- 计算机专业毕业设计选题指南(2025创新版)
程序员小天00
课程设计毕业设计小程序pythoneclipsejava
计算机专业毕业设计选题指南(2025创新版)一、选题方向全景图(按技术维度划分)智能服务系统开发技术架构:SpringBoot+Vue3+MySQL/MongoDB典型场景:●智慧校园:实验室预约系统、学术成果可视化平台●医疗健康:电子病历智能分析系统、慢性病管理助手●城市治理:垃圾分类智能识别系统、交通拥堵预测模型创新点:融合OCR识别/NLP技术,实现无感化服务跨平台应用开发技术选型:Unia
- 从零开始理解Transformer模型:架构与应用
淮橘√
transformer深度学习人工智能
引言近年来,Transformer模型席卷了自然语言处理(NLP)领域,成为了深度学习中的明星架构。从Google提出的《AttentionisAllYouNeed》论文到ChatGPT、BERT等模型的广泛应用,Transformer以其强大的性能和灵活性改变了我们对序列建模的认知。本文将从零开始,深入浅出地解析Transformer的架构原理、核心组件以及实际应用场景,并提供一个简单的代码示例
- vLLM调度部署Qwen3
你好,此用户已存在
人工智能linux大模型
vLLM介绍在之前的文章中,我们介绍了如何使用ollama部署qwen3,一般而言,ollama适合个人部署使用,在面对企业级的模型部署时,一般更建议使用vLLMvLLM(高效大语言模型推理库)是一个专为大语言模型(LLMs)优化推理速度的开源框架,由斯坦福大学系统研究组开发。其核心目标是通过创新的软件和算法设计,大幅提升LLM在生成文本时的吞吐量和效率,尤其适用于处理高并发的推理请求。从各种基准
- 揭秘自然语言处理在AI人工智能领域的奥秘
AI智能探索者
AIAgent智能体开发实战人工智能自然语言处理easyuiai
揭秘自然语言处理在AI人工智能领域的奥秘关键词:自然语言处理、AI人工智能、语言理解、语言生成、语义分析摘要:本文深入探讨了自然语言处理(NLP)在AI人工智能领域的奥秘。首先介绍了自然语言处理的背景,包括目的、预期读者、文档结构和相关术语。接着阐述了自然语言处理的核心概念与联系,通过文本示意图和Mermaid流程图进行展示。详细讲解了核心算法原理和具体操作步骤,并用Python源代码进行阐述。分
- 初学Spring AI 笔记
笑衬人心。
大模型学习spring人工智能笔记
目录SpringAI简介依赖与环境配置基础概念集成OpenAI(或其他LLM提供商)Prompt模板引擎Embedding与向量数据库SpringAIChatClient使用SpringAI和LangChain对比常见问题与建议SpringAI简介SpringAI是Spring团队推出的人工智能集成框架,旨在简化AI模型(如OpenAI、HuggingFace、Mistral、AzureOpenA
- 基于langchain的法律助手工作流的搭建
一尾清风915
langchain语言模型python人工智能chatgptai
该工作流有四个llm组成,包括三个worker以及一个planner。planner用于识别用户输入,将其划分为具体任务并调用相应的worker。worker则根据输入进行工作,三个worker分别用于法条翻译,法条查询以及案例分析。其中planner、lawtrans、lasearch使用的都是gpt4,embedding模型使用的是openai的text-embedding-ada-002。c
- LLM大语言模型学习笔记(1)
Arixs666
大语言模型语言模型笔记人工智能
1.概念大语言模型(LLM,LargeLanguageModel),也称大型语言模型,是一种旨在理解和生成人类语言的人工智能模型。LLM通常指包含数百亿(或更多)参数的语言模型,它们在海量的文本数据上进行训练,从而获得对语言深层次的理解。2.能力2.1涌现能力区分大语言模型(LLM)与以前的预训练语言模型(PLM)最显著的特征之一是它们的涌现能力。涌现能力是一种令人惊讶的能力,它在小型模型中不明显
- 大语言模型LLM原理篇
大模型席卷全球,彷佛得模型者得天下。对于IT行业来说,以后可能没有各种软件了,只有各种各样的智体(Agent)调用各种各样的API。在这种大势下,笔者也阅读了很多大模型相关的资料,和很多新手一样,开始脑子里都是一团乱麻,随着相关文章越读越多,再进行内容梳理,终于理清了一条清晰的脉络。笔者写原理篇时心情是有些惴惴不安的,因为毕竟对大模型的研究有限,缺乏深度。但是,还是觉得有必要记录一下学习理解心得,
- 大语言模型(LLM)笔记
笑衬人心。
大模型学习语言模型笔记人工智能
一、什么是大语言模型(LLM)?LLM(LargeLanguageModel)是基于Transformer架构构建,并在海量文本语料上训练出的具备自然语言理解和生成能力的深度神经网络模型。其本质任务是**预测下一个token(词/字/符号)**的概率分布,但通过大规模参数和数据的支持,表现出类人智能的行为。二、核心架构:Transformer由Google在2017年提出,是目前LLM的主流架构。
- 智能之火,重塑创造:大模型如何点燃新一代开发引擎?
黑巧克力可减脂
AIGC人工智能AIGC
导言:普罗米修斯之火再现在科技演进的长河中,每一次生产力的跃迁都伴随着工具的质变。从蒸汽机轰鸣到电力普及,再到信息高速公路的铺就,人类驾驭能量的能力不断突破。今天,我们站在一个崭新的临界点上:大语言模型(LLM)正将人工智能的“普罗米修斯之火”引入软件开发的核心腹地。这不再仅仅是效率的优化,更是对开发者角色、开发流程乃至软件本质的深度重塑。GitHubCEOThomasDohmke曾断言:“Cop
- LoRA 实战指南:NLP 与 CV 场景的高效微调方法全解析
fairymt
产品经理的AI秘籍自然语言处理人工智能机器学习
大模型已成AI应用的“标配”,但高昂的训练和部署成本让很多企业望而却步。LoRA(Low-RankAdaptation)作为一种轻量级微调方案,正成为NLP与CV场景中低成本定制的利器。本文详细通过详细介绍LoRA的核心原理、在文本与图像任务中的应用场景、主流工具框架与实践方式,帮助你快速掌握这项高性价比技术。国产生态实战:基于LLaMA-Factory+DeepSeek+LoRA+FastAPI
- 智能新纪元:大语言模型如何重塑电商“人货场”经典范式
黑巧克力可减脂
AIGC语言模型人工智能自然语言处理
开篇引言“善战者,求之于势,不责于人。”——《孙子兵法·兵势篇》当全球电商交易额突破6.3万亿美元(Statista2024),增长引擎却显露疲态。流量红利消退、同质化竞争加剧、消费者需求碎片化——传统“人货场”理论正遭遇前所未有的挑战。而大语言模型(LLM)的出现,恰似一柄重铸商业逻辑的“科技之锤”,正在为电商领域开启一场静水深流的革命性变革。基石重塑:当“人货场”遇见大模型智能经典理论再审视:
- AI:微调框架 LLaMA-Factory(Large Language Model Factory)
xyzroundo
AI人工智能llama语言模型sftllama-factoryAI
LLaMA-Factory(LargeLanguageModelFactory)是由北航团队开源的高效大语言模型(LLM)微调框架,旨在简化大型语言模型的定制化训练流程,支持超过100种主流模型和多种先进微调技术。以下从核心功能、安装部署、微调流程和应用场景四个方面详细介绍:一、核心功能与特点广泛的模型支持支持LLaMA3、Mistral、Qwen、ChatGLM、Gemma、Phi、Yi、Bai
- 【机器学习&深度学习】模型微调的基本概念与流程
一叶千舟
深度学习【理论】机器学习深度学习人工智能
目录前言一、什么是模型微调(Fine-tuning)?二、预训练vs微调:什么关系?三、微调的基本流程(以BERT为例)1️⃣准备数据2️⃣加载预训练模型和分词器3️⃣数据编码与加载4️⃣定义优化器5️⃣开始训练6️⃣评估与保存模型四、是否要冻结BERT层?五、完整训练示例代码5.1环境依赖5.2执行代码总结:微调的优势前言在自然语言处理(NLP)快速发展的今天,预训练模型如BERT成为了众多任务
- 大模型系列——提示词工程:从原理、实践到未来的一部系统性综述
猫猫姐
大模型人工智能大模型提示词
提示词工程:从原理、实践到未来的一部系统性综述摘要本文系统性地阐述了提示词工程(PromptEngineering)这一关键领域,它作为释放大语言模型(LLM)潜能的核心人机交互范式。报告从LLM的“下一个词预测”基本机制出发,追溯了提示词工程从GPT-3时代“上下文学习”的偶然发现到当前系统化、工程化的演进历程。本文深度剖析了多种高级提示框架,包括旨在激发模型逐步推理的“思维链”(Chain-o
- 【知识图谱构建系列1】数据集介绍
几道之旅
人工智能智能体及数字员工Python杂货铺AI自建MCP学习记录知识图谱
文章目录项目简介数据集简介数据集核心内容应用与影响小细节参考论文:hal.science/hal-04862214/项目地址:https://github.com/ChristopheCruz/LLM4KGC/项目简介我们所要学习的项目(LLM4KGC)聚焦于利用大语言模型(LLMs)实现从文本到知识图谱(Text-to-KnowledgeGraph,T2KG)的自动化构建,旨在探索高效可靠的知识
- LangChain4j -- ChatMemory
大白鹅~
javaai
ChatMemory和持久化存储管理并手动维护ChatMessages管理和手动维护ChatMessages是繁琐的工作,因此LangChain4j提供了一个名为ChatMemory的抽象层,以及多个开箱即用的实现。ChatMemory可以用作独立的底层组件,也可以作为高层次组件如AI服务的一部分使用。ChatMemory的主要功能驱逐策略:为了适应LLM的上下文窗口限制、控制成本和延迟。持久化:
- 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
- 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
- MCP vs LangChain:标准化协议与开发框架的优劣对比
guohuang
MCP人工智能深度学习大模型
随着大型语言模型(LLM)技术的迅速发展,开发者需要高效的工具来构建基于LLM的应用。MCP(ModelContextProtocol)和LangChain作为两种主流解决方案,各有优缺点。本文将从技术入门者的角度,对这两种技术进行深入对比分析。1.概述MCP:标准化协议MCP(ModelContextProtocol)是由Anthropic提出的一种标准化协议,旨在统一大模型API的调用方式,简
- 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
- LangGraph深度解析:构建持久化、可观测的智能体工作流
kakaZhui
大模型Agent入门与代码实战AIGCLLM人工智能AgentMcp
一、项目概述与技术定位1.1LangGraph核心价值LangGraph是由LangChain团队推出的开源框架(GitHub仓库:https://github.com/langchain-ai/langgraph),专为构建持久化、状态化的智能体工作流设计。作为LangChain生态系统的战略补充,它解决了传统LLM应用在以下方面的关键痛点:持久化执行:支持长时间运行(数小时/天级)的工作流,故
- 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
- 导师要求一天完成综述,我7分钟搞定——打造一个全本地DeepResearch助手
小洛~·~
人工智能深度学习chatgptgptAI写作
1.项目背景LocalDeepResearcher是一个本地化运行的AI研究助手,旨在通过结合大语言模型(LLM)和搜索工具,实现自动化深度研究并生成结构化报告。该项目由LangChainAI开发,支持本地模型(例如通过Ollama运行的deepseek-r1:7b)和云端模型(例如Claude、GPT),并集成了多种搜索引擎(如Tavily、DuckDuckGo)。其本地优先的设计确保了数据隐私
- 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
- 通过本地LLM搭建本地RAG
TBM矩阵
#AI体系学习人工智能
整体思路通过ollama下载并搭建本地大预言模型LLM。通过ollama搭建embedding模型。通过langchain文件加载器加载本地内容文件(PDF文件)。通过langchain调用embedding模型进行向量存储和RAG检索。通过langchainprompts实现提示词工程。通过langchain调用LLM模型实现RAG生成,完成对本地文件的分析。准备环境服务器:CentOSLinu
- 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
- 怎么样才能成为专业的程序员?
cocos2d-x小菜
编程PHP
如何要想成为一名专业的程序员?仅仅会写代码是不够的。从团队合作去解决问题到版本控制,你还得具备其他关键技能的工具包。当我们询问相关的专业开发人员,那些必备的关键技能都是什么的时候,下面是我们了解到的情况。
关于如何学习代码,各种声音很多,然后很多人就被误导为成为专业开发人员懂得一门编程语言就够了?!呵呵,就像其他工作一样,光会一个技能那是远远不够的。如果你想要成为
- java web开发 高并发处理
BreakingBad
javaWeb并发开发处理高
java处理高并发高负载类网站中数据库的设计方法(java教程,java处理大量数据,java高负载数据) 一:高并发高负载类网站关注点之数据库 没错,首先是数据库,这是大多数应用所面临的首个SPOF。尤其是Web2.0的应用,数据库的响应是首先要解决的。 一般来说MySQL是最常用的,可能最初是一个mysql主机,当数据增加到100万以上,那么,MySQL的效能急剧下降。常用的优化措施是M-S(
- mysql批量更新
ekian
mysql
mysql更新优化:
一版的更新的话都是采用update set的方式,但是如果需要批量更新的话,只能for循环的执行更新。或者采用executeBatch的方式,执行更新。无论哪种方式,性能都不见得多好。
三千多条的更新,需要3分多钟。
查询了批量更新的优化,有说replace into的方式,即:
replace into tableName(id,status) values
- 微软BI(3)
18289753290
微软BI SSIS
1)
Q:该列违反了完整性约束错误;已获得 OLE DB 记录。源:“Microsoft SQL Server Native Client 11.0” Hresult: 0x80004005 说明:“不能将值 NULL 插入列 'FZCHID',表 'JRB_EnterpriseCredit.dbo.QYFZCH';列不允许有 Null 值。INSERT 失败。”。
A:一般这类问题的存在是
- Java中的List
g21121
java
List是一个有序的 collection(也称为序列)。此接口的用户可以对列表中每个元素的插入位置进行精确地控制。用户可以根据元素的整数索引(在列表中的位置)访问元素,并搜索列表中的元素。
与 set 不同,列表通常允许重复
- 读书笔记
永夜-极光
读书笔记
1. K是一家加工厂,需要采购原材料,有A,B,C,D 4家供应商,其中A给出的价格最低,性价比最高,那么假如你是这家企业的采购经理,你会如何决策?
传统决策: A:100%订单 B,C,D:0%
&nbs
- centos 安装 Codeblocks
随便小屋
codeblocks
1.安装gcc,需要c和c++两部分,默认安装下,CentOS不安装编译器的,在终端输入以下命令即可yum install gccyum install gcc-c++
2.安装gtk2-devel,因为默认已经安装了正式产品需要的支持库,但是没有安装开发所需要的文档.yum install gtk2*
3. 安装wxGTK
yum search w
- 23种设计模式的形象比喻
aijuans
设计模式
1、ABSTRACT FACTORY—追MM少不了请吃饭了,麦当劳的鸡翅和肯德基的鸡翅都是MM爱吃的东西,虽然口味有所不同,但不管你带MM去麦当劳或肯德基,只管向服务员说“来四个鸡翅”就行了。麦当劳和肯德基就是生产鸡翅的Factory 工厂模式:客户类和工厂类分开。消费者任何时候需要某种产品,只需向工厂请求即可。消费者无须修改就可以接纳新产品。缺点是当产品修改时,工厂类也要做相应的修改。如:
- 开发管理 CheckLists
aoyouzi
开发管理 CheckLists
开发管理 CheckLists(23) -使项目组度过完整的生命周期
开发管理 CheckLists(22) -组织项目资源
开发管理 CheckLists(21) -控制项目的范围开发管理 CheckLists(20) -项目利益相关者责任开发管理 CheckLists(19) -选择合适的团队成员开发管理 CheckLists(18) -敏捷开发 Scrum Master 工作开发管理 C
- js实现切换
百合不是茶
JavaScript栏目切换
js主要功能之一就是实现页面的特效,窗体的切换可以减少页面的大小,被门户网站大量应用思路:
1,先将要显示的设置为display:bisible 否则设为none
2,设置栏目的id ,js获取栏目的id,如果id为Null就设置为显示
3,判断js获取的id名字;再设置是否显示
代码实现:
html代码:
<di
- 周鸿祎在360新员工入职培训上的讲话
bijian1013
感悟项目管理人生职场
这篇文章也是最近偶尔看到的,考虑到原博客发布者可能将其删除等原因,也更方便个人查找,特将原文拷贝再发布的。“学东西是为自己的,不要整天以混的姿态来跟公司博弈,就算是混,我觉得你要是能在混的时间里,收获一些别的有利于人生发展的东西,也是不错的,看你怎么把握了”,看了之后,对这句话记忆犹新。 &
- 前端Web开发的页面效果
Bill_chen
htmlWebMicrosoft
1.IE6下png图片的透明显示:
<img src="图片地址" border="0" style="Filter.Alpha(Opacity)=数值(100),style=数值(3)"/>
或在<head></head>间加一段JS代码让透明png图片正常显示。
2.<li>标
- 【JVM五】老年代垃圾回收:并发标记清理GC(CMS GC)
bit1129
垃圾回收
CMS概述
并发标记清理垃圾回收(Concurrent Mark and Sweep GC)算法的主要目标是在GC过程中,减少暂停用户线程的次数以及在不得不暂停用户线程的请夸功能,尽可能短的暂停用户线程的时间。这对于交互式应用,比如web应用来说,是非常重要的。
CMS垃圾回收针对新生代和老年代采用不同的策略。相比同吞吐量垃圾回收,它要复杂的多。吞吐量垃圾回收在执
- Struts2技术总结
白糖_
struts2
必备jar文件
早在struts2.0.*的时候,struts2的必备jar包需要如下几个:
commons-logging-*.jar Apache旗下commons项目的log日志包
freemarker-*.jar  
- Jquery easyui layout应用注意事项
bozch
jquery浏览器easyuilayout
在jquery easyui中提供了easyui-layout布局,他的布局比较局限,类似java中GUI的border布局。下面对其使用注意事项作简要介绍:
如果在现有的工程中前台界面均应用了jquery easyui,那么在布局的时候最好应用jquery eaysui的layout布局,否则在表单页面(编辑、查看、添加等等)在不同的浏览器会出
- java-拷贝特殊链表:有一个特殊的链表,其中每个节点不但有指向下一个节点的指针pNext,还有一个指向链表中任意节点的指针pRand,如何拷贝这个特殊链表?
bylijinnan
java
public class CopySpecialLinkedList {
/**
* 题目:有一个特殊的链表,其中每个节点不但有指向下一个节点的指针pNext,还有一个指向链表中任意节点的指针pRand,如何拷贝这个特殊链表?
拷贝pNext指针非常容易,所以题目的难点是如何拷贝pRand指针。
假设原来链表为A1 -> A2 ->... -> An,新拷贝
- color
Chen.H
JavaScripthtmlcss
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <HTML> <HEAD>&nbs
- [信息与战争]移动通讯与网络
comsci
网络
两个坚持:手机的电池必须可以取下来
光纤不能够入户,只能够到楼宇
建议大家找这本书看看:<&
- oracle flashback query(闪回查询)
daizj
oracleflashback queryflashback table
在Oracle 10g中,Flash back家族分为以下成员:
Flashback Database
Flashback Drop
Flashback Table
Flashback Query(分Flashback Query,Flashback Version Query,Flashback Transaction Query)
下面介绍一下Flashback Drop 和Flas
- zeus持久层DAO单元测试
deng520159
单元测试
zeus代码测试正紧张进行中,但由于工作比较忙,但速度比较慢.现在已经完成读写分离单元测试了,现在把几种情况单元测试的例子发出来,希望有人能进出意见,让它走下去.
本文是zeus的dao单元测试:
1.单元测试直接上代码
package com.dengliang.zeus.webdemo.test;
import org.junit.Test;
import o
- C语言学习三printf函数和scanf函数学习
dcj3sjt126com
cprintfscanflanguage
printf函数
/*
2013年3月10日20:42:32
地点:北京潘家园
功能:
目的:
测试%x %X %#x %#X的用法
*/
# include <stdio.h>
int main(void)
{
printf("哈哈!\n"); // \n表示换行
int i = 10;
printf
- 那你为什么小时候不好好读书?
dcj3sjt126com
life
dady, 我今天捡到了十块钱, 不过我还给那个人了
good girl! 那个人有没有和你讲thank you啊
没有啦....他拉我的耳朵我才把钱还给他的, 他哪里会和我讲thank you
爸爸, 如果地上有一张5块一张10块你拿哪一张呢....
当然是拿十块的咯...
爸爸你很笨的, 你不会两张都拿
爸爸为什么上个月那个人来跟你讨钱, 你告诉他没
- iptables开放端口
Fanyucai
linuxiptables端口
1,找到配置文件
vi /etc/sysconfig/iptables
2,添加端口开放,增加一行,开放18081端口
-A INPUT -m state --state NEW -m tcp -p tcp --dport 18081 -j ACCEPT
3,保存
ESC
:wq!
4,重启服务
service iptables
- Ehcache(05)——缓存的查询
234390216
排序ehcache统计query
缓存的查询
目录
1. 使Cache可查询
1.1 基于Xml配置
1.2 基于代码的配置
2 指定可搜索的属性
2.1 可查询属性类型
2.2 &
- 通过hashset找到数组中重复的元素
jackyrong
hashset
如何在hashset中快速找到重复的元素呢?方法很多,下面是其中一个办法:
int[] array = {1,1,2,3,4,5,6,7,8,8};
Set<Integer> set = new HashSet<Integer>();
for(int i = 0
- 使用ajax和window.history.pushState无刷新改变页面内容和地址栏URL
lanrikey
history
后退时关闭当前页面
<script type="text/javascript">
jQuery(document).ready(function ($) {
if (window.history && window.history.pushState) {
- 应用程序的通信成本
netkiller.github.com
虚拟机应用服务器陈景峰netkillerneo
应用程序的通信成本
什么是通信
一个程序中两个以上功能相互传递信号或数据叫做通信。
什么是成本
这是是指时间成本与空间成本。 时间就是传递数据所花费的时间。空间是指传递过程耗费容量大小。
都有哪些通信方式
全局变量
线程间通信
共享内存
共享文件
管道
Socket
硬件(串口,USB) 等等
全局变量
全局变量是成本最低通信方法,通过设置
- 一维数组与二维数组的声明与定义
恋洁e生
二维数组一维数组定义声明初始化
/** * */ package test20111005; /** * @author FlyingFire * @date:2011-11-18 上午04:33:36 * @author :代码整理 * @introduce :一维数组与二维数组的初始化 *summary: */ public c
- Spring Mybatis独立事务配置
toknowme
mybatis
在项目中有很多地方会使用到独立事务,下面以获取主键为例
(1)修改配置文件spring-mybatis.xml <!-- 开启事务支持 --> <tx:annotation-driven transaction-manager="transactionManager" /> &n
- 更新Anadroid SDK Tooks之后,Eclipse提示No update were found
xp9802
eclipse
使用Android SDK Manager 更新了Anadroid SDK Tooks 之后,
打开eclipse提示 This Android SDK requires Android Developer Toolkit version 23.0.0 or above, 点击Check for Updates
检测一会后提示 No update were found