）、ViT（视觉Transformer）。应用场景：机器翻译、文本生成、蛋白质结构预测（AlphaFold）。神经辐射场（NeR
  • 深度学习论文: CAS-ViT: Convolutional Additive Self-attention Vision Transformers mingo_敏 PaperReading深度学习人工智能
    深度学习论文:CAS-ViT:ConvolutionalAdditiveSelf-attentionVisionTransformersforEfficientMobileApplicationsCAS-ViT:ConvolutionalAdditiveSelf-attentionVisionTransformersforEfficientMobileApplicationsPDF:https:/
  • 【Token系列】13｜Transformer是什么，为什么它能读懂语言？ Sumy[Tea构建者] AI智能深度学习人工智能深度学习人工智能语言模型
    文章目录13｜Transformer是什么，为什么它能读懂语言？一、语言建模的关键难点：顺序+上下文依赖二、Transformer革新点：AttentionisAllYouNeed三、整体结构图（简化版）四、Transformer的关键模块解释1.**Embedding+PositionEncoding**2.**Self-Attention机制**3.**Multi-HeadAttention*
  • ECA 注意力机制：让你的卷积神经网络更上一层楼 RockLiu@805 机器视觉深度学习模块cnn人工智能神经网络
    ECA注意力机制：让你的卷积神经网络更上一层楼在深度学习领域，注意力机制已经成为提升模型性能的重要手段。从自注意力（Self-Attention）到各种变体，研究人员不断探索更高效、更有效的注意方法。今天我们要介绍一种轻量级的通道注意力机制——ECA-Net。什么是ECA注意力？ECA-Net:EfficientChannelAttentionforDeepConvolutionalNeuralN
  • 1、什么是Transformer O_meGa AIGC有问必答transformer深度学习人工智能
    目录Transformer架构概览编码器层（EncoderLayer）解码器层（DecoderLayer）注意力机制自注意力（Self-Attention）多头注意力（Multi-HeadAttention）为什么使用LayerNorm为什么使用多头注意力机制Transformer的原理是基于自注意力机制（Self-Attention），该机制可以直接计算序列中各个位置之间的依赖关系。与传统的循环
  • Transformer模型：Decoder的self-attention mask实现 Galaxy.404 Transformertransformer深度学习人工智能
    前言这是对Transformer模型WordEmbedding、PostionEmbedding、Encoderself-attentionmask、intra-attentionmask内容的续篇。视频链接：20、Transformer模型Decoder原理精讲及其PyTorch逐行实现_哔哩哔哩_bilibili文章链接：Transformer模型：WordEmbedding实现-CSDN博客
  • AI知识补全（十三）：注意力机制与Transformer架构是什么？ Code_流苏 AI知识图谱人工智能transformer深度学习注意力机制编码器-解码器
    名人说：人生如逆旅，我亦是行人。——苏轼《临江仙·送钱穆父》创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder）上一篇：AI知识补全（十二）：知识图谱与大模型结合是什么？目录一、引言：Transformer革命性的起源二、注意力机制的基本原理1.注意力机制的本质2.自注意力机制(Self-Attention)3.缩放点积注意力三、Transformer架构详解1.整体架构2.编码
  • 人工智能与大模型技术：从理论到实践的黄金指南 张家铭02 pythonpython人工智能开发语言
    一、破解技术迷雾：大模型的核心原理与演进逻辑1.Transformer架构的数学之美2017年Google提出的Transformer模型，通过自注意力机制（Self-Attention）实现了序列建模的突破。其核心公式可表示为：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中QQ（Query）、KK（Key）、V
  • 深入浅出 Self-Attention：原理 + 例子 + PyTorch 实现 murphymeng2001 NLPpytorch人工智能python
    Transformer的核心机制就是Self-Attention，它赋予模型强大的“理解上下文”能力。本文从零开始，详细解析Self-Attention的原理、Q/K/V向量的含义、举例说明并用PyTorch代码实现，助你彻底搞懂这项技术！什么是Self-Attention？Self-Attention（自注意力）是一种机制，它让模型在处理某个词时，能够“感知”到句子中其它词，并根据它们的重要程度
  • Transformer模型在自然语言处理中的实战应用 Evaporator Core 人工智能#深度学习#DeepSeek快速入门transformer自然语言处理深度学习
    基于BERT的文本分类实战：从原理到部署一、Transformer与BERT核心原理Transformer模型通过自注意力机制（Self-Attention）突破了RNN的顺序计算限制，BERT（BidirectionalEncoderRepresentationsfromTransformers）作为其典型代表，具有两大创新：双向上下文编码：通过MLM（MaskedLanguageModel）任
  • 从编码器和词嵌入开始：Transformer架构详解（上）-ChatGPT4o作答+王木头学科学阅读理解 部分分式 transformer深度学习人工智能
    Transformer架构是由Vaswani等人在2017年提出的，旨在解决序列到序列问题（如机器翻译）。它的核心思想是通过自注意力机制（self-attention）捕捉序列中的长程依赖关系，完全摒弃了传统的循环神经网络（RNN）和卷积神经网络（CNN）中的顺序计算方式，因此具有极大的并行计算优势，并且能够处理更长的输入序列。Transformer架构主要由以下几个重要部分组成：1.自注意力机制
  • PyTorch 实现图像版多头注意力（Multi-Head Attention）和自注意力（Self-Attention） AIGC_增益 面试问题pytorch人工智能python
    本文提供一个适用于图像输入的多头注意力机制（Multi-HeadAttention）PyTorch实现，适用于ViT、MAE等视觉Transformer中的注意力计算。模块说明输入支持图像格式(B,C,H,W)内部转换为序列(B,N,C)，其中N=H*W多头注意力计算：查询（Q）、键（K）、值（V）使用线性层投影结果reshape回原图维度(B,C,H,W)多头注意力机制代码（适用于图像输入）im
  • YOLOv11模型改进-注意力-引入单头自注意力Single-Head Self-Attention（SHSA）解决小目标、遮挡 一勺汤 YOLOv11模型改进系列YOLO深度学习目标检测人工智能神经网络计算机视觉视觉检测
    在计算机视觉领域，目标检测一直是一个重要的研究方向。近年来，YOLO（YouOnlyLookOnce）系列模型凭借其高效的实时检测能力，成为了业界的标杆。最新发布的YOLOv11在前几代模型的基础上进行了多项改进。而单头自注意力(SHSA)作为一种高效的注意力机制，也在视觉任务中展现了其独特的优势。其通过在输入通道的一部分上应用单头注意力来减少计算冗余，同时保留全局和局部信息的结合，从而提高了效率
  • Transformer理解 慢慢变 transformer深度学习人工智能
    Transformer是一种基于自注意力机制（Self-Attention）的深度学习模型架构，由Vaswani等人在2017年的论文《AttentionIsAllYouNeed》中首次提出。它在自然语言处理（NLP）领域取得了革命性的成功，成为许多先进模型（如BERT、GPT系列、T5等）的基础架构。以下是对Transformer的详细理解：1.Transformer的核心概念2.解码器（Dec
  • 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 =
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他