- 机器学习在智能仓储中的应用:库存管理与物流优化
Blossom.118
机器学习与人工智能机器学习人工智能深度学习机器人sklearntensorflowcnn
最近研学过程中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。点击链接跳转到网站人工智能及编程语言学习教程。读者们可以通过里面的文章详细了解一下人工智能及其编程等教程和学习方法。下面开始对正文内容的介绍。随着电子商务的蓬勃发展,仓储和物流行业面临着前所未有的挑战和机遇。智能仓储通过整合先进的信息技术,如物联网(IoT)、大数据和机器学习,能够实现从货物入库到出库的全流程
- 【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
- 【机器学习第四期(Python)】LightGBM 方法原理详解
WW、forever
机器学习原理及代码实现机器学习python人工智能
LightGBM概述一、LightGBM简介二、LightGBM原理详解⚙️核心原理LightGBM的主要特点三、LightGBM实现步骤(Python)可调参数推荐完整案例代码(回归任务+可视化)参考LightGBM是由微软开源的基于梯度提升框架(GBDT)的机器学习算法,专为高性能、高效率设计,适用于大规模数据处理任务。它在准确率、训练速度和资源使用上都优于传统GBDT实现(如XGBoost)
- 【机器学习】机器学习的基本分类-监督学习-线性回归(Linear Regression)
IT古董
人工智能机器学习机器学习分类学习人工智能线性回归
线性回归是监督学习中的一种基础算法,用于解决回归问题。它通过拟合一条直线(或平面、高维超平面),来预测输出与输入变量之间的关系。1.线性回归的基本概念目标给定输入和对应的输出y,找到一个线性函数:其中:是权重(回归系数)。b是偏置(截距)。y是预测值。损失函数为了找到最佳的w和b,需要最小化预测值和真实值
- Python 数据分析与机器学习入门 (一):环境搭建与核心库概览
程序员阿超的博客
Pythonpython数据分析机器学习入门教程环境搭建AnacondaJupyterNotebook
Python数据分析与机器学习入门(一):环境搭建与核心库概览本文摘要本文是Python数据分析与机器学习入门系列的第一篇,专为初学者设计。文章首先阐明了Python在数据科学领域的优势,然后手把手指导读者如何使用Anaconda搭建一个无痛、专业的开发环境,并介绍了强大的交互式工具JupyterNotebook的基本操作。最后,简要概览了NumPy、Pandas、Scikit-learn等核心库
- Python 数据分析与机器学习入门 (三):Pandas 数据导入与核心操作
程序员阿超的博客
Pythonpython数据分析机器学习PandasDataFrameSeries数据清洗
引言:Pandas是什么,为何如此重要?如果说NumPy是处理原始数值数组的利器,那么Pandas则是驾驭结构化数据的瑞士军刀。在真实世界的数据分析项目中,数据很少是单纯的数字矩阵。它们通常以表格形式存在,包含行和列,每列可能有不同的数据类型(如文本、数字、日期),并且带有描述性的列名和行索引。Pandas正是为高效处理这类数据而生。Pandas构建于NumPy之上,它不仅继承了NumPy的高性能
- 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
- 【EI会议征稿】东北大学主办第三届机器视觉、图像处理与影像技术国际会议(MVIPIT 2025)
诗远Yolanda
图像处理计算机视觉考研视频机器学习论文阅读
一、会议信息大会官网:www.mvipit.org官方邮箱:
[email protected]会议地点:辽宁沈阳主办单位:东北大学会议时间:2025年9月27日-9月29日二、征稿主题集中但不限于“机器视觉、图像处理与影像技术”等其他相关主题。机器视觉:视觉中的统计机器学习;立体视觉标定;几何建模与处理;人脸识别与手势识别;早期视觉和生物学启发的视觉;光流法和运动追踪;图像分割和图像分类;基于模型的视觉
- MCP模型上下文协议:AI人工智能模型训练的自动化调参
AI天才研究院
AI人工智能与大数据人工智能自动化运维ai
MCP模型上下文协议:AI人工智能模型训练的自动化调参关键词:MCP模型、自动化调参、AI训练、超参数优化、上下文协议、机器学习、深度学习摘要:本文深入探讨MCP模型上下文协议在AI模型训练自动化调参中的应用。MCP(ModelContextProtocol)是一种创新的自动化调参框架,通过上下文感知和动态参数调整机制,显著提升模型训练效率和性能。文章将从理论基础、算法实现、数学原理到实际应用进行
- AI--提升效率、驱动创新的核心引擎
保持学习ing
AI编程自动化低代码
自动化代码生成、低代码/无代码开发、算法优化实践等新兴技术在软件开发领域正逐渐崭露头角。这些技术为开发者提供了更高效、更便捷的开发方式,大大提升了软件开发的效率和质量。本文重点探讨的是这些技术在实际应用中的价值和优势。1、自动化代码生成1.1优势自动化代码生成是利用机器学习和人工智能技术,通过分析需求和已有代码,生成可用的代码片段或完整的程序。这种技术可以极大地减少开发人员的工作量,提高开发效率。
- 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
- 七天学完十大机器学习经典算法-05.从投票到分类:K近邻(KNN)算法完全指南
接上一篇《七天学完十大机器学习经典算法-04.随机森林:群众智慧的机器学习实践》想象一下,你搬进了一个新小区。想知道这个小区整体氛围如何?最直接的方法就是看看你最近的几家邻居是什么样的人——如果邻居们都很安静、整洁,小区大概率不错;如果邻居们深夜喧哗、环境杂乱,你可能就得重新考虑了。K近邻(K-NearestNeighbors,KNN)算法的核心思想,就如同这个观察邻居的过程。它是机器学习中最直观
- Python 数据分析与可视化 Day 11 - 特征工程基础
蓝婷儿
pythonpython数据分析人工智能
✅今日目标理解特征工程在数据分析和机器学习中的意义掌握常见特征类型的处理方式:数值型、类别型、时间型学习特征提取、转换、标准化、独热编码(One-HotEncoding)等核心操作为后续建模任务做好特征准备工作一、什么是特征工程?特征工程是将原始数据转换为模型可学习的“特征向量”的过程,是机器学习效果好坏的核心因素之一。常见任务包括:缺失值处理(已学)异常值处理(已学)数值归一化、标准化类别变量编
- 线性代数-第9篇:二次型与正定矩阵:优化问题的数学基础
程序员勇哥
人工智能(AI)线性代数人工智能大数据python
线性代数-第9篇:二次型与正定矩阵:优化问题的数学基础在人工智能、量化投资和大数据分析中,优化问题无处不在,比如机器学习的损失函数最小化、量化投资组合的风险最小化等。而二次型与正定矩阵作为线性代数中的重要概念,为解决这些优化问题提供了坚实的数学基础。本篇将深入解析它们的原理及其在实际场景中的关键应用。一、二次型:从向量到函数的桥梁1.定义与表达式二次型是一个关于向量x\mathbf{x}x的二次齐
- 基于django+Spark+大数据+爬虫技术的国漫推荐与可视化平台设计和实现(源码+论文+部署讲解等)
阿勇学长
大数据项目实战案例Java精品毕业设计实例Python数据可视化项目案例大数据djangospark国漫推荐与可视化平台毕业设计Java
博主介绍:✌全网粉丝50W+,csdn特邀作者、博客专家、CSDN新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流✌技术范围:SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等
- 文本生成新纪元:解锁大模型的企业级应用密码
数字化浪潮席卷各行业的当下,文本生成技术正经历着翻天覆地的变革,这场变革的幕后功臣正是大模型。今天,咱们就来深入探讨大模型在文本生成领域的奥秘,看看它如何赋能企业,又该怎样规避风险,实现价值最大化。技术跃迁:从笨拙规则到智能生成回首往昔,文本生成依靠规则模板与关键字替换,虽能实现基础自动化,却如机械舞者,动作生硬、缺乏灵动。业务稍有变动,规则需全面重构,耗时费力。随着N-gram等统计机器学习方法
- 【零基础学AI】 第10讲:线性回归
1989
0基础学AI人工智能线性回归算法python回归numpy开源
本节课你将学到理解线性回归的原理和应用场景掌握最小二乘法的基本思想使用Python构建房价预测模型学会评估回归模型的性能指标开始之前环境要求Python3.8+JupyterNotebook或任何PythonIDE需要安装的包pipinstallscikit-learnpandasmatplotlibseabornnumpy前置知识第9讲:机器学习概述基本的Python和数据处理能力核心概念什么是
- 【零基础学AI】第9讲:机器学习概述
1989
0基础学AI人工智能机器学习pythonnumpydevops开源
本节课你将学到理解什么是机器学习,以及它与传统编程的区别掌握监督学习、无监督学习的基本概念使用scikit-learn完成你的第一个机器学习项目构建一个完整的iris花朵分类器开始之前环境要求Python3.8+JupyterNotebook或任何PythonIDE需要安装的包pipinstallscikit-learnpandasmatplotlibseaborn前置知识基本的Python语法(
- 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
- 【TVM 教程】PAPI 入门
ApacheTVM是一个深度的深度学习编译框架,适用于CPU、GPU和各种机器学习加速芯片。更多TVM中文文档可访问→https://tvm.hyper.ai/性能应用程序编程接口(PerformanceApplicationProgrammingInterface,简称PAPI)是一个可在各种平台上提供性能计数器的库。在指定的运行期间,性能计数器提供处理器行为的准确底层信息,包含简单的指标,如总
- 机器学习在智能供应链中的应用:需求预测与库存优化
Blossom.118
机器学习与人工智能机器学习人工智能机器人深度学习python神经网络sklearn
在当今全球化的商业环境中,供应链管理的效率和灵活性对于企业的竞争力至关重要。智能供应链通过整合先进的信息技术,如物联网(IoT)、大数据和机器学习,能够实现从原材料采购到产品交付的全流程优化。机器学习技术在智能供应链中的应用尤为突出,尤其是在需求预测和库存优化方面。本文将探讨机器学习在智能供应链中的应用,并分析其带来的机遇和挑战。一、智能供应链中的需求预测准确的需求预测是供应链管理的核心。需求预测
- 面向隐私保护的机器学习:联邦学习技术解析与应用
Blossom.118
机器学习与人工智能机器学习人工智能深度学习tensorflowpython神经网络cnn
在当今数字化时代,数据隐私和安全问题日益受到关注。随着《数据安全法》《个人信息保护法》等法律法规的实施,企业和机构在数据处理和分析过程中面临着越来越严格的合规要求。然而,机器学习模型的训练和优化往往需要大量的数据支持,这就产生了一个矛盾:如何在保护数据隐私的前提下,充分利用数据的价值进行机器学习模型的训练和优化?联邦学习(FederatedLearning)作为一种新兴的隐私保护技术,为解决这一问
- AI驱动的智能电网:平衡供需提高效率
AI智能应用
AI大模型应用入门实战与进阶javapythonjavascriptkotlingolang架构人工智能
智能电网,AI,机器学习,预测模型,优化算法,供需平衡,能源效率1.背景介绍随着全球能源需求的不断增长和可再生能源的快速发展,传统电网面临着越来越多的挑战。传统的电网结构是集中式供电,难以适应分布式能源的接入和负荷需求的波动性。智能电网应运而生,它利用先进的通信技术、传感器网络和数据分析技术,实现电网的自动化、智能化和可视化,从而提高电网的可靠性、效率和安全性。人工智能(AI)作为一种新兴技术,在
- AI 技术&AI开发框架
34号树洞
人工智能深度学习人工智能机器学习NLPGAI
目录一、AI技术及其开发框架1.AI技术分类与代表方向2.主流AI开发框架3.AI应用开发流程简述4.补充:基础依赖与生态二、AI技术方向1.机器学习(MachineLearning,ML)✦核心概念:✦关键方法:✦应用案例:2.深度学习(DeepLearning,DL)✦核心概念:✦网络结构举例:✦技术趋势:3.自然语言处理(NLP)✦核心任务:✦代表模型:4.计算机视觉(ComputerVis
- 机器学习算法——神经网络1(神经元模型)
神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。神经网络中最基本的成分是神经元(neuron)模型。即上述定义中的“简单单元”。在生物神经网络中,每个神经元与其他申请元相连,当它“兴奋”时,就会向相连的神经元发送化学物质,从而改变这些神经元内的电位;如果某神经元的电位超过一个“阈值”,那么它就会被激活,即“兴奋”起来,向其他神经
- 深度学习使用Pytorch训练模型步骤
vvvdg
深度学习pytorch人工智能
训练模型是机器学习和深度学习中的核心过程,旨在通过大量数据学习模型参数,以便模型能够对新的、未见过的数据做出准确的预测。训练模型通常包括以下几个步骤:1.数据准备:收集和处理数据,包括清洗、标准化和归一化。将数据分为训练集、验证集和测试集。2.定义模型:选择模型架构,例如决策树、神经网络等。初始化模型参数(权重和偏置)。3.选择损失函数:根据任务类型(如分类、回归)选择合适的损失函数。4.选择优化
- 常见的强化学习算法分类及其特点
ywfwyht
人工智能算法分类人工智能
强化学习(ReinforcementLearning,RL)是一种机器学习方法,通过智能体(Agent)与环境(Environment)的交互来学习如何采取行动以最大化累积奖励。以下是一些常见的强化学习算法分类及其特点:1.基于值函数的算法这些算法通过估计状态或状态-动作对的价值来指导决策。Q-Learning无模型的离线学习算法。通过更新Q值表来学习最优策略。更新公式:Q(s,a)←Q(s,a)
- Scikit-learn:机器学习的「万能工具箱」
科技林总
DeepSeek学AI人工智能
——三行代码构建AI模型的全栈指南**###**一、诞生背景:让机器学习从实验室走向大众****2010年前的AI困境**:-学术界模型难以工程化-算法实现碎片化(MATLAB/C++主导)-企业应用门槛极高>**破局者**:DavidCournapeau发起*Scikit-learn*项目,**统一算法接口**+**Python简易语法**=机器学习民主化革命---###**二、设计哲学:一致性
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,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
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR