- 嵌入式学习-暑假学习总规划-day6
此文章为本人暑期学习计划,目标是在暑假学习吴恩达的机器学习,pytorch的使用,yolov8的使用,STM32的开发。在八月底九月初的总目标是在单片机上部署一个关于计算机视觉的轻量化AI。时间段学习任务目标成果6月17日-6月30日吴恩达监督学习课程含线性回归、逻辑回归、神经网络基础完成课程视频+习题,理解训练流程、损失函数、过拟合、正则化7月1日-7月10日PyTorch框架入门学习张量、自动
- 2025年大模型学习新攻略!掌握未来AI的关键技能
AI大模型-大飞
人工智能产品经理程序员AgentAI大模型大模型教程
1.公开课(视频):李宏毅机器学习斯坦福CS336:从零开始构建语言模型卡内基梅隆大学【多模态机器学习】RAGFromScratchHuggingFaceNLP课程2.机器学习和编程基础:pytorch官方中文教程[中英字幕]吴恩达机器学习李宏毅机器学习3.Attention机制:论文:《AttentionIsAllYouNeed》Transformer论文逐段精读【论文精读】-跟李沐学AIzhi
- 吴恩达机器学习笔记(1)—引言
大饼酥
人工智能机器学习人工智能吴恩达
目录一、欢迎二、机器学习是什么三、监督学习四、无监督学习一、欢迎机器学习是当前信息技术领域中最令人兴奋的方向之一。在这门课程中,你不仅会学习机器学习的前沿知识,还将亲手实现相关算法,从而深入理解其内部机理。事实上,机器学习已广泛渗透进我们的日常生活。例如,每次你使用Google、Bing进行搜索,或用Facebook、Apple的图像识别功能识别朋友,甚至邮箱中的垃圾邮件过滤器,背后都离不开机器学
- 全方位入门大模型应用开发,只需一招搞定:吴恩达系列课程中文教程实战指南!
AI小白熊
人工智能机器学习自然语言处理ai大模型程序员转行
随着生成式人工智能技术的迅速发展,大语言模型(LLM,LargeLanguageModel)成为了当下AI领域最炙手可热的赛道之一。如何快速、高效地掌握LLM的开发要领,成为众多开发者关注的热点。而由Datawhale团队打造的《面向开发者的大模型手册-LLMCookbook》项目,正好为有志于投身大模型开发的中文学习者提供了一套体系化、本地化的入门与实战宝典。本文将为你详细解析这个项目包含的各类
- 吴恩达机器学习入门笔记(Week 1)
冒冒喵
吴恩达机器学习入门机器学习笔记人工智能
吴恩达机器学习Week1学习资源及工具机器学习分类专业术语(Terminology)线性回归模型(Linearregression)代价函数(costfunction)学习资源及工具1、课程资源:B站大学2、相关工具:Jupter&Github3、书籍资源:神经网络与深度学习(MichaelNielsen)、机器学习(周志华)、统计学习方法(李航)…机器学习分类1、监督学习(supervisedl
- 斯坦福CS229机器学习笔记-Lecture2-线性回归+梯度下降+正规方程组
Teeyohuang
机器学习CS229-吴恩达机器学习笔记CS229吴恩达机器学习
声明:此系列博文根据斯坦福CS229课程,吴恩达主讲所写,为本人自学笔记,写成博客分享出来博文中部分图片和公式都来源于CS229官方notes。CS229的视频和讲义均为互联网公开资源Lecture2这一节主要讲的是三个部分的内容:·LinearRegression(线性回归)·GradientDescent(梯度下降)·NormalEquations(正规方程组)1、线性回归首先给了一个例子,如
- 04 Deep learning神经网络编程基础 梯度下降 --吴恩达
狂小虎
系统学习pythonDeepLearning深度学习神经网络人工智能
梯度下降在深度学习的应用梯度下降是优化神经网络参数的核心算法,通过迭代调整参数最小化损失函数。核心公式参数更新规则:θt+1=θt−η∇J(θ
- 02 Deep learning神经网络的编程基础 逻辑回归--吴恩达
狂小虎
DeepLearning深度学习神经网络逻辑回归
逻辑回归逻辑回归是一种用于解决二分类任务(如预测是否是猫咪等)的统计学习方法。尽管名称中包含“回归”,但其本质是通过线性回归的变体输出概率值,并使用Sigmoid函数将线性结果映射到[0,1]区间。以猫咪预测为例假设单个样本/单张图片为(x\mathbf{x}x,y\mathbf{y}y),特征向量X=x\mathbf{x}x,则y^\hat{y}y^即为X的预测值,y^\hat{y}y^=P(y
- 吴恩达MCP课程(5):research_server_prompt_resource.py
ZHOU_CAMP
MCPmcpagent
代码importarxivimportjsonimportosfromtypingimportListfrommcp.server.fastmcpimportFastMCPPAPER_DIR="papers"#InitializeFastMCPservermcp=FastMCP("research")@mcp.tool()defsearch_papers(topic:str,max_results
- 吴恩达深度学习课程实践项目集
Kiki-2189
本文还有配套的精品资源,点击获取简介:吴恩达深度学习编程作业包含了Coursera平台课程中的实践环节,为学员提供深度学习理论与编程技能的巩固。这些作业从基础神经网络到复杂架构,涵盖深度学习的各种关键概念和技术,使用TensorFlow进行模型构建和训练,适合作为入门深度学习的资源。1.深度学习基础与理论框架在当今的人工智能领域,深度学习以其强大的模式识别能力,已经成为了众多技术革新的核心。本章将
- 自然语言处理 (NLP) 学习路线
我喝AD钙
我的学习笔记自然语言处理学习人工智能
自然语言处理学习路线1.基础准备(可参考mooc学习)2.学习基础NLP技术(可参考mooc学习)3.经典机器学习算法在NLP中的应用(可参考吴恩达机器学习课程)4.深度学习基础(基础参考吴恩达、工具看TF、Keras官网手册)5.深度学习在NLP中的应用(arxiv论文原文和解析博客,实战参考gitee/github)6.现代NLP模型(arxiv论文原文和解析博客,实战参考gitee/gith
- 吴恩达机器学习笔记:特征与多项式回归
ちゆきー
机器学习笔记回归
1.特征和多项式回归如房价预测问题,ℎθ(x)=θ0+θ1×frontage+θ2×deptℎx1=frontage(临街宽度),x2=deptℎ(纵向深度),x=frontage∗deptℎ=area(面积),则:hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x线性回归并不适用于所有数据,有时我们需要曲线来适应我们的数据,比如一个二次方
- 吴恩达机器学习笔记:多维梯度下降实践
ちゆきー
机器学习笔记计算机视觉
1.特征放缩在我们面对多维特征问题的时候,我们要保证这些特征都具有相近的尺度,这将帮助梯度下降算法更快地收敛。以房价问题为例,假设我们使用两个特征,房屋的尺寸和房间的数量,尺寸的值为0-2000平方英尺,而房间数量的值则是0-5,以两个参数分别为横纵坐标,绘制代价函数的等高线图能看出图像会显得很扁,梯度下降算法需要非常多次的迭代才能收敛。解决的方法是尝试将所有特征的尺度都尽量缩放到-1到1之间。如
- 吴恩达机器学习笔记:监督学习
ちゆきー
机器学习笔记学习
1.回归我们用一个例子介绍什么是监督学习把正式的定义放在后面介绍。假如说你想预测房价。前阵子,一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来,看起来是这个样子:横轴表示房子的面积,单位是平方英尺,纵轴表示房价,单位是千美元。那基于这组数据,假如你有一个朋友,他有一套750平方英尺房子,现在他希望把房子卖掉,他想知道这房子能卖多少钱。我们应用学习算法,可以在这组数据中画一条
- 吴恩达深度学习作业之 PyTorch 实现多分类任务
海盗儿
深度学习pytorch分类
在这次作业中会学到:(参考https://zhuanlan.zhihu.com/p/536483424)PyTorch与NumPy的相互转换PyTorch的常见运算(矩阵乘法、激活函数、误差)PyTorch的初始化器PyTorch的优化器PyTorch维护梯度的方法数据集本项目中,我们要用到一个平面点数据集。在平面上,有三种颜色不同的点。我们希望用PyTorch编写的神经网络能够区分这三种点。im
- 宝藏资源库!10个免费网站助你成为AI达人
算家计算
AI干货分享人工智能AI学习AI相关网站分享小白必看算家云租算力到算家云
人工智能已成为当今最炙手可热的领域之一,但面对海量学习资源,许多初学者常感无从下手。本文将精选10个免费AI学习平台,涵盖理论课程、实战项目、社区资源与工具库,并标注难度、优缺点及适用人群,助你高效入门AI!一、核心学习平台1.Coursera官网链接:Coursera难度:⭐️⭐️(初级到进阶)推荐课程:吴恩达《深度学习专项课程》(包含5门子课程,覆盖神经网络、卷积网络、序列模型等)。优点:课程
- 大佬带你学习大模型Prompt技巧全解析,看完这篇文章就够了!
和老莫一起学AI
学习prompt语言模型人工智能ai程序员转行
在数字化浪潮的推动下,AI大模型以其卓越的自然语言处理能力和智能交互特性,迅速在很多领域中占据了重要地位。比如:与传统客服相比,AI大模型展现出了无可比拟的优势,通过精心设计的prompt,能使我们在客服托管、智能客服等多个项目和业务场景中发挥显著作用,大幅提高工作效率,优化成果质量。为了精进个人能力以及助力产研学习氛围的提升,本人在学习完吴恩达教授以及其他前辈们有关prompt的课程之后,整理了
- 吴恩达深度学习复盘(19)XGBoost简介|神经网络与决策树
wgc2k
#深度学习深度学习神经网络决策树
XGBoost多年来,机器学习研究人员提出了许多构建决策树的方法,目前最常用的方法是对样本或决策树的实现收费。其中,XGBoost是一种非常快速且易于使用的开源实现,已成功用于赢得许多机器学习竞赛和商业应用。算法原理基本思想:在构建决策树时,不是每次都以等概率选择训练样本,而是对那些之前已训练的树集合仍判断错误的样本给予更高的选择概率。这类似于在训练和教育中的“刻意练习”,例如学钢琴时专注于弹奏不
- 诺奖得主杰弗里·辛顿爆料:“AI教父”名号是吴恩达带头喊出来的、AI会比人类更聪明...
CSDN资讯
人工智能
责编|梦依丹出品丨AI科技大本营(ID:rgznai100)继去年荣获诺贝尔物理学奖引发全球关注后,“AI教父”杰弗里·辛顿(GeoffreyHinton),这位深度学习领域的奠基人近日在接受最新采访中坦言:“几乎所有顶尖研究人员都认为AI将变得比人类更聪明。”他之前在诺贝尔奖的官方采访中表示:AI最快5年超越人类智慧。具体见诺奖采访深度学习教父辛顿:最快五年内AI有50%概率超越人类,任何说“一
- 【学习笔记】机器学习(Machine Learning) | 第三章(1)| 多特征与向量化计算
北温凉
机器学习笔记
机器学习(MachineLearning)简要声明基于吴恩达教授(AndrewNg)课程视频BiliBili课程资源文章目录机器学习(MachineLearning)简要声明一、多特征(MultipleFeatures)概述1.1特征表示方法1.2线性回归模型扩展扩展说明一、多特征(MultipleFeatures)概述1.1特征表示方法在机器学习中,当数据包含多个特征时,我们需要使用特征向量来表
- 吴恩达深度学习(17)独热编码|回归树简介
wgc2k
#深度学习深度学习回归人工智能
独热编码(One-HotEncoding)简介在之前看到的示例中,每个特征只能取一个或两个可能的值,比如耳朵形状只有尖或,胡须只有有或无。但如果特征可以有两个以上的取值该需要特殊处理。以宠物收养中心应用程序的新训练集为例,除了耳朵形状特征外,其他数据都相同。此时耳朵形状不再只有尖和松软两种,还可以是椭圆形,即耳朵形状(ESHI)特征仍是分类值特征,但从有两个可能值变为有三个可能值。当基于这个特征进
- 拆解吴恩达开源的翻译AI Agent
weixin_47233946
开源人工智能
斯坦福大学教授吴恩达一直非常推崇AIAgent,之前他提出过AIAgent的四种工作模式,分别是Reflection(反思)、Tooluse(工具使用)、Planning(规划)和Multi-agentcollaboration(多智能体协同)。近日,他又开源了一个翻译AIAgent,他认为AI智能体机器翻译对改进传统神经机器翻译”具有巨大潜力,尚未被完全发掘“,在周末的时间,写了一个演示项目。开
- 一文详细梳理!大模型从理论到实战落地必备干货!零基础入门到精通,收藏这一篇就够了
网络安全大白
科技网络安全程序员安全网络安全系统安全
在人工智能的浩瀚星辰中,大模型犹如璀璨的北极星,引领着技术的前沿方向。它们不仅代表了深度学习领域的最新突破,更成为了推动各行各业智能化转型的关键力量。本文笔者总结了大模型从理论研究到实战落地所需具备的所有知识干货,与大家分享~基础知识数学深入浅出动态可视化数学之美(几何、微积分、概率论、线性代数等):https://space.bilibili.com/88461692/机器学习吴恩达机器学习入门
- 深度学习教程 | 经典CNN网络实例详解
Dashesand
深度学习cnn网络
深度学习教程|经典CNN网络实例详解作者:韩信子@ShowMeAI教程地址:www.showmeai.tech/tutorials/3…本文地址:www.showmeai.tech/article-det…声明:版权所有,转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为吴恩达老师《深度学习专项课程(DeepLearningSpecialization)》学习与总结整理所得
- 【深度学习基础】第四十七课:BLEU得分
x-jeff
深度学习基础深度学习人工智能nlp
【深度学习基础】系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记。1.BLEU得分机器翻译的一大难题是一个法语句子可以有多种英文翻译,并且翻译质量都同样好。那么我们该怎样评估一个机器翻译系统呢?常用的一个方法就是使用BLEU得分。BLEU原文:PapineniK,RoukosS,WardT,etal.Bleu:amethodforautomaticevaluationofmachi
- 吴恩达深度学习复盘(1)神经网络与深度学习的发展
wgc2k
#深度学习深度学习人工智能
一、神经网络的起源与生物学动机灵感来源神经网络的最初动机源于对生物大脑的模仿。20世纪50年代,科学家试图通过软件模拟神经元的工作机制(如树突接收信号、轴突传递信号),构建类似人类大脑的信息处理系统。生物神经元的简化模型人工神经网络采用数学模型简化生物神经元的行为:每个神经元接收输入(数字信号),通过加权求和与激活函数处理后输出。尽管这一模型远不及真实大脑复杂,但早期研究认为其可能复现智能行为。二
- 人工智能(11)——————计算机视觉
長安一片月
人工智能人工智能计算机视觉
目录声明正文1、简介2、步骤1)图像分类2)目标检测(目标定位)3)目标跟踪4)图像分割普通分割语义分割实例分割5)图像生成3、总结声明以下内容均来自B站吴恩达教授的视频以及西瓜书和众多前辈的学习成果总结,仅记录本人的大模型学习过程,如有侵权立马删除。言论仅代表自身理解,如有错误还请指正。正文1、简介我们先来看看百度百科里对计算机视觉的介绍:计算机视觉是一门研究如何使机器“看”的科学,更进一步的说
- 人工智能(10)——————自然语言处理
長安一片月
人工智能人工智能自然语言处理学习transformer
声明以下内容均来自B站吴恩达教授的视频以及西瓜书和众多前辈的学习成果总结,仅记录本人的大模型学习过程,如有侵权立马删除。言论仅代表自身理解,如有错误还请指正。正文简介其实在现在的人工智能领域,很多东西都是相互关联,相互促进的。比如机器学习可以引入到自然语言处理,计算机视觉等多个类别当中,而自然语言处理中特有的seq2seq方法也可以用于机器学习当中。但是根本上这些类别都存在自己独有之处。自然语言处
- 走进吴恩达:揭秘Prompt Engineering 提示词工程
AI大模型教程
prompt人工智能大模型langchain提示词工程LLMRAG
PromptEngineering概览何为Prompt在自然语言处理领域,尤其是与大型语言模型(LLM)互动时,Prompt起着至关重要的作用。形象地说:LLM是金矿:大型语言模型如同深藏不露的金矿,蕴藏着巨大的知识与创造力潜力。Prompt是钥匙:而Prompt,则是开启这座金矿的钥匙。通过精心设计的问题或指令(Prompt),我们能引导模型产生特定的、有价值的输出,如文章创作、代码编写、问题解
- 【深度学习基础】第二十四课:softmax函数的导数
x-jeff
深度学习基础深度学习人工智能
【深度学习基础】系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记。1.softmax函数softmax函数详解。2.softmax函数的导数假设神经网络输出层的激活函数为softmax函数,用以解决多分类问题。在反向传播时,就需要计算softmax函数的导数,这也就是本文着重介绍的内容。我们只需关注输出层即可,其余层和之前介绍的二分类模型一样,不再赘述。我们先考虑只有一个样本的情况
- 对于规范和实现,你会混淆吗?
yangshangchuan
HotSpot
昨晚和朋友聊天,喝了点咖啡,由于我经常喝茶,很长时间没喝咖啡了,所以失眠了,于是起床读JVM规范,读完后在朋友圈发了一条信息:
JVM Run-Time Data Areas:The Java Virtual Machine defines various run-time data areas that are used during execution of a program. So
- android 网络
百合不是茶
网络
android的网络编程和java的一样没什么好分析的都是一些死的照着写就可以了,所以记录下来 方便查找 , 服务器使用的是TomCat
服务器代码; servlet的使用需要在xml中注册
package servlet;
import java.io.IOException;
import java.util.Arr
- [读书笔记]读法拉第传
comsci
读书笔记
1831年的时候,一年可以赚到1000英镑的人..应该很少的...
要成为一个科学家,没有足够的资金支持,很多实验都无法完成
但是当钱赚够了以后....就不能够一直在商业和市场中徘徊......
- 随机数的产生
沐刃青蛟
随机数
c++中阐述随机数的方法有两种:
一是产生假随机数(不管操作多少次,所产生的数都不会改变)
这类随机数是使用了默认的种子值产生的,所以每次都是一样的。
//默认种子
for (int i = 0; i < 5; i++)
{
cout<<
- PHP检测函数所在的文件名
IT独行者
PHP函数
很简单的功能,用到PHP中的反射机制,具体使用的是ReflectionFunction类,可以获取指定函数所在PHP脚本中的具体位置。 创建引用脚本。
代码:
[php]
view plain
copy
// Filename: functions.php
<?php&nbs
- 银行各系统功能简介
文强chu
金融
银行各系统功能简介 业务系统 核心业务系统 业务功能包括:总账管理、卡系统管理、客户信息管理、额度控管、存款、贷款、资金业务、国际结算、支付结算、对外接口等 清分清算系统 以清算日期为准,将账务类交易、非账务类交易的手续费、代理费、网络服务费等相关费用,按费用类型计算应收、应付金额,经过清算人员确认后上送核心系统完成结算的过程 国际结算系
- Python学习1(pip django 安装以及第一个project)
小桔子
pythondjangopip
最近开始学习python,要安装个pip的工具。听说这个工具很强大,安装了它,在安装第三方工具的话so easy!然后也下载了,按照别人给的教程开始安装,奶奶的怎么也安装不上!
第一步:官方下载pip-1.5.6.tar.gz, https://pypi.python.org/pypi/pip easy!
第二部:解压这个压缩文件,会看到一个setup.p
- php 数组
aichenglong
PHP排序数组循环多维数组
1 php中的创建数组
$product = array('tires','oil','spark');//array()实际上是语言结构而不 是函数
2 如果需要创建一个升序的排列的数字保存在一个数组中,可以使用range()函数来自动创建数组
$numbers=range(1,10)//1 2 3 4 5 6 7 8 9 10
$numbers=range(1,10,
- 安装python2.7
AILIKES
python
安装python2.7
1、下载可从 http://www.python.org/进行下载#wget https://www.python.org/ftp/python/2.7.10/Python-2.7.10.tgz
2、复制解压
#mkdir -p /opt/usr/python
#cp /opt/soft/Python-2
- java异常的处理探讨
百合不是茶
JAVA异常
//java异常
/*
1,了解java 中的异常处理机制,有三种操作
a,声明异常
b,抛出异常
c,捕获异常
2,学会使用try-catch-finally来处理异常
3,学会如何声明异常和抛出异常
4,学会创建自己的异常
*/
//2,学会使用try-catch-finally来处理异常
- getElementsByName实例
bijian1013
element
实例1:
<!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/1999/x
- 探索JUnit4扩展:Runner
bijian1013
java单元测试JUnit
参加敏捷培训时,教练提到Junit4的Runner和Rule,于是特上网查一下,发现很多都讲的太理论,或者是举的例子实在是太牵强。多搜索了几下,搜索到两篇我觉得写的非常好的文章。
文章地址:http://www.blogjava.net/jiangshachina/archive/20
- [MongoDB学习笔记二]MongoDB副本集
bit1129
mongodb
1. 副本集的特性
1)一台主服务器(Primary),多台从服务器(Secondary)
2)Primary挂了之后,从服务器自动完成从它们之中选举一台服务器作为主服务器,继续工作,这就解决了单点故障,因此,在这种情况下,MongoDB集群能够继续工作
3)挂了的主服务器恢复到集群中只能以Secondary服务器的角色加入进来
2
- 【Spark八十一】Hive in the spark assembly
bit1129
assembly
Spark SQL supports most commonly used features of HiveQL. However, different HiveQL statements are executed in different manners:
1. DDL statements (e.g. CREATE TABLE, DROP TABLE, etc.)
- Nginx问题定位之监控进程异常退出
ronin47
nginx在运行过程中是否稳定,是否有异常退出过?这里总结几项平时会用到的小技巧。
1. 在error.log中查看是否有signal项,如果有,看看signal是多少。
比如,这是一个异常退出的情况:
$grep signal error.log
2012/12/24 16:39:56 [alert] 13661#0: worker process 13666 exited on s
- No grammar constraints (DTD or XML schema).....两种解决方法
byalias
xml
方法一:常用方法 关闭XML验证
工具栏:windows => preferences => xml => xml files => validation => Indicate when no grammar is specified:选择Ignore即可。
方法二:(个人推荐)
添加 内容如下
<?xml version=
- Netty源码学习-DefaultChannelPipeline
bylijinnan
netty
package com.ljn.channel;
/**
* ChannelPipeline采用的是Intercepting Filter 模式
* 但由于用到两个双向链表和内部类,这个模式看起来不是那么明显,需要仔细查看调用过程才发现
*
* 下面对ChannelPipeline作一个模拟,只模拟关键代码:
*/
public class Pipeline {
- MYSQL数据库常用备份及恢复语句
chicony
mysql
备份MySQL数据库的命令,可以加选不同的参数选项来实现不同格式的要求。
mysqldump -h主机 -u用户名 -p密码 数据库名 > 文件
备份MySQL数据库为带删除表的格式,能够让该备份覆盖已有数据库而不需要手动删除原有数据库。
mysqldump -–add-drop-table -uusername -ppassword databasename > ba
- 小白谈谈云计算--基于Google三大论文
CrazyMizzz
Google云计算GFS
之前在没有接触到云计算之前,只是对云计算有一点点模糊的概念,觉得这是一个很高大上的东西,似乎离我们大一的还很远。后来有机会上了一节云计算的普及课程吧,并且在之前的一周里拜读了谷歌三大论文。不敢说理解,至少囫囵吞枣啃下了一大堆看不明白的理论。现在就简单聊聊我对于云计算的了解。
我先说说GFS
&n
- hadoop 平衡空间设置方法
daizj
hadoopbalancer
在hdfs-site.xml中增加设置balance的带宽,默认只有1M:
<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>10485760</value>
<description&g
- Eclipse程序员要掌握的常用快捷键
dcj3sjt126com
编程
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可以那么勤奋,每天都孜孜不倦得
- Android学习之路
dcj3sjt126com
Android学习
转自:http://blog.csdn.net/ryantang03/article/details/6901459
以前有J2EE基础,接触JAVA也有两三年的时间了,上手Android并不困难,思维上稍微转变一下就可以很快适应。以前做的都是WEB项目,现今体验移动终端项目,让我越来越觉得移动互联网应用是未来的主宰。
下面说说我学习Android的感受,我学Android首先是看MARS的视
- java 遍历Map的四种方法
eksliang
javaHashMapjava 遍历Map的四种方法
转载请出自出处:
http://eksliang.iteye.com/blog/2059996
package com.ickes;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
/**
* 遍历Map的四种方式
- 【精典】数据库相关相关
gengzg
数据库
package C3P0;
import java.sql.Connection;
import java.sql.SQLException;
import java.beans.PropertyVetoException;
import com.mchange.v2.c3p0.ComboPooledDataSource;
public class DBPool{
- 自动补全
huyana_town
自动补全
<!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/1999/xhtml&quo
- jquery在线预览PDF文件,打开PDF文件
天梯梦
jquery
最主要的是使用到了一个jquery的插件jquery.media.js,使用这个插件就很容易实现了。
核心代码
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.
- ViewPager刷新单个页面的方法
lovelease
androidviewpagertag刷新
使用ViewPager做滑动切换图片的效果时,如果图片是从网络下载的,那么再子线程中下载完图片时我们会使用handler通知UI线程,然后UI线程就可以调用mViewPager.getAdapter().notifyDataSetChanged()进行页面的刷新,但是viewpager不同于listview,你会发现单纯的调用notifyDataSetChanged()并不能刷新页面
- 利用按位取反(~)从复合枚举值里清除枚举值
草料场
enum
以 C# 中的 System.Drawing.FontStyle 为例。
如果需要同时有多种效果,
如:“粗体”和“下划线”的效果,可以用按位或(|)
FontStyle style = FontStyle.Bold | FontStyle.Underline;
如果需要去除 style 里的某一种效果,
- Linux系统新手学习的11点建议
刘星宇
编程工作linux脚本
随着Linux应用的扩展许多朋友开始接触Linux,根据学习Windwos的经验往往有一些茫然的感觉:不知从何处开始学起。这里介绍学习Linux的一些建议。
一、从基础开始:常常有些朋友在Linux论坛问一些问题,不过,其中大多数的问题都是很基础的。例如:为什么我使用一个命令的时候,系统告诉我找不到该目录,我要如何限制使用者的权限等问题,这些问题其实都不是很难的,只要了解了 Linu
- hibernate dao层应用之HibernateDaoSupport二次封装
wangzhezichuan
DAOHibernate
/**
* <p>方法描述:sql语句查询 返回List<Class> </p>
* <p>方法备注: Class 只能是自定义类 </p>
* @param calzz
* @param sql
* @return
* <p>创建人:王川</p>
* <p>创建时间:Jul